초중등 교사의 인공지능 융합교육 교수역량 척도 개발 및 타당화

Abstract

Currently, our society has moved beyond the forth industrial revolution era and has entered the ‘intelligent information society’ in which intelligent information technologies such as artificial intelligence, big data, and cloud, develop in fusion (Ministry of Science and ICT, 2017). In line with the national effort for artificial intelligence education and related expert nurturing, in 2019, the Ministry of Education announced that the '2020 Teacher Training Course Additional Approval Plan (New Graduate School of Education AI Convergence Education Major)', a specialized program that can contribute to school education and class innovation. A new program of AI convergence education major in the Graduate School of Education for expert nurturing was proposed. In addition, the Ministry of Education suggested the direction of artificial intelligence education for elementary and secondary schools through the 1st comprehensive information education plan, and mentioned the goal of ‘reinforcement of information and AI education capabilities of teachers’ (Ministry of Education, 2019). As the teachers' ability to teach AI convergence education has become important due to the increase in the demand for expert teachers and the reinforcement of the information curriculum at school sites, it is necessary to discuss the standardized curriculum or competency for AI convergence education (Kim et al., 2021; Ahn et al., 2021; Jeon et al., 2021). Therefore, this study attempts to develop a valid scale to measure the teaching competency of artificial intelligence convergence education of elementary and secondary teachers to bridge some research gaps in previous literature. The main significance of this study lies in providing goals and directions for how to design and implement a teacher education program for artificial intelligence convergence education in detail. In addition, by developing a valid scale, it can not only deepen the understanding of the teaching competency of artificial intelligence convergence education, but also provide as a foundation for several follow-up studies. Accordingly, the research questions in this study are posed as follows: Research Questions 1. What are the components of the teaching competency of elementary and secondary teachers in artificial intelligence convergence education? Research question 2. What is a valid item to measure the teaching competency of elementary and secondary teachers in artificial intelligence convergence education? Research Question 3. Is the artificial intelligence convergence education teaching competency scale of elementary and secondary teachers valid and reliable? First, the definition of AI convergence education teaching competency, components, and initial questions were derived through a literature review. In addition, Delphi research was conducted on the related experts and experts with extensive field experience. As a result of two Delphi surveys, a total of 44 initial items was developed to measure four main constructs: with 11 items about the AI ​​convergence education basic competency, 16 items about the AI ​​convergence education design competency , 7 items from the AI convergence education implementation competency, and 