AIEd 지식베이스AIEd KB
이 페이지의 목차

이 페이지는 한국어로 번역되었습니다. 문서 페이지는 여전히 영어로 작성되어 있습니다. 이 페이지를 영어로 읽기

개념

예술, 디자인 및 미디어 교육

생성일 2026-09-16 · 갱신일 2026-09-28

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

예술, 디자인 및 미디어 교육 — 학습이 만들기를 통해 이루어지는 스튜디오 기반 및 공연 기반 학문들: 건축과 공간 디자인, 인테리어 디자인, 음악 공연, 작곡과 분석, 시각 예술과 이미지 생성, 디지털 미디어와 디지털 스토리텔링, 무대 및 공연 기술. 이 지식 기반의 문서들에서 되풀이되는 질문은 생성형 AI가 기량과 기술 발달을 침식하는지 아니면 한 단계 위로 옮기는지, 다듬어진 산출물을 만드는 것이 값싸졌을 때 창작물에 대한 비평과 평가이 어떻게 변하는지, 각 학문이 구체화된 물질적 실행 위에 얼마나 놓여 있는지, 창작 도구가 생성적이 될 때 누가 포함되는지입니다. 담론은 고등교육과 단일 스튜디오 또는 단일 강좌 연구에 집중되어 있어, 아래의 대부분 발견은 학문 전반의 주장이라기보다는 사례 증거입니다.

생각해 볼 질문들

  • 한 건축 스튜디오 연구에서 생성 AI와 XR 파이프라인을 사용한 팀들은 자신의 디자인 능력에 대해 더 낮은 자신감을 보고했고, 블라인드 평가자들은 그들의 발표를 대조군의 발표보다 더 높게 평가하지 않았습니다. 도구가 학습을 해쳤다고 결론 내리기 전에 무엇을 알아야 하겠으며 — 그래도 그렇게 결론 내리게 될 것은 무엇입니까?
  • 스튜디오 교수는 언제나 비평과 가시적 과정 — 스케치, 모형, 연속된 반복 — 위에서 운영되어 왔습니다. 학생이 1분 만에 완성된 듯한 이미지를 만들어 낼 수 있다면, 비평은 실제로 무엇을 살펴야 합니까?
  • 프로젝트 기반 디지털 스토리텔링 캡스톤에서 학생들의 아이디어는 그들의 완성된 작품보다 더 독창적으로 평가되었습니다. 어려운 학습은 실제로 어디에 놓여 있습니까 — 아이디어를 만들어 내는 것, 아니면 그것들을 통합하는 것?
  • 음악 교육 검토는 Suno와 Udio 같은 자율적 생성기를 Continuator 같은 상호작용적 작곡 보조 도구와 구별하며, 오직 후자만이 교육적으로 생산적이라고 주장합니다. 동의하십니까? 그 구별의 기준은 무엇입니까?
  • 말레이시아의 디자이너들은 기계 산출물의 1차적 형태 생성자에서 비판적 큐레이터로 전환하는 것으로 묘사됩니다. 그것이 목적지라면, 1학년 디자인 강좌가 먼저 가르쳐야 할 것은 무엇입니까?
  • 맹인이거나 저시력인 현악 연주자들은 시각적 시연을 이용할 수 없기 때문에 촉각과 고유수용감각으로 활을 쓰는 법을 배웁니다. 화면을 기본으로 하는 예술의 피드백 시스템에 대해 그것은 무엇을 시사합니까?

들어가며

이 학문들이 공유하는 것은 학습의 장소로서의 스튜디오 또는 리허설실이며, 만들어진 산출물과 그 이면의 과정이 평가의 대상이라는 점입니다. AI는 여러 형태로 들어옵니다: 건축과 인테리어 디자인 스튜디오의 이미지 생성기, 음악의 작곡 및 분석 도구, 몰입형 환경 안의 공간적 파트너, 서면 분석의 자동 채점 도구, 그리고 무대 조명에서는 말로 한 교수 의도를 실행 가능한 시연으로 바꾸는 교수자용 보조 도구. 아래 절들은 연구가 보고하는 것을 추적한 다음, 기량·평가·접근의 횡단적 질문들을 이끌어 냅니다.

