기계 학습과 인공지능 시대의 교육

인공지능은 인간의 지적 능력(인지 능력, 이해 능력, 추론 능력과 학습 능력 등)을 컴퓨

터로 구현함.
예: 구글포토 – 사진을 자동으로 분류, 키워드 사진 검색, 네이버 파파고, 구글의 실시간
번역 프로그램, 식재료 주문하는 냉장고, 이동 경로 제공하는 내비게이션, 자율주행자동차
인공지능의 사회에 미치는 가장 큰 기술은 스스로 학습하는 기술이다.
기계 학습 vs 인간 학습 р 교육에 미치는 영향

I. 인공지능 패러다임:
인공지능(AI)은 인간의 지적 능력과 지식에 대한 이해를 바탕으로 개발된 기술로, 다양한
하위 분야를 포함하고 있으며, 연구는 제2차 세계대전 이후 본격적으로 시작되었다. AI 연구
는 크게 세 가지 주요 패러다임으로 나눌 수 있다: 기호주의 인공지능, 연결주의 인공지능,
그리고 인지주의 인공지능이다.

1. 기호주의 인공지능 (Symbolic AI)

▷ 기반 철학: 합리론
▷ 중점: 지식을 기호로 형식화하여 컴퓨터에 주입
▷ 방법: 논리와 규칙 기반의 지식 표현과 전문가 시스템
▷ 특징:
џ 기존 지식을 컴퓨터에 주입하여 빠르게 작동
џ 초기 AI 개발에 큰 기여
џ 지식 추출의 어려움과 지식 양 증가 시 오류 발생 가능성
▷ 한계: 전문가의 지식 추출의 어려움, 지식 간 상호 간섭으로 인한 오류, 복잡한 문제 해결
의 어려움

2. 연결주의 인공지능 (Connectionist AI)

▷ 기반 철학: 경험론
▷ 중점: 데이터로부터 학습하여 지능 구현
▷ 방법: 생물학적 신경망을 모방한 인공신경망(Artificial Neural Network)
▷ 특징:
џ 신경세포 간의 연결과 신호 처리에 의존
џ 데이터에 의존하여 지식을 자동 생성
џ 인터넷과 컴퓨터 성능 향상으로 발전8
▷ 장점:
џ 통계분석을 통한 패턴의 이해에 기반한 기계 학습, Deep learning.
▷ 한계:
џ 데이터 부족 시 학습 한계
џ 학습된 지식이 명시적이지 않아 이해와 설명의 어려움
џ 블랙박스 문제로 인해 결과 설명 어려움

3. 인지주의 인공지능 (Cognitive AI)

▷ 기반 철학: 구성주의와 체화주의
▷ 중점: 환경과 상호작용을 통한 학습과 진화
▷ 방법: 초기 간단한 구조에서 출발하여 환경과의 상호작용을 통해 점진적 발전
▷ 특징:
џ 브루너, 피아제, 비고츠키의 인지 이론을 기반
џ 신체와 환경의 유기적 상호작용을 통한 인지 과정
џ 지각, 기억, 이해, 문제 해결 등의 지능 작용이 몸의 구조 및 기능과 연결됨
▷ 장점:
џ 맥락을 이해하고 인지 시스템을 구현
џ 센서와 액추에이터를 통해 환경 인식 및 데이터 채집 가능
џ 스스로 가설을 세우고 능동적으로 데이터 수집
▷ 한계: 현재 발전 단계로 완전한 성과를 평가하기 어려움

II. 기계 학습과 응용
인공지능 연구의 주요 목표는 인간의 지능을 복제하여 인간의 결정을 돕는 기계를 만드는 것
이었다. 초기에는 전문가 시스템이 이러한 목표를 이루기 위해 사용되었지만, 규칙 기반 접근
법의 한계를 극복하기 위해 기계 학습이 대안으로 등장했다.
전문가 시스템의 한계
џ 많은 수의 규칙을 컴퓨터에 입력하여 지능을 구축.
џ 지식이 방대해지면 상호 간섭으로 인해 오류 발생.
џ 복잡한 문제 해결이 어려움.
џ 인간도 정확히 모르는 영역에서는 한계가 명확.
기계 학습의 등장
데이터를 기반으로 스스로 학습하고 규칙을 형성.
거의 모든 인공지능 시스템이 기계 학습을 사용.
기계 학습 방법론 р 훈련 데이터를 입력하는 형태에 따라:
1. 지도 학습 (Supervised Learning): 입력과 출력이 쌍으로 된 데이터를 사용하여 컴퓨터를
학습시킴. 분류와 회귀 분석이 포함됨.
2. 비지도 학습 (Unsupervised Learning): 데이터에 답이 없는 상태에서 패턴이나 규칙을 추
출. 클러스터링과 차원 축소가 대표적.
3. 강화 학습 (Reinforcement Learning): 잘한 행동에 보상, 잘못된 행동에 벌칙을 주는 방법.

