교육용 지식 그래프 기반 RAG: MOOC 학습 혁신의 가능성

본 연구는 MOOCs의 학습 효과 향상을 위해 교육용 지식 그래프와 개인 지식 그래프를 활용한 Graph RAG 파이프라인을 제시합니다. 개인화된 질문 생성 및 답변 기능을 통해 학습자의 개념 이해도를 향상시키고, 맞춤형 학습 경험을 제공하는 것을 목표로 합니다. 3명의 전문 강사와 3개의 MOOCs를 대상으로 한 평가 결과는 Graph RAG의 잠재력을 확인시켜주었습니다.

온라인 학습의 대중화와 함께 MOOCs(Massive Open Online Courses)는 급속도로 성장하고 있습니다. 하지만 MOOCs는 학습자와 강사 간의 직접적인 상호작용이 부족하여 학습자의 개념 이해도 향상에 어려움을 겪는다는 문제점을 안고 있습니다. 최근에는 이러한 문제를 해결하기 위해 대규모 언어 모델(LLM)을 활용하려는 시도가 늘고 있지만, LLM의 '환각' 현상은 신뢰성을 저해하는 걸림돌이 되고 있습니다.

이러한 문제를 해결하기 위해 등장한 것이 바로 RAG(Retrieval-Augmented Generation)입니다. RAG는 답변 생성 전에 관련 문서를 검색하여 신뢰성을 높이는 기술입니다. 하지만 기존 RAG 시스템은 비정형 학습 자료에 적용하기 어렵고, 학습자의 개별적인 학습 요구에 맞춰 적극적으로 학습을 안내하지 못한다는 한계를 가지고 있었습니다.

Mohamed Abdelmagied 등 연구진은 이러한 문제점을 해결하기 위해, 교육용 지식 그래프(EduKG)와 개인 지식 그래프(PKG)를 활용한 새로운 Graph RAG 파이프라인을 제안했습니다. 이 시스템은 CourseMapper 플랫폼을 통해 다음과 같은 두 가지 핵심 기능을 제공합니다.

1. PKG 기반 질문 생성: 학습자의 현재 상황에 맞는 개인화된 질문을 추천합니다. 학습자의 이해도 수준과 진행 상황을 고려하여 꼭 필요한 질문만을 제시함으로써 학습 효율을 극대화하는 것이 목표입니다.
2. EduKG 기반 질문 답변: EduKG 내 지식 개념 간의 관계를 활용하여 학습자가 선택한 질문에 대한 답변을 제공합니다. 단순히 정보를 제공하는 것을 넘어, 개념 간의 연관성을 명확히 보여줌으로써 보다 깊이 있는 이해를 돕습니다.

연구진은 CourseMapper 플랫폼의 3개의 서로 다른 MOOCs를 대상으로 3명의 전문 강사를 통해 시스템을 평가했습니다. 평가 결과는 Graph RAG가 학습자의 개념 이해도를 높이고 개인화된 학습 경험을 제공할 수 있는 잠재력을 보여주었습니다. 이는 MOOCs의 학습 효과를 크게 향상시키고, 개인 맞춤형 교육의 새로운 가능성을 열어줄 것으로 기대됩니다. 향후 연구에서는 더욱 다양한 MOOCs와 학습자를 대상으로 한 대규모 실험을 통해 시스템의 효과를 검증하고, 개인화된 학습 경험을 더욱 풍부하게 만들어나갈 계획입니다.