← 최신 논문
💻 computer science

The Future of Feedback: How Can AI Help Transform Feedback to Be More Engaging, Effective, and Scalable?

이 보고서는 교육심리학, 컴퓨터과학 등 다양한 분야의 50 명의 학자들이 참여하여 생성형 AI 를 활용한 피드백의 잠재력, 위험, 논쟁점 및 향후 연구 방향을 논의한 결과를 종합한 것입니다.

원저자: Jennifer Meyer (University of Vienna, Vienna, Austria), Olaf Köller (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Thorben Jansen (Leibniz Institute for Science,Mathematics Educ
게시일 2026-03-16
📖 3 분 읽기☕ 가벼운 읽기
CC BY 4.0

원저자: Jennifer Meyer (University of Vienna, Vienna, Austria), Olaf Köller (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Thorben Jansen (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Johanna Fleckenstein (University of Hildesheim, Germany), Michael W. Asher (Carnegie Mellon University, USA), Sarah Bichler (Universität Passau, Passau, Germany), Laura Brandl (LMU Munich, Germany), Jasmin Breitwieser (DIPF | Leibniz Institute for Research,Information in Education, Frankfurt, Germany), Kai S. Cortina (University of Michigan, USA), Mutlu Cukurova (University College London, United Kingdom), Martin Daumiller (University of Freiburg, Germany), Hannah Deininger (University of Tübingen, Germany), Frank Fischer (LMU, Germany), Dragan Gašević (Monash University, Clayton, VIC, Australia), Jeanine Grütter (LMU Munich, Germany), Anna Hilz (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Ioana Jivet (CATALPA, FernUniversität in Hagen, Germany), Jelena Jovanović (University of Belgrade, Serbia), Rene F. Kizilcec (Cornell University, USA), Livia Kuklick (Humboldt Universität zu Berlin, Berlin, Germany), Marlit Annalena Lindner (Leibniz Institute for Science,Mathematics Education,Europa-Universität Flensburg, Germany), Anastasiya Lipnevich (NBME,the Graduate Center, City University of New York, USA), Ute Mertens (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Detmar Meurers (Leibniz Institut für Wissensmedien, Tübingen, Germany), Kou Murayama (University of Tübingen, Germany), Tanya Nazaretsky (EPFL, Switzerland), Knut Neumann (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Ernesto Panadero (Dublin City University,Deusto University), Maciej Pankiewicz (University of Pennsylvania, USA), Zachary A. Pardos (UC Berkeley, USA), Chris Piech (Stanford University, USA), Hannah Pünjer (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Nikol Rummel (Ruhr-University-Bochum,CAIS, Bochum, Germany), Marlene Steinbach (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Olga Viberg (KTH Royal Institute of Technology, Sweden), Naomi Winstone (University of Surrey, UK)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🍳 핵심 비유: "피드백의 '테르모믹스 (Thermomix)' 시대"

과거에는 선생님들이 학생들에게 피드백을 줄 때, 각각 다른 도구를 사용했습니다.

  • 지식 전달: 요리사 (선생님) 가 직접 요리를 해주는 것.
  • 동기 부여: 응원하는 팬이 외치는 것.
  • 진행 상황 분석: 운동 코치가 기록을 보는 것.

이들은 서로 다른 영역에서 따로 작동했습니다. 하지만 이 논문은 **생성형 AI 를 마치 '테르모믹스 (요리 기계)'**에 비유합니다. 테르모믹스 한 대면 자르고, 섞고, 끓이고, 구울 수 있듯, AI 는 이 모든 기능을 하나로 통합하여 학생에게 맞춤형으로 제공할 수 있다는 것입니다.

