🧠 의학교육과 학습 분석(Learning Analytics), 어디까지 왔을까?
안녕하세요! 오늘은 제가 흥미롭게 읽은 논문 하나를 소개해보려고 해요.
바로 의학교육에서의 학습 분석(Learning Analytics)의 윤리적 고려사항에 관한 비판적 문헌고찰입니다.
이 글을 통해서,
- 학습 분석이 의학교육에 어떤 방식으로 쓰이고 있는지,
- 어떤 기대와 우려가 공존하고 있는지,
- 우리가 앞으로 어떤 방향으로 나아가야 할지
차분하게 함께 정리해보려고 해요.
🔍 학습 분석(Learning Analytics)이 뭐예요?
쉽게 말해, 학습 분석은 학습자의 활동 데이터를 수집하고 분석해서,
학습 성과를 향상시키거나 교육 프로그램을 개선하는 데 활용하는 방법이에요.
“Learning analytics is the measurement, collection, analysis and reporting of data about learners and their contexts, for purposes of understanding and optimizing learning and the environments in which it occurs.”
(The Society for Learning Analytics Research, 2023)
요즘은 빅데이터(Big Data) 기술과 접목되면서,
이런 학습 분석이 **의학교육(Medical Education)**에도 점점 더 많이 사용되고 있어요.
📈 의학교육에서 학습 분석이 어떻게 쓰이고 있을까?
논문에서는 학습 분석의 활용을 네 가지 큰 테마로 정리하고 있어요:
- 학습 과정과 교수법 분석 (Learning process and pedagogy)
→ 개별 학습자의 학습 패턴을 추적하고, 효과적인 학습 전략을 파악해요. - 사후 평가 (Retrospective assessment)
→ 누가 어려움을 겪고 있는지, 누가 개입이 필요한지 확인할 수 있어요. - 예측 평가 (Prospective assessment)
→ 학습자의 미래 성과나 졸업 시점까지 예측할 수 있어요. - 교육 개선 (Educational improvement)
→ 교육 시스템 전체를 정밀하게 개선하는 데 도움을 줄 수 있어요.
흔히 *정밀 교육(Precision Education)*이라고도 불려요!
⚖️ 그런데, 윤리적인 문제는 없을까?
있어요! 😥
연구진은 이 분야의 급속한 발전과 함께 **윤리적 함의(Ethical Implications)**를 반드시 짚고 넘어가야 한다고 강조해요.
논문에서 제시한 4가지 핵심 윤리 쟁점은 다음과 같아요:
1. 데이터의 신뢰성 (Trustworthiness of data)
- 데이터에 편향이 들어갈 수 있어요.
- 예: 설문 피로(survey fatigue), 평가자의 암묵적 편향 등
“Data collected through assessment systems often have implicit and hidden biases.”
(Cirigliano et al., 2017)
2. 방법론의 신뢰도 (Reliability of methodology)
- 분석 도구나 알고리즘이 제대로 설계되지 않았다면, 엉뚱한 결론을 낼 수도 있어요.
“If the methodologies used to derive and evaluate learning algorithms are not sound, then the results generated from them may be inherently incorrect.”
3. 프라이버시와 데이터 관리 (Privacy, Confidentiality, and Management)
- 학습자는 자신이 어떤 데이터를 제공하고 있는지, 누가 이 데이터를 보고 있는지 모르는 경우가 많아요.
“Learners are often not given autonomy over when and where they are assessed, how frequently they are assessed, or what results may occur as the consequences of assessment outcomes.”
4. 문제 학습자 낙인 (Labeling learners as “problematic”)
- 알고리즘이 어떤 학습자를 ‘문제 있는 학습자’로 잘못 분류하면, 자기충족적 예언(self-fulfilling prophecy)이 될 수 있어요.
“Labeling learners as ‘problematic’... could lead to a feed-forward bias that negatively impact a student’s self-perceptions and hinder further development.”
🧭 우리가 지켜야 할 윤리 원칙들
연구진은 이 문제를 Beauchamp와 Childress의 생명윤리 4원칙에 따라 분석했어요:
- Beneficence (선행) → 이익이 해를 넘어야 한다
- Nonmaleficence (악행금지) → 해를 끼치지 말아야 한다
- Autonomy (자율성) → 학습자의 자기결정권을 존중해야 한다
- Justice (정의) → 혜택과 부담이 공정하게 분배되어야 한다
🌱 그럼에도 불구하고, 가능성은 충분해요!
학습 분석은 잘만 활용하면 의학교육을 정말 정밀하게 만들 수 있어요.
- 도움이 필요한 학습자를 일찍 발견하고,
- 우수 학습자에겐 더 많은 기회를 줄 수 있죠.
“That possibility, sometimes called precision education, could make medical education more effective and efficient.”
(Triola & Burk-Rafel, 2023)
또, 학습 분석을 통해 기존 시스템의 편향을 감지하고 수정하는 데도 활용할 수 있어요!
