컴퓨터 기반 학습 모델에서 가변 망각 계수 적용

초록

본 논문은 학습 자료의 각 요소가 사용 빈도에 따라 기억 지속 시간과 망각 계수가 달라진다는 가정을 도입한 컴퓨터 시뮬레이션 모델을 제시한다. 파스칼 언어로 구현한 프로그램을 통해 학습 요소의 적용 횟수가 증가할수록 사용 시간은 감소하고, 망각 계수는 감소함을 확인하였다. 실험 결과는 전통적인 동일 망각 속도 모델보다 학습 효율을 더 정확히 예측함을 보여준다.

상세 분석

이 연구는 전통적인 교육 공학 모델이 모든 학습 요소에 동일한 망각 속도를 적용한다는 한계를 지적하고, 실제 학습 상황에서는 사용 빈도가 높은 지식이 더 오래 유지된다는 심리학적 근거를 모델에 반영하였다. 구체적으로 저자는 두 가지 동적 변수를 도입한다. 첫째, ‘요소 사용 시간’은 해당 요소가 학습자에게 적용될 때마다 점진적으로 감소한다는 가정이다. 이는 학습자가 해당 개념을 반복적으로 활용함에 따라 처리 효율이 향상되고, 따라서 동일한 과업을 수행하는 데 필요한 시간이 줄어든다는 인지 부하 감소 이론과 일치한다. 둘째, ‘망각 계수’는 요소가 적용될수록 감소한다. 즉, 반복 사용이 기억 흔적을 강화해 망각률을 낮춘다. 이 두 변수는 서로 연동되어, 사용 빈도가 높아질수록 학습자는 해당 요소를 짧은 시간에 빠르게 처리하면서도 장기 기억에 더 오래 보존한다는 시나리오를 만든다.

모델 구현은 파스칼 언어로 작성된 시뮬레이션 프로그램을 통해 수행되었다. 입력 파라미터로는 초기 망각 계수, 요소별 초기 사용 시간, 적용 횟수, 그리고 시간 단위가 포함된다. 루프 구조 내에서 각 요소는 현재 망각 계수와 사용 시간을 기반으로 학습 효과를 계산하고, 적용 후에는 사전에 정의된 감소 함수(예: 지수 감소 또는 선형 감소)를 적용해 두 변수 값을 업데이트한다. 결과 출력은 각 요소별 잔존 기억 수준과 총 학습 시간, 그리고 전체 시스템의 효율 지표를 제공한다.

실험에서는 두 가지 시나리오를 비교하였다. 첫 번째는 기존의 동일 망각 계수 모델이며, 두 번째는 제안된 가변 망각 모델이다. 동일한 학습 자료와 적용 횟수를 가정했을 때, 가변 모델은 평균 기억 유지 기간이 약 25 % 증가하고, 전체 학습 시간은 15 % 감소하는 것으로 나타났다. 특히, 반복 사용이 빈번한 핵심 개념에서는 기억 손실이 현저히 억제되었으며, 반대로 사용 빈도가 낮은 부수적 요소는 빠르게 망각되는 패턴을 보였다. 이는 교육 설계자가 핵심 내용에 대한 반복 학습을 강화하고, 부수적 내용은 최소화하거나 보조 자료로 전환하는 전략적 인사이트를 제공한다.

이 모델의 강점은 학습자 개별의 사용 패턴을 정량화하여 교육 시스템에 피드백 루프를 구축할 수 있다는 점이다. 예를 들어, 학습 관리 시스템(LMS)에서 실시간으로 요소별 적용 횟수를 기록하고, 가변 망각 계수를 자동 업데이트함으로써 개인 맞춤형 복습 스케줄을 생성할 수 있다. 다만, 현재 모델은 망각 계수 감소 함수를 단순화된 수학적 형태(지수·선형)로 가정하고 있어, 실제 인간의 기억 곡선이 보여주는 비선형성(예: 로그-스케일)이나 개인 차이를 충분히 반영하지 못한다는 한계가 있다. 또한 파스칼 기반 구현은 현대 교육 기술 환경과의 호환성 측면에서 재작성 필요성이 있다. 향후 연구에서는 신경망 기반 예측 모델과 결합하거나, 실험적 데이터(예: 기억 테스트 결과)를 활용해 파라미터를 동적으로 추정하는 방법을 모색할 수 있다.

요약하면, 본 논문은 학습 요소의 사용 빈도에 따라 망각 계수와 사용 시간이 변하는 새로운 교육 모델을 제시하고, 파스칼 시뮬레이션을 통해 그 효과를 실증하였다. 이는 교육 공학에서 기억 유지 메커니즘을 보다 정교하게 반영할 수 있는 기반을 제공한다.