이 페이지는 스튜디오 및 공연 예술 과목의 학문적 본거지이며, 이웃 페이지들보다 좁습니다. 학문 분야별 AI 교육는 모든 과목에 걸쳐 AI 교육 연구가 영역을 인식해야 한다는 일반적 주장을 담고 있으며, 이 페이지는 만드는 것에 특유한 것에 관한 것입니다. 창의성는 발산적 사고, 단일 모형 지원의 동질화 위험, 학습자의 생성적 행위 보호 등 — 수학과 창작 코딩을 포함하여 — 인지가 나타나는 모든 곳의 인지적 구성물을 다룹니다; 이 페이지는 창작 생산이 곧 교과인 학문들을 다룹니다. 디자인 씽킹은 이전 가능한 기술로서 일반 교수법인 발상과 사용자 중심 문제 틀 짓기를 다룹니다; 이 페이지는 그 과정이 가르쳐지고, 지도받고, 판단되는 스튜디오들을 다룹니다. 인문사회과학 교육은 텍스트 중심 영역에서의 해석, 저자됨, 논증을 다루고 예술을 그 구성 영역에 포함합니다; 여기서 예술과 미디어는 그 해석적 틀에서 들어내려져 물질적·공간적·음향적·공연적 실행에 초점을 맞춥니다. 디자인 교육은 이 같은 영역에서 전문적 절반을 잘라냅니다: 이 페이지는 만드는 것이 공유된 특성인 스튜디오 및 공연 예술을 포괄하며, 디자인 교육은 제품·서비스·상호작용·인테리어·건축 디자이너를 위한 더 좁은 형성 파이프라인 — 포트폴리오 평가, 인증 기대, 취업 가능성 — 을 따르고, 산출물 자체가 아니라 산출물 이면의 스튜디오 과정을 평가의 대상으로 삼습니다.

생성 AI 아래에서의 스튜디오 교수법과 비평

생성 도구는 기존 의식을 통해 이 학문들에 도달합니다: 공개적으로 만들어진, 미완성으로 보여진, 비평받는 작업. 자료들이 보여 주는 것은 AI가 그 과정의 중간을 가장 믿을 만하게 바꾸고 끝은 가장 덜 바꾼다는 것입니다. GenARch 연구에서 Xiao 외(2026)는 생성 AI와 다중 사용자 XR 파이프라인을 실제 학부 건축 디자인 스튜디오에 넣어 보완적 분업을 발견했습니다: 생성형 AI는 아이디어를 외현화하여 팀이 가리키고, 비교하고, 논쟁할 구체적인 것을 제공한 반면, XR은 팀이 비례, 인접성, 조명, 부지 맥락을 실제 규모에서 판단하게 하여 평가를 뒷받침했습니다.

이 도구화는 과정의 양 끝에서 서툴렀습니다. 시작에서 팀들은 프롬프트에 담을 아이디어가 아직 없었고, 나중에는 더 풍부한 개념이 프롬프트를 쉽게 만들었으나 제약 준수에 대한 기대를 높였으며, 정밀도가 중요할 때 학생들은 SketchUp과 Revit으로 돌아갔습니다. 그들은 치수 충실도 실패 — "10 피트짜리 3D 모형 벽을 만들어 달라고 했는데, 10 피트가 아니었어요" — 몇 초에서 몇 분에 이르는 애셋 지연, 팀원들이 모형의 다른 부분을 볼 때 표류하는 공유 주의를 보고했습니다. 모든 참가자에게 헤드셋을 주는 것만으로는 조율된 협업이 생기지 않았습니다.

스튜디오의 책무는 실제로 바뀌었습니다. 디자인 스튜디오에서의 생성 모형에 대한 종단 연구에서 Gül 외(2026)는 초기 발상에서 시각적 자극으로서 생성 AI를 쓰는 것과 개발 중 해결 공간을 확장하는 조합적 활용을 구별하며, 교수법적 문제를 접근이 아니라 역량에 위치시킵니다: 모형들을 구별하고 의도적으로 사용할 분별이 없으면, 풍부한 산출은 디자인 고착과 미적 고착을 만들어 냅니다. 그들의 결론은 교수자의 역할을 기량을 전달하는 것에서 창작 탐구를 언제, 어떻게, 왜 위임할 것인지 코칭하는 것으로 옮깁니다.

