Micro:bit 활용한 인공신경회로망 교육용 컨텐츠 설계

Abstract

4차 산업 혁명이 도래한 이후 세계 각국에서는 정보통신 교육, 소프트웨어 교육을 넘어 인공지능 교육의 중요성을 인지하고 교육을 설계하고 시작하였다. 우리나라도 예외는 아니며 교육부에서는 2020년 계획에서 인공지능 교육 계획을 발표하였다. 인공지능 교육을 위해서 현 교육과정을 갑자기 개편하기는 어려울 것이기에 본 연구에서는 현재의 교육과정을 살펴본 후 인공지능 교육을 함께 할 수 있는 적합한 교육대상과 교육방법, 그리고 교육용 컨텐츠를 설계한다. 교육대상 선정은 인공지능의 여러 분야 중에서도 가장 기초적인 인공신경회로망을 교육하기 위하여 필요한 선수 교과 내용들을 고려하였다. 현재의 정보/수학/과학의 교육과정 내용을 살펴보고 적절한 교육대상으로 고등학생으로 선정하였다. 정보교과의 문제해결 및 프로그래밍 영역과 피지컬 컴퓨팅 영역의 중·고등학교 교육 내용을 살펴보니 텍스트 코딩을 이해하고 수정하기 위한 알고리즘과 프로그래밍 기술이 고등학교는 되어야 가능했다. 인공신경회로망의 연산법을 이해하기 위해서는 수학의 행렬을 이해해야하나 현재의 중·고등학교에서는 배우지 않으므로 인공신경회로망의 상세한 연산 방법은 깊이 다루지 않음이 좋겠다고 판단하였다. 인공신경회로망은 동물의 뉴런을 통해 발상된 아이디어이므로 과학교과 내용에서 뉴런과 시냅스에 대한 개념을 알고 있으면 인공신경회로망을 이해하기 수월하기에 해당 내용을 배우는 고등학교 교육과정이 적절하다고 판단하였다. 추상적인 인공신경회로망을 처음 접하는 학습자에게 구체화 시키고 체감시키기 위하여 교육 피지컬 컴퓨팅 도구인 micro:bit을 활용한다. micro:bit에 인공신경회로망을 탑재하고 LED 창으로 출력을 확인할 수 있으며 인공신경회로망에 입력값을 주어 예측 결과값을 확인할 수 있다. micro:bit라는 피지컬 컴퓨팅 도구를 직접 만져봄으로써 학습자는 이론으로만 배우는 인공신경회로망보다 조금 더 이해하기 수월하게 된다. 본 연구에서는 인공신경회로망의 개념과 micro:bit라는 도구에 대하여 플립러닝 교육방식을 통하여 교실 수업 전에 배우고 수업에 참여한다. 인공신경회로망의 발전 흐름, 복잡한 개념, micro:bit의 물리적 특징 등은 모두 강의식 수업으로 보고 배우게 됨으로 굳이 교실에 모여 앉아 배우지 않아도 된다. 또한 이런 부분은 학습자간 이해도가 상이하므로 각자 자신의 진도상황에 맞춰서 개인별로 학습하면 되기에 플립러닝이라는 교육방식을 선택하였다. 교실수업에서는 플립러닝으로 배운 내용에 대한 질문, 토론, 이해도 공유 그리고 실제 프로그래밍 실습을 해 보는 것에 중점을 두고 있다. 교실 수업에서 프로그래밍 실습은 LBE 교육방법으로 한다. 인공신경회로망 프로그래밍을 처음 접하는 학습자가 이 모든 것을 구현하는 것은 무리가 있으므로 인공신경회로망을 이용하는 학습 예제로 실습을 진행한다. 본 연구에서 사용한 예제는 micro:bit에 C/C++로 구현된 라이브러리를 활용하여 인공신경회로망으로 논리연산자를 학습시키는 예제와 학습 후 예측시 입력값을 학습시의 입력값과 달리 주는 근사학습 예제, 그리고 인공신경회로망의 학습 시간을 낮추고 학습 에러를 줄이는 파라미터는 어떤 것인지를 탐구하는 예제이다. 학습이 끝나면 교육과정-수업-평가의 일체화에 따라 본 연구의 성취기준에 부합하는지를 평가하도록 설계하였다. 학습에 참여하여 단계에 맞춰 모두 수행하였는지를 평가하고 학습 내용을 잘 이해하였는지를 평가한다. 인공지능 시대는 이미 우리 주변에 도래해있다. 하지만 우리나라의 인공지능 교육에 대한 구체적인 방안이 마련되지 않은 상태에서 본 연구에서 설계한 인공신경회로망 체험 교육 컨텐츠는 인공신경회로망을 처음 접하는 학생들에게 인공지능이 그리 복잡한 것이 아니라는 것을 알게 해주고 인공신경회로망 학습에 대한 진입장벽을 낮출 수 있게 도와 줄 것이다. ;Since the advent of the 4th Industrial Revolution, many countries recognized the importance of AI based software education including information and communication education and proposed the new education. Korea is no exception, and the government announced AI based software education plan in the 2020 government policy. It is so difficult to suddenly reorganize the current curriculum for artificial intelligence courseware. So this thesis propose and make change of a suitable educational contents for teaching AI course together with running the current curriculum. In short, this thesis specifically deal with the lecture contents and teaching materials to educate the Artificial Neural Networks for beginners. The current Information/Math/Science curriculums are reviewed for selection of training target groups of a high school student. It is possible for high school students to learn algorithms and programming skills in order to understand and correct text-oriented coding. In order to understand the mathematical process of the artificial neural network, it is necessary to understand the basic matrix operations of mathematics. That is why it is not