Scaffolded and Unscaffolded Generative AI Use in Mathematics Teacher Education: Effects on Pre-Service Teachers’ Instructional Design Competence
이 혼합 연구 방법론 연구는 생성형 AI 사용에 대한 교육적 스캐폴딩(pedagogical scaffolding)을 제공하는 것이 비스캐폴딩(unscaffolded) AI 사용과 비교하여 예비 수학 교사들의 교수 설계 역량, AI 준비도, 자기조절학습, 그리고 비판적 사고를 유의미하게 향상시킨다는 것을 입증한다.
원본 논문은 CC BY 4.0 (https://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
교사가 단순히 한 명의 사람이 아니라, 수업 계획을 세우고, 수학 문제를 만들며, 복잡한 아이디어를 몇 초 만에 설명할 수 있는 강력한 컴퓨터 프로그램인 교실을 상상해 보십시오. 이것이 바로 학교와 대학교에 빠르게 진입한 기술인 생성형 인공지능이 약속하는 바입니다. 하지만 여기에는 함정이 있습니다. 만약 학생이 단순히 컴퓨터에게 답을 묻고 아무 의문 없이 그것을 받아들인다면, 그들은 자신의 사고력, 계획 능력, 문제 해결 능력을 발전시키기보다 기계에 의존하는 법을 배우게 될지도 모릅니다. 이것이 오늘날 교사 교육이 직면한 핵심적인 긴장 상태입니다. 즉, 어떻게 하면 이 스마트한 도구들이 미래의 교사들이 스스로 생각하는 대신 도구가 대신 생각하게 만드는 것을 방지하면서, 그들이 배우는 데 도움을 줄 수 있는가 하는 점입니다. 이 퍼즐을 푸는 열쇠는 '스캐폴딩(scaffolding, 비계 설정)'이라 불리는 개념에 있습니다. 교육에서 스캐폴딩은 집을 지을 때 사용하는 임시 지지대와 같습니다. 건축가들이 숙련될 때까지 구조물을 지탱해주다가, 건물이 스스로 설 수 있을 만큼 튼튼해지면 제거되는 것입니다. 연구진이 던진 질문은 미래의 수학 교사들에게 인공지능을 사용하는 동안 이러한 구조화된 안내를 제공하는 것이, 스스로 알아서 하게 두는 것보다 그들을 더 나은 교사로 만드는가 하는 것이었습니다.
가나의 한 연구팀은 76명의 예비 수학 교사들과 함께 이 질문에 대한 답을 찾고자 했습니다. 이 학생들은 교육자로서 필수적인 기술인 수학 수업을 설계하는 법을 배우는 과정에 등록되어 있었습니다. 연구진은 학급을 두 그룹으로 나누었습니다. 한 그룹은 특별한 지침 없이 인공지능 도구를 사용했습니다. 그들은 기술를 사용하여 수업 계획을 세우도록 안내받았지만, 어떻게 올바른 질문을 던지고 답변을 확인할지는 스스로 알아내야 했습니다. 다른 그룹은 동일한 기술을 사용했지만, 구체적인 지원 체계를 제공받았습니다. 이러한 지원에는 컴퓨터에 좋은 질문을 쓰는 방법의 예시, 컴퓨터의 작업물을 검증하기 위한 체크리스트, 그리고 수업 계획이 학생들에게 적절한지 생각하도록 강제하는 유도 질문 등이 포함되었습니다. 목표는 이 추가적인 안내가 학생들이 수업을 설계하는 능력, 기술을 사용할 준비가 된 정도, 자신의 학습을 관리하는 능력, 그리고 컴퓨터가 제공한 정보를 얼마나 비판적으로 평가할 수 있는지에 변화를 주는지 확인하는 것이었습니다.