건축, 공간 및 인테리어 디자인

Derby 포커스 그룹 연구는 스튜디오에 더 유리한 결과를 줍니다. Kapsalis(2026)는 Level 3–5 건축 학생 여덟 명으로 된 두 그룹을 90분 세션에 넣었는데, 주거용 인테리어에 미세 조정된 로컬에서 실행되는 이미지 생성 및 편집 워크플로를 사용했습니다. 학생들은 세션당 약 80개의 이미지를, 한 사람당 약 10개씩 만들었고 수용률은 60%를 넘었습니다. 창작 소척도에서 자가 보고한 아이디어 생성(4.5)과 실험(4.2)이 가장 높게 나온 반면, 최종 의사결정의 정련(3.7)은 덜 고르게 뒷받침되었습니다 — 어떤 학생은 도구가 고려하지 않은 조합을 떠올리게 한다고 한 반면, 다른 학생은 개념에 맞지 않는 세부 사항으로 주의를 분산시킨다고 했습니다. 저자는 이것을 디자인 사고를 대체하지 않으면서 창작 탐색 공간을 확장하는 구성주의적 "마이크로월드"로 틀 짓고, 건축 학생의 거의 70%가 이미 독립적으로 AI 도구를 쓰며 95% 이상은 공식적인 AI 교육이 전혀 없다고 보고한다는 설문 증거를 지적합니다.

인테리어 디자인은 전문적 형성의 질문을 가장 날카롭게 제기합니다. Syed Abdul Rahman(2026)은 말레이시아 디자이너들이 기계 산출물의 1차적 형태 생성자에서 비판적 중재자이자 큐레이터로 전환하고 있으며, 시각화 플랫폼이 일정을 압축하고 예산 안에서 만들어 낼 수 있는 선택의 범위를 넓힌다고 서술합니다. 고객 선호에 대한 경험적 연구(Lan 외, 2025)를 인용하며, 이 문서는 미적 기준이 지배할 때 AI 산출물이 독특성에서 높이 평가되지만 기능적·인체공학적·맥락적 요구가 강조될 때 인간 디자이너가 명확한 우위를 유지하며 — 생성된 디자인은 종종 열대 기후, 다세대 거주, 이슬람 공간 원칙을 협상하는 시장에서 문화적 특수성, 기후 대응성, 신뢰할 만한 시공 가능성이 부족하다고 지적합니다. 이 문서의 교과 권고는 대체가 아니라 순서화입니다: 생성적 탐구에 앞서 CAD/BIM, 시공 지식, 인간 요인을 가르치고, 시각적 품질과 함께 비판적 사고과 윤리적 성찰을 평가하라는 것.

음악과 공연 예술

음악은 여기서 생성 AI 이전에 시작된 경제 변화에 가장 노출된 예술로 다루어집니다. Briot(2026)는 비물질화가 생성 모형이 상업적으로 관련성을 갖기 훨씬 전에 녹음 음악의 단위당 가치를 대략 두 자릿수 붕괴시켰고, 스트림당 수익이 여전히 \0.003–0.003–\\0.005 정도이며, 생성 AI는 그러한 가치 모형을 만드는 것이 아니라 이미 망가진 것을 연장한다고 주장합니다. 교수에 중요한 그의 구별은 텍스트 프롬프트로부터 완결되고 양식적으로 정합적인 곡을 내지만 구조가 불투명하고 통제 불가능한 Suno와 Udio 같은 자율적 생성기를 — 음악가가 제약을 부과하고 의도성을 유지하며, Continuator가 즉흥 파트너로서 연주자의 양식을 실시간으로 학습하는 — FlowComposer와 Continuator 같은 상호작용적 작곡 보조 도구와 대비시키는 것입니다. 오직 그 두 번째 종류만이 교육적으로 생산적인데, 첫 번째는 학생들을 기계 산출물의 소비자로 위치시키기 때문입니다. 권장되는 교과는 제작과 DAW 능숙도를 핵심 역량으로 만들고, 대체에 가장 잘 저항하는 구체화된 사회적 차원으로서 앙상블 공연을 옹호합니다.

음악의 평가는 자동화로 밀리고 있으며, 주목할 만한 한계가 있습니다. Lin, Jin and Min(2026)은 화성, 형식, 추리, 용어에 걸친 대학 수준 음악 분석 응답 300건에 대해 GPT-4o-mini를 교사 평균 점수와 비교 벤치마킹하여, 퓨샷 연쇄 사고 프롬프트가 교사 평균과 가장 강하게 정합했고 검색 증강이 체계적으로 과대 채점했음을 발견했으며, 추리보다 용어에서 정합이 더 약해, 저자들은 전략별 보정, 차원 수준 검증, 인간 감독의 지속을 주장합니다.

