본 연구는 교육 분야의 책임감 있고 신뢰할 수 있는 AI에 대한 수요 증가에 따라, 상징적, 하위 상징적, 그리고 신경 상징적 AI (NSAI)의 일반화 가능성과 해석 가능성을 평가했습니다. 에스토니아 초등학생의 자기 조절 학습 데이터를 사용하여 7학년 수학 국가 시험 성적을 예측하는 광범위한 실험을 통해, 균형 잡힌 데이터셋에서는 상징적 및 하위 상징적 방법이 우수한 성능을 보였지만, 불균형 데이터셋에서는 저성과 학생을 식별하는 데 어려움을 겪는다는 것을 발견했습니다. 흥미롭게도, 상징적 방법은 주로 인지적 및 동기적 요인에 의존한 반면, 하위 상징적 방법은 인지적 측면, 학습된 지식, 성별과 같은 인구 통계적 변수에 더 집중하는 등 의사결정 과정에서 다른 요인들을 강조했습니다. 두 방법 모두 메타인지적 요인은 크게 간과했습니다. 반면 NSAI 방법은 (i) 불균형 데이터셋에서도 두 클래스 모두에서 더 일반화될 수 있으며, 상징적 지식 구성 요소가 과소표현된 클래스를 보완하고, (ii) 동기, (메타)인지 및 학습된 지식을 포함한 더 통합적인 요인 집합에 의존하여 포괄적이고 이론적으로 근거 있는 해석 가능성 프레임워크를 제공함으로써 장점을 보였습니다. 이러한 상반되는 결과는 예측 성능만을 기반으로 결론을 도출하기 전에 AI 방법에 대한 전체적인 비교가 필요함을 강조합니다. 또한, 하이브리드 인간 중심 NSAI 방법이 다른 AI 계열의 한계를 해결하고 교육 분야의 책임감 있는 AI에 더욱 다가가도록 하는 잠재력을 보여줍니다. 특히, 이해관계자가 AI 설계에 기여할 수 있도록 함으로써, NSAI는 학습된 패턴을 이론적 구성과 일치시키고, 동기 및 메타인지와 같은 요인을 통합하며, 교육 데이터 마이닝의 신뢰성과 책임성을 강화합니다.
