From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning

기술 요약: 프롬프팅에서 인식적 주도성(Epistemic Proactivity)으로

문제 제로 (Problem Statement)
생성형 AI(GenAI) 시스템이 수학 분야를 중심으로 학습 동반자로서 점점 더 많이 채택되고 있지만, 개방형 학습 환경에서 학생들이 이러한 도구를 어떻게 활용하는지에 대한 이해에는 결정적인 격차가 존재한다. 기존 연구는 정적 지표(예: 사용 빈도, 총체적 프롬프트 품질)나 설문에 의존하는 경우가 많으며, 이는 상호작용 내에서 발생하는 역동적인 학습 과정을 포착하지 못한다. 핵심적인 우려는 '인식적 오프로딩(epistemic offloading)'이다. 즉, 학생들이 진정한 학습에 필요한 인지적 작업(예: 격차 식별, 질문 생성, 솔루션 평가)을 스스로 수행하기보다 AI에 의존하여 그 작업을 대신하게 만드는 현상이다. 본 논문은 AI 지원 학습의 품질이 단순히 개별 프롬프트의 품질에 달려 있는 것이 아니라, 학생들이 시간이 지남에 따라 '인식적으로 주도적인(epistemically proactive)' 행동—전략적이고, 자기 조절적이며, 이해 지향적인 참여—을 지속할 수 있는지 여부에 달려 있다고 주장한다. 본 연구는 학생-AI 상호작용의 특정 시간적 궤적이 이후의 독립적(AI 없는) 성취도를 예측할 수 있는지 확인하고자 한다.

연구 방법론 (Methodology)

• 참가자: 독일 김나지움(Gymnasium) 학교의 9학년 학생 112명(14~15세). 97명의 학생이 사전 및 사후 테스트를 포함한 전체 프로토콜을 완료했다.
• 과업 및 환경: 학생들은 선형 및 이차 함수를 포함한 수학적 모델링(MM)에 관한 교육과정 준수 평가를 준비하기 위해, 웹 기반 범용 LLM(Mistral Large)과 함께 40분간의 개방형 연습 세션에 참여했다. 과업은 과제 완수가 아닌 기술 향상으로 명시적으로 프레임화되었다.
• 데이터 수집:
  • 사전/사후 테스트: 선행 지식과 AI 없는 사후 개입 성취도를 측정하기 위해 검증된 IQB VERA 풀의 MM 문항을 사용했다.
  • 대화 데이터: 전체 채팅 전사 데이터를 분석했다.
  • 코딩 프레임워크: 세 가지 차원을 기준으로 이론 기반의 턴 단위 코딩 체계를 개발했다:
    1. 자기 조절 학습 (SRL): Zimmerman의 순환 모델(PLAN, MONITOR, REQUEST, EVALUATE)을 사용하여 코딩했다.
    2. 도움 요청 (HS): 지향성(도구적 vs 실행적)과 내용(개념적, 절차적, 검증, 정답 찾기)을 코딩했다.
    3. 수학적 모델링 (MM): Blum의 프레임워크(상황 이해, 변수 식별, 수학화, 모델 작업, 해석, 검증)를 사용하여 코딩했다.
  • 타당도 검증: Gemini 2.5 Pro를 통한 자동 코딩을 인간 전문가 코더와 비교 검증하였으며, 대부분의 차원에서 수용 가능한 일치도(Cohen's Kappa > 0.5)를 보였다.
• 분석 접근법:
  • 정적 분석 (Static Analysis): 전체 세션의 코드 비율과 행동 다양성(Shannon entropy)을 사전 지식을 통제한 상태에서 ANCOVA를 통해 사후 테스트 점수와 테스트했다.
  • 시간적 분석 (Temporal Analysis): 세션을 초기와 후기 단계로 나누었다. 세 가지 '주도성 변화(Proactivity Shift)' 지표를 계산하여 초기 대비 후기 단계의 지향성 변화를 측정했다:
    1. 조절 주도성 변화 (Regulation Proactivity Shift): REQUEST에서 (PLAN + MONITOR + EVALUATE)로의 변화.
    2. 도움 요청 주도성 변화 (Help-Seeking Proactivity Shift): (Verification + Answer-seeking)에서 (Conceptual + Procedural)로의 변화.
    3. 수학적 주도성 변화 (Mathematical Proactivity Shift): (Interpret + Validate)에서 (Understand + Structure + Mathematize + Work)로의 변화.

