Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design

이 논문은 교육적 의도를 명시적으로 표현하고 수정할 수 있는 구조화된 자연어 인터페이스를 통해 비전문가 설계자가 AI 와 협력하여 교육적 목표와 게임플레이를 효과적으로 정렬할 수 있도록 돕는 새로운 도구와 프레임워크를 제안합니다.

핵심

이 논문은 **"교육용 게임을 만들 때, 선생님과 인공지능 (AI) 이 어떻게 손발을 맞춰야 하는가?"**에 대한 새로운 해결책을 제시합니다.

기존의 방식은 선생님이 "수학 문제를 게임으로 만들고 싶어"라고 말하면 AI 가 바로 게임을 만들어주는 식이었습니다. 하지만 문제는 AI 가 만든 게임이 선생님이 원하던 교육 목표와 맞지 않거나, 어떻게 작동하는지 이해하기 어려울 때가 많다는 점입니다. 마치 요리사가 주문받은 음식의 맛을 전혀 이해하지 못하고, 임의로 재료를 섞어 요리를 내는 상황과 비슷합니다.

이 논문은 이 문제를 해결하기 위해 **'언어 매핑 (Language Mapping)'**이라는 새로운 방식을 제안합니다. 이를 쉽게 설명하기 위해 몇 가지 비유를 들어보겠습니다.

1. 핵심 아이디어: "공통된 설계도 (Blueprint)" 만들기

이 도구들은 선생님과 AI 가 게임을 만들 때, 서로 다른 언어를 쓰는 대신 하나의 공통된 문장 구조를 사용하도록 합니다.

• 기존 방식: 선생님이 "수학 퀴즈 게임이 필요해"라고 말하면, AI 는 "네, 알겠습니다!" 하고 바로 코드를 짜서 게임 화면을 보여줍니다. (선생님은 그 안에 어떤 수학 원리가 들어갔는지 알기 어렵습니다.)
• 이 논문의 방식: 선생님과 AI 는 네 가지 빈칸이 있는 문장을 함께 채워 넣습니다.
  • 누가 (명사): 학생들
  • 무엇을 (동사): 계산한다
  • 어떻게 (부사): 1 분 안에 정확히
  • 어디서 (형용사): 우주선 안의

이 문장은 선생님의 교육 목표이자 동시에 게임의 설계도가 됩니다. AI 는 이 문장을 보고 게임을 만들고, 선생님은 이 문장을 수정하며 게임을 다듬습니다.

2. 구체적인 비유: "레고 블록 조립"

이 과정을 레고 블록에 비유해 볼 수 있습니다.

• 선생님 (교육자): "우주선 안에서 아이들이 1 분 안에 숫자를 더하는 게임을 만들고 싶어."라고 말합니다.
• AI (기술자): "네, 알겠습니다. 그럼 이 문장을 바탕으로 게임을 만들까요?"
• 공유된 설계도 (언어 매핑):
  • 명사 (내용): 숫자 블록 (수학 개념)
  • 동사 (행동): 더하기 버튼 누르기 (게임 규칙)
  • 부사 (조건): 1 분 제한, 정답률 80% 이상 (난이도)
  • 형용사 (분위기): 우주선 배경, sci-fi 느낌 (게임 스토리)

이 도구는 이 네 가지 요소를 색깔로 구분해서 보여줍니다. 선생님이 "1 분이 너무 짧아"라고 하면, AI 는 '부사' 부분만 수정해서 난이도를 낮추고, "우주선 대신 학교 교실로 바꾸고 싶어"라고 하면 '형용사' 부분만 바꿔줍니다.

3. 이 도구의 3 단계 과정

이 웹 도구는 선생님과 AI 가 함께 작업하는 세 단계를 제공합니다.

1. 요청 추출 (Requirement Extraction):
   AI 가 선생님에게 "무엇을 가르치고 싶나요?", "어떤 행동을 보게 하고 싶나요?"라고 질문하며 위 네 가지 빈칸을 채웁니다. 선생님은 게임 전문가가 아니어도 자신의 수업 목표를 쉽게 표현할 수 있습니다.
2. 번역 (Translation):
   선생님이 채운 교육 목표 문장을 AI 가 게임 언어로 번역합니다. 예를 들어, "1 분 안에 더하기"라는 교육 목표가 "게임 내 타이머 설정과 점수 계산 로직"으로 변환되는 과정입니다. 이때 AI 는 여러 가지 게임设计方案을 제시하고, "왜 이렇게 만들었는지" 설명해 줍니다.
3. 개발 (Development):
   최종적으로 결정된 문장을 바탕으로 AI 가 게임이 어떻게 작동할지 설명하는 **가상 코드 (Pseudocode)**를 만들어 줍니다. 이는 실제 게임을 만들기 위한 청사진 역할을 합니다.

4. 왜 이것이 중요한가요?

• 투명성: AI 가 무언가 마법처럼 만들어내는 게 아니라, 어떻게 결정되었는지 선생님이 한눈에 볼 수 있습니다.
• 통제권: 선생님이 "이 부분은 내 뜻과 달라"라고 하면, AI 가 전체를 다시 짜는 게 아니라 해당 부분만 수정합니다. 선생님이 게임을 완전히 통제할 수 있습니다.
• 교육적 일치: 게임이 재미있기만 한 게 아니라, 선생님이 가르치고 싶은 수학이나 과학 개념이 정확히 반영되었는지 확인할 수 있습니다.

요약하자면

이 논문은 **"AI 가 선생님을 대신해 게임을 만드는 게 아니라, 선생님이 AI 를 조종하여 게임을 함께 만드는 도구"**를 개발했습니다.

마치 **선생님이 요리사 (AI) 에게 "매운맛의 국을 만들어줘"**라고 할 때, AI 가 그냥 국을 떠오는 게 아니라, **"고추장 1 스푼, 국물 2 컵, 10 분 끓이기"**라는 구체적인 레시피를 함께 확인하고 수정하며, 최종적으로 맛있는 국을 완성하는 과정과 같습니다. 이를 통해 교육자와 AI 가 서로의 의도를 오해하지 않고, 더 나은 교육용 게임을 함께 만들 수 있게 됩니다.

기술 요약

논문 요약: 교육용 게임 디자인을 위한 인간-AI 협업 언어 매핑 인터페이스

1. 문제 정의 (Problem)

교육용 게임은 비판적 사고, 문제 해결 능력, 학습 동기 부여에 탁월한 잠재력을 가지고 있으나, 실제 교육 현장에서는 다음과 같은 도전 과제들로 인해 도입이 더디게 진행되고 있습니다.

• 디자인 불일치: 게임 경험과 교육 목표 (학습 성과), 평가 방식, 교실 루틴 간의 불일치로 인해 교육적 가치가 떨어지거나 개념적 혼란을 초래합니다.
• 전문성 부족: 교수자들은 학습 목표와 학생 요구를 잘 이해하고 있지만, 게임 디자인 및 학습 경험 설계에 대한 훈련이 부족하여 메커니즘, 목표, 내러티브 등을 구체적인 학습 성과에 맞게 구성하는 데 어려움을 겪습니다.
• 기존 도구의 한계: 저코드 (Low-code) 작성 환경은 프로그래밍 장벽을 낮추지만, 교육적 의도와 게임 디자인 간의 깊은 연결 고리를 해결하지 못합니다.
• LLM 의 위험성: 대규모 언어 모델 (LLM) 이 게임 디자인을 지원할 때, 교수자는 게임이 어떻게 학습 목표를 지원하는지, 어떤 내용이 사실인지, 또는 어떤 디자인 선택이 학생에게 부정적인 영향을 미칠지 파악하기 어려운 '불투명한 자동화'에 직면할 수 있습니다. 이는 인간의 주도성 (Human Agency) 을 약화시키고, 교수자를 단순한 내용 승인자로 전락시킬 위험이 있습니다.

2. 방법론 (Methodology)

저자들은 교수자와 AI 가 협력하여 교육용 게임을 설계할 수 있도록 통제된 자연어 (Controlled Natural Language) 기반의 웹 도구를 설계하고 개발했습니다. 핵심은 언어를 주된 인터페이스로 활용하여 교육적 의도 (Pedagogy) 와 게임 플레이 (Play) 를 매핑하는 것입니다.

• 언어 매핑 프레임워크 (Language Mapping Framework):

  • 교육적 의도를 인간이 읽고 시스템이 파싱할 수 있는 단일 통제된 문장 구조로 표현합니다.
  • 기본 템플릿: "Players (Students) [부사] [동사] [명사] in a [형용사] environment."
  • 4 가지 구성 요소의 역할:
    1. 동사 (Verbs): 관찰 가능한 학습 행동 (목표 능력) 을 정의 $\rightarrow$ 게임 메커니즘 및 상호작용 패턴 매핑.
    2. 명사 (Nouns): 초점 개념 또는 콘텐츠 도메인 정의 $\rightarrow$ 게임 내 콘텐츠 모델 및 아티팩트 매핑.
    3. 부사 (Adverbs): 수행 요구사항 (난이도, 성공 조건) 정의 $\rightarrow$ 게임 규칙 및 파라미터 매핑.
    4. 형용사 (Adjectives): 학습 환경, 사실성 수준, 교육적 톤 정의 $\rightarrow$ 게임의 미적 및 서사적 프레임 매핑.

• 시스템 설계 (3 단계 워크플로우):

  1. 요구사항 추출 (Requirement Extraction): AI 어시스턴트가 구조화된 대화를 통해 교수자의 초기 목표를 4 가지 문법적 요소 (명사, 동사, 부사, 형용사) 로 구체화합니다. 교수자는 최대 권한을 가지고 설계를 주도합니다.
  2. 언어 번역 (Language Translation): 추출된 '교육 언어 (Pedagogy Language)' 문장을 AI 가 '게임 언어 (Game Language)' 문장으로 변환합니다. AI 는 여러 후보를 생성하며, 각 게임 요소가 어떻게 교육적 요구사항과 대응되는지 (Rationale) 를 설명합니다. 교수자는 색상이 매핑된 인터페이스를 통해 각 요소를 비교, 수정, 선택할 수 있습니다.
  3. 언어 개발 (Language Development): 선택된 게임 문장을 기반으로 AI 와의 컨텍스트 인식 대화를 통해 상세한 설명 문단과 게임 로직을 시뮬레이션하는 의사코드 (Pseudocode) 를 생성합니다. 이는 실제 게임 개발을 위한 구체적인 설계 산출물입니다.

• 구현 기술:

  • 프론트엔드: TypeScript 및 Node.js 기반 (상호작용적 인터페이스, 색상 매핑, 인-place 편집).
  • 백엔드: Python 기반 (데이터 오케스트레이션, 프롬프트 구성, 로깅).
  • AI 모델: GPT-5 API 사용 (파인튜닝 없이 구조화된 프롬프팅을 통해 통제된 템플릿 준수).
  • 데이터 저장: MongoDB (프로젝트 데이터, 버전 관리 아티팩트 저장).

3. 주요 기여 (Key Contributions)

1. 교육적 의도의 명시적 매핑: 통제된 문장 템플릿을 통해 추상적인 교육 목표를 구체적인 게임 디자인 결정 (규칙, 콘텐츠, 난이도, 컨텍스트) 으로 변환하는 명확한 매핑 체계를 제시했습니다.
2. 인간-AI 협업의 투명성 및 통제권 보장: AI 가 생성한 제안이 불투명하게 처리되는 것을 방지하고, 교수자가 각 디자인 결정의 근거를 검토하고 수정할 수 있는 '검열 가능한 (Inspectable)' 인터페이스를 제공하여 인간의 주도성을 유지합니다.
3. 반복적 설계 및 성찰 지원: 교육 언어와 게임 언어 간의 매핑을 시각화하고 편집 가능하게 함으로써, 설계 과정에서 교육 목표와 게임 플레이 간의 정렬 (Alignment) 을 지속적으로 성찰하고 개선할 수 있게 합니다.
4. 실행 가능한 설계 산출물: 최종적으로 실제 게임이 아닌 '의사코드 (Pseudocode)'를 생성하여, 교수자가 다른 툴을 통해 게임을 구현할 때 즉시 활용할 수 있는 구체적인 설계 가이드를 제공합니다.

4. 결과 (Results)

• 시스템 프로토타입: 3 단계 워크플로우 (요구사항 추출, 번역, 개발) 를 지원하는 풀스택 웹 애플리케이션이 성공적으로 구현되었습니다.
• 기능성 검증: 교수자가 AI 와 협력하여 교육 목표를 정의하고, 이를 게임 메커니즘으로 변환하며, 최종적으로 게임 로직을 의사코드로 구체화하는 전 과정을 수행할 수 있음을 시연했습니다.
• 인터페이스 효과: 색상 매핑을 통해 교육 용어와 게임 용어 간의 대응 관계를 직관적으로 보여주어, 비전문가 디자이너도 복잡한 디자인 결정을 내리고 수정할 수 있음을 확인했습니다.
• 향후 연구 계획: 실제 수업 계획 맥락에서 교수자를 대상으로 한 평가, 설계 사이클 전반에 걸친 교육적 정렬 및 성찰 지원 효과 검증, 의사코드와 기존 교육용 게임 작성 워크플로우의 통합성 연구, 그리고 A/B 테스트를 통한 프레임워크의 효과성 비교 평가가 계획되어 있습니다.

5. 의의 및 중요성 (Significance)

이 연구는 생성형 AI 를 활용한 교육용 게임 디자인 분야에서 기술적 효율성과 교육적 책임성 사이의 균형을 찾는 중요한 시도입니다.

• 접근성 향상: 프로그래밍 지식이나 게임 디자인 전문성이 부족한 교수자도 체계적인 언어 프레임워크를 통해 고품질의 교육용 게임을 설계할 수 있는 장벽을 낮춥니다.
• 신뢰성 있는 AI 협업: AI 가 단순히 콘텐츠를 생성하는 것을 넘어, 교수자의 교육적 의도를 명확히 하고 검증할 수 있는 '공통 언어'를 제공함으로써 AI 에 대한 신뢰 (Trust Calibration) 와 정신적 모델 형성을 돕습니다.
• 교육적 정렬 (Pedagogical Alignment): 게임이 단순히 재미있는 것이 아니라, 명확한 학습 목표를 달성하기 위해 설계되었음을 보장하여 교육용 게임의 실효성을 높이는 데 기여합니다.

결론적으로, 이 논문은 LLM 기반의 생성형 AI 를 교육 디자인에 통합할 때, 언어 매핑 (Language Mapping) 을 통해 인간의 통제력을 유지하면서 AI 의 생성 능력을 극대화하는 새로운 패러다임을 제시합니다.