문제 유형을 섞어 풀면 언제 더 잘 배우나…교차학습은 ‘방법을 고르는 과제’에서 특히 강했다
한 과목을 끝까지 몰아서 공부한 뒤 다음 과목으로 넘어가는 방식보다 문제 유형을 섞어 푸는 교차학습이 더 잘 통하는 과제는 비교적 분명하다. 이미 배운 여러 풀이법이나 범주 가운데 무엇을 적용해야 하는지 스스로 골라야 하는 과제, 서로 비슷해 보여 헷갈리기 쉬운 유형을 구분해야 하는 과제, 그리고 연습 직후 성과보다 며칠 뒤 유지와 전이를 봐야 하는 과제에서 효과가 두드러졌다. 반대로 단어쌍처럼 개별 항목 자체를 바로 외우는 과제나, 아직 기본 절차를 익히는 첫 단계까지 교차학습이 일관되게 우세하다고 보기는 어렵다.
수학에서 가장 분명한 효과, ‘어떤 공식을 써야 하는지’ 스스로 고를 때
수학은 교차학습 효과가 가장 반복적으로 확인된 분야 중 하나다. Doug Rohrer 연구진은 2014년 7학년 학생 140명을 대상으로 9주 동안 연습 문제를 블록형과 교차형으로 나눠 제시한 뒤, 2주 후 예고 없는 시험을 봤다. 그 결과 교차형으로 배운 내용의 평균 점수는 72%, 블록형은 38%였다. 이 연구에서 중요한 점은 섞어 제시된 문제들이 겉보기에는 서로 꽤 달랐는데도 효과가 나타났다는 것이다. 연구진은 학생들이 문제를 읽고 적절한 전략을 고르는 능력이 좋아졌다고 해석했다.
더 큰 규모의 후속 무작위 대조시험에서도 같은 방향의 결과가 나왔다. 같은 연구진이 54개 7학년 수학 학급을 4개월 동안 비교한 연구에서는 교차학습 비중이 큰 집단이 1개월 뒤 예고 없는 시험에서 61%를 기록했고, 블록형 비중이 큰 집단은 38%였다. 이 실험은 교사가 별도 훈련 없이 학교 수업 안에서 시행했다는 점에서, 실험실 조건을 넘어 실제 수업 적용 가능성을 따져본 사례로 읽힌다.
다만 수학에서의 효과를 단순히 ‘섞으면 무조건 좋다’로 정리하기는 어렵다. Nathaniel Foster 연구진은 입체도형 부피 계산 과제를 이용해 교차학습의 이유를 따로 시험했는데, 서로 다른 유형을 번갈아 보게 하는 효과뿐 아니라 같은 유형의 문제가 시간 간격을 두고 다시 나오는 분산연습 효과도 함께 작동한다고 봤다. 즉 교차학습은 유형 구분을 돕고, 동시에 같은 절차를 다시 꺼내 쓰게 만들어 장기 기억에도 이점을 줄 수 있다는 뜻이다.
운동기술도 비슷했다…연습할 때는 더 어렵지만, 나중에는 더 남았다
운동기술 연구에서는 이 현상이 ‘맥락간섭 효과’라는 이름으로 오래전부터 다뤄졌다. John B. Shea와 Robyn L. Morgan의 1979년 연구에서 대학생 72명은 세 가지 운동 과제를 블록형 또는 무작위 순서로 연습했다. 그 결과 연습 중에는 무작위 조건이 더 어렵게 느껴졌지만, 10분 뒤와 10일 뒤 유지 검사, 그리고 새로운 과제로 옮겨 가는 전이 검사에서는 무작위 연습 집단이 더 나은 성과를 보였다. 특히 더 복잡한 전이 과제에서 차이가 두드러졌다.
이 결과는 교차학습이 운동기술에서도 단순 반복 숙련보다 ‘다음 동작을 무엇으로 할지 계속 선택해야 하는 상황’에 강점이 있음을 시사한다. 다만 이것도 수업 설계에서는 주의가 필요하다. 연습 직후 수행만 보면 블록형이 더 매끄러워 보일 수 있기 때문이다. 교사나 학습자가 당장 잘되는 방식에 끌리기 쉬운 이유도 여기 있다.
범주를 구분하는 학습에도 강점…화가 그림 구별, 새 예시 판별 같은 과제
교차학습은 ‘새 예시를 보고 어느 범주에 속하는지 판단하는’ 범주 학습에서도 강했다. Nate Kornell과 Robert A. Bjork는 2008년 참가자들에게 여러 화가의 그림을 보여주며, 한 화가의 그림을 연달아 보는 방식과 여러 화가의 그림을 섞어 보는 방식을 비교했다. 이후 처음 보는 새 그림을 제시하고 어느 화가의 작품인지 맞히게 했더니, 섞어 본 집단이 더 잘 분류했다. 흥미로운 점은 참가자 다수가 오히려 몰아서 본 방식이 더 효과적이라고 느꼈다는 점이다.
