적응형 학습(Adaptive Learning)은 주로 온라인 사전학습을 하는 플립러닝에 적용하기 적합한 학습방식이다. AI와 같은 테크놀로지의 발전에 따라 적응형 학습을 구현하는 방법이 다양해진 만큼, 플립러닝에 이를 적용해보자. 구현 방식은 ‘지식과 기술 수준 맞춤형 학습’, ‘사전학습에서의 상호작용 설계’, ‘학습자의 학습조절능력에 대한 지원’ 등 의도하는 목표에 따라 콘텐츠 추천형, 공유·소셜·게임형, 피드백형 등으로 달라진다. 그리고 적응형 플립러닝에서는 데이터 사용범위와 학습자 촉진 전략에 대한 결정과 판단이 함께 이뤄져야 한다.
ChatGPT로 촉발된 생성형 AI에 대한 관심과 활용 논의는 HRD에서도 예외가 아니다. 생성형 AI의 가치는 그것이 만들어준 지식을 우리가 어떻게 활용하는지에 따라 달라지는데, 개인화된 학습(personalized learning)을 지원하는 면을 생각해볼 수 있다. 관련해서 플립러닝에선 기술 기반 학습 효과를 높이는 방안을 고려해 볼 필요가 있는데 플립러닝은 온라인 학습활동이 큰 부분을 차지하기에 테크놀로지 적용에 따라 운영방식 및 효과가 많이 달라지기 때문이다. 그렇다면, 지금의 플립러닝에는 어떤 기술을 어떻게 적용하면 좋을까? 기술개발 비용과 시스템 설계에 대한 부담 등 현실적인 여건이 따라오지만, 적응형 플립러닝의 전체적인 그림을 이해하고 그중 적용 가능한 요소를 하나씩 고민하는 것으로도 차이가 나타날 것이다.
적응형 학습의 효과
적응형 학습은 학습자 개인의 학습상황과 요구를 조절하여 학습을 돕는 기술과 시스템을 말한다. 사실 적응형 학습은 머신러닝을 활용한 학습데이터 분석, AI 챗봇 등 AI 기술이 발전한 초기부터 함께 성장해 왔다. 플립러닝과 블렌디드 러닝 등 기업과 대학의 온라인 학습활동에도 적응형 학습이 꾸준히 적용되면서 여러 성공 사례가 발표됐다. 대표적인 사례로는 학습성과를 높이고 중도이탈을 낮춘 애리조나 주립대학교 프로그램이 있다. 그렇다면 플립러닝에 적응형 학습 요소를 반영할 경우 어떤 효과가 발생할까?
