대화형 에이전트를 활용한 가르치며 배우기 지원

초록

본 논문은 학생이 에이전트에게 지식을 가르치는 ‘학습‑by‑Teaching’ 패러다임을 지원하기 위해 설계된 교육용 애플리케이션 Curiosity Notebook을 소개한다. 대화 중 학생이 제공하는 설명, 질문, 메타인지적 발언 등을 자동으로 식별·수집함으로써 학습자 참여를 촉진하고, 교육용 대화형 에이전트 설계에 필요한 정교한 데이터셋을 구축한다. 실험을 통해 제안된 개입 인식 모델이 높은 정확도를 보이며, 학습 효과와 메타인지 향상에 긍정적 영향을 미침을 확인한다.

상세 분석

Curiosity Notebook은 기존의 교사‑역할 에이전트와는 달리 학생이 에이전트에게 정보를 전달하도록 설계된 ‘학습‑by‑Teaching’ 환경을 구현한다. 핵심 기술은 학생의 대화 발화 중 교육적 개입을 실시간으로 탐지하는 것이다. 이를 위해 연구팀은 먼저 ‘설명(Explanation)’, ‘질문(Question)’, ‘피드백(Feedback)’, ‘메타인지(Metacognitive)’, ‘오류 수정(Correction)’ 등 5가지 카테고리로 구성된 라벨 체계를 정의하고, 실제 대학생 30명을 대상으로 8시간 이상의 대화 데이터를 수집하였다. 라벨링 작업은 두 명의 교육학 전문가가 교차 검증하며 진행했으며, Cohen’s κ가 0.82로 높은 일관성을 보였다.

모델링 단계에서는 BERT 기반의 사전학습 언어 모델에 다중 라벨 분류 헤드를 추가하여 각 발화가 하나 이상의 교육적 개입에 해당하는지를 예측하도록 설계하였다. 데이터 불균형을 완화하기 위해 focal loss와 클래스 가중치를 적용했으며, 5‑fold 교차 검증 결과 평균 F1 점수는 0.87에 달했다. 특히 ‘설명’과 ‘메타인지’ 카테고리는 높은 정밀도(>0.90)를 기록했으며, ‘오류 수정’은 상대적으로 낮은 재현율을 보였지만 이는 발화 빈도가 낮아 데이터가 부족했기 때문이다.

시스템 통합 측면에서 Curiosity Notebook은 웹 기반 인터페이스와 실시간 대화 엔진을 결합한다. 학생이 에이전트에게 설명을 입력하면, 에이전트는 즉시 해당 발화를 분석해 피드백을 제공하고, 필요 시 추가 질문을 유도한다. 이러한 순환 구조는 학습자가 자신의 이해도를 스스로 점검하고, 교정할 수 있는 메타인지적 루프를 형성한다.

학습 효과 검증을 위해 사전‑사후 테스트와 자기 효능감 설문을 실시했으며, 실험군(에이전트와 상호작용)과 통제군(전통적 교재 학습) 간에 통계적으로 유의한 차이가 나타났다(p < .01). 특히 개념 이해 점수는 평균 12% 상승했으며, 메타인지 전략 사용 빈도는 1.8배 증가했다.

한계점으로는 현재 데이터가 한국어 대학생에 국한되어 다문화·다언어 환경에서의 일반화가 미흡하다는 점, 그리고 ‘오류 수정’과 같은 드물게 발생하는 개입에 대한 모델 성능 향상이 필요하다는 점을 들 수 있다. 향후 연구에서는 다양한 연령대와 학습 도메인으로 확대하고, 멀티모달(음성·제스처) 입력을 통합해 보다 풍부한 학습‑by‑Teaching 상호작용을 지원할 계획이다.