후속 연구들은 이런 효과가 범주 사이의 차이를 더 잘 보게 만들기 때문이라고 설명해 왔다. 비슷한 종류끼리 헷갈리기 쉬운 대상을 구별해야 할 때는, 한 범주를 길게 보는 것보다 서로 다른 범주를 가까운 간격으로 번갈아 보는 편이 차이를 더 선명하게 드러낼 수 있다. 반대로 한 범주 안의 공통점만 파악하면 되는 상황이라면 교차학습의 장점이 줄어들 수 있다.
모든 과목에 같은 처방은 아니었다…단어 학습은 예외가 더 많았다
교차학습을 여러 연구에서 묶어 본 Matthias Brunmair와 Tobias Richter의 2019년 메타분석은 이 점을 더 분명히 보여준다. 59개 연구, 238개 효과크기를 합친 결과 전체적으로는 중간 정도의 이점이 있었지만, 과제에 따라 차이가 컸다. 그림이나 다른 시각 자료에서는 효과가 컸고, 수학 과제에서는 작은 편이지만 일관된 이점이 관찰됐다. 반면 설명문 읽기나 맛 구분 과제는 결과가 뚜렷하지 않았고, 단어 과제에서는 오히려 블록형이 더 나은 경우도 있었다.
이 메타분석은 또 어떤 조건에서 효과가 커지는지도 제시했다. 서로 다른 범주들이 더 비슷해 보여 구별이 어렵고, 같은 범주 안의 사례들은 서로 덜 닮아 있으며, 과제 자체가 더 복잡할수록 교차학습 이점이 커졌다. 결국 핵심은 ‘섞는 것’ 자체보다, 섞었을 때 학습자가 무엇을 비교하고 무엇을 떠올리게 되느냐다.
현실적인 적용법은 ‘도입은 설명, 숙달은 혼합’에 가깝다
지금까지 확인된 근거를 종합하면, 교차학습이 특히 잘 맞는 과제는 정답 자체를 반복해 쓰는 과제보다 문제를 보고 전략을 판별해야 하는 과제다. 수학에서는 여러 공식과 풀이법 중 무엇을 써야 하는지 고르는 문제, 운동기술에서는 동작을 바꿔 가며 조정해야 하는 연습, 범주 학습에서는 비슷한 대상을 가려내야 하는 분류 과제가 여기에 들어간다.
반대로 교차학습을 처음부터 모든 연습에 강하게 적용하는 것이 최선이라는 근거는 아직 충분하지 않다. 연습 직후 정확도나 속도는 떨어질 수 있고, 단어처럼 개별 항목의 즉각적 암기가 중심인 과제에서는 이점이 약하거나 반대일 수 있다. 따라서 실제 수업과 자기주도 학습에서는 새 절차를 처음 익힐 때 짧은 예시 묶음으로 기본을 잡고, 이후에는 비슷한 유형을 섞어 어떤 방법을 써야 하는지 스스로 고르게 만드는 방식이 현재 근거에 가장 가깝다.
교차학습은 공부를 더 힘들게 만드는 경우가 많다. 그러나 인지과학 연구들이 반복해서 보여준 것은, 연습 중의 쉬움이 나중의 기억과 전이를 보장하지는 않는다는 점이다. 무엇을 언제 섞을지의 기준은 단순하다. 같은 절차를 더 빨리 반복하는 것이 목표인지, 아니면 다른 문제 앞에서 맞는 절차를 스스로 꺼내 쓰는 것이 목표인지부터 구분해야 한다.
자료: Doug Rohrer·Robert F. Dedrick·Kaleena Burgess, The Benefit of Interleaved Mathematics Practice Is Not Limited to Superficially Similar Kinds of Problems(2014); Doug Rohrer·Robert F. Dedrick·Marissa K. Hartwig·Chi-Ngai Cheung, A Randomized Controlled Trial of Interleaved Mathematics Practice(2019 온라인 공개, 2020 출판); Nathaniel L. Foster·Michael L. Mueller·Christopher Was·Katherine A. Rawson·John Dunlosky, Why Does Interleaving Improve Math Learning? The Contributions of Discriminative Contrast and Distributed Practice(2019); John B. Shea·Robyn L. Morgan, Contextual Interference Effects on the Acquisition, Retention, and Transfer of a Motor Skill(1979); Nate Kornell·Robert A. Bjork, Learning Concepts and Categories: Is Spacing the “Enemy of Induction”?(2008); Matthias Brunmair·Tobias Richter, Similarity Matters: A Meta-Analysis of Interleaved Learning and Its Moderators(2019)