디지털기반 교수․학습을 위한 블렌디드러닝 유형화 접근: 믹스에서 다이내믹스로의 전환
Exploring blended learning typologies for digital-based teaching and learning: Transitioning from mix to dynamics
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
블렌디드 러닝은 미래교육의 뉴노멀로 주목받고 있다. 포스트 코로나 시대 온라인 학습에 대한 경험이 증대되고 인공지능과 메타버스를 비롯한 새로운 테크놀로지가 등장함에 따라 교수․학습의 방법론적 혼합이 다양해졌다. 블렌디드 러닝은 그 개념의 모호성으로 인한 비판에도 불구하고, 다양한 용어들과 함께 개념화와 유형화가 꾸준히 이루어져 왔다. 본 연구는 이러한 유형화 접근을 비교 분석함으로써, 향후 블렌디드 러닝의 확장과 발전 방향을 제시하는 데 목적이 있다. 이를 위하여 블렌디드 러닝을 개념화하고, 유형 분류를 시도한 4개의 프레임워크(Graham, 2006; Horn & Staker, 2015; Magulieux et al., 2016; Singh, 2003)을 비교․분석하여 블렌디드 러닝을 단순한 온라인과 오프라인 학습의 혼합(mix)을 넘어 재구성․전환․확장이 가능한 동적 체계(dynamics)로 해석할 수 있음을 제안하였다. 이를위하여 교수․학습 설계의 핵심 요소를 공간, 시간, 그룹, 교수․학습 활동, 에듀테크의 다섯 차원으로정리하고, 이질적 활동의 선택과 조합, 가중치의 조정, 순서 및 주체 구성에 따른 수업이 다르게 전개될 수 있는 구조적 원리를 제시하였다. 그 결과, 블렌디드 러닝은 교수자의 경험과 역량에 따라 얼마든지 다양하고 창의적인 수업사례 개발이 가능함을 밝혔다. 본 연구는 블렌디드 러닝이 고정된 형태가 아니라 학습자의 반응과 상호작용, AI 기반의 분석 결과에 따라 조정․재배열 될 수 있는 다이내믹스 기반 설계 프레임 웍으로 확장될 필요가 있음을 논의하며, 이를 검증하기 위한 후속 연구의 방향을 제안하였다.
Abstract
Blended learning is gaining attention as a new normal in future education. The COVID-19 pandemic increased familiarity with online learning, while emerging technologies such as artificial intelligence (AI) and metaverse platforms have further diversified blended learning practices. Despite criticism regarding its conceptual ambiguity, ongoing efforts have sought to conceptualize and classify blended learning through various frameworks. This study proposes future directions for the expansion and development of blended learning by comparing and analyzing existing classification models. Specifically, it examines four representative frameworks-Singh (2003), Graham (2006), Margulieux et al. (2016), and Horn and Staker (2015)-and reinterprets blended learning not merely as a mixture of online and offline modes but as a dynamic system that can reconfigure and expand depending on instructional conditions. Based on this analysis, blended learning is reorganized into five design dimensions: space, time, grouping, instructional activities, and educational technology. These dimensions support dynamic blending by enabling instructors to select heterogeneous activities, adjust their weighting, and redesign sequences or participation modes as learning unfolds. This study advances a conceptual transition from a static Mix approach to a Dynamics approach emphasizing adaptability, iterative restructuring, and interaction-driven evolution. The findings provide a conceptual foundation for designing blended learning in AI-supported classrooms and highlight the need for future empirical research on dynamic reconfiguration in authentic classroom contexts.