의사결정트리 분류 모델을 활용한 산화 환원 반응 판단 프로그램이 고등학교 3학년 학생들의 학습에 미치는 효과
The Effect of Redox Reaction Judgment Program Using Decision Tree Classification Model on Learning of 12th grade Students
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
이 연구에서는 학생들이 산화 환원 반응의 본질을 이해하고 판단할 수 있도록 돕기 위해 머신러닝을 활용한 산화 환원반응 판단 프로그램을 개발하였다. 학생들은 전자 이동 모델, 산화수 변화 모델, 굿스테인 모델에 근거해 여러 화학 반응식에 대한 정보를 직접 생성하고, 이를 바탕으로 의사결정트리 분류 모델을 만들었다. 머신러닝이 분류에 오류를 나타낼 때, 의사결정트리를 통해 오류 발생 원인을 확인하여 학생들이 스스로 오개념을 수정하도록 하였고, 오개념 수정 과정을 분석하였다. 연구는고등학교 3학년 학생을 대상으로 총 18차시 동안 온라인 수업으로 진행되었으며, 프로그램의 효과를 알아보기 위해 학생들의 학업 성취도와 산화 환원 반응 모델 활용 태도, 인공지능 활용 수업에 대한 인식을 분석하였다. 연구 결과, 의사결정트리 분류 모델을 활용한 산화 환원 반응 판단 프로그램은 학생들의 학업 성취도를 향상시키고 오개념을 수정하는 데 효과적이었으며, 특히산화수 변화 모델과 굿스테인 모델에서 두드러진 성과를 보였다. 학생들은 학습이 진행될수록 '설명할 수 없다'는 응답 비율이 감소하며, 모델의 장단점과 제한 조건을 이해하고 상황에 따라 적절한 모델을 선택하여 화학 반응을 해석하는 모습을 보였다. 또한, 산화 환원 반응을 단순 암기나 계산에 중점을 두고 해석하는 태도를 수정하고, 화학 결합과 구조, 전기 음성도를 이해하며 과정적 관점으로 해석하는 태도가 형성되었다. 인공지능의 즉각적인 피드백은 학생들의 오류 수정 및 스키마 자동화에 기여하여학습 경험을 개선하였고, 학생들은 화학 학습에 있어 인공지능 도구를 활용하는 것에 대해 긍정적인 태도를 보였다. 이러한 결과는 본 연구에서 개발한 프로그램이 디지털·인공지능 기초 소양 함양에 기여하였음을 시사한다. 따라서 학생들이 쉽게 다룰 수있는 인공지능 도구를 활용한 화학 수업의 필요성이 강조되며, 교사는 학습의 안내자이자 촉진자로서 인공지능의 가능성과 한계를 균형 있게 이해하고 활용해야 할 것이다.
Abstract
In this study, a machine learning-based redox reaction judgment program was developed to help students understand and assess the nature of redox reactions. Students directly generated information on various chemical equations based on the electron transfer model, oxidation number change model, and Goodstein model, and created a classification model using a decision tree algorithm based on this information. When machine learning showed errors in classification, the decision tree was used to identify the cause of the error, allowing students to correct their misconceptions independently, and the process of correcting misconceptions was analyzed. The study was conducted as an online class for 18 sessions for third-year high school students, and the program's effectiveness was evaluated by analyzing students' academic achievement, attitudes toward using redox reaction models, and perceptions of AI-based classes. The results showed that the redox reaction judgment program using decision tree classification model was effective in improving students' academic achievement and correcting misconceptions, with particularly notable results in the oxidation number change model and the Goodstein model. As the study progressed, the percentage of students who responded ‘I cannot explain’ decreased, and they demonstrated an understanding of the advantages, disadvantages, and limitations of the models, choosing appropriate models to interpret chemical reactions according to the situation. Furthermore, students modified their approach from interpreting redox reactions based on simple memorization or calculation to developing an attitude of understanding chemical bonds, structures, and electronegativity, interpreting them from a process perspective. The immediate feedback from AI contributed to improving the learning experience by helping students correct errors and automate their schemas, and students showed a positive attitude toward using AI tools in their chemistry learning. These results suggest that the program developed in this study contributed to the cultivation of basic digital and artificial intelligence literacy. Therefore, the need for chemistry classes using artificial intelligence tools that students can easily handle is emphasized, and teachers should understand and utilize the possibilities and limitations of artificial intelligence in a balanced manner as guides and facilitators of learning.