작가:  (1) 카타르 카타르 대학교의 Mohammad AL-Smad 및 (이메일: malsmadi@qu.edu.qa).  링크 표   초록 및 소개   AI를 교육에 활용한 역사   연구 방법론   문헌 검토   요약   결론 및 참고자료  2. AI를 교육에 활용한 역사  AI를 교육에 활용한 역사는 초기 지능형 개인교습 시스템이 개발된 1960년대로 거슬러 올라간다. 이러한 시스템은 학생 개개인의 필요와 학습 스타일에 맞춰 맞춤화된 교육을 제공하도록 설계되었습니다. 그러나 교육에서 생성 AI 사용의 진화를 살펴보기 전에 생성 AI 모델의 역사와 진화를 이해해야 합니다.   2.1. 생성 AI 모델의 역사와 진화  생성적 인공 지능(AI) 모델, 특히 언어 모델(LLM)은 수년에 걸쳐 자연어 처리 및 기타 다양한 창의적 작업의 환경을 변화시키면서 놀라운 발전을 목격해 왔습니다(Susarla et al., 2023). 이 섹션에서는 이러한 모델의 역사적 뿌리와 진화 궤적을 조사하고 해당 모델의 발전을 형성한 주요 이정표를 강조합니다.    LLM 개발 역사는 1950년대와 1960년대에 통계적 자연어 처리(NLP)가 등장하면서 시작되었습니다. 초기 단계의 언어 모델은 주로 통계적 방법론을 사용하여 언어적 맥락 내에서 주어진 단어나 단어 시퀀스의 가능성을 추정했습니다. N-그램과 n 단어 시퀀스는 이 기간 동안 기본 기술이었습니다(Russell & Norvig, 2010). • 언어 모델링의 초기:    n-그램 기반 모델에서 단어 임베딩 사용으로의 중추적인 전환은 2000년대 중반에 "Word2Vec" 알고리즘이 도입되면서 나타나기 시작했습니다(Mikolov et al., 2013). ) in 2013. 이 혁신적인 접근 방식은 단어의 의미론적 의미를 포착하기 위해 벡터 표현을 활용하는 데 달려 있습니다. 이 획기적인 발전은 언어 모델링의 후속 개발을 위한 토대를 마련했습니다. • N-그램에서 단어 임베딩으로:    단어 임베딩을 언어 모델링에 통합하여 새로운 시대를 열었습니다. 이러한 벡터 표현은 순환 신경망(RNN) 및 이후 인코더-디코더 아키텍처와 같은 딥 러닝 모델에 대한 입력으로 사용되었습니다. 이러한 변화는 (Sutskever et al., 2014)에서 입증된 바와 같이 텍스트 요약 및 기계 번역을 포함한 NLP 연구에 중대한 영향을 미쳤습니다. 벡터 표현을 통해 의미적 맥락을 포착하는 능력은 생성된 콘텐츠의 품질과 깊이를 크게 향상시켰습니다. • 텍스트 기반 딥 러닝 모델(예: Sequence-to-Sequence NLP)의 발전:    2017년 (Vaswani et al., 2017)의 Transformer 아키텍처 도입은 NLP 및 컴퓨터 비전 연구, 특히 언어 모델링 연구 발전의 전환점으로 간주됩니다. 변환기 아키텍처는 self-attention 메커니즘을 도입하여 NLP의 패러다임 전환을 나타냅니다. BERT(Devlin et al., 2018)와 같은 변환기 아키텍처를 기반으로 여러 딥러닝 모델이 개발되었습니다. 이러한 혁신을 통해 모델은 시퀀스 내의 장거리 종속성을 캡처하여 생성된 콘텐츠의 일관성과 맥락성을 향상할 수 있었습니다. Transformer 아키텍처는 LLM의 후속 개발을 위한 기반을 마련했습니다. • Transformer 아키텍처 혁명:    최근 몇 년 동안 AI 분야에서는 LLM(대형 언어 모델)이 확산되었습니다. "기초 모델"이라는 용어로도 알려진 이러한 모델은 책, 뉴스 기사, 웹 페이지, 소셜 미디어 게시물을 포함하는 방대하고 다양한 데이터 세트에서 훈련되고 수십억 개의 하이퍼 매개변수로 조정됩니다(Bommasani et al., 2021). 