Learning analytics promises to improve education by understanding how students learn. By tracking clickstream data, time-on-task, resource access patterns, quiz performance trajectories, and even biometric indicators (eye tracking, facial expression analysis), analytics systems can identify struggling students early, personalize content delivery, and evaluate pedagogical effectiveness.

The surveillance dimension of this promise is less frequently discussed. To personalize learning, the system must know everything about the learner. To identify struggling students, the system must monitor every interaction. To evaluate pedagogy, the system must measure outcomes continuously. The data infrastructure that enables personalization is, architecturally, the data infrastructure of surveillance.

AI-Based Behavioral Analytics

Nawaz, Awan, and Ahmed (2025) examine what they call "surveillance pedagogy": the psychological and pedagogical risks of AI-based behavioral analytics in digital classrooms. The rise of AI-based surveillance in education has introduced tools that track student behavior, emotions, and attention in real time. Though marketed as innovations for improving learning outcomes, these systems risk compromising student privacy, increasing anxiety, and narrowing pedagogical practice.

The paper identifies several risks: students who know they are being monitored may alter their behavior to perform for the algorithm rather than to learn; emotional monitoring (facial expression analysis, sentiment detection) invades psychological privacy in ways that attendance tracking does not; and the normalization of surveillance in educational settings may reduce students' expectations of privacy in other domains of life.

Balancing Success and Privacy

Azra and Zeeshan (2025) examine the dual nature of big data analytics in higher education. The proliferation of analytics offers promising avenues for improving student success while simultaneously raising critical concerns about data privacy protection and ethical frameworks.

The paper documents a tension that many institutions face: the same data that enables early intervention for at-risk students also creates detailed behavioral profiles that could be misused for disciplinary surveillance, insurance risk assessment, or employment screening. Without clear policies about data access, retention, and purpose limitation, the data collected to help students could be turned against them.

Student Perceptions

Karimov, Saarela, and Aliyev (2025) explore students' perceptions of engagement data collection and usage in learning analytics. The ethical use of engagement data in online education is a growing concern as institutions increasingly rely on analytics.

The study finds that students' attitudes toward data collection are nuanced: many accept that learning analytics can improve their educational experience, but they want transparency about what data is collected, how it is used, and who has access. Students distinguish between acceptable monitoring (tracking submission patterns to identify students who need help) and unacceptable surveillance (monitoring webcam feeds during exams, analyzing emotional states, tracking physical location).

K-12 Ethical Challenges

Shukla, Pandey, and Kumar (2025) examine ethical challenges in AI use in schools, focusing on data privacy, surveillance, and bias. The rapid integration of AI in school education has transformed teaching methods but has raised significant ethical concerns.

The K-12 context amplifies ethical concerns because the subjects are minors who cannot meaningfully consent to data collection. Schools act as data custodians for children who may not understand what data is being collected, how it is being used, or what long-term implications the data profile may have for their future opportunities.

Claims and Evidence

Implications

Learning analytics occupies a contested space between educational improvement and student surveillance. The technology itself is neutral—the same data infrastructure can serve either purpose. What determines the outcome is governance: clear policies about data collection, access, retention, and use; meaningful transparency to students about what is being monitored; genuine consent mechanisms (not merely terms-of-service click-through); and institutional cultures that treat student data as a trust, not an asset.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 인용된 특정 연구 결과, 통계, 주장은 학술 연구에서 인용하기 전에 원본 논문을 통해 검증해야 한다.

감시 교육학: 학습 분석이 학생 감시가 될 때

학습 분석(learning analytics)은 학생들이 어떻게 학습하는지를 파악함으로써 교육을 개선하겠다고 약속한다. 클릭스트림 데이터, 과제 소요 시간, 학습 자료 접근 패턴, 퀴즈 수행 궤적, 나아가 생체인식 지표(시선 추적, 표정 분석)까지 추적함으로써, 분석 시스템은 어려움을 겪는 학생을 조기에 식별하고, 콘텐츠 전달을 개인화하며, 교수법적 효과를 평가할 수 있다.

이러한 약속에 내재된 감시의 측면은 그다지 자주 논의되지 않는다. 학습을 개인화하려면 시스템은 학습자에 대한 모든 것을 알아야 한다. 어려움을 겪는 학생을 식별하려면 시스템은 모든 상호작용을 모니터링해야 한다. 교수법을 평가하려면 시스템은 성과를 지속적으로 측정해야 한다. 개인화를 가능하게 하는 데이터 인프라는, 구조적으로 볼 때, 감시의 데이터 인프라이기도 하다.

