맞춤형 적응 커리큘럼 엔진 PACE로 9‑1‑1 콜테이커 훈련 혁신

초록

PACE는 9‑1‑1 콜테이커 훈련을 위한 개인화된 커리큘럼 엔진으로, 학습자별 숙련도 베이지안 추정, 학습·망각 동역학 모델링, 그리고 컨텍스트 밴딧 기반 시나리오 추천을 결합한다. 실험 결과, 기존 방법 대비 19.5% 빠른 숙련도 도달과 10.95% 높은 최종 마스터리를 달성했으며, 현장 트레이너와 95.45% 일치하는 판단을 보였다.

상세 분석

본 논문은 9‑1‑1 콜테이커 훈련이라는 고위험·고복잡도 도메인에 맞춤형 교육 기술을 적용한 최초 사례로 평가된다. 핵심 기여는 (1) 1,053개의 세부 스킬을 노드, 1,283개의 의존 관계를 엣지로 하는 지식 그래프를 구축해 구조적 전이 효과를 정량화한 점, (2) 베타 분포를 이용해 각 스킬에 대한 숙련도 베이지안 신념을 유지하고, 관찰된 성공·실패·부분 성공을 가중치 기반 의사카운트로 업데이트함으로써 불확실성을 명시적으로 관리한 점, (3) 학습 속도 λ와 망각률 ψ를 개별 학습자에 맞게 추정하는 서브시뮬레이션 기반 서프레시 모델을 도입해 실시간 학습·망각 곡선을 파악한 점, (4) 이러한 신념과 동역학 정보를 컨텍스트 벡터로 변환하고, 상호작용형 밴딧 알고리즘(Thompson Sampling 변형)으로 시나리오 배치를 선택해 탐색·활용 균형을 최적화한 점이다.

특히, 스킬 전이 메커니즘은 의미 임베딩(s_i)와 그래프 깊이(d_i)를 결합한 유사도 ϕ(v_i,v_j)=cos(s_i,s_j)·exp(−ε|d_i−d_j|) 로 정의해, 동일 프로토콜 단계에 있는 스킬 간 전이가 더 강하게 반영되도록 설계하였다. 이는 관찰이 제한된 상황에서도 미관측 노드에 대한 추정치를 보강해, 전체 그래프에 걸친 진단 커버리지를 크게 향상시킨다.

학습·망각 모델링에서는 실시간 τ 기반 파워 로우(θ_{τ+Δτ}=θ_τ·(1+κ·Δτ)^{−ψ}) 를 적용해, 최근에 습득한 스킬이 빠르게 감퇴하고, 장기 기억으로 전환된 스킬은 감퇴 속도가 감소한다는 인지 과학적 사실을 반영한다. λ는 전체 인터랙션 히스토리에서 평균 마스터리 증가량으로 정의돼, 학습자별 효율성을 정량화한다. 이러한 파라미터는 사전 15회 콜 시뮬레이션(콜드 스타트) 데이터를 통해 베이지안 추정 후 최적화된다.

시나리오 선택 단계는 “학습 목표(새 스킬 습득) vs. 유지 목표(망각 방지)”를 동시에 고려한다. 컨텍스트 벡터는 (① 현재 베타 평균 μ_v, ② 불확실도 σ_v^2, ③ λ, ψ, ④ 스킬 간 유사도 행렬) 로 구성되며, 밴딧 정책은 기대 학습 이득 E