“Learning analytics and big data may provide mechanisms for identifying where biases exist in medical education.”
🧩 마무리하며…
이 논문은 우리에게 다음과 같은 메시지를 전해줘요:
“To successfully implement learning analytics in medical education, educators must use ethically informed decision-making processes as they craft new systems.”
👉 “윤리적으로 숙고된 의사결정”이 바로 핵심입니다.
앞으로 우리가 더 많은 데이터를 다룰수록, 이 원칙은 더욱 중요해질 거예요.
서론 (Introduction)
**학습 분석(Learning analytics)**은 학습자의 수행에 대한 교육 데이터를 *통계적 모델링(statistical modeling)*과 결합하여 의료교육(Medical Education) 분야에서 점점 더 많이 활용되고 있습니다 (ten Cate et al., 2020).
**학습 분석(Learning analytics)**이란 학습자 및 그들의 맥락에 관한 데이터를 측정(measurement), 수집(collection), 분석(analysis), *보고(reporting)*하는 것으로, 그 목적은 학습과 학습이 일어나는 환경을 이해하고 최적화하는 것입니다 (The Society for Learning Analytics Research, 2023).
_대용량의 복잡한 데이터(Big data)_는 학습 분석을 가능하게 하는 연료(fuel) 역할을 하며, 종종 학습자에게 제공되는 **개입(interventions)**과 **향상(improvements)**을 이끄는 데 사용됩니다 (Thoma et al., 2020). 이러한 접근 방식은 의학교육 시스템 전반을 개선할 수 있는 유망한 길을 제시하지만, 학습자에 대한 의사결정을 내릴 때 학습 분석이 가지는 윤리적 함의도 함께 고려해야 합니다 (ten Cate et al., 2020; Thoma et al., 2020).
대량의 학습자 데이터를 해석하는 개념은 새로운 것이 아닙니다. (Krumm et al., 2018) 지난 10년 동안, 교육자들은 의학교육 환경에서 데이터를 수집하고 분석하며 해석할 수 있는 가능성에 대해 지속적으로 언급해 왔습니다 (Chan et al., 2018; ten Cate et al., 2020). 데이터의 수집, 분석, 해석 활동을 통해 정보를 제공받을 수 있는 구체적인 교육 과정들은 다음과 같습니다:
- 학업 성취도 평가 (Assess academic progress),
- 미래 성과 예측 (Predict future performance),
- 피드백 및 개별 학습 계획으로 대응할 수 있는 잠재적 문제 파악 (Identify potential issues that could be addressed with feedback and individualized learning plans)
(Consortium, 2011)
학습 분석이 기존의 교육 측정 혹은 데이터 마이닝(Data Mining)과 구별되는 점은, 개별 학습자의 진행 상황과 교육 시스템 전체에 대한 통찰을 제공하기 위해 학습자 데이터에 특별히 초점을 맞춘다는 것입니다.
학습 분석은 학습자의 경험과 성과를 향상시킬 수 있는 유망한 방법들을 제시합니다. 그러나 의학교육에서 더 많은 데이터가 수집되고 활용될수록, 우리는 그 사용 방식에 대해 비판적으로 사고하고 윤리적 고려를 강화할 필요가 있습니다. 예를 들어, 학습자에게서 수집된 데이터에는 *암묵적 편향(implicit biases)*이 포함될 수 있으며, 이러한 편향은 결과적으로 편향된 예측 알고리즘을 만들어낼 수 있습니다 (Baker & Hawn, 2021; Thoma et al., 2023). 또한 새로운 교육 개입을 설계하고 실행할 때에는, 그 개입의 결과가 어떻게 사용될 수 있는지에 대한 신중한 고려가 필요합니다.
예를 들어, 알고리즘이 특정 학습자가 일정 기준을 충족하지 못한다고 제안할 경우,
- 그 학습자는 **보충 교육(remediation)**이 필요한 것인가?
- 아니면 프로그램에서 퇴출되어야 하는가?
- 학습자의 데이터가 다른 학습자와 비교되거나 교수자에게 시각화될 때, 그 학습자는 어떤 수준의 프라이버시 권리를 가질 수 있는가?
개별 학습자로부터 방대한 데이터를 수집하는 것이 표준이 되어가는 지금, 우리는 학습 분석을 윤리적이고 공정하게 사용하기 위한 고민을 반드시 해야 합니다.
이 논문에서는, 의학교육 내에서 학습 분석과 빅데이터의 활용을 비판적으로 고찰합니다.
특히, 이러한 방법들의 윤리적 사용에 대해 새롭게 제기되는 문제들을 다룬 문헌을 검토하고,
그 내용을 **Beauchamp와 Childress의 생명윤리 4원칙(Beauchamp & Childress, 2001)**을 기반으로 비판적으로 분석합니다.
방법 (Methods)
리뷰 프로토콜 (Review protocol)
이 비판적 문헌고찰(critical review)에 포함할 논문을 선정하기 위해, 우리는 PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-analysis Extension for Scoping Reviews) 지침을 활용하였습니다 (Tricco et al., 2018).