📝 이 논문이 말하는 3 가지 핵심 이야기

1. AI 는 '요리사'가 아니라 '도구'입니다 (효과적인 피드백의 조건)

  • 현황: AI 가 글을 고쳐주거나 문제를 풀어주는 건 쉽습니다. 하지만 "무조건 AI 가 고쳐주면 학생이 더 잘할까?"라는 질문이 있습니다.
  • 비유: AI 는 최고급 식재료 (정보) 를 빠르게 다듬어주는 칼일 뿐입니다. 중요한 건 그 칼로 무엇을 요리하느냐는 **선생님의 요리법 (교육 방법)**입니다.
  • 핵심: AI 는 선생님 대신 학생을 가르치는 게 아니라, 선생님이 더 창의적이고 깊이 있는 수업을 할 수 있도록 도와주는 조수여야 합니다.
  • 주의할 점: 학생들이 AI 에게 모든 걸 맡기면, 스스로 생각하려는 근육 (자기주도 학습 능력) 이 약해질 수 있습니다. 마치 카트를 타고만 다니면 걷는 힘이 약해지듯요.

2. 학생이 피드백을 '듣고' '실천'하는 게 진짜입니다 (참여와 인식)

  • 현황: 아무리 좋은 피드백을 줘도, 학생이 귀담아듣지 않거나 "AI 가 말한 거니까 믿지 않겠다"라고 생각하면 소용없습니다.
  • 비유: 비싼 약을 처방받았지만, 환자가 약을 먹지 않거나 "이 약이 내 병에 맞을까?"라고 의심하면 효과가 없습니다.
  • 핵심:
    • 신뢰 문제: 학생들은 AI 가 주는 칭찬이나 비판을 인간이 주는 것보다 덜 진정성 있게 느낄 수 있습니다.
    • 새로운 기회: AI 는 학생이 피드백을 어떻게 받아들이는지 (예: 피드백을 읽는 시간, 수정하는 패턴) 를 데이터로 분석할 수 있습니다. 이를 통해 "어떤 학생이 어떤 피드백을 싫어하는지"를 미리 알아내어 맞춤형으로 바꿀 수 있습니다.
    • 칭찬의 미묘함: "잘했어!"라는 칭찬도 상황에 따라 학생을 게으르게 만들 수 있습니다. AI 는 이걸 정교하게 조절할 수 있지만, 진짜 감정이 담긴 인간적인 온기가 필요할 수도 있습니다.

3. 학교 전체로 퍼뜨리는 방법 (확장성)

  • 현황: 실험실에서는 AI 피드백이 잘 작동해도, 실제 학교 (혼잡하고 다양한 학생이 있는 곳) 에 적용하면 예상과 다를 수 있습니다.
  • 비유: 실험실에서의 요리 시연과 실제 식당에서의 요리는 다릅니다. 손님이 많고, 재료가 다르고, 주방 환경이 다르죠.
  • 핵심:
    • 선생님과의 협력: AI 를 도입할 때 선생님들이 "이게 내 수업에 맞을까?"라고 고민하지 않도록, 선생님과 함께 설계해야 합니다.
    • 데이터의 소유권: 학생들의 학습 데이터는 누가 가질 것인가? (기업인가, 연구자인가?) 라는 중요한 질문이 있습니다.
    • 미래의 제안: 서로 다른 학교와 나라가 모여 거대한 실험을 해보는 것이 필요합니다. "어떤 피드백이 어떤 학생에게 가장 잘 먹히는지"를 증명하기 위해, 오픈 소스 (열린) 플랫폼을 만들어 함께 연구해야 합니다.

💡 결론: AI 는 마법 지팡이가 아니라 '협력자'입니다

이 논문은 AI 가 교육의 모든 문제를 해결해 줄 것이라고 말하지 않습니다. 대신 다음과 같이 제안합니다:

"AI 는 선생님의 시간을 벌어주고, 학생 개개인의 특성을 파악하며, 수천 명에게 동시에 맞춤형 조언을 줄 수 있는 강력한 도구입니다. 하지만 이 도구를 어떻게 쓰느냐는 결국 선생님과 학생, 그리고 연구자들이 함께 고민해야 합니다."

한 줄 요약:

"AI 가 요리를 대신 해주는 게 아니라, 선생님이 더 맛있는 요리를 할 수 있도록 최고의 주방 도구를 제공하는 시대, 그리고 그 도구를 어떻게 쓰면 학생들이 더 잘 자랄지 함께 찾아야 할 때입니다."

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →

유사한 논문

이 카테고리 전체 보기 💻 cs →