인공지능(AI) 도구는 언어 교육, 학습, 피드백 및 상호작용 방식에 점차 큰 영향을 미치고 있습니다. 본 연구는 언어 학습 분야에서 AI 도구 연구의 발전 양상, 지적 구조, 그리고 새롭게 부상하는 주제들을 매핑하기 위해 서지 계량 분석을 수행했습니다.
연구 데이터는 Web of Science Core Collection에 등재된 2,036편의 동료 심사 저널 논문으로 구성됩니다. 기술 통계 분석, 서지 결합 분석, 그리고 동시 출현 단어 분석을 통해 연구 동향을 파악했습니다.
분석 결과, 2020년 이후 출판물 수가 현저히 증가했음을 확인했으며, 대화형 AI와 학습자 심리, 인지·신경생리학적·계산학적 기반, 학습자 수용·인식·동기 등 6가지 주요 연구 전선이 부상하고 있음을 식별했습니다. 또한, 지능형 분석 및 자동화 지원, 생성형 AI 도구의 채택, 학습자 심리 및 교육학 기반 설계, 아동 중심 발달 및 계산 경로에 대한 관심이 증가하고 있음을 4개의 동시 출현 단어 클러스터로 도출했습니다.
이 연구는 대화형 및 생성형 AI 연구의 급속한 성장을 입증하며, 기존 연구 대비 더 넓은 범위의 기술, 출처, 주제 관계를 종단적으로 분석했습니다. 서지 계량 패턴이 학습자 행동이나 기술 수용도를 직접적으로 검증하지는 않으므로, 본 연구에서 식별된 관계들은 향후 실증 연구를 위한 개념적 의제로 제시됩니다.
인공지능(AI)은 적응형 플랫폼, 지능형 튜터링 시스템, 생성형 도구를 통해 교육에 빠르게 통합되고 있습니다. 이러한 기술은 효율성과 개인화를 약속하지만, 동시에 교사의 교수 역량 저하, 자율성 감소, 윤리적 위험에 대한 우려를 낳고 있습니다. 본 논문은 인지 부하 이론(CLT)을 통해 AI가 교사의 전문성과 교수 설계를 어떻게 변화시킬지 개념화합니다.
이 연구는 AI가 내재적, 외재적, 본질적 인지 부하 관리에 미칠 수 있는 영향을 개념화하는 것을 목표로 합니다. AI가 내재적 부하를 효과적으로 지원하고 외재적 방해를 줄일 수 있지만, 교사의 판단력을 대체하여 본질적 학습과 성찰적 실천을 저해할 수 있음을 제안합니다.
또한, AI의 불투명성, 알고리즘 편향성, 접근 불균형은 새로운 형태의 인지적 및 윤리적 부담을 초래할 수 있습니다. 본 연구는 AI 연구에서 상대적으로 덜 다루어진 교사 인지에 초점을 맞추고, 교사를 인간과 알고리즘 입력을 조율하는 인지적 지휘자로 개념화하며, 윤리적 및 형평성 고려사항을 인지 프레임워크에 통합함으로써 학술적 기여를 합니다.
교사 교육, 정책, AI 설계에 대한 권고사항을 제시하며, 교사의 전문성을 보존하고 심층 학습을 지원하는 교수법 중심의 AI 통합이 필요함을 강조합니다.
교육 심리학의 핵심 요소인 학습 전이(learning transfer)는 지식 추적(Knowledge Tracing, KT) 과제의 최적화에 중요합니다. 그러나 기존 KT 방법론들은 긍정적 학습 전이만을 고려하고 부정적 학습 전이를 간과하는 한계가 있었습니다. 본 연구는 이러한 문제를 해결하고자 긍정 및 부정 학습 전이를 동시에 활용하는 혁신적인 지식 추적 모델인 LTKT(Learning Transfer-based Knowledge Tracing)를 제안합니다.
LTKT는 먼저 학습 전이 그래프를 구축합니다. 이후 직접 학습 효과(direct learning effect)와 학습 전이 효과(learning transfer effect) 구성 요소를 설계했습니다. 직접 학습 효과 구성 요소는 특정 문제 풀이 결과가 해당 문제의 개념에 미치는 영향을 정량화하며, 학습 전이 효과 구성 요소는 구축된 그래프 내에서 해당 결과가 인접 개념에 미치는 영향을 긍정적 및 부정적 학습 전이 현상을 고려하여 계산합니다.
공개 데이터셋을 활용한 광범위한 실험 결과, LTKT는 모든 최신 지식 추적 방법론보다 우수한 성능을 보였습니다. 이는 긍정 및 부정 학습 전이를 통합적으로 고려하는 접근 방식의 유효성을 입증합니다.
본 연구는 학습 전이 개념을 KT 모델에 보다 포괄적으로 통합함으로써, 학생들의 학습 상태를 더욱 정확하게 추적하고 개인 맞춤형 학습 시스템의 성능을 향상시키는 데 기여할 수 있을 것으로 기대됩니다.
생성형 AI는 맞춤형 학습을 촉진할 잠재력으로 교육 환경에 점차 통합되고 있으나, 그 교육적 가치를 실현하기 위한 근거 기반의 구현 개념은 여전히 중요합니다. 본 연구는 중등 수학 교육에 특화된 AI 챗봇 'ADA'가 학습 성과 및 학생 참여도 향상에 미치는 교육적 효과를 탐구했습니다.
독일 중등학교 9학년 학생 195명을 대상으로 실제 교실 환경에서 군집 무작위 대조 연구를 수행했습니다. 기존의 차별화된 학습 자료와 ADA의 맞춤형 지원을 비교하는 것이 목표였습니다. 제곱근 추정의 헤론 방법을 다룬 단일 수업 개입에 사전-사후 평가를 적용했습니다.
연구 결과, 기술 수용 모델의 모든 차원에서 학생 수용도가 높게 나타났으며, 챗봇 사용 조건에서 상황적 흥미가 유의미하게 향상되었습니다. 성과 및 정서적 반응에서 긍정적인 경향이 관찰되었으나, 인지 부하는 소폭 증가했습니다.
본 연구는 맞춤형 AI 챗봇이 수학 교육 분야에서 차별화된 수업을 보완할 수 있는 명백한 잠재력을 가지고 있음을 강조합니다. 이는 신중한 통합과 맞춤화를 통해 AI 챗봇이 학생 학습을 향상시킬 수 있는 가능성을 탐구하는 미래 연구를 위한 중요한 토대를 제공합니다.