주요 결과 (Key Results)

• 기술적 패턴: 상호작용은 REQUEST 턴(74%)이 지배적이었으며, 도구적 도움 요청이 요청의 70%를 차지했다. 명시적인 조절 동작(MONITOR, EVALUATE)은 드물었다(각각 5%와 3%). 수학적 모델링 턴은 '이해(Understanding)'(43%)와 '작업(Working)'(32%)에 집중되었으며, '검증(Validating)'은 초기에 드물게 나타났다.
• 정적 예측 변수: 상호작용의 정적 요약(전체 세션의 SRL 기능, 요청 유형, MM 단계의 비율 및 행동 다양성)은 사전 지식을 통제했을 때 사후 AI-free 테스트 성취도를 예측하지 못했다.
• 시간적 예측 변수: 시간적 지표들은 학습 결과의 유의미한 예측 변수였다.
  • 평균적으로 학생들은 시간이 지남에 따라 주도적 지향성으로부터 멀어지는 경향을 보였다(HS 및 MM 주도성의 음의 변화, 즉 검증 및 확인 단계로 이동).
  • 그러나 인식적으로 주도적인 지향성(개념적/절차적 도움 요청 및 구성적 수학 작업의 증가)을 보인 학생들은 사후 테스트에서 유의미하게 높은 점수를 기록했다.
  • 구체적으로, 도움 요청 주도성 변화($\beta = .250, p = .009$)와 수학적 주도성 변화($\beta = .209, p = .031$)는 사전 지식을 넘어 사후 테스트 성취도를 유의미하게 예측했다.
  • 조절 주도성 변화는 긍정적이지만 통계적으로 유의하지 않은 경향을 보였다($p = .090$).
• 집단 간 차이: 이러한 변화에 따른 궤적 그룹화 결과, 주도적 행동을 유지하거나 증가시킨 학생들(Group 1)이 반응적 행동으로 변화한 학생들(Group 0)보다 높은 성취도를 보였으며, 사후 테스트 잔차에서 유의미한 차이가 나타났다($p = .014$).

의의 및 주장 (Significance and Claims)
본 논문은 생산적인 AI 지원 학습이 고립된 고품질 프롬프트의 집합이 아니라, 도메인 특화된 인식적 주도성의 궤적으로 이해되어야 한다고 주장한다.

• 이론적 기여: 본 연구는 상호작용의 정적 합계가 학습 결과를 예측하는 데 불충분함을 입증한다. 대신, 시간 경과에 따른 행동 변화의 방향이 결정적인 지표이다. 학습은 주도적 참여(조절, 이해 지향적 도움 요청, 도메인 특화적 작업)를 유지하거나 강화하는 능력이 단순한 행동의 존재 여부보다 성공을 더 잘 예측하는, 발전하는 과정이다.
• 설계에 대한 시사점: AI 튜터는 개별 프롬프트의 품질을 평가하는 것을 넘어, 상호작용의 시간적 진화를 모니터링해야 한다. 시스템은 반응적 궤적(예: 추가적인 수학적 작업 없이 검증에 대한 의존도가 높아지는 패턴)을 감지하고, 고립된 정답 찾기 사례에 반응하기보다는 이러한 패턴이 나타날 때만 스캐폴딩(scaffolding)을 제공해야 한다.
• 실무에 대한 시사점: 교사는 상호작용 흔적을 사용하여 수학적 모델링 사이클의 특정 어려움(예: 모델을 구조화하는 것의 어려움 vs 결과의 검증)을 진단하고, 학생들이 AI에게 위임할 수 있는 과업과 인식적 책임을 요구하는 과업을 구분하도록 안내할 수 있다.

한계점 (Limitations)
저자들은 본 연구가 상관관계 연구이므로 시간적 지표에 대한 인과적 주장을 할 수 없음을 명시했다. 상호작용 시간은 40분으로 짧았으며, 특정 MM 단계에 대한 코딩 신뢰도는 보통 수준이었다. 향후 연구에서는 이러한 발견을 종단적으로 테스트하고, 적응형 스캐폴딩이 인식적으로 주도적인 궤적을 능동적으로 촉진할 수 있는지 평가할 필요가 있다.