AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

실제적 평가

생성일 2026-08-13 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

실제적 평가 — 고립되고 표준화된 시험 문항이 아니라 가치 있고 현실적인 지적 과제에 대한 학생 수행을 살피는 평가의 설계입니다. Wiggins(1990)가 표준화 시험에 대한 균형추로 제안한 이래, 실제적 평가는 직무 과제의 재현에서 전문적·디지털·개인적·사회적 실제성을 아우르는 다차원적 프레임워크로 진화했습니다. 생성형 AI는 실제적 평가를 새롭게 필수적인 것으로 만들었습니다. 언어 모형이 과외 수행 환경에서 설득력 있게 모방할 수 있는 모든 과제는 원래 학생의 역량을 보여 주는 증거로서 타당성을 잃기 때문에, 실제적 형태는 AI가 설득력 있게 위조할 수 없는 것을 중심으로 재설계되어야 합니다.

생각해 볼 질문들

  • 실제적 평가는 고립된 시험 문항이 아니라 가치 있고 현실적인 지적 과제에 대한 수행을 살핍니다. 읽기 전에, '실제적인' 과제란 단순히 현실 세계나 직무 시나리오를 재현하는 것이라고 가정하셨나요? 이 페이지는 실제성이 단순한 재현을 훨씬 넘어 진화했다고 주장합니다. 어떤 다른 형태가 가능할까요?
  • 핵심 주장은 언어 모형이 과외 수행 환경에서 설득력 있게 모방할 수 있는 모든 과제가 원래 학생 역량의 증거로서 타당성을 잃는다는 것입니다. 여러분의 교수나 학습에서 이제 '위조 가능하다'고 보게 된 평가는 무엇이며, 그렇게 말하는 이유는 무엇인가요?
  • 이 페이지는 두드러진 격차를 짚습니다. 37편의 연구 중 단 3편만이 사회적 실제성, 즉 평가가 학생이 사회 변혁에 기여하도록 돕는지를 다루었습니다. 실제성의 사회적 차원이 이토록 방치되는 이유는 무엇이며, 그것을 평가한다는 것은 실제로 어떤 모습일까요?
  • 지식베이스는 실제성이 '재설계되어야 하며 단속되어서는 안 된다'고 주장합니다. 학생이 루브릭을 공동 집필하고 무엇을 어떻게 제출할지 선택하며 실시간 상호작용에 참여할 때, AI 사용은 숨겨진 것이 아니라 기대되고 선언되는 것이 됩니다. 그것이 학생과 평가자의 관계를 어떻게 바꿀까요?
  • 구두 시험과 과정 기반 포트폴리오는 AI에 잘 견디는 실제적 형태로 제시됩니다. 그러나 채점되는 성찰과 자기평가는 수행적으로 변할 위험이 있습니다. 학생이 요구된다고 생각하는 성찰을 연기하는 것입니다. 진정한 성찰이 되도록 설계하려면 어떻게 해야 할까요?
  • AI가 루브릭과 피드백과 감시를 모두 공급할 때, 이 페이지는 학생의 메타인지적 실천이 밀려날 수 있다고 경고합니다. 도구가 평가를 대신한다면, 학습자가 실제로 연습하거나 배울 것은 무엇이 남을까요?

들어가며

실제적 평가는 평가가 AI 시대에 어떻게 다시 생각되고 있는지의 중심에 있습니다. 이는 평가 타당도(평가가 주장하는 것을 측정하는가?), 형성평가(학습에 정보를 주는 실제적 과제), 학문적 진실성(탐지에서 AI 사용이 기대되고 선언되는 과제 설계로의 이동)와 연결됩니다. 이것은 지식베이스의 평가 재설계 문헌에서 핵심적인 대응입니다.

실제성의 진화

  • 1990년대 기원 — 가치 있는 지적 과제: Wiggins(1990)는 실제적 평가를 "가치 있는 지적 과제에 대한 학생 수행"에 대한 직접적인 검토로 제시하며, 표준화 시험에 대한 균형추로 삼았습니다.
  • 1990년대 후반의 수용 — 직무 재현: Joughin(1998)은 실제성을 평가가 전문적 실천이나 실제 삶을 재현하는 정도로 규정했으며, 이 관점이 20년간 지배했습니다.
  • 2020년대 비판 — 재현을 넘어서: McArthur(2023)는 실제적 평가가 기존 과제를 단순히 재현하는 데 그치지 않고 학생이 "미래에 영향을 주고 사회를 변혁할" 수 있게 해야 한다고 주장했습니다. Ajjawi 외(2024)는 실제성을 학생 경험을 반영하는 맥락적·과제적·개인적 형태로 넓혔습니다.
  • 존재론적 도전으로서의 생성형 AI: Zhan, Boud & Du(2025)는 생성형 AI가 직무 재현형 실제성을 새롭게 취약하게 만든다고 지적하며, 디지털 리터러시, 실시간 협업, 사회적 기여, 그리고 AI가 설득력 있게 위조할 수 없는 개인적 의미 구성으로의 전환을 이끈다고 말합니다.

여섯 차원의 설계 모형

Zhan, Boud & Du의 (2025) 범위 검토(2000–2024년의 실증 연구 37편)는 여섯 가지 설계 차원을 제안합니다. (1) 평가에서의 실제성(평가적·전문적·디지털·자기·사회적 실제성. 사회적 실제성은 37편 중 단 3편만 다루어 결정적인 격차입니다), (2) 인지적 도전, (3) 평가 준거(학생이 흔히 루브릭의 수동적 수령인이지 공동 집필자가 아닙니다), (4) 피드백(형성적 성격이 지배적이나 지속가능한 피드백은 드뭅니다), (5) 학생 주체성(무엇을·어떻게·언제·어디서 제출할지 선택하는 일은 드물었습니다), (6) 사회적 협업입니다. 또한 AI 도구가 운영화할 수 있는 순환적 공동 설계 모형 — 목표 협상, 맥락 구성, 준거 공동 설계, 피드백 계획 — 도 제안합니다.

Dollinger과 Nieminen(2026)는 이 낙관론을 포용적 평가의 역설로 제한합니다. 수용 모형과 평가를 불가능하게 만드는 것으로 재규정하는 구조적 비판 모두 "한 학생이 성공하려면 다른 누군가가 실패해야 한다"는 제로섬 논리를 온전히 남겨 두기 때문에, 분산되고 에이전트적인 형태는 접근성을 넓히는 데 그치지 않고 그 논리 자체를 바꾸어야 합니다.

AI 시대의 실제적 평가

지식베이스의 평가 재설계 문헌은 실제성이 재설계되어야 하며 단속되어서는 안 된다고 주장합니다.

  • Beyond Detection은 실제성이 단속으로 존재할 수 없다고, 설계되어야 한다고 주장합니다. AI를 부정행위의 응용이 아니라 선언된 협력자로 자리매김하고, 감시보다 실제적이고 과정 중심의 평가를 우선시하는 것입니다.
  • Responsible Assessment는 타당성 증거와 학생의 미래 업무를 반영하는 실제적 과제를 중심으로 평가를 재규정합니다.
  • Authentic products, authenticated processes는 AI가 풍부한 고등 교육이 진정한 산출물