인공지능 기술의 발달과 함께 학습격차와 같은 교육 문제의 해결에 대한 요구 증가, 인공지능 기반 교육 서비스 시장 확대에 따라 많은 대학에서 인공지능 기반 학습보조시스템 활용에 대한 관심과 실제적인 노력을 가속화 할 전망이다. 하지만 국내 대학 교육에서 활용할 수 있는 인공지능 기반의 학습보조시스템은 매우 제한적이며 인공지능 기반의 학습보조시스템의 효과 및 적용 사례는 주로 해외 사례 중심으로 소개되고 있어, 대학이 인공지능 기반의 학습보조시스템을 도입할 때 다양한 어려움을 겪고 있는 실정이다. 

이에 본 연구에서는 대학에서 인공지능 기반 학습보조시스템 활용 방안을 도출하고자 ① 인공지능 기반 학습보조시스템 관련 문헌 및 사례 분석 ② 대학에서 인공지능 기반 학습보조시스템 활용 현황과 지원 요구분석 ③ 인공지능 기반의 학습보조시스템 활용 교수-학습 지원 모델 개발 ④ 인공지능 기반 학습보조시스템 도입 및 활용에 대한 지원 전략을 모색하였다. 이 중 주요 연구 결과를 요약하면 다음과 같다.

첫째, 대학에서 인공지능 기반 학습보조시스템 도입하고 활용하고자 할 때, 참고할 수 있는 교수-학습 지원 모델을 아래와 같이 도출하였다. 대학에서 인공지능 기반 학습보조시스템 활용 교수-학습 지원 모델의 핵심은 다음과 같다. 첫째, 인공지능 기술을 활용하여 학습자를 어떠한 방식으로 진단할 것인지, 둘째, 진단 결과를 바탕으로 어떻게 수업과 연계를 할 것인지, 마지막으로 학습자 및 수업평가는 어떻게 진행할 것인지 제시하였다. 특히 교수·학습 지원 모델의 실제 활용도를 높이는 등의 현실적인 요구를 반영하여 학습자를 진단하는 여러 가지 인공지능 활용 기술의 적용보다는 학습자의 학업성취도 및 동기를 파악하기 위해 문제풀이 결과 및 과정을 활용하는 인공지능 기반 학습보조시스템에 초점을 맞추어 모델을 제시하였다. 이러한 모델을 도출하기 위해 인공지능 학습보조시스템과 관련된 선행 문헌 및 사례 분석과 대학에서 실제로 인공지능 기반 학습보조시스템을 활용하고 있는 담당자를 심층 면담하여 모델의 구성요소를 도출하고 전문가에게 타당화를 받았다.
  
둘째, 대학에서 인공지능 기반 학습보조시스템 도입 및 활용을 위하여 기획 및 도입, 인적 및 물적 자원 확충, 제도적 기반 구축, 대학 성과 관리 및 확산의 4가지 영역으로 나누어 전략을 제안하였다.

1) 인공지능 기반 학습보조시스템의 기획 및 도입을 위해 대학의 운영 실태 및 상황에 따른 시스템 도입 및 개발 계획을 수립하는 것이 필요하다. 대학의 본부 차원에서 교원에게 시스템 활용을 요구하는 상향식 방식과 교수자 개인이 수업의 필요성에 따라 자신의 수업에 적용하는 하향식 방식은 시스템 도입을 위한 두 가지 도입 유형이다. 대학은 상향식, 하향식 도입 중 무엇이 적절한지를 고려하여 시스템 도입 혹은 개발 계획을 수립하고, 행정적인 지원 및 학사 관련 정책을 개정하는 노력이 필요하다. 또한, 대학의 상황에 따른 맞춤형 서비스를 운영이 필요하다. 시스템을 처음 도입하려는 대학은 기 개발된 플랫폼을 도입하는 것이 효과적일 수 있으며, 대학 내 요구에 적합한 기 개발 시스템이 없는 경우 자체적으로 맞춤형 교육 시스템의 계획 및 개발을 추진할 수 있다.

2) 인공지능 기반 학습보조시스템의 도입 및 운영을 위한 인적, 물적 자원을 확충해야 한다. 이를 위해 각 대학의 관련 부처가 참여하는 운영관리체계를 구축하는 것이 필요하며, 전담 부서 설치 및 인력 배치가 필요하다. 또한 인공지능 기반 학습보조시스템을 고도화하고, 지속적으로 모니터링 할 필요가 있다. 고도화 과정에서는, 기술적 품질관리 프로세스 구현 및 시스템 개선 등의 기술적 고도화와 문제풀이 및 학습 콘텐츠 업데이트 등 서비스의 고도화를 모두 포함한다. 시스템 고도화와 더불어 인공지능 기반 학습보조시스템 활용을 위한 구성원의 역량 강화가 필요하다. 단위 수업, 교과·비교과 등에서 효과적으로 시스템을 활용할 수 있도록 교육을 지원하고, 대학 구성원이 교육에 참여할 수 있도록 독려할 수 있다. 또한 시스템의 적극적인 도입과 고도화를 위해 대학 자체 예산을 확보하고, 중장기적 운영 방안을 수립할 필요가 있다.

