Exploring Teacher-Chatbot Interaction and Affect in Block-Based Programming

이 논문은 블록 기반 프로그래밍 환경에서 중학교 교사들이 LLM 기반 챗봇과 상호작용하며 경험한 긍정적 효과와 우려를 분석하고, 교사 유형별 (탐구형, 좌절형, 혼합형) 특성을 바탕으로 챗봇의 효과적인 설계 및 활용을 위한 제언을 제시합니다.

핵심

1. 연구의 배경: "AI 비서"를 데려온 교실

상상해 보세요. 중학교 과학 선생님들이 "파동 (빛, 소리)"을 가르치는 코딩 수업을 하려고 합니다. 그런데 이번엔 혼자서 블록을 맞추는 게 아니라, AI 챗봇 (Stax.fun) 이라는 '똑똑한 비서'가 옆에 앉아 도와줍니다.

• 비서의 역할: "이 블록을 어떻게 쌓아야 빛이 반사될까?"라고 물어보면 코드를 짜주거나, "왜 안 돼?"라고 물으면 이유를 설명해 줍니다.
• 연구 목적: 연구진들은 이 비서가 선생님들에게 도움이 될까, 아니면 방해가 될까? 그리고 선생님들이 이 비서를 대할 때 **기분이 좋아질까, 화가 날까?**를 관찰했습니다.

2. 선생님들의 3 가지 성격 (프로필)

연구 결과, 선생님들은 챗봇을 대하는 방식에 따라 세 가지 유형으로 나뉘었습니다. 마치 새로운 게임을 하는 플레이어들처럼요.

🧐 유형 1: 호기심 많은 탐험가 (Explorer)

• 특징: "이게 뭐지? 저건 뭐지?"라며 챗봇의 모든 기능을 켜고 끄며 실험합니다.
• 감정: 매우 신나고 호기심이 넘칩니다. "와, 이거 되네!"라며 코드를 여러 번 바꿔보며 재미를 느낍니다.
• 비유: 새로운 장난감을 사서 박스를 뜯고, 버튼 하나하나를 눌러보는 아이처럼 직접 만져보며 배우는 스타일입니다.

🚀 유형 2: 목표 지향적인 달인 (Task-Focused)

• 특징: "일단 과제만 끝내자"는 마인드입니다. 챗봇이 필요한 부분만 딱딱 물어보고, 빠르게 코드를 완성합니다.
• 감정: 만족스럽고 차분합니다. 막히면 바로 해결책을 찾고, 불필요한 실험은 하지 않습니다.
• 비유: 요리 레시피대로 재료를 섞고 빠르게 요리를 완성하는 요리사처럼, 효율성을 중시하는 스타일입니다.

😫 유형 3: 좌절한 고생쟁이 (Frustrated)

• 특징: 챗봇이 말을 잘 안 듣거나, 화면이 복잡해서 당황합니다. "왜 안 되지?"라고 계속 물어보지만 답이 안 나오면 포기하고 싶어 합니다.
• 감정: 화나고 당황스럽습니다. 챗봇이 화면을 가려서 코드가 안 보이거나, 명령을 잘못 이해할 때 가장 스트레스를 받습니다.
• 비유: 가이드북이 없는 낯선 도시에서 길을 잃고 헤매는 여행객처럼, 방향을 잃고 좌절하는 스타일입니다.

3. 선생님들이 본 '장점'과 '위험'

선생님들은 이 AI 비서를 두고 양날의 검처럼 생각했습니다.

✅ 장점 (선물)

• 자신감 UP: "내가 이걸 할 수 있어!"라는 느낌을 줍니다. 특히 코딩을 처음 접하는 학생들에게는 마법의 지팡이처럼 느껴져 두려움을 없앱니다.
• 질문하는 법 배우기: "정답을 바로 알려달라"가 아니라, "어떻게 물어봐야 원하는 답을 얻을지"를 배우게 됩니다. (이걸 프롬프트 엔지니어링이라고 해요.)
• 선생님의 숨통: 선생님이 30 명 학생 모두를 일일이 도와줄 수는 없잖아요? 챗봇이 기본 질문을 대신해주면, 선생님은 더 어려운 문제를 가진 학생에게 집중할 수 있습니다.