covered in the current middle and high schools curriculums. So it would be better not to deal with the detailed calculation method for describing the artificial neural network. Artificial neural networks are designed to simulate animal neurons. If the concept of neurons and synapses in the science curriculum is treated, it is possible to teach the concept of the artificial neural network in the high school curriculum. In this thesis micro:bit is used as tools for teaching course, an educational physical computing give to experience on learning the artificial neural network for the first time. The artificial neural network is mounted on the micro:bit, the output can be checked and verified through the LED on the micro:bit and the input can taken from the two buttons on the micro:bit. By directly touching the physical computing tool called micro:bit, learners will be able to better understand artificial neural networks than theoretical learning method. In this thesis, flipped learning is also proposed to maximize the outcome of learning objects. The concept of artificial neural network and the tool called micro:bit are learned before class and then participated in the classroom. The complex concepts of artificial neural networks and physical characteristics of micro:bit are taught before experimental offline classes, so you don’t have to sit and learn in the classroom. Also, since these parts have different understandings among learners, so they can learn individually according to their own self-phased progress. After flipped learning, they mainly focus on questions, discussions, and hands-on programming skills given by teachers. In the classroom, programming practice is done using the LBE teaching method. Since it is difficult for a learner an artificial neural network to implement all of these, it will be practiced as a learning example using pre-built artificial neural network library. The examples used are focused on learning a logical operator using an artificial neural network using a library implemented in C/C++. An various learning examples are designed to understand AI concepts by applying the testing input value at the time of prediction. And last example is proposed to explore meaning of parameters that reduce the learning time of the artificial neural network and the learning error. After learning steps, the curriculum-class-evaluation was designed to evaluate whether it meets the achievement criteria of corresponding course objects. There are two types of the evaluation sheets. One is the evaluation whether all of them have been performed at each stage, and the other is about whether or not you understand the content well. Finally, this thesis shows experimental results to validate the suggested software and related contents. The education content designed allows students who are new to artificial neural networks to feel that artificial intelligence is very easily understand. And it also help students with coding works and understanding the standard good examples to extend basic knowledge on artificial neural networks.