이 특별호는 *데이터 과학(data science)*이 보건의료 전문직 교육 연구 및 실제에서 이제 중요한 역할을 하고 있다는 전제에서 출발한다. 이는 사회과학 전반에서도 마찬가지 현상이다 (예: Foster & Stine, 2004; Jemilniak, 2020). 우리는 과장된 기대와 유행어 뒤에 숨어 있는 진실을 꿰뚫어보며, 보건의료 전문직 교육 연구자들이 데이터 과학 기법, 데이터 과학의 윤리, 그리고 이 신흥 영역에서 이론이 갖는 역할에 어떻게 효과적으로 관여할 수 있는지를 고찰해야 한다.

We need to look past the hype and inflated expectations to consider how health professions education scholars can effectively engage with data science techniques, the ethics of data science, and the role of theory in this emerging area.

여기서 '데이터 과학(data science)'이라는 용어는 빅데이터(Big Data), 분석 기법(analytics), 그리고 이와 연관된 신흥 주제 영역을 포괄하는 의미로 사용되었다.

데이터 과학과의 실제적 연계라는 측면에서, 이번 특별호에 실린 여러 논문들은 빅데이터를 활용한 연구들을 보고하고 있다 (예: Chahine et al., 2024; Johnston et al., 2025; Kulasegaram et al., 2024a, b). 그러나 흥미롭게도 유일한 문헌고찰 논문인 Marcotte et al. (2025)은 __보건의료 전문직 교육 분야에서 빅데이터 기법을 사용한 논문은 의외로 소수에 불과__하다는 점을 지적한다.

이러한 결과는, 보건의료 교육 분야에서 빅데이터의 가능성에 대해 __열정적으로 이야기하는 사람은 많지만, 실제로 이를 활용하는 사람은 훨씬 적다는 사실__을 보여준다 (Johnsson & Tolsgaard, 2024). 또한 Kitto et al. (2024), Constable et al. (2024)과 같은 연구자들은 데이터 과학의 특정 활용이 야기할 수 있는 함의에 대해 분명한 경계심을 드러낸다.

한편으로는 데이터 과학이 새로운 교육적 통찰과 아이디어를 지원할 수 있는 큰 잠재력을 가지고 있지만, 다른 한편으로는 __프라이버시, 감시(surveillance), 통제(control)__에 대한 중대한 우려가 존재한다 (Grierson et al., 2023; Kulasegaram et al., 2024a, b).

“Like other socio-technical phenomena, Big Data triggers both utopian and dystopian rhetoric.”
– Boyd & Crawford (2012, p.653)

즉, 빅데이터는 다른 사회기술적 현상들과 마찬가지로 유토피아적 담론과 디스토피아적 담론을 동시에 불러일으킨다.

우리는 데이터 과학의 교육 연구 적용에 대한 이러한 경계심의 한 가지 이유가 다음과 같은 구조적 부재에 있다고 본다: 즉, __데이터가 윤리적이고, 안전하며, 생산적인 방식으로 수집되고 활용되도록 보장해 줄 확립된 원칙, 기준, 인프라, 규제의 부족__이다.

이러한 정책 및 절차의 공백은 데이터 과학의 잠재력을 실현하는 데 중대한 장애물이 된다. 연구자들은 최선의 의도를 가지고 있음에도 불구하고 __"잘못된 일"을 저지를지도 모른다는 불확실성__에 직면하게 된다. 실제로 연구자들은 다음과 같은 여러 윤리적 문제에 대한 지침을 필요로 한다:

• 연구 결과가 개인이나 집단에게 해가 되지 않도록 하려면 어떻게 해야 하는가?
• 프라이버시와 기밀성을 어떻게 보호할 수 있는가?
• informed consent (정보에 입각한 동의)와 같은 윤리 원칙을 어떻게 의미 있게 준수할 것인가?

이 문제들은 연구자뿐 아니라 데이터 관리자(data stewards) 및 다른 이해관계자들에게도 동일하게 적용된다.

이번 특별호에 실린 여러 논문에서 이와 같은 *윤리적 고려사항(ethical considerations)*은 반복적으로 등장한다. Postman (1992)은 *"우리는 기술을 연인의 눈으로 바라보며, 결점 없이 완벽하다고 여기고 미래에 대한 불안은 품지 않는다"*고 말한 바 있다 (p.5). 하지만 보건의료 전문직 교육 분야에서는, 적어도 지금까지는 그렇게 '사랑에 빠지진' 않았고, 오히려 데이터 과학의 잠재적 함의에 대해 신중하고 우려하는 경향이 더 강하다.

Mercuri and Emerson (2024)는 글로벌 보건 문맥에서의 데이터 주권(data sovereignty) 및 __관할권 간 협력(inter-jurisdictional work)__의 사례를 통해 이러한 윤리적 공백을 조명하고 있다. 이 분야에서는 수많은 데이터 기반 연구들이 눈에 띄는 윤리적 긴장과 우려를 일으켜왔다. Rowland et al. (2024)은 문서 분석(document analysis)을 통해, 데이터 과학에 대한 커다란 약속들이 존재함과 동시에 __블라인드 스팟과 위험 요소에 대한 불안__도 존재함을 보여준다.

흥미로운 점은, 이러한 윤리적 문제들을 다루는 속도가 __관할권(jurisdiction)__이나 __학문 영역__에 따라 매우 다르다는 것이다. 예를 들어, Johnston 외(2025)의 논문에서 사용된 **영국 의학교육 데이터베이스(UK Medical Education Database, UKMED)**는, 데이터 수집과 관리에 필요한 윤리적 연구 인프라와 규정을 수년에 걸쳐 검토한 후, 10여 년 전에 설립되었다 (Dowell et al., 2018). 반면, 다른 논문들은 이제 막 보건의료 전문직 교육에서 데이터 과학의 가능성을 탐색하기 시작한 국가 및 시스템 내에서의 활동을 보여주는 좋은 사례들이다 (Chahine et al., 2024; Kulasegaram et al., 2024a, b).

데이터 과학에 필요한 역량은 전반적으로 양적 연구에 필요한 역량과 유사하다:

• 양질의 데이터 확보,
• 체계적인 데이터 관리 및 거버넌스,
• 전통적 통계 분석 능력 등이 그것이다.

하지만 데이터 과학은 또한 __기계 학습(machine learning)__이나 __자연어 처리(natural language processing)__와 같은 인공지능 기반 접근법과 기술을 활용할 수도 있다. 이는 전통적인 보건의료 교육 연구자들에게는 익숙하지 않은 기술이며, 따라서 연구자들은 이러한 기술을 새롭게 습득하거나, 관련 전문 지식을 가진 사람들과 협업해야 할 것이다.

또한 앞으로 연구자들은 사회과학 내의 새로운 하위 분야들과도 적극적으로 교류해야 할 것으로 보인다. 예를 들면:

• 데이터 과학 방법론(data science methods) (Foster et al., 2020),
• 계산 사회과학(computational social science) (McLevey, 2022),
• 디지털 인문학(digital humanities) (Drucker, 2021) 등이 있다.

__학제 간 연구(interdisciplinary work)__는 도전적이지만 (예: Macleod, 2018), __이 분야를 발전시키기 위해 반드시 필요한 전략__이다.

세 번째로 지적할 점은, 데이터 과학에서 이론(theory)이 갖는 역할에 대한 질문이 우리의 참여를 방해하고 있을 가능성이다.

어떤 학자들은 이론이 필요 없다고 주장한다. 이들은 연구 질문과 답변이 "귀납적 과정과 통계 조작에 기반한 바텀업 접근 방식(bottom-up process based on inductive processes and statistical manipulation)"에서 나온다고 본다 (Mazzocchi, 2015, p.1250). 이러한 관점에서 보면, 데이터 과학은 패턴 인식과 통계 기법, 데이터베이스 시스템, 기계 학습을 통해 현상에 대한 새로운 통찰을 생성함으로써 이론 구축을 자극할 수 있다 (Luo et al., 2019).

반면, 이론이 데이터 과학에서 핵심적이다라고 믿는 학자들도 있다 (예: Tolsgaard et al., 2020).
가장 명확한 수준에서, 이론은 가설(hypothesis)의 형태로 데이터 과학을 지탱하며, 다음과 같은 지침을 제공한다:

• 어떤 변수를 모델에 포함시킬 것인가?
• 어떤 요인이 데이터를 영향을 미치는가?
• 어떤 결과에 주목할 것인가?
• 다른 맥락에 어떻게 일반화할 수 있는가?

“At its most obvious, theory underpins data science in the form of hypotheses, providing guidance about the variables to include in a model, what influences the data, to which results to attend, and how to generalize results to other settings.”
– Wise & Schaffer (2015)

가장 중요한 마지막 논점은 다음과 같다:
데이터 과학은 단순한 도구와 기법들의 모음(toolkit)이 아니다. 오히려, 데이터 과학은 새로운 실천(practice)을 생성해낸다 (Orlikowski & Scott, 2015a, b; Scott & Orlikowski, 2014).

“Data science is not a bag of tools and techniques. Rather, data science generates new practices.”
– Orlikowski & Scott

이러한 이유로, 데이터 과학의 '결과(outcomes)'를 탐구하는 연구는 반드시 다음을 동반해야 한다: 기술과 인간 행위자(human actors)가 어떻게 작용하고 상호작용하는지를 면밀히 검토하는 사려 깊은 질적 연구. 이러한 상호작용이 어떻게 새로운 행동을 생성하고, 새로운 실천의 가능성을 제시하는지를 탐구해야 한다 (Scott & Orlikowski, 2014).

“Change the instruments, and you will change the entire social theory that goes with them.”
– Latour (2009, p.155)

라투르(Latour)의 이 말처럼, 도구가 바뀌면 그것과 연계된 사회이론 전체가 변화하게 된다.

우리 분야가 여전히 데이터 과학과 관련해서 대부분 '논평(commentary)'과 '문헌고찰(review)' 수준의 학술 작업에 머물러 있는 이유 중 하나는, 어쩌면 우리 스스로의 한계 때문일 수 있다.

교육자이자 연구자인 우리는, 데이터 과학을 독립된 실체(entity)처럼 대하는 오류에서 벗어나야 한다.
데이터 과학은 도구 그 자체가 아니라, __인간과 기술이 상호작용하며 형성되는 새로운 실천의 장__이라는 사실을 인식해야 한다.

따라서, 보건의료 전문직 교육에서 데이터 과학의 윤리적이고 학문적인 기반을 튼튼히 구축하기 위해, 경험적(empirical) 연구를 수행하여 실증적 데이터를 수집해야 한다.

이제 데이터 과학은 사라지지 않을 것이며, 우리는 그 잠재력을 최대한 활용하기 위한 준비와 실천을 시작해야 할 시점에 있다.

“It is here to stay, so let us get on with the tasks needed to make the most of it.”

Cleland, J., Grierson, L., & Tolsgaard, M. (2025). Data science in health professions education: promises and challenges. Advances in Health Sciences Education, 1-4.

🧠 보건의료 교육에서 ‘데이터 과학’은 과학일까?

안녕하세요! 오늘은 최근 Advances in Health Sciences Education 저널에 실린 흥미로운 에디토리얼을 소개해보려고 해요.
제목부터 강렬하죠?

"Is data science in health professions education a ‘science’ as the term is generally understood?"

즉, "보건의료 전문직 교육에서 데이터 과학(data science)은 우리가 일반적으로 생각하는 의미의 과학(science)일까?" 라는 질문이에요. 이 글에서는 이 질문을 중심으로, 우리가 쉽게 간과할 수 있는 데이터 과학의 본질, 윤리, 책임, 정체성까지 폭넓게 다루고 있어요.

1️⃣ 데이터 과학은 ‘이론’을 사용하는가?

우리가 흔히 ‘과학’이라 부를 수 있으려면, 어떤 이론(theory) 기반이 있어야 해요. 그런데 데이터 과학은 어떤가요?

"Much data science would seem to have very little of its own theory (other than a tacet commitment to the principle of ‘truth is in the data’)."
→ "데이터 과학은 ‘데이터에 진실이 있다’는 암묵적인 전제 외에는, 자체적인 이론이 거의 없어 보인다."

게다가 대부분 데이터 안의 패턴을 찾는 것에 집중하고, 그 패턴에 대해 사후적으로(post hoc) 설명하려는 경우가 많다고 지적해요. 이건 흔히 우리가 생각하는 '이론 기반 과학'과는 좀 거리가 있죠.

2️⃣ 누가 데이터를 만들고 책임지는가?

🔍 두 번째 핵심 포인트는 **책임(responsibility)**이에요. 과학자라면 보통 자신의 데이터에 대해 전반적인 책임을 져요— 무엇을, 어떻게, 왜 수집하는지 설계하는 것까지 포함해서요. 하지만 교육 현장에서 데이터는 대부분

• 학습자가 클릭하거나
• 온라인 시스템에서 자동으로 수집되거나
• 교육 플랫폼 로그에서 생성되는 등
  우연히 생성되는 경우가 많아요.

"Only some educational activity generates data for data science purposes (usually when learners and teachers interact with online systems) and the data generated are not always reliable, complete, or meaningful."
→ "일부 교육 활동만이 데이터 과학 목적에 맞는 데이터를 생성하고, 그마저도 신뢰할 수 있거나, 완전하거나, 의미 있는 경우는 드물다."

그리고 데이터를 누가 만들었고, 누가 해석하며, **그 결과에 책임을 지는가?**라는 문제는 여전히 복잡하죠.

3️⃣ 동료 평가(peer review)는 가능한가?

