JYP Garden

ABCD 프레임워크 — 측정 가능한 학습목표 작성법

Properties1
tagsconcept, education-framework, instructional-design, knowledge

10 min read

ABCD 프레임워크 — 측정 가능한 학습목표 작성법

정의: 학습목표를 체계적으로 작성하기 위한 4가지 요소 모델 창시자: 교육학자 집단 (전반적 교육 설계 관행) 핵심 원칙: Audience, Behavior, Condition, Degree

기본 구조

ABCD 프레임워크는 다음 4가지 요소로 구성된 학습목표 작성 템플릿:

주어진 [조건 C]에서, [청중 A]는 [측정 가능한 행동 B]을 [수용 기준 D]까지 달성할 수 있다.

A (Audience, 청중)

정의: 학습목표를 달성할 대상

예시:

  • “학생들은”
  • “학습자는”
  • “반 전체는”

활용: 학습자의 사전 지식·학습 스타일·동기를 고려하여 목표 수준 결정

B (Behavior, 행동/행위)

정의: Bloom 분류법의 동사를 사용한, 관찰 가능하고 측정 가능한 행동

피해야 할 모호한 동사 (❌):

  • understand, know, believe, comprehend, appreciate, learn, enjoy, be aware of, interested in

올바른 동사 선택 (✅):

  • Remember: list, recite, define, name, identify, recall
  • Understand: explain, describe, interpret, summarize, discuss, paraphrase
  • Apply: calculate, predict, solve, demonstrate, use, illustrate, construct
  • Analyze: classify, compare, distinguish, break down, categorize, diagram
  • Evaluate: judge, defend, critique, justify, support, evaluate, choose
  • Create: design, formulate, build, invent, compose, derive, develop

예시:

  • ❌ “Python을 이해한다”
  • ✅ “Pandas를 사용해 데이터를 읽고 기초 통계를 계산할 수 있다” (Apply)

C (Condition, 조건) — 선택사항

정의: 행동을 수행할 조건·제약·환경

예시:

  • “주어진 CSV 파일에서”
  • “케이스 스터디를 기반으로”
  • “제공된 API 문서를 참고하여”
  • “인터넷 접근 없이”

역할: 현실적 맥락 추가로 목표의 실무 적용성 강조

D (Degree, 수준/기준) — 선택사항

정의: 수용 가능한 성과의 기준 (정확도, 속도, 품질 등)

예시:

  • “80% 정확도 이상으로”
  • “시간 내에”
  • “오류 없이”
  • “세 가지 이상의 방법으로”
  • “교수자의 평가에 따라”

역할: 목표 달성 수준을 명확히 하여 평가 기준 제시

ABCD 완전형 vs 간소형

1. ABCD 완전형 (모든 요소 포함)

주어진 통계 데이터셋에서, 학생들은 
표준편차 규칙을 정규분포에 적용하여 
80% 정확도 이상으로 이상치를 식별할 수 있다.
  • A: 학생들은
  • B: 표준편차 규칙 적용 (Apply, Bloom 동사)
  • C: 주어진 통계 데이터셋에서
  • D: 80% 정확도 이상

2. ABCD 간소형 (필수 요소만)

학습자는 케이스 스터디를 기반으로 
최소 2개 이상의 욕구 분석을 수행할 수 있다.
  • A: 학습자는
  • B: 욕구 분석 수행 (Apply)
  • C+D: 케이스 스터디 기반, 2개 이상 (조건+기준 결합)

Bloom과 ABCD의 연결

Bloom 수준적절한 ABCD 동사예시
Rememberlist, define, name, identify”학생은 기본 통계 용어 5개를 정의할 수 있다”
Understandexplain, describe, interpret, discuss”학생은 표준편차의 의미를 설명할 수 있다”
Applycalculate, solve, demonstrate, construct”학생은 데이터셋에서 표준편차를 계산할 수 있다”
Analyzecompare, classify, distinguish”학생은 두 분포를 비교·분석할 수 있다”
Evaluatejudge, defend, criticize, justify”학생은 어느 통계 방법이 적합한지 판단할 수 있다”
Createdesign, formulate, build, develop”학생은 원본 데이터 분석 계획을 설계할 수 있다”

학습목표 계층: 코스 수준 vs 레슨 수준

코스 수준 (Course-Level Objectives)

  • 개수: 3~5개 (전체 강의 기준)
  • 범위: 광범위한 최종 성과
  • Bloom 수준: 높음 (Evaluate, Create 권장)
  • 측정: 직접 평가 어려움 (최종 프로젝트로 종합 평가)

예시:

코스 목표 1. (Create) 
학생은 자신의 관심 주제에 대해 
데이터 분석 프로젝트를 설계·구현할 수 있다.