AI 기반 행동 분석

Nawaz, Awan, Ahmed(2025)는 이들이 "감시 교육학(surveillance pedagogy)"이라 부르는 것, 즉 디지털 교실에서 AI 기반 행동 분석이 초래하는 심리적·교육적 위험을 검토한다. 교육 분야에서 AI 기반 감시의 부상은 학생의 행동, 감정, 주의를 실시간으로 추적하는 도구를 도입하였다. 학습 성과 개선을 위한 혁신으로 마케팅되고 있지만, 이러한 시스템은 학생 프라이버시를 침해하고, 불안을 증가시키며, 교수법적 실천을 협소하게 만들 위험이 있다.

해당 논문은 여러 위험을 확인한다. 자신이 모니터링되고 있음을 아는 학생들은 실제로 학습하기보다 알고리즘을 위해 수행하도록 행동을 바꿀 수 있다. 감정 모니터링(표정 분석, 감정 감지)은 출석 추적과는 비교할 수 없는 방식으로 심리적 프라이버시를 침해한다. 또한 교육 환경에서 감시의 정상화는 삶의 다른 영역에서 학생들이 갖는 프라이버시 기대치를 낮출 수 있다.

성공과 프라이버시의 균형

Azra와 Zeeshan(2025)은 고등교육에서 빅데이터 분석의 이중적 성격을 검토한다. 분석의 확산은 학생 성공을 개선하기 위한 유망한 경로를 제공하는 동시에, 데이터 프라이버시 보호 및 윤리적 프레임워크에 관한 심각한 우려를 제기한다.

해당 논문은 많은 기관이 직면한 긴장을 기록한다. 위기 학생에 대한 조기 개입을 가능하게 하는 바로 그 데이터가, 징계 감시, 보험 위험 평가, 또는 채용 심사에 악용될 수 있는 상세한 행동 프로파일을 생성하기도 한다. 데이터 접근, 보존, 목적 제한에 관한 명확한 정책 없이는, 학생을 돕기 위해 수집된 데이터가 학생에게 불리하게 사용될 수 있다.

학생 인식

Karimov, Saarela, Aliyev(2025)는 학습 분석에서 참여 데이터 수집 및 활용에 대한 학생들의 인식을 탐구한다. 기관들이 점점 더 분석에 의존함에 따라, 온라인 교육에서 참여 데이터의 윤리적 활용은 점증하는 관심사가 되고 있다.

이 연구는 데이터 수집에 대한 학생들의 태도가 복합적임을 발견한다. 많은 학생이 학습 분석이 자신의 교육적 경험을 개선할 수 있음을 인정하지만, 어떤 데이터가 수집되고, 어떻게 활용되며, 누가 접근할 수 있는지에 대한 투명성을 원한다. 학생들은 수용 가능한 모니터링(도움이 필요한 학생을 식별하기 위해 제출 패턴을 추적하는 것)과 수용 불가능한 감시(시험 중 웹캠 피드를 모니터링하거나, 감정 상태를 분석하거나, 물리적 위치를 추적하는 것)를 구분한다.

K-12 윤리적 과제

Shukla, Pandey, Kumar(2025)는 학교에서의 AI 활용에 관한 윤리적 과제, 특히 데이터 프라이버시, 감시, 편향에 초점을 맞추어 검토한다. 학교 교육에서 AI의 급속한 통합은 교수 방법을 변혁하였으나, 동시에 심각한 윤리적 우려를 제기하였다. K-12 맥락은 윤리적 우려를 증폭시키는데, 그 이유는 해당 대상이 데이터 수집에 의미 있는 동의를 할 수 없는 미성년자이기 때문이다. 학교는 어떤 데이터가 수집되고 있는지, 그것이 어떻게 사용되는지, 또는 데이터 프로파일이 미래 기회에 어떤 장기적 함의를 가질 수 있는지 이해하지 못할 수 있는 아동들을 위한 데이터 수탁자 역할을 한다.

주장과 근거

시사점

학습 분석은 교육적 향상과 학생 감시 사이의 논쟁적인 공간을 점유한다. 기술 자체는 중립적이며, 동일한 데이터 인프라가 어느 목적으로도 활용될 수 있다. 결과를 결정하는 것은 거버넌스이다. 즉, 데이터 수집, 접근, 보존, 활용에 관한 명확한 정책; 무엇이 모니터링되고 있는지에 대한 학생에의 실질적인 투명성; 진정한 동의 메커니즘(단순한 서비스 약관 클릭 동의가 아닌); 그리고 학생 데이터를 자산이 아닌 신탁으로 취급하는 기관 문화가 그것이다.