hrd.works

제목·초록·본문에서 찾습니다. 두 글자 이상 입력.

Research Note · 의학교육

정밀교육과 개인맞춤 학습: 자료로 학습을 조정한다는 구상

키워드
정밀교육(Precision Education) · 교육평가(Educational Assessment) · 학습분석(Learning Analytics)
기록
게시
Abstract

정밀교육은 학습자의 수행과 요구에 관한 자료를 바탕으로 교육 경험을 조정하는 접근이다. 네 논문은 이 구상을 형성평가와 자기조절학습, 개별 학습계획과 진로 개발, 강좌 자료에 기반한 AI 조교, 교육체계의 자원 배분이라는 서로 다른 수준에서 다룬다. 이들을 함께 보면 개인화의 교육적 가치는 자료의 세밀성뿐 아니라 피드백의 활용, 학습자의 선택, 교수자의 후속 지원을 통해 구체화된다. HRD와 의학교육의 관점에서는 평가 이후 학습활동이 어떻게 바뀌며 그 변화를 어떤 조직적 지원이 지속시키는지가 연구 과제로 연결된다.

자료를 바탕으로 학습 경험을 조정하는 교육

정밀교육(precision education)은 학습자의 현재 수행, 이전 경험, 학습 속도와 목표에 관한 자료를 활용해 교육 경험을 조정하는 접근이다. 의학교육에서는 공통 역량을 정하되, 도달하는 시간과 방법, 관심 분야를 발전시키는 경로를 다르게 구성한다. 평가 자료와 학습 로그, AI는 이를 지원한다. 조정 대상이 속도인지, 방법인지, 목표인지 구분하고 교수자와 기관의 운영 여건도 살펴야 한다.

초기 평가와 형성평가를 연결하는 정밀교육 설계

학습자의 출발점과 진전에 맞춰 교육을 조정하는 구상은 의학 지식의 증가와 임상의의 역할 변화에서 출발한다(Coates, 2025). 의학 지식이 두 배로 늘어나는 시간은 1950년 50년에서 2021년 약 73일로 짧아졌다. 이에 따라 임상의가 지식을 선별하고 관리하는 역할이 강조된다. 정밀의료의 진단·예측·치료·예방에 대응한 교육 설계는 시험 점수, GPA, 이전 교육 경험과 행동 관찰로 초기 상태를 파악하고, 온라인 학습 로그와 수행 자료로 지원 필요성을 예측한다. 정밀교육의 핵심은 학습자의 현재 수행과 필요에 따라 교육 경험을 배정하고, 이후 평가 결과에 따라 배정을 수정하는 데 있다.

계획에는 학습자·교수자·기관의 요구와 학습자의 자기평가, 미래 목표, 선호하는 학습 방식, 개인적 배경을 반영한다. 역량을 입증한 학습자의 이수 요건을 면제하거나 수정하고, 학습 시점과 반복량, 자료와 교수자의 관여 수준을 달리 설정한다. 기대 수준과 측정 가능한 성과를 제시하고, 즉각적·주기적 형성평가로 전략과 자료를 조정한다. 대시보드와 전자건강기록(EHR)은 사람이 제공하는 피드백과 함께 진전을 확인하는 자료가 된다. AI는 모니터링과 조정을 지원한다. 운영에는 다학제 팀과 IT 전문가의 협력, 개인정보 보호, 정확성과 편향의 주기적 점검이 포함된다.

이 설계가 지향하는 학습자상은 미국의사협회 Accelerating Change Initiative의 Master Adaptive Learner(MAL)와 연결된다. MAL은 지식 습득과 의사결정, adaptive expertise의 발달을 스스로 조절하는 메타인지 모형이다. 호기심과 자기동기, 성장에 열린 태도를 학습의 바탕으로 삼는다. AI가 자료를 찾는 시간을 줄여주면 학습자는 정보원을 선택하고 학습을 조절하며, 코치는 어려움에 대응하는 과정을 지원한다. 사전에 정한 성과를 지향하는 CBME와 MAL을 함께 적용하는 방안도 제안되었다. 실행 방안에는 지도자와 교수자를 위한 AI·기술·코칭 교육, 내부 IT 인력 확보, 소규모 AIEd 프로그램의 반복적 개선이 포함된다. AI 기반 정밀교육이 유용한 조건과 전통적인 교육이 더 신뢰할 만한 조건도 비교한다. 장기적으로는 수련 중 형성한 학습 전략을 평생학습과 자격 유지 활동으로 이어간다는 구상이다.