레슨 수준 (Lesson-Level Objectives)

  • 개수: 매 수업마다 2~4개
  • 범위: 구체적인 단원 성과
  • Bloom 수준: 낮거나 같음 (코스 목표 이하)
  • 측정: 즉시 평가 가능

예시:

레슨 1.1. (Understand) 
학생은 Python의 기본 문법을 설명할 수 있다.

레슨 1.2. (Apply) 
학생은 Pandas를 사용해 CSV를 읽고 통계를 계산할 수 있다.

레슨 1.3. (Analyze) 
학생은 두 데이터 분석 방법을 비교할 수 있다.

계층 원칙 (Critical Rule)

⚠️ 코스 목표 동사 ≥ 모든 레슨 목표 동사

위반 예:

  • 코스 목표: (Apply) “데이터 처리”
  • 레슨 목표: (Create) “프로젝트 설계” ❌

→ 레슨 목표가 코스 목표보다 높으면, 코스 구조가 불일치

3가지 학습 도메인

ABCD는 모든 학습을 3가지 도메인으로 분류:

1. 인지 도메인 (Cognitive Domain)

정의: 생각·이해·분석의 능력 (가장 일반적)

6단계: Remember → Understand → Apply → Analyze → Evaluate → Create

예시: “Python으로 데이터를 처리할 수 있다”

2. 정의 도메인 (Affective Domain)

정의: 태도·감정·가치관·관심

5단계:

  1. Receiving (받아들이기) — 주의 기울이기
  2. Responding (반응하기) — 적극 참여
  3. Valuing (가치 부여) — 중요성 인식
  4. Organizing (조직화) — 가치체계 구축
  5. Characterizing (특성화) — 습관·성격 형성

예시: “데이터 개인정보보호의 중요성을 이해하고 실무에서 준수한다”

3. 심동 도메인 (Psychomotor Domain)

정의: 신체 움직임·손기술·조정 능력

5단계:

  1. Observing (관찰)
  2. Imitating (모방)
  3. Practicing (연습)
  4. Adapting (적응)
  5. Mastering (숙달)

예시: “실험실에서 기계 장비를 능숙하게 조작할 수 있다”

강의 설계 적용 체크리스트

목표 작성 체크리스트

  • 각 목표 1개 동사만 포함
  • 동사는 Bloom 분류법 준수
  • 모호한 동사(understand, appreciate) 제외
  • (선택) 작성 중 Bloom 수준 괄호로 표기: (Remember), (Apply) 등
  • 측정 가능한가? 확인 (객관적 판단 가능)

계층 구조 확인

  • 코스 수준 목표 3~5개 ✅
  • 레슨 수준 목표 각 2~4개 ✅
  • 레슨 동사 ≤ 코스 동사 ✅
  • 높은 수준 코스 → 낮은 수준 레슨으로 내려가는지 확인 ✅

평가 설계 확인

  • 각 목표 수준에 맞는 평가 방식 선정
    • Remember/Understand → 객관식, 단답형
    • Apply → 문제 풀이, 시뮬레이션
    • Analyze/Evaluate → 논술, 비교 분석
    • Create → 프로젝트, 포트폴리오

강의 설계에서의 활용 사례

Tip

lecture-planning-2026의 데이터분석 및 MLOps 모듈 설계 시 ABCD 프레임워크 적용:

Module 2: 데이터 분석 개요 및 기초통계 (24h)

코스 목표: (Apply) 학생은 실제 데이터셋에서 기초 통계 분석을 수행할 수 있다.

  • 레슨 2.1. (Remember) 기초 통계 용어 5가지를 정의할 수 있다.
  • 레슨 2.2. (Understand) 평균, 중앙값, 표준편차의 차이를 설명할 수 있다.
  • 레슨 2.3. (Apply) Python/Pandas를 사용해 실제 데이터의 통계를 계산할 수 있다.
  • 레슨 2.4. (Analyze) 두 데이터셋의 분포를 비교할 수 있다.

관련 개념

그래프 뷰