이 전례 없는 규모의 데이터는 모델 아키텍처 및 훈련 기술의 발전과 결합되어 중요한 전환점이 되었습니다. 이러한 기초 모델은 원래 훈련되지 않은 작업을 포함하여 광범위한 작업에 대한 탁월한 적응성을 보여줍니다. ChatGPT는 생성적 AI 모델이 실제로 실행되는 모범 사례입니다. 이 놀라운 AI 시스템은 2022년 11월에 출시되었으며 원래 대규모 텍스트 및 코드 소스 데이터 세트에서 훈련된 생성적 사전 훈련된 변환기 GPT-3.5에서 미세 조정되었습니다(Neelakantan et al., 2022). ChatGPT는 LLM(대형 언어 모델)을 인간의 의도에 맞게 조정하는 데 엄청난 가능성을 보여준 기술인 RLHF(인간 피드백 강화 학습)의 강력한 기능을 활용합니다(Christiano et al., 2017). ChatGPT의 놀랍도록 뛰어난 성능은 생성 AI 모델 훈련의 패러다임 전환 가능성을 강조합니다. 이러한 변화에는 강화 학습(Christiano et al., 2017), 프롬프트 엔지니어링(Brown et al., 2020), 사고 사슬(CoT) 프롬프트(Wei et al., 2022)은 생성적 AI 모델을 기반으로 한 지능형 서비스 생태계 구축을 위한 공동 조치이다. • LLM의 출현:  이러한 발전의 정점은 미디어가 풍부한 사실적이고 적절한 콘텐츠(텍스트, 이미지, 오디오 및 비디오 포함)를 이해하고 생성할 수 있는 놀라운 능력을 보유한 생성적 AI 모델로 이어졌습니다. 이러한 기능을 통해 이러한 모델은 교육과 같은 다양한 응용 분야에서 활용되고 널리 채택될 수 있었습니다. 이러한 발전에도 불구하고 생성 AI 환경에서는 우려와 과제가 발생했습니다(Susarla et al., 2023). ChatGPT와 같은 모델을 새로운 작업에 쉽게 적용할 수 있다는 사실은 이해의 깊이에 대한 의문을 제기합니다. AI 공정성 전문가들은 이러한 모델이 훈련 데이터에 인코딩된 사회적 편견을 영속시킬 가능성에 대해 경고했으며(Glaser, 2023), 이를 "확률론적 앵무새"로 분류했습니다(Bender et al., 2021).   2.2. 교육에서 생성적 AI 사용의 진화  교육에서 AI를 사용하는 것은 새로운 것이 아닙니다. 교육에서 AI를 사용하려는 첫 번째 시도는 일리노이 대학 어바나 샴페인(Urban-Champaign)의 연구원들이 PLATO(Programmed Logic for Programmed Logic for 자동 교육 작업)(Bitzer et al., 1961). PLATO는 그래픽 사용자 인터페이스를 갖춘 학생들이 AI를 사용하여 필요에 맞게 개발 및 적용한 교육 자료와 상호 작용할 수 있게 해주는 최초의 컴퓨터 시스템이었습니다. 교육에서 AI를 사용하려는 초기 시도의 또 다른 예는 프로그래밍 수업을 자동으로 채점하기 위해 1960년대에 개발된 "자동 채점" 시스템입니다(Hollingsworth, 1960).  1970년대 개인용 컴퓨터의 출현으로 ITS의 발전이 증가했으며, 이 시기에 개발된 시스템의 예로는 TICCIT(Time-shared, Interactive Computer-Controlled Instructional Television)(Stetten, 1971)이 있습니다. TICCIT는 1970년대 초 피츠버그 대학에서 개발된 또 다른 초기 ITS였습니다. TICCIT는 개인화된 멀티미디어 기반 콘텐츠를 가정과 학교의 사용자에게 대량으로 전달하려는 초기 시도였습니다.  