Earticle

인공지능(AI)이 빠르게 보편화되고 있으며, 교육 뷴야에서도 큰 영향을 미치고 있다. 우리나라에서는 ML과 지 능형 교육 도구를 통합한 AI·디지털 기반 교육 플랫폼을 통해 학습자 중심의 맞춤형 교육을 지원하고 있다. AI·디 지털 교육 플랫폼에서의 교수 및 학습 과정에는 학습자의 개인 데이터가 포함되며, 이를 분석하여 개인화된 향상 된 학습 경험을 제공하기 위해 상당한 수의 메타데이터가 생성된다. 이렇게 생성된 메타데이터에 어떤 개인 데이 터가 포함되는지, 학습과 관련된 데이터에 대해 보호는 어떻게 이루어지는지가 주요한 이슈이다. 따라서 본 논문 에서는 2025년 도입되는 디지털 교과서가 AI 교육 플랫폼에서 학습자의 개인 데이터가 위협받지 않도록 기존 문 헌 분석을 토대로 학습자의 학습 데이터 보호 방안에 대해 제시하였다.

Artificial Intelligence (AI) is rapidly becoming ubiquitous and greatly impacts education. In Korea, an educational platform powered by AI supports learner-centered and personalized education. The platform integrates ML and intelligent educational tools. The teaching and learning process in this platform involves learners' data, and a significant amount of metadata is generated to be analysed in order to provide personalised and enhanced learning experiences. However, what personal data is included in this metadata and how to protect learning-related data is an issue. Therefore, based on the analysis of the existing literature, this paper proposes a plan to protect learners' learning data so that the digital textbooks introduced in 2025 do not pose a threat to learners' personal data in the AI education platform.

수집된 대량의 데이터셋이 딥러닝 학습데이터로 사용되기 위해서는 주민번호, 질병 정보등과 같이 민감 한 개인정보는 해커에게 노출되지 않도록 값을 변경하거나 암호화해야 하고 구축된 딥러닝 모델의 구조와 일 치 하도록 데이터를 재구성 해주어야 한다. 현재, 이러한 작업은 전문가에 의해 수동으로 이루어지기 때문에, 시간과 비용이 많이 소요 된다. 이러한 문제점을 해결하기 위해, 본 논문에서는 딥러닝 과정에서 개인정보 보 호를 위한 데이터 처리 작업을 자동으로 수행할 수 있는 기법을 제안한다. 제안된 기법에서는 데이터 일반화에 기반한 개인정보 보호 작업을 수행하고 원형큐를 사용하여 데이터 재구성 작업을 수행한다. 제안된 기법의 타 당성을 검증하기 위해, C언어를 사용하여 직접 구현하였다. 검증 결과, 데이터 일반화가 정상적으로 수행되고 딥러닝 모델에 맞는 데이터 재구성이 제대로 수행됨을 확인 할 수 있었다.

In order for the large amount of collected data sets to be used as deep learning training data, sensitive personal information such as resident registration number and disease information must be changed or encrypted to prevent it from being exposed to hackers, and the data must be reconstructed to match the structure of the built deep learning model. Currently, these tasks are performed manually by experts, which takes a lot of time and money. To solve these problems, this paper proposes a technique that can automatically perform data processing tasks to protect personal information during the deep learning process. In the proposed technique, privacy protection tasks are performed based on data generalization and data reconstruction tasks are performed using circular queues. To verify the validity of the proposed technique, it was directly implemented using C language. As a result of the verification, it was confirmed that data generalization was performed normally and data reconstruction suitable for the deep learning model was performed properly.