자기조절학습 전략의 영어 문법 학습 효과: 정체성 양식의 매개 역할

1. 서론 및 개요

본 연구는 학습자 정체성 양식의 잠재적 매개 역할에 특별히 초점을 맞추어, 영어 관계절(ERC) 습득에 대한 자기조절학습(SRL) 전략의 효과를 검증합니다. 문법, 특히 관계절과 같은 복잡한 통사 구조는 제2언어(L2) 숙련도와 의사소통 능력에 있어 핵심적입니다. 본 연구는 학습에서의 자기조절(Pintrich, 2004)과 정체성 발달(Erikson, 1968; Berzonsky, 2005)의 이론적 틀에 기반하여, 학습자가 자신의 학습 과정을 관리하고 자신을 인식하는 방식이 문법 학습 결과에 상당한 영향을 미칠 수 있다고 가정합니다.

2. 연구 방법론

제안된 관계를 조사하기 위해 준실험 설계가 채택되었습니다.

3. 결과 및 분석

4. 논의 및 결론

본 연구는 자기조절학습 전략에 대한 명시적 교수가 복잡한 영어 문법, 특히 관계절의 습득을 유의미하게 향상시킨다는 것을 결정적으로 입증합니다. 큰 효과 크기는 학습자에게 계획, 모니터링, 평가를 위한 초인지적 도구를 제공하는 것의 교육적 효능을 강조합니다. 정체성 양식에 대한 비유의미한 발견은, 본 연구의 맥락에서, 학습 전략의 직접적 적용이 더 넓은 성향적 정체성 요인보다 성과에 더 강력하고 즉각적인 영향을 미쳤음을 시사합니다. 저자들은 EFL 교사, 교육과정 설계자 및 정책 입안자들이 학습 성과를 최적화하기 위해 문법 교육에 SRL 전략 훈련을 통합할 것을 권장합니다.

5. 핵심 통찰 및 비판적 분석

핵심 통찰: 이 연구는 명확하고 실행 가능하며 강력한 메시지를 전달합니다: 학습자에게 문법을 어떻게 학습할지 가르치는 것이 그들의 더 넓은 심리적 정체성 양식을 다루는 것보다 특정 통사 구조 습득에 더 즉각적으로 영향을 미칩니다. SRL 전략의 직접적 효과는 강력하고 명확합니다.

논리적 흐름과 비판적 간극: 연구의 논리—SRL로 중재하고, 결과를 측정하고, 정체성 양식이 변동을 설명하는지 확인—는 타당합니다. 그러나 비유의미한 매개 결과에서 정체성의 역할을 과소평가하는 도약은 잠재적으로 성급할 수 있습니다. Norton과 Toohey(2001)의 언어 학습자 정체성에 관한 선구적 연구에서 언급된 바와 같이, 정체성은 정적인 매개 변수가 아니라 학습 기회에 대한 접근과 전략 참여를 가능하게 하거나 제한할 수 있는 역동적이고 맥락적으로 구성되는 힘입니다. 본 연구의 설계는 정체성을 고정된, 사전 존재하는 필터로 취급함으로써, SRL 전략을 성공적으로 사용하는 행위 자체가 학습자의 유능한 언어 사용자로서의 정체성을 어떻게 재형성할 수 있는지를 놓칠 가능성이 있습니다. 이는 Dörnyei(2009)의 L2 동기적 자기 체계에서 강조된 과정입니다. 무효 결과는 정체성의 무관함이 아니라 측정/모델링 문제를 반영할 수 있습니다.

강점과 약점: 연구의 강점은 깔끔한 실험 설계, SRL의 명확한 조작적 정의, 그리고 실무에 직접적으로 정보를 제공하는 크고 의미 있는 효과 크기에 있습니다—응용 언어학에서는 드문 일입니다. 앞서 주장한 바와 같이 약점은 다소 환원주의적인 정체성 관점입니다. CycleGAN(Zhu 외, 2017)과 같은 AI 분야의 돌파구(짝지어진 예시 없이 도메인 간 변환을 학습)와 비교해 보면, 이 연구는 SRL 훈련을 문법 향상으로 성공적으로 "변환"했습니다. 그러나 맥락을 무시한 초기 AI와 마찬가지로, 정체성이 작용하는 학습자의 사회-심리적 생태계라는 "도메인"을 간과할 수 있습니다.