과학의 핵심 중 하나는 **동료 평가(peer review)**인데요, 데이터 과학에서 다루는 **수동적 데이터(passive data)**는 이게 거의 불가능하다고 해요. 왜냐면 수집 과정이나 방법이 명확하게 드러나지 않거나, 데이터가 비공개거나, 기업 자산이기 때문이죠.

"Peer review of passive data is nearly impossible... If there is no peer review or scrutiny, then data science is not science – it is more akin to in-house evaluations and secondary data analyses."
→ "수동적 데이터는 동료 평가가 거의 불가능하다... 동료 평가나 검토가 없다면, 데이터 과학은 과학이라기보단 사내 평가나 2차 데이터 분석에 가깝다."

4️⃣ 진짜 ‘과학자’는 누구인가?

여러분, 지금 데이터 과학자라고 불리는 사람들은 어떤 사람들이 많을까요?
대부분 프로그래머(programmers), 통계전문가(statisticians), 또는 시스템 전문가들이죠.

"They are generally not professionally-trained researchers or academics – which begs the question of whether they truly reflect the title of ‘scientist’."
→ "이들은 보통 전문 연구자나 학자는 아니며, 과연 ‘과학자’라는 호칭이 적절한지에 의문이 든다."

👩‍🏫 그런데 교육 연구는 **사회과학(social sciences)**의 복잡성을 다루는 분야잖아요?
데이터 과학이 진짜 'HPE 안의 과학'이 되려면, 교육학과 사회과학의 전문 연구자가 팀에 반드시 포함되어야 한다는 게 저자들의 주장입니다.

5️⃣ 결론: 데이터 과학은 과학일까?

이 모든 질문을 정리하며, 연구자들은 이렇게 말해요.

“It depends.”

그래요, 상황에 따라 다르죠. 
하지만 데이터 과학이 진정한 과학이 되려면,

• 이론을 고민하고,
• 데이터의 질과 윤리를 신중히 다루며,
• 학제 간 팀 구성과 학술적 맥락을 갖추어야 한다는 게 핵심 메시지입니다.

"We urge education researchers to reflect on these challenges to ensure that the science of data science in health professions education is as robust and scientific as it can be."
→ "HPE에서 데이터 과학이 가능한 한 엄밀하고 과학적인 모습으로 자리잡을 수 있도록, 교육 연구자들이 이러한 도전 과제를 숙고해주기를 강력히 권고한다."

💬 마무리 생각

이 논문은 단순히 데이터 과학을 비판하려는 게 아니라, “과학적”이라는 말이 의미하는 바가 무엇인지 되돌아보게 해주는 글이에요.
데이터가 많다고, 기술이 뛰어나다고, 그것만으로 ‘과학’이라고 부를 수는 없다는 점, 우리 모두가 다시 생각해봐야 하지 않을까요?

이 특별호(Special Issue)에서는 **보건의료 전문직 교육(Health Professions Education) 분야에서 데이터 과학(data science)**이 어떻게 최첨단 사고와 실제(practice)로 자리잡고 있는지를 보여주는 일련의 논문들을 수록하였습니다. 이 에디토리얼에서는 다음과 같은 질문을 제기합니다:

👉 “보건의료 전문직 교육에서의 데이터 과학은 우리가 일반적으로 이해하는 의미에서 ‘과학’(science)인가?”

이 질문은 이 신흥 분야나 그 분야의 연구자들을 폄하하기 위함이 아니라, _보건의료 전문직 교육 학문 영역 내에서 이 분야의 위치를 명확히 하기 위한 목적_에서 제기한 것입니다. 유사한 질문은 이미 다른 연구자들에 의해 제기된 바 있으며 (예: Malik, 2022), 데이터 과학이 통계학(statistics)이나 컴퓨터 과학(computer science)의 리브랜딩(rebranding)인지, 확장(extension)인지, 아니면 완전히 새로운 학문인지에 대한 논의는 오랫동안 지속되어 왔습니다. (Donoho, 2017)

이 질문에 답하기 위해, 저자들은 세 가지 기준을 중심으로 논의를 전개합니다:

• 과학의 본질(nature of science)
• 데이터의 통제와 질(control and quality of data)
• 그리고 누가 이 작업을 수행하는가(who does the work)

과학의 본질(nature of science)

이 저널이 이론 중심(theory-oriented)인 점을 고려할 때, 다음과 같은 질문을 던지는 것이 타당해 보입니다:

👉 “데이터 과학은 이론을 사용하는(theory-using) 학문인가? 그리고 그 정도는 어느 수준인가?”

많은 데이터 과학 연구는, **‘데이터 속에 진실이 있다’(truth is in the data)**는 암묵적 전제(tacit commitment) 외에는 자체적인 이론(theory)을 거의 갖고 있지 않은 듯 보입니다. 실제로 데이터 과학의 상당 부분은, 데이터 안에 숨겨져 있는 ‘패턴(pattern)’을 이론 없이(atheoretical) 탐색하고, 그 패턴을 사후적으로(rationalized post hoc) 설명하는 데 초점을 맞춥니다.

데이터 과학은 데이터를 가지고 무엇을 하느냐에 초점을 맞춘다는 점에서 통계학 및 컴퓨터 과학과 유사하며, 데이터가 무엇을 나타내는지 혹은 왜 분석되는지에 대한 특정한 관점을 제시하지는 않습니다.

이러한 경향은 인공지능(AI) 분야의 문헌에서도 관찰되는데, 이 분야에서는 **특정한 과업(task)에 초점을 맞추기보다는 여러 문제 범위에 걸쳐 수행 능력을 발휘할 수 있는 ‘근본 모델(fundamental models)’**의 개념이 등장하였습니다. (Eisenstein, 2024)

그렇다면 다시 질문할 수 있습니다:
👉 “데이터 과학은 이론을 생성하는(theory-building) 학문인가?”

이에 대한 대답도 대체로 부정적입니다. 데이터 과학은 개념적 설명보다는 실용적 응용(practical applications)에 더 중점을 두며, 이론 생성에는 제한적인 성향을 보입니다. 물론, 이러한 특징은 응용 학문(applied field)에서는 반드시 단점이 되는 것은 아니지만, 과학적 활동(scientific activity)의 맥락에서는 우려의 대상이 될 수 있습니다.

또 하나의 질문은 다음과 같습니다:

👉 “데이터 과학은 탐구(inquiry)에 있어 체계적인 접근(programmatic approach)을 반영하고 있는가?”

과학(science)은 개별 과학자의 연구뿐 아니라, 그 연구가 다른 이들의 연구 위에 구축되고, 다시 공동체에 환원되어야 한다는 점에서 누적적(cumulative)이자 집적적(aggregative)인 활동입니다. 이러한 점은 ‘교수-학습에 대한 학문적 접근(Scholarship of Teaching and Learning, SOTL)’과 ‘학문적 교수(scholarly teaching)’ 간의 긴장에서도 비슷하게 나타납니다. (Hutchings & Shulman, 1999)

👉 SOTL은 단순히 교육 시스템을 운영하거나 관리하는 사람들에게만 의미 있는 지역적 통찰(local insight)이 아니라, _공동체적 활동(community activity)_이 되기 위해서는 반드시 공유(sharing)되어야 합니다.

데이터 과학이 학문적으로 기반을 두지 못할 이유는 전혀 없습니다. 하지만 현재의 데이터 과학은 많은 경우 기업적 필요(corporate needs)와 이해관계(interests)에 맞춰져 있는 경향이 있습니다. 📌 (이는 많은 데이터 과학 관련 직무가 기업에 의해 자금 지원을 받기 때문이기도 합니다.) 또한 기업이 이론적 목표(theoretical ends)를 추구하거나, 학문적 엄밀성(rigour)의 기준을 충족시키지 못할 이유도 없습니다.

다만, 기업적 필요와 가용한 재원(available funding)에 부응하기 위해 연구 방향을 설정해야 할 경우, 데이터 과학 역시 과학자들이 자신이 진정으로 하고 싶은 연구를 수행할 수 없는 불안정한 위치에 처하게 됩니다. 국가의 연구지원(government funding)은 충분하지 않을 수 있으며, 이런 상황에서 기업과 협력하려면, 과학자는 _현실적이거나 인식되는 이해충돌(real or perceived conflicts of interest)_을 최소화해야 할 책임을 갖습니다.

과학에 있어 또 다른 핵심 관심사는 바로 **‘엄밀성(rigour)’**입니다.

이 엄밀성은 곧 **연구 방법의 철저함(thoroughness of methods)**과 **비판적 사고의 유무(critical thinking)**를 의미합니다.
이와 관련하여 우리는 **Glassick 외(1997)**가 제안한 학문적 활동(scholarly activity)의 기준을 참고할 수 있습니다.

📌 학문적 활동으로 인정되기 위해서는 다음의 요소들을 갖추어야 합니다:

• 명확한 목표(clear goals)
• 충분한 준비(adequate preparation)
• 적절한 방법(appropriate methods)
• 의미 있는 결과(significant results)
• 효과적인 발표(effective presentation)
• 성찰적 비판(reflective critique)

물론 연구마다 그 구체적인 내용은 달라지겠지만, **이번 특집호에 실린 논문들(papers in this special issue)**은 동료평가(peer review)를 거치며 정제되었고, 이로 미루어 보아 데이터 과학도 분명히 학문적(scholarly)일 수 있음을 시사합니다.

가장 핵심적인 문제는 다음과 같은 책임(responsibility)의 문제입니다:
👉 “데이터 과학에서 사용되는 데이터에 대해 누가 어떤 책임을 지는가?”

일반적으로 과학자들은 자신이 다루는 데이터에 대해 매우 큰 책임을 집니다. 이들은 데이터를 이론화(theorizing)하고, **무엇을, 어떻게 수집할 것인지 설계(designing)**하며, 데이터의 질(quality)에 대해 깊이 고민합니다.

그러나 교육 활동 중 오직 일부만이 데이터 과학 목적에 맞는 데이터를 생성하며, 대개는 학습자와 교사가 온라인 시스템을 통해 상호작용할 때만 그러합니다.

그런데 이렇게 생성된 데이터는 반드시 신뢰할 수 있거나(reliable), 완전하거나(complete), 의미 있는(meaningful) 것은 아닙니다.

예를 들어,
👉 “클릭(click)은 과연 무엇을 의미하는가?”
👉 “참여자가 자신이 추적되고 있다는 것을 인식하면서 발생하는 ‘호손 효과(Hawthorne effect)’—또는 ‘암묵적 사회적 존재감(implied social presence)’(Wong & Stephen, 2019)—는 데이터에 어떤 영향을 주는가?”
👉 “과제가 자발적인지, 강제적인지에 따라 반응이 어떻게 달라지는가?”
👉 “학습자의 작업이 전자건강기록(Electronic Health Record, EHR)과 통합될 때, 추적(tracking)은 어떻게 작동하는가?”
👉 “진정으로 의미 있는 데이터란 무엇이며, 그러한 데이터를 정말로 얻을 수 있는가?”

이와 같은 질문들은, 우리가 데이터를 진정으로 학습에 도움이 되도록 사용하고자 할 때, 오늘날의 데이터 과학자들이 직면하는 중대한 도전 과제입니다.

데이터 과학의 책임은 또한 **연구 윤리(research ethics)**와도 밀접한 관련이 있습니다.

_사람들의 데이터(data from or about people)_가 관련될 경우, 이 책임은 더욱 중요해집니다.

현재 많은 학술지들은 과학의 재현성(reproducibility)을 보장하기 위해, 연구에 사용된 데이터셋의 공유(data sharing)를 요구하고 있습니다. (Ellaway, 2024)
👉 “그렇다면 데이터 과학 연구팀은 데이터를 저장소(repository)에 올릴 때, 타인이 해당 연구를 재현할 수 있도록 분석에 사용된 **코드(code)**도 함께 제공해야 하는가?”

일반적으로 과학자라면 어떤 데이터를 수집할지, 어떻게 수집할지에 대해 일정 수준의 통제(control)를 가지고 있다고 기대됩니다.
이러한 데이터는 **‘능동적 데이터(active data)’**라고 부를 수 있습니다.
즉, 데이터 과학자가 실험을 설계하고 데이터를 생성하는 활동을 조작(manipulate)할 수 있는 경우입니다.

반면, 과학자가 단지 주어진 데이터만을 가지고 작업할 수 있는 경우, 우리는 이를 **‘수동적 데이터(passive data)’**라고 부릅니다.
👉 데이터 과학의 상당 부분은 이러한 ‘수동적 데이터’에 의존하며, 이로 인해 발생하는 도전 과제 역시 함께 따라옵니다.

**전자건강기록(EHR)을 사용하는 2차 데이터 분석(secondary data analysis)**에서도 마찬가지로 **편향(bias)**과 **데이터 품질 문제(data quality)**에 대한 우려가 제기되어 왔습니다. (Sarwar et al., 2022)

흥미롭게도, 데이터 과학은 **정량적 데이터(quantitative data)**에 편향되는 경향이 있지만, 정성적 데이터(qualitative data) 또한 이러한 데이터셋의 일부가 될 수 있습니다. 그러나 **정성적 데이터의 2차 분석(secondary analysis of qualitative data)**은 다음과 같은 이유로 별도의 지침(guidance)이 필요합니다:

• 정성 데이터 보관(archiving)의 어려움
• 메모, 노트 등의 보조 자료를 어디까지 포함시킬 것인가
• 배경 정보의 범위

이에 대해 **Sherif(2018)**는 **정성적 데이터의 2차 분석을 위한 네 가지 기준(four criteria)**을 제안합니다:

1. 현재의 연구와 데이터셋 간의 적합성 및 관련성 (fit and relevance)
2. 데이터셋의 일반적인 질 (general quality)
3. 데이터셋의 신뢰도 (trustworthiness)
4. 데이터셋의 시의성 (timeliness)

👉 이러한 기준들은 데이터 과학자에게 훨씬 더 높은 수준의 책임감을 요구하게 됩니다.

