인쇄 배경색
※ 브라우저 인쇄 설정에서 배경 그래픽 인쇄를 활성화하십시오.
이미지 데이터의 행렬 표현과 합성곱 신경망의 수학적 원리 탐구
| 교과 및 대상 | 고등학교 진로 선택 과목 <인공지능 수학> |
|---|---|
| 관련 단원 | 이미지 데이터 처리 / 예측과 최적화 연계 |
| 수업 주제 | 노드 기반 합성곱 신경망 웹 활동을 따라가며 이미지 행렬 변환과 분류 원리를 수학적으로 설명하기 |
| 학생 활동지 및 평가 도구 |
• 학생용 활동지: 학생용 활동지 바로가기 • 교사용 확인 도구: 교사용 확인 도구 바로가기 • 교사용 비밀번호: aimath3141
|
| 실습 환경 | 웹캠이 연결된 PC 또는 개인 스마트 기기, 크롬 브라우저 권장. 웹캠 사용이 어려운 학생에게는 교사가 예시 이미지 또는 대체 데이터를 제공한다. |
| 교육과정 성취기준 |
• [12인수03-01] 행렬을 이용하여 이미지 데이터를 목적에 맞게 표현할 수 있다. • [12인수03-02] 행렬의 연산을 이용하여 이미지 데이터를 다양하게 변환할 수 있다. • [12인수03-03] 인공지능이 이미지를 자동으로 분류하는 수학적 방법을 설명할 수 있다. • [12인수01-01] 인공지능의 개념을 이해하고 학습 방식을 수학적으로 해석할 수 있다. • [12인수04-03] 손실함수를 이해하고 최적화된 추세선 또는 모델 선택의 필요성을 설명할 수 있다. |
| 교과 역량 | 문제해결, 추론, 의사소통, 연결, 정보처리 |
| 학습 목표 |
1. 주어진 작은 행렬과 필터 행렬의 대응 성분을 곱하고 더하여 합성곱 결과를 정확히 계산할 수 있다. 2. 활성화 함수, 최댓값 요약의 계산 규칙을 수학적 표현으로 설명하고 적용할 수 있다. 3. 노드를 배치하고 연결하는 과정에서 이미지가 행렬, 특징 행렬, 예측 결과로 변환되는 흐름을 설명할 수 있다. 4. 검증 손실값을 모델을 더 탐색하게 하는 학습 지표로 활용하고, 노드 연결 방식과 초매개변수의 변화가 결과에 미치는 영향을 자신의 근거로 설명할 수 있다. 5. 필터가 특정 패턴을 강조하는 원리를 실생활 또는 자신의 진로 맥락과 연결하여 글로 표현할 수 있다. |
가. 수업의 교육과정적 초점
2022 개정 <인공지능 수학>의 방향에 맞게, 학생이 인공지능을 ‘사용’하는 경험을 넘어 인공지능의 데이터 처리와 의사 결정에 쓰이는 수학적 원리를 탐구하도록 한다. 특히 이미지 데이터 처리 영역의 행렬 표현, 행렬 연산, 이미지 분류의 수학적 방법을 한 차시 활동 안에서 연결한다.
나. 교사 지도 관점
수업 언어는 개발 과정 설명보다 수학 교실의 발문과 피드백 중심으로 구성한다. 학생에게 “어떤 버튼을 눌렀는가?”보다 “어떤 수학적 규칙을 적용했는가?”, “결과를 어떤 근거로 해석했는가?”를 묻는다.
다. 공학 도구 활용 원칙
공학 도구는 추상적인 행렬 연산과 데이터 변환을 시각화하기 위한 보조 수단이다. 평가에서는 도구 조작 속도나 웹캠 환경보다 수학적 사고 과정, 풀이 근거, 결과 해석을 중심으로 판단한다.
라. 과정 중심 평가 방향
학생별 수치 자료와 활동 기록을 활용하여 개별 풀이 과정을 확인한다. 검증 손실값 순위는 학생의 흥미를 높이는 탐색 요소로 남기고, 평가는 수학적 표현, 연산의 정확성, 노드 연결의 의미 설명, 초매개변수 조정의 근거, 성찰적 서술에 둔다.
가 이미지 데이터의 행렬 표현
이미지는 작은 점인 픽셀들의 모임이며, 각 픽셀의 위치와 색상 정보는 수로 표현할 수 있다. 흑백 이미지는 하나의 행렬로, 컬러 이미지는 빨강·초록·파랑 세 성분을 가진 여러 행렬로 생각할 수 있다. 이 수들은 이후 작은 부분 행렬로 잘려 필터 행렬과 대응 성분끼리 계산되므로, 학생은 이미지의 한 부분이 행렬 연산의 입력이 된다는 사실을 이해한다.
