현장 기반 학습 성과 향상을 위한 LiftUpp 시스템

초록

LiftUpp은 영국 치과대학 70%에서 사용되는 디지털 플랫폼으로, iPad 기반 관찰 앱과 6점 척도·워크플로우 모델을 통해 임상 현장에서의 실습 데이터를 실시간으로 수집·통합한다. 학습성과와 시험문항을 전부 학습목표와 연결해 커리큘럼 전반에 걸친 자동 매핑·시각화를 제공하고, 학생에게 즉시 피드백을 주어 자기조절 학습을 촉진한다. 데이터 융합과 분석 기반의 품질 보증·진도 모니터링 기능을 갖추며, 향후 인공지능 기반 교육 지원으로 확장 가능성을 제시한다.

상세 분석

LiftUpp은 전통적인 지식 중심 평가를 넘어 실제 임상 수행 능력, 즉 ‘competence’를 측정·발전시키기 위한 복합 인프라로 설계되었다. 핵심 설계는 세 가지 축으로 요약할 수 있다. 첫째, 데이터 수집 구조는 iPad 전용 앱을 통해 20개 이상의 임상 현장에 배치된 300명 이상의 학생과 100명 이상의 교직원이 생성하는 관찰 데이터를 실시간으로 캡처한다. 관찰은 6점 ‘발달 지표’ 척도로 기록되며, 각 점수는 독립성·안정성·정확성 등 구체적 행동 기준에 매핑된다. 둘째, 워크플로우 기반 모델은 치료 절차를 세분화된 작업 항목(workflow items)으로 분해하고, 이를 학습목표(Learning Outcomes, LOs)와 1:다 관계로 연결한다. 이렇게 하면 하나의 임상 절차가 여러 학습목표에 동시에 기여하는 복합성을 정량화할 수 있다. 셋째, 통합 데이터 파이프라인은 시험문항, 객관식·주관식 평가, 그리고 현장 관찰 데이터를 동일한 ‘코어’ 데이터베이스에 매핑한다. 메타데이터(위치, 교직원, 환자 등)와 함께 저장되므로, 학습성과에 대한 다차원 분석이 가능하다.

기술적으로는 클라우드 기반 백엔드와 RESTful API가 iPad 앱과 웹 포털을 연결하며, 오프라인 모드 지원을 통해 네트워크 불안정 지역에서도 데이터 손실을 최소화한다. 데이터 업로드 후 자동화된 검증 절차가 실행돼 중복·오류를 걸러내고, 교직원은 웹 포털에서 실시간 대시보드와 히스토리 차트를 통해 학생 개별·집단 성과를 시각화한다. 특히 ‘세션 일관성(sessional consistency)’ 지표는 동일 학생이 여러 세션에 걸쳐 동일 수준의 수행을 유지하는 비율을 계산해, 단순 절차 횟수 집계보다 의미 있는 진도 판단을 가능하게 한다.

AI 적용 가능성 측면에서, 현재 시스템은 ‘지식 추적(Knowledge Tracing)’ 대신 ‘행동 추적(Behavioral Tracing)’에 초점을 맞추고 있다. 수집된 시계열 데이터는 딥러닝 기반 시퀀스 모델(LSTM, Transformer)이나 베이지안 네트워크에 입력돼, 미래 수행 예측·맞춤형 과제 추천·조기 위험 감지 등에 활용될 수 있다. 또한, 시험문항과 워크플로우 항목 간의 매핑 정보를 이용해 자동 시험 설계·품질 검증(예: 항목 반응 이론 기반)도 구현 가능하다.

하지만 몇 가지 한계도 존재한다. 첫째, 관찰 데이터의 주관성 문제는 평가자 간 신뢰도(rater reliability) 확보를 위한 지속적인 교육이 필요하다. 둘째, 현재 6점 척도는 이산형이므로 연속적인 능력 변화를 섬세히 포착하기엔 제한적일 수 있다. 셋째, 대규모 데이터 융합 과정에서 개인정보(학생·환자) 보호와 GDPR 준수 요구가 복잡성을 더한다. 이러한 과제들을 해결하기 위해서는 평가자 캘리브레이션, 척도 다변화, 프라이버시 강화 기술(예: 차등 프라이버시) 도입이 필요하다.

전반적으로 LiftUpp은 임상 교육 현장의 복잡한 데이터 흐름을 구조화·시각화하고, 교육 설계와 학습 지원을 연결하는 플랫폼으로서, AI 기반 교육 혁신을 위한 실험적 기반을 제공한다.