과학(science)은 종종 **추적된 사건, 과정, 현상(tracked events, processes, or phenomena)**으로부터 **추적되지 않은(untracked) 혹은 추적 불가능한(untrackable) 현상에 대한 추론(inference)**을 이끌어냅니다.

그렇다면 데이터 과학에는 **잠재 모형화(latent modeling)**가 얼마나 존재할까요?
이 저널에서는 2012년에 **잠재 모형화 논문(latent modeling paper)**이 게재된 바 있으며 (Boscardin, 2012),
10여 년이 지난 2024년에야 다시 한번 인용되었습니다 (Ding & Homer, 2024).

👉 이러한 현상은 데이터 과학이 '비과학(nonscience)'임을 시사하는 것일까요?
아니면 단순히 이 분야가 아직 '초기 단계(infancy)'에 있다는 증거일까요?

데이터 과학과 **동료평가(peer review)**의 관계는 어디에 있을까요?

특히 **수동적 데이터(passive data)**의 경우, 동료평가는 거의 불가능에 가깝습니다.

• 데이터 수집 및 분석에 사용된 방법(methods)의 세부사항을 확인하는 것은 어렵고,
• **기밀성(confidentiality)**이나 소유권(proprietary) 문제로 인해 데이터셋 자체를 검토할 수 없는 경우도 많습니다.

👉 **검토(scrutiny)**와 **동료평가(peer review)**가 없다면, 데이터 과학은 과학(science)이 아니라 **기업 내 자체 평가(in-house evaluation)**나 **2차 데이터 분석(secondary data analysis)**에 가까운 활동이 됩니다.

Sherif(2018)이 제안한 것과 같은 **정량 및 정성 연구를 위한 평가 기준(criteria)**이 존재하지 않는다면, 논문 심사만으로는 핵심 우려들을 다룰 수 없습니다. 따라서 연구자는 **충분한 설명(description)**과 **세부사항(details)**을 직접 책임지고 제공해야 할 의무가 있습니다.

우리는 **데이터 과학에서 데이터를 어떻게 사용하는지에 관한 윤리적 기준(ethical criteria)**이 필요합니다.
동의(consent), 익명성 또는 식별 가능성(anonymity/identifiability), 조작 또는 강제(manipulation/coercion)와 같은 기본적인 윤리 문제는 데이터 과학에도 동일하게 적용되지만,
👉 “데이터 과학자들은 윤리적으로 누구에게, 어떤 방식으로 책임을 지는가?”
👉 “그리고 어떤 상황에서 책임을 요구받는가?”

이 문제는 특히 **학문적 자유(academic freedom)**의 맥락에서 두드러집니다.
👉 “지도자나 제도, 현상 유지(status quo)에 도전하며, 권력자에게 진실을 말할 수 있는 학문적 자유 위에 서 있는 데이터 과학 연구는 얼마나 되는가?”

현재는 중요한 데이터를 수집조차 허용되지 않는 경우도 존재합니다.
그렇다면, **윤리(ethics)**는 **무언가가 과학인가 아닌가를 구분하는 또 하나의 기준(marker)**입니다.

• *학자(academic)*는 그에 맞는 **행동의 의무(obligation to act)**와 **보호 장치(protection)**를 갖지만,
• 기업 지향적(corporate-oriented) 접근은 보통 **정책(policy)**을 따르며, **위험 회피 성향(risk-averse)**이 강합니다.

Ellaway(2024)의 질문처럼,
👉 “데이터 과학은 타인이 소비할 수 있도록 **신뢰할 수 있는 지식(reliable knowledge)**을 생성하는 것인가?”
👉 “아니면 정책과 과정의 의사결정(decision-making) 및 **방향 설정(directing)**까지 포함하는가?”

물론 보건의료 전문직 교육(Health Professions Education, HPE)처럼 **응용 분야(applied field)**에서는 이러한 **경계(perimeter or boundary)**가 원래 다소 모호할 수 있습니다. 하지만,

👉 “데이터 과학이 HPE의 과학(sciences of HPE)과 분리되어 있거나, 분리된 채 유지된다면, 그 모호함은 훨씬 더 커지지 않을까?”

데이터 과학의 현 상황은 **상업적 목적의 활동(commercial for-profit activity)**과 **제도적 활동(institutional or corporate activity)**이 병존하면서 더욱 혼란스러워지고 있습니다.

이러한 상황 속에서 **학문적 동기(academic motivation)**나 **학문적 기반(academic grounding)**은 상대적으로 현저히 덜 나타나고 있는 것처럼 보입니다. 실제로 많은 기관(예: 대학 등)은 **불확실성과 비용(uncertainty and expense)**을 감수하며 자체적으로 데이터 과학 활동을 수행하기보다는,
👉 **외부 서비스 제공업체(external service providers)와 계약(contract)**하는 것을 선호하는 경향이 있습니다.

물론 **최종 결정권자(decision makers)**는 여전히 교수진일 수 있지만, 👉 실제 **데이터 수집, 처리, 보고(data collection, processing, reporting)**는 **학문 밖의 영역(outside the academy)**에서 이루어질 수 있습니다.

이러한 상황에서는, 데이터 과학이 ‘과학(science)’이라 주장할 수 있는 근거조차 매우 미약해지는 것이죠.
📌 “The tenuous claim to be science is even more attenuated in these situations.”

여기서 우리는 잠시 멈추어 **“도대체 누가 데이터 과학자인가?”**라는 질문을 던져야 합니다.
👉 “Who is on the team?”

데이터 과학은 **팀 기반 활동(team-based activity)**이기 때문에, 팀 구성원에 대한 고민이 반드시 필요합니다.

이와 관련하여 Young과 Dubé(2024)는 다음과 같은 논의를 제시합니다:
👉 과학(science)의 또 하나의 기준은, **개인(individual)**에서 **팀(team)**으로 초점이 전환되면서 발생한다는 것.

현실적으로 데이터 과학에 투입되는 인력은 대부분

• 프로그래머(programmers)
• 통계전문가(statisticians)
• 시스템 중심의 전문가(systems-focused professionals)

이들은 **전문 연구자(professionally-trained researchers)**나 **학자(academics)**가 아닌 경우가 많습니다.

그렇다면 우리는 이런 질문을 던질 수밖에 없습니다:
👉 “이들이 과연 진정한 의미의 '과학자(scientist)'라고 부를 수 있는가?”

물론 실험을 설계하고, 도구를 개발하며, 데이터를 수집하고 분석하여 결론을 도출하는 것은 외형상 분명 과학 활동처럼 보입니다.
그러나, **교육 분야(education)**에서는 **사회과학(social sciences)의 복잡성(complexities)**이 중심이 됩니다.
이는 **물리학이나 지질학처럼 선형적(linear)**인 자연과학의 접근과는 본질적으로 다릅니다.

👉 따라서 보건의료 전문직 교육(HPE)에서 데이터 과학이 진정한 ‘과학’이 되기 위해서는,
반드시 교육(education)과 사회과학(social sciences) 분야의 전문가가 팀에 포함되어야 합니다.

마지막으로 데이터 과학을 과학(science)으로 간주할 수 있는 또 하나의 기준은,

👉 _“정당하게 데이터 과학자(data scientist)로 인정받는 개인(individuals)의 양성과정이 존재하는가?”_입니다.

전 세계적으로 **데이터 과학을 위한 대학원 과정(graduate programs)**이 점점 늘어나고 있지만, 만약 이것이 기준이라면, 우리는 **Norman(2011)**이 제시한 **‘이민 학자(immigrant)’와 ‘정착 학자(settler)’의 유형 분류(typology)**를 떠올리게 됩니다.

즉, 보건의료 전문직 교육(HPE)에 뿌리를 두지 않고, 다른 분야에서 넘어온 연구자들을 말합니다.
이들은 물론 좋은 동료들일 수 있지만,
👉 “우리는 HPE 내부에서 데이터 과학자를 양성해야 하는 것이 아닐까?”
라는 질문을 진지하게 고려할 필요가 있습니다.

그렇다면, 이 글의 제목이 묻고 있는 질문,

👉 “데이터 과학은 HPE에서 과학인가?” 에 대한 대답은?

✅ “그것은 상황에 따라 다르다(It depends).”

우리의 이 복잡하고 모호한 분야(HPE)에서 많은 일들이 그러하듯이 말입니다.

우리는 HPE 내에서 데이터 과학을 수행하는 이들에게 다음을 깊이 고민해볼 것을 제안합니다:

• 이론 구축(theory building)의 여부와 수준
• **데이터에 대한 통제력(control)**과 질적 수준(quality)
• **연구팀의 구성(team composition)**과 전문성

이번 특별호에 실린 논문들을 보면,
👉 데이터 과학이 과학적 방식으로 수행될 수 있으며, 정당하게 학술지에 게재될 수 있는 연구 활동이 될 수 있음을 보여줍니다.

또한, 이와 동일한 기준을 적용하면,
프로그램 평가(program evaluation), 교육 혁신(innovation), 역사적 연구(historical scholarship) 등 다른 학문적 활동 영역들도 **과학으로서 주변적인 위치(marginal position)**에 있다는 점을 알 수 있습니다.

👉 “이들이 과학으로서 얼마나, 어떤 방식으로 정당성을 가질 수 있는가는
여러 요인과 연구자의 관점에 따라 달라집니다.”

사실, 데이터 과학은 과학적이지 않은 방식으로 접근, 수행, 보고되는 경우도 많습니다.
📌 Calling it a science — 즉, 이를 '과학'이라 부르는 것은
✔️ **더 많은 엄밀성(rigour)**과 **실질성(substance)**을 추구하는 *열망적 주장(aspirational drive)*일 수 있고,
✔️ 때로는 정당하지 않은 대상에 *권위를 부여하려는 수사적 전략(rhetorical play)*일 수도 있습니다.

반대로, 데이터 과학은 지금 **새로운 패러다임(new paradigm)**으로 자리를 잡아가는 과정일 수 있으며,
이 경우에는 **비판적 분석(critical analysis)**보다는
✅ *육성(nurture)*과 *지원(support)*이 더 적절할 수도 있습니다.

우리는 HPE 분야의 교육 연구자들에게 다음을 강력히 권고합니다:

👉 **데이터 과학이 진정한 의미에서 과학으로서 갖춰야 할 기준과 도전 과제를 숙고(reflect)**함으로써,
👉 보건의료 전문직 교육 내 데이터 과학이 가능한 한 엄밀하고 과학적이 될 수 있도록 만들어야 합니다.

Ellaway, R. H., & O’Sullivan, P. (2025). Is ‘data science’science?. Advances in Health Sciences Education, 1-5.

2021년, 필자 중 한 명은 의과대학 첫 강의에 들어가 보드에 쓰인 방정식을 마주했습니다:
“P = MD.”
(합격(Pass)이면 의사(MD)가 된다는 뜻입니다.)

강의실에 웃음이 퍼지며 집단적인 안도감이 느껴졌습니다. 교수는 우리에게 걱정을 멈추라고 말했습니다. 합격만 하면 된다고요.

“P = MD” — Passing was enough.

최근 수십 년 동안, 많은 의과대학들이 **Pre-clerkship(임상 전 교육과정)**에서 합/불(Pass/Fail) 평가의 사용을 확대해 왔습니다. 더 나아가 **Core Clerkship(핵심 임상실습)**에서도 이 같은 평가방식을 도입하려는 움직임이 점차 늘어나고 있습니다. 이러한 변화는 대부분 Pre-clerkship 교육을 중심으로 한 연구 결과에 기반하고 있으며, 이들 연구는 Pass/Fail 평가가 학생들의 단기적 웰빙(well-being)을 향상시킬 수 있지만, 학업 성취도에는 해가 없다고 제안합니다.

pass/fail grading may improve students’ short-term well-being without compromising academic performance.

🔹 Pass/Fail 평가를 지지하는 주장

Pass/Fail 평가 방식의 지지자들은 다음과 같은 주장을 펼칩니다:

• 이 방식이 학생들로 하여금 **성장 마인드셋(growth mindset)**을 유지하도록 돕고,
• 감독자에게 잘 보이려는 것보다 질문하고 배우는 것에 집중할 수 있게 한다고 봅니다.
• 평가의 위험도를 낮추면, 학생들이 **평생 학습(lifelong learning)에 필요한 내재적 동기(intrinsic motivation)**를 개발할 수 있다고 봅니다.

이러한 주장은 성적 평가에 대한 논의의 초점을 '순위 매기기(ranking)'에서 '학습(learning)'으로 전환시키는 데 기여했으며, 이는 환영할 만한 변화입니다.

🔹 그러나: 임상 기술 저하에 대한 우려

하지만 최근 일부 연구에서는 **특정 임상 기술의 저하(decline in clinical skills)**가 보고되고 있으며, 이런 상황 속에서 너무 낮은 기준으로 합격선을 설정한 Pass/Fail 제도는 임상 역량의 탁월성을 약화시킬 수 있다는 우려가 제기되고 있습니다.

we worry that pass/fail grading systems that set a low bar for passing could undermine clinical excellence.

저자들은 다음과 같이 주장합니다:

• 지금과 같은 Pass/Fail 방식 대신,
• 의과대학은 학생들이 '임상적으로 탁월한(clinically outstanding)' 의사가 될 수 있도록 돕는 평가 체계를 구축해야 한다는 것입니다.

