과학-AI 융합: 물리 교육을 위한 블록 코딩

인공지능(AI)의 교육 통합이 실세계 문제를 해결하기 위한 학제 간 접근 방식을 활용하는 기술을 학생들에게 제공해야 한다는 필요성에 힘입어 빠르게 증가하고 있습니다. 이 글은 물리 개념, 특히 감쇠 진동자의 운동에 대한 학생들의 이해를 향상시키기 위해 블록 코딩을 활용하는 과학-AI 융합 수업의 개발 및 적용을 탐구합니다. KNIME 플랫폼을 사용함으로써 학생들은 AI 모델을 구축하여 진동자의 위치를 예측하고 물리 및 AI 원리에 대한 더 깊은 이해를 함양할 수 있습니다. 이 접근 방식은 고등학생들에게 AI를 더 쉽게 접근할 수 있도록 하여 혁신적이고 매력적인 방식으로 복잡한 과학 개념에 참여할 수 있도록 하는 것을 목표로 합니다.

2022년 개정 과학 교육 과정은 융합적 사고를 바탕으로 일상생활과 사회의 과학 문제를 해결하는 학생들의 능력을 함양하기 위해 AI 통합 탐구 활동의 중요성을 강조합니다. 과학 교육에 AI를 통합하면 교육 과정 내에서 현대 과학 실천을 적용할 수 있습니다. 이전 연구에서는 신경망 모델을 만들기 위해 Python과 같은 프로그래밍 언어를 사용하는 데이터 기반 융합 수업을 탐구했습니다. 그러나 이러한 접근 방식은 종종 코딩에 대한 깊은 이해를 요구하며, 이는 많은 학생들에게 장벽이 될 수 있습니다. 이 글은 블록 코딩 플랫폼인 KNIME을 사용하여 AI 모델 구축 및 분석 과정을 단순화하여 코딩 경험이 제한적인 학생들에게 더 쉽게 접근할 수 있도록 함으로써 이러한 과제를 해결합니다.

과학-AI 융합 프로그램은 물리학의 기본 주제인 감쇠 진동자 개념을 중심으로 개발되었습니다. 이 프로그램은 다음과 같은 여러 주요 단계를 포함합니다: (1) 탐구 주제로 감쇠 진동자 선택; (2) 교과서 내 진동자 운동 탐구 활동 분석; (3) Tracker 소프트웨어를 사용하여 진동자의 위치 및 속도 데이터를 수집하여 데이터셋 구축; (4) KNIME을 사용하여 AI 모델 구축하여 진동자 위치 예측; (5) 모델 예측 결과 평가. 이러한 구조화된 접근 방식은 학생들이 AI 기술에 참여하면서 근본적인 물리 원리를 이해할 수 있도록 합니다.

과학-AI 융합 수업은 고등학생들을 대상으로 실시되었으며, 심층 인터뷰를 통해 그들의 경험을 분석했습니다. 결과는 학생들의 참여 동기, 경험 및 이해 변화, 그리고 그들이 직면한 어려움과 한계 등 여러 주요 주제를 강조했습니다. 학생들은 참여도가 높아지고 물리 및 AI 개념 모두에 대한 이해가 깊어졌다고 보고했습니다. 그러나 일부 학생들은 KNIME의 초기 학습 곡선이 어렵다고 느껴 추가적인 지원과 지도가 필요했습니다. 전반적으로 이 프로그램은 긍정적인 학습 경험을 함양하고 학제 간 사고를 촉진하는 데 성공했습니다.

이 연구 결과는 과학-AI 융합 프로그램의 개발 및 구현에 중요한 시사점을 제공합니다. KNIME과 같은 블록 코딩 플랫폼의 사용은 코딩 경험이 제한적인 학생들의 진입 장벽을 낮추어 AI를 더 쉽게 접근하고 참여할 수 있도록 합니다. 데이터 수집, 모델 구축 및 평가에 대한 구조화된 접근 방식은 학생들이 따를 수 있는 명확한 프레임워크를 제공합니다. 또한, 실제 데이터와 실습 활동의 통합은 학생들이 물리 및 AI 원리에 대한 이해를 향상시킵니다. 이 연구는 학생들이 새로운 기술 학습의 어려움을 헤쳐나가는 동안 적절한 지원과 지침을 제공하는 것의 중요성을 강조합니다.