공통 역량과 개인의 진로를 함께 설계하는 학습계획

CBME의 개인화는 공통 역량 달성과 개인의 잠재력 개발을 함께 지원하는 문제다(An, 2025). 이 논설은 의학교육의 개인화를 다룬 특집호 논문 네 편을 종합하며, 개인화를 CBME의 핵심 철학을 심화하는 과정으로 설명한다. 국가와 지역사회의 의료 필요에 부응하는 필수 역량을 유지하면서 학습자의 속도, 관심, 진로에 따라 교육을 구성한다는 논지다. 개별화 학습(individualized learning)은 공통 목표에 도달하는 속도의 조정으로, 차별화 학습(differentiated learning)은 특성과 선호에 따른 방법의 조정으로 구분한다. 두 접근은 교수자가 주도하며 Mastery Learning에 기반한다. 개인맞춤 학습(personalized learning)은 학습목표 자체의 다양성까지 수용한다.

베트남 VinUniversity의 내과 전공의 교육과정은 개별화된 학습계획(individualized learning plan, ILP)으로 역량 보완과 진로 개발을 다룬다. 공통 목표는 Accreditation Council for Graduate Medical Education-International(ACGME-I)의 핵심 역량 달성이다. 임상역량위원회(Clinical Competency Committee, CCC)가 다면평가로 수행을 검토한다. VinUniversity에서는 6개월마다 종합평가를 하고, 그 결과로 전공의의 개별 학습목표와 전략을 세운다. 구두 증례 발표가 공통 milestone에 미달하면 집중 멘토링이나 추가 실습을 계획한다. 심장학 펠로우십을 희망하면 저널 클럽 주도나 관련 술기의 심화 학습을 포함할 수 있다. 서울대학교 의과대학의 Curriculum Path Model(CPM)에서는 경영, 수학·통계, 문학·철학 등을 부전공 수준으로 학습할 수 있다. 국제보건의료 교육과정은 필수와 선택 과정을 조합한다. 지속연구과정은 의예과부터 본과 4학년까지 연구 경험을 이어가도록 구성한다.

이러한 평가와 경로 설계를 정밀의학교육(precision medical education, PME)으로 발전시키는 구상도 제시되었다. 학습 패턴, 평가 결과, 임상 수행 자료를 분석해 지원을 조정하고, 대학 밖 플랫폼의 학습 경험도 포트폴리오에 모아 평가하는 방식이다. VinUniversity에서는 교수진이 ILP 후속 조치에 할애할 시간이 부족했다. 보완 방안으로 펜실베이니아대학교와 협력한 교수개발과 졸업생을 미래 교수진으로 양성하는 접근이 제시되었다. 서울대학교 의과대학에서는 참여 교수에게 높은 교육점수와 과목 운영비를 제공하고, 공통 강의와 팀티칭, 전담 직원 배치로 업무를 분담했다.

강좌 자료에 기반한 AI 조교의 실제 이용

다트머스 의과대학의 AI 조교 연구는 2학년 Neuroscience & Neurology 강좌에서 익명 대화 기록과 종강 설문을 결합한 혼합방법 연구다(Thesen & Park, 2025). 대상은 2023년 10월–2024년 1월의 92명과 2024년 10월–2025년 1월의 98명이다. 학생들은 각각 14주 강좌에서 자발적으로 도구를 이용했다. getcody.ai에서 첫 코호트에는 GPT-4, 두 번째에는 GPT-4o를 제공했다. 지식 기반은 강의 슬라이드와 교과서 발췌문, 사전학습 자료, 교수자 유인물, 강의계획서 등 영문 문서 145개로 구성했다. 연구진은 문서를 약 200–300단어 단위로 나누고, 질문과 관련된 자료와 출처를 검색해 답변을 생성하는 RAG 방식을 적용했다. 응답은 선별된 문서에 근거하도록 제한했다. 학생들은 LMS와 채팅 링크로 언제든 이용할 수 있었다. 분석에는 Technology Acceptance Model(TAM)의 지각된 유용성과 사용 용이성, 시험 전 이용 증가를 예상하는 인지부하이론을 활용했다.

두 학년도에 걸쳐 대화 360건과 메시지 2946개가 기록되었으며, 대화 길이의 중앙값은 2턴이었다. 학년도가 바뀌면서 대화는 256건에서 104건으로, 메시지는 1922개에서 1024개로 감소했다. 두 코호트를 합친 시험 전 3일의 일평균 대화량은 5.11건으로 일반 기간의 1.14건보다 많았다. 통합 비교 결과는 t(252) = 3.95, p < 0.001, Cohen’s d = 1.74로 보고되었다. 두 번째 코호트만 분석했을 때는 차이가 통계적으로 유의하지 않았고(p = 0.1073), 시험 전 이용 증가는 첫 코호트에서 더 컸다. 질문 주제는 신경해부학·생리학 65.9%, 임상 증후군·질환 53.7%, 임상 사례 토의 14.3%, 영상·진단 기법 7.0%였다. 이 비율은 한 대화에 여러 주제를 부여한 결과다. 소뇌 충부의 기능이나 Brown-Sequard syndrome처럼 배운 개념을 확인하는 질문이 많았다. 주제 분석에는 GPT-4o와 인간 검토를 활용했다. 대화의 15%를 검토했을 때 인간 코딩과 LLM 코딩의 일치율은 78.4%, 가중 Cohen’s κ는 0.64였다.

