📄 social_science

Effects of Human Centered AI Supported Instruction on EFL Listening With Adaptive Feedback Gamified Engagement and Motivational Scaffolding

53명의 이란 고등학생을 대상으로 한 이 혼합 연구는 적응형 피드백과 동기 부여 스캐폴딩을 포함하는 게임화된 AI 기반 듣기 교육 시스템이 비게임화된 대화형 AI 방식에 비해 영어 학습자들의 듣기 숙달도, 자기 효능감 및 참여도를 유의미하게 향상시킨다는 것을 보여준다.

원저자: Aliakbar Tajik, Atefeh Karkhaneh

게시일 2026-06-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aliakbar Tajik, Atefeh Karkhaneh

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

개요: 듣기 학습의 두 가지 서로 다른 방법

외국어(영어)를 듣는 법을 배우기 위해 이란의 한 교실에서 노력하고 있다고 상상해 보세요. 연구진은 **인공지능(AI)**을 사용하는 것이 학생들의 실력 향상에 도움이 되는지 알고 싶었습니다. 하지만 그들은 아무 AI나 사용한 것이 아니라, 매우 서로 다른 두 명의 "코치"를 비교했습니다.

코치 A (듀오링고/Duolingo): 이것은 마치 비디오 게임과 같습니다. 점수, 배지, 레벨을 주고, 하루도 거르지 않으면 "연속 기록(streak)" 카운터를 제공합니다. 무언가를 맞힐 때마다 계속해서 보상을 받는 게임을 하는 것처럼 느껴집니다.
코치 B (레플리카/Replika): 이것은 마치 다정한 펜팔 친구와 같습니다. 당신과 대화하는 챗봇입니다. 도움이 되고 당신의 말을 들어주지만, 점수나 리더보드, 게임 레벨을 주지는 않습니다. 그저 대화일 뿐입니다.

연구의 질문은 이것이었습니다: 어떤 코치가 십 대들(14~15세)이 영어 듣기를 더 빠르게 잘하게 만드는가?

실험: 12주간의 경주

연구진은 53명의 학생을 모아 두 팀으로 나누었습니다. 두 팀 모두 12주 동안(총 24회 세션) 연습했습니다.

듀오링고 팀은 게임 같은 앱을 사용했습니다.
레플리카 팀은 챗봇 앱을 사용했습니다.

시작하기 전에, 두 팀 모두 출발선이 동일한지 확인하기 위해 듣기 테스트를 치렀습니다. 두 팀 모두 동일했습니다. 그 후 연습을 진행했고, 마지막에 다시 테스트를 치렀습니다.

결과: 게임 코치의 승리

결과는 다음과 같았습니다:

두 팀 모두 실력이 향상되었습니다. 달리기 경주처럼, 두 그룹 모두 12주 동안 듣기 실력이 좋아졌습니다.
듀로링고 팀이 훨씬 더 좋아졌습니다. 게임 같은 앱을 사용한 학생들은 챗봇을 사용한 학생들보다 최종 테스트에서 유의미하게 높은 점수를 받았습니다.

비유하자면:
학습을 산을 오르는 것에 비유해 봅시다.

레플리카는 당신과 함께 걸으며 말을 걸어주는 가이드와 같았습니다. 친절했지만, 산을 오르는 길은 스스로 찾아야 했습니다.
듀오링고는 재미있는 지도가 있는 가이드 투어와 같았습니다. 발걸음을 옮길 때마다 "딩!" 소리가 나고 금색 별이 나타났습니다. 지도는 당신이 얼마나 높이 올라가고 있는지 정확히 보여주었고, 게임은 다음 단계가 무엇인지 보고 싶게 만들어 계속 나아가도록 독려했습니다. 이 "게임" 요소가 학생들이 더 높고 빠르게 오르도록 동기를 부여했습니다.

왜 게임이 더 효과적이었을까?

연구진은 왜 게임이 그렇게 잘 작동했는지 살펴보았습니다. 그들은 게임 요소가 단순히 재미를 위한 것이 아니라, 뇌를 위한 보조 바퀴 역할을 했다는 것을 발견했습니다.

