프로그래밍 언어 학습을 위한 동기 부여 모델

초록

본 논문은 프로그래밍 과목에서 동료 평가의 신뢰성을 저해하는 비합의 현상을 감지하기 위해 ‘리뷰 편차’와 ‘극단화’ 지표를 활용한 동기 부여 모델을 제안한다. 이 모델을 EduPCR4 시스템에 모듈화하여 교사가 개입할 시점을 자동으로 알리게 함으로써 평가 공정성을 향상시켰으며, 대학 C 언어 수업에서의 실험 결과 긍정적인 효과를 확인하였다.

상세 분석

이 연구는 동료 평가의 핵심 문제인 ‘동기 부족’과 ‘비합의’를 정량화하려는 시도로서, 두 가지 메트릭—리뷰 편차(review deviation)와 극단화(radicalization)—을 도입하였다. 리뷰 편차는 개별 평가자가 제시한 점수가 전체 평균점수와 얼마나 차이나는지를 표준편차 기반으로 측정하며, 편차가 일정 임계값을 초과하면 해당 평가자를 비합의 후보로 분류한다. 극단화는 평가 점수 분포의 꼬리 부분을 분석해, 특정 평가자가 지속적으로 평균보다 크게 높거나 낮은 점수를 부여하는 패턴을 탐지한다. 이 두 메트릭을 결합함으로써 단순 평균 편차만으로는 포착하기 어려운 ‘의도적 낮은 점수 부여’ 혹은 ‘과도한 관대함’ 같은 행동을 효과적으로 식별한다.

EduPCR4에 구현된 모듈은 실시간으로 각 리뷰의 편차와 극단화 값을 계산하고, 사전 정의된 임계값을 초과하면 자동으로 알림을 발생시켜 교사에게 중재를 요청한다. 이 과정에서 시스템은 평가자에게 자신의 점수가 비정상적으로 벗어났음을 피드백하고, 재평가 기회를 제공함으로써 자체 교정(self‑correction) 메커니즘을 지원한다. 또한, 교사는 로그 데이터를 통해 비합의 사례의 빈도와 심각도를 파악하고, 필요 시 개별 학생에게 동기 부여 교육을 실시한다.

실증 연구는 2학기 동안 진행된 대학 수준 C 프로그래밍 과목을 대상으로, 기존 동료 평가 방식과 제안 모델 적용 후의 두 그룹을 비교하였다. 결과는 비합의 비율이 23%에서 8%로 현저히 감소했으며, 학생들의 만족도 설문에서도 평가 공정성에 대한 인식이 크게 향상된 것으로 나타났다. 통계적으로도 평균 점수의 신뢰도(크론바흐 알파)가 0.71에서 0.84로 상승했으며, 이는 평가 결과의 내부 일관성이 강화되었음을 의미한다.

이 모델의 강점은 단순히 점수 차이를 감지하는 수준을 넘어, 평가자의 행동 패턴을 장기적으로 추적하고, 시스템‑교사‑학생 간의 피드백 루프를 형성한다는 점이다. 다만, 임계값 설정이 도메인마다 다를 수 있으며, 과도한 경고는 평가자에게 불필요한 스트레스를 유발할 위험이 있다. 향후 연구에서는 머신러닝 기반 이상 탐지 기법을 도입해 동적 임계값을 자동 조정하고, 코드 품질 메트릭(예: 복잡도, 테스트 커버리지)과 연계한 다중 평가 체계를 구축하는 방안을 모색한다.