🔹 의과대학의 주된 사명과 평가 방식

의과대학과 수련 프로그램의 주된 사명은
➡️ 훌륭한 환자 진료(excellent patient care)를 제공할 수 있는 의사 양성입니다.

그러나 현재 형태의 Pass/Fail 시스템은 다음과 같은 이유로 그 목표를 위협할 수 있습니다:

• 의과대학생은 모든 학습자와 마찬가지로, **활동의 가치(value)**에 따라 동기부여를 받습니다.
• 학생들은 무엇이 실제 임상에서 필요한 지를 미리 알기 어렵습니다.
• 따라서, 특히 임상적으로 중요한 내용을 다루는 필수 강의나 실습에서, **등급이 있는 평가(tiered grades)**는 학생들에게 학습 동기를 부여하는 역할을 합니다.
  • 이는 처음엔 중요해 보이지 않을 수 있지만, 훗날 의사로서의 역량(competence)을 갖추는 데 필수적인 주제들을 익히게 만듭니다.

👉 실제로, 의과대학 초기에 보인 학업 성취도는 이후 임상 역량과 관련이 있습니다.

Academic performance, even early in medical school, is associated with future clinical competence.

🔹 외재적 동기의 공백과 "그림자 경제(Shadow Economy)"

**등급이 있는 평가(tiered grades)**가 폐지되면, 그 자리를 **다른 외재적 동기(external motivators)**가 채우게 됩니다.
학생들은 레지던시 프로그램에 눈에 띄기 위해 압박감을 느끼게 되며,

Students feel pressure to distinguish themselves to residency programs.

등급이 없는 평가 체계 속에서, 학생들은 평가받지 않는(ungraded) 임상 기술을 향상시킬 것인지,
아니면 전략적 가치가 더 높은 활동들(e.g., 연구 활동)에 우선순위를 둘 것인지 사이에서 선택해야 합니다.

특히, **비임상 지표(nonclinical metrics)**를 중시하는 레지던시 프로그램에 지원할 계획인 학생들에게는 더욱 그렇습니다.

저자들은 이를 통해 다음과 같은 문제가 발생할 수 있다고 경고합니다:

• 학생들이 점점 더 연구, 자원봉사, 아르바이트 등 다양한 활동을 쌓는 데 집중하게 되며,
• 질보다는 양을 중시하는 경향이 생기고,
• 그 결과, 임상 학습(clinical learning)이 희생될 수 있습니다.

We worry about the perpetuation of a “shadow economy”… at the expense of clinical learning.

나아가, **임상 학습과 돌봄(caregiving)에서 멀어지도록 만드는 유인(incentives)**은
➡️ 학생들의 **의학적 소명의식(sense of purpose)**을 약화시킬 수 있습니다.

🔹 평가 정보의 부재와 레지던시 선발의 왜곡

성적 정보가 사라진 상황에서는, 레지던시 프로그램 측도 지원자 간의 차이를 구별하는 데 어려움을 겪게 됩니다.

Without access to information on grades, residency programs may struggle to differentiate among applicants.

이 경우 가능한 두 가지 시나리오는 다음과 같습니다:

1. 최선의 경우: 질적인 평가(qualitative evaluations)에 의존하겠지만,
   • 대부분의 코멘트는 너무 일반적이고 모호해서 실질적으로 쓸모가 없습니다.
2. 최악의 경우:
   • **논문 수(publication count)**와 같은 **질 낮은 비임상 지표(low-quality, nonclinical metrics)**를 중시하거나,
   • **내부 인맥과 추천(back door endorsements)**에 의존하게 되어,
     연줄(connections)이 있는 학생들에게 유리하게 작용할 수 있습니다.

🔹 평가 방식에 대한 논쟁과 근거 부족

의과대학의 성적 평가 방식에 대한 논쟁은 학생들의 환멸(disillusionment) 증가와 교수들이 느끼는 학생들의 임상 실습 소홀 등의 인식 속에서 더욱 격화되고 있습니다.

Disagreements about medical school grading have intensified amid growing trainee disillusionment and a perception… that students have deprioritized clinical work.

이에 따라 성적 정책을 결정하는 데 있어 다음과 같은 고려가 필요합니다:

• 학생 웰빙(well-being)
• 동기부여(motivation)
• 타당도(validity)
• 형평성(equity)
• 레지던시 선발(residency selection)

그러나, 이와 관련한 대부분의 주장은 의견(opinions)에 기반할 뿐이며,
정책 결정을 뒷받침할 만큼 충분한 근거(evidence)는 부족합니다.

🔹 Tiered Grading의 장단점

**등급 평가(tiered grading)**는 학생들에게 임상 활동에 더 많은 노력을 기울이도록 동기를 부여하지만,
다음과 같은 단점도 존재합니다:

• 임상 평가 기준은 주관적이고 불명확할 수 있으며,
• 학생들은 자신의 지식 부족을 감추기 위해 질문을 회피하거나 도전을 두려워하게 되고,

students may avoid asking questions and learn to fear challenges rather than welcome them.

• 또한, **임상실습 평가(clerkship grading)**는
  인종, 민족, 성별에 따라 **불평등(disparities)**이 존재한다는 연구 결과도 있으며,
  이는 소수자 집단(marginalized groups)에게 불리하게 작용하고,
  **유능한 임상의(talented clinicians)**를 발굴하는 데 방해가 됩니다.

🔹 제안: 낮은 기준은 충분하지 않다

이처럼 상반된 **이점과 위험성(conflicting benefits and risks)**이 공존하면서, 의과대학 평가 방식, 특히 Clerkship 평가를 둘러싼 논란이 깊어지고 있습니다. 저자들은 주장합니다:

“Until there is a stronger evidence base… any system that involves setting low standards for clinical learning isn’t good enough.”
"임상 학습에 대해 낮은 기준을 설정하는 어떤 시스템도 충분하지 않다."

✅ 다섯 가지 핵심 제안 (표로 제시됨)

저자들은 Tiered vs. Pass/Fail 논쟁을 넘어설 수 있도록,
다음의 **5가지 평가 우선 영역(five priority areas for assessment)**을 제안합니다:

1. 환자 진료(patient care)의 핵심 가치 강조
2. 근거 기반의 평가 정책 결정
3. 임상 학습 경험의 강화
4. 형평성 있는 제도 운영(equitable institutional practices)
5. 임상적 탁월성(clinical excellence) 문화를 조성

We believe medical school leaders should emphasize the core value of patient care… and support a culture of clinical excellence.

🔷 의학교육 평가를 위한 다섯 가지 우선 과제 (Five Priorities for Medical Education Assessment)

1️⃣ 평가 목표 설정: 학생뿐 아니라 미래의 환자를 고려해야 함

의과대학의 리더들은 **교수진과 학생 등 다양한 이해관계자(stakeholders)**와 협력하여
**학생뿐 아니라 학생의 미래 환자들을 위한 평가 목표(assessment goals)**를 설정해야 합니다.

"define assessment goals that take into account commitments not just to students but also to students’ future patients."

물론, 이상적으로는 학생의 웰빙(well-being), 과외 활동 참여(extracurricular engagement),
그리고 환자 진료 목표(patient care goals) 사이에서 win–win 해법을 찾을 수 있습니다.
하지만, 모든 목표를 동시에 만족시킬 수 없는 경우에는
➡️ 관리자들이 이러한 상충(trade-offs)에 대해 투명하게 소통해야 합니다.

2️⃣ 근거 기반의 정책 결정: 단기성과를 넘어서 장기성과까지 고려

신약이나 기술을 평가하듯이, 의과대학도 성적 제도를 단순한 의견(opinions)이 아니라, 데이터(data)에 기반해 설계해야 합니다.

• 시험 성적이나 학생 만족도와 같은 **단기 지표(short-term outcomes)**만이 아니라,
• **학습, 웰빙, 그리고 궁극적으로는 환자 진료 역량(patient care skills)**에 미치는 장기적 영향을 평가해야 합니다.

📌 **무작위 연구(randomized studies)**도 윤리적·실현 가능하며,
➡️ 학생들이 무작위 배정에 대해 사전 동의한 경우 의학교육에서도 충분히 활용 가능합니다.

또한 다음과 같은 체계를 구축해야 합니다:

• 실시간 데이터를 모니터링하여 **지속적 질 향상(continuous quality improvement)**에 활용하고,
• 졸업생들의 임상 역량 및 성장 가능성에 대한 피드백을 레지던시 프로그램으로부터 받아야 합니다.

3️⃣ 평가 외적 요소에 대한 주의: 임상 경험의 질과 피드백이 학습을 결정짓는다

성적 제도가 학습에 미치는 영향에만 집중해서는 안 됩니다.
의과대학은 다음과 같은 교육과정(curricular) 요소들도 함께 고려해야 합니다:

• 임상실습의 횟수, 강도, 특성
• 의미 있는 역할 부여 (e.g., graduated autonomy in clerkships)
• 고품질의 피드백 제공(high-quality and timely feedback)
• 사례 기반 학습(case-based learning), 표준화 환자 활동(standardized-patient experiences) 등으로
  Pre-clerkship 단계에서 임상 추론 능력을 키우는 활동

이러한 전략은 어떤 평가 제도를 사용하든 학습 향상에 기여할 수 있으며,
**학생–교수 간의 연속적인 상호작용(continuity)**은
➡️ 시간에 따른 객관적 및 주관적 데이터의 통합을 가능하게 하고,
➡️ **학생들의 장기적 성장(longitudinal development)**을 촉진할 수 있습니다.

4️⃣ 평가 형평성 확보: 차별(disparity)을 인지하고 시정하라

의과대학은 **성적 평가에서 나타나는 불평등(disparities)**을 철저히 감시(vigilant)하고,
제도적 정책이 이를 완화하거나 악화시키는 방식에 대해 숙고해야 합니다.

이를 위해 다음을 고려해야 합니다:

• 상과(honors)나 수상(awards)의 기준이 편향되어 있는지 점검하고,
• 필요 시 편향된 지표(biased metrics)의 사용을 피해야 하며,
• 레지던시 프로그램과의 투명한 정보 공유를 통해
  ➡️ 학생 평가의 형평성 확보를 도모해야 합니다.

5️⃣ 임상적 탁월성(clinical excellence)을 일관되게 강조하라

성적 체계가 tiered든 pass/fail이든 상관없이, 의과대학은 의과 교육 전반에 걸쳐 임상적 탁월성을 강조해야 합니다:

• 학생 선발(admissions)
• 오리엔테이션
• 재방문 프로그램(revisit)
• 강의와 실습
• 레지던시로의 전환 등 모든 교육의 순간에서

특히 Pass/Fail 제도를 도입한 학교는 다음 두 가지를 반드시 수행해야 합니다:

1. 합격 기준(passing threshold)은 ‘의미 있고 높은 수준’이어야 하며,
2. **기준을 충족하지 못한 학생에게는 충분한 보완(remediation)**이 이루어져야 합니다.

Administrators… must ensure that they set a meaningful passing threshold — in other words, a high bar for clinical excellence — and implement substantive remediation…

“P = MD”라는 개념은 더 이상 유효하지 않으며,
➡️ 학생들에게는 합격선을 넘는 성취가 헛된 노력(wasted effort)이 아니라는 메시지를 전달해야 합니다.

✅ 결론: “Good Enough”는 충분하지 않다

“When it comes to training physicians, we believe a grading system that supports the concept of just ‘good enough’ isn’t good enough.”

의사를 양성하는 데 있어, 단지 “충분히 괜찮은(good enough)” 정도로 만족시키는 성적 제도는 결코 충분하지 않습니다.

우리는 교육 프로그램이 **임상적 탁월성(clinical excellence)**을 중심 가치로 재확인하고,
이를 향해 나아가도록 체계를 조정할 때, 비로소 더 높은 수준의 교육과 평가를 실현할 수 있습니다.

“By reaffirming the centrality of clinical excellence and aligning educational programs to advance this goal, we can all earn a higher grade.”

🏫 의과대학 평가를 위한 우선 영역 (Priority Areas for Medical School Assessment)

📝 이 표는 논문 본문에서 제시된 다섯 가지 평가 우선 영역을 구체적 실행 전략과 함께 요약한 것입니다. 블로그 포스트나 슬라이드 제작용으로 시각적 구조를 유지한 채 재구성하거나, 각 항목을 해설하는 교육자료 형식으로도 정리해드릴 수 있으니 원하시는 방향이 있다면 말씀해주세요!

Iyer, A. A., Hirsh, D. A., & Schwartzstein, R. M. (2025). Medical School Grading—Is “Good Enough” Good Enough?. New England Journal of Medicine.

🎓 협력학습(Collaborative Learning)의 본질을 파헤치다

– Marjan Laal의 논문을 바탕으로

안녕하세요! 오늘은 의학교육이나 다양한 교수 상황에서 자주 언급되는 ‘협력학습(Collaborative Learning)’이란 무엇인지, 그리고 진정한 협력학습으로 작동하기 위해 어떤 요소들이 필요한지를 탐구해보려고 해요. 소개해드릴 논문은 Marjan Laal 교수가 발표한 *“Collaborative Learning; Elements”*입니다.

이 글 하나만 읽어도, 해당 논문의 핵심 내용을 충분히 이해할 수 있도록 찬찬히 풀어볼게요. 😊

🧩 협력학습이란 무엇인가요?

논문에서는 협력학습을 이렇게 정의하고 있어요.

