I. 서론

• 인공지능(AI) 기술의 발전 → 교육 분야에 많은 영향

• 특히 대규모 언어 모델(LLMs) 기반 생성형 인공지능, ChatGPT는 기존 인공지능과 차별성 지님

  • 이해한 내용을 바탕으로 표현 생성(장성민, 2023)
  • 문맥을 파악하고 그에 맞는 응답 생성(Baidoo-Anu & Ansah, 2023)

  → 인간과 ChatGPT간의 상호작용 ≠ 인간과 인간간의 상호작용, 인간과 콘텐츠 간의 상호작용

  → 개별 학습자 학습 경험 분석에 도움

• 학습분석학은 학습과 학습이 일어나는 환경에 대한 이해와 최적화를 위해 학습자와 그들의 맥락에 대한 데이터를 측정, 수집, 분석, 보고하는 활동이다(Siemens & Long, 2011)

• 분석의 단위가 개인에서 네트워크로,

  데이터 유형이 로그데이터에서 멀티모달, 자연어, 소셜 그래프, 심리생리데이터로,

  분석 방법이 예측과 분류 통계에서 인공 지능을 활용한 머신러닝, 딥러닝으로 진화되어 왔다(조일현, 2023a)

• LLMs와 같은 생성형 인공지능이 주도하는 진화형태는 기존에 설명할 수 없었던 정보 **(e.g. 학습자의 인지적 사고의 흐름과 변화과정, 상호작용 과정에서 드러나는 감정적 반응과 태도 등)**를 추가함으로써 전혀 새로운 설명변수의 범주적 도약을 이루게 될 것

• 본 연구의 목적 → 생성형 인공지능의 도입으로 야기된 교육 분야의 변화를 학습분석학적 관점에서 탐색해보고 이를 토대로 학습분석학의 적응적 진화 방향성을 제시하는 것

II. 인간과 ChatGPT의 상호작용

1. 상호작용 특성

   1) 실시간 응답

   • 시간 제약X, 사용자 입력에 실시간 반응(Alneyadi & Wardat, 2023)

   • 다만, 질문(복합도, 난이도, 요구사항)에 따라 응답속도 달라지기도 함

     → 응답에 소요된 시간이 가지는 의미, 원인 탐색 필요

   2) 행위기반 반응

   • ChatGPT와의 모든 상호작용은 사용자의 행위 기반(e.g. 텍스트 작성, 엔터 입력, 기능버튼 클릭 등)

     → 사용자 의도 명확히 반영(Alshahrani, 2023)

   • 행위가 시스템 로그 형태로 저장됨

     → 사용자 의도, 경험, 상호작용 특성 등 이해에 통찰력 제공

   3) 주제 다양성

   • 어떤 주제에 대한 내용도 대화 가능, 사용자가 상대방의 주제전문성 고려하지 않아도 됨(Imran & Almusharraf, 2023)

   • 사용자의 다양한 관심사를 한 플랫폼에서 충족시킬 수 있음

   • But, 주제전문성 깊이 제한, 원하는 수준의 응답을 얻기 위해 사용자가 주제에 대해 학습하고 프롬프트 엔지니어링을 통해 ChatGPT에게 학습시켜야 함(Jeon & Lee, 2023)

     프롬프트 엔지니어링 사용자가 생성형 인공지능 모델에게 원하는 결과물을 얻기 위해 입력하는 프롬프트를 효과적으로 설계하고 최적화하는 과정(Ekin, 2023)

   4) 맥락 연속성

   • 상호작용 전 과정에서 이전 대화의 맥락 이어갈 수 있음(Ausat et al., 2023; Dai et al., 2023)

     → 자연스러운 상호작용

   • 하지만, 너무 긴 대화나 복잡한 맥락에서는 한계가 있음

     → 맥락을 이어가기 위한 관용어구나 반복적인 강조 등 전략 필요(변정호, 권용주, 2023)

   5) 일관성 유지

   • 사용자의 사회문화적 배경, 성별, 인종 등에 관계없이 미리 학습된 데이터에 기반하여 일관성 있는 답변 제공

   • 인간과 달리 기분, 상태가 상호작용에 영향X → 안정적인 상호작용

     → but, 풍자나 유머 같은 감정적인 단서 인식, 대응 어려워 다소 답답하게 느껴질 수도(Kalla & Smith, 2023)