⚠️ 위험 (함정)

• 생각 안 하기: 챗봇이 코드를 다 짜주면, 학생들은 "왜 이렇게 된 건지" 이해하지 못하고 그냥 복사해서 붙여넣기만 할 수 있습니다.
• 고생의 가치 상실: 코딩을 배울 때 겪는 ' productive struggle (생산적인 고생)' 이 중요합니다. 스스로 고민하고 실수하며 배우는 과정이 없으면, 진짜 실력이 늘지 않습니다.
• 과도한 의존: "챗봇이 없으면 아무것도 못 한다"는 습관이 생길 수 있습니다.

4. 결론: 어떻게 해야 할까? (디자인 제안)

연구진은 이 결과를 바탕으로 더 좋은 AI 비서를 만들기 위한 조언을 줍니다.

1. 선생님이 컨트롤할 수 있어야 함: 선생님이 "오늘은 코드를 짜주지 말고 힌트만 줘"라고 설정할 수 있어야 합니다. (예: 초보자에게는 힌트만, 고급자에게는 코드 전체를)
2. 혼란을 줄여야 함: 챗봇이 코드를 짜줄 때, "왜 이렇게 짰는지" 설명을 덧붙여야 합니다. 마치 요리사가 "소금을 이만큼 넣으면 맛이 살아나요"라고 설명해주는 것처럼요.
3. 모두를 위한 도구: 글자를 잘 읽지 못하거나 영어가 서툰 학생들을 위해 목소리로 읽어주거나 그림으로 보여주는 기능이 필요합니다.

💡 한 줄 요약

이 연구는 "AI 챗봇은 훌륭한 조수지만, 선생님들이 이 조수를 어떻게 부릴지 (통제할지) 에 따라 학생들의 코딩 실력이 꽃피거나 시들 수 있다" 는 것을 보여줍니다. 중요한 건 AI 가 선생님을 대신하는 게 아니라, 선생님과 학생이 함께 더 잘 배울 수 있도록 돕는 것입니다.

기술 요약

논문 요약: 블록 기반 프로그래밍 환경에서의 교사 - 챗봇 상호작용 및 정서 분석

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 2022 년 ChatGPT 와 같은 대규모 언어 모델 (LLM) 의 등장으로 K-12 교육 환경에 AI 도구의 도입이 가속화되었습니다.
• 문제점:
  • 교육적/윤리적 우려: 학생들의 과제나 시험에서 LLM 사용으로 인한 표절 문제, 학습 결과의 불확실성, 그리고 detection 도구의 오류 가능성이 제기되고 있습니다.
  • 인지적 의존성: 학생들이 AI 에 인지적 노력을 전가 (offloading) 하면 프로그래밍 학습에 필수적인 '생산적 고난 (productive struggle)'이 줄어들어 장기적인 학습 성과와 비판적 사고 능력이 저하될 수 있다는 우려가 있습니다.
  • 교사의 통제 부재: 대부분의 AI 상호작용은 교사의 통제나 가시성 밖에서 이루어지며, '일률적 (one-size-fits-all)'인 시스템은 교사의 교수법과 통제권을 침해할 수 있습니다.
• 연구 목적: 중학교 과학 교사들이 블록 기반 프로그래밍 환경에서 LLM 챗봇을 어떻게 경험하고, 이에 대한 정서적 반응 (감정) 과 태도가 어떻게 형성되는지를 이해하여, 교사와 학습자를 지원하는 효과적인 챗봇 설계 방안을 모색하는 것입니다.