“협력학습은 다양한 수행 수준의 학습자들이 소그룹으로 함께 공통의 목표를 향해 나아가는 수업 방식이다.”
"Collaborative learning refers to an instruction method in which learners at various performance levels work together in small groups toward a common goal."

여기서 중요한 건, 단순히 모여 앉아 있는 게 협력학습이 아니라는 거예요. 서로 도움이 되는 방식으로 적극적으로 상호작용하고, 공통의 책임을 가지며, 학습 공동체로서 기능할 때 진정한 협력학습이 되는 겁니다.

🤝 왜 협력학습인가요?

Laal 교수는 협력(collaboration)을 이렇게 설명합니다.

“협력은 상호작용의 철학이자 삶의 태도다. 개인은 자신의 행동에 책임을 지며, 동료의 능력과 기여를 존중한다.”
"Collaboration is a philosophy of interaction and personal lifestyle where individuals are responsible for their actions, including learning and respect the abilities and contributions of their peers."

21세기에 들어서면서, 혼자 생각하고 일하는 방식에서 벗어나, 함께 고민하고 함께 해결하는 방식이 점점 더 중요해지고 있어요. 특히 교육현장에서는 토론, 협업, 다양한 시각의 교류를 통해 더 깊이 있는 이해가 가능해지죠.

⚙️ 협력학습을 구성하는 5가지 핵심 요소

논문은 Johnson & Johnson의 연구(1990, 1998)를 토대로, 협력학습의 핵심 요소 다섯 가지를 다음과 같이 제시하고 있어요.

1. ✅ 긍정적인 상호의존성 (Positive Interdependence)

팀원들은 서로에게 의존할 수밖에 없고, 누군가 제 역할을 하지 않으면 전체가 영향을 받는 구조여야 해요.

“각 팀원들은 성공을 위해 서로에게 의존해야 한다는 믿음을 가져야 한다.”
"Members need to believe that they are linked with others in a way that ensures that they all succeed together."

이런 구조가 제대로 만들어져야 협력학습이 작동해요. “너 없인 나도 없다”는 걸 모두가 이해해야 하죠. 🔗

2. 💬 상호작용 (Promotive Interaction)

팀원들은 서로를 도우며 배워야 해요. 단순한 정보 교환이 아니라, 문제 해결 방법을 설명하고, 개념을 논의하고, 서로의 이해를 확인하는 상호작용이 필요하죠.

“그룹 구성원들은 피드백을 주고받고, 결론을 도전하며, 가장 중요하게는 서로를 가르치고 격려해야 한다.”
"Group members must be done interactively providing one another with feedback, challenging one another's conclusions and reasoning, and perhaps most importantly, teaching and encouraging one another."

3. 🙋 개별 책무성 (Individual Accountability)

공동 작업이라 하더라도 모든 팀원이 각자의 책임을 져야 해요. ‘무임승차’는 협력학습을 망치는 지름길이에요.

“모든 팀원은 작업의 자신의 부분과 학습 내용 전체를 숙달할 책임이 있다.”
"All members in a group are held accountable for doing their share of the work and for mastery of all of the material to be learned."

4. 🗣️ 사회적 기술 (Social Skills)

단순히 앉아서 얘기만 하면 될까요? 아니요. 협력은 기술이에요. 특히 신뢰, 의사소통, 갈등관리, 리더십 같은 사회적 기술이 매우 중요하죠.

“구성원들은 신뢰 구축, 의사결정, 커뮤니케이션, 갈등관리 등의 기술을 개발하고 연습해야 한다.”
"Members are encouraged and helped to develop and practice trust-building, leadership, decision-making, communication, and conflict management skills."

5. 🔍 집단 자기 평가 (Group Processing)

그룹은 주기적으로 “우리가 잘하고 있는가?”, “무엇을 개선할까?”를 돌아봐야 해요. 이를 통해 집단의 기능을 지속적으로 향상시킬 수 있죠.

“협력적 노력을 통해 목표를 달성하는 데 있어 구성원들의 효과성을 명확히 하고 향상시키는 것, 그것이 집단 자기 평가의 목적이다.”
"The purpose of group processing is to clarify and improve the effectiveness of the members in contributing to the collaborative efforts to achieve the group’s goals."

💭 협력학습이 왜 중요한가요?

이 논문에서는 **공자(Confucius)**의 오래된 말을 인용하면서 협력학습의 철학을 이렇게 정리하고 있어요.

“나에게 말하면 잊어버릴 것이다. 나에게 보여주면 기억할지도 모른다. 나를 참여시키면 이해할 것이다.”
"Tell me and I will forget, Show me and I may remember, Involve me and I will understand."

그리고 Silberman은 이 말을 확장해서 이렇게 표현했죠.

“내가 듣는 것은 잊어버리고, 듣고 보는 것은 조금 기억하며, 듣고 보고 질문하거나 토론하는 것은 이해하기 시작한다.
듣고 보고 토론하고 행동하는 것은 지식과 기술을 익히고,
누군가에게 가르치는 것은 완전히 숙달하게 된다.”
"What I hear, I forget. What I hear and see, I remember a little. What I hear, see, and ask questions about or discuss with someone else, I begin to understand. What I hear, see, discuss and do, I acquire knowledge and skills. What I teach to another, I master."

결국 학습자는 수동적으로 듣는 존재가 아니라, 능동적으로 참여하고 가르칠 수 있을 때 진짜 학습이 이루어진다는 거예요. 🎯

🧠 마무리 정리: 협력학습의 핵심 키워드

핵심 요소 의미 요약

🔶 1.1. 서론 (Introduction)

✅ 협력(Collaboration)의 철학적 의미

• **협력(collaboration)**은 단지 작업 방식이 아니라,
• 상호작용에 대한 철학이자, **개인의 삶의 태도(lifestyle)**이다.
• 이 철학은 다음을 전제로 한다:
  • 개인은 자신의 행동(learning 포함)에 대해 책임을 지고,
  • 동료의 능력과 기여를 존중한다.
• 사람들이 모여 집단을 이루는 모든 상황에서, 협력은 다음과 같은 상호작용 방식을 제안한다:
• 구성원 각자의 역량과 기여를 존중하고 부각시키는 관계 설정
• CL에서는 다음과 같은 집단 내 민주적 구조가 중요하게 작동한다:
  • 권한의 공유 (Sharing of authority)
  • 책임의 수용 (Acceptance of responsibility)

✅ 협력학습(Collaborative Learning, CL)의 근본 전제

• 협력학습의 핵심은 경쟁이 아니라 협력이다.
• 구성원 간의 협력을 통해 **합의(consensus)**를 이끌어내는 방식이며,
  이는 개인이 다른 구성원을 이기기 위해 경쟁하는 방식과는 대조적이다.
• 이러한 협력적 철학은 단지 교실 수업에만 국한되지 않으며,
• 위원회 회의, 지역사회 활동, 가정 내 상호작용 등 다양한 상황에서
  **삶의 방식(living and dealing with people)**으로 실천된다 (Panitz, 1996).

✅ 21세기의 협력 필요성

• 협력은 **21세기의 대표적 인간 참여 방식(human engagement)**으로 주목받고 있다.
• 복잡하고 비판적인 문제들을 해결하기 위해,
• 함께 사고하고, 함께 일하는 능력의 필요성이 증가하고 있다 (Austin, 2000; Welch, 1998).
• 이에 따라 교육에서도 다음과 같은 변화가 일어나고 있다:
  • 개인 중심 시도 → 팀워크 중심
  • 자율성 중심 → 공동체성 중심
    (Leonard & Leonard, 2001)

✅ CL의 오해들 (Klemm, 1994)

협력학습은 종종 잘못 이해되는데, 다음과 같은 활동은 CL이 아니다:

1. 각자 개별 과제를 하며 서로 대화만 나누는 것 (직접 혹은 온라인)
2. 개인별로 과제를 수행한 후, 먼저 끝낸 사람이 나중에 끝낸 사람을 도와주는 것
3. 한두 명만 과제를 수행하고, 나머지는 결과물에 이름만 올리는 것

✅ 진정한 CL은 상호 의존적이며, 공동 책임을 기반으로 한 적극적 참여와 지적 상호작용을 포함해야 한다.

✅ 본 논문의 목적

• 이 논문은 다음을 목적으로 한다:
  • 협력학습의 기본 개념을 제시하고,
  • CL을 구성하는 핵심 요소들을 정의하고 특성화하려는 시도이다.

📌 요약 정리

항목 내용

🔶 1.3. 결과 (Results)

✅ 인간 상호작용 방식의 세 가지 유형 (Brown & Lara, 2011, 인용: Johnson, 2009)

개인이 타인의 행동과 관련하여 행동을 취하는 방식에는 세 가지가 있다:

1. 타인의 성공을 촉진하는 방식 (협력적)
2. 타인의 성공을 방해하는 방식 (경쟁적)
3. 타인의 성공/실패와 무관한 방식 (개별적)

즉, 개인은 다음 세 가지 방식 중 하나로 행동할 수 있다:

• ♻️ 협력적(cooperative):
  공동의 학습 목표 달성을 위해 함께 작업하는 방식
• ⚔️ 경쟁적(competitive):
  소수만이 도달할 수 있는 목표를 두고 서로 경쟁하는 방식
• 👤 개별적(individualistic):
  다른 사람의 목표와 무관하게 자신만의 목표를 위해 학습하는 방식

✅ 협력학습(CL)의 특징 (Srinivas, 2011)

• CL은 학습자들이 집단을 이루어 문제를 해결하거나, 과제를 완수하거나, 산출물을 창출하는 교육적 접근이다.
• CL 환경에서는 학습자가 사회적·정서적으로 도전을 받는다:
  • 다양한 관점을 듣고,
  • 자신의 생각을 표현하고 방어하며,
  • 자신만의 개념적 틀을 구축하게 된다.
• 학습자들은 다음과 같은 경험을 하게 된다:
  • 동료와 의사소통
  • 아이디어 제시 및 방어
  • 다양한 신념 교환
  • 다른 개념 틀에 대한 질문 제기
  • 능동적 참여

✅ Johnson 외 (1990)의 협력학습 5대 핵심 요소

협력학습은 단순히 집단으로 학습하는 것과는 다르며,
다음의 5가지 구성 요소가 충족될 때에만 진정한 CL로 간주된다:

1️⃣ 명확히 인식된 긍정적 상호의존성 (Positive Interdependence)

• 팀원은 목표 달성을 위해 서로에게 의존해야 하며,
• 한 명이 역할을 다하지 않으면 모두가 손해를 본다.
• 모든 구성원은 서로가 성공해야 나도 성공할 수 있다는 믿음을 공유해야 한다.
• 핵심 개념:
• “함께 하면 더 나은 학습과 산출물이 가능하다”는 믿음

2️⃣ 의미 있는 상호작용 (Considerable Interaction)

• 구성원들은 서로를 돕고 격려하며 학습을 촉진한다:
  • 이해한 내용을 설명
  • 지식 공유 및 수집
  • 피드백 제공
  • 결론과 추론에 대한 도전
  • 서로에게 가르치고, 동기를 부여
• 이러한 상호작용은 쌍방향적이고 능동적으로 이루어져야 한다.

3️⃣ 개별 책임과 개인적 책임 (Individual Accountability & Personal Responsibility)

• 각 구성원은:
  • 자신의 역할을 성실히 수행할 책임
  • 학습할 모든 내용을 이해하고 숙달해야 할 책임이 있다.

4️⃣ 사회적 기술 (Social Skills)

• CL은 인지적 활동뿐만 아니라, 사회적 역량 개발도 중요시한다.
• 학습자들은 다음과 같은 기술을 배우고 연습한다:
  • 신뢰 형성
  • 리더십
  • 의사결정
  • 의사소통
  • 갈등 관리

5️⃣ 집단 자기평가 (Group Self-Evaluation / Group Processing)

• 팀은 다음을 수행해야 한다:
  • 그룹 목표 설정
  • 현재 잘하고 있는 점 평가
  • 더 나은 작동을 위한 개선 방안 도출
• 이는 팀의 지속적인 성장과 학습 효율성을 도모하는 핵심 절차이다.

✅ 핵심 요약표

요소 설명

🔶 1.4. 논의 (Discussion)

✅ 공자의 교육 철학: 참여를 통한 이해

2400여 년 전, **공자(Confucius)**는 다음과 같은 교육적 통찰을 남겼다:

• 🗣️ “말해주면 잊어버린다”
• 👁️ “보여주면 기억할지도 모른다”
• 🤝 “참여하게 하면 이해한다”

→ 공자는 이미 수천 년 전에, 학습자가 능동적으로 참여할 때 진정한 학습이 일어난다고 보았다.

✅ 21세기 학습자의 요청: “나를 참여시켜달라”

• 오늘날 학습자들도 공자와 동일한 메시지를 외치고 있다:
• “단순히 알려주지 말고, 내가 직접 참여하고 몰입할 수 있도록 해달라”
  (Hsu & Malkin, 2011)
• 학습은 단순히 정보를 누군가의 머릿속에 붓는다고 해서 일어나는 것이 아니다.
• 학습자는 스스로 **인지적 처리(mental processing)**를 수행해야 하며,
  수동적 강의만으로는 진정한 학습이 일어날 수 없다.

✅ Silberman의 ‘능동 학습 신조’ (The Active Learning Credo)

• **Silberman (1996)**은 공자의 말을 현대적으로 재해석하여,
  학습의 깊이를 설명하는 **능동 학습 신조(Credo)**를 제시했다:

활동 수준 학습 수준

• 이 Credo는 학습의 수준이 정보 수용 → 상호작용 → 수행 → 가르침으로 갈수록
  점점 더 깊이 있는 이해와 숙달로 나아간다는 점을 보여준다.