3) 인공지능 기반 학습보조시스템의 원활한 활용을 위한 제도적 기반을 구축해야 한다. 이를 위해 데이터의 상호 운용성을 위해 데이터를 표준화하고 이를 관리하는 데이터 관리 위원회를 구성해야 한다. 데이터 공유를 위해 xAPI 및 Caliper Analytics 등의 데이터 표준 체계를 이해하고, 어떠한 체계를 따라야 하는지에 대한 검토가 필요하다. 또한 대학 내·외의 데이터 사용에 대한 장벽을 제거하고, 데이터를 통합관리를 통한 DataHub 역할을 할 수 있는 데이터 관리 전담 부서 및 위원회를 설립할 필요가 있다. 더불어 인공지능 기반 학습보조시스템 운영 시 준수해야 하는 데이터 윤리 관련 원칙 및 가이드라인을 대학 차원에서 제시하고, 인공지능 윤리와 관련한 업무를 전담하는 위원회를 구성해야 한다. 특히 데이터 수집 및 관리에 대한 인공지능 윤리 규정을 제정하고, 데이터 활용 기준을 명확히 세워야 한다.

4) 인공지능 기반 학습보조시스템을 도입 및 활용함에 따라 도출되는 학습효과 및 성과를 관리하고 확산해야 한다. 따라서 이를 공유할 수 있는 대학 간 컨소시엄을 결성·활성화할 필요가 있으며, 컨소시엄을 통해 학생들의 성적, 출석률, 참여율, 등록률 변화 등에 대한 효과를 공유하고 논의할 수 있는 기회를 제공할 수 있다. 또한 각 대학이 축적한 자원과 데이터를 공유할 수 있는 공유 운영체계를 구축하고 고도화시킬 수 있으며, 대학-지역 기반 기업의 협력 모델을 구축하여 지역 기반의 산업으로 산학협력을 지원할 수 있도록 다양한 정책을 모색할 필요가 있다.


Study on Developing Strategies to Utilize AI-based Learning Support Systems across Korean Universities

With the development of AI technology and the expansion of the AI-based education service market, universities bring AI-based learning support systems to address the increasing demand for solving education issues such as learning gaps. Many universities expect to accelerate their interest and practical efforts in utilizing AI-based learning support systems. However, the availability of AI-based learning support systems for use in university education at Korea is very limited, and studies on the effectiveness of such systems mainly come from overseas. Therefore, universities may face difficulties when introducing AI-based learning support systems in their university. In this context, the study aims to derive strategies for utilizing AI-based learning support systems in universities, by ① literature and case analysis, ② needs analysis of AI-based learning support systems in domestic universities, ③ an instructional support model development, and ④ suggestions for the introduction and utilization of AI-based learning support systems. 

First, the study derived an instructional support model that can be used as a reference when introducing and utilizing an AI-based learning support system at the university. The model contains, first, how to diagnose learners using AI technology, second, how to link the diagnosis results with course design, and finally, how to evaluate learners and classes. Particularly, the study focused on presenting a model that focuses on AI-based learning support system that uses problem-solving processes and outcome data to understand learners' academic achievements and motivation. In order to derive this model, the study analyzed related literatures and cases related to AI-based learning support systems and conducted in-depth interviews with those responsible for utilizing AI-based learning support systems in universities. Them we derived the components of the model and conducted validation from experts.

Second, suggestions were proposed to introduce and utilize AI-based learning support systems in universities, which is divided into four areas: planning and introducing AI-based learning support systems, acquiring  human and physical resources, establishing legal and institutional infrastructure, and managing/disseminating university performance. 

1. In order to introduce AI-based learning support systems, it is necessary to establish a system introduction and development plan based on the university’s operational situation. This can be done in two approaches: a top-down approach where the university requires professors to use the system, and a bottom-up approach where individual professors apply the system according to the necessity of their classes. Universities need to consider which approach is most appropriate, and then establish a system introduction or development plan accordingly, along with efforts to revise administrative support and academic-related policies. Additionally, universities need to operate customized services based on their situations. Universities that are introducing the system for the first time may find it effective to adopt a pre-developed system developed by other vendors, while those that do not have a pre-developed system suitable for universities’ demands can develop a customized education system.