나 합성곱: 부분 행렬과 필터의 대응 성분 계산
합성곱은 이미지의 작은 부분 행렬과 필터 행렬을 겹쳐 놓고, 대응하는 성분끼리 곱한 뒤 모두 더하는 과정이다. 이미지의 부분 행렬을 $A=(a_{ij})$, 필터를 $F=(f_{ij})$라 하면 결과값은 다음과 같이 계산된다.
$S=\displaystyle\sum_{i=1}^{3}\sum_{j=1}^{3} a_{ij}f_{ij}$
필터가 찾으려는 패턴과 이미지의 부분 패턴이 잘 맞을수록 결과값이 커진다. 따라서 합성곱은 이미지 속에서 선, 경계, 밝기 변화와 같은 특징을 수학적으로 드러내는 방법으로 지도할 수 있다.
다 활성화 함수와 최댓값 요약: 값을 해석하고 대표값으로 정리하기
합성곱 결과에 활성화 함수 $f(x)=\max(0,x)$를 적용하면 음수는 0으로 바뀌고 양수는 그대로 남는다. 고등학교 수준에서는 “특징이 약하거나 반대 방향으로 나타난 부분은 0으로 처리하고, 의미 있는 양의 신호를 남긴다”는 관점으로 설명한다. 이후 최댓값 요약은 일정한 영역의 여러 값 중 최댓값을 대표값으로 선택하여 정보를 요약한다. 이는 많은 수를 모두 보지 않고도 중요한 특징을 남기는 과정으로 이해할 수 있다.
라 손실함수와 모델 개선의 의미
손실값은 모델의 예측이 실제 목표와 얼마나 다른지를 하나의 수로 나타낸 것이다. 예측 확률이 $p$이고 정답 클래스의 목표값을 1로 볼 때, 간단한 오차 제곱은 $(1-p)^2$로 계산할 수 있다. 손실값이 작아진다는 것은 대체로 모델의 예측이 목표에 가까워졌음을 뜻하지만, 웹캠 환경과 데이터 수에 따라 달라질 수 있으므로 수업에서는 손실값 자체보다 “어떤 구조를 선택했고, 왜 그렇게 해석했는가”를 더 중요하게 다룬다.
| 학습 장면 | 학생 사고를 이끄는 발문 | 기대하는 수학적 사고 |
|---|---|---|
| 이미지 표현 | 사진의 한 점을 수로 나타낸다면 어떤 정보가 남고, 어떤 정보가 사라질까? | 픽셀, 위치, 색상 성분, 평균값의 의미를 연결한다. |
| 합성곱 | 필터 행렬과 이미지 부분 행렬의 패턴이 비슷할 때 왜 합이 커질까? | 대응 성분의 곱과 합, 양수·음수의 배치, 패턴 일치 정도를 추론한다. |
| 최댓값 요약 | 여러 값 중 최댓값만 남긴다는 것은 정보를 버리는 것일까, 요약하는 것일까? | 대표값 선택, 정보 요약, 중요한 특징 보존의 의미를 설명한다. |
| 손실 해석 | 손실값이 작아졌다는 사실만으로 충분할까? 어떤 근거를 함께 말해야 할까? | 결과 수치와 모델 구조, 데이터 조건, 개선 과정을 함께 해석한다. |
※ 학생은 웹사이트 안내를 따라 노드를 하나씩 배치·연결하고, 각 단계 사이에 제시되는 수학 질문에 답하며 합성곱 신경망 흐름을 완성한다.
| 단계 | 웹 활동 흐름 | 교수·학습 활동 | 수학적 발문 및 피드백 | 시간 |
|---|---|---|---|---|
| 도입 | 접속·주제 제시 데이터 준비 |
[교사] “사진을 숫자로 바꾸면 인공지능은 어떤 규칙으로 이미지를 구별할까?”라는 학습 문제를 제시한다. 오늘 활동은 개발된 웹사이트의 노드 연결 흐름을 따라가며 수학적 원리를 확인하는 탐구임을 안내한다. [학생] 웹 활동지에 접속하여 이름과 학번을 입력하고, 분류 범주 가와 분류 범주 나로 구별할 이미지 대상을 정한다. |
“사람이 직관으로 구별하는 장면을 컴퓨터는 어떤 수와 연산으로 표현할까?”
