(1) 8/24 Pre-Conference Workshop: 정서지능, 문화지능
[문화] 문화는 단일한 정의가 어렵다. 개인은 자신만의 ‘미시 문화(microculture)’를 가지고 있으며, 동시에 외부의 큰 문화적 틀 속에서 살아간다. 한 지역 출신이라고 해서 동일하다고 일반화할 수 없다. 문화는 고정된 것이 아니라 개인의 가치관과 선택에 따라 다양하게 표현된다.
[문화지능 - 일반] 문화지능(CQ)은 다른 문화적 배경의 사람들과 효과적으로 교류하고 협력하는 능력이다. CQ는 문화적 역량(cultural competence)보다 한 단계 더 나아간다. 단순한 인식 차원을 넘어, 실제로 다른 문화적 관점을 수용하고 적응하는 능력이다. CQ의 핵심은 겸손(humility)이다. 자신의 가정을 끊임없이 질문하고, 배움이 쌍방향(bidirectional)임을 인정해야 한다.
[문화지능 - 케이터링] 말레이시아에서는 음식이 매우 중요하다. 대부분 무슬림이므로 할랄 음식이 필요하고, 힌두교 신자에게는 소고기를 제공하지 않는다. 채식주의자 역시 충분한 선택지가 있어야 한다. 이런 사소해 보이는 배려가 실제 회의나 행사에서 모두를 환영하는 분위기를 만든다 .
[문화지능 - 다양성] 다양성을 존중하기 위해 차이를 강조하는 것이 항상 도움이 되는 것은 아니다. 때로는 차이를 덜 부각시키고 공통점을 찾는 것이 더 효과적일 수 있다.
[문화지능 - 심리적 안전] 모든 사람이 발언하는 것이 안전하다고 느끼는 환경은 중요하지만, 일부 문화에서는 ‘위계 존중’을 안전감으로 인식할 수 있다. 즉, 심리적 안전감의 표현 방식이 다르다.
[문화지능 - 다양성] 나와 비슷한 사람들과 있을 때 가장 덜 배운다. 반대로 나랑 다른 사람들과 있을 때 가장 많이 배운다.
(2) 8/24 Pre-Conference Workshop: 예측분석(Predictive analysis)
[예측분석의 단계] 예측분석은 ‘묘사적(Descriptive) → 진단적(Diagnostic) → 예측적(Predictive) → 처방적(Prescriptive)’ 단계로 발전한다. 묘사적 분석은 과거의 성과를 요약한다. 진단적 분석은 ‘왜 이런 일이 일어났는가’를 규명한다. 예측적 분석은 미래에 무엇이 일어날지를 예측한다. 처방적 분석은 데이터 기반으로 ‘무엇을 해야 하는가’를 제안한다.
[학생과의 공유] 학습자에게 모든 데이터를 보여주는 것은 도움이 되지 않는다. 학생이 자신의 목표와 성장을 위해 활용할 수 있는 ‘의미 있는 데이터’를 선별 제공해야 한다. 예측분석 결과를 그대로 학생에게 전달하는 것은 불안과 부담을 유발할 수 있다. 따라서 코치나 교수와 함께 해석하고 학습 계획을 세우는 과정이 필요하다. 학생들은 동료 평균과의 비교를 원하지만, 이는 불필요한 경쟁심을 조장할 수 있으므로 신중하게 제공해야 한다. 예측분석 공유 과정에서 학습자의 웰빙(wellness)과 감정 상태를 함께 고려해야 한다.
[학생의 역할] 학생이 데이터 해석에 익숙하지 않으면, 교수가 문제 해결을 대신 떠안게 된다. 따라서 학생 스스로 데이터를 반성(reflect)하고 활용하도록 훈련해야 한다. 학생은 자기 데이터의 ‘주체(owner)’가 되어야 하며, 이를 기반으로 자기주도적 학습 계획을 세울 수 있어야 한다. 학생의 자기성찰(self-reflection) 데이터는 때로 가장 강력한 예측 신호가 된다. 교수와 학생 모두 데이터 해석 역량을 길러야 하므로, 교수개발과 학습자 교육이 동시에 필요하다. 예측분석은 학습자에게 에이전시(agency)를 부여하고, 스스로 ‘곡선을 바꿀 수 있다(bend the curve)’는 믿음을 심어야 한다.
[데이터와 해석] 예측분석의 성패는 결국 ‘신뢰할 수 있는 데이터’와 ‘적절한 해석’에 달려 있다. 데이터가 많아도 잘못 해석되면 오히려 위험하다. 수치 데이터와 직관이 불일치할 때, 프로그램은 수집하는 데이터의 적절성과 정렬(alignment)을 되돌아봐야 한다. 때로는 더 많은 데이터가 아니라 ‘다른 종류의 데이터’가 필요하다. 예측이 빗나간 이유는 가르치지 않은 부분이 데이터에 드러났기 때문일 수 있다. 정량적 데이터만큼이나 내러티브(텍스트) 데이터가 중요하다. 하지만 이를 해석하고 분류하는 것은 인간에게도 기계에게도 쉽지 않은 과제다.
[코칭] 코칭은 데이터를 단순 점수화가 아니라 자기주도적 학습 계획으로 전환하는 핵심 과정이다. 학생들에게 제공되는 데이터는 진단적(diagnostic)일 뿐 아니라 발전적(developmental)이어야 한다. 단순히 부족함을 지적하는 것이 아니라 성장을 유도해야 한다. 데이터 공유 시 교수가 학습자를 미리 ‘낙인찍는’ 위험을 방지하려면, 성장 중심 프레임(growth framing)으로 접근해야 한다. 성장 마인드셋(growth mindset)을 촉진하는 코칭은 예측분석 결과를 고정된 낙인으로 받아들이는 것을 방지한다.