실행 가능한 통찰: 실무자에게: 문법 학습을 위한 SRL 전략 훈련을 즉시 도입하십시오. 효과가 있습니다. 연구자에게: 정체성을 포기하지 마십시오. 대신, SRL 전략 사용과 문법적 성공이 시간이 지남에 따라 학습자 정체성과 어떻게 공진화하고 능동적으로 형성하는지 탐구하기 위해 종단적, 질적, 또는 복잡 동적 시스템 연구를 설계하십시오. Douglas Fir Group(2016)의 초학제적 프레임워크의 방법론을 사용하여 다층적 영향을 포착하십시오.

6. 기술적 프레임워크 및 수학적 모델

핵심 분석은 ANCOVA와 ANOVA를 통해 검증된 매개 모델로 나타낼 수 있습니다. SRL 중재 효과를 평가하는 주요 ANCOVA 모델은 다음과 같습니다:

$Y_{post, i} = \beta_0 + \beta_1 (Group_i) + \beta_2 (Y_{pre, i}) + \epsilon_i$

여기서 $Y_{post}$는 사후 검사 점수, $Group$은 더미 변수(0=통제 집단, 1=실험 집단), $Y_{pre}$는 사전 검사 점수(공변량), $\epsilon$은 오차항입니다. 유의미한 $\beta_1$은 처치 효과를 나타냅니다.

SRL(X)과 ERC(Y) 간 경로에서 정체성 양식(M)에 대한 매개 분석은 Baron & Kenny(1986)의 논리를 따르며, 실험 집단 내에서 별도의 ANOVA/회귀분석을 통해 검증되었습니다:

1. 경로 a: X가 M에 미치는 영향. (정체성 양식이 SRL 집단에 속함으로써 영향을 받았는가? 여기서는 직접 검증되지 않음).
2. 경로 b: X를 통제한 상태에서 M이 Y에 미치는 영향. 정체성 양식을 요인으로 하여 사후 검사 점수에 대한 ANOVA로 검증.
3. 경로 b에 대한 비유의미한 결과는 매개 효과가 없음이라는 결론으로 이어졌습니다.

효과 크기인 부분 에타 제곱($\eta_p^2$)은 ANCOVA에서 주어진 효과에 대해 다음과 같이 계산됩니다: $\eta_p^2 = \frac{SS_{effect}}{SS_{effect} + SS_{error}}$.

7. 실험 결과 및 시각화

핵심 결과는 두 가지 주요 차트를 통해 시각화할 수 있습니다:

차트 1: 사전 검사 대 사후 검사 점수 비교 (EG 대 CG)
두 집단의 사전 검사 및 사후 검사 평균 점수를 보여주는 군집 막대 그래프입니다. 사후 검사에서 실험 집단의 막대는 다른 모든 막대보다 상당히 높게 나타나 큰 처치 효과를 시각적으로 입증할 것입니다. 통제 집단의 사후 검사 막대는 사전 검사 대비 미미한 성장만을 보일 것입니다.

차트 2: 정체성 양식별 사후 검사 점수 (실험 집단만)
EG 내에서 정보 지향적, 규범 지향적, 회피-확산적 정체성 양식으로 분류된 학습자들의 평균 사후 검사 점수를 보여주는 막대 그래프입니다. 막대는 높이에서 사소하고 유의미하지 않은 차이를 보일 가능성이 높으며, 이는 SRL 중재 후 이 표본에서 정체성 양식이 결과와 체계적으로 관련이 없었다는 ANOVA 결과를 시각적으로 확인시켜 줍니다.

해석: 시각적 서사는 명확합니다: SRL "처치"는 전체 EG를 향상시켜 집단 간 뚜렷한 차이를 만듭니다. 향상된 EG 내에서, 정체성 양식은 성과에 대한 추가적인 명확한 계층화를 만들어내지 않습니다.

8. 분석 프레임워크: 사례 연구

시나리오: EFL 교사인 씨앰 선생님은 형용사절에 어려움을 겪는 중급 수준의 반에 이 연구 결과를 적용하고 싶어합니다.