PRISMA-ScR는 범위 고찰(scoping review)의 질과 투명성을 보장하기 위한 표준 가이드라인입니다.
이 리뷰에 포함되기 위해서는 다음 기준을 만족해야 했습니다:
- 의학교육 내에서 학습 분석(learning analytics) 또는 **빅데이터(big data)**의 현재 혹은 제안된 활용을 다룰 것
- 학습 분석 또는 빅데이터의 도입 및 구현 과정에서의 윤리적 고려사항 혹은 도전 과제를 언급할 것
- 영어로 출판된 peer-reviewed 논문일 것
관련 문헌은 **MEDLINE (PubMed)**와 SocINDEX 데이터베이스를 통해 검색되었으며, 검색 시점은 데이터베이스 시작 시점부터 2021년 4월까지로 설정하였습니다.
검색어 (Search terms)
문헌 검색 전략은 미시간대학교(University of Michigan)의 전문 사서들과 협업하여 개발되었습니다. 초기 검색 전략은 한 명의 사서가 설계하였으며, 의학 주제어(MeSH, Medical Subject Headings) 및 관련 키워드를 활용하였습니다. 이후 팀 내 논의를 거쳐 반복적으로 개선되었고, 제2의 사서에 의해 peer review를 받았습니다. 최종 MEDLINE 검색 전략은 다음과 같습니다:
(“Education, Medical” [Mesh] OR “medical education” [tiab] OR “medical training” [tiab] OR “medical trainee” [tiab]
OR “medical trainees” [tiab] OR resident [tiab] OR residents [tiab] OR residency [tiab] OR
“medical students” [tiab] OR “medical student” [tiab] OR intern [tiab] OR interns [tiab]
OR fellow [tiab] OR fellows [tiab] OR fellowship [tiab] OR fellowships [tiab]
OR “Competency-Based Education“[Mesh] OR education [sh])
AND
(big data [mh] OR “big data” [tiab] OR “learning analytics” [tiab] OR “predictive analytics” [tiab])
동일한 키워드를 활용하여 **SocINDEX에서도 병렬 검색(parallel search)**이 수행되었습니다.
문헌 선정 기준 (Selection of sources of evidence)
다음 기준을 충족하는 논문을 포함시켰습니다:
- 학부 또는 대학원 의학교육 내에서 학습 분석 또는 빅데이터를 언급
- 그 활용 가능성, 구체적 도전 과제, 또는 의미 있는 시사점을 논의할 것
두 데이터베이스 간 중복 제거 후, 총 272편의 고유한 제목이 선별되었습니다. 제목과 초록을 기준으로 적합성 여부를 검토한 결과, 248편은 기준에 부합하지 않아 제외, 총 24편의 논문을 전문(full-text) 수준에서 검토하였습니다. 이 중 6편은 최종적으로 제외되었으며, 이는 Figure 1에 요약되어 있습니다.
데이터 차팅 과정 (Data charting process)
모든 저자와 함께 **데이터 추출 변수(data items)를 결정하기 위한 데이터 차팅 양식(data charting form)**을 개발하였습니다.
- 두 명의 리뷰어(PY, MAM)가 독립적으로 데이터를 추출하고,
- 그 결과를 **주연구자(BCG)**와 논의하였습니다.
- 데이터 차팅 양식은 반복적(iterative) 과정에서 지속적으로 업데이트되었으며,
- 의견 불일치는 합의(consensus)를 통해 해결하였습니다.
데이터 항목 (Data items)
두 명의 리뷰어가 각 논문으로부터 다음 항목을 독립적으로 추출하였습니다:
- 출판 연도 (Publication year)
- 제1저자와 교신저자의 소속 국가
- 논문 유형 (예: 원저, 해설, 리뷰 등)
- 의학교육에서 학습 분석 또는 빅데이터의 현재 및 제안된 활용 사례
- 해당 활용에 대해 언급된 윤리적 함의(ethical implications)
결과 종합 (Synthesis of results)
- **기초 통계(descriptive statistics)**를 이용하여 논문 특성을 요약하였습니다.
- 이후, 논문들에서 학습 분석 및 빅데이터의 활용 방식과 윤리적 시사점에 관한 내용을 추출하였고,
- 이를 분석하여 **공통된 패턴과 주제(theme)**를 도출하였습니다.
초기 분석 결과는 저자 전체에게 공유되어 피드백을 받고, 이를 바탕으로 두 번째 데이터 추출 및 코딩 과정을 수행, 그 결과 **더 정제된 주제 집합(smaller set of themes)**을 도출하였습니다. 최종적으로, 모든 저자들이 논의하여 주제를 반복적으로 수정 및 정제하였고, **합의(consensus)**에 도달하였습니다.
