다양한 대학에서 나타난 생성형 AI 튜터 활용 유형과 학습 격차

초록

**
본 연구는 10개 대학 200개 강의에서 11,406명의 학생이 생성형 AI 튜터와 주고받은 로그 데이터를 분석하여, 대화 세션 수준에서 네 가지 참여 유형을 도출하고, 학생 수준에서는 시간에 따른 전이 패턴을 확인하였다. 특히 얕은 참여(복사‑붙여넣기) 유형은 10.4%에 불과했지만 지속성이 높았으며, 깊은 참여 학생은 다양한 유형을 오가며 유연성을 보였다. 고선택 대학과 STEM 과목에서는 깊은 참여 비중이 높았으며, 이는 교육적 형평성에 중요한 시사점을 제공한다.

**

상세 분석

**
이 논문은 대규모 학습 분석 프레임워크를 두 단계 파이프라인으로 설계하였다. 첫 단계에서는 각 대화 세션을 텍스트 길이, 복사‑붙여넣기 비율, 질문‑응답 깊이 등 12개의 행동 지표로 벡터화하고, 군집 분석(k‑means)과 실루엣 점수를 활용해 네 가지 참여 유형(‘얕은 참여’, ‘중간 참여’, ‘깊은 탐구’, ‘반복적 활용’)을 도출하였다. 두 번째 단계에서는 학생별 세션 유형 시퀀스를 마코프 전이 행렬로 변환하고, 프로세스 마이닝(α‑algorithm)으로 전이 흐름을 시각화하였다. 결과는 다음과 같다.

1. 세션 수준: 전체 세션 중 10.4%가 ‘얕은 참여’로, 주로 질문을 복사‑붙여넣고 답변을 그대로 제출하는 패턴을 보였다. ‘깊은 탐구’ 세션은 질문의 다층 구조와 자체 피드백 요청이 특징이며, 평균 프롬프트 수가 7.2개로 가장 높았다.

2. 학생 수준 전이: ‘얕은 참여’ 학생은 68% 이상이 동일 유형에 머물렀으며, 전이 확률이 낮았다. 반면 ‘깊은 탐구’ 학생은 45%가 ‘중간 참여’ 혹은 ‘반복적 활용’으로 이동하는 등 전이 다양성이 컸다. 이는 메타인지적 조절 능력과 학습 동기의 차이를 반영한다는 해석이 가능하다.

3. 맥락적 변이: 고선택 대학(상위 3개)에서는 ‘깊은 탐구’ 비중이 34%로, 비선택 대학(하위 7개) 대비 1.8배 높았다. 또한 STEM 과목에서는 ‘반복적 활용’과 ‘깊은 탐구’가 각각 22%와 19%를 차지해, 비STEM 과목에 비해 보다 적극적인 활용이 관찰되었다.

4. 정책적 함의: 얕은 참여가 지속될 경우 학습 효과가 저하될 위험이 크므로, 교사는 초기 onboarding 단계에서 복사‑붙여넣기 탐지를 위한 UI 경고, 과제 설계 시 AI 활용 제한 조건 등을 도입할 필요가 있다. 반대로 깊은 탐구 학생에게는 고급 프롬프트 설계 가이드와 피드백 루프를 제공해 자율적 학습을 촉진할 수 있다.

**