지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김정랑
- 발행연도
- 2023
- 저작권
- 광주교육대학교 논문은 저작권에 의해 보호받습니다.
이용수46
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 소셜 데이터와 학술 연구 데이터를 수집하여 빈도 분석, TF-IDF, N-Gram, 연결 중심성 분석, CONCOR 분석을 통해 ‘인공지능 리터러시’와 ‘인공지능 융합 교육’ 인식 양상과 현 상황을 파악하고, 인공지능 리터러시 및 융합 교육의 발전 방향에 대한 시사점을 제공하며, 향후 연구와 정책 방향 설정의 기초자료로 활용하고자 하였다. 따라서 본 연구는 온라인상의 인공지능 리터러시와 인공지능 융합 교육에 관한 텍스트 기반의 소셜 데이터, 학술 연구 데이터를 수집해 텍스트 마이닝과 의미연결망 분석을 활용해 상호간의 의미와 형태를 탐색하고, 인공지능 리터러시와 인공지능 융합 교육의 사회적 인식을 확인하고자 하였으며, 인공지능 리터러시 교육, 인공지능 융합 교육에 관해 수집한 빅데이터를 텍스트 마이닝와 연결망 분석으로 주요 핵심어, 주제어 네트워크 특성을 분석하는 연구를 진행하였다.
연구 문제 해결을 위한 소셜 데이터와 학술 연구 데이터는 수집 기간은 2020년 5월 1일부터 2022년 8월 31일까지로 설정하였다. 수집을 위한 검색 키워드는 ‘인공지능+리터러시’, ‘AI+리터러시’, ‘AI+융합+교육’, ‘AI+STEAM’, ‘인공지능+융합+교육’, ‘인공지능+STEAM’으로 선정하였다. 소셜 데이터는 국내에서 가장 규모가 큰 포털 사이트(네이버)에서 검색되는 데이터를 활용하였고, 학술 연구 데이터는 한국교육학술정보원 운영하는 학술연구정보서비스에서 수집하였다. 수집된 데이터는 TEXTOM 내에서 제공하는 분석 도구를 활용하여 데이터 전처리 작업을 진행하였고, 이어서 빈도, TF-IDF, N-gram, 의미연결망, CONCOR 분석을 실시하였다.
이를 통해 얻은 분석 결과는 다음과 같다. 첫째, 먼저 같은 수집 기간 동안 소셜 데이터와 학술 연구 데이터 모두 ‘인공지능 리터러시’보다 ‘인공지능 융합 교육’의 빈도 데이터가 더 많이 수집되어 사람들의 주요 관심과 이에 관련된 데이터의 생성은 ‘인공 융합 교육’이 더 많은 것으로 볼 수 있다. 둘째, ‘인공지능 리터러시’의 소셜 데이터에서 ‘인공지능’은 기술 개발과 이를 통해 실제적으로 활용할 수 있는 구체적인 것에 관련이 높게 나타났다. 셋째, ‘인공지능 리터러시’의 학술 연구 데이터에서 ‘학습자’는 문서내 중요도가 높게 나타났으나 N-gram 분석 결과 순위에 나타나지 않은 것으로 보아 단독으로 주로 활용됨을 알 수 있었다. 또한 ‘알고리즘’이 유독 학술 연구 데이터의 문서내 중요도에서만 높은 문서내 중요도를 보여 학술 연구 데이터는 인공지능을 작동 시키는 원리인 ‘알고리즘’을 소셜 데이터 보다 중요하게 보는 것을 알 수 있다. 넷째, ‘인공지능 융합 교육’의 소셜 데이터는 ‘로봇’, ‘수학’, ‘게임’, ‘과학’, ‘코딩’, ‘프로그램’ 등 구체적인 융합 교육 수단이 중요성 있게 언급되는 것을 알 수 있었다. 다섯째, ‘인공지능 융합 교육’의 학술 연구 데이터는 소셜 데이터에서 제시되지 않은 ‘플랫폼’이 학술 연구 데이터에서 문서내 중요도와 N-gram 결과가 높게 나타나는 것으로 보아 학술 연구 분야는 ‘인공지능 융합 교육’을 구조화하여 실행하기 위한 ‘플랫폼’을 중요하게 여기는 것으로 볼 수 있다. 또한 인공지능 융합 교육의 소셜 데이터에서 순위에 없는 ‘학습자’, ‘교원’, ‘교사’ 등의 키워드들이 학술 연구 데이터에서 높은 중요도와 N-gram 결과를 보여 학술 연구 데이터에서 융합 교육에 관련한 인적 자원을 구체적으로 제시하는 것을 알 수 있었다.
