CWN(CHANGE WITH NEWS) - 메타러닝, 스탠퍼드대학교 컴퓨터 과학 교육 프로젝트 강의 피드백 능력 향상

스탠퍼드대학교 교내 신문이 컴퓨터과학 학부의 프로젝트 '코드 인 플레이스(Code In Place)'를 소개했다. 지난 봄 학기에 시작된 코드 인 플레이스 프로젝트는 재능 기부 의사를 지닌 교사 1,000명이 전 세계 학생을 대상으로 스탠퍼드대학교 컴퓨터 과학 교육 과정 콘텐츠를 무료로 제공한다.

컴퓨터 과학 관련 지식을 전달하는 것은 비교적 원활하게 이루어지는 듯했으나 한 가지 문제점이 있었다.

코드 인 플레이스, 과제 피드백 문제 발생
코드 인 플레이스의 조교수인 크리스 피치(Chris Piech)는 수업 자체는 문제가 없었으나 전 세계 많은 학생의 과제를 대규모로 확인하고 피드백을 제공하는 데 한계가 있었다고 설명했다.

이에, 피에치 조교수는 피드백 효율성 문제를 개선하기로 하고, 첼시 핀(Chelsea Finn) 전자공학과 조교수와 박사과정 재학생 마이크 우(Mike Wu), 알란 쳉(Alan Cheng)과 함께 협력했다.

피에치 조교수 연구팀은 교사가 학생의 과제물을 평가하고 의미 있고 건설적인 피드백을 다량으로 제공하고자 인공지능(AI) 툴을 개발했다.

교사의 피드백 능력, 머신러닝이 아닌 메타러닝이 돕는다
온라인 교육에서 한 가지 과제에 대해 수많은 데이터를 정확히 얻는 것이 쉽지 않다. 따라서 과제를 줄 때, 주관식 서술형 문제와 같이 학생의 역량을 깊이 파악할 수 있는 과제보다는 객관식 질문이나 일반적인 오류 메시지에 의존한다.

이 때문에 활용할 데이터가 적어, 머신러닝 기반 AI 툴을 제작하기 어려웠다. 연구팀은 머신러닝을 활용하기 어렵다는 점에 주목하고, 소량의 데이터로 최대한 많은 문제를 학습할 수 있는 방식인 메타러닝이라는 방식을 채택했다.

이번 연구에 참여한 마이크 우는 "기존 머신러닝은 시험 문제가 바뀌면 다시 훈련해야 한다. 그러나 메타학습은 데이터로 드러나지 않은 새로운 유형의 문제도 처리할 수 있어, 문제 유형이 변형된 시험과 과제에 적용하기 더 적합하다"라고 설명했다.

연구팀은 코드 인 플레이스 강좌의 기존 반복 데이터를 기반으로 학생 1만 5,000명이 제출한 과제를 파악하는 데 인간 수준 이상의 정확도를 달성했다고 밝혔다.

메타러닝 기반 AI 피드백 툴, 실제 활용 결과는?
그렇다면, 메타러닝 기반 피드백 툴을 실제 생활에 활용한 결과는 어떨까? 피드백 과정에서 문제가 없었을까?

연구팀의 AI 피드백 툴을 실제 코드 인 플레이스 교육에 적용한 결과, AI가 교사와 함께 피드백을 제공한 것임을 눈치챈 학생은 없었다. 오히려 인간이 피드백을 제공한 것보다 더 긍정적인 평가를 받았다. AI가 건설적인 피드백을 제공하면서 더 정확해진 덕분이다.

한편, 이번 연구에 함께 한 핀 조교수는 "앞으로 메타러닝 기반 피드백 툴이 더 많은 강좌에 확대 적용돼, 온라인 학습에 도움이 되기를 바란다"라고 말했다.

[ⓒ CWN(CHANGE WITH NEWS). 무단전재-재배포 금지]