   • ChatGPT도 확률기반 모델이므로 편향 문제 배제할 수 없음

     → 학습한 데이터 자체에 편견이 포함되어 있거나 소수집단의 데이터가 상대적으로 부족하여 그들 입장 대변 불가하는 등 중립성 문제 잇을 수 있음

2. 상호작용 메커니즘

   • 인간과 ChatGPT 상호작용 메커니즘의 특징

     1. 대화가 항상 인간에 의해 시작되고, ChatGPT의 응답으로 끝남

     2. 발화를 통한 언어적 상호작용 뿐 아니라 행위를 통한 언어 외적 상호 작용 가능

     → 인간의 ‘클릭’을 통해→ 인간과 ChatGPT의 상호작용 메커니즘 ≠ 인간과 인간간의 상호작용, 인간과 콘텐츠 간의 상호작용

     → 인간과 ChatGPT간의 상호작용 ≠ 인간과 인간간의 상호작용, 인간과 콘텐츠 간의 상호작용

     

     2. 발화를 통한 언어적 상호작용 뿐 아니라 행위를 통한 언어 외적 상호작용 가능

     III. ChatGPT와 학습분석학

     1. 기술적 분석(descriptive analytics)
     2. 진단적 분석(diagnostic analytics)
     3. 예측적 분석(predictive analytics)
     4. 처방적 분석(prescriptive analytics)

3. 상호작용 시각화

• 인간과 ChatGPT → 언어적 상호작용 뿐 아니라 언어 외적 상호작용 가능

  → 행위에 기반한 발화의 연결을 네트워크로 시각화

• 시각화를 위한 용어 및 기호에 대한 조작적 정의

  

• 인간과 ChatGPT간 상호작용 메커니즘을 네트워크 형태로 시각화

  

  • 상호작용의 시작 → 인간의 발화(파란색 노드)

  • 끝 → ChatGPT의 응답(빨간색 노드)

  • 언어적(node) 상호작용, 행위적(link) 상호작용

  • 특정 노드에 대한 행위의 빈도가 많이 발생할 수록 노드의 크기가 커지고 중심도가 높은 발화

  • 중심도 → 해당 노드 내용의 중요성보다 학습행위가 많이 발생한 노드 → 내용 검토 필요성 높음

  • 링크의 길이를 통해 내용 복합도나 고민의 정도 등 유추 가능

  • 현 시점에서 상호작용 시각화는 행위에 기반한 상호작용이 자동화된 알고리즘으로 분석되어 나타나므로 노드내용 즉, 주제에 대한 구분은 별도로 표기되지 않음

    → 발화내용을 사람이 질적으로 분석해야 알 수 있는 부분이기 때문

    → but, 텍스트 분석이나 질적 연구를 통해 주제 단위를 구분할 수 있는 단서 혹은 기준이 마련된다면 추후 네트워크 시각화 알고리즘에 이를 반영하여 주제별 노드를 구분할 수 있게 될 것

• 인간과 ChatGPT가 대화를 주고받으며 눈에 보이지 않는 (인간의 경우) 성찰, (ChatGPT의 경우) 알고리즘 재귀와 같은 내부 작용도 일어남

• 인간과 ChatGPT 상호작용에 내부 작용을 포함하여 도식화

  

  • 인간이 ChatGPT에게 질문하면(1)

  • ChatGPT는 사전에 훈련된 데이 터를 바탕으로 일정한 알고리즘에 의해(2)

  • 답변을 생성해낸다(3)

  • ChatGPT의 답변을 통해 인간은 장기기억에 저장된 스키마를 활성화하고(4)

  • 또 다른 질문을 생성해낸다 (5)

  • 얼핏 보면 ChatGPT는 인간과 유사한 방식으로 학습하고 상호작용하는 것 같아 보이지만,

III. ChatGPT와 학습분석학

IV. 결론 및 논의

• 상호작용 패턴을 통해 심층적인 내용 분석이 요구되는 구간을 발견할 수 있음
• 학습자들은 생성형 인공지능과 상호작용 과정에서 감정 표현을 매우 자연스럽고 과감하게 드러냄
• 기존의 학습분석학에서는 주로 분석의 결과만 제시하는 경향이 있었으나,
• 더욱이 ChatGPT와 같은 실시간 대화형 인공지능은 상호작용 과정에서 학습 자에 대해 분석된 결과를 응답에 반영하는 등 실시간 적응적 맞춤형 처방의 역할을 기대할 수도 있게 될 것