프레임워크 적용:

1. 진단 (사전 검사): 씨앰 선생님은 기초선을 설정하기 위해 형용사절에 대한 짧은 진단 검사를 실시합니다.
2. 전략 도구상자 (중재): 그녀는 단순히 문법 규칙을 설명하는 대신, 2주 동안 수업당 15분을 SRL 전략 훈련에 할애합니다:
   • 계획: "이번 주 말까지, 나는 5개의 연습 문장에서 수식받는 명사를 식별할 수 있을 것이다."
   • 모니터링: 자기 질문법 가르치기: "나는 사람에게는 'who', 사물에는 'which'를 사용했는가?" "이 절에는 주격 대명사가 필요한가?"
   • 평가: 동료 평가 연습을 위한 간단한 체크리스트 사용: "1. 올바른 관계대명사? 2. 절이 올바르게 배치됨? 3. 의미가 명확함?"
3. 안내된 연습: 학생들은 자신의 전략 사용에 대해 "생각 말하기"를 하며 연습 문제를 완료합니다.
4. 평가 및 성찰 (사후 검사): 새로운 형용사절 검사가 실시됩니다. 씨앰 선생님은 또한 학생들에게 어떤 전략이 가장 도움이 되었는지에 대한 짧은 성찰문을 쓰도록 요청하여 성과와 과정을 연결짓습니다.

예상 결과: 연구 결과에 따르면, 씨앰 선생님은 반 전체의 형용사절 정확도에서 유의미한 전반적 향상을 기대할 수 있으며, 이러한 향상은 이 특정 기술에 대해 다른 학생 정체성 유형을 프로파일링하고 맞추려는 시도보다는 주로 제공된 전략적 도구상자에 기인할 것입니다.

9. 향후 적용 및 연구 방향

• 기술 강화 SRL: 문법 항목에 대한 계획, 모니터링, 평가를 위한 비계를 제공하는 적응형 학습 앱(Duolingo와 유사하지만 전략 중심) 개발. 이러한 앱은 최적의 순간에 전략 사용을 촉진하기 위해 알고리즘을 사용할 수 있습니다.
• 미시 종단 연구: 경험 표집법(ESM) 또는 학습 분석 대시보드를 사용하여 SRL 전략 사용의 변동, 순간적 정체성 인식(예: "지금 나는 유능한 학습자처럼 느껴진다"), 그리고 며칠 또는 몇 주에 걸친 미시적 수준의 문법 연습 성공을 추적하여 사전-사후 설계에서 놓친 역동성을 포착.
• 교차 언어적 일반화: SRL의 ERC에 대한 강력한 효과가 영어의 다른 복잡한 문법 구조(예: 가정법, 수동태) 또는 다른 통사적 특성을 가진 언어 학습에도 적용되는지 검증.
• 동기 이론과의 통합: SRL 훈련을 자기 결정 이론(자율성, 유능감, 관계성) 또는 L2 동기적 자기 체계의 중재와 결합하여 정체성에 측정 가능한 방식으로 간접적으로 영향을 미칠 수 있는 더 포괄적인 "학습하는 법 배우기" 패키지 창출.
• 교사 연수 모듈: 본 연구의 증거에 기반한 전문성 개발 자료를 만들어 교사들이 표준 문법 교육과정에 초인지적 전략 교수를 효과적으로 통합하도록 지원.

10. 참고문헌

• Aliasin, S. H., Kasirloo, R., & Jodairi Pineh, A. (2022). The efficacy of self-regulated learning strategies on learning english grammar: the mediating role of identity styles. Journal of Psychological Science, 21(115), 1359-1374.
• Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182.
• Berzonsky, M. D. (2005). Ego identity: A personal standpoint in a postmodern world. Identity, 5(2), 125-136.
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
• The Douglas Fir Group. (2016). A transdisciplinary framework for SLA in a multilingual world. Modern Language Journal, 100(S1), 19-47.
• Dörnyei, Z. (2009). The L2 Motivational Self System. In Z. Dörnyei & E. Ushioda (Eds.), Motivation, language identity and the L2 self (pp. 9-42). Multilingual Matters.
• Norton, B., & Toohey, K. (2001). Changing perspectives on good language learners. TESOL Quarterly, 35(2), 307-322.
• Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated learning in college students. Educational Psychology Review, 16(4), 385-407.
• Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE International Conference on Computer Vision (pp. 2223-2232).