다음으로 연결망 및 CONCOR 분석에 따르면 ‘인공지능 리터러시’의 소셜 데이터에서 ‘인공지능’은 코딩 교육과 관련 있게 보는 것을 알 수 있고, ‘산업혁명’, ‘사회’, ‘미래’가 같은 군집을 이뤄 ‘인공지능’은 ‘산업혁명’과 마찬가지로 사회의 커다란 변화 과정으로 보고 있음을 시사한다. 특히 ‘활용’, ‘결과’, ‘중심’, ‘영향’, ‘방안’이 같은 군집을 형성하여 학술 연구 데이터는 연구 결과에 영향과 활용성에 대해 제시하는 주제가 하나의 군집을 형성하는 것으로 나타났다. 다음으로, ‘인공지능 융합 교육’의 소셜 데이터에서 ‘인공지능’은 초등학생에게 미래를 대비한 로봇과 코딩 교육을 하는 것과 연관이 있음을 알 수 있고 ‘교육’은 빅데이터를 활용한 분야의 여러 프로그램 및 수업, 그리고 ‘교육부’ 와 같은 행정 기관과 관련이 있음을 알 수 있다. 또한 학술 연구 데이터에서 ‘융합 교육’과 같은 군집에 속한 ‘교육과정’은 융합 교육이 교육과정과 연계되어 진행되는 것과 관련 있음을 유추 할 수 있다. 또한 학술 연구 데이터는 주로 학술지 내용으로 논문에서 주로 활용되는 용어들끼리 연결성이 높고, 추상적인 용어들이 군집을 나타내고 있어 소셜 데이터와 달리 수업 도구나 수단 등에 대한 구체적 명칭이 나타나지 않는 특징을 보였다.
본 연구는 소셜 데이터 수집시 인공지능 리터러시 보다 인공지능 융합 교육의 수집량이 2배 이상으로 많게 나타났다. 이는 영어 표현에 따른 수집 키워드와 중복 수집에 따라 나타난 현상으로 볼 수도 있으며 또는 ‘인공지능 리터러시’에 대한 관심과 언급이 ‘인공지능 융합 교육’보다 비교적 낮을 수도 있다는 점을 의미할 수도 있다. 또한 본 연구는 소셜 데이터와 학술 연구 데이터의 수집 데이터양의 차이가 매우 크게 나타났으며, 학술 연구 데이터는 특정 키워드에 관한 논문에 따라 TF-IDF에서 높은 영향이 나타날 수 있음으로 박사 학위 과정까지 참고하여 데이터를 수집하는 등 좀 더 의미 있는 데이터량을 확보한 연구를 진행할 필요성이 있다.
연구 문제 해결을 위한 소셜 데이터와 학술 연구 데이터는 수집 기간은 2020년 5월 1일부터 2022년 8월 31일까지로 설정하였다. 수집을 위한 검색 키워드는 ‘인공지능+리터러시’, ‘AI+리터러시’, ‘AI+융합+교육’, ‘AI+STEAM’, ‘인공지능+융합+교육’, ‘인공지능+STEAM’으로 선정하였다. 소셜 데이터는 국내에서 가장 규모가 큰 포털 사이트(네이버)에서 검색되는 데이터를 활용하였고, 학술 연구 데이터는 한국교육학술정보원 운영하는 학술연구정보서비스에서 수집하였다. 수집된 데이터는 TEXTOM 내에서 제공하는 분석 도구를 활용하여 데이터 전처리 작업을 진행하였고, 이어서 빈도, TF-IDF, N-gram, 의미연결망, CONCOR 분석을 실시하였다.
이를 통해 얻은 분석 결과는 다음과 같다. 첫째, 먼저 같은 수집 기간 동안 소셜 데이터와 학술 연구 데이터 모두 ‘인공지능 리터러시’보다 ‘인공지능 융합 교육’의 빈도 데이터가 더 많이 수집되어 사람들의 주요 관심과 이에 관련된 데이터의 생성은 ‘인공 융합 교육’이 더 많은 것으로 볼 수 있다. 둘째, ‘인공지능 리터러시’의 소셜 데이터에서 ‘인공지능’은 기술 개발과 이를 통해 실제적으로 활용할 수 있는 구체적인 것에 관련이 높게 나타났다. 셋째, ‘인공지능 리터러시’의 학술 연구 데이터에서 ‘학습자’는 문서내 중요도가 높게 나타났으나 N-gram 분석 결과 순위에 나타나지 않은 것으로 보아 단독으로 주로 활용됨을 알 수 있었다. 또한 ‘알고리즘’이 유독 학술 연구 데이터의 문서내 중요도에서만 높은 문서내 중요도를 보여 학술 연구 데이터는 인공지능을 작동 시키는 원리인 ‘알고리즘’을 소셜 데이터 보다 중요하게 보는 것을 알 수 있다. 넷째, ‘인공지능 융합 교육’의 소셜 데이터는 ‘로봇’, ‘수학’, ‘게임’, ‘과학’, ‘코딩’, ‘프로그램’ 등 구체적인 융합 교육 수단이 중요성 있게 언급되는 것을 알 수 있었다. 다섯째, ‘인공지능 융합 교육’의 학술 연구 데이터는 소셜 데이터에서 제시되지 않은 ‘플랫폼’이 학술 연구 데이터에서 문서내 중요도와 N-gram 결과가 높게 나타나는 것으로 보아 학술 연구 분야는 ‘인공지능 융합 교육’을 구조화하여 실행하기 위한 ‘플랫폼’을 중요하게 여기는 것으로 볼 수 있다. 또한 인공지능 융합 교육의 소셜 데이터에서 순위에 없는 ‘학습자’, ‘교원’, ‘교사’ 등의 키워드들이 학술 연구 데이터에서 높은 중요도와 N-gram 결과를 보여 학술 연구 데이터에서 융합 교육에 관련한 인적 자원을 구체적으로 제시하는 것을 알 수 있었다.