인공신경망과 딥러닝
인공신경망: 인간의 뇌에서 영감을 얻은 수학적 모델. 뉴런과 시냅스의 작용을 모사.
퍼셉트론: 1957년에 제안된 초기 형태의 인공신경망. 다수의 입력으로부터 하나의 결과를 도
출.
다층 신경망: 퍼셉트론의 한계를 극복하기 위해 개발. 입력층, 하나 이상의 은닉층, 출력층으
로 구성. 깊어진 신경망을 딥러닝이라 함.
다층 신경망의 등장으로 기계 학습의 패러다임이 딥러닝으로 발전.

III. 인간의 학습
학습은 경험을 통해 지식이 변화하는 과정이다. 학습의 긍정적 변화를 이끌기 위한 활동들을
교육이라 하며, 인간이 어떻게 학습하는지에 대해 다양한 이론들이 연구되었다. 대표적인 학
습 이론은 행동주의, 인지주의, 구성주의로 나뉜다.
1. 행동주의 패러다임 (Behaviorism)
▷ 개념: 학습을 자극과 반응의 연합으로 설명.
▷ 방법: 정답에 보상을 제공하고, 오답에 벌을 줌으로써 자극과 반응 간의 연합을 강화하거
나 약화시킴.
▷ 적용 예: 학생에게 질문을 하고 정답에 대해 칭찬이나 상을 주고, 오답에 대해 꾸중이나
벌점을 주는 방식.
▷ 주요 기여: 반복 연습과 훈련을 통해 기술을 가르치는 데 효과적.
2. 인지주의 패러다임 (Cognitivism)
▷ 개념: 정보를 학습자에게 제공하여 스스로 인지적 표상을 형성하게 함.
▷ 방법: 강의, 책, 프레젠테이션, 동영상 등을 통해 정보를 제공.
▷ 유의미 학습: 새로운 정보를 기존의 스키마(배경지식, 개요)와 연결하여 동화시킴.
▷ 전이(Transfer): 이전에 학습한 지식이 새로운 학습에 영향을 미침. 예를 들어, 수학에서 배
운 개념이 다양한 문제 해결에 도움을 줌.
3. 구성주의 패러다임 (Constructivism)
▷ 개념: 지식은 주입되거나 발견되는 것이 아니라, 학습자가 능동적으로 구성하는 것.
▷ 방법: 교수자가 학습자에게 경험을 제공하고 학습을 촉진. 학습자는 스스로 지식을 구성.
▷ 특징: 지식은 사회적 협상을 통해 이루어지며, 맥락적이고 상황에 따라 변함.
▷ 주요 기여: 문제 중심 학습, 프로젝트 기반 학습 등 협업을 통한 실제적 과제 해결을 강
조. 이를 통해 학습자는 스스로 문제를 해결하고 지식을 구축하는 능력을 습득함.

VI. 인공지능 시대의 교육

블룸의 개정된 텍사노미
학습 단계: 기억하기(Remember), 이해하기(Understand), 응용하기(Apply), 분석하기(Analyze),
평가하기(Evaluate), 창조하기(Create)로 나뉘며, 낮은 수준에서 높은 수준의 사고 순으로 배열
됨.
낮은 수준의 사고: 기억하기, 이해하기.
높은 수준의 사고: 평가하기, 창조하기.

인공지능과 인간 학습의 차이
▷ 인공지능 학습: 방대한 데이터를 복잡한 알고리즘으로 처리하여 디지털 지식 생성. 낮은
수준의 사고에서 인간의 두뇌 능력을 초과.
▷ 인간 학습: 경험을 통해 일반화하고 예측함. 고차원 수준의 사고에서는 인간이 주도적인
역할을 함.
인공지능과 인간의 협업
▷ 낮은 수준의 사고: 기억하기와 이해하기에서는 인공지능이 인간의 두뇌 능력을 초과.
▷ 응용하기 및 분석하기: 인간과 인공지능의 협업이 최선의 결과를 도출. 예: 의료 기록 분
석 시스템.
▷ 고차원 수준의 사고: 평가하기 및 창조하기는 인간이 주도적 역할을 해야 함. 예: 넥스트
렘브란트 프로젝트.
인공지능의 교육적 활용
▷ 교육의 변화: 인공지능은 학습자의 수준에 맞게 맞춤형 교육과정을 제공하여 일대일 맞춤
교육을 가능하게 함.
▷ 교사 역할 변화: 인공지능 시스템이 교사의 교육 업무를 보조, 행정 업무를 경감시킴. 교
사는 학습자와의 인간적 상호작용에 집중할 수 있음.
교육의 한계와 미래 방향
▷ 인공지능의 한계: 모든 교육 영역을 대체할 수 없음. 인간 고유의 상호작용을 통해 자주
성, 사회성, 리더십, 창의성, 협동심 등을 교육.
▷ 미래 교육 방향: 인공지능과 협업 가능한 형태로, 인공지능의 강점과 인간의 강점을 결합
하여 교육.