물질의 상태 분류에 대한 과학교사와 머신러닝 모델의 분류 결과의 비교 분석

Comparative analysis of classification results between science teachers and machine learning models about classifying state of matter

목적 본 연구는 물질의 상태 분류에 대한 초⋅중등 과학교사들인 연구 참여자들과 개발된 머신러닝 모델의 분류 결과를 비교 분석하여 분류의 결과가 불일치하는 상황의 원인을 확인하고, 그 결과를 토대로 물질의 상태 분류 학습에 줄 수 있는 교육적 함의를 찾고자 하였다. 방법 이를 위하여 중부권 소재 사범대학의 교육대학원에 재학 중인 초⋅중등 과학교사 31명을 대상으로 물질의 상태 분류 활동을 수행하고 의사결정 트리 알고리즘을 적용한 머신러닝 모델을 구축하였다. 그리고 정확도, F1-score, 정밀도, 재현율 등 모델의 성능 평가를 실시하였다. 결과 개발된 물질의 상태 분류 머신러닝 모델의 분류 정확도는 0.820, F1-score는 0.820, 정밀도는 0.826, 재현율은 0.820으로 나타났다. 또한 과학교사들이 분류한 결과와 머신러닝 모델의 분류 결과가 불일치하는 정도는 순물질이나 균일 혼합물보다 불균일 혼합물에서 크게 나타났다. 이러한 불일치는 연구 참여자들이 물질의 상태를 분류할 때 거시적 관점과 미시적 관점의 분류기준을 일관적으로 적용하지 않거나, 특정 물질은 특정 상태라는 개념을 미리 가지고 물질의 상태를 분류하기 때문에 나타나는 현상으로 분석되었다. 그리고 의사결정 트리 알고리즘의 시각화를 통해 학습 상태를 드러내는 도구로서의 유용성을 확인하였다. 결론 연구 결과를 토대로, 선행연구에서 지적한 학생들의 물질의 상태 분류 과정에서 드러나는 혼란의 원인을 찾아볼 수 있었으며, 머신러닝은 효과적인 학습상태 진단도구가 될 수 있으므로 이를 활용할 수 있도록 교사교육이 필요함을 제안하였다.

Objectives This study compares and analyzes state classification results of matter between developed machine learning model and research participants who are elementary and middle school science teachers, identifies the cause of the situation in which classification results are inconsistent. And based on the results, we tried to find educational implications that can help learn state classification of matter. Methods For 31 elementary and middle school science teachers enrolled in the Graduate School of Education at the College of Education located in the central region, matter classification activities were performed and a decision tree algorithm was applied to the machine learning model. And the effectiveness of the program was confirmed through model performance evaluation such as accuracy, F1-score, precision, recall. Results The classification accuracy of developed machine learning model for classifying state of matter was 0.820, the F1-score was 0.820, the precision was 0.826 and the recall was 0.820. In addition, the degree of discrepancy between the classification results of science teachers and the classification results of the decision tree algorithm was larger in heterogeneous mixtures than in pure matters or homogeneous mixtures. This discrepancy was analyzed as a phenomenon that occurs because science teachers do not consistently apply the classification criteria from the macroscopic and microscopic perspectives or do have the concept that a specific matter is a specific state in advance when classifying the state of matter. Based on the results of these studies, the cause of confusion revealed in the process of classifying the state of matter pointed out in previous studies was found. Conclusions Based on the research results, it was possible to find the cause of confusion revealed in the process of classifying the state of matter of students pointed out in previous studies, and since machine learning can be an effective tool for diagnosing learning conditions, it is suggested that teacher training is needed to utilize it.