✅ 논의의 시사점

• 참여와 몰입은 협력학습의 핵심 원리이자,
• 고대의 교육 철학과 현대 학습과학이 일치하는 지점이다.
• 협력학습은 학습자가:
  • 질문하고,
  • 토론하고,
  • 직접 해보고,
  • 타인과 상호작용하며,
  • 심지어 가르치는 ‘행위자(Agent)’로 전환되는 교육적 환경을 설계한다.

📌 요약 정리

항목 내용

🔶 협력학습(CL)의 개념과 핵심 요소: 긍정적 상호의존성 중심

✅ 협력학습(CL)의 기본 개념 (Gokhale, 1995 인용)

• 협력학습(CL)은 학습자들이 공동의 학습 목표를 달성하기 위해 짝을 이루거나 소그룹을 구성하는 교수법이다.
• 이 교수법은 다음의 특징을 지닌다:
  • 수준이 다양한 학습자들이 함께 소그룹으로 작업함
  • 학습자는 자신뿐 아니라 동료의 학습에도 책임을 짐
  • 한 사람의 성공이 다른 사람의 성공으로 이어짐

✅ 핵심 구성 요소: 긍정적 상호의존성 (Positive Interdependence)

▶ 정의 및 설계 방법

• 긍정적 상호의존성은 다음과 같이 구조화되어야 효과적이다:
• 구성원들이 “나 혼자 성공할 수 없고, 모두가 함께 성공해야 한다”는 인식을 갖도록 하는 구조
• 따라서 그룹의 목표와 과제는 다음의 방식으로 설계되어야 한다:
  • 함께 성공하거나 함께 실패한다는 메시지가 전달되어야 함 (sink or swim together)
  • 개별 구성원의 노력이 필수적이고, 대체 불가능한 것으로 인식되어야 함
  • 각 구성원이 자신만의 자원, 역할, 책임을 바탕으로 고유한 기여를 하도록 구조화되어야 함

▶ 핵심 효과

• 이러한 구조는 다음과 같은 효과를 낳는다:
  • 학습자는 **자신뿐 아니라 동료의 성공에도 헌신(commitment)**하게 된다.
  • 긍정적 상호의존성이 없다면 협력학습도 성립하지 않는다.
• 구성원들이 긍정적 상호의존성을 명확히 이해하게 되면, 다음을 인식하게 된다:
  • 모든 구성원의 노력이 필요하고 대체 불가능
  • 각자의 자원, 역할, 책임을 기반으로 한 고유한 기여가 존재함
    (Johnson, R.T., Johnson, D.W., & Holubec, E.J., 1998)

✅ 상호작용의 조건: 긍정적 상호의존성만으로는 부족하다

• CL 활동에서 요구되는 충분한 수준의 상호작용을 생성하려면,
  긍정적 상호의존성만으로는 충분하지 않다.

▶ 더 강한 상호작용을 유도하기 위한 조건

1. 구성원들은 팀의 성공이 각자의 기여에 달려 있다고 인지해야 한다.
2. 성공을 위해서는 지속적인 상호작용, 특히 **대면 상호작용(face-to-face interaction)**이 필수적이라고 믿어야 한다.

✅ 핵심 정리

항목 설명

🔶 협력학습의 구성 요소: 상호의존성, 상호작용, 개별 책무성

✅ 1. **긍정적 상호의존성 (Positive Interdependence)**의 한계와 조건

• 보고서 작성, 프로그래밍 과제 등은 하나의 공동 산출물을 만들기 때문에
  겉보기에는 긍정적 상호의존성을 가진 과제로 보일 수 있다.
• 하지만 이러한 과제가 지속적인 상호작용을 반드시 요구하지는 않는다.
• 진정한 긍정적 상호의존성의 핵심은 다음에 있다:
• “자기 자신의 성공뿐만 아니라, 팀의 모든 구성원이 성공하도록 헌신하는 것”
  (istudy, 2004)

✅ 2. 촉진적 상호작용 (Promotive Interaction)

• 촉진적 상호작용이란 학습 활동 또는 과제가 다음을 필요로 하는 경우를 말한다:
  • 지속적인 대화(conversation)
  • 의견 교환(exchange)
  • 상호 지원(support)
• 구성원들은 실제로 함께 작업하면서,
• 자원을 공유하고, 서로를 돕고, 격려하고, 성취를 축하하며
  → **상호 성공을 촉진(promote)**한다.

▶ 이때 발생하는 주요 인지 활동과 상호작용 역학:

• 문제 해결 방법에 대한 구두 설명
• 자신의 지식을 다른 사람에게 가르치기
• 이해도 점검
• 현재 학습 중인 개념에 대해 토론
• 현재 학습과 과거 지식 간 연결짓기

➡️ 이러한 활동은 집단 과제 지시와 절차에 구조화하여 포함시킬 수 있다.

▶ 결과적으로 CL 그룹은 다음의 이중적인 지원 체계가 된다:

구분 설명

📌 대면 상호작용을 통한 학습 촉진 과정 속에서,
구성원들은 서로의 성공과 존재 모두에 헌신하게 된다 (Foundation Coalition, 2004)

✅ 3. 개별 책무성 (Individual Accountability)

▶ 정의와 필요성

• 개별 책무성은 **무임승차(free riding)**나 **사회적 태만(social loafing)**을 방지하기 위한 구조적 장치이다.
• 이는 학습자 각자가:
  • 자신의 수행과 학습에 책임을 져야 한다는 인식을 갖는 것

▶ 실제 구현 방법

• 각 개인의 수행을 평가하고,
• 그 결과를 개인과 그룹에 모두 피드백함으로써,
  • 누가 더 많은 지원이나 격려가 필요한지 파악할 수 있다.

▶ 무임승차가 발생하기 쉬운 상황 (Harkins & Petty, 1982; Kerr & Bruun, 1981; Williams et al., 1981):

• 각자의 기여도를 식별하기 어려운 경우
• 구성원들의 기여가 중복되는 경우
• 구성원들이 최종 산출물에 대해 책임지지 않는 경우

➡️ 이럴 때 학습자는 책임감을 느끼지 않고, 학습에 소극적으로 참여하게 된다.

✅ CL의 목표와 개별 책무성의 의미

• 협력학습의 목적은, 각 구성원이 독립적으로도 강한 학습자가 되도록 돕는 것이다.
• 구성원은 함께 학습함으로써,
• 나중에는 혼자서도 더 잘 수행할 수 있는 역량을 갖추게 된다.
• 다시 말해, CL은 집단 속에서 학습한 내용을 개인의 내면화로 전환시키는 교수 전략이다.

📌 요약 정리

요소 핵심 내용

🔶 협력학습의 핵심 요소 ④⑤: 대인관계 기술 & 집단 과정

✅ ④ 대인관계 및 소집단 기술의 적절한 사용 (Appropriate Use of Interpersonal and Small-Group Skills)

▶ 협력적 목표 달성을 위한 필수 조건 (Johnson, 2005; 1991; Johnson & Johnson, 2008)

서로의 노력을 조율하고 공동의 목표를 달성하기 위해, 학습자들은 다음과 같은 사회적 기술을 활용할 수 있어야 한다:

• 🤝 서로를 이해하고 신뢰하는 것
• 🗣️ 정확하고 명확하게 소통하는 것
• 💬 서로를 수용하고 지지하는 것
• ⚖️ 갈등을 건설적으로 해결하는 것

📌 이 네 가지는 협력학습이 원활히 작동하기 위한 기초 역량이다.

▶ 사회적 기술 교육의 필요성

• 학습자들이 협력학습 환경에서 **질 높은 협력(high-quality collaboration)**을 수행하기 위해서는,
  • 관련 사회적 기술을 명시적으로 가르쳐야 하며,
  • 그것을 적극적으로 사용하도록 동기를 부여해야 한다.
• 집단 역학(group dynamics) 분야 전체는 다음의 전제를 기반으로 한다:
• “사회적 기술은 집단의 생산성을 좌우하는 핵심 요인이다.”
  (Johnson & Johnson, 2008)

✅ ⑤ 집단 과정 (Group Processing)

▶ 정의 및 개념

• 집단 과정이란, 그룹이 자신의 작동 방식을 **반성적으로 성찰(reflect)**하는 것을 의미한다.
• 여기서 ‘과정(process)’이란:
• 시간에 따라 일어나는 일련의 식별 가능한 사건들의 흐름
• **결과 목표(outcome goals)**를 달성하는 데 있어서,
  → **과정 목표(process goals)**란 그러한 결과를 이끌어내는 일련의 행위들을 의미한다.

▶ 집단 과정의 구체적 활동

• 집단 구성원들이 함께 모여 다음을 수행함:
  1. 서로의 행동 중 어떤 것이 유익했고, 어떤 것이 그렇지 않았는지 기술하기
  2. 계속 유지할 행동과 변경이 필요한 행동을 결정하기

➡️ 이를 통해 집단은 스스로의 작동 방식에 대한 통찰을 얻고,
→ 협력적 노력의 효율성과 효과성을 개선할 수 있게 된다.

▶ 집단 과정의 목적 (Johnson & Johnson, 2008)

• 구성원들이 협력 목표 달성에 효과적으로 기여할 수 있도록
  → 역할 수행의 명료화 및 집단 기능의 향상을 촉진하는 데 있다.

✅ 요약 정리

요소 핵심 내용

🔶 1.5. 결론 (Conclusion)

✅ 협력학습의 정의와 학습 환경

• **협력학습(Collaborative Learning, CL)**은
• 학습자 간의 **공동 지적 노력(joint intellectual effort)**을 기반으로 한 **다양한 교육 접근 방식의 포괄적 개념(umbrella term)**이다.
• CL 환경에서는 학습자들이 다음과 같은 **사회적·정서적 도전(social and emotional challenges)**을 경험한다:
  • 다양한 관점을 듣고,
  • 자신의 아이디어를 명확히 표현하고 방어해야 하며,
  • 능동적으로 참여하게 된다.
• 이 과정에서 학습자는:
  • 동료들과 의견을 나누고,
  • 아이디어를 제시하고 토론하며,
  • 다양한 신념을 교환하고,
  • 서로의 개념 틀에 질문을 제기하는 기회를 갖게 된다.

✅ 협력학습을 구성하는 필수 요소들

협력학습으로 인정되기 위해서는 다음 5가지 핵심 요소가 반드시 포함되어야 한다:

① 긍정적 상호의존성 (Positive Interdependence)

• 모든 팀 구성원이 서로에게 의존해야만 목표 달성이 가능함
• 한 사람이 역할을 수행하지 않으면 전체가 영향을 받음
• 구성원은 “우리는 함께 성공하거나 함께 실패한다 (sink or swim together)”는 믿음을 공유해야 한다.

② 촉진적 상호작용 (Promotive Interaction)

• 구성원들은 서로 가르치고, 문제 해결과 개념 이해를 도와주며,
• 학습을 지원하고, 격려하고, 성취를 함께 축하한다.

③ 개별 책무성 (Individual Accountability)

• 구성원 개개인이 자신의 학습과 과업에 책임을 져야 함
• 무임승차를 방지하고, 질 낮은 작업이 집단에 의해 수용되지 않도록 방지한다.

④ 사회적 기술 (Social Skills)

• CL은 다음과 같은 사회적 역량 개발을 요구하고, 지원한다:
  • 리더십
  • 의사결정
  • 신뢰 형성
  • 의사소통
  • 갈등 해결

⑤ 집단 자기평가 (Group Self-Evaluation)

• 집단은 목표 달성 및 팀워크의 질에 대해 성찰하고,
  • 어떤 행동이 도움이 되었고, 그렇지 않았는지를 평가하며,
  • 지속하거나 변경해야 할 행동을 결정한다.

✅ 결론 요약 표

핵심 요소 설명

Laal, M. (2013). Collaborative learning; elements. Procedia-Social and Behavioral Sciences, 83, 814-818.

🎓 함께 배우는 힘: 협력학습(Collaborative Learning)이란 무엇인가?

“혼자 가면 빨리 갈 수 있지만, 함께 가면 더 멀리 갈 수 있다.”

교육에서도 마찬가지입니다. 이제는 혼자 외우는 학습에서 벗어나, 함께 생각하고 만들어가는 학습이 강조되는 시대입니다. 이 포스팅에서는 Marjan Laal과 Mozhgan Laal이 발표한 논문 [Collaborative Learning: What is it?]을 바탕으로 협력학습(Collaborative Learning, 이하 CL)의 개념과 역사, 핵심 요소들, 협동학습(Cooperative Learning)과의 차이, 그리고 오늘날 교육에서의 함의를 정리해보려 합니다.

🧩 1. 협력학습(Collaborative Learning)의 개념과 등장 배경

❓ 협력학습이란?

협력학습(Collaborative Learning)은 학생들이 함께 문제를 해결하거나 과제를 수행하며 공동의 학습 목표를 추구하는 교육 방식입니다. 이 접근법은 단순히 함께 앉아 과제를 하는 것 이상을 뜻합니다.

“Collaborative learning (CL) is an educational approach to teaching and learning that involves groups of learners working together to solve a problem, complete a task, or create a product.”
👉 협력학습(Collaborative Learning)은 문제 해결, 과제 수행, 산출물 생성 등을 위해 학습자들이 함께 작업하는 교수-학습 접근법이다. 【본문】

CL은 단순한 집단 활동이 아니라, 학습자들이 서로의 관점에 도전하고 방어하며 자신의 사고 틀을 구성해가는 과정입니다. 따라서 학습자는 교사나 교재에 의존하기보다 자신만의 지식 구조를 형성하게 됩니다.