10 items from the AI ​​convergence education evaluation competency. In order to validate the initial items, a nationwide survey of teachers was conducted. As a result of the exploratory factor analysis, it was found that the AI ​​convergence education teaching competency consist of 3 competency constructs and 6 sub-constructs: the basic competency, the AI ​​convergence education design competency, and the AI ​​convergence education evaluation competency, with a total of 37 items. Also, internal consistency reliability was acceptable. Furthermore, the confirmatory factor analysis confirmed a hierarchical model to be suitable in which the 6 sub-constructs derived through exploratory factor analysis were explained as secondary factors of the theoretically derived AI convergence education basic competency and teaching design competency. The constructs of teaching competency in artificial intelligence convergence education drawn from the analyses can be discussed as follows. First, the basic competency group consists of two sub-competences: ‘Artificial Intelligence Convergence Education Understanding Competence’ and ‘Artificial Intelligence Understanding Competence’. Second, the instructional design competency group consists of four sub-constructs: 'Curriculum/Class Reorganization Competency', 'AI-based Learning Environment Creation Competency', 'Educational Performance Evaluation and Feedback Competency', and 'Class Reflection and Improvement Competency'. In conclusion, the significance of this study can be stated as followings. First, this study identified the constructs related to the teaching competency of artificial intelligence convergence education based on the process of instructional design, and suggested implications for follow-up studies. In addition to the basics and instructional design factors of the AI convergence education presented in this study, further research can be conducted to investigate the factors related to knowledge, attitudes, and behaviors of the teaching methods to be updated in the scale. Second, the scale developed in this study is highly useful in that elementary and secondary teachers can use them on the spot where AI technology is incorporated into school sites very rapidly. This is because this study focused on the stage in which teachers prepare and implement AI convergence education at school sites, and comprehensively dealt with the competencies required for teachers. Third, as the components of the AI ​​convergence education teaching competency of elementary and secondary teachers were found to be the basics and instructional design of AI convergence education, these two competency groups and six sub-constructs can be the goal of the teacher re-education process. Fourth, by identifing the components and developing the items for measuring AI ​​convergence education teaching competency of elementary and middle school teachers, this study presents aims of AI ​​convergence education-related curriculum in universities that teach pre-service teachers. Although the specific curriculum for pre-service teachers may be different from that for incumbent teachers, it can provide a direction for colleges of education to focus on which competencies to train pre-service teachers. Fifth, the