"딱 적당한" 도전: 게임은 난이도를 자동으로 조절했습니다. 학생이 어려워하면 과제를 쉽게 만들고, 잘 해내면 더 어렵게 만들었습니다. 이를 통해 학생들이 지루해하지도 않고, 그렇다고 너무 압도당하지도 않는 "최적의 상태(sweet spot)"를 유지하게 했습니다.
즉각적인 피드백: 학생이 실수했을 때, 게임은 즉시 알려주었습니다. 이는 일주일이 지난 후에 결과를 알려주는 것이 아니라, 옆에서 "다시 해봐"라고 말해주는 코치가 바로 옆에 있는 것과 같았습니다.
"연속 기록(Streak)" 효과: 게임은 학생들이 며칠 연속으로 연습했는지를 추적했습니다. 이는 "끊기지 않는 체인"을 유지하려는 느낌을 만들어 학생들이 매일 다시 돌아오게 만들었습니다.
자신감 상승: 게임은 작은 승리들(배지, 점수)을 제공했기 때문에, 학생들은 더 큰 자신감을 느꼈습니다. 게임이 실수를 즐거움의 일부로 만들어 주었기에 학생들은 실수를 두려워하지 않았습니다.

학생들이 말하는 것

연구진은 학생들과도 이야기를 나누었습니다.

학생들은 게임 덕분에 스트레스가 덜 느껴졌다고 말했습니다. 일반적인 수업에서는 무언가를 즉시 이해하지 못하면 당황스러움을 느끼지만, 앱을 사용하면 원하는 만큼 멈추고, 되감고, 다시 시도할 수 있었습니다.
학생들은 **진행 표시줄(progress bars)**을 좋아했습니다. 학습하면서 바가 채워지는 것을 보는 것은 자신이 얼마나 멀리 왔는지에 대한 명확한 감각을 주었습니다.
학생들은 스스로 통제하고 있다고 느꼈습니다. 선생님이 말할 때뿐만 아니라 언제든 원할 때 연습할 수 있었습니다.

"비법 소스" (모델들)

연구진은 발견한 내용에 대해 멋진 이름을 붙였지만, 이를 쉬운 영어로 풀이하면 다음과 같습니다:

타직의 비계 설정된 동기 부여 모델 (Tajik's Scaffolded Motivator Model, T-SMM): 이는 "적절한 도움(비계 설정/scaffolding)을 주는 학습 시스템을 구축하고, 동시에 당신의 성장에 대해 기분 좋게 만든다면(동기 부여), 더 빨리 배울 수 있다"는 뜻의 멋진 표현입니다.
AI 강화 언어 학습 매트릭스 (The AI-Enhanced Language Learning Matrix): 이는 컴퓨터의 스마트한 기능(난이도 조절 등)이 인간의 감정(게임에서 이기고 싶은 마음 등)과 어떻게 결합하여 초강력 학습 환경을 만드는지를 보여주는 지도입니다.

결론

이 연구는 십 대들이 영어를 듣는 법을 배울 때, 학습을 단순히 대화로 만드는 것보다 게임으로 만드는 것이 더 효과적이다라고 결론짓습니다.

챗봇(레플리카)이 나빴다는 것이 아니라, 그것도 도움이 되었다는 것입니다. 하지만 게임(듀로링고)에는 학생들이 몰입하고, 동기를 부여받고, 더 꾸준히 연습하게 만드는 추가적인 도구들(점수, 레벨, 즉각적인 보상)이 있었습니다. "게임"은 단순히 학습을 재미있게 만든 것이 아니라, 학생들이 도전받으면서도 지원받는 '몰입(flow)' 상태를 유지하게 함으로써 뇌가 더 열심히, 더 똑똑하게 작동하도록 만들었습니다.

요약하자면: 만약 당신이 십 대가 새로운 언어를 듣는 법을 배우도록 돕고 싶다면, 단순히 대화 상대가 되어주는 것이 아니라, 매 작은 단계마다 보상을 주는 게임을 제공하세요. 점수와 배지는 그들의 학습 엔진을 돌리는 연료 역할을 합니다.