2. 연구 방법론 (Methodology)

• 참여자: 2025 년 여름, 중학교 과학 교사 25 명 (경험 있는 리드 교사 8 명, 신규 참여 교사 17 명) 이 참여한 전문 개발 (PD) 워크숍.
• 실험 환경:
  • 플랫폼: stax.fun (Scratch 기반의 블록 코딩 환경).
  • 챗봇 기능: 자연어 프롬프트로 코드 생성 (Code Tab), 개념 질문 및 답변 (Q&A Tab), 단계별 프로젝트 가이드 (Coach Tab), 프롬프트 정제 (Prompts Tab) 등 4 가지 모드.
• 연구 절차:
  1. 도입: 블록 기반 프로그래밍 (Snap!) 에 대한 기본 교육.
  2. 과제 수행: 파동 (빛, 소리) 의 상호작용을 시뮬레이션하는 11 단계의 코딩 과제 수행.
  3. 데이터 수집:
     • 다중 모달 데이터: Zoom 화면 녹화, 오디오 녹음 (Think-aloud), 챗봇 상호작용 로그 (프롬프트, 수정 내역, 탭 전환 등).
     • 후속 토론: 활동 종료 후 챗봇의 영향, 교실 적용 가능성, 필요한 설계 변경 사항 등에 대한 15 분간 토론.
• 분석 방법:
  • 행동 및 정서 분석: 타임스탬프 기반의 행동 코딩 (지연, 도움 요청 등) 및 감정 분류 (긍정, 중립, 부정).
  • 주제 분석 (Thematic Analysis): 토론 내용을 바탕으로 교사들의 인식, 위험/기회, 교수법적 실천 등을 도출.
  • 사용자 페르소나 (Persona) 도출: 행동 패턴, 감정 궤적, 도움 요청 빈도 등을 기반으로 교사 그룹을 분류.
  • 이론적 프레임워크: 기술 수용 모델 (TAM) 과 계획된 행동 이론 (TPB) 을 적용하여 교사의 수용 의도를 해석.

3. 주요 결과 (Key Results)

가. 교사 페르소나 (Teacher Personas) 분류
연구는 11 개의 교사 팀을 3 가지 주요 페르소나로 분류했습니다:

1. 탐구형/과제 중심형 (Explorer/Task-Focused):
   • 특징: 긴 시간 동안 과제를 수행하며 높은 긍정적 정서 (흥미, 자신감) 를 보임.
   • 행동: 챗봇 기능을 적극적으로 탐색하고, 프롬프트를 수정하며, 스스로 디버깅을 시도.
   • 도움 요청: 거의 하지 않음.
2. 혼합형 (Mixed):
   • 특징: 긍정, 중립, 부정 정서가 교차함.
   • 행동: 지시를 따르기도 하고 탐색하기도 하며, 막힐 때 주기적으로 도움을 요청하지만 대부분 독립적으로 해결.
3. 좌절형 (Frustrated):
   • 특징: 높은 부정적 정서 (혼란, 좌절) 와 낮은 긍정적 정서.
   • 행동: 반복적인 시도 실패, 진행 중단, 연구자/진행자에게 빈번한 의존.
   • 원인: 인터페이스 문제 (프롬프트 사라짐, 화면 차지) 와 인지적 어려움 (코드 생성의 불명확성) 이 복합적으로 작용.

나. 정서적 반응의 원인 (감정 분류 렌즈)
교사의 감정은 세 가지 렌즈로 분석됨:

• L1 (UI/상호작용): 시스템 오류 (입력 실패, 창 크기 조절 불가) 로 인한 혼란과 좌절.
• L2 (CT/과학): 개념 이해나 논리적 추론의 어려움에서 오는 혼란.
• L3 (지시 따르기): 명확하지 않은 지시나 온보딩 과정에서의 혼란.
• 결과: L1(시스템) 문제는 교사의 인지적 능력과 무관하게 즉각적인 부정적 감정을 유발함.