14주간의 수업 계획 작업 끝에 결과는 명확했습니다. 구조화된 안내를 받은 학생들은 그렇지 않은 학생들보다 유의미하게 더 나은 성과를 보였습니다. 연구진이 학생들이 만든 최종 수업 계획을 살펴보았을 때, 지원을 받은 그룹은 더 효과적이고 사려 깊은 수업을 설계했습니다. 그들은 자료를 조직하고, 적절한 활동을 선택하며, 학생들이 수학을 이해했는지 테스트하는 방법을 만드는 데 더 뛰어났습니다. 지원을 받지 못한 그룹은 종로가 급하거나 컴퓨터의 결과물을 너무 빨리 수용하여 많은 수정이 필요한 계획을 내놓는 경우가 많았습니다. 안내를 받은 그룹 또한 향후 기술을 사용할 준비도 측면에서 더 높은 점수를 받았습니다. 그들은 컴퓨터와 대화하고, 그 한계를 이해하며, 책임감 있게 사용하는 능력에 대해 더 큰 자신감을 느꼈습니다. 그들은 소프트웨어가 생성한 오류나 편향된 정보에 속을 가능성이 더 낮았습니다.
연구는 또한 안내를 받은 학생들이 학습하는 법을 더 잘 배웠다는 점을 드러냈습니다. 그들은 자신의 학습 과정을 조절하는 능력이 훨씬 더 강했습니다. 단순히 요청을 입력하고 결과를 기다리는 대신, 그들은 접근 방식을 계획하기 위해 멈추고, 들어오는 컴퓨터의 출력을 모니터링하며, 제안이 자신의 목표와 일치하는지 평가했습니다. 그들은 컴퓨터를 복종해야 할 기계가 아니라 질문을 던져야 할 파트너로 대했습니다. 이러한 비판적 사고가 두 그룹 사이의 가장 뚜렷한 차이였습니다. 지원을 받은 학생들은 수업 아이디어가 정확하고 실제 아이들에게 적절한지 끊임없이 스스로에게 물었습니다. 그들은 수학을 확인하고, 제안을 교과서와 비교했으며, 컴퓨터가 실수를 했을 때 계획을 수정했습니다. 반면 지원을 받지 못한 학생들은 설령 결함이 있더라도 첫 번째 답변을 그대로 받아들이는 경우가 많았는데, 이는 그것을 검증할 도구가 없었기 때문입니다.
연구진이 학생들의 경험을 이해하기 위해 소규모 그룹을 인터뷰했을 때, 그 패턴은 더욱 생생하게 드러났습니다. 지원을 받은 학생들은 깊은 사고의 과정을 설명했습니다. 그들은 체크리스트와 유도 질문이 자신을 늦추게 만들고, 수업의 모든 활동 뒤에 숨겨진 '이유'를 고려하게 만든다고 설명했습니다. 그들은 수업의 질이 단지 컴퓨터의 결과물이 아니라 자신의 결정에 달려 있다는 것을 깨달았습니다. 반면, 지원을 받지 못한 학생들은 컴퓨터가 이상한 답을 줄 때 종종 길을 잃거나 불확번한 느낌을 받는다고 인정했습니다. 그들은 원래의 질문을 수정하기보다는 새로운 채팅을 시작하는 경향이 있었고, 정확성보다 속도를 우선시했습니다. 그들은 컴퓨터가 자신을 대신해 일을 하고 있다고 느꼈으며, 이는 스스로 가르칠 준비가 덜 되었다는 느낌을 남겼습니다.
이 연구 결과는 미래의 교사들에게 강력한 인공지능 도구를 단순히 건네주는 것만으로는 그들을 더 나은 교육자로 만드는 데 충분하지 않다는 것을 시사합니다. 도구는 그것을 둘러싼 안내가 어떠냐에 따라 그 가치가 결정됩니다. 연구진이 계획, 점검, 성찰을 장려하는 프레임워크를 제공했을 때, 학생들은 기술을 사용하여 전문적 기술을 날카롭게 다듬었습니다. 그들은 더 나은 수업을 설계하고, 받은 정보에 대해 더 비판적으로 생각하며, 자신의 학습을 통제하는 법을 배웠습니다. 그러한 프레임워크가 없다면, 기술은 그들이 실제 교실에서 필요로 하는 독립적인 판단력을 발달시키는 것을 방해하는 지팡이가 될 위험이 있습니다. 연구는 결론적으로, 인공지능이 다음 세대의 교사들을 훈련하는 데 진정으로 도움이 되기 위해서는, 단순히 어떻게 질문하는지가 아니라 어떻게 생각하는지를 가르치는 의도적인 지원과 함께 사용되어야 한다고 밝히고 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.