웹 조작보다 수학적 흐름을 따라가는 활동임을 강조한다. |
5분 |
|
전개 노드 연결형 탐구 |
단계 1 합성곱 노드 배치·계산· 초매개변수 조정 |
[교사] 합성곱 노드는 부분 행렬과 필터 행렬의 대응 성분을 곱하고 더해 하나의 반응값을 만드는 연산이며, 필터 수·커널 크기·보폭·패딩은 특징 행렬의 모양을 바꾸는 조건임을 안내한다. [학생] 합성곱 노드를 배치한 뒤, 임의의 $2 \times 2$ 정수 행렬과 필터 $\begin{bmatrix}1&1\\0&0\end{bmatrix}$의 대응 성분의 곱의 합을 계산한다. 이어 합성곱 노드의 필터 수, 커널 크기, 보폭, 패딩을 조정하며 각 초매개변수가 어떤 의미인지 서술한다. [기록] 합성곱 연산의 계산 결과만 저장하고, 초매개변수의 의미 설명은 단계 1 서술형 응답으로 남긴다. |
“필터의 위쪽 두 값만 1이고 아래쪽 두 값이 0이면, 부분 행렬의 어떤 정보가 결과에 남을까?”
“필터 수, 커널 크기, 보폭, 패딩을 바꾸면 특징 행렬을 보는 방식은 어떻게 달라질까?”
$2 \times 2$ 예시에서 대응 성분을 색으로 표시하고, 초매개변수는 계산식 자체가 아니라 특징을 살피는 조건으로 해석하게 한다. |
12분 |
| 단계 2 활성화 함수 노드와 ReLU 계산 |
[교사] 합성곱 결과가 활성화 함수를 거치며 특징 행렬로 정리되는 과정을 화면과 수식으로 연결한다. [학생] 활성화 함수 노드를 배치한 뒤 $f(x)=\max(0,x)$의 규칙을 적용하여 주어진 합성곱 결과가 ReLU를 거친 값을 계산한다. [기록] 함수 적용 결과와 풀이 과정이 활동 기록으로 누적된다. |
“0보다 작은 값을 0으로 바꾸면 특징 행렬의 해석은 어떻게 단순해질까?”
양수는 그대로 남고 음수는 0이 되는 규칙을 수직선과 함수값으로 함께 확인하게 한다. |
8분 |
| 단계 | 웹 활동 흐름 | 교수·학습 활동 | 수학적 발문 및 피드백 | 시간 |
|---|---|---|---|---|
|
전개 노드 연결형 탐구 |
단계 3 최댓값 요약 노드와 Max Pooling 계산 |
[교사] 활성화 함수 뒤의 특징 행렬을 작은 영역으로 나누고, 각 영역에서 대표값을 고르는 과정을 안내한다. [학생] 최댓값 요약 노드를 배치한 뒤 $2 \times 2$ 영역에 Max Pooling을 적용하여 대표값을 선택한다. [기록] 최댓값 요약 결과와 풀이 과정이 노드별 활동 기록으로 누적된다. |
“최댓값을 대표로 삼는 것은 어떤 정보를 강조하는 선택일까?”
평균을 내는 것과 가장 큰 값을 고르는 것의 차이를 비교하게 한다. |
8분 |
| 단계 4 분류 노드· 검증 손실값 탐구 도전 |
[교사] 검증 손실값은 모델을 바꾸며 관찰하는 탐색 지표이자 학습 동기를 높이는 재미 요소로 소개한다. [학생] 기본 연결을 완성한 뒤 노드 연결 방식과 초매개변수를 바꾸어 2회 이상 개선 탐색을 수행한다. 예: 합성곱 노드 수, 필터 수, 필터 크기, 최댓값 요약 노드 배치, 학습 반복 횟수, 촬영 자료의 수와 균형. [기록] “바꾼 조건 → 예상한 변화 → 검증 손실값 변화 → 다음 개선 방향”을 남겨 개인별 탐구 결과가 생성되도록 한다. |
“이번 시도에서 바꾼 것은 노드 연결인가, 초매개변수인가, 데이터 조건인가?”
“손실값 변화의 까닭을 특징 추출 과정으로 설명하면 어떤 가설을 세울 수 있을까?”
구조-조건-결과-해석을 연결한 설명을 칭찬한다. |
10분 | |
| 정리 | 단계 5 서술형 성찰 제출 |
[교사] 전체 노드 흐름을 “이미지 입력 → 행렬 표현 → 합성곱 → 함수 적용 → 대표값 선택 → 분류 → 손실 관찰”로 정리한다. [학생] 단계 5 질문에 답하며 필터가 특정 패턴을 강조하는 원리를 일상생활 또는 진로 맥락에 비유한다. |
“내가 만든 노드 연결은 이미지 속 어떤 정보를 남기고 강조했을까?”
자신의 언어로 표현하게 한다. |
5분 |
가. 노드 연결의 수학적 의미
노드를 “블록 조립”으로만 보지 않고, 각 연결선이 데이터 변환의 순서를 나타낸다는 점을 반복해서 확인한다. 연결을 완성할 때마다 입력과 출력의 의미를 말하게 한다.
나. 스텝 사이 질문의 역할
각 질문은 다음 노드로 넘어가기 위한 수학적 발판이다. 교사는 정답을 바로 제시하기보다 “어떤 성분끼리 대응되는가?”, “어떤 함수 규칙을 적용하는가?”를 되묻는다.