다. 교사의 인식 (Benefits & Risks)

• 기대 효과 (Benefits):
  • 학생들의 자기 효능감 (Self-efficacy) 향상 및 프롬프트 엔지니어링 능력 배양.
  • 교사의 업무 부담 감소 및 개별화된 학습 지원 (차별화 수업) 가능.
  • 학생들의 독립성 증대 및 교사의 개입 시간 확보.
• 우려 사항 (Risks):
  • 생산적 고난의 상실: 코드를 직접 짜는 과정 대신 프롬프트 작성에 집중하여 핵심 개념 이해가 부족해질 수 있음.
  • 비판적 사고 저하: 챗봇이 생성한 코드를 무비판적으로 수용하여 디버깅 및 문제 해결 능력 퇴화.
  • 학습 초점 이동: "코드를 어떻게 짜는가"에서 "프롬프트를 어떻게 쓰느냐"로 초점이 이동할 우려.

라. 교수법적 제안

• 스캐폴딩 (Scaffolding): 챗봇 도입 전 기초 프로그래밍 학습 선행.
• 기능 제어: 교사가 코 생성 기능을 켜거나 끄거나, 답변 수준을 조절할 수 있어야 함.
• 차별화 지원: 초보자에게는 가이드 제공, 고급 학습자에게는 도전 과제 제공 등 수준별 지원.

4. 주요 기여 (Key Contributions)

1. 교사 - AI 상호작용 페르소나 모델: 블록 기반 프로그래밍 환경에서 교사의 정서적 반응과 행동 패턴을 기반으로 한 3 가지 페르소나 (탐구형, 혼합형, 좌절형) 를 제시하여, 다양한 교사의 요구를 세분화하여 이해할 수 있는 틀을 제공함.
2. 정서적 요인의 중요성 강조: 기술 수용 (TAM/TPB) 모델에 정서적 반응 (감정) 을 통합하여, 교사의 AI 도구 수용 의도가 단순한 유용성 인식뿐만 아니라 상호작용 중 발생하는 감정적 경험 (좌절, 흥미 등) 에 의해 어떻게 형성되는지 설명함.
3. 설계 지침 (Design Recommendations):
   • 상황 인식 (Situation Awareness) 향상: 생성된 코드의 이유와 변경 사항을 명확히 설명 (주석, Diff 표시) 하여 교사의 이해를 돕는 투명성 설계.
   • 교사 통제권 강화: 코 생성 기능의 활성화/비활성화, 답변 수준 조절 등 교사가 수업 목표에 맞춰 챗봇을 제어할 수 있는 기능 제공.
   • 다양한 학습자 지원: 텍스트 기반 출력에 의존하지 않고 시각적/청각적 피드백을 제공하여 읽기 수준이 낮거나 영어가 모국어가 아닌 학생들을 지원.

5. 의의 및 결론 (Significance)

• 교육적 함의: LLM 기반 챗봇이 교육에 통합될 때, 단순히 '정답을 주는 도구'가 아니라 '교사의 전문성을 보완하고 학생의 비판적 사고를 유도하는 협력 파트너'로 설계되어야 함을 강조합니다.
• 실용적 가치: 중학교 교실 환경에서 AI 도구를 효과적으로 활용하기 위해 필요한 스캐폴딩 전략과 기능적 제어 수단을 구체적으로 제시하여, 실제 교육 현장에서의 AI 도입 장벽을 낮추는 데 기여합니다.
• 미래 연구 방향: AI 도구의 과도한 의존을 방지하고, 교사의 역할을 대체하지 않으면서도 학습 효과를 극대화하는 설계 원칙에 대한 지속적인 연구가 필요함을 시사합니다.

이 연구는 AI 기술이 교육에 도입될 때, 기술 자체의 성능뿐만 아니라 사용자 (교사) 의 정서적 경험과 통제권이 학습 결과와 기술 수용도에 결정적인 역할을 함을 입증했다는 점에서 의미가 있습니다.