Journal of the Korean Society of Earth Science Education (대한지구과학교육학회지)

The Korean Society of Earth Science Education (대한지구과학교육학회)
권호 표지
DOI QR코드

DOI QR Code

Analyzing the Performance Expectations of the 2022 Revised Mathematics and Science Curriculum from a Data Visualization Competency Perspective

데이터 시각화 역량 관점에서 2022 개정 수학/과학 교육과정의 성취기준 분석

  • Received : 2024.06.20
  • Accepted : 2024.07.19
  • Published : 2024.08.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study examines the performance expectations (PEs) and clarification statements of each PE in the 2022 revised national science and mathematics education standards from a data visualization competency perspective. First, the authors intensively reviewed data visualization literature to define key competencies and developed a framework comprising four main categories: collection and pre-processing skills, technical skills, thinking skills, and interaction skills. Based on the framework, the authors extracted a total of 191 mathematics and 230 science PEs from the 2022 revised science and mathematics education standards (Ministry of Education Ordinance No. 2022-33, Volumes 8 and 9) as the main data set. The analysis process consisted of three steps: first, the authors organized the data (421 PEs) by the four categories of the framework and four grade levels (3-4th, 5-6th, 7-9th, and 10th grade); second, the numbers of PEs in each grade level were standardized by the accomplishing period (1-3 years) of each PE depending on the grade level; lastly, the data set was represented by heatmaps to visualize the relationship between the four categories of visualization competency and four grade levels, and the differences between the competency categories and grade levels were quantitatively analyzed using the Mann-Whitney U test and independent sample Kruskal-Wallis tests. The analysis results revealed that in mathematics, there was no significant difference between the number of PEs by grade. However, on average, the number of PEs categorized in 'thinking skills' was significantly lower than those in the technical skills (p = .002) and interaction skills categories (p = .001). In science, it was observed that as grade level increased, PEs also increased (pairwise comparison: Grades 5-6 vs. 7-9, p = .001; Grades 5-6 vs. Grade 10, p = .029; Grades 3-4 vs. 7-9, p = .022). Particularly, the frequency of PEs in 'thinking skills' was significantly lower than in the other skills (pairwise comparison: technical skills p = .024; collection and pre-processing skills p = .012; interaction skills p = .010). Based on the results, two implications for revising national science and mathematics standards and teacher education were suggested.

본 연구는 수학과와 과학과를 중심으로 데이터 시각화 역량 범주 관점에서 2022 개정 교육과정의 성취기준 및 성취기준 해설을 분석하여 그 특징을 과목과 학년군별로 알아보는 데 목적이 있다. 연구를 실행하기 위해 선행연구들을 조사하였으며, 연구자들은 수집 및 전처리 역량, 기술 역량, 사고 역량, 상호작용 역량이라는 4개의 데이터 시각화 역량 범주를 중심으로 데이터 시각화의 핵심 역량 범주를 정리하였다. 이를 바탕으로 데이터 시각화 관점에서 성취기준을 분석하기 위한 틀을 제작하였으며, 이를 활용하여 2022 개정 교육과정(교육부 고시 제2022-33호, 별책 8과 9)의 문서를 검토 및 분석하였다. 수학과 성취기준 및 성취기준 해설 191개와 과학과 성취기준 및 성취기준 해설 230개를 분석하여 데이터 시각화 역량과 관련된 요인을 추출하고 정리하였다. 정리된 요인들을 학습 기간을 고려하여 표준화한 후, 히트맵을 활용하여 시각화하고 정성적으로 분석하였으며, Mann-Whitney의 U 검정과 독립표본 Kruskal-Wallis 검정을 통해 정량적으로 분석하였다. 분석 결과, 수학과의 경우 학년군별로 유의미한 차이가 나타나지 않았으며, 성취기준별로는 사고 역량이 기술 역량(p=.002) 및 상호작용 역량(p=.001)에 비해 유의미하게 낮은 것으로 나타났다. 또한 학년군이 올라갈수록 기술 역량과 상호작용 역량으로 수렴하는 경향을 보였다. 과학과의 경우, 학년이 올라갈수록 더 많은 성취기준을 다룬다는 것을 확인할 수 있었으며(대응별 비교, 5~6학년군 대 7~9학년군 p=.001; 5~6학년군 대 10학년군 p=.029; 3~4학년군 대 7~9학년군 p=.022), 성취기준별로는 사고 역량이 다른 모든 역량에 비해 유의미하게 낮은 것(대응별 비교, 기술 역량 p=.024; 수집 및 전처리 역량 p=.012; 상호작용 역량 p=.010)으로 나타났다. 또한 학년군이 올라갈수록 사고 역량을 제외한 나머지 역량으로 수렴하는 경향이 있었다. 이를 통해 첫째, 데이터 시각화 역량은 교육과정에서 4개의 데이터 시각화 역량 범주로 분류할 수 있으며, 둘째, 수학 및 과학 과목의 데이터 시각화 역량은 학년군이 올라갈수록 특정 역량으로 수렴되는 경향을 보이며, 셋째, 데이터 시각화 역량 중 사고 역량은 비교적 비중이 적게 다루어진다는 것을 확인할 수 있었다. 이와 같은 결론을 바탕으로 2022 개정 교육과정에서 데이터 시각화 역량에 대한 시사점을 제언하였다.

Keywords

Acknowledgement

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2022R1A2C1011366).