2. Human and physical resources for the introduction and management of AI-based learning support systems need to be expanded. To this end, universities will have to establish an administration system that brings relevant teams within the university to take part, as well as organize a dedicated team followed by human resource allocation. Furthermore, the  AI-based learning support system will continuously need to be advanced  and monitored. The system advancement includes both technical upgrades such as system maintenance, as well as service upgrades such as problem and data pool updates. In addition to upgrading the system, there is a need to enhance the university members’ competency of utilizing the AI-based learning support system. This can be achieved by supporting professors to effectively utilize the system in class unit, course unit, and extracurricular activities, and by encouraging university members to participate in trainings.  Moreover, it is necessary for the university to secure their own budget in order to be able to actively introduce and upgrade the system. Meanwhile, the government will have to establish medium to long-term plans related to financial support projects.

3. To better facilitate the seamless utilization of AI-based learning support systems, institutional support must be provided as well. To ensure data interoperability, a data management committee should be established to work on standardizing and managing data. For data to be efficiently shared, it is necessary to understand data standardization systems such as xAPI and Caliper Analytics, and consider which system the university would follow. It is also necessary to remove barriers to data use within and outside universities and establish a dedicated data management department and committee that can serve as a DataHub through integrated management of data. Furthermore, the government and universities should prepare ethical principles and guidelines regarding data ethics and create a committee specializing in AI ethics. In particular, regulations on AI ethics regarding  data collection and management should be established, and clear standards for data utilization should be set. 

4. The learning effects and outcomes coming from AI-based learning support systems must be managed and shared. Therefore, there is a need to form and activate a consortium of universities that can share such information and insights. This consortium can provide opportunities to share and discuss the effects such as changes in students' grades, attendance rates, participation rates, and enrollment rates. In addition, a shared system can be established and enhanced to enable universities to share their resources and accumulated data, while policy discussions must continue that can draw out various mechanisms which support industry-academia collaboration as a regional industry based on a cooperative model between universities and local companies.

  요 약

Ⅰ. 서론
1. 연구의 필요성 및 목적  1
   가. 연구의 추진 배경 및 필요성 1
   나. 연구의 목적 3
   다. 용어의 정의 : 교육에서의 인공지능 활용 3
2. 연구 내용 4
   가. 인공지능 기반 학습보조시스템 관련 문헌 및 사례 분석 4
   나. 대학에서 인공지능 기반 학습보조시스템 활용 현황과 지원 요구 4
   다. 대학에서 인공지능 기반 학습보조시스템 활용 교수-학습 지원 모델 5
   라. 대학에서 인공지능 기반 학습보조시스템 도입 및 활용 지원 방안 5
3. 연구 방법 5
   가. 문헌 및 사례 연구 5
   나. 개별 심층 면담 6
   다. 전문가 협의회 6

Ⅱ. 인공지능 기반 학습보조시스템의 문헌조사 및 사례분석
1. 교육에서의 인공지능 학습 지원 시스템 유형과 동향 7
   가. 교육에서의 인공지능 활용(AIEd)의 개념 7
   나. 인공지능 기반 학습 지원 시스템의 개념과 유형 9
   다. 인공지능 기반 학습 지원 시스템 관련 연구 및 정책 동향 24
2. 국내·외 인공지능 기반 학습 지원 시스템 사례 30
   가. 주요 학습지원 시스템 개발사 분석 30
   나. 국내·외 학습지원 시스템 사례 37

Ⅲ. 대학에서 인공지능 기반 학습보조시스템 활용 현황과 지원 요구
1. 심층 면담 방법  50
   가. 면담 대상자 50
   나. 수행방법 및 절차 52
   다. 분석 방법 52
2. 심층 면담 분석 결과  53
   가. 대학별 현황 및 요구 조사 53
   나. 요구분석 결과 종합  79
   다. 시사점 81

Ⅳ. 인공지능 기반 학습보조시스템 활용을 위한 교수-학습 지원 모델
1. 교수-학습 지원 모델 도출 절차 및 방법  83
   가. 교수-학습 지원 모델 도출을 위한 범위 설정 83
   나. 교수-학습 지원 모델 도출 방법 83
2. 교수-학습 지원 모델 도출 결과  84
   가. 분석 및 설계 (수업 전) 86
   나. 실행 (수업 중) 89
   다. 평가 (수업 후) 93

∨.  대학에서 인공지능 기반 학습보조시스템 활용 전략
   1. 기획 및 도입 98
   2. 인적, 물적, 인프라 확충 100
   3. 제도적 기반 구축 106
   ４.대학 성과관리 및 확산 114

연구책임자 : 이가영(백석대학교)
공동연구자 : 허선영(서울신학대학교), 지현경(서울대학교)
연구보조원 : 김명선(국가임상시험지원재단), 김민지(서울대학교)