커리큘럼 전제 네트워크: 학문 과정 시각화와 분석 도구

초록

본 논문은 대학 교과목을 노드, 전제 관계를 링크로 하는 유향 비순환 그래프(Prerequisite Network)를 구축해 커리큘럼의 숨겨진 구조를 시각화하고, 연결성, 중심성, 군집 등을 정량적으로 분석한다. 이를 통해 과목 간 정보 흐름의 제약을 파악하고, 핵심 과목·허브·브리지 역할을 식별한다.

상세 분석

이 연구는 커리큘럼을 복합 시스템으로 모델링함으로써 전통적인 카탈로그 형태의 서술적 정보에서 정량적 네트워크 구조로 전환한다. 전제 관계는 방향성을 갖는 유향 엣지로 표현되며, 사이클이 존재하지 않으므로 그래프는 DAG(Directed Acyclic Graph) 형태를 띤다. DAG 특성은 위상 정렬을 통해 학습 순서를 자동으로 도출할 수 있게 하며, 전제 관계의 위계성을 명확히 드러낸다. 논문은 먼저 전체 교과목 데이터를 수집하고, 전제 정보를 파싱해 인접 행렬 혹은 인접 리스트 형태로 저장한다. 이후 연결 요소 분석을 수행해 서로 독립적인 서브그래프(연결된 과목군)를 식별한다. 각 서브그래프의 크기 분포는 커리큘럼 내 전공별·교양별 구조 차이를 반영한다는 점을 강조한다.

중심성 측정으로는 진입 차수(in-degree)와 진출 차수(out-degree), 그리고 betweenness centrality를 활용한다. 진입 차수가 높은 과목은 선행 지식이 많이 요구되는 ‘정보 흡수’ 역할을, 진출 차수가 높은 과목은 다수의 후속 과목에 전제를 제공하는 ‘정보 제공’ 혹은 ‘허브’ 역할을 한다. Betweenness가 높은 과목은 서로 다른 서브그래프를 연결하는 ‘브리지’ 역할을 수행하며, 커리큘럼 설계 시 병목 현상을 야기할 가능성이 있다.

또한, 위상 정렬 결과를 기반으로 학기별·학년별 전제 깊이(depth)를 계산하고, 전제 체인의 평균 길이와 최대 길이를 제시한다. 이는 학생이 특정 전공을 이수하기 위해 거쳐야 하는 최소 학기 수를 추정하는 데 활용될 수 있다. 네트워크 시각화는 Gephi, Cytoscape 등 오픈소스 툴을 이용해 색상·크기로 노드의 역할을 구분하고, 엣지는 전제 방향을 화살표로 표시한다. 시각적 결과는 교과목 간 의존성을 직관적으로 파악하게 해 주며, 교육 정책 입안자가 과목 재배치·신규 과목 도입 시 구조적 영향을 사전에 평가할 수 있게 한다.

이와 같이 전제 네트워크는 커리큘럼의 ‘하드와이어드’ 제약을 명확히 드러내며, 학습 흐름 최적화, 전공 간 교차 과목 설계, 그리고 학생 이탈 위험 요인 분석 등에 실용적인 인사이트를 제공한다.