다. 검증 손실값 탐구 도전 활용
검증 손실값은 모델 탐색을 흥미롭게 만드는 피드백 수치로 활용한다. 평가는 손실값의 높고 낮음보다 가설, 시도 기록, 수학적 해석, 다음 개선 계획을 중심으로 한다.
라. 수학 중심 환류
학생의 시도를 행렬 표현, 대응 성분의 곱과 합, 함수 적용, 대표값 선택, 분류 해석 중 어느 부분과 연결되는지 구체적으로 피드백한다.
※ 평가는 수업 중 활동 기록, 개별 문항 풀이, 노드 연결 과정, 서술형 답변을 종합하여 실시한다. 검증 손실값 탐구 도전은 학습 요소로 활용하며, 상대 순위는 재미 요소로 공유한다.
| 단계 | 평가 유형 | 관련 성취기준 | 배점 | 평가 요소 및 확인 내용 |
|---|---|---|---|---|
| 단계 1 | 단답·서술 | [12인수03-02] | 20점 | 합성곱 노드와 행렬 연산 $2 \times 2$ 부분 행렬과 필터 $\begin{bmatrix}1&1\\0&0\end{bmatrix}$의 대응 성분을 곱하고 더하는 규칙을 적용한다. 필터 수, 커널 크기, 보폭, 패딩이 특징 추출 조건으로 갖는 의미를 서술한다. |
| 단계 2 | 단답 | [12인수01-01] | 10점 | 활성화 함수 노드와 함수 적용 $f(x)=\max(0,x)$의 계산 규칙을 적용하고, 결과값의 의미를 설명한다. |
| 단계 3 | 단답 | [12인수03-02] | 10점 | 최댓값 요약 노드와 정보 요약 주어진 영역에서 최댓값을 찾고, 대표값 선택을 특징 요약의 관점으로 설명한다. |
| 단계 4 | 수행 | [12인수03-03] [12인수04-03] |
25점 | 노드 연결과 모델 개선 해석 검증 손실값 관찰을 바탕으로 노드 연결 방식, 초매개변수, 촬영 자료 조건과 예측 결과의 관계를 설명한다. |
| 단계 5 | 논술 | [12인수03-03] [12인수05-02] |
35점 | 수학적 의사소통과 연결 필터가 특정 패턴을 강조하는 원리를 일상생활 또는 진로 맥락에 비유하고, 대응 성분의 곱의 합과 특징 추출의 관계를 설명한다. |
단계 1 학생용 서술형 문항
합성곱 노드에서 조정한 필터 수, 커널 크기, 보폭, 패딩이 각각 무엇을 의미하는지 설명하시오.
| 평가 요소 | 배점 | 키워드 중심 채점 기준 가이드 |
|---|---|---|
| 필터 수 | 3점 | 필터 수가 찾을 패턴의 종류, 만들어지는 특징맵의 개수, 출력 채널 또는 서로 다른 반응 맵의 수와 관련됨을 설명한다. |
| 커널 크기 | 3점 | 커널 크기가 한 번에 살펴보는 입력 영역, 주변 픽셀의 범위, 필터가 겹쳐 보는 부분 행렬의 크기와 관련됨을 설명한다. |
| 보폭 | 2점 | 보폭 또는 stride가 필터가 이동하는 간격, 몇 칸씩 건너뛰며 적용되는지, 그 결과 특징맵의 크기에 영향을 준다는 점을 설명한다. |
| 패딩 | 2점 | 패딩이 가장자리나 테두리 처리, 0으로 채워 넣는 과정, 출력 크기 유지 또는 경계 정보 보존과 관련됨을 설명한다. |
자동채점 키워드 인정 범위
필터 수: 특징맵, feature map, 채널, 출력 채널, 맵 개수, 특징 개수, 필터 개수, 패턴 종류, 감지할 패턴, 반응 맵, 출력 개수, 탐지, 검출 등
커널 크기: 보는 영역, 한 번에 보는 범위, 국소 영역, 윈도우, 창 크기, 영역 크기, 필터 크기, 몇 칸, 2×2, 3×3, 2x2, 3x3, 2*2, 3*3, 수용 영역, 주변 픽셀, 부분 행렬 등
보폭: 이동 간격, 이동 거리, 몇 칸씩, 보폭, 건너뛰기, 슬라이드 간격, 필터가 이동, stride, 스트라이드, step, 특징맵 크기 감소 등
패딩: 가장자리, 테두리, 경계, 0을 채움, 제로 패딩, 출력 크기 유지, 크기 조절, 가장자리 정보, same, valid, padding, 패딩, 외곽 보존 등
※ 채점 프로그램은 위 표현과 띄어쓰기 차이가 있는 표현을 폭넓게 인정하되, 해당 항목의 의미가 드러나는 문맥을 교사가 최종 확인한다.
