대학 교육에서 AI를 인터랙티브하게 가르치기 사례 연구

본 논문은 인공지능(AI) 입문 과목이 학생들에게 직면하는 학습 장벽—추상적 개념, 수학·통계적 복잡성, 다양한 사전 지식 수준—을 배경으로 시작한다. 기존 연구는 주로 과제‑중심, 프로젝트‑기반, 게임‑기반 학습이 학기 외 활동에 초점을 맞추었으며, 강의 시간 내 교육 설계가 학습 경험에 미치는 영향을 충분히 탐구하지 못했다. 저자들은 이러한 공백을 메우기 위해 ‘CS Unplugged’ 접근을 차용한 ‘활동‑기반·협업 중심’ 수업을 설계하고, 이를 실제 대학 강의에 적용했다. 연구 대상은 조지아 공대의 ‘Introduction to Artificial Intelligence’ 과목이다. 전통적인 봄 학기(2025년)에는 약 300명의 학생이 16주 동안 강의형 수업과 별도의 사무시간을 이용했으며, 여름 학기(2025년)에는 약 50명의 학생이 12주 동안 동일 교과목을 수강했지만, 강의 시간을 ‘언플러그드 시뮬레이션’, ‘협업 코딩 랩’, ‘One‑Minute Paper’ 등으로 전환했다. 두 학기 모두 동일한 교재, 동일한 네 개의 프로그래밍 프로젝트(검색, 불확실성 추론, 시계열 확률 추론, 머신러닝), 동일한 중간·기말 시험을 사용했으며, 과제 제출 방식과 평가 기준도 동일하게 유지했다. 수업 설계는 다음과 같이 구체화되었다. (1) 주제 도입 시, 학생들은 물리적·디지털 게임 형태의 언플러그드 시뮬레이션에 참여한다. 예를 들어, 강화학습 수업에서는 학생들이 실제 미로를 탐색하며 ‘탐험‑활용’ 딜레마를 몸으로 체험하고, 간소화된 벨만 방정식을 손으로 계산한다. (2) 시뮬레이션 직후, 동일 알고리즘을 Jupyter Notebook에 구현해 시각화하고 파라미터 변화를 실시간으로 관찰한다. (3) 각 주제별 ‘협업 코딩 랩’에서는 소규모 팀이 주어진 코드 베이스를 수정·실험하며, TA가 실시간으로 피드백을 제공한다. (4) 수업 종료 시, 학생들은 OMP 형태의 퇴장 티켓에 오늘 배운 핵심, 학습에 도움이 된 활동, 남은 질문을 적는다. 강사와 TA는 이 데이터를 분석해 다음 강의의 난이도와 진행 속도를 조정한다. 연구 방법은 준실험(quasi‑experimental) 설계와 혼합‑방법(mixed‑methods) 접근을 결합했다. 정량적 데이터는 두 학기의 수업 평가 설문(출석률, 과제 적합성, 전반적 효과)과 최종 성적 분포이며, 질적 데이터는 여름 학기 종료 후 진행된 반구조화 인터뷰(학생 20명, TA 2명)이다. 통계 분석 결과, 여름 학기 학생들의 출석률은 94%로 봄 학기(81%)보다 유의하게 높았으며, ‘과제가 이해도를 정확히 측정한다’와 ‘수업이 효과적이다’에 대한 평균 점수도 각각 4.3/5, 4.5/5로 봄 학기(3.7, 3.9)보다 유의하게 상승했다(p < 0.01). 반면 최종 성적 평균(GPA)은 두 학기 모두 3.2 수준으로 차이가 없었으며, 자기보고 학습량(‘이번 학기에 AI를 이해했다고 느낀 정도’) 역시 통계적으로 유의하지 않았다. 질적 인터뷰 분석에서는 세 가지 주요 주제가 도출되었다. 첫째, ‘구체적·신체적 체험’이 추상적 알고리즘을 이해하는 데 큰 도움이 되었다는 점이다. 학생들은 “게임을 직접 해보니 Q‑learning이 어떻게 작동하는지 눈에 보였다”라고 언급했다. 둘째, ‘협업과 즉각적 피드백’이 학습 불안을 감소시켰다. TA가 수업 중 바로 질문에 답하고, 팀원 간 코드 리뷰를 통해 “혼자서 고민할 필요가 없었다”는 의견이 많았다. 셋째, ‘진행 상황 가시화’가 동기 부여에 기여했다. OMP를 통해 자신의 이해도를 스스로 점검하고, 강사가 이를 반영해 수업을 조정하는 과정을 보며 “수업이 내 수준에 맞게 맞춰지는 느낌”을 받았다. 결론적으로, 저자들은 (1) 강의 시간 내 활동‑기반 설계가 학생들의 주관적 학습 경험과 자신감을 크게 향상시킨다, (2) 동일한 과제·시험 체계 하에서도 수업 방식만 바꾸면 학습 효과 인식이 개선된다, (3) 작은 규모의 여름 학기에서도 TA‑학생 비율을 유지하면 ‘활동‑기반’ 접근이 충분히 구현 가능하다, (4) 성적 향상이 반드시 학습 경험 개선을 의미하지 않으며, 교육 설계 시 정서·동기적 지표를 함께 고려해야 함을 강조한다. 이 연구는 AI 교육에서 ‘어떻게 가르칠 것인가’에 대한 실증적 근거를 제공하며, 대규모 강의에서도 적용 가능한 구체적인 설계 가이드를 제시한다.