Developing a Generative AI Agent to Support Science Curiosity: A Theory-Informed Development and Initial Evaluation Study

호기심은 수동적인 관찰자를 능동적인 탐험가로 바꾸는 불꽃입니다. 그것은 우리가 알고 있는 것과 이해하고 싶은 것 사이의 간극을 인지할 때 발생하는 감정이며, 우리를 질문하게 하고 답을 찾도록 몰아붙입니다. 과학 학습의 세계에서 이러한 동력은 필수적입니다. 진정한 이해는 단순히 사실을 암기하는 데서 오는 것이 아니라, 현상을 설명하기 위해 고군분투하고, 아이디어를 테스트하며, 새로운 증거가 나타났을 때 우리의 생각을 수정해 나가는 과정에서 옵 world니다. 대학생들에게 이러한 탐구는 교육의 핵심이지만, 대규모 강의실과 빽빽한 일정이라는 현실은 질문을 던지는 느리고 개인적인 추구를 위한 여지를 거의 남겨두지 않습니다. 학생들은 과업을 완수하는 법은 배울 수 있지만, 찰나의 경이로움을 지속적인 과학적 사고 습관으로 바꾸는 데 필요한 지속적이고 개별화된 지원을 받는 경우는 드뭅니다.

연구자들은 호기심을 길러줄 수 있다는 사실을 오래전부터 알고 있었지만, 이를 대규모로 실현하는 것은 어려운 일입니다. 전통적인 방식은 주의를 끌기 위해 짧은 놀라움이나 새로움에 의존하는 경우가 많지만, 이러한 순간은 순식간에 지나갑니다. 이러한 방식은 학생이 질문을 던지는 것과 만족스러운 답을 찾는 것 사이의 고리를 닫는 데 반드시 도움을 주는 것은 아닙니다. 바로 이 지점에서 생성형 인공지능의 잠재력이 등장합니다. 정적인 교과서나 녹화된 영상과 달리, 대화형 AI는 학습자의 구체적인 혼란에 실시간으로 반응하며 주고받는 대화에 참여할 수 있습니다. 그러나 단순히 챗봇을 사용할 수 있다는 것만으로는 충분하지 않습니다. 만약 기계가 빠른 답변만을 제공한다면, 그것은 탐구 과정을 촉진하기보다 오히려 중단시킬 수도 있습니다. 설계자들의 과제는 문제를 해결해 주는 것을 넘어, 학습자가 질문하고, 탐색하고, 이해하는 흐름 속에 계속 머물 수 있도록 돕는 AI를 구축하는 것입니다.

이를 해결하기 위해 중국, 핀란드, 미국, 에스토니아의 대학 연구진은 새로운 종류의 디지털 학습 동반자를 구축하고 테스트하기 위해 모였습니다. 그들의 목표는 어떤 질문에도 답하는 범용 튜터를 만드는 것이 아니라, 호기가 어떻게 작동하는지에 대한 심리학에 기반한 특화된 도구를 설계하는 것이었습니다. 그들은 호기심을 하나의 순환 과정으로 보는 프레임워크를 활용했습니다. 즉, 학습자가 지식의 간극을 인지하고, 이를 채우기 위해 정보를 찾으며, 간극이 메워질 때 충족감을 경험하고, 그 새로운 지식을 사용하여 다음 간극을 발견하는 과정입니다. 연구진은 호기심의 모든 단계를 지원하도록 세심하게 설계된 AI 에이전트가 대학생들이 현재의 호기심을 느낄 뿐만 아니라, 더 지속적인 과학적 탐구 습관을 기르는 데 도움이 될 수 있는지 확인하고자 했습니다.

연구팀은 몇 달 동안 이 에이전트를 개발하며 심리학적 이론과 학생들의 직접적인 피드백을 결합한 과정을 통해 이를 정교화했습니다. 그들은 AI가 엄격한 교사보다는 따뜻하고 격려하는 동료 역할을 하도록 프로그래밍했습니다. 학생이 과학 기사를 읽고 있을 때, 에이전트는 혼란스럽거나 흥미로운 점을 제기하도록 유도합니다. 즉시 교과서적인 정의를 쏟아내는 대신, 에이전트는 학생의 표현 방식에 맞춘 설명을 제공하고, 새로운 개념을 일상적인 사례와 연결하며, 방금 배운 내용에 대해 성찰하도록 부드럽게 유도합니다. 결정적으로, 이 에이전트는 질문을 하는 것에 대한 사회적 위험(social risk)을 낮추도록 설계되었습니다. 대규모 대학 강의실에서 학생은 판단받을 것에 대한 두려움 때문에 '기초적인' 질문을 하는 것을 주저할 수 있습니다. AI와 함께라면 이러한 장벽은 사라집니다. 에이전트는 불확실성이 정상적인 과정으로 받아들여지는 안전한 공간을 제공하며, 모든 질문을 학습 과정의 유효한 단계로 취급합니다.