단계 5 학생용 논술형 문항
합성곱 필터가 이미지 속 특정 패턴을 강조하는 과정을 일상생활의 한 사례에 비유하고, 그 비유가 부분 행렬·필터 행렬·특징 행렬의 관계와 어떻게 연결되는지 설명하시오.
| 평가 요소 | 배점 | 키워드 중심 채점 기준 가이드 |
|---|---|---|
| 비유의 타당성 | 7점 | 많은 정보 중 특정 신호나 패턴을 찾아 강조하는 사례를 제시하고, 그 사례가 합성곱 필터의 역할과 자연스럽게 연결된다. |
| 수학적 원리 | 12점 | 부분 행렬과 필터 행렬의 같은 위치 성분을 곱하고 더하여 하나의 값이 만들어지며, 찾으려는 패턴과 잘 맞을수록 결과값이 커진다는 구조를 설명한다. |
| 수학적 표현 | 7점 | ‘대응하는 성분의 곱’, ‘합’, ‘패턴이 일치할 때 값이 커짐’, ‘특징 행렬’ 중 두 가지 이상을 문맥에 맞게 사용한다. 단순 나열보다 원리를 설명하는 활용을 우선한다. |
| 논리와 확장 | 9점 | 비유 → 행렬 연산 → 특징 추출 → 이미지 분류의 흐름이 일관되며, 합성곱 필터의 수학적 의미를 생활 또는 진로 맥락으로 확장한다. |
예시 모범 답안
합성곱 필터는 복잡한 소리 속에서 특정 주파수의 방송만 또렷하게 잡아내는 라디오 수신 과정과 비슷하다. 라디오가 모든 소리를 똑같이 키우지 않고 맞춰진 주파수와 잘 맞는 신호를 크게 만드는 것처럼, 합성곱 필터도 이미지의 모든 부분을 같은 의미로 보지 않고 자신이 찾으려는 모양과 비슷한 부분을 크게 나타낸다. 수학적으로는 이미지의 부분 행렬과 필터 행렬에서 대응하는 성분의 곱을 구하고 그 값을 모두 합하여 하나의 결과값을 만든다. 이때 필터가 찾는 밝기 변화나 윤곽선의 배열이 이미지의 부분 패턴과 비슷하면 패턴이 일치할 때 값이 커짐이 나타나며, 이런 값들이 모여 새로운 특징 행렬을 이룬다. 따라서 합성곱 필터는 이미지 속에서 분류에 필요한 특징을 수학적으로 강조하여, 이후 단계에서 어떤 범주에 가까운지 판단할 수 있는 근거를 만들어 준다.
※ 검증 손실값 탐구 도전은 상대 순위 공유를 재미 요소로 두고, 학생이 자신의 모델을 여러 번 바꾸며 수학적으로 설명 가능한 개인별 결과를 만들어 가는 탐구 활동이다.
가. 탐구 도전의 목적
학생이 기본 연결을 완성한 뒤 “어떤 구조가 어떤 특징을 더 잘 남기는가?”를 스스로 묻고, 검증 손실값을 피드백 수치로 삼아 모델을 개선한다. 순위는 가벼운 재미 요소로 공유하되, 수업의 핵심은 가설 설정과 수학적 해석에 둔다.
나. 바꾸어 볼 수 있는 요소
노드 연결 방식, 합성곱 노드 수, 필터 수, 필터 크기, 최댓값 요약 노드의 배치, 학습 반복 횟수, 촬영 자료의 수와 균형, 배경과 조명 조건을 웹사이트가 허용하는 범위 안에서 바꾸어 본다. 필터 수, 필터 크기, 학습 반복 횟수 등은 초매개변수로 안내한다.
다. 개인별 결과 유도
학생마다 촬영한 이미지, 선택한 분류 범주, 노드 연결, 초매개변수 조정, 무작위 문항 수치가 달라진다. 교사는 동일한 정답 모델을 요구하기보다, 학생이 자신의 조건에서 어떤 개선 경로를 만들었는지 설명하도록 돕는다.