1960년대와 1970년대 ITS 개발의 발전은 교실에서 학생들의 일대일 개별 지도를 중요시하는 학습 이론과 원리로 뒷받침되었습니다(예를 들어 "프로그램화된 교육 운동"에 대한 BF Skinner의 선구적인 작업 참조). 그리고 Benjamin Bloom의 "숙달 학습" 작업(Block & Burns, 1976). 그 기간 동안 개발된 ITS는 주로 규칙 기반 시스템이었습니다. 1970년대 AI의 발전과 마이크로컴퓨터의 출현은 ITS 훈련 방식에 영향을 미쳤습니다. 1980년대 이래로 컴퓨터 기반 교육과 AI 기반 교육의 사용이 발전하여 여러 교육 활동을 자동화했습니다(Reiser, 2001b).  1990년대 월드와이드웹(WWW)의 등장으로 지능형 교육 서비스 전달 매체에 큰 변화가 생겼습니다. Chen et al. (2020). ITS는 기계 학습 모델을 기반으로 지능적이고 적응력이 뛰어나며 개인화된 학습 서비스를 제공하도록 발전해 왔습니다. ITS가 개발되어 사용자에게 제공되는 방식의 이러한 발전에도 불구하고 ITS의 기능은 개별화된 교육 및 학습 제공으로 제한되었습니다. 소위 "웹 2.0"으로의 WWW의 진화와 협업 및 사회적 기반 상호 작용의 추가 기능은 ITS 개발의 새로운 시대를 여는 길을 열었습니다. Web 2.0 서비스와 사용자의 상호 작용을 기반으로 수집된 데이터와 다양한 기계 학습 알고리즘을 사용하여 이러한 데이터에 대한 소프트웨어 에이전트를 교육하는 능력을 통해 학습 분석을 적용하여 맞춤형 학습에 적응하는 데 더 많은 발전이 이루어졌습니다(Clow, 2013). .  21세기에는 교육에 AI를 사용하는 데 있어 몇 가지 획기적인 발전이 있었습니다. 이러한 혁신은 (i) 하드웨어 기능 및 성능(Nickolls & Dally, 2010), (ii) 빅 데이터 마이닝(Wu et al., 2013), (iii) AI 모델 및 아키텍처(예: 딥러닝 모델의 출현) (LeCun et al., 2015) 2017년 Transformer 딥러닝 아키텍처의 출현(Vaswani et al., 2017)은 일반적인 지능형 소프트웨어 개발 역사의 전환점으로 간주됩니다(섹션 2.1 참조). GPT(Generative Pre-trained Transformers)와 같은 많은 지능형 모델이 곧바로 등장하기 시작했습니다(Radford et al., 2018). 2022년 11월 OpenAI는 GPT 3.5 아키텍처를 기반으로 하는 ChatGPT를 출시했으며 단 몇 달 만에 1억 명 이상의 사용자에게 도달했습니다. 그 이후로 오늘날 생성적 AI 기반 교육 도구는 학생들에게 맞춤형 교육, 적응형 학습, 매력적인 학습 경험을 제공하기 위해 개발되었습니다(섹션 4.2 참조).  이 문서는 CC BY-NC-ND 4.0 DEED 라이센스에 따라   있습니다. arxiv에서 볼 수

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EScholar Technologies

EScholar

이 오디오는 이야기의 원래 언어로 제작되었습니다!

AI를 교육에 활용한 역사

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

사용자 중심의 암호화 제품 만들기: 고객 피드백의 중요성

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps