From Passive Consumption to Active Interaction: Exploring Interactive LLM Scaffolding to Support Learning Engagement

본 논문은 LLM 기반 학습 지원에서 수동적 콘텐츠 소비를 넘어 경량 상호작용 요소를 통합함으로써 학습자의 참여도와 집중력을 높이고 단기 학습 성과를 개선할 수 있음을 소규모 실험을 통해 입증하고, 이를 위한 설계 시사점을 제시합니다.

핵심

🎓 핵심 아이디어: "수업용 책" vs "스케치북"

상상해 보세요. 두 가지 방식으로 수학을 배우는 상황을요.

1. 기존 방식 (수동적 소비): AI 가 "이 문제는 이렇게 풀어요"라고 완벽한 해설을 글자로 쭉 써줍니다. 학생은 그 글을 눈으로만 읽습니다. 마치 완성된 요리를 보고 "맛있겠다"라고 생각하는 것과 비슷해요.
2. 이 연구의 방식 (적극적 상호작용): AI 가 해설을 줘도, 중요한 부분은 '스크래치 카드'처럼 가려둡니다. 학생이 마우스로 긁어서 (스크래치해서) 비로소 해설을 볼 수 있게요. 마치 요리 재료를 직접 손으로 만지고, 직접 섞어보면서 요리법을 배우는 것과 비슷해요.

이 연구는 **"직접 긁어서 내용을 찾아보는 작은 행동이, 학습 집중도와 성적에 어떤 영향을 줄까?"**를 실험해 보았습니다.

---

🔬 실험은 어떻게 했나요?

연구진은 대학생 8 명을 모아서 수학 증명 문제를 풀게 했습니다.

• 상황 A: AI 가 해설을 그냥 글자로 보여줌. (읽기만 함)
• 상황 B: AI 가 해설을 가려두고, 학생이 마우스로 긁어서 비로소 보여줌. (직접 참여)

학생들은 두 가지 상황을 모두 경험하고, 그 후 간단한 퀴즈를 풀었습니다.

---

📊 결과는 어땠나요? (결과는 꽤 흥미로웠습니다!)

1. 더 집중했어요:
   학생들은 "스크래치"를 하는 방식이 훨씬 더 재미있고 집중이 잘 된다고 느꼈습니다. 마치 게임처럼 "어디에 숨겨져 있을까?"라고 찾아보는 과정이 뇌를 깨워주었기 때문입니다.

2. 성적도 조금 더 좋았어요:
   직접 긁어서 내용을 본 그룹이, 그냥 읽은 그룹보다 퀴즈 점수가 약간 더 높았습니다. (물론 차이가 크지는 않았지만, 긍정적인 경향은 보였습니다.)

3. 질문도 줄었어요:
   흥미롭게도, 직접 내용을 찾아본 학생들은 AI 에게 "이게 뭐예요?"라고 질문을 덜 했습니다. 스스로 내용을 파악하려는 노력이 더 컸기 때문일 거예요.

4. 피로도?
   마우스를 움직여서 긁는 게 조금 더 힘들지 않을까 걱정했지만, 오히려 스트레스는 더 적었고 시스템 사용도 매우 편했다고 답했습니다.

---

💡 연구진이 발견한 '비밀 무기' (디자인 아이디어)

이 실험을 통해 연구진은 "단순한 스크래치" 말고도 AI 교육에 적용할 수 있는 멋진 아이디어들을 발견했습니다.

• 🔍 '바로 설명' (마이크로 주석):
  어려운 단어가 나오면, 그 단어를 마우스로 살짝 올리면 (Hover) 작은 창이 뜨면서 설명이 나타나는 방식입니다. 마치 사전 없이도 모르는 단어를 바로바로 찾아보는 것처럼요.
• 🧩 '순서 맞추기' (조립):
  AI 가 문제 해결 단계를 섞어서 보여주고, 학생이 올바른 순서로 다시 배열하게 하는 방식입니다. 마치 레고 블록을 조립하듯 논리를 스스로 세우는 거죠.
• 🎨 '단계별 공개' (점진적 탐색):
  복잡한 개념을 한 번에 다 보여주지 않고, 학생이 클릭할 때마다 한 단계씩 펼쳐지는 지도처럼 보여주는 방식입니다.

---

🚀 결론: 왜 이 연구가 중요할까요?

지금까지 우리는 AI 를 **단순한 "검색기"나 "답변기"**처럼 사용했습니다. 하지만 이 연구는 **"AI 가 주는 정보를 학생이 직접 '만져보고', '긁어보고', '조립'하게 하면 학습 효과가 훨씬 좋아진다"**는 것을 보여줍니다.

한 줄 요약:

"AI 가 답을 그냥 알려주는 것보다, 학생이 답을 찾아내는 과정을 직접 참여하게 하는 것이 더 똑똑한 학습법입니다."

이 연구는 앞으로 AI 튜터가 단순히 글자를 나열하는 것을 넘어, 학생이 직접 참여하고 사고할 수 있는 인터랙티브한 도구로 발전해야 함을 제안합니다.

기술 요약

논문 요약: 수동적 소비에서 능동적 상호작용으로: 학습 참여를 지원하는 인터랙티브 LLM 발판 (Scaffolding) 탐구

1. 연구 배경 및 문제 제기 (Problem)

• 현황: 대규모 언어 모델 (LLM) 이 학습 동반자나 개인 튜터로 널리 사용되고 있으며, 학습 과학의 '발판 (Scaffolding)' 원리를 적용하여 힌트, 설명, 단계별 가이드를 제공하고 있습니다.
• 문제점: 현재 LLM 기반 학습 환경에서 발판 콘텐츠는 주로 수동적 소비 (Passive Consumption) 형태로 제공됩니다. 학습자는 생성된 텍스트를 단순히 읽는 것에 그치며, 전통적인 교실 환경에서 이루어지는 빈칸 채우기, 주석 달기, 부분 해답 완성 등 능동적 상호작용 (Active Interaction) 이 부족합니다.
• 핵심 가설: 학습 과학 연구 (ICAP 프레임워크 등) 에 따르면 효과적인 학습은 제공되는 지원의 내용뿐만 아니라 학습자가 그 내용에 어떻게 참여하는지에 달려 있습니다. 따라서 LLM 이 생성한 발판 콘텐츠에 경량화된 인터랙션 (Interaction) 요소를 도입하여 학습자의 주의를 유도하고 능동적 참여를 촉진할 수 있는지 검증하는 것이 본 연구의 목적입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 피험자 내 설계 (Within-subjects design) 를 적용한 통제된 실험실 연구 (N=8).
• 참가자: 컴퓨터 과학 박사 과정 학생 8 명 (대학 수준의 수학 배경 보유, 연구 대상 정리 증명 미숙).
• 시스템 프로토타입:
  • 학습 자료 영역 (Learning Material Zone): 목표 증명 (Proof) 과 발판 조건 선택 제공.
  • 챗봇 튜터 영역 (Chatbot Tutor Zone): LLM 과의 질문 - 답변 상호작용.
  • 조건 비교:
    1. 인터랙티브 발판 (Interactive Scaffolding): LLM 응답 내 발판 콘텐츠 (정의, 설명 등) 가 초기에 가려져 있으며, 마우스로 스크래치 (Scratch-off) 하여야만 내용이 드러남.
    2. 비인터랙티브 발판 (Non-interactive Scaffolding): 동일한 콘텐츠가 일반 텍스트로 즉시 노출됨.
  • LLM 모델: GPT-5.2 사용. 발판 콘텐츠 구간을 명시적으로 마킹하여 클라이언트 측 스크립트가 인터랙션을 활성화하도록 설계.
• 실험 절차:
  1. 노출 단계: 두 개의 증명 (Proof A, C) 을 미리 훑어보며 익숙하지 않음을 확인.
  2. 학습 - 퀴즈 사이클 (2 회): 각 증명에 대해 15 분 이내 LLM 지원 하에 학습 (조건 교차 적용) 후, 10 분 제한의 이해도 퀴즈 (10 문항) 수행.
  3. 설문 및 인터뷰: 학습 경험, 인지 부하 (NASA-TLX), 참여도 설문 및 10 분 Think-aloud 인터뷰 (인터랙션 디자인 아이디어 도출).

3. 주요 결과 (Results)

• 인지 부하 및 사용성 (Workload & Usability):
  • 인터랙션 추가가 인지 부하를 증가시키지 않음. 오히려 인터랙티브 조건이 전반적인 부하 (M=49.8) 가 비인터랙티브 조건 (M=52.8) 보다 약간 낮았음.
  • 노력 (Effort) 과 좌절감 (Frustration) 은 인터랙티브 조건에서 더 낮게 측정됨.
  • 시스템 사용성 척도 (SUS) 점수가 높음 (평균 81.6), 인터랙션이 학습자의 주의와 속도를 구조화하여 오히려 학습 효율을 높인 것으로 해석.
• 학습 성과 및 행동 (Learning Outcomes & Behaviors):
  • 성적: 인터랙티브 조건에서 퀴즈 점수가 약간 더 높았음 (인터랙티브: 80.0% vs 비인터랙티브: 77.5%).
  • 행동: 인터랙티브 조건에서 LLM 에게 질문한 횟수가 더 적었음 (평균 3.75 회 vs 4.38 회). 이는 인터랙션이 대화 횟수를 줄이면서도 이해를 돕는 효과가 있음을 시사.
• 지각된 참여도 (Perceived Engagement):
  • 참가자들은 인터랙티브 발판이 학습 관련 콘텐츠에 집중하는 데 도움이 되며 (5.75/7), 일반 텍스트보다 능동적 참여를 증가시킨다고 보고 (6.13/7).
  • 전반적인 학습 유용성과 선호도 모두 인터랙티브 조건이 높게 평가됨.

4. 주요 기여 및 디자인 통찰 (Key Contributions & Design Insights)

• 실증적 증거: LLM 기반 학습에서 경량화된 인터랙션 (스크래치 등) 이 학습자의 주도적 참여 (Active Engagement) 와 주의 집중을 촉진하여 단기 학습 성과를 개선할 수 있다는 초기 실증적 증거를 제시.
• 디자인 프로브 (Design Probe) 와 아이디어 도출: Think-aloud 인터뷰를 통해 발판의 6 가지 수단 (힌팅, 지시, 설명, 모델링, 피드백, 질문) 에 따른 최적의 인터랙션 디자인을 제안:
  • 설명 (Explaining): 핵심 용어에 대한 마이크로 주석 (Micro-annotations) 또는 호버 (Hover) 시 즉각적인 정의 제공.
  • 지시 (Instructing): 단계를 순서대로 재배열하거나 매칭하는 시퀀싱/매칭 인터랙션을 통해 절차적 참여 유도.
  • 모델링 (Modeling): 단계별로 드러나는 확장 가능한 예제나 개념도 (Concept Map) 를 통해 전문가의 사고 과정을 점진적으로 노출.
  • 질문 및 피드백 (Questioning & Feedback): 체크포인트 팝업과 즉각적인 오디오/비주얼 신호를 통한 피드백.
• 디자인 원칙: 인터랙션 디자인은 '일률적 (One-size-fits-all)'이 아니라, 발판의 교육적 목적 (Pedagogical Intent) 에 따라 다르게 설계되어야 함을 강조.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • LLM 기반 학습 시스템의 패러다임을 '텍스트 생성'에서 '상호작용적 콘텐츠 제시'로 전환할 필요성을 제기.
  • 학습자가 수동적으로 정보를 소비하는 것을 넘어, 인터랙션을 통해 콘텐츠와 직접적으로 '작업 (Work)'하게 함으로써 학습 참여를 높이는 새로운 방향성 제시.
  • 향후 LLM 기반 교육 도구의 인터랙션 디자인을 위한 구체적인 가이드라인 제공.
• 한계:
  • 소규모 (N=8) 및 단기 실험실 연구로, 결과의 일반화에는 주의 필요.
  • 참가자 집단이 동질적 (CS 박사 과정) 이므로 다양한 학습자 집단에 대한 검증 필요.
  • 인터랙션이 실제 '구성적 학습 (Constructive Learning)'을 유도한 것인지, 아니면 단순히 '주의를 더 많이 기울인 독서'였는지에 대한 인지적 메커니즘은 추가 연구 필요.

---

결론적으로, 본 연구는 LLM 이 생성한 학습 지원 내용을 단순히 읽는 것을 넘어, 경량화된 인터랙션 요소를 통해 학습자가 능동적으로 참여하도록 유도할 때 학습 몰입도와 성과가 향상될 수 있음을 보여주었습니다. 이는 향후 AI 기반 교육 시스템 설계에 있어 '상호작용 (Interaction)'이 핵심 설계 요소임을 강조합니다.