라. 교사의 환류 관점
“손실값이 낮다”보다 “왜 낮아졌다고 해석하는가?”, “다음 시도에서 무엇을 통제하고 무엇을 바꿀 것인가?”를 묻는다. 결과 수치, 노드 구조, 데이터 조건, 수학적 원리를 한 문장으로 연결하게 한다.
| 시도 | 바꾼 조건 | 예상한 변화 | 관찰한 손실값 | 수학적 해석 및 다음 개선 |
|---|---|---|---|---|
| 1차 | 기본 노드 연결 | 이미지의 큰 차이를 먼저 구별한다. | 기준 손실값 기록 | 입력–합성곱–활성화 함수–최댓값 요약–분류 흐름을 확인한다. |
| 2차 | 노드 수 또는 필터 수 조정 | 특징을 더 많이 추출하여 손실값이 변한다. | 변화량 기록 | 특징 행렬의 수와 대표값 선택이 결과에 미친 영향을 추론한다. |
| 3차 | 촬영 자료 조건 또는 학습 반복 조정 | 자료의 균형과 반복 학습이 예측 안정성에 영향을 준다. | 최종 손실값 기록 | 개인별 최종 구조를 선택한 이유와 남은 개선 방향을 문장으로 정리한다. |
| 단계 | 평가 요소 | 수준 | 성취 모습 | 교사 피드백 방향 |
|---|---|---|---|---|
| 단계 1 |
합성곱 노드와 행렬 연산· 초매개변수 의미 |
A | $2 \times 2$ 부분 행렬과 필터 $\begin{bmatrix}1&1\\0&0\end{bmatrix}$의 대응 성분 곱과 합을 정확히 수행하고, 위쪽 두 성분만 결과에 반영되는 이유를 설명한다. 필터 수, 커널 크기, 보폭, 패딩이 특징 행렬의 수·범위·이동 간격·가장자리 처리와 관련됨을 구분해 서술한다. | 계산 결과와 초매개변수 설명을 분리하여, 수치 계산은 간결하게 쓰고 의미 설명은 문장으로 정리하게 한다. |
| B | 대응 위치를 잘 찾아 합성곱 계산을 수행하고, 필터가 선택한 행의 정보가 결과로 남음을 말한다. 주요 초매개변수 중 세 가지 이상을 특징 추출 조건과 연결해 설명한다. | 부분 행렬의 위쪽 행과 아래쪽 행을 나누어 해석하고, 조정한 값 하나가 화면에서 무엇을 바꾸는지 말하게 한다. | ||
| C | 같은 위치끼리 곱하고 더하는 합성곱의 기본 절차를 수행하고, 필터 수와 커널 크기처럼 눈에 보이는 초매개변수의 뜻을 부분적으로 설명한다. | 위치별 곱셈 결과를 표로 정리하고, 초매개변수별 한 문장 설명 틀을 제공한다. | ||
| D | 색 표시와 단계 안내를 활용하여 부분 행렬과 필터의 대응 관계를 찾아가며, 초매개변수를 조정하면 특징맵의 모양이 달라진다는 점을 경험한다. | $2 \times 2$ 예시로 대응 성분을 표시하고, 조정 전후 화면을 비교하게 한다. | ||
| E | 작은 행렬 예시에서 위치를 맞추어 곱하고 더하는 경험을 통해 합성곱의 출발점을 익히고, 필터 수나 커널 크기 같은 용어를 접한다. | 위쪽 두 칸의 합에서 전체 합성곱 절차로 확장하고, 용어 카드를 함께 제시한다. | ||
| 단계 2 |
활성화 함수 노드와 함수 적용 |
A | $f(x)=\max(0,x)$의 규칙을 정확히 적용하고, 결과값이 특징 행렬 해석을 단순하게 만드는 과정을 설명한다. | 그래프와 표를 오가며 표현하게 한다. |
| B | 입력값의 부호에 따라 활성화 함수 결과를 구하고, 양의 값이 남는 의미를 말한다. | 여러 입력값을 함수표로 정리하게 한다. | ||
| C | 주어진 값에 활성화 함수를 적용하여 결과를 구한다. | 수직선에서 0을 기준으로 분류하게 한다. | ||
| D | 예시값을 통해 0과 비교하는 함수 규칙을 따라간다. | 입력-출력 카드 짝짓기를 활용한다. | ||
| E | 구체적인 수 카드 활동으로 함수가 값을 바꾸는 과정을 경험한다. | 양수, 0, 음수 카드를 구분한다. | ||
| 단계 3 |
최댓값 요약 노드와 정보 요약 |
A | 영역별 최댓값을 정확히 선택하고, 대표값 선택이 중요한 특징을 남기는 요약 과정임을 설명한다. | 평균값 요약과 비교하는 심화 질문을 준다. |
| B | $2 \times 2$ 영역에서 최댓값을 찾고, 특징 행렬의 크기 변화와 연결하여 말한다. | 영역 나누기를 직접 표시하게 한다. | ||