기술 요약: 인간 중심 AI 지원 교수법이 EFL 듣기에 미치는 영향

문제 제기
듣기 이해는 인지적으로 매우 까다롭지만, 특히 이란의 교육적 맥락 내 청소년 교실에서는 흔히 경시되는 영어 외국어(EFL) 교육의 구성 요소이다. 전통적인 교수법은 의사소통 능력보다 문법과 시험 대비를 우선시하는 경우가 많아, 실제적인 듣기 자료에 대한 노출이 적고, 구조화된 피드백이 부족하며, 연습 기회가 제한되는 결과를 초래한다. AI 지원 학습 플랫폼이 교수법을 보완하기 위해 등장했으나, 서로 다른 교수 설계—구체적으로 게임화된 적응형 시스템 대 비게임화된 대화형 AI—가 청소년 EFL 학습자의 듣기 발달, 학습자 참여 및 동기에 어떻게 영향을 미치는지 비교하는 실증적 연구는 부족한 실정이다. 기존 연구들은 대개 일반적인 숙련도에 초점을 맞추거나, 통제된 교실 환경에서 이러한 아키텍처들을 체계적으로 대조하지 않고 게임화 효과만을 고립시켜 다루는 경향이 있다.

연구 방법론
본 연구는 바라민(Varamin) 지역의 공립학교에 재학 중인 14~15세의 이란 고등학생 53명을 대상으로 **혼합 연구 방법론의 동시 삼각측량 설계(mixed-methods concurrent triangulation design)**를 채택하였다. 참가자들은 12주간(24회 세션) 두 가지 교수 조건에 무작위로 배정되었다:

실험 집단 (Duolingo): 진행도 추적, 리더보드, 포인트, 배지 및 구조화되고 적응적인 듣기 과업을 특징으로 하는 게임화된 AI 기반 개인화 학습 시스템을 활용하였다.
비교 집단 (Replika): 게임 기반의 보상 메커니즘 없이 개인화된 대화 연습을 위해 설계된 비게임화된 대화형 AI 플랫폼을 활용하였다.

데이터 수집 및 도구:

양적 데이터: Prospect 2 및 Prospect 3 커리큘럼과 연계된 5가지 하위 기술(주요 대화, 특정 정보 파악, 교실 지시 사항 이해, 참/거짓 판별, 대화 완성)을 다루는 사전 및 사후 개입 듣기 이해 테스트를 실시하였다. 연구자가 개발한 18개 항목의 설문지는 참여도, 사용성 및 동기에 대한 인식을 측정하였다.
질적 데이터: 15명의 참가자를 대상으로 한 반구조화된 인터뷰와 20회 세션 동안 구조화된 체크리스트를 사용한 교실 관찰을 수행하였다.
분석: 양적 데이터는 SPSS(쌍체/독립 t-검정, ANOVA)를 사용하여 분석하였다. 질적 데이터는 혼합 코딩(연역적/귀납적)을 통한 주제 분석(Braun & Clarke, 2006)을 거쳤다.

주요 결과

듣기 숙련도: 두 집단 모두 향상되었으나, Duolingo 집단이 Replica 집단에 비해 모든 듣기 하위 기술에서 유의미하게 높은 향상을 보였다.
- 총 사후 테스트 점수: Duolingo ($M=31.32, SD=1.75$) vs. Replica ($M=26.42, SD=3.62 $);$ t(51)=6.085, p<.001 $, 큰 효과 크기($ d=1.73$)를 나타냈다.
- 주요 대화 이해( $p<.001$ ), 특정 정보 식별( $p<.001$ ), 교실 지시 사항 이해( $p<.001$ ), 참/거짓 분석( $p=.026$ ), 대화 완성( $p<.001$ )에서 유의미한 차이가 발견되었다.
- 일원 분산 분석(One-way ANOVA) 결과, Duolingo의 향상은 모든 하위 기술에 걸쳐 고르게 분포되어 있었으며( $F(4, 125)=2.317, p=.078$ ), 이는 총체적 발달을 시사한다.
참여 및 동기: 설문 결과, Duolingo의 게임화 요소(평균=4.32)와 적응형 스캐폴딩(평균=4.21)에 대해 높은 참여도를 보였다.
질적 연구 결과: 주제 분석 결과 Duolingo 집단에 대해 6가지 핵심 주제가 도출되었다: 적응형 난이도 진행, 학습자 자율성, 성취를 통한 참여, 이해 가능한 입력, 상황 학습, 상호작용 학습. 학생들은 자기 주도적 속도 조절과 점진적인 난이도 상승이 불안감을 줄이고 동기를 지속시킨다고 보고했다.
삼각측정: 교실 관찰은 자가 보고된 데이터를 뒷받침하였으며, 높은 비율의 자율적 과업 조절(79%), 다시 듣기 기능 활용, 최적의 도전 과제 수행 중 지속적인 참여 등을 보여주었다.