scale developed and validated in this study can be used as a summative evaluation tool to diagnose the current level of teachers' AI convergence education teaching competency. In other words, this scale can be used to diagnose the effectiveness of AI convergence education re-education or training for teachers and individual learning outcomes(Yoon, 2017). Sixth, the AI ​​convergence education teaching competency scale can be used as a tool for formative evaluation for individual educational prescription. The strengths and weaknesses of learners can be identified through the scale developed in this study. That is, it can provide practical implications for customized educational prescription by deriving factors that require additional treatment for each individual(Yoon, 2017). Seventh, this study can serve as a basis for various applied research on artificial intelligence convergence education by elucidating the constructs of artificial intelligence convergence education teaching competency and developing valid measures. Follow-up research suggestions based on the limitations and significance of this study are as follows. First, in addition to the theoretical framework used in this study, it is necessary to utilize other frameworks and theoretical frameworks such as TPACK for item design. It would reinforce the validity of the measurement tool by developing items based on another theoretical framework with low or moderate correlation between factors. Second, the AI ​​convergence education teaching competency scale developed as a result of this study could be interpreted as a diagnosis method for the teacher's current AI convergence education teaching competency level. The individual AI convergence education teaching competency raw score can be converted and interpreted into a T-score using the teacher survey data in this study as a baseline. Third, because of the scale developed in this study is a self-report scale, careful interpretation of the measurement results is required. Therefore, when using the scale, it is necessary to emphasize teachers' sincere and candid responses or supplement with additional evaluation methods. This study identified the constructs of the artificial intelligence convergence education teaching competency of elementary and middle school teachers, and developed and validated a scale for its measurement. The findings of this study called for the needs for improvement of artificial intelligence convergence education teaching competency and education process of elementary and middle school teachers. In order for the AI convergence education to be introduced into the school field and to successfully develop AI competency of students, diverse follow-up studies should be conducted to contribute to the practice and theory of AI convergence education, such as design research, and experimental research.;현재 우리 사회는 제 4차 산업혁명을 넘어 인공지능과 빅데이터, 클라우드 등 지능정보 기술이 서로 융합되어 발전하는 ‘지능정보사회’로 진입하였다(과학기술정보통신부, 2017). 인공지능 교육 및 관련 인력양성을 위한 국가적인 노력에 발맞추어 2019년 교육부는 ‘2020학년도 교원양성과정 추가승인계획(교육대학원 AI융합교육 전공 신설)’을 통해 학교 교육 및 수업 혁신에 기여할 수 있는 전문인력 양성을 위한 교육대학원 AI 융합교육 전공을 신설하여 운영하는 방침을 제시하였다. 뿐만 아니라, 교육부는 제1차 정보교육 종합계획을 통해 초중등 인공지능 교육의 방향을 제시하고, 현직 교사의 정보·AI 교육 역량 강화’를 목표로 언급하였다(교육부, 2019). 