적응형 학습
Adaptive Learning
적응형 학습이란?
- 수준·약점에 맞춰 내용·난이도 실시간 조절
- 잘 아는 건 건너뛰고 약점은 더
- AI가 개인화를 가속
적응형 학습을 도입하면 교육 설계의 최소 단위부터 바뀝니다. 8시간짜리 과정 하나가 아니라 5~10분짜리 학습 객체와 문항 하나하나가 조립 대상이 되고, 진도를 언제 넘길지 결정하던 권한이 강사에서 응답 데이터로 옮겨갑니다. 그래서 실질적인 변화는 수료 기준이 이수 시간에서 숙달도로 옮겨간다는 점입니다. 같은 과정을 들어도 누구는 40분, 누구는 3시간이 걸리는 상태를 회사가 정상으로 받아들일 수 있느냐가 도입의 첫 관문입니다.
적응이 일어나는 층은 보통 세 갈래입니다. 문항 난이도를 조절하는 평가 적응(CAT), 다음에 볼 콘텐츠의 순서를 바꾸는 경로 적응, 설명 방식을 영상·텍스트·실습으로 갈아 끼우는 표현 적응입니다. 앞의 둘은 '정답률 70% 미만이면 보충 모듈' 같은 규칙 기반으로도 구현되지만, 세 번째는 데이터가 일정량 쌓여야 의미가 생깁니다. 학습자가 직접 고르게 하는 개인화 추천과는 경계가 다릅니다 — 추천은 과정 밖에서 무엇을 들을지 고르는 일이고, 적응형은 과정 안에서 시스템이 실시간으로 바꾸는 일입니다. 현실적인 제약은 콘텐츠 물량이라, 한 모듈을 적응형으로 만들려면 문항은 3~5배, 대체 경로는 최소 2개가 필요합니다.
현장에서 가장 자주 어긋나는 지점은 솔루션만 사면 적응이 시작된다고 믿는 것입니다. 기존 이러닝 콘텐츠를 그대로 얹으면 지식 요소 태깅과 선수-후속 관계가 없어, 알고리즘은 '틀린 문제 다시 보여주기' 수준에 머뭅니다. 오답만 반복하다 학습자가 '왜 나만 계속 같은 걸 푸느냐'며 이탈하는 일이 흔합니다. 개인별 경로 데이터를 인사평가에 바로 붙이는 것도 위험합니다. 쉬운 경로를 배정받은 사람이 저성과자로 읽히기 시작하면, 다음 회차부터는 모두가 아는 척 정답을 찍어 진단 자체가 무너집니다. 진단 데이터는 학습 지원 용도로만 쓴다는 원칙을 문서로 못 박고 시작하는 편이 안전합니다.
프로그램 학습·지능형 교수 시스템(ITS)에서 발전했으며, AI·학습분석의 발달로 개인화가 고도화됐습니다.
가상의 사례로 살펴보겠습니다. 반도체 장비 부품을 만드는 A사는 임직원 840명, 연 매출 1,900억 원 규모입니다. 생산기술 직무교육을 8시간 일괄 이수로 운영했는데, 10년차 엔지니어는 '이걸 또 듣느냐'며 창만 켜두고 딴 일을 했고 입사 3개월 차는 3회차부터 따라오지 못했습니다. 교육팀은 6개월간 적응형 파일럿을 돌렸습니다.
- 교육팀장이 8시간 과정을 12분 단위 모듈 34개로 쪼갠 뒤 '유압·공압 기초', '도면 공차 해석'처럼 모듈마다 지식 태그를 붙이는 데만 7주를 썼습니다.
- 사전 진단 40문항을 돌리자 경력 5년 이상 62명 중 41명이 상위 12개 모듈을 이미 통과했고, 팀장은 '이 사람들한테 기초를 또 시킨 게 낭비였다'고 회의에서 인정했습니다.
- 정답률 70% 미만이면 보충 모듈 2개를 붙이고 90% 이상이면 다음 단원으로 건너뛰는 규칙을 걸었으며, 같은 내용을 영상형과 도면 실습형 두 갈래로 준비했습니다.
- 생산기술팀 파트장이 '경로가 짧게 나온 사람이 평가에서 손해 보는 것 아니냐'고 묻자, 교육팀은 진단 결과를 인사에 넘기지 않고 본인과 교육팀만 열람한다는 원칙을 전사 공지로 띄웠습니다.
- 6개월 뒤 평균 이수 시간은 8시간에서 4시간 50분으로 줄었고, 중도 이탈률은 23%에서 9%로 떨어졌으며, 최종 숙달 평가 통과율은 71%에서 88%로 올라갔습니다.