| C | 주어진 영역에서 대표값으로 최댓값을 선택하는 절차를 수행한다. | 값을 크기 순서로 배열하게 한다. | ||
| D | 표시된 영역 안의 수를 비교하며 대표값 선택 활동에 참여한다. | 큰 수 찾기 활동으로 연결한다. | ||
| E | 작은 수 표에서 가장 큰 값을 고르는 경험을 통해 정보 요약의 기초를 익힌다. | 두 수 비교에서 네 수 비교로 확장한다. |
| 단계 | 평가 요소 | 수준 | 성취 모습 | 교사 피드백 방향 |
|---|---|---|---|---|
| 단계 4 | 노드 연결과 모델 개선 해석 |
A | 입력–합성곱–활성화 함수–최댓값 요약–분류 노드의 흐름을 수학적 변환 순서로 설명하고, 노드 연결 방식과 초매개변수를 2회 이상 조정하며 손실값 변화에 대한 합리적 가설과 개선 근거를 제시한다. | 통제한 조건과 바꾼 조건을 분리하여 비교표로 정리하게 한다. |
| B | 노드 연결을 완성하고 각 노드의 역할을 설명하며, 필터 수·필터 크기·학습 반복 횟수 등 초매개변수 조정 결과를 모델 관찰 자료로 활용한다. | 가장 효과적이었던 조정 하나를 골라 입출력 변화와 연결하게 한다. | ||
| C | 기본 합성곱 신경망 흐름에 맞게 노드를 배치하고 연결하며, 손실값을 결과 확인 자료로 읽고 한 가지 개선 시도를 기록한다. | 연결 순서와 바꾼 조건을 말로 다시 설명하게 한다. | ||
| D | 노드 카드와 예시 흐름을 참고하여 이미지가 여러 연산을 거쳐 분류되는 순서를 구성하고, 교사의 발문을 통해 손실값이 비교 자료가 됨을 이해한다. | 이미지→특징→분류 흐름 카드에 손실값 관찰 칸을 덧붙인다. | ||
| E | 입력 노드에서 분류 노드까지 이어지는 큰 흐름을 그림으로 표현하며, 한 가지 조건을 바꾸면 결과 수치도 달라질 수 있다는 탐구의 출발점을 형성한다. | 두 노드 연결부터 단계적으로 확장하고 바꾼 조건을 한 문장으로 기록한다. | ||
| 단계 5 |
서술형 설명과 수학적 연결 |
A | 비유, 노드 활동 경험, 대응 성분의 곱과 합, 패턴 강조 원리를 논리적으로 엮어 독창적인 설명을 완성한다. | 진로 또는 다른 데이터 사례로 확장하게 한다. |
| B | 적절한 비유를 제시하고, 합성곱 필터가 필요한 특징을 강조하는 과정을 수학 용어로 설명한다. | 특징 행렬이라는 표현을 추가하게 한다. | ||
| C | 일상적 비유와 합성곱의 기본 절차를 연결하여 설명한다. | “곱한다–더한다–커진다”의 문장 틀을 제공한다. | ||
| D | 교사의 발문을 바탕으로 필터가 특정 정보를 찾는다는 생각을 짧은 문장으로 표현한다. | 예시 문장에 자신의 활동 경험을 덧붙이게 한다. | ||
| E | 그림과 말풍선을 활용하여 “필터가 찾는 모양을 강조한다”는 핵심 생각을 표현한다. | 그림 설명에서 수학 단어 하나를 연결한다. |
| 수준 | 기준 점수 | 학생이 보인 성취 |
|---|---|---|
| A 매우 우수 |
80점 이상 | 이미지의 픽셀 정보를 행렬로 표현하고, 합성곱·활성화 함수·최댓값 요약·분류 노드의 흐름을 수학적 변환으로 정확히 설명한다. 노드 연결 방식과 초매개변수를 조정하며 검증 손실값 변화를 탐구 가설로 연결하고, 필터의 패턴 강조 원리를 창의적 비유와 수학 용어로 통합하여 서술한다. |
| B 우수 |
70점 이상 | 행렬 연산과 함수 적용을 안정적으로 수행하고, 노드 연결이 이미지 분류 과정의 단계적 변환임을 설명한다. 검증 손실값을 관찰 자료로 활용하며 초매개변수 조정 결과와 필터의 역할을 적절한 비유로 연결한다. |
| C 보통 |
55점 이상 | 기본 계산과 노드 연결을 수행하고, 이미지가 여러 수학적 단계를 거쳐 분류된다는 흐름을 설명한다. 교사의 발문을 바탕으로 합성곱의 기본 절차와 일상적 비유를 연결한다. |
| D 기초 |
40점 이상 | 예시와 안내를 활용하여 픽셀, 행렬, 함수, 대표값 선택의 기본 절차를 따라가고, 노드 연결의 큰 흐름을 그림과 말로 표현한다. |
| E 시작 |