결과 (Results)
기술 통계 (Descriptive statistics)
검색을 통해 총 **272편의 고유한 논문 기록(unique records)**이 확인되었으며, 이 중 **18편의 전자본 논문(full-text articles)**이 최종 분석 대상으로 포함되었습니다.
- 이 중 논평(commentary) 논문이 가장 많았으며 (n = 9, 50%),
- 다음으로 원저(original research) 논문 (n = 7, 39%),
- 리뷰(review) 논문 (n = 2, 11%) 순이었습니다. → 자세한 내용은 Table 1 참고
**제1저자(first author)**가 속한 국가는 다음과 같이 다양하였습니다:
- 캐나다 (n = 7, 39%)
- 사우디아라비아 (n = 3, 17%)
- 미국 (n = 3, 17%)
- 스웨덴 (n = 2, 11%)
- 호주, 싱가포르, 영국 (각각 n = 1, 6%)
논문 출판 연도는 2013년 7월부터 2021년 4월까지이며, 가장 많은 논문이 출판된 연도는 2014년과 2018년으로 각각 **4편(22%)**이었습니다. 추출된 데이터는 의학교육에서의 학습 분석과 빅데이터의 활용 사례와 해당 활용에서의 윤리적 함의를 포함하며, _Table 2_에 요약되어 있습니다.
의학교육에서의 학습 분석 활용 (Use of learning analytics in medical education)
학습 분석과 빅데이터의 활용에 대해, 다음의 **4가지 주요 주제(theme)**가 도출되었습니다:
- 학습 과정 및 교수법 (Learning process and pedagogy)
- 사후 평가 (Retrospective assessment)
- 사전 평가 및 예측 (Prospective assessment, including prediction)
- 교육 개선 (Educational improvement)
1️⃣ 학습 과정 및 교수법
학습 분석과 빅데이터는 주로 개별 학습자의 학습 과정을 밝혀내는 데 활용되었습니다 (Chahine et al., 2018; Chan & Zary, 2019; 등). 또한, 다음과 같은 방식으로 활용됩니다:
- 학습 패턴 분석 및 학습 참여도 추적 (Chan & Zary, 2019; Saqr, 2018 등)
- 다양한 학습 방식의 효과성 이해
- 학습자에게 적시의 피드백 제공
즉, 의학교육에서 학습 분석의 핵심적 용도는 → 학습자의 수행을 추적하고, 학습 방법의 효과를 파악하며, 개인화된 피드백을 제공하는 것입니다.
2️⃣ 후향적 평가 (Retrospective assessment)
학습 분석은 또한 개별 학습자의 성과를 되돌아보는 데, 그리고 교육 프로그램의 질을 평가하는 데 활용됩니다 (Arora, 2018; Holmboe et al., 2020 등). 대표적인 활용 예는 다음과 같습니다:
- 학습에 어려움을 겪는 학습자 식별 (struggling learners)
- 조기 개입이 필요한 대상 파악
- 개별 학습자의 역량 기반 데이터 제공, 이를 통해
- 자동화된 점수 산정 (automated scoring)
- 시간에 따른 학습자 발달 궤적 추적
- 레지던트-환자 상호작용의 적절성 평가
- 효과적인 학습 전략 분석 및 성과 통찰
3️⃣ 전향적 평가 및 예측 (Prospective assessment and prediction)
학습 분석은 학습자의 학업 및 임상 성과를 예측하는 데 유용하다고 여겨집니다 (Ellaway, 2013; Saqr, 2015, 2018 등).
주요 활용 방식은 다음과 같습니다:
- 레지던트의 졸업 준비 상태 및 독립 진료 가능 시점 예측
- 훈련 이후 실무(performance post training) 예측
→ 이는 교육 전반을 통합적으로 파악할 수 있게 해줍니다.
4️⃣ 교육 개선 (Educational improvement)
다수의 논문에서, 학습 분석과 빅데이터가 의학교육의 전반적인 개선에 중요한 역할을 한다고 언급했습니다 (Chan & Zary, 2019; Thoma et al., 2020 등). 특히 강조된 개념은 다음과 같습니다:
- **정밀 교육(precision education)**의 실현 가능성
- 개인화된 콘텐츠 제공
- 학습자의 요구에 맞춘 지원 제공
- 맞춤형 피드백 제공
- 효율적인 개입을 통해 빠르게 대응하는 체계
다음 부분도 이어서 보내주시면 계속 번역해드리겠습니다.
네, 이어서 Ethical Considerations of Learning Analytics in Medical Education 섹션을 번역해 드리겠습니다. 학술성과 전문성을 유지하되, 중요한 윤리적 쟁점들을 강조해 명확하게 전달하겠습니다.