종강 설문 응답자 중 한 번 이상 이용한 학생은 첫 코호트에서 39.3%(22/56), 두 번째에서 26.4%(23/87)였다. 유용성은 5점 만점에 각각 2.8점(SD = 1.4), 3.3점(SD = 1.0)이었다. 학생들은 즉시 질문하고 여러 슬라이드를 찾아보는 시간을 줄일 수 있어 긍정적으로 평가했다. 공식 자료에 근거한다는 점도 응답의 신뢰도를 높였다. 다만 특정 슬라이드로 학습 안내서를 만들거나 비교·요약표를 구성해 달라는 요청에는 응답이 기대에 미치지 못했다는 의견이 있었다. 연구진은 개인별 이용을 추적하지 않고 자발적 이용 기록과 설문을 분석했다. 따라서 결과는 강좌 일정에 따른 이용 양상과 학생이 경험한 유용성을 중심으로 해석한다. 연구진은 학습 습관이 형성되는 초기 강좌에 도구를 도입하고, 출처 위치를 확인할 링크와 사용법 교육을 제공하자고 제안했다. 시험 준비 중에는 직접 답변을 제공하고 평상시에는 Socratic tutoring을 활용하는 방안도 논의했다.

기록의 세밀성과 교육체계의 정밀성을 구분하기

정밀성의 의미를 검토한 논문은 기존 정의와 프로그램 개발 및 교육 리더로서의 경험을 바탕으로 정밀성을 추구할 대상과 수준을 다룬다(Patocka et al., 2025). 소속 기관은 2015년부터 의학 연구·교육·기술 사업에서 정밀성을 우선 과제로 삼았다. 2016년 프로그램 개발 구상에서는 정밀교육의 7개 영역을 제시했다. 개인별 학습 기회와 경로, 교수·평가 방법, 데이터·분석·평가, 입학·자격 부여·채용, 학습환경, 체계, 사회적 책무와 인력 수요다. 정밀성의 의미는 참값에 가까운 정확성과 반복 측정의 일관성에 더해, 충실도(fidelity), 세밀성(exactitude), 명료성(clarity), 꼼꼼함(meticulousness)으로 확장했다. 적용 대상에 따라 의미가 달라지므로 단일 정의로 고정하기보다 유사한 정의와 차이를 공통 틀에서 다루는 pattern theory를 제안했다.

수행을 관찰하고 기록할 때와 기록을 해석해 진급을 결정할 때 요구되는 정밀성의 수준은 다르다. 논문에서는 수행이 평가로 이어지는 과정을 6단계로 구분하고, 각 단계의 개선이 이후 판단에 미치는 영향을 검토했다. 전공의 프로그램 책임자로서 제시한 경험에 따르면, CBME 도입 후 하나의 총괄평가 양식이 28개가 넘는 EPA로 바뀌었다. 역량 기록은 정밀해졌지만 피드백의 구체성과 실행 가능성은 낮아졌다는 설명이다. 면접 점수의 평가자 간 신뢰도를 높이는 데 자원을 집중하면 입학 기준과 장기적인 의료인력 수요의 관계를 검토할 여력이 줄어들 수 있다는 예도 제시했다.

정밀성을 어느 영역에서 얼마나 높일지는 자원 제약, 지속 가능성, 다른 교육 업무에 미치는 영향을 고려해 선택할 문제다. CBME도 학습자마다 다른 속도에 맞춰 교육을 조정하므로 정밀교육의 한 형태로 보았다. 다만 운영 시간과 추적·측정 수단은 진료 제공과 의사 인력 계획에도 영향을 미친다. 양질의 데이터는 학습 기회의 격차를 파악하고 다양한 요구를 지원하는 데 활용할 수 있다. 표준화 방식과 자원 배분, 데이터의 편향은 지원이 누구에게 어떻게 제공되는지를 좌우한다.

논의

AI 조교 연구에서 응답 정확도를 체계적으로 평가하지 않은 것은 RAG의 역할을 해석할 때 고려할 한계다. EPA 도입 후 기록과 피드백의 변화는 프로그램 운영 경험에 근거한 사례로, 해당 맥락에서 해석할 자료다. HRD와 의학교육을 연결하는 연구에서는 평가 이후 학습자가 선택한 활동, 교수자의 후속 피드백, 이를 뒷받침한 시간과 보상 구조를 함께 추적할 수 있다.

참고문헌