AI 헬퍼가 11학년 영어 글쓰기 향상에 미친 영향: CGScholar 사례 연구

초록

본 논문은 저소득층이 다수인 미국 중서부 고등학교 11학년 학생 6명을 대상으로 CGScholar AI Helper의 맞춤형 피드백이 글쓰기 발달에 미치는 효과를 질적 분석한 사례 연구이다. 교사의 루브릭과 학습 목표에 맞춰 RAG 기반 대형 언어 모델을 프롬프트 엔지니어링한 뒤, 두 차례의 AI 피드백을 제공하고 최종 교사 평가를 비교하였다. 결과는 AI 피드백이 문법·구조·내용 조직 등 여러 측면에서 학생 글의 질을 향상시켰으며, 교사와 학생 모두 도구 개선점을 제시하였다. 또한 과도한 의존 위험, 편향·프라이버시 문제 등 윤리적·실천적 과제도 논의한다.

상세 분석

본 연구는 AI 기반 피드백 도구가 실제 교실 현장에 투입될 때 나타나는 구체적 메커니즘을 탐색한다는 점에서 의미가 크다. 첫째, CGScholar AI Helper는 Retrieval‑Augmented Generation(RAG) 방식을 채택해 35 백만 토큰 규모의 교내·대학 수준 글쓰기 자료를 기반으로 한다. 이는 일반적인 LLM이 제공하는 ‘일반적’ 피드백과 달리, 교사가 사전에 정의한 루브릭과 학습 목표에 맞춘 ‘맞춤형’ 피드백을 가능하게 한다. 두 번째로, 연구는 Agile‑style 사이버‑사회 교육 연구 프레임워크를 적용해 교사·학생의 실시간 의견을 프로토타입 개선에 반영하였다. 즉, 초기 파일럿 후 교사 포스트‑서베이와 학생 포커스 그룹을 통해 도출된 ‘피드백 정확도’, ‘용어 선택’, ‘피드백 시점’ 등의 개선 요구가 즉시 시스템에 반영되었다는 점은 전통적인 교육 기술 연구와 차별화된다.

세 번째로, 질적 데이터 분석은 6단계 코딩 과정을 통해 ‘피드백 수용성’, ‘자기 효능감 향상’, ‘내용 재구성 능력’ 등 세부 테마를 도출하였다. 특히, 학생들은 AI가 제공한 구문 교정과 논리 전개 제안을 통해 초안 단계에서 ‘글쓰기 불안감’이 감소하고, 교사의 루브릭에 부합하는 수정 방향을 스스로 탐색하게 되었다는 점이 강조된다. 교사는 AI 피드백이 ‘즉각적인 교정’ 역할을 수행함으로써 교실 내 피드백 주기 시간을 단축하고, 보다 심층적인 내용·구조 지도에 집중할 수 있었다고 평가한다.

하지만 연구는 몇 가지 한계와 위험 요소도 지적한다. 첫째, AI 피드백에 과도히 의존할 경우 학생의 독립적 글쓰기 역량이 저해될 우려가 있다. 이는 기존 문헌(Zhai et al., 2024)과 일치하는 지적이며, 연구팀은 ‘피드백 단계’를 제한하고 인간 교사의 메타‑피드백을 병행하도록 설계 변경을 제안한다. 둘째, 데이터베이스에 포함된 과거 학생·교수 글이 편향을 내포할 가능성이 있으며, 이는 AI가 재현할 편향된 표현이나 문화적 감수성을 반영할 위험을 내포한다. 셋째, 개인정보 보호 측면에서 학생 초안이 클라우드 기반 LLM에 전송되는 과정에서 데이터 보안 프로토콜이 충분히 명시되지 않아, 실무 적용 시 추가적인 암호화·익명화 절차가 필요하다.

마지막으로, 연구는 ‘AI 피드백의 교육적 타당성’에 대한 메타‑논의를 제시한다. Cope와 Kalantzis(2025)의 “Generative AI는 교육 현장에서 즉시 사용에 적합하지 않다”는 주장에 비추어, 본 사례는 ‘조정된 프롬프트와 교사‑주도 루브릭 통합’이라는 제한적 적용을 통해 위험을 최소화하고 효과를 극대화한 성공적인 시나리오로 평가될 수 있다. 향후 연구는 더 큰 표본, 장기적 학습 성과 추적, 그리고 다문화·다언어 환경에서의 편향 검증을 포함해 확장될 필요가 있다.