관련 인력 요구 증가와 학교 현장의 정보교육과정 강화로 인해 교사들의 인공지능 융합교육 교수역량이 중요해졌으므로, 인공지능 융합교육에 대한 표준화된 교육과정이나 역량에 대한 논의가 필요하다(김귀훈 외, 2021; 안성훈 외, 2021; 전용주 외, 2021). 따라서 초중등 교사의 인공지능 융합교육 교수역량을 측정하는 타당한 척도를 개발하는 것은 다음과 같은 의의를 가진다. 인공지능 융합교육을 위한 교사 재교육 프로그램을 어떻게 설계하고 실행할 것인지에 대한 구체적인 목표와 지향점을 제공할 수 있다. 또, 타당한 척도를 개발함으로써 인공지능 융합교육 교수역량에 대한 이해를 심화시킬 뿐만 아니라, 여러 후속 연구의 기반이 될 수 있다. 이에 따라 본 연구에서 설정한 연구 문제는 다음과 같다. 연구 문제 1. 초중등 교사의 인공지능 융합교육 교수역량은 어떤 구성요인을 가지는가? 연구 문제 2. 초중등 교사의 인공지능 융합교육 교수역량을 측정하기 위한 타당한 문항은 무엇인가? 연구 문제 3. 초중등 교사의 인공지능 융합교육 교수역량 척도는 타당도와 신뢰도를 확보하였는가? 먼저 문헌 연구를 통해 인공지능 융합교육 교수역량의 정의, 구성요인, 초기 문항을 도출하였다. 그리고 관련 전문가 및 현장 경험이 풍부한 전문가 22명을 대상으로 델파이 조사를 진행하였다. 두 차례에 걸친 델파이 조사 결과, 인공지능 융합교육 기초 역량군 11문항, 인공지능 융합교육 설계 역량군 16문항, 인공지능 실행 역량군 7문항, 인공지능 융합교육 평가 역량군 10문항의 총 44문항이 초기문항으로 개발되었다. 초기문항을 타당화하기 위하여 전국의 교사 대상 설문조사(1차: 231명, 2차 232명)를 실시하였다. 탐색적 요인분석 결과 인공지능 융합교육 교수역량은 기초 역량군, 인공지능 융합교육 설계 역량군, 인공지능 융합교육 평가 역량군의 3개 역량군, 6개의 요인으로 구성된 것으로 나타났으며, 총 37문항이 확정되었다. 문항내적일관성 신뢰도를 분석하여 수용할 만한 수준임도 확인하였다. 확인적 요인분석 결과 탐색적 요인분석으로 도출된 6개의 요인이, 이론을 바탕으로 도출된 인공지능 융합교육 기초역량군, 교수설계역량군의 2차 요인으로 설명되는 위계적 모형이 적합하였다. 이와 같이 도출된 인공지능 융합교육 교수역량 척도의 각 요인은 다음과 같이 논의될 수 있다. 첫째, 기초 역량군은‘인공지능 융합교육 이해역량’과 ‘인공지능 이해역량’의 두 개 하위역량으로 구성된다. 둘째, 교수설계 역량군은 ‘교육과정/수업 재구성 역량’, ‘인공지능 기반 학습 환경 조성 역량’, ‘교육 성과 평가 및 피드백 역량’,‘수업 성찰 및 개선 역량’의 네 개 하위역량으로 구성된다. 이상을 토대로 볼 때, 본 연구는 다음과 같은 의의를 가진다. 첫째, 본 연구는 교수설계의 과정에 근거하여 인공지능 융합교육 교수역량 관련 요인을 규명하였고, 후속 연구에 대한 시사점을 제시한다. 본 연구에서 제시하는 인공지능 융합교육 기초 및 교수설계요인 외에도 인공지능 융합교육에서의 교수법과 관련한 지식, 태도, 행동에 대한 추가적인 연구를 바탕으로 도출된 요인을 다시 척도에 반영할 필요가 있다. 둘째, 인공지능이 학교 현장에 급속도로 적용되는 현시점에서 초중등 교사들이 활용할 수 있는 척도를 개발하였다는 점에서 활용성이 높다. 본 연구는 교사가 학교 현장에서 인공지능 융합교육을 준비하고 실행하는 단계에 초점을 맞추어, 교사에게 필요한 역량을 포괄적으로 다루었기 때문이다. 셋째, 초중등 교사의 인공지능 융합교육 교수역량의 구성요소가 인공지능 융합교육의 기초, 교수설계로 나타난 바, 교사 재교육 과정에서 이러한 두 가지 역량군 및 여섯 가지의 하위 역량이 지향점이 될 수 있다. 넷째, 초중등 교사의 인공지능 융합교육 교수역량의 구성요소 및 문항을 개발함에 따라 예비교사를 가르치는 대학의 인공지능 융합교육 관련 교육과정이나 목표 설정에 있어 지향점을 제시한다. 예비교사 대상의 구체적인 교육과정은 현직교사 대상 교육과정과 다를 수 있지만, 교육대학이나 사범대학에서 예비교사를 양성하는 데 있어 어떤 역량에 초점을 두고 교원을 양성해야 하는지에 대한 지향점을 제공해줄 수 있을 것이다. 다섯째, 본 연구에서 개발되고 타당화된 척도는 교사들의 인공지능 융합교육 교수역량의 현 수준을 진단하는 총괄평가(summative evaluation) 도구로 활용될 수 있다. 즉 본 척도를 통해 교사 대상의 인공지능 융합교육 재교육 또는 연수의 효과성과 개인의 학습성과를 진단하는 데 활용될 수 있다(윤성혜, 2017). 여섯째, 인공지능 융합교육 교수역량 척도는 형성평가(formative evaluation)의 도구로서 교사들을 교육적으로 개별 처방을 하는데 활용될 수 있다. 본 연구에서 개발한 척도를 통해 학습자들의 강약점을 파악할 수 있다. 이를 바탕으로 개인별로 추가적인 처치가 필요한 요인을 도출함으로써 맞춤형 교육적 처방을 위한 실천적 시사점을 제공할 수 있다(윤성혜, 2017). 일곱째, 본 연구는 인공지능 융합교육 교수역량의 구성요인을 밝히고, 이를 측정하는 타당한 척도를 개발함으로써, 인공지능 융합교육에 대한 다양한 응용연구의 토대가 될 수 있다. 본 연구의 제한점과 의의를 바탕으로 한 후속 연구 제언은 다음과 같다. 첫째, 본 연구에서 활용한 이론적 틀 외에도, TPACK 과 같은 다른 프레임워크 및 이론적 틀을 문항 설계에 추가로 활용할 필요가 있다. 요인 간 상관이 높지 않은 또 다른 이론적 틀에 기반하여 문항을 개발함으로써, 인공지능 융합교육 교수역량 측정도구의 타당도를 추가적으로 검증할 필요가 있다. 둘째, 본 연구 결과 개발된 인공지능 융합교육 교수역량 척도를 통해 교사의 현재 인공지능 융합교육 교수역량 수준을 진단할 수 있는 해석방식을 제안하고자 한다. 본 연구의 교사 설문조사 데이터의 평균과 표준편차를 기준으로 개인의 인공지능 융합교육 교수역량 원점수를 T점수로 환산하여 해석하는 방식을 활용할 수 있다. 셋째, 본 연구에서 개발한 척도는 자기보고식 척도이므로 결과를 해석할 때 주의가 필요하다. 따라서 척도를 활용할 때 교사들의 성실하고 솔직한 응답을 강조하거나, 교사들의 인공지능 융합교육 교수역량을 판단할 수 있는 기타 평가 방법을 함께 고려해야 한다. 본 연구는 초중등 교사의 인공지능 융합교육 교수역량의 구성요인을 규명하고, 이를 측정할 수 있는 척도를 개발 및 타당화 하였다. 이러한 연구 결과를 통해, 초중등 교사의 인공지능 융합교육 교수역량 향상 및 재교육 과정의 필요성에 대한 관심을 촉구하였다. 인공지능 융합교육이 학교 현장에 도입되어 필요한 인재를 양성하기 위해 설계연구, 실험연구, 조사연구 등 인공지능 융합교육에 기여할 수 있는 다양한 후속 연구가 이어져야 할 것이다.