25점 이상 | 구체물, 격자 그림, 작은 행렬 예시를 바탕으로 이미지가 수로 표현된다는 핵심 생각을 형성하고, 입력에서 분류로 이어지는 큰 흐름을 경험한다. |
| I 기초 확인 |
25점 미만 | 개별 확인을 통해 이미지 행렬, 합성곱, 노드 연결 등 기초 개념의 출발점을 파악한다. |
| 수준 | 지도 방향 |
|---|---|
| A | 학생이 제시한 비유와 모델 해석을 바탕으로 서로 다른 필터가 경계선, 밝기 변화, 특정 모양을 어떻게 강조하는지 비교하는 심화 탐구를 안내한다. 검증 손실값 탐구 도전에서는 통제 변인과 조작 변인을 구분하여 개인별 최종 구조를 정당화하게 한다. |
| B | 안정적인 계산 역량을 바탕으로 결과값의 의미를 더 깊게 해석하도록 돕는다. 같은 이미지에 다른 필터를 적용했을 때 특징 행렬이 달라지는 이유와 손실값 변화가 나타난 까닭을 발표하게 한다. |
| C | 학생의 일상적 비유를 교사가 수식과 연결해 준다. “대응 성분의 곱 → 합 → 큰 값 → 패턴 강조”의 설명 틀을 활용하여 서술을 정교화한다. |
| D | $2 \times 2$ 행렬과 필터를 손으로 계산하는 보충 활동을 운영한다. 계산 절차를 말하면서 수행하게 하여 행렬의 위치와 연산 순서를 안정화한다. |
| E | 최소 성취수준 보장을 위해 작은 행렬의 같은 위치를 찾는 활동부터 시작한다. 색칠된 격자, 숫자 카드, 대응 성분 연결선 등을 활용하여 행렬 연산의 기초 감각을 형성한다. |
합성곱 노드를 배치하고 주어진 $2 \times 2$ 부분 행렬과 필터 $\begin{bmatrix}1&1\\0&0\end{bmatrix}$의 대응 성분을 곱해 더하는 구조를 스스로 정리함. 필터의 1과 0이 어떤 위치의 정보를 남기거나 제외하는지 설명하고, 값이 커지는 위치가 필터가 찾는 패턴과 관련됨을 수학적 언어로 표현함.
기본 노드 연결을 완성한 뒤 검증 손실값을 단순 순위가 아니라 모델 개선을 위한 피드백 수치로 해석함. 합성곱 노드 수, 필터 수, 최댓값 요약 노드의 배치, 촬영 자료 수를 차례로 조정하며 “바꾼 조건–예상–관찰–다음 개선”의 흐름으로 탐구 일지를 작성함. 조건 변화와 손실값 변화를 특징 추출량과 자료 조건의 관점에서 설명하는 자기주도적 탐구 역량이 돋보임.
필터 크기, 필터 수, 학습 반복 횟수와 같은 초매개변수를 모델 밖에서 정하는 조건으로 이해하고, 한 번에 여러 조건을 바꾸기보다 하나의 조건을 중심으로 비교하려는 태도를 보임. 같은 촬영 자료를 유지한 상태에서 필터 수를 조정하여 검증 손실값 변화를 관찰하고, 수치 결과를 절대화하지 않고 노드 연결 구조와 자료의 균형을 함께 고려함.
활성화 함수 $f(x)=\max(0,x)$가 음의 값을 0으로 바꾸어 특징 행렬의 해석을 단순하게 만든다는 점을 함수의 입력과 출력 관계로 설명함. 최댓값 요약 노드에서는 여러 값 중 대표값을 선택하는 과정이 세부 값을 정리하며 주요 특징을 남기는 요약임을 자신의 말로 정리하고, 합성곱 필터를 특정 신호를 뚜렷하게 잡아내는 과정에 비유하여 대응 성분의 곱과 합, 패턴 일치, 특징 강조를 논리적으로 연결함.
합성곱 신경망의 이미지 분류 원리를 의료 영상, 자율 주행, 예술 작품 분류 등 실제 문제 상황과 연결하여 탐구함. 필터 행렬이 전체 이미지를 한꺼번에 판단하지 않고 작은 부분 행렬을 이동하며 특징을 찾는다는 점에 주목하고, 부분 관찰의 결과가 누적되어 분류 판단으로 이어지는 구조를 설명함. 자신의 관심 분야에서 필요한 데이터의 공정성과 촬영 조건의 균형까지 언급하여 수학적 모델링을 실제 의사 결정의 맥락으로 확장함.
초기 탐색 단계에서 합성곱 계산 절차를 차근차근 확인하며 입력 노드와 합성곱 노드의 역할을 구분함. 이후 활성화 함수와 최댓값 요약 노드를 순서대로 연결하며 각 단계의 입력과 출력이 어떻게 달라지는지 그림과 문장으로 정리함. 검증 손실값 탐구 도전에서는 첫 구조를 기준 모델로 삼고 필터 수와 촬영 자료 조건을 조정한 개선 구조를 비교하여 개인별 최종 모델을 선택하는 등 결과보다 과정을 근거로 설명하려는 태도가 뚜렷함.