네비게이션에 빗대어 맞춤형 교육에 대한 설명이 가능할 것 같다고 생각이 들었던 첫번째 이유는 인터페이스의 유사성이지만 이후에 좀 더 주목했던 것은 데이터들간의 유사성입니다. 이 이야기를 하려면 다시 표준으로 잠깐 돌아가야하는데요. 아래 그림은 ADL에서 추진중인 TLA(Total Learning Architecture)중 데이터 모델입니다. TLA는 범용 AIS(Adaptive Instructional System, ITS보다는 좀 더 광범위한 개념을 가지고 있는 맞춤형 교육 시스템)를 개발하기 위한 아키텍처적인 접근을 하는 연구과제인데요. 여기에는 시스템의 구조적인 내용뿐만 아니라 데이터 모델이 중요한 주제로 다뤄지고 있습니다.

여기에 기술된 데이터셋을 가지고 ADL, 1EDTECH, IEEE 등의 기관들이 합심해서 아래와 같은 데이터 표준화를 추진하고 있는 상태이고요. 아래 보시는 내용들이 이 기관들이 참여한 워킹그룹에서 추진하고 있는 데이터 표준과제 리스트입니다.

1) IEEE P9274.1 Experience API (xAPI) 2.0 – Learning activity tracking uses the xAPI to capture learning activity streams. The xAPI standard also includes xAPI profiles such as cmi5 and the TLA’s Master Object Model. xAPI 2.0 is targeted for approval in 2020.
2) IEEE 1484.12.1 Learner Object Metadata 2.0 – Descriptions of learning activities and their associated content are stored in the TLA’s Experience Index and use a modified version of the Learning Resource Metadata Initiative standard. A draft standard is being submitted for finalization in early 2020.
3) IEEE 1484.20.1 Reusable Competency Definitions – The definition of a competency, the relationship to other competencies, and the alignment of evidence to help measure proficiency of the competency, are included in this standard. This standard is expected for approval in 2020.
4) IEEE 1484.2 Interoperable Learning Records or IMS Global Comprehensive Learner Record – Learner profile standards do not currently meet all TLA requirements. These new standards are actively being developed and modified based on input from numerous industry groups and associations.

TLA에서 제시된 내용과 거의 동일한 내용입니다. 이들을 간단하게 요약하자면 다음과 같습니다.
1)은 학습자들의 학습활동을 기록하기 위한 것입니다. 학생들의 콘텐츠 시청이나 과제, 시험등을 참석할때 남겨지게 되는 기록들을 생각하시면 됩니다.
2)는 흔히 이야기하는 LOM인데 LOM1.0은 주로 콘텐츠에 대한 메타데이터를 관리하기 위한 것이었다면 LOM2.0은 콘텐츠뿐만 아니라 과제나 시험같은 학습활동까지를 포함한 메타데이터 관리 표준입니다.
3)은 역량이라고 표현되어 있지만 K12같은 공교육에서는 학습의 목표를 설정하기 위한 데이터 표준으로 해석될 수 있는 내용입니다. 커리큘럼 내용이 들어갈 수 있는 데이터 영역이고요.
4)는 학습자의 학습이력 즉, 포트폴리오를 관리하기 위한 표준입니다. 이건 기존 학위나 자격증, 마이크로크레딧과 같은 배지같은 형식의 Credential 데이터를 관리할 수 있는 데이터셋입니다.

여기서 주목해야할 부분은 표준 그 자체보다는 정의된 데이터 유형의 성격입니다. 각각의 데이터 유형은 1)은 현재 상태 2)는 수단, 방법 3) 목표 제시 4) 성향, 이력으로 정리될 수 있는 것들입니다. 네비게이션도 거의 유사한 데이터셋을 가지고 있는데요. 우선 네비게이션에서 활용되고 있는 데이터를 먼저 살펴보겠습니다. 네비게이션은 1) 현재 차량의 위치와 3) 목적지에 대한 GPS 데이터를 기반으로 2) 지도 데이터를 기반으로 최적의 경로를 안내합니다. 여기에 더해 3) 현재 교통상황, 4) 미리 입력된 사용자의 선호도 등도 함께 고려하여 실시간으로 최적의 경로 계산하여 안내하도록 되어있습니다. 

앞서 이야기했던 AIS를 위한 네가지 데이터를 네비게이션에서 활용하고 있는 데이터들과 한번 대입을 해보겠습니다. 결과는 아래표와 같습니다.

비슷한 맥락의 데이타가 대입되어 있는 것이 보이시나요? 하나의 사례를 더 보여드리면 좀 더 이해가 쉬울 수도 있겠습니다. Gooru라는 솔루션인데요. 물론 Gooru는 앞서 이야기했던 표준 방식으로 개발된 사례는 아닙니다. 하지만 이 어플리케이션의 인터페이스를 보면 앞서 이야기했던 데이터셋이 그대로 활용되고 있음을 확인할 수 있습니다. 아래는 이 어플리케이션에 활용되고 있는 데이터들입니다.

1) 커리큘럼에 따른 각 과정별 목표데이터 = 목적지 GPS 정보 = Reusable Competency Definitions
2) 커리큘럼에 따른 경로 제시 = 지도정보, 경로정보, 교통정보 = LOM 2.0
3) 학습자의 현재 학습진도율 = 차량의 현재 GPS 정보 = xAPI 2.0
4) 학습자의 적정 진도율 = 운전자의 성향 = Learner Record

여기서 중요한 것은 표준을 따르고 있는지 아닌지가 아니라 표준에서 이야기되고 있는 네가지 데이터셋을 맥락적으로 활용하고 있는지 여부입니다.  그리고 어플리케이션이 네가지 형식의 데이터셋을 어떻게 정의할지 그리고 각 형식의 데이터를 어떻게 수집하고 관리할 것인지가 관건이 될 것입니다. 안타까운 것은 국제 표준으로 제시될 만큼 그 중요성을 평가받고 있는 아이디어임에도 아직은 국내에서는 큰 관심을 받지 못하고 있다는 사실입니다. 교육부에서 추진하고 있는 맞춤형 교육을 위한 디지털교과서가 부디 이 관점을 놓치지 않았으면 하는 바램입니다.

이후에는 디지털교과서가 맞춤형 교육의 수단으로 자리 잡기위해서 데이터 혹은 아키텍쳐 관점에서 다뤄야할 과제들이 무엇이 있을지 그리고 표준을 따라야하는 이유들에 대해서도 한번 이야기해보고자 합니다.