이 연구는 과학-AI 융합 프로그램이 학생들의 물리 개념 이해를 향상시키고 학제 간 사고를 촉진할 수 있는 잠재력을 보여줍니다. KNIME과 같은 블록 코딩 플랫폼을 사용함으로써 학생들은 AI 모델을 구축하여 감쇠 진동자의 운동을 예측하고 물리 및 AI 원리에 대한 더 깊은 이해를 함양할 수 있습니다. 이 연구 결과를 바탕으로 향후 연구 및 실천을 위해 다음과 같은 몇 가지 권장 사항을 제시할 수 있습니다: (1) 실제 데이터와 실습 활동을 통합하는 과학-AI 융합 프로그램을 계속 개발하고 개선합니다; (2) 학생들이 새로운 기술 학습의 어려움을 헤쳐나가는 동안 적절한 지원과 지침을 제공합니다; (3) 학습 경험을 향상시키기 위해 다른 블록 코딩 플랫폼 및 AI 도구의 사용을 탐색합니다; (4) 과학-AI 융합 프로그램이 학생들의 학업 성취도 및 경력 포부에 미치는 장기적인 영향을 평가하기 위한 추가 연구를 수행합니다.

KNIME(Konstanz Information Miner)은 데이터 통합, 처리 및 분석에 널리 사용되는 오픈 소스 소프트웨어로, 광범위한 코딩 지식 없이도 기계 학습을 가능하게 합니다. 그래픽 사용자 인터페이스(GUI)를 통해 사용자는 다양한 노드를 연결하여 데이터 분석 및 AI 모델을 구축할 수 있습니다. KNIME은 수천 개의 노드와 공유 워크플로우를 제공하여 협업 및 모델 비교를 용이하게 합니다. 오프라인 기능과 Python 및 R과 같은 언어와의 호환성은 학습에 유연성과 자율성을 제공합니다. KNIME의 시각적 워크플로우는 코딩 과정을 단순화하여 기계 학습 개념에 더 쉽게 접근할 수 있도록 합니다.

다층 퍼셉트론(MLP)은 이 연구에서 사용된 인공 신경망의 한 유형입니다. 입력층, 출력층, 여러 개의 은닉층으로 구성됩니다. MLP 모델은 역전파라는 과정을 통해 가중치와 편향을 조정하여 학습하며, 예측값과 실제값 간의 오차를 최소화합니다. 은닉층의 뉴런 수는 과적합을 피하기 위해 일반적으로 특정 공식을 사용하여 결정됩니다. 모델의 성능은 평균 제곱근 오차(RMSE)와 같은 지표를 사용하여 평가됩니다. MLP 모델은 물체 운동 예측 및 임상 의학에서의 예측 모델 개발을 포함한 다양한 작업에 사용될 수 있습니다.

감쇠 진동자에 대한 데이터를 수집하기 위해 스프링 진동자를 제작하고 Tracker 소프트웨어를 사용하여 궤적을 정량화했습니다. 진동자를 물이 채워진 눈금 실린더에 담가 감쇠를 유도했습니다. 시간 경과에 따른 위치 및 속도 데이터를 수집하여 581개의 데이터 포인트로 구성된 데이터셋을 생성했습니다. 이 데이터는 AI 모델을 훈련하고 테스트하는 데 사용되었습니다. 데이터 수집 및 분석 과정은 학생들이 감쇠 조화 운동에서 시간, 위치 및 속도 간의 관계를 이해하는 데 도움이 됩니다.

MLP 모델은 KNIME의 워크플로우를 사용하여 구축되었으며, 노드는 입력층, 은닉층 및 출력층을 나타냅니다. 데이터는 위치 및 속도 값이 동일한 스케일에 있도록 정규화를 사용하여 사전 처리되었습니다. 데이터셋은 훈련 세트와 테스트 세트로 분할되었습니다. RProp MLP Learner 노드를 사용하여 모델을 훈련하고, MultiLayer Perceptron Predictor 노드를 사용하여 예측을 생성했습니다. 모델의 성능은 R-squared 및 RMSE를 사용하여 평가되었습니다. 결과는 MLP 모델이 R-squared 값 0.992 및 RMSE 0.01로 감쇠 진동자의 위치를 정확하게 예측할 수 있음을 보여주었습니다.