[목 차]

직관의 교실에서 증거의 교실로

 

01 직관 넘어 증거: 데이터 기반 수업

02 데이터 기반 수업 구조 설계

03 초등 교실 학습 데이터 읽기

04 생성형 AI 활용 학습 데이터 분석

05 데이터 기반 형성평가 설계

06 데이터 기반 개별화 수업 설계

07 데이터 기반 프로젝트 수업

08 수업 재설계: 분석부터 연계까지

09 학습 데이터 윤리와 교사 책임

10 AI 시대 데이터 설계자: 교사

 

[본 문]

직관을 언제 믿어도 되는가에 대해서는 심리학이 꽤 구체적인 답을 내놓았다. 전문가의 직관이 믿을 만해지는 조건은 두 가지다. 판단이 이루어지는 환경에 규칙성이 있을 것, 그리고 판단의 결과를 확인할 기회, 곧 피드백이 충분할 것이다. 바둑 기사와 소방관의 직관이 정확한 이유는 이 두 조건이 갖춰진 분야에서 오래 연습했기 때문이다. 그렇다면 교실은 어떤가. 절반은 충족한다. 아이들의 배움에는 분명히 반복되는 패턴이 있고, 교사는 그 패턴 속에서 수만 시간을 보낸다. 문제는 나머지 절반이다. 내 판단이 맞았는지 알려 주는 피드백이 교실에는 드물게 일어난다. (…) 그러니까 교사의 직관이 흔들리는 것은 능력이 모자라서가 아니라 절반짜리 조건에서 일하고 있기 때문이다. 학습 데이터가 하는 일이 바로 그 빈 절반인 피드백을 스스로 할 수 있는 자료를 제공하는 것이다. 데이터가 채워진 교실에서 교사의 직관은 비로소 두 조건을 모두 갖춘 전문가의 직관으로 자랄 수 있다.

－01_“직관 넘어 증거: 데이터 기반 수업” 중에서

 

데이터를 읽을 때는 데이터의 질도 함께 보아야 한다. 초등 교실의 데이터는 작고 흔들린다. 한 학급 스물다섯 명은 통계적으로 아주 작은 표본이어서, 한두 명의 컨디션이 학급 평균을 출렁이게 한다. 월요일 1교시의 평가와 금요일 5교시의 평가는 같은 아이에게서도 다른 숫자를 받아 낸다. 코스웨어의 정답률에는 찍어서 맞힌 문제와 옆 친구를 보고 푼 문제가 섞여 있을 수 있다. 그래서 교실 데이터 읽기의 기본기는 하나의 숫자를 확신의 근거가 아니라 질문의 출발로 삼는 것이다. 정답률이 낮으면 ‘왜 낮을까’를 물으며 다른 증거를 겹쳐 보고, 데이터와 교사의 관찰이 어긋나면 데이터를 의심하고 관찰을 쉽게 버리지 않는다.

－03_“초등 교실 학습 데이터 읽기” 중에서

 

마지막으로 개별화와 학습 격차의 관계를 분명히 해 두고 싶다. 개별화는 잘못 운영되면 학습 격차를 굳히는 장치가 된다. 상위 그룹에는 풍부한 탐구를, 하위 그룹에는 반복 연습만을 배정하는 개별화는 출발의 차이를 도착의 차이로 확정해 줄 뿐이다. 데이터 기반 개별화의 방향은 반대여야 한다. 데이터로 가장 먼저 찾아야 할 것은 심화 대상이 아니라 사각지대다. 조용해서, 결석이 잦아서, 태도가 좋아서 결손이 가려져 온 아이들을 데이터가 찾아내면, 교사의 시간과 소집단 지도라는 가장 값진 자원을 그 아이들에게 먼저 제공할 수 있다. 모든 아이가 같은 목표에 도달하되 경로와 지원이 다른 것, 그것이 이 책이 말하는 개별화다.

－06_“데이터 기반 개별화 수업 설계” 중에서

 

제도의 틈을 메우는 것은 바로 교실의 원칙을 세우는 것이다. 첫째, 최소 수집의 원칙이다. 수업 개선이라는 목적에 필요한 데이터만 모으고, 활용이 끝난 데이터는 지운다. 둘째, 비식별의 원칙이다. 4장에서 강조했듯 생성형 AI를 포함한 외부 도구에는 학생을 알아볼 수 있는 정보를 넣지 않는다. 셋째, 투명성의 원칙이다. 어떤 데이터를 왜 모으는지 학생과 보호자에게 알리고, 아이가 자신의 데이터를 보고 배움을 성찰할 기회를 준다. 넷째, 판단 유보의 원칙이다. 데이터가 가리키는 방향과 교사의 관찰이 어긋날 때는 데이터를 의심하는 쪽을 택한다. 이 원칙들은 데이터 기반 수업을 방해하는 방해물이 아니다. 학생과 보호자의 신뢰야말로 데이터 기반 수업이 계속될 수 있는 유일한 토대이기 때문이다. 학습 분석의 윤리 원칙을 정리한 해외 논의 역시 투명성과 책무, 자기 데이터에 대한 학생의 통제권을 이 원칙의 중심에 놓는다.

－09_“학습 데이터 윤리와 교사 책임” 중에서