성악 교수법은 측정 대 가치 문제의 가장 명료한 진술을 제공합니다. Li(2026)는 AI 보조 성악 교육이 음정, 안정성, 비브라토, 박자를 얼마나 정밀히 측정하는지로 판단되어서는 안 된다고 주장하는데, 동일한 측정된 편차가 기술적 부정확, 표현적 억양, 또는 녹음 아티팩트를 가리킬 수 있고, 측정 가능한 산출물이 학습자의 구체화된 협응을 나타내지 않기 때문입니다. 이 프레임워크는 AI가 가시적으로 만드는 증거, 그것을 해석하는 인간 학습 과정(신체 인식, 메타인지적 모니터링, 자기조절 연습, 동기), 그리고 그 뒤따르는 결과를 구별하며, 효과성, 형평성, 지속가능성으로 판단합니다. 장애를 지닌 음악가를 위한 악기 교수는 구체화의 논점을 한 걸음 더 나아가게 합니다: Shi 외(2026)는 고급 맹인 및 저시력 현악 음악가 네 명과 교수 세 명과 함께 연구하여, 활을 쓰는 현악 기법이 전통적으로 시각적 시연으로 가르쳐지며 — 이 학습자들에게는 이용 불가능하며 — 촉각적·운동감각적 단서가 그것을 대신함을 발견했습니다. 그들의 설명에 따르면, 포용적 교수는 장애 학습자들을 위해 나중에 덧붙여지는 것이 아니라 그들과 함께 만들어져야 합니다.

무대 및 공연 기술은 AI 보조 교수가 가장 구체적으로 설계되고 평가된 곳입니다. Liang 외(2026)는 레이저 포인터로 고정된 교수자의 말로 한 의도를 검토 가능한 공간 주석, 실행 가능한 조명 시연, 전문 용어 설명으로 바꾸는 대규모 언어 모델(LLM) 보조 VR 시스템 LumiNote를 구축했습니다. 55개의 교수자 프롬프트와 531개의 생성된 행동 쌍에 걸쳐 380개(71.6%)가 적용되었고, 시각 효과가 가장 큰 프롬프트 범주(55개 중 27개)를 이루며 높은 채택률(245개 행동 중 212개, 86.5%)을 보인 반면, 설비별 요청은 가장 약했습니다 — 28번의 거부 중 26번이 "왼쪽 조명" 같은 방향 참조 오독으로 추적되었습니다. 교수자들은 제안을 완성된 수업 계획이 아니라 정련 과정으로 사용했습니다: 후속 조치가 있는 거부되거나 수정된 제안 147건 중 127건(86.4%)이 새로운 프롬프트를 촉발했고 단 하나만이 직접 수동 조정이었습니다. 그들의 업무량은 줄고(NASA-TLX 3.50에서 2.22로) 세션은 짧아졌으며(19분 34초에서 12분 33초로), 노력이 저수준 설정에서 표현으로 옮겨갔습니다. 가장 예리한 발견은 표현 불일치입니다: 교수자들이 전문가적 추론을 외현화하는 데 가장 유용하다고 평가한 단서들은 24명의 학습자가 따를 수 있는 단서들이 아니었는데, 그들은 공간 화살표와 아바타(둘 다 M = 4.58)보다 레이저 포인터(M = 5.50)와 값이 붙은 콘솔 태깅(M = 5.33)을 선호했으며, 비록 학생 결과 측정에서는 유의미한 차이가 나타나지 않았습니다.

시각 예술, 이미지 생성, 디지털 미디어

텍스트–이미지 도구는 스튜디오의 반복적 워크플로가 가장 직접적으로 걸려 있는 사례이며, 증거는 득이나 실의 단순한 이야기가 아닙니다. Liu, Meng and Zhang(2026)은 예술 및 디자인 학생 417명을 교수 포커스 그룹 및 면담과 함께 조사하여, 성과 기대, 사회적 영향, 새로움의 가치, 창작 역량이 모두 텍스트–이미지 도구 사용 의도를 정적으로 예측한 반면 노력 기대와 촉진 조건은 부적으로 예측함을 발견했습니다 — 저자들은 이것을 용이성과 이용 가능성이 지속적 참여보다 빠른 산출을 가능하게 하는 강좌 과제에서의 지름길 지향적 사용으로 읽습니다. 주목할 만한 결과인 그들의 역량 역설은 이렇습니다: 창작 역량은 의도를 뒷받침하지만, 학생들이 저자됨, 독창성, 기술 보존을 효율성과 맞바꾸면서 더 선택적이고 절제된 실제 사용도 예측합니다. 그들은 창작 과정, 프롬프트 작성, 산출 평가를 둘러싼 AI 리터러시를 다루는 교수법을, 스튜디오 과정과 노력을 평가 대상으로 삼으며 주장합니다.