다음으로 연결망 및 CONCOR 분석에 따르면 ‘인공지능 리터러시’의 소셜 데이터에서 ‘인공지능’은 코딩 교육과 관련 있게 보는 것을 알 수 있고, ‘산업혁명’, ‘사회’, ‘미래’가 같은 군집을 이뤄 ‘인공지능’은 ‘산업혁명’과 마찬가지로 사회의 커다란 변화 과정으로 보고 있음을 시사한다. 특히 ‘활용’, ‘결과’, ‘중심’, ‘영향’, ‘방안’이 같은 군집을 형성하여 학술 연구 데이터는 연구 결과에 영향과 활용성에 대해 제시하는 주제가 하나의 군집을 형성하는 것으로 나타났다. 다음으로, ‘인공지능 융합 교육’의 소셜 데이터에서 ‘인공지능’은 초등학생에게 미래를 대비한 로봇과 코딩 교육을 하는 것과 연관이 있음을 알 수 있고 ‘교육’은 빅데이터를 활용한 분야의 여러 프로그램 및 수업, 그리고 ‘교육부’ 와 같은 행정 기관과 관련이 있음을 알 수 있다. 또한 학술 연구 데이터에서 ‘융합 교육’과 같은 군집에 속한 ‘교육과정’은 융합 교육이 교육과정과 연계되어 진행되는 것과 관련 있음을 유추 할 수 있다. 또한 학술 연구 데이터는 주로 학술지 내용으로 논문에서 주로 활용되는 용어들끼리 연결성이 높고, 추상적인 용어들이 군집을 나타내고 있어 소셜 데이터와 달리 수업 도구나 수단 등에 대한 구체적 명칭이 나타나지 않는 특징을 보였다.
본 연구는 소셜 데이터 수집시 인공지능 리터러시 보다 인공지능 융합 교육의 수집량이 2배 이상으로 많게 나타났다. 이는 영어 표현에 따른 수집 키워드와 중복 수집에 따라 나타난 현상으로 볼 수도 있으며 또는 ‘인공지능 리터러시’에 대한 관심과 언급이 ‘인공지능 융합 교육’보다 비교적 낮을 수도 있다는 점을 의미할 수도 있다. 또한 본 연구는 소셜 데이터와 학술 연구 데이터의 수집 데이터양의 차이가 매우 크게 나타났으며, 학술 연구 데이터는 특정 키워드에 관한 논문에 따라 TF-IDF에서 높은 영향이 나타날 수 있음으로 박사 학위 과정까지 참고하여 데이터를 수집하는 등 좀 더 의미 있는 데이터량을 확보한 연구를 진행할 필요성이 있다.
목차
I. 서론 11. 연구의 필요성 및 목적 12. 연구 내용 33. 용어의 정의 4가. 인공지능 리터러시 4나. 인공지능 융합 교육 44. 연구의 제한점 5Ⅱ. 이론적 배경 61. 인공지능 리터러시 6가. 리터러시의 개념 6나. 인공지능 리터러시 72. 인공지능 융합 교육 11가. 융합 교육의 개념 11나. 인공지능 융합 교육 133. 빅데이터와 텍스트 마이닝 15가. 빅데이터 15나. 텍스트 마이닝 연구기법 17다. 의미연결망 분석 18라. 자동 내용 분석법 20Ⅲ. 연구 방법 및 절차 221. 연구 절차 222. 데이터 수집 233. 데이터 분석 방법 24가. 분석 도구 24나. 데이터 전처리 25다. 데이터 분석 및 시각화 27Ⅳ. 연구결과 301. 주요 핵심어 분석 결과 30가. ‘인공지능 리터러시’ 핵심어 분석 30나. ‘인공지능 융합 교육’ 핵심어 분석 382. 주제어 네트워크 분석 결과 46가. ‘인공지능 리터러시’ 네트워크 분석 46나. ‘인공지능 융합 교육’ 네트워크 분석 51Ⅴ. 결론 57참고문헌 61ABSTRACT 68
최근 본 자료
댓글(0)
0