🕰️ 역사적 배경

CL은 1950~60년대 영국에서 의과 교육을 중심으로 시작되었습니다. 특히 의과대학생들이 함께 진단을 내리는 과정에서 더 나은 판단을 하게 된다는 연구 결과가 중요한 기점이 되었죠. Bruffee(1996)는 이를 다음과 같이 설명합니다:

“The idea of CL came into being thanks to the efforts of British teachers and researchers in the 1950s and 1960s.”
👉 협력학습의 개념은 1950~60년대 영국의 교사들과 연구자들의 노력에서 시작되었다. 【본문】

🔍 2. 협력학습의 핵심 요소들

Johnson & Johnson(1990)은 협력학습이 진정으로 작동하기 위한 **다섯 가지 핵심 요소(five key elements)**를 제시합니다. 이 다섯 가지가 모두 충족되어야 단순한 '그룹 활동'이 아닌 '협력학습'으로 간주될 수 있습니다.

✅ 1) 긍정적 상호의존성 (Positive Interdependence)

모든 팀원이 서로 의존하면서 공동 목표를 위해 노력해야 합니다.

“Team members are obliged to rely on one another to achieve the goal.”
👉 팀원들은 목표를 달성하기 위해 서로에게 의존해야 한다.

✅ 2) 상호작용 (Face-to-Face Promotive Interaction)

서로 도우며 지식을 설명하고, 피드백을 주고받고, 함께 사고하는 과정이 필요합니다.

“Group members must be done interactively providing one another with feedback, challenging one another's conclusions...”
👉 그룹 구성원은 서로 피드백을 제공하고, 상대방의 결론과 추론에 도전하며, 상호작용을 통해 학습해야 한다.

✅ 3) 개인 책임 (Individual Accountability)

모든 구성원이 학습 내용에 대한 책임을 개별적으로 져야 합니다.

“All students in a group are held accountable for doing their share of the work and for mastery of all of the material to be learned.”
👉 모든 학생은 자신의 몫을 수행하고 학습 내용을 숙지할 책임이 있다.

✅ 4) 사회적 기술 (Social Skills)

신뢰, 의사소통, 리더십, 갈등 해결 등의 사회적 기술이 강조됩니다.

✅ 5) 집단 성찰 (Group Processing)

팀은 자신들의 활동을 되돌아보고, 개선할 점을 찾는 과정을 가져야 합니다.

🧠 3. 협력학습 vs. 협동학습

협력학습(Collaborative Learning)과 협동학습(Cooperative Learning)은 자주 혼용되지만, 철학과 구조에서 분명한 차이가 있습니다.

“Cooperation is a structure of interaction... Collaboration is a philosophy of interaction...”
👉 협동(Cooperation)은 특정 목표 달성을 위한 구조이며, 협력(Collaboration)은 상호작용에 대한 철학이다. (Panitz, 1999) 【본문】

💡 4. 협력학습이 왜 중요한가?

협력학습은 단순히 지식 전달 방식의 변화가 아니라, 배움에 대한 패러다임 전환을 의미합니다.

📍 Johnson & Johnson & Smith (1991)는 다음과 같은 교육 패러다임을 제시합니다:

• 지식은 학생에 의해 구성되고 재구성된다.
• 학습은 학습자가 주체적으로 수행하는 활동이다.
• 교사는 의미 구성의 조건을 제공하는 조력자이다.
• 교육은 학습자 간, 교사-학습자 간의 상호작용이다.

이러한 관점에서, 협력학습은 21세기 학습자의 기대에 부응하는 방식입니다. 예를 들어, 팀 프로젝트를 통한 멀티미디어 산출물 제작 등은 기존의 시험이나 보고서보다 더 실천적이고 의미 있는 학습 경험을 제공합니다.

🧭 5. 마무리하며 – 협력학습은 '방법'이 아니라 '문화'

논문은 협력학습을 다음과 같이 정리합니다:

“CL is an umbrella term for a variety of educational approaches involving the joint intellectual effort... The underlying premise of CL is based upon consensus building through cooperation...”
👉 협력학습은 다양한 교수법을 포괄하는 개념이며, 협력을 통해 합의(consensus)를 이끌어내는 데 그 기반이 있다. 【본문】

이 말은 CL이 단순한 ‘방법론’이 아니라, 서로의 다름을 존중하고 함께 의미를 만들어가는 문화라는 점을 보여줍니다.

🔖 정리하면

• 협력학습(Collaborative Learning)은 지식의 공동 구성을 지향하는 교육 철학입니다.
• 단순한 그룹 활동과는 다르게, 긍정적 상호의존성, 상호작용, 개인 책임, 사회적 기술, 집단 성찰이 모두 충족되어야 합니다.
• 협동학습과는 철학과 구조가 다르며, 교사의 역할은 전달자에서 촉진자로 이동합니다.
• 오늘날의 교육에서 CL은 비판적 사고, 실천 중심 학습, 사회적 역량을 키우는 데 핵심적인 역할을 합니다.

🔶 협력학습(Collaborative Learning, CL)의 개념과 본질

• **협력학습(Collaborative Learning, CL)**이라는 용어는 다양한 학문 분야에서 폭넓게 사용되어 왔으나, 그 정의에 대해서는 합의된 견해가 부족하다 (Jenni & Mauriel, 2004).
• 비록 명확한 정의는 없지만, CL에는 공통적으로 내재된 핵심적 특성들이 존재한다.

🔶 21세기의 교육 패러다임 변화와 협력의 중요성

• 21세기는 협력의 시대라고 불릴 정도로, 사회적으로도 비판적 사안에 대해 함께 사고하고 행동하는 역량이 점점 중요해지고 있다 (Austin, 2000; Welch, 1998).
• 이에 따라 교육에서는 개인의 노력에서 집단의 노력으로, 독립성에서 공동체성으로 중심축이 이동하고 있다 (Leonard & Leonard, 2001).

🔶 협력학습의 정의와 특징

• 협력학습은 학생들이 그룹을 이루어 문제를 해결하거나 과제를 완수하거나 산출물을 창출하는 교육적 접근이다.
• 이 과정에서 학습자들은 다양한 관점을 듣고, 자신의 생각을 표현하고 방어함으로써 사회적·정서적 도전을 경험하게 된다.
• 학습자들은 이를 통해 단순히 전문가나 교재의 틀에 의존하지 않고, 자신만의 개념적 틀을 구축해 나간다 (Srinivas, 2011).
• CL 환경에서는 학습자들끼리 서로 의견을 나누고, 방어하고, 질문하고, 다양한 믿음을 교환하며 능동적으로 참여하게 된다.

🔶 CL이 가져오는 교수법의 변화

• CL은 기존의 교사 중심·강의 중심 수업 방식에서 벗어나, 학생 주도의 토론과 활동 중심 학습으로의 전환을 의미한다.
• 물론 강의, 필기, 청취 등의 요소가 완전히 사라지는 것은 아니지만, 이제는 학생들의 활동과 토론 중심 학습과 병행하여 이루어진다.
• CL을 활용하는 교사는 더 이상 지식의 전달자라기보다는, 학습자에게 지적 경험을 설계하는 전문가, 즉 **코치나 산파(midwife)**의 역할을 수행한다 (Smith & MacGregor, 1992).

🔶 협력학습의 오해와 실제

• CL은 작은 그룹이 서로 학습을 도와주는 방식으로 정의된다. 하지만 흔히 몇 가지 방식이 CL로 오해되기도 한다 (Klemm, 1994).
  ❌ 각자 과제를 하며 옆 사람과 이야기하는 것
  ❌ 먼저 끝낸 학생이 아직 끝내지 못한 학생을 도와주는 것
  ❌ 일부 학생만이 과제를 수행하고 다른 학생은 이름만 올리는 것
  → 이러한 방식은 진정한 협력학습이 아니다.

🔶 협력학습의 효과와 근거

• **협동 학습(cooperative learning)**을 실천하는 팀은 더 높은 수준의 사고를 수행하며, 정보의 장기 기억 유지 또한 뛰어난 것으로 나타났다.
• Samuel 외 여러 학자들의 연구에 따르면, 학습자 간 지식의 공유와 토론은 학습자의 책임감과 비판적 사고력을 증진시킨다.
• Gokhale (1995)는 소그룹 내 활발한 아이디어 교환이 참여자의 흥미를 증진시킬 뿐 아니라, 비판적 사고 촉진에도 기여한다고 강조하였다.

✅ 요약 정리

항목 내용

🔶 1.3. 연구 결과 (Results)

✅ 협력학습의 기원과 역사적 배경

• 협력학습(Collaborative Learning, CL)의 개념은 1950~60년대 영국의 교사들과 연구자들의 노력에서 비롯되었다고 Bruffee(1996)는 설명한다.
• 의과대학생들이 지도교수와의 상호작용을 통해 진단을 배우는 과정을 연구한 M.L.J. Abercrombie는,
• "집단으로 진단을 학습한 의대생들이 개별 학습자보다 더 빠르고 정확한 의학적 판단에 도달한다"는 결론을 내렸다.
• Bruffee는 처음 CL이라는 개념을 접하게 된 계기로,
• "권위주의적 수업 방식에 대한 반발로부터 협력학습이 등장했다"고 보는 연구자들의 견해를 소개한다 (p.85).

✅ 고등교육에서의 CL 필요성 제기

• 1970년대에 접어들면서, 대학 교수들은 학생들이 **대학 수준의 글쓰기(writing)**로 전환하는 데 큰 어려움을 겪고 있음을 인식하게 되었다.
• 이에 대한 연구자들의 결론은,
• 기존의 도움 방식은 너무 ‘수업 중심적’이며,
  학생들에게 필요한 것은 기존 수업의 연장이 아닌, 대안적 접근법이라는 점이었다 (p.86).

🔶 협력학습의 정의: 전문가들의 견해 정리

협력학습을 보다 잘 이해하기 위해, 분야 전문가들의 대표적 정의들을 아래와 같이 정리할 수 있다.

📘 MacGregor (1990)

“협력 교수 및 학습은 학생들이 문제를 해결하거나, 과제를 완수하거나, 산출물을 창출하는 데 함께 참여하는 교수법이다.”

📘 Smith & MacGregor (1992)

“협력학습은 학생들 또는 학생과 교사 간의 공동 지적 노력을 포함하는 다양한 교수-학습 접근의 상위 개념(umbrella term)이다.
대부분의 활동은 학생들이 함께 탐색하거나 적용하는 데 중점을 두며, 단순히 교사의 강의나 설명에 의존하지 않는다.”

📘 Gerlach (1994, p.12)

“협력학습은 학습이 본질적으로 사회적 행위라는 관점에 기반하며,
참여자들이 서로 이야기하는 과정에서 학습이 일어난다고 본다.”

📘 Golub et al. (1988)

“협력학습의 핵심은 학생 간의 대화를 촉진하는 구조에 있다.
학습은 이러한 상호 대화 속에서 이루어진다.”

📘 Dillenbourg (1999)

“협력학습은 두 명 이상이 함께 어떤 것을 배우거나 배우려고 시도하는 상황이다.

• ‘두 명 이상’은 두 사람, 소집단(35명), 전체 학급(2030명) 모두 포함 가능
• ‘무언가를 배운다’는 것은 강의를 듣거나 문제 해결과 같은 학습활동을 수행하는 것
• ‘함께’는 대면 혹은 컴퓨터 매개 상호작용 등 다양한 형태의 상호작용을 포함”

✅ 요약 정리

구분 내용

🔶 협력학습의 교육적 목적 및 핵심 요소

✅ 협력의 교육적 의의

• **교육에서 협력(collaboration)**은 가능한 많은 학생들에게 가장 효과적인 교수법을 제공하기 위한 방안으로 활용된다 (Pugach & Johnson, 1995).

✅ Johnson et al. (1990)의 협력학습 5대 핵심 요소

Johnson과 동료 연구자들(1990)은 협력학습(Collaborative Learning, CL)을 단순히 그룹 활동으로 오해해서는 안 된다고 강조하며,
다음의 5가지 요소가 갖추어져야만 CL로 간주될 수 있다고 설명한다:

1️⃣ 명확하게 인식되는 긍정적 상호의존성 (Positive Interdependence)

• 팀 구성원들이 공동의 목표 달성을 위해 서로 의존해야만 하는 관계가 형성되어야 한다.
• 한 명이 역할을 제대로 수행하지 못하면, 전체 팀이 불이익을 받는다.
• 구성원들은 모두 함께 성공해야만 한다는 믿음을 공유해야 한다.

2️⃣ 의미 있는 상호작용 (Promotive Interaction)

• 구성원들은 서로가 학습할 수 있도록 돕고 격려한다.
• 이해한 내용을 설명하거나 지식을 수집 및 공유하면서 학습이 일어난다.
• 이 과정은 다음과 같은 상호작용으로 구성된다:
  • 피드백 제공
  • 결론과 추론에 대한 도전
  • 서로에게 가르치고 동기 부여하기

3️⃣ 개별 책무성과 책임 (Individual Accountability)

• 모든 구성원이 자신의 역할을 수행해야 할 책임이 있으며,
• 학습해야 할 전체 내용에 대한 숙달도 각자의 책임이다.
• 그룹이라는 틀에 숨어 무임승차(free-riding) 해서는 안 된다.