디지털 미디어 제작은 구조화된 과정이 할 수 있는 것을 보여 줍니다. Tian 외(2026)는 15주 프로젝트 기반 디지털 스토리텔링 캡스톤 "Creative Shanzhou"를 연구했는데, 약 1:9 비율로 48명의 멘토 지도를 받은 426명의 최종 학년 학부생들이 지역 문화유산을 멀티모달 AI 서사로 옮겼습니다. 결과물 92점에 대한 전문가 평가는 독창성이 가장 강했고(M = 4.21, SD = 0.72), 다음으로 효과성(3.96), 전체성(3.68)이었으며, 43%의 프로젝트가 전체성에서 3.5 미만이었습니다 — 학생들은 아이디어를 통합하는 것보다 독창적인 아이디어를 더 성공적으로 만들어 냈습니다. 31명의 애니메이션 하위 그룹에서 도형 창작 사고 점수는 77.23에서 94.68으로 상승했습니다(평균 차이 17.45, t(30) = 4.55, p < .001, Cohen's d = 0.82). 분석된 프로젝트 전반에 걸쳐 AI는 정보 정리자, 시각적 참고 자료, 발상 보조 도구, 편집 도구로 기능했으며, 학생들은 주제 선택, 서사 해석, 문화적 의미 구성, 최종 결정을 유지했습니다. 가장 높은 점수를 받은 사례는 AI 다듬기가 아니라 원천 자료와의 지속된 인간 참여에 그 정합성을 돌렸습니다. 이 프로젝트는 3일간의 공개 전시로 마무리되었고, 31점의 작품이 지역 문화관광국이 맡아 갔습니다.

직업 디자인에서 몰입형 환경은 더 유리한 반대 사례를 제공합니다. Jin 외(2027)는 AI 지원 몰입형 가상 환경 안에 에이전트 교수 보조 도구를 둔 AI-IVE-PBL — 프로젝트 기반 학습 — 을 1학년 직업 인테리어 디자인 강좌에서, 발견·구상·모형화·소통·정련의 5단계 순환으로 구현했습니다. 12주 두 집단 준실험(63개의 유효 응답, 31 대 32)에서 몰입형 + 에이전트 조건은 사전 검사를 공변량으로 한 ANCOVA 아래 디자인 능력(η²p = .138)과 창작 능력(η²p = .111)에서 더 높게 나왔고, 인지적(d = 0.90) 및 행동적(d = 0.75) 참여, 동기(d = 0.74), 만족도(d = 0.69)를 끌어올리면서 보고된 인지 부하(d = −0.52)는 낮췄습니다. 혁신적 사고와 정의적 참여는 기대된 방향으로 움직였으나 유의미성에는 이르지 않았습니다. 모든 결과는 자기 보고였고, 수행 산출물이나 전문가 평가가 없었는데, 이것이 저자들이 자신들의 결과를 위의 건축 스튜디오 연구와 대비하는 이유입니다.

기량, 기술, 창작물의 평가

기량의 질문은 여러 형태로 나타나며, 자료들은 얼마나 걱정해야 하는지에 대해 의견이 갈립니다. Kapsalis(2026)는 입문 수준에서의 수평화 메커니즘을 보고합니다: 자신을 그림에 약하다고 묘사한 학생들은 그 도구가 판단의 필요성을 없애지 않으면서 시각적 표현으로의 접근을 열어 주었음을 발견했습니다. 이에 반해 Syed Abdul Rahman(2026)은 비판적 채택이 기초적 공간 추론, 물질 지식, 독립적 비판적 평가가 없는 졸업생을 낳는 위험이 있다고 경고하며, 초기 경력 실무자들 사이의 기술 상실 방지를 핵심 규제 관심사로 지목합니다. 이 의견 불일치는 부분적으로 순서화에 관한 것입니다: 둘 다 생성적 탐구에 앞서 기술적 기초를 선호합니다.