주요 기여
본 논문은 AI 강화 언어 학습 분야에 세 가지 주요 기여를 한다:

이론적 합성: AI 매개 듣기 교육이 어떻게 작동하는지 설명하기 위해 스키마 이론(Schema Theory), 자기 조절 이론(Self-Regulation Theory), 역동적 평가(사회문화 이론), 그리고 게임화 이론을 통합하였다. 이러한 합성은 고립된 이론적 적용을 넘어 다층적인 개념적 렌즈로 나아간다.
모델 개발: 실증적 연구 결과를 바탕으로 저자들은 두 가지 통합적 프레임워크를 제안한다:
- AI 강화 언어 학습 매트릭스 (AELLM): 알고리즘적 개인화와 사회문화적 스캐폴딩 간의 상호작용을 매핑한다.
- 지능형 학습 환경 설계 (ILED): 적응형 진행, 내재적 동기 유발 트리거, 인지 부하 관리, 피드백 루프를 합성한다.
- Tajik의 스캐폴드 동기 부여 모델 (T-SMM): 피드백과 동기 부여 스캐폴딩이 시간이 흐름에 따라 참여와 듣기 발달을 어떻게 지원하는지 설명하는 맥락 특화적 설명 모델이다.
실증적 증거: 본 연구는 구조화된 게임화 피드백이 적응형 알고리즘과 결려할 때, 개방형 대화형 AI보다 청소년 EFL 학습자에게 더 우수한 듣기 성과를 낸다는 통제된 비교 증거를 제공하며, AI 통합 자체가 반드시 더 나은 결과를 보장한다는 가설에 도전한다.

의의 및 주장
저자들은 본 연구가 지능형 학습 플랫폼 설계를 위한 연구로 검증된 청사진을 제공한다고 주장한다. 그 의의는 동기 부여 설계(게임화), 적응형 스캐폴딩, 그리고 반복적인 구조화된 연습의 시너지가 언어 학습을 위한 "변혁적이고 맥락 민감한 생태계"를 구축한다는 것을 입증하는 데 있다.

본 논문은 다음과 같은 시사점을 명시적으로 밝힌다:

게임화된 AI 환경은 이 특정 인구 집단에서 비게임화된 대화형 도구보다 듣기 이해의 균형 잡힌 발달을 더 효과적으로 이끌 수 있다.
이러한 플랫폼의 성공은 기계 기반의 적응성과 연구로 검증된 교수 원리(예: 근접 발달 영역, 이해 가능한 입력) 사이의 정렬에 달려 있다.
이러한 설계 원칙은 실제적인 듣기 자료에 대한 접근이 제한적인 EFL 맥락을 위한 확장 가능한 솔루션을 제공한다.

저자들은 결과가 견고하지만, 특정 설계 특징의 인과적 영향을 완전히 격리하기 위해서는 더 큰 표본과 종단적 설계(예: 기초값 차이를 통제하기 위한 ANCOVA 사용)를 포함한 후속 연구가 필요함을 언급하며 인과관계에 대해 신중한 태도를 유지한다. 또한, 본 연구가 '정서적 적응성'과 같은 개념을 첨단 감성 컴퓨팅이나 신경 인지 알고리즘을 사용하는 수준이 아니라, 교수학적 및 지각적 수준에서 해석하고 있음을 강조한다.