이 접근 방식이 효과가 있는지 테스트하기 위해, 연구진은 137명의 대학생을 모집하여 2주 동안 세 차례의 학습 세션 동안 두 그룹 중 하나에 무작위로 배정했습니다. 한 그룹은 AI 에이전트와 함께 읽은 과학 기사에 대해 자유로운 대화를 나누었습니다. 강력한 비교 대상인 다른 그룹은 스스로 질문하는 연습을 하도록 요청받았습니다. 이 비교 그룹은 아무것도 하지 않고 가만히 있었던 것이 아니라, 동일한 기사에 대해 가능한 한 많은 질문을 생성하도록 지시받았는데, 이는 호기심을 활성화하는 입증된 방법입니다. 이 설계는 두 그룹 모두가 능동적으로 생각하고 질문하게 만들었으며, 유일한 주요 차이점은 AI로부터 즉각적이고 적응적인 피드백을 받는지 여부였습니다.

결과는 이러한 도구가 학습에 어떤 영향을 미치는지에 대해 미묘한 그림을 보여주었습니다. 각 세션 중 즉각적인 호기심의 감정을 살펴보았을 때, 두 그룹 모두 유사한 패턴을 보였습니다. 기사를 읽는 단계에서 주제를 탐구하는 단계로 넘어가면서, 보고된 호기심은 증가했습니다. 이는 질문을 생성하는 행위 자체가 혼자 하든 파트너와 함께 하든 관심을 불러일으키기에 충분히 강력하다는 것을 시사합니다. AI 에이전트는 학생 스스로 작업할 때와 비교하여 이러한 순간적인 감정에서 극적인 급증을 만들어내지는 못했습니다.

그러나 연구진이 학생들의 일반적인 과학에 대한 성향(disposition)에 미치는 장기적 효과를 살펴보았을 때 이야기는 달라졌습니다. 스스로 질문을 던진 그룹은 세 차례의 세션 후 전반적인 특성 수준의 호기심에서 유의미한 변화를 보이지 않은 반면, AI 에이전트와 상호작용한 그룹은 측정 가능한 증가를 보였습니다. 데이터는 AI가 학생들이 일련의 작고 성공적인 탐구 경험을 축적하도록 도왔음을 시사합니다. 질문과 답 사이의 고리를 닫아주는 적시의 피드백을 제공하고, 학생들이 계속 몰입할 수 있도록 격려함으로써, 에이전트는 고립된 호기심의 순간들을 강화되는 순환 구조로 만드는 데 도움을 주었습니다. 학생들은 에이전트가 지식의 연결된 네트워크를 구축하도록 돕고, 자신감을 느끼게 하며, 복잡한 주제를 탐구하는 데 드는 노력을 줄여주었다고 보고했습니다.

에이전트를 사용한 학생 중 일부를 대상으로 한 질적 인터뷰는 왜 이러한 차이가 발생했는지를 밝혀주었습니다. 이 학생들은 에이전트가 세 가지 뚜로 다른 유형의 지원을 제공했다고 설명했습니다. 첫째, 인지적 도움을 제공하여 복잡한 아이디어를 분해하고 이를 이미 알고 있는 것과 연결했습니다. 둘째, 정서적 지원을 제공하여 학습 과정이 덜 위협적으로 느껴지도록 따뜻함과 격려를 주었습니다. 셋째, 그리고 아마도 가장 중요한 것으로, 보호적 지원을 제공했습니다. 학생들은 인간 교수에게는 차마 묻지 못했을 질문도 에이전트는 판단하지 않을 것이라는 점을 알기에 자유롭게 질문할 수 있다고 느꼈습니다. 이러한 안전함 덕분에 학생들은 어려움을 겪으면서도 포기하지 않고, 자신의 불확실성을 해결하는 만족감을 경험할 수 있었습니다.

본 연구는 단순히 질문을 던지는 것이 좋은 시작이긴 하지만, 그 질문에 어떻게 답하느냐가 장기적인 학습에 매우 중요하다는 결론을 내립니다. AI 에이전트는 단순히 질문에 답하는 것에 그치지 않고, 학생들이 호기심의 완전한 보상 순환을 경험하도록 도왔습니다. 에이전트는 질문이라는 초기 불꽃에서부터 답을 찾는 고투, 그리고 마침내 이해의 만족감에 이르기까지 학생들을 안내했으며, 이는 다시 다음 질문을 던지고 싶게 만드는 동기가 되었습니다. 연구진은 자신들의 결과가 예비적인 단계이며, 개입 기간이 몇 주 정도로 비교적 짧았다는 점을 언급했습니다. 그들은 이러한 변화가 영구적인 습관이 되기 위해서는 더 장기적인 참여가 필요할 수 있다고 제안합니다. 그럼에도 불구하고, 이 연구는 교육 기술의 미래를 위한 명확한 설계 청사진을 제공합니다. 이는 AI의 가장 가치 있는 역할이 방 안에서 가장 똑똑한 사람이 되는 것이 아니라, 학습자가 수업이 끝난 후에도 오랫동안 "왜"라고 계속 물을 수 있도록 자신감과 기술을 길러주는 가장 든든한 파트너가 되는 것임을 보여줍니다.