일관된 것은 평가되는 것이 재배치된다는 점입니다. Derby 연구는 세션 내 절차적 자신감을 5점 중 3.7로 측정했지만 스튜디오 밖에서 그 기술들을 전이할 자신감은 2.6에 불과했습니다 — 이 간격을 저자는 단일 세션 노출 탓으로 돌리며 교과 수준의 문제라고 부릅니다. 말레이시아 분석은 AI와 비 AI 디자인 경로의 비교 평가를 요구하는 스튜디오 프로젝트와, 시각적 품질과 함께 비판적 사고를 보상하는 기준을 권장합니다. 음악의 자동 채점 결과도 같은 방향을 가리킵니다: 교사 평균과의 정합은 차원별로 달랐고, 저자들은 완전한 위임이 아니라 인간 감독을 고집합니다. Li(2026)는 측정된 산출물을 그 자체로 교육적 가치로 다루는 것이 성악 훈련을 산출 교정과 점수 최적화로 좁힌다고 덧붙입니다. 수렴하는 제안은 다음과 같습니다: 완성된 산출물이 더 이상 그것들을 입증하지 않기 때문에, 창작 평가는 과정, 반복, 정당화된 의사결정을 정확히 계속 살펴야 한다는 것입니다.

예술 학습에서의 접근과 포용

예술에서의 접근성는 규정 준수라기보다는 설계와 물질적 실행의 질문으로 다루어집니다. Shi 외(2026)가 가장 명확한 사례입니다: 활을 쓰는 현악 기법이 전통적으로 시각적 시연으로 가르쳐지기 때문에, 맹인 및 저시력 음악가들은 촉각적·운동감각적 경로에 의존하며, 이 연구의 장애 주도 공동 설계는 시각적 기본값에 볼트로 덧붙인 적응이 아니라 그 음악가들 자신의 실행에 뿌리내린 전략을 만들어 냈습니다.

다른 두 발견은 생성 도구를 균등화 장치로 보는 단순한 이야기를 복잡하게 만듭니다. Derby 연구에서 참가자의 약 3분의 1이 장애를 밝혔고 거의 5분의 1이 특정 학습 곤란을 보고했습니다. 포용성 항목들은 3.8–4.1에 모여 있었고 세션이 접근 가능하다고 느끼는 것(ρ = .74)과 이전 AI 사용과 무관하게 따라가는 것(ρ = .81)과 강하게 상관했으며, 그림에 덜 자신 있는 학생들은 불리하다고 느끼지 않는다고 보고했습니다 — 단일 90분 세션에서의 미미한 균등화 효과이며, 입증된 학습은 아닙니다. LumiNote의 표현 간극은 다른 면을 보여 줍니다: 전문가가 자신의 추론을 외현화하도록 돕는 단서는 초보자가 따를 수 있는 단서가 아니어서, 교수자에게 잘 봉사하는 설계가 학습자를 표류하게 남길 수 있으며, 저자들은 LLM을 둘 사이를 번역해야 하는 중재 계층으로 위치시킵니다. GenARch 연구는 관련된 형평성 결정을 기록합니다: 자료 수집 후 기술들은 대조 학생들에게도 제공되어 박탈되지 않았습니다. 생성 모형이 누구의 미적·문화적 참고를 재생하는지, 그리고 디자인 서비스에 대한 더 넓은 접근이 수요를 확장하는지 아니면 중간 시장 경쟁을 심화하는지는 말레이시아 분석에서 제기되며 미해결로 남아 있습니다.

연결된 개념

연결된 문서

메타데이터

수준Higher Ed
대상 독자Instructors, Learners, Instructional Designers, Curriculum Designers
학습과 교수창의성, 구현된 학습, 프로젝트 기반 학습
기술과 기법멀티모달 AI
평가와 측정실제적 평가
교육에서의 인공지능 기초디자인 씽킹
SourceHistoryEditChat

이 페이지 삽입

아래 코드를 복사하여 학습 관리 시스템이나 다른 웹사이트에 이 페이지를 삽입하세요. 삽입된 버전은 페이지 콘텐츠만 표시하며, 사이트의 헤더, 내비게이션, 푸터는 숨겨집니다.