의학교육에서 학습 분석의 윤리적 고려사항
(Ethical Considerations of Learning Analytics in Medical Education)
의학교육에서 **학습 분석(learning analytics)**과 빅데이터(big data) 활용과 관련된 윤리적 고려사항을 검토한 결과, 다음과 같은 네 가지 핵심 주제가 도출되었습니다:
- 데이터의 신뢰성 (Trustworthiness of data)
- 방법론의 신뢰도 (Reliability of methodology)
- 프라이버시, 기밀성, 데이터 관리 (Privacy, confidentiality, and management of data)
- 학습자에 대한 문제 낙인(Labeling of learners as “problematic”)
1️⃣ 데이터의 신뢰성 (Trustworthiness of data)
의학교육에서 학습 분석을 적용할 때 가장 핵심적인 윤리적 우려 중 하나는, 학습자에 대해 수집된 데이터가 신뢰할 수 있는가에 관한 문제입니다 (Chan et al., 2018; Ellaway et al., 2014, 2019; Holmboe et al., 2020; Thoma et al., 2020).
- 구체적으로는 데이터의 품질(quality), 대표성(representativeness), **정확성(precision)**이 주요 검토 대상이었습니다 (Ellaway et al., 2014).
- 특히, **평가 시스템을 통해 수집된 데이터에는 암묵적 편향(implicit bias) 또는 숨겨진 편향(hidden bias)**이 포함될 수 있음이 지적되었습니다 (Cirigliano et al., 2017).
- 학습자의 통제 밖에서 수집된 데이터가 그들의 실제 역량을 정확히 반영하지 못할 수 있다는 우려도 제기되었습니다 (Chahine et al., 2018).
- 설문조사를 통한 데이터 수집은 종종 *응답 피로(survey fatigue)*로 인해 데이터의 강건성(robustness)이 약화될 수 있습니다 (Ellaway et al., 2019).
- 일부 연구는 호손 효과(Hawthorne effect)—즉, 관찰되고 있다는 인식이 학습자의 행동을 변화시키는 현상—로 인해 데이터 신뢰성이 더 손상될 수 있다고 보고합니다 (Ellaway, 2013; Ellaway et al., 2014).
2️⃣ 방법론의 신뢰도 (Reliability of methodology)
두 번째 윤리적 고려사항은 데이터 분석에 사용되는 방법론의 신뢰성입니다 (Chan & Zary, 2019; Ellaway et al., 2014, 2019).
- 여러 연구자들은 빅데이터 분석에서 '신호와 잡음'을 구분하는 어려움을 지적하였고, 이는 본질적인 한계로 작용할 수 있다고 우려했습니다 (Ellaway et al., 2019).
- 특히 양적 분석을 통해 도출되는 상관관계나 패턴이 반드시 인과관계를 반영하지 않을 수 있음이 반복적으로 지적되었습니다 (Chan et al., 2018; Ellaway, 2013).
즉, 정교한 분석 기법을 적용하더라도, 그 결과를 맹신하는 것은 위험할 수 있으며 방법론적 타당성에 대한 지속적인 검토가 요구됩니다.
3️⃣ 프라이버시, 기밀성, 데이터 관리 (Privacy, Confidentiality, and Management of Data)
세 번째 주요 윤리 주제는 빅데이터의 수집 및 관리에서의 프라이버시와 기밀성 문제입니다 (Arora, 2018; Chan & Zary, 2019; Saqr, 2018 등).
- 연구자들은 학습자에 대한 더 많은 정보를 추적하려는 시도가,
예: 모바일 기기를 통한 위치 정보(geolocation) 수집
학습자의 **자율성(autonomy)**과 프라이버시를 침해하는 것으로 간주될 수 있으며,
그 결과 학습자와 기관 간의 신뢰 저하를 초래할 수 있다고 경고했습니다 (Arora, 2018; Ellaway et al., 2019).
데이터의 범위를 넓힐수록, 그 활용에 대한 정당성과 투명성을 확보하는 것이 더욱 중요해집니다.
4️⃣ 문제 낙인(Labeling of Learners as “Problematic”)
마지막으로, 많은 논문들이 학습 분석을 통해 학습자를 ‘문제 있는 학습자(problematic learner)’로 낙인찍는 위험성에 대해 우려를 표했습니다 (Chan et al., 2018; Ellaway, 2013; Holmboe et al., 2020).
- 예를 들어, 어떤 학습자가 **“위험에 처한 훈련생(trainee-at-risk)”**으로 지정되면,
이는 향후 교수자들의 기대와 행동에 영향을 주는 **피드포워드 편향(feed-forward bias)**을 일으킬 수 있습니다.
→ 결과적으로 학습자의 **자기 인식(self-perception)**을 훼손하고 개인 발달을 방해할 수 있습니다.
또한, 이러한 라벨이 잘못 부여되었을 경우,
그 이후에 어떤 일이 일어나는지에 대한 **경험적 근거(empirical evidence)**는 매우 부족하다는 점도 문제로 지적됩니다.
