WordCraft: 다중모달 LLM으로 L2 어휘 학습을 위한 키워드 방법 지원 도구

초록

본 논문은 L1 중국어 사용자가 L2 영어 어휘를 학습할 때 겪는 키워드 방법 적용의 어려움을 해결하고자, 멀티모달 대형 언어 모델(MLLM)을 기반으로 한 인터랙티브 학습 도구 “WordCraft”를 설계·평가한다. 형성 연구와 두 차례 사용자 실험을 통해 학습자 중심의 단계별 스캐폴딩이 생성 효과를 유지하면서 학습 효율과 사용성을 크게 향상시킴을 입증한다.

상세 분석

WordCraft는 기존 키워드 방법 지원 시스템이 갖는 두 가지 근본적 한계를 보완한다. 첫째, 완전 자동화 방식은 학습자의 생성 활동을 억제해 ‘생성 효과’를 약화시키는 반면, WordCraft는 키워드 선택·연관 구문·이미지 생성 과정을 학습자가 직접 수행하도록 단계별 가이드를 제공한다. 이를 위해 시스템은 멀티모달 LLM을 백엔드로 두고, 텍스트 프롬프트와 이미지 생성 모델을 연동해 실시간 시각적 피드백을 제공한다. 둘째, 기존 창의성 지원 도구(CST)는 주로 초기 아이디어 발산이나 관계 맵핑에 머물러, 비선형적이고 반복적인 키워드‑연상‑이미지 구축 과정을 충분히 지원하지 못한다. WordCraft는 혼합 이니셔티브 인터랙션을 채택해, 사용자가 제시된 후보를 검토·수정하고, 시스템이 즉시 재생성·재평가하도록 설계했다.

형성 연구(N=18)에서는 학습자들이 (1) 음운적 유사성을 고려한 키워드 선정, (2) 의미적 적합성 평가, (3) 연상 스토리 구성, (4) 생생한 이미지 시각화 단계에서 각각 높은 인지 부하와 창의적 난관을 경험한다는 점을 확인했다. 특히, ‘키워드‑연상‑이미지’ 사이의 연결 고리가 약할 때 기억 유지율이 급격히 떨어지는 것이 관찰되었다. 이러한 결과를 토대로 저자들은 “과정‑중심 스캐폴딩”, “다중모달 피드백”, “사용자 주도적 선택·수정”, “인지 부하 최소화”, “생성 효과 보존”, “학습 흐름의 비선형 지원”이라는 여섯 가지 설계 요구사항을 도출하였다.

WordCraft의 인터페이스는 세 단계로 구성된다. ① 키워드 제안: LLM이 목표 영어 단어와 음운적으로 유사한 중국어 후보를 3~5개 제시하고, 학습자는 직관적 평가 기준(발음 유사도, 의미 연관성)으로 선택한다. ② 연상 구문 작성: 선택된 키워드를 기반으로 LLM이 ‘키워드‑뜻‑이미지’ 연결 문장을 초안으로 생성한다. 학습자는 문장을 편집·보강하면서 스토리텔링 요소를 추가한다. ③ 이미지 시각화: 최종 구문을 이미지 프롬프트로 변환해 멀티모달 모델이 시각적 결과물을 제공한다; 필요 시 재생성 옵션을 통해 이미지 품질을 조정한다. 각 단계마다 실시간 힌트와 인지 부하 경고가 표시되어 학습자가 과도한 부담을 느끼지 않도록 설계되었다.

두 차례 사용자 실험은 WordCraft의 효과를 정량·정성적으로 검증한다. 첫 번째 실험(48명, 대조군: GPT‑4o 채팅 인터페이스, 플래시카드)에서는 WordCraft가 평균 기억 정확도 23%p 상승( p<0.01)과 SUS 85점 이상의 높은 사용성을 기록했다. 두 번째 실험(20명, within‑subjects)에서는 동일 어휘에 대해 ‘자기 생성 키워드·연상’과 ‘시스템 제공 키워드·연상’의 회상 차이를 비교했으며, WordCraft가 자기 생성 조건과 통계적으로 동등한 회상률을 유지함을 확인했다. 이는 시스템이 제공하는 스캐폴딩이 학습자의 생성 활동을 대체하지 않고, 오히려 효율적인 생성 과정을 촉진한다는 증거다.

또한, 학습자 인터뷰 분석을 통해 WordCraft가 (1) 학습 동기 부여, (2) 창의적 사고 촉진, (3) 멀티모달 통합 학습 경험 제공 등 정성적 혜택을 제공함을 밝혀냈다. 한계점으로는 현재 8~16단어의 마이크로러닝 세션에만 최적화돼 있어 대규모 어휘 학습에 대한 확장성이 제한적이며, 이미지 생성 품질이 키워드‑연상 일관성에 따라 변동한다는 점을 들었다. 향후 연구에서는 장기 기억 효과와 학습자 개인화 모델링을 추가하고, 다양한 L1 배경(예: 일본어, 한국어)에도 적용 가능하도록 시스템을 일반화할 계획이다.

요약하면, WordCraft는 멀티모달 LLM을 활용해 키워드 방법의 인지적·창의적 부담을 단계별로 분산시키면서, 생성 효과를 보존하고, 학습 효율과 사용자 만족도를 동시에 끌어올린 혁신적인 학습 지원 도구라 할 수 있다.