4️⃣ 사회적 기술 (Social Skills)

• 협력학습은 단순한 인지적 활동이 아닌, 사회적 기술 발달도 함께 요구한다.
• 학습자들은 다음과 같은 기술을 훈련하고 실천할 기회를 갖는다:
  • 신뢰 형성
  • 리더십
  • 의사결정
  • 의사소통
  • 갈등 관리

5️⃣ 집단 자기평가 (Group Processing)

• 팀 구성원들은 다음을 수행해야 한다:
  • 집단의 목표 설정
  • 현재 잘하고 있는 부분에 대한 자기 평가
  • 향후 더 효과적인 작동을 위한 개선 사항 도출

✅ 정의 요약

• 위의 5가지 요소를 포함하고 있어야만, 협력학습이라는 이름으로 제공되는 교수활동이 진정한 CL로 간주될 수 있다.
• 다시 말해, 단순한 집단 활동이 아니라, 명확한 구조와 원칙을 바탕으로 설계된 교수법이어야 한다.

📌 표: 협력학습의 5가지 핵심 요소 요약

핵심 요소 설명

🔶 1.4. 논의 (Discussion)

✅ 협력학습에서의 상호 작용과 사고의 재개념화

• **Bruffee (1996)**는 협력학습(Collaborative Learning, CL)이 전통적 교수 방식과 일부 유사한 특징(예: 튜터가 학생보다 글쓰기에 대한 지식이 더 많음)을 공유할 수는 있지만,
• CL은 "학생과 튜터 모두가 수업에 기여하며, 수업으로부터 통찰을 얻는 과정"이라고 설명한다.
• 전통적 교수법에서는 교사가 학생으로부터 무언가를 배울 것이라는 기대나 의무는 없다.
• 반면, CL에서는 교사 또한 학습하는 주체가 되어야 하며, 이것이 CL의 핵심 요소 중 하나다.

✅ 사고(thinking)와 대화(conversation)의 관계

• Bruffee는 대화의 작동 방식을 연구한 결과,
• "사고(thought)는 내면화된 대화(internalized conversation)"라는 결론에 도달했다 (p. 87).
• 따라서 효과적으로 사고하려면, 효과적으로 대화하는 법을 배워야 하며,
• “개인적으로 잘 사고하기 위해서는, 집단적으로 잘 사고하는 법, 즉 잘 대화하는 법을 익혀야 한다”고 주장한다 (p. 88).

✅ 협력학습은 철학이자 삶의 방식

• 전통적으로 협력학습은 정기적으로 모여 함께 작업하는 학습자 집단으로만 이해되곤 했다.
• 하지만 협력은 단지 교수 전략이 아니라,
• 상호작용에 대한 철학이며, 책임 있는 개인적 삶의 태도이다 (Panitz, 1996).
• 진정한 협력은 다음을 포함한다:
  • 각자의 책임 있는 행동과 학습
  • 동료의 능력과 기여에 대한 존중
  • 집단 내 권한의 공유와 책임의 분담
  • 경쟁보다는 협력을 통한 합의(consensus building)의 추구
• CL은 단지 교실에서만 실현되는 것이 아니라,
• 회의, 지역사회 활동, 가정생활 등 모든 집단 상황에서의 대인관계 방식으로 적용될 수 있다.

✅ Johnson, Johnson & Smith (1991)의 새로운 교수 패러다임

이들은 협력학습을 통해 제안되는 새로운 교수-학습 패러다임을 다음과 같이 정리하였다:

1️⃣ 지식은 학생에 의해 구성되고 재구성된다.

• 지식은 발견(discovery), 구성(construction), **변형(transformation)**의 과정을 거친다.
• 교수자의 역할은 학생이 자신의 인지 구조를 통해 학습 내용을 해석하고,
  이를 장기기억에 저장할 수 있도록 조건을 조성하는 것이다.

2️⃣ 학습은 학습자가 능동적으로 수행하는 활동이다.

• 학습은 **학습자에게 가해지는 것(to the learner)**이 아니라,
  **학습자가 스스로 해내는 것(by the learner)**이다.
• 학습자는 기존의 인지 구조를 활성화하거나 새로운 구조를 구성함으로써 새로운 지식을 통합한다.

3️⃣ 교수자의 노력은 학생의 역량과 재능 개발에 집중된다.

4️⃣ 교육은 학생 간, 교수자-학생 간의 개인적 상호작용이다.

• 교육은 지식의 일방적 전달이 아니라,
  함께 작동하는 상호작용의 과정이다.

5️⃣ 이 모든 것은 협력적 맥락 안에서만 가능하다.

• **협동적 분위기(cooperative context)**가 전제되어야 학습이 효과적으로 일어난다.

6️⃣ 교수는 이론과 연구의 복합적 적용으로서 고도의 전문성을 요한다.

• 효과적인 교수는 단순한 기술이 아니며,
  지속적인 연습과 전문적 훈련이 필요한 복잡한 실천이다.

✅ 핵심 정리

핵심 개념 설명

🔶 협력학습의 확장된 정의와 협동학습과의 구분

✅ 협력학습의 보다 포괄적인 형태 (Dalziel & Peat, 1998)

• **Dalziel과 Peat(1998)**은 협력학습(Collaborative Learning, CL)을 보다 넓은 의미에서 정의하며,
  다음과 같은 강도가 낮은 활동들도 CL의 범주에 포함될 수 있다고 주장하였다:
  • 선배 학생에게 도움을 요청하기
  • 강의 노트 교환
  • 자유로운 분위기의 수업 외 학습 공간 활용
• 이러한 넓은 의미의 CL은 대학이 공식적으로 이러한 활동을 장려하지 않더라도,
• 많은 학생들이 자연스럽게 경험하는 보편적 학습 형태일 수 있다.
• 그러나 대학 차원에서도 이러한 자발적 협력 활동의 가능성을 높이고,
• 이를 구조적으로 지원할 수 있는 프로그램을 개발할 여지가 존재한다.

✅ CL과 Cooperative Learning의 구분 (Paulson & Faust, 2002)

• **협동학습(Cooperative Learning)**과 **협력학습(Collaborative Learning)**은 유사해 보일 수 있으나,
  이 둘은 분명히 구별되는 교육적 개념이다.
• Cooperative Learning은 다음과 같은 특징을 갖는다:
  • 구조화된 상호작용 구조를 통해 특정 목표나 산출물을 공동으로 달성하도록 설계됨
  • 주로 교사 중심, 과제 중심으로 설계되며, 명확한 역할 분담과 절차가 존재
• 반면 Collaborative Learning은 훨씬 급진적이고 철학적 기반을 가진 접근으로,
  • 과제 설계
  • 교재 선택
  • 수업 내용의 구성 및 발표
• 교수자와 학생이 동등한 입장에서, 함께 다음과 같은 활동에 참여함:
• 따라서 CL은 단순히 교수자가 제시한 내용을 효과적으로 기억하도록 도와주는 전략을 넘어서,
• 기존 교수 방식 자체에 대한 근본적 전환을 요구하는 방식이다.

✅ 협동 vs. 협력: Ted Panitz (1999)의 정의

**Ted Panitz (1999)**는 다음과 같이 **협동(cooperation)**과 **협력(collaboration)**을 구분하여 정의하였다:

📘 Cooperation (협동학습)

“협동은 구체적인 목표나 산출물을 달성하기 위해,
사람들이 구성된 구조 안에서 함께 작업하도록 설계된 상호작용 방식이다.”

• 명확한 목표, 과제 중심
• 그룹 활동을 위한 체계적인 절차와 역할 분담

📘 Collaboration (협력학습)

“협력은 상호작용에 대한 철학이자 개인의 삶의 태도로,
개인이 자신의 행동(학습 포함)에 책임을 지고,
동료의 능력과 기여를 존중하는 태도에 기반한다.”

• 수평적 관계, 공동 책임
• 상호 존중, 자율성, 집단적 의미 형성

✅ 핵심 요약 비교표

구분 협동학습 (Cooperative Learning) 협력학습 (Collaborative Learning)

🔶 협동학습과 협력학습의 실질적 차이 (Panitz, 1999)

✅ 협동(Cooperative) 모델의 특징

• 교사는 여전히 수업의 전 과정에 대한 통제권을 유지한다.
• 수업의 진행 방식:
  1. 교사가 질문을 제시하고,
  2. 교과서 외의 보조 자료(논문, 기사 등)를 제공하며,
  3. 학생들은 소그룹으로 질문에 대한 답을 탐색하고,
  4. 결과를 전체 수업에서 발표하고 토론한다.
• 이 과정에서 학생들이 수행하는 학습 활동은 많지만,
• 학습의 절차와 방향은 교사가 설정하고 있으며, 학생은 그 틀 안에서 활동하는 구조이다.

✅ 협력(Collaborative) 모델의 특징

• 학습의 거의 전적인 책임이 학습자에게 부여된다.
• 수업의 전개 방식:
  1. 학생들은 자신들이 가지고 있는 정보가 충분한지 스스로 판단한다.
  2. 부족하다면, **추가 자료(논문, 책, 영상, 인터넷 등)**를 스스로 탐색한다.
  3. 필요한 자료는 팀원들이 나누어 수집하고,
  4. 분석할 항목과 근거의 개수도 스스로 결정한다.
  5. 교사는 진행 상황에 대해 조언하거나, 그룹 내 갈등 해결을 돕고, 집단 역학에 대해 대화를 유도하는 **촉진자(facilitator)**로서 기능한다.
• 이러한 과정에서 학생들은 학습과정에 대한 **높은 주인의식(ownership)**을 가지게 되며,
• 자신의 학습에 대해 책임감을 갖고 적극적으로 참여하게 된다.

✅ Gokhale (1995): 협력학습의 개념 정리

협력학습이란 학습자들이 소그룹으로 구성되어 공통의 학습 목표를 향해 함께 학습하는 교수 방법이다.
이때 학습자는 자신의 학습뿐 아니라, 동료의 학습에도 책임을 지며,
한 사람의 성공이 다른 학습자의 성공에도 긍정적으로 작용한다.

✅ 협력학습의 인지적 효과

• 고차 사고력(higher-order thinking skills) 개발에 탁월한 효과:
  • 단순한 사실 암기를 넘어서서
  • 정보의 의미를 파악하고,
    분석, 평가, 종합, 적용할 수 있도록 도와준다 (Klemm, 1994).
• 전통적인 교육 방식(정보 전달 중심)과는 대조적으로,
• 비판적 사고와 깊이 있는 이해를 촉진한다.

✅ 협력학습 vs. 경쟁/개별 학습

• 협력학습은 경쟁적 또는 개별 학습 환경에 비해,
  • Gabbert et al. (1986)
  • Johnson & Johnson (1981, 1980)
• 비판적 사고력, 문제해결력을 더 효과적으로 개발한다는 다수의 연구 결과가 있다.

✅ 21세기형 학습자와 협력학습의 연결성 (Rodgers et al., 2006)

• 기술 발달에 힘입어, CL은 현대 학습자가 기대하는 교수 방식으로 자리잡고 있다.
• 팀 기반 프로젝트는:
  • 멀티미디어 기반으로 구성 가능하고,
  • 전통적인 term paper보다 더 실제적이고 강력한 학습 경험을 제공한다.
• 학습자는 현실 세계에 적용 가능한 실용적 지식을 원하며,
• 교육 과정은 수업 내용을 실제 문제, 조직, 기관 등과 연결시켜야 한다.
• 이를 통해 학습자는 자신의 학습 스타일 강점을 살릴 수 있는 기회를 얻는다.

✅ 정리 요약

구분 협동학습 (Cooperative Learning) 협력학습 (Collaborative Learning)

🔶 1.5. 결론 (Conclusion)

✅ 협력학습의 포괄적 개념

• **협력학습(Collaborative Learning, CL)**은 **공동의 지적 노력(joint intellectual effort)**을 포함하는 **다양한 교수-학습 접근 방식의 상위 개념(umbrella term)**이다.
  • 그 범위는 소규모 프로젝트부터,
  • 보다 구조화된 집단 학습 형태인 **협동학습(Cooperative Learning)**에 이르기까지 포함된다.

✅ 협력학습의 철학적 기반

• CL은 사람들과 상호작용하는 방식에 대한 철학적 접근을 제안한다.
• 학습자는 개별 구성원의 능력과 기여를 존중하고 강조하는 태도를 지녀야 하며,
  집단 내에서는 권한(authority)의 공유와 책임(responsibility)의 수용이 동시에 이루어진다.

✅ 경쟁이 아닌 협력에 기반한 학습

• CL의 핵심 전제는,
• 개인의 성취가 타인을 이기는 경쟁이 아니라,
  **구성원 간 협력을 통한 합의(consensus building)**로 이루어진다는 점이다.

✅ CL의 다섯 가지 핵심 요소 요약

CL을 효과적으로 실행하기 위해 반드시 포함되어야 하는 다섯 가지 핵심 구성 요소는 다음과 같다:

1. 긍정적 상호의존성 (Positive Interdependence)
   • 팀원들이 서로에게 의존하지 않으면 목표 달성이 불가능한 구조
2. 의미 있는 상호작용 (Considerable Interaction)
   • 설명, 피드백, 논의 등을 통한 깊이 있는 상호작용
3. 개별 책임감 (Individual Accountability)
   • 각자의 역할과 학습 내용에 대한 책임
4. 사회적 기술 (Social Skills)
   • 협력에 필요한 신뢰, 의사소통, 갈등 해결 능력 등
5. 집단 자기평가 (Group Processing)
   • 집단 목표 설정, 과정 성찰, 향후 개선 전략 수립

✅ 결론 요약 표

항목 내용

Laal, M., & Laal, M. (2012). Collaborative learning: what is it?. Procedia-Social and Behavioral Sciences, 31, 491-495.