논의 (Discussion)
의학교육 내에서 **학습 분석(Learning Analytics)**은 다양한 유망한 응용 가능성을 가지고 있지만, 본 고찰은 학습자의 교육 경험을 더 잘 이해하고 개선하기 위한 목적으로 학습 분석을 적용할 때 발생할 수 있는 여러 가지 우려 사항들을 드러냅니다. 학습 분석은 개별화된 학습 계획과 맞춤형 경험을 제공함으로써 학습자의 의학교육을 증진시킬 잠재력이 있습니다. 그러나 이러한 도구를 학습자의 진전(progress)을 평가하거나 결정하는 데 사용할 경우, **의도치 않은 결과(unintended consequences)**가 초래될 수 있으며, 이는 빅데이터를 의학교육에 도입할 때 반드시 전면에 놓고 고민해야 할 요소입니다.
학습 분석의 윤리적 고려사항 요약
문헌 검색을 통해 다음과 같은 윤리적 고려사항이 학습 분석과 관련됨을 확인하였습니다:
- 데이터의 신뢰성(trustworthiness)
- 데이터를 수집·분석하는 방법론의 신뢰성(reliability of methodology)
- 데이터 수집 및 공유와 관련된 프라이버시 문제(privacy concerns)
- **학습 알고리즘 결과를 기반으로 학습자를 낙인(labeling)**하는 위험
이러한 고려사항은, 학습 분석이 의학교육을 변화시키고 개선할 수 있는 잠재력을 지니는 한편, 학습자에게 미칠 수 있는 결과를 신중하게 검토해야 함을 시사합니다. 특히, 학습자들은 보통 평가가 이루어지는 환경, 평가 도구의 선택, 평가 결과가 초래하는 결과에 대해 거의 통제권을 가지지 못하며, 이러한 맥락에서 학습 분석의 영향은 더욱 중요하게 다가옵니다.
🔎 Beauchamp & Childress의 생명윤리 원칙을 활용한 윤리적 분석
우리는 Beauchamp와 Childress의 의료 윤리 4원칙을 적용하여, 의학교육에서 학습 분석의 증가가 학습자에게 초래할 수 있는 윤리적 영향을 분석하였습니다 (Beauchamp, 2007; Beauchamp & Childress, 2001).
이 윤리적 틀은 환자 또는 연구 참여자와 같은 취약한 대상에 대한 생명윤리적 연구를 분석하는 데 기초를 제공하며,
이는 의학교육 시스템 내에서 학습자 및 그들의 환자에게 영향을 미치는 교육 개입의 평가에도 유용합니다.
✅ 선행의 원칙 (Beneficence)
“이익을 해보다 더 많이 제공하라”는 원칙
문헌에서는 학습 분석이 다음과 같은 긍정적 효과를 제공할 수 있음을 보여주고 있습니다:
- 개별 학습자의 학습 패턴에 대한 통찰
- 정밀하고 개인화된 학습 계획 수립
- 교육 프로그램의 질 향상 및 국가 단위 교육 시스템의 개선 가능성
이러한 이점들은 학습 분석을 옹호하는 데 있어 매우 강력한 근거가 됩니다.
하지만, 동시에 다음과 같은 **잠재적 해악(harms)**을 함께 고려해야 합니다:
- 교육 데이터의 기밀성과 프라이버시 침해 가능성
- 불완전하거나 잘못된 방법론에 기반한 개입
- 오류 있는 알고리즘으로 인해 학습자를 잘못 분류하거나 낙인찍는 문제
따라서 이익과 위험 간의 균형을 신중히 평가해야 합니다.
❌ 악행 금지의 원칙 (Nonmaleficence)
“해를 끼치지 말라”는 원칙
본 고찰은 데이터 수집 방식, 분석 방법론, 내재된 편향 등과 관련된 다양한 우려를 보여주었습니다.
이러한 문제들은 교육 프로그램이나 시스템 수준의 결정뿐 아니라, 개별 학습자에게 직접적인 해악을 미칠 수 있습니다.
예를 들어:
- 정량적 데이터 수집의 우선순위가 증가하면서,
*근무 시간 준수(duty hour compliance)*처럼 측정 가능한 행동에만 집중될 수 있습니다.
→ 이는 의사소통(communication), 공감(compassion) 같은 정성적이고 측정 어려운 역량의 중요성을 희석시킬 수 있습니다.
또한,
- 학습 분석을 통해 학습자를 ‘문제 있는 학습자’로 식별할 경우,
이는 **자기충족적 예언(self-fulfilling prophecy)**을 불러올 수 있습니다.
→ 잘못된 예측에 의해 학습자는 자율성 감소, 환자 진료 기회 제한, 책임 부여 축소 등
_임상 환경 내에서의 기회 상실_을 경험할 수 있습니다.
🤖 데이터와 알고리즘의 한계, 그리고 학습자에 대한 영향
학습자가 기대되는 진료 수준을 충족하지 못하는 경우 이를 식별하는 일은 중요하지만, 동시에 데이터셋과 알고리즘이 평가 결과에 영향을 주는 복잡한 맥락을 충분히 포착하지 못할 수도 있다는 사실을 인식하는 것도 매우 중요합니다.