References

  1. 강정수, 김형범(2018). 물의 순환 시스템 장치 개발 및 수업 프로그램 효과 분석. 대한지구과학교육학회지, 11(1), 21-37.  https://doi.org/10.15523/JKSESE.2018.11.1.21
  2. 교육부(2015a). 2015 개정 수학 교사용 지도서. 교육부. 
  3. 교육부(2015b). 2015 개정 과학 교사용 지도서. 교육부. 
  4. 교육부(2022). 초.중등학교 교육과정. 교육부 고시 2022-33호. 
  5. 김태선, 김범기(2002). 중고등학생들의 과학 그래프 작성 및 해석 능력. 한국과학교육학회지, 22(4), 768-778. 
  6. 김하늘, 김성희(2021). 데이터 시각화 리터러시 평가 테스트. 한국정보통신학회 여성 ICT 학술대회 논문집, 2021(8), 123-126. 
  7. 김호연, 박기락, 김형범(2023). 3 차원 데이터 활용 웹기반 STEAM 프로그램의 효과: 지구과학 I 의'지질 단원'을 중심으로. 대한지구과학교육학회지, 16(2), 247-260.  https://doi.org/10.15523/JKSESE.2023.16.2.247
  8. 이진봉, 이기영, 안희수(2007). 지구과학 교과에서 사용되는 그래프의 유형 및 특징 분석. 한국과학교육학회지, 27(4), 285-296.  https://doi.org/10.14697/JKASE.2007.27.4.285
  9. 임현미(2008). 고등학생들의 생물 그래프 이해와 작성 능력 조사. 서울대학교 대학원 석사학위논문. 
  10. 홍석영, 한신, 김형범(2020). 데이터 기반 STEAM 교육을 통한 문제 해결 과정 분석: 대기대순환과 표층 해류내용을 중심으로. 대한지구과학교육학회지, 13(3), 330-343.  https://doi.org/10.15523/JKSESE.2020.13.3.330
  11. Ali, S. M., Gupta, N., Nayak, G. K., & Lenka, R. K. (2016). Big data visualization: Tools and challenges. 2nd International Conference on Contemporary Computing and Informatics, 656-660. 
  12. Diamond, S. (2011). Data visualization: Materiality & mediation. ISEA2011 Istanbul Conference Proceedings. 
  13. Elsden, C., Kirk, D. S., & Durrant, A. C. (2016). A quantified past: Toward design for remembering with personal informatics. Human-Computer Interaction, 31(6), 518-557.  https://doi.org/10.1080/07370024.2015.1093422
  14. Embarak, D. O., & Embarak, O. (2018). The importance of data visualization in business intelligence. In Data Analysis and Visualization Using Python: Analyze Data to Create Visualizations for BI Systems (pp. 85-124). 
  15. Few, S. (2009). Now you see it: Simple visualization techniques for quantitative analysis. Analytics Press.
  16. Fry, B. J. (2004). Computational information design. Doctoral Dissertation, Massachusetts Institute of Technology. 
  17. Gerela, P., Mishra, P. N., & Vipat, R. (2022). Study on data visualization: It's importance in education sector. International Journal of Health Sciences, 6(S3), 6298-6305.  https://doi.org/10.53730/ijhs.v6nS3.7393
  18. Gobert, J. D., Sao Pedro, M., Raziuddin, J., & Baker, R. S. (2013). From log files to assessment metrics: Measuring students' science inquiry skills using educational data mining. Journal of the Learning Sciences, 22(4), 521-563.  https://doi.org/10.1080/10508406.2013.837391
  19. Goldman, S. R. (2016). Visualizing data in educational research: Guidelines, issues, and applications. Review of Educational Research, 86(2), 163-190. 
  20. Huang, T. Y., & Zhao, B. (2020). Tidyfst: Tidy verbs for fast data manipulation. Journal of Open Source Software, 5(52), 2388. 
  21. Hudiburgh, L., & Garbinsky, D. (2020). Data visualization: Bringing data to life in an introductory statistics course. Journal of Statistics Education, 28(3), 262-279.  https://doi.org/10.1080/10691898.2020.1796399
  22. Imre, M., Chang, W., Wang, S., Trinter, C. P., & Wang, C. (2020). GraphVisual: Design and evaluation of a web-based visualization tool for teaching and learning graph visualization. Proceedings of American Society for Engineering Education Annual Conference. 
  23. Kennedy, H., & Allen, W. (2017). Data visualisation as an emerging tool for online research. The Sage Handbook of Online Research Methods, 307-326. 
  24. Kirk, A. (2016). Data visualisation: A handbook for data driven design. Sage Publications. 
  25. Lindquist, E. (2011). Surveying the world of visualization. Australian National University. 
  26. Murumba, J. (2022). Learning analytics and educational data visualization in the digital era. Journal of Innovations in Data Science and Big Data Management, 1(1), 1-7.  https://doi.org/10.46610/JIDSBDM.2022.v01i01.001
  27. Rodrigues, S. (2020). Unexplored and familiar: Experiencing interactive spatio-temporal visualization. In 2020 15th Iberian Conference on Information Systems and Technologies, 1-6. 
  28. Saraiya, P., & North, C. (2005). Understanding the role of visualizations in data science: An exploratory study. Journal of Visual Languages & Computing, 16(3), 215-233. 
  29. Signer, J., & Fieberg, J. R. (2021). A fresh look at an old concept: Home-range estimation in a tidy world. PeerJ, 9, e11031. 
  30. Stone, M. (2009). Challenge for the humanities. Working Together or Apart: Promoting the Next Generation of Digital Scholarship, 43. 
  31. Tufte, E. R. (2001). The visual display of quantitative information. Graphics Press. 
  32. Ullmer, B., & Ishii, H. (2019). Tangible interfaces for manipulating aggregates of digital information. Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 632. 
  33. Wang, Y. (2019). Tidy tools for supporting fluent workflow in temporal data analysis. Doctoral Dissertation, Monash University. 
  34. Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23.  https://doi.org/10.18637/jss.v059.i10