AI 기반 언어·시각 스캐폴딩이 게임 학습에 미치는 효과와 인지 부하

초록

**
본 연구는 양자 기술 개념을 가르치는 심각 게임 ‘Qookies’에 세 가지 AI 스캐폴딩(무, 언어, 언어+시각)을 적용해 학습 성과와 인지 부하를 비교하였다. 152명의 다양한 연령층 참가자는 모두 학습 향상을 보였지만, 스캐폴딩 유형 간 학습 성적 차이는 없었다. 다만 언어+시각 스캐폴딩이 순수 언어 스캐폴딩보다 내재 인지 부하를 낮추는 것으로 나타났다. AI와의 상호작용은 주로 레벨 진행과 행동 제안에 국한되었으며, 심층적인 대화는 드물었다.

**

상세 분석

**
이 논문은 최신 대형 언어 모델(LLM)과 강화학습 기반 행동 생성 모델을 결합한 NPC를 게임 내 스캐폴딩 도구로 활용한 점이 혁신적이다. 세 가지 조건(무, 언어, 언어+시각) 중 언어+시각 조건이 내재 인지 부하(ICL)를 유의미하게 감소시킨 것은 시각적 시연이 추상적 양자 개념을 구체화하는 데 효과적임을 시사한다. 이는 인지 부하 이론(CLT)에서 제시된 ‘외재 부하 감소’를 넘어, 학습자가 작업 요구를 직관적으로 파악하도록 돕는 ‘구조화된 시각 지원’의 역할을 강조한다.

학습 성과가 모든 조건에서 동등하게 향상된 점은 게임 자체가 충분히 동기 부여와 탐구적 학습을 촉진한다는 증거이며, 스캐폴딩이 반드시 학습 성적을 향상시켜야 하는 필수 요소는 아니라는 점을 보여준다. 이는 ‘스캐폴딩은 과도한 지원이 아니라 적절한 시점에 제공되는 가이드라인이어야 한다’는 기존 이론과 일치한다.

상호작용 로그 분석에서는 참가자들이 AI NPC를 주로 ‘레벨 관련 질문’과 ‘다음 행동 제안’에만 활용했으며, 개념적 토론이나 메타인지적 질문은 거의 없었다. 이는 학습자들이 AI를 도구로 인식하고, 깊이 있는 대화보다는 즉각적인 문제 해결 지원을 선호한다는 행동 패턴을 드러낸다. 또한, LLM 기반 챗봇이 ‘해답을 직접 제시하지 않음’으로 설계된 점이 학습자의 탐구 과정을 유지하는 데 기여했을 가능성이 있다.

기술적 구현 측면에서, 언어 스캐폴딩은 Llama 3.1 70B 모델을 사용해 사전 정의된 개념 프롬프트로 hallucination을 최소화했으며, 행동 스캐폴딩은 일회성 강화학습(RL) 에이전트를 통해 게임 상태와 연동된 액션을 생성한다. 두 모델을 ‘임베디드 인터페이스’로 결합함으로써 대화와 행동이 일관되게 게임 메커니즘에 맞춰진 점은 AI‑기반 교육 에이전트 설계에 중요한 참고 사례가 된다.

한계점으로는 샘플 크기가 비교적 작고, 학습 전후의 지식 수준을 정량화한 사전·사후 테스트가 제한적이었다는 점이다. 또한, AI의 오류(허위 정보) 발생 가능성을 완전히 배제하지 못했으며, 장기 기억 전이 효과를 평가하지 않은 점도 보완이 필요하다.

종합적으로, 이 연구는 AI‑지원 스캐폴딩이 학습 성과 자체보다는 인지 부하 관리에 더 큰 영향을 미칠 수 있음을 보여준다. 특히, 시각적 시연이 포함된 복합 스캐폴딩이 복잡한 과학 개념 학습에서 인지적 부담을 경감시키는 실증적 근거를 제공한다. 이는 향후 교육용 게임 설계 시 ‘언어 + 행동’ 형태의 멀티모달 AI 지원을 고려해야 함을 시사한다.

**