예를 들어,
- 한 번의 **저조한 수행(poor performance)**이 있었던 학습자가,
그 단일한 결과가 포함된 데이터셋에 의해 향후 수련 평가에까지 부정적 영향을 받게 되는 것이 과연 정당한가? - 또는 **더 엄격한 평가자(strict rater)**에게 평가받은 학습자가,
**관대한 평가자(lenient rater)**에게 평가받은 학습자보다 낮은 수행 능력을 가진 것으로 간주되는 것이 과연 타당한가?
이와 같은 질문은 의학교육에서 새로운 논점은 아니지만, 데이터 기반 알고리즘이 미래까지 학습자의 경로에 영향을 미치는 경우, 이러한 문제는 학습 분석을 본격 도입하기 전에 반드시 해결되어야 할 과제입니다.
🧭 자율성(Autonomy)과 학습 분석
학습 분석의 윤리적 고려사항은 누가 알고리즘의 결과를 해석하고 의사결정을 내리는가,
그리고 그 결정이 학습자에게 어떤 영향을 미치는가에 대한 문제와도 밀접하게 관련됩니다.
**자율성(Autonomy)**은 “스스로 결정할 수 있는 능력을 가진 사람의 선택을 존중해야 한다”는 윤리 원칙입니다 (Beauchamp & Childress, 2001).
본 비판적 문헌고찰에서는, 의학교육에서의 빅데이터 활용이 학습자의 프라이버시와 자율성을 위협할 수 있다는 우려가 강하게 제기되었습니다.
📌 학습자의 자율성이 위협받는 방식:
- 학습자는 자신의 데이터가 언제, 어떻게 수집되고, 누가 접근 권한을 가지며, 어떻게 사용되는지조차 알지 못하는 경우가 많음
- 평가가 이루어지는 시간, 장소, 빈도에 대한 통제권이 없음
- 자신의 성과(performance data)에 누가 접근할 수 있는지, 어떤 데이터가 공유되고, 그 데이터가 어떤 방식으로 미래 의사결정에 사용되는지에 대해 거의 영향력을 행사하지 못함
예를 들어, 특정 평가에서 **불만족스러운 결과(unsatisfactory performance)**를 받은 학습자가,
그 한 번의 결과로 인해 향후 환자 진료나 기술 습득 기회를 배제당할 수 있습니다.
- 이러한 상황에서, 학습자는 데이터 수집 시점, 사용 방식, 평가 기준 결정 과정에 대한 통제권이 거의 없으며,
- 결과적으로 알고리즘의 출력 결과에 의해 부당하게 불이익을 받을 위험이 있습니다.
- 즉, 학습자는 스스로의 오류를 설명하거나 정정할 기회를 갖지 못하는 취약한 입장에 놓이게 됩니다.
따라서, 학습 분석의 활용은 반드시 학습자와 함께(co-produce) **데이터 활용의 규칙과 거버넌스 구조(governance structure)**를 공동 설계해야 합니다 (Thoma et al., 2021).
⚖️ 정의(Justice)와 학습 분석
학습 분석의 또 다른 윤리적 논점은 **정의의 원칙(principle of justice)**과 관련되어 있습니다.
**정의(Justice)**는 “이익, 위험, 비용이 적절하고 공정하게 분배되어야 한다”는 윤리 원칙입니다 (Beauchamp & Childress, 2001).
그러나 **신뢰할 수 없는 데이터(untrustworthy data)**를 바탕으로 학습 분석을 수행할 경우, **의학교육 내에 이미 존재하는 편향(bias)**을 **오히려 영속화(perpetuate)**할 수 있습니다.
예시:
- **성별이나 인종에 대한 암묵적 편향(implicit bias)**이 포함된 평가 데이터를 알고리즘에 학습시키는 경우,
→ 이 알고리즘은 **실제 역량을 반영하지 못하는 추천 결과(recommendations)**를 생성할 수 있음
따라서, 데이터에 포함된 편향의 원인을 식별하고, 이를 보정할 수 있는 메커니즘을 개발하는 것은
의학교육에서 학습 분석의 윤리적 사용을 보장하기 위한 핵심 전제입니다.
🧪 학습 분석 결과의 타당성과 신뢰도 문제
학습 분석의 또 다른 문제는, 대규모 데이터셋으로부터 도출된 결과가 실제로 타당(valid)하고 신뢰할 수 있는(reliable) 것인가입니다.
→ 만약 학습 알고리즘을 도출하거나 평가하는 방법론이 견고하지 않다면, 그 알고리즘이 산출하는 결과 자체가 본질적으로 오류가 있을 수 있습니다.
이로 인해 특히 영향을 받을 수 있는 집단은 다음과 같습니다:
- 사회적 소수자(marginalized) 또는 불리한 조건에 놓인(disadvantaged) 학습자
- 규모가 작거나, 편향되거나 잘못된 방법론을 식별할 전문성이 부족한 교육 프로그램에 속한 학습자
이러한 집단은 부적절하게 설계된 알고리즘으로부터 더 큰 부담을 받을 가능성이 있습니다.
