효과적인 C 프로그래밍을 위한 블렌디드 학습 속 지능형 학습 환경

초록

본 논문은 Afyon Kocatepe 대학의 C 프로그래밍 과목에 블렌디드 학습 모델을 적용하고, @KU‑UZEM LMS에 통합된 두 개의 지능형 학습 도구(CTutor, ITest)를 활용한 교육 효과를 평가한다. CTutor는 문제 해결 과정을 진단하고 맞춤형 피드백을 제공하며, ITest는 학습 수준에 맞는 퀴즈를 자동 생성한다. 두 학기 동안 진행된 설문과 실험 결과, 학생들은 해당 도구와 모델에 높은 만족도를 보였으며, 지능형 학습 환경이 C 프로그래밍 지식 향상에 긍정적인 영향을 미쳤음이 확인되었다.

상세 분석

이 연구는 블렌디드 학습(blended learning)을 단순히 온라인·오프라인을 병행하는 차원을 넘어, 학습자 개별의 인지 상태를 실시간으로 파악하고 맞춤형 지원을 제공하는 지능형 학습 환경(intelligent learning environment, ILE)을 핵심 요소로 설계한 점이 특징이다. @KU‑UZEM LMS에 내장된 CTutor와 ITest는 각각 학습·연습 단계와 평가·피드백 단계에서 역할을 분담한다. CTutor는 학생이 제시된 C 프로그래밍 과제 코드를 입력하면, 구문·논리 오류를 자동 검출하고, 오류 유형별로 단계적 힌트와 개념 설명을 제공한다. 이러한 진단‑피드백 루프는 오류 패턴을 기반으로 학습자의 현재 지식 수준을 추정하고, 다음 과제의 난이도를 동적으로 조정하는 적응형 학습(adaptive learning) 메커니즘을 구현한다. ITest는 학습자 프로파일과 CTutor에서 수집된 성취 데이터를 활용해, 개인별 난이도와 주제 비중을 조절한 퀴즈를 자동 생성한다. 퀴즈는 즉시 채점되고 상세 해설이 제공돼, 학습자는 오답을 통해 개념적 오해를 바로잡을 수 있다.

실험 설계는 두 그룹(실험군·통제군)으로 나누어, 실험군은 블렌디드 모델과 ILE를 전면 활용하고, 통제군은 전통적인 대면 강의만을 받았다. 사전·사후 지식 테스트와 설문조사를 통해 학습 성취도와 만족도를 비교했으며, 통계적 분석 결과 실험군이 유의미하게 높은 점수 향상을 보였다. 특히, CTutor 사용 빈도가 높은 학생일수록 오류 수정 능력과 코드 작성 속도가 크게 개선되었다. 설문에서는 85% 이상이 피드백의 즉시성 및 구체성을 긍정적으로 평가했으며, 78%는 ITest의 개인화된 퀴즈가 학습 동기 부여에 도움이 되었다고 응답했다.

한계점으로는 실험 기간이 두 학기(약 6개월)로 제한돼 장기 학습 효과를 검증하기 어려웠으며, 학생들의 사전 프로그래밍 경험 차이가 결과에 미친 영향을 완전히 통제하지 못했다는 점을 들 수 있다. 또한, CTutor와 ITest가 제공하는 피드백이 규칙 기반이므로, 복잡한 알고리즘 설계 단계에서는 충분한 지원을 제공하지 못할 가능성이 있다. 향후 연구에서는 머신러닝 기반 오류 예측 모델을 도입해 피드백의 정교성을 높이고, 다른 프로그래밍 언어와 교과목에 적용 가능한 모듈형 설계를 모색할 필요가 있다.

전반적으로, 이 논문은 블렌디드 학습 환경에 지능형 학습 도구를 통합함으로써 학습자 중심의 맞춤형 교육을 실현하고, 프로그래밍 교육에서 학습 성취와 만족도를 동시에 향상시킬 수 있음을 실증적으로 보여준다.