물리교육 연구 논문의 구성 체제에 인접 학문의 여러 특징이 혼재되는 것은 자연스러운 현상이라고 볼 수 있다. 이 연구에서는 최근 “새물리” 학술지에 게재된 물리교육 논문의 구성 체제를 인접 학문 분야(물리학, 화학, 교육학, 심리학)와 비교하여 물리교육 연구 논문의 특징을 살펴보았다.

국내 전문 학술지에 게재된 경험적 연구 논문을 분석한 결과, 실험물리학(물리학)과 실험화학(화학), 교육심리학(교육학), 발달심리학(심리학)은 구성 양식이 각각 뚜렷하게 나타났지만 물리교육은 여러 구성 양식이 다양하게 나타났다. 물리학, 화학 논문은 대체로 서론-방법-결과 및 논의(고찰)를 한 후, 짧게 한 문단으로 결론을 제시하였다(IM[RD]C). 교육학 논문은 서론 뒤에 이론적 배경을 붙이고, 마지막 절에는 논의 및 결론을 제시하는 유형(ILMR[DC])이 대표적이었다. 심리학에서는 분석 대상 논문이 모두 전형적인 IMRD(서론-방법-결과-논의) 유형이었다.

물리교육 논문의 절 제목에서는 복합적이고 독특한 특징이 발견되었다. 셋째 절에서는 교육학이나 심리학처럼 ‘결과’를 사용하는 빈도가 높았으나, 마지막 절에서는 물리학이나 화학처럼 ‘결론’을 언급하는 경향이 있었다. 이처럼 자연과학과 사회과학 연구 논문의 특징이 섞여 있었다.

그리고 물리교육 논문에서는 마지막 절 제목에 제언이나 시사점 등이 등장하였다. 80%의 논문에서 “결론 및 제언”과 같이, 결론을 진술한 후 이에 대한 후속 연구 제언이나 교육적 시사점을 덧붙였다. 이는 인접 학문 분야에서는 나타나지 않았기에, 물리교육 연구 논문의 특징이라고 할 수 있다.

그림은 논문에서 쓰인 Table과 Fig.의 출현 빈도를 2차원 그래프로 나타낸 것이다. 물리학 연구 논문은 그림 위주로, 교육학 연구 논문은 표 위주로 자료를 제시하는 경향이 있었다. 물리교육은 교육학이나 심리학 연구 논문처럼 표를 더 많이 사용하는 경향을 보였다.

이 연구를 통해 물리교육 논문에 물리학, 교육학, 심리학의 특징이 복합적으로 내재되어 있음을 확인할 수 있었다. 그리고 현장 적용 가능성을 포함하여 다양한 해석을 시도하는 과학교육 특유의 특성 또한 논문 구성 체제에 자리 잡고 있음을 발견하였다.

광섬유 내부에서 진행하는 빛의 속도를 제어하는 것은 매우 어려운 일이지만 다양한 응용분야에서 필요로 한다. 광섬유를 따라 긴 거리를 진행하는 빛은 파장에 따라 다른 속도로 진행한다. 이러한 효과를 빛의 분산이라고 하는데 이 분산 효과로 인해서 광통신에서는 신호의 왜곡이 발생할 수 있다. 광섬유에서의 발생하는 분산 효과를 보상하기 위해 사용하는 광섬유 소자를 CFBG (Chirped Fiber Bragg Grating, 처핑된 광섬유 격자)라고 부른다. 이 CFBG에 입사한 빛은 입사한 파장에 의해서 반사되어 나오는 시간이 다르게 결정된다. 이 파장별로 반사되어 나오는 시간차를 조절함으로써 분산에 의한 광신호 왜곡을 보상한다. 이러한 CFBG 한 쌍을 광지연선로(optical delay line)에 사용하면 광경로차 증폭 효과를 유도할 수 있다. 광지연선로에 사용된 한 쌍의 CFBG 중에 하나를 당겨 광섬유의 길이를 증가시켜 주면 늘어난 길이에 비해 작게는 수십 배 크게는 수백 배에 이르는 광경로차를 얻을 수 있다. 만약 CFBG를 수십 μm 정도로 당긴다고 해도 광지연선로에서는 수 mm 정도의 광경로가 바뀐 효과를 얻을 수 있는 것이다. 이러한 광경로차의 증폭 효과에 대해서는 여러 논문들을 통해 이론적 예측과 실험 결과가 발표되었다. 하지만 이러한 논문들에서 제시된 유도 과정만으로는 광경로차의 증폭 효과를 직관적으로 이해하는데 충분하지 않은 점이 있었다. 본 논문에서는 광경로차에서의 증폭 효과를 보다 직관적으로 이해하고자 CFBG의 위치별로 반사되는 반사 파장을 나타내는 선형 그래프를 이용하였다. CFBG를 이용한 광지연선로에서의 광경로차 증폭 효과는 광섬유 소자의 길이 변화로 인한 반사 파장의 위치 변화가 CFBG의 길이 변화에 비해 훨씬 크기 때문에 발생하는 결과이다. 이러한 효과를 논문에서 제시한 반사 파장 그래프를 이용함으로써 보다 직관적으로 이해할 수 있으며 동시에 증폭 계수에서 보이는 각각의 변수들에 대한 의존성도 쉽게 이해할 수 있다(그림).