🌐 학습 분석의 잠재력과 교육 혁신
그럼에도 불구하고, 우리는 학습 분석과 빅데이터가 의학교육을 혁신할 수 있는 잠재력을 지닌다는 사실을 잊어서는 안 됩니다.
이러한 가능성은 때때로 **정밀 교육(precision education)**이라고 불리며, 의학교육을 보다 효율적이고 효과적으로 만들 수 있는 방향성을 제시합니다 (Triola & Burk-Rafel, 2023).
예를 들어,
- 학습에 어려움을 겪는 학습자를 조기에 식별하고, 적시에 보충 교육(remediation) 기회를 제공
- 우수 학습자에게는 보다 이른 시기에 자율적인 실습 기회를 제공 (Kuchera et al., 2023)
이러한 변화는
- 의학교육의 질 향상,
- 보다 잘 훈련된 의사 배출,
- 궁극적으로는 **환자 치료 성과 향상(patient outcomes)**이라는 의학교육의 궁극적 목표로 이어질 수 있습니다.
🧩 학습 분석을 활용한 교육 격차 및 편향 분석
학습 분석은 또한 개별 학습자 수준과 교육 프로그램 수준의 훈련 격차를 식별하는 데 활용될 수 있습니다.
이를 통해 교육자와 정책 입안자 모두가 혁신적 방향성을 설계하고 평가할 수 있는 근거를 확보할 수 있습니다.
또한, 교육 프로그램의 성과를 시간에 따라 모니터링하고 책임성을 확보하는 도구로도 활용될 수 있습니다.
비록 본 고찰은 학습 분석이 기존 평가 시스템의 편향을 영속화할 수 있다는 우려를 드러냈지만,
반대로 그 편향의 근원을 식별하고 개선하는 도구로도 활용될 수 있음을 보여줍니다.
예를 들어:
- 평가 데이터를 수집함으로써 어떤 시스템적 편향이 존재하는지 탐색하고,
- **조정 전략(mitigation strategies)**을 개발하여 학습자를 보호할 수 있습니다.
이를 위해서는 편향을 탐지하고 감시할 수 있는 알고리즘 설계가 필요하며,
→ 윤리적 관점에서 체계적으로 기획된 학습 분석은
→ **이미 존재하는 체계적 해악(systematic harms)**을 줄이고 학습을 향상시키는 잠재력을 지닙니다.
📊 학습 분석의 윤리적 구현을 위한 노력의 필요성
의학교육에서 학습자에 대한 교육 데이터 수집이 점차 증가함에 따라, 정교한 학습 분석 기법의 활용은 곧 표준이 될 것입니다.
본 고찰은 다음의 점을 강조합니다:
- 학습 분석이 윤리적으로 개발되고 실행되도록 하기 위한 자원과 노력의 필요성
- 학습자에게 가해질 수 있는 이익과 위험을 면밀히 평가할 수 있는 윤리적 판단 체계의 구축 필요성
이러한 윤리적 균형(ethical calculus)을 면밀히 고려하는 것은 연구자와 교육자 모두의 책임입니다.
📉 연구의 한계 (Limitations)
- 본 고찰에 포함된 논문 수는 상대적으로 적었습니다.
이는 의학교육에서의 학습 분석과 그 윤리적 함의라는 주제가 **아직 신생 분야(emerging field)**이기 때문입니다. - 일반적인 학습 분석에 대한 연구는 풍부하지만,
→ 의학교육 맥락에서 윤리적 함의를 명시적으로 다룬 논문은 극히 드뭅니다. - 이로 인해, 실제 존재하는 윤리적 문제들 중 본 고찰에서 다루지 못한 부분도 있을 수 있습니다.
- 또한, 검토된 논문 중 다수가 동일한 저자나 연구 그룹에 의해 작성되었으며,
→ 이는 특정 관점이나 편향이 과도하게 반영되었을 가능성을 내포합니다.
향후 다양한 집단과 교육 환경을 반영한 연구가 이러한 한계를 극복하는 데 기여할 것입니다.
🔚 결론 (Conclusion)
의학교육에서 학습 분석의 활용이 증가함에 따라, 학습자에게 미칠 윤리적 함의를 신중하게 고려하는 것이 중요합니다.
- 학습 분석은 의학교육에 여러 가지 유망한 이점을 제공할 수 있으나,
- 동시에 학습자에게 해를 미칠 수 있는 가능성도 함께 내포하고 있습니다.
의학교육에서 학습 분석을 성공적으로 구현하기 위해서는, 윤리적 판단에 기반한 의사결정 과정을 통해 새로운 시스템을 설계해야 합니다.
Marcotte, K., Yang, P., Millis, M. A., Vercler, C. J., Sebok-Syer, S. S., Krumm, A. E., & George, B. C. (2025). Ethical considerations of using learning analytics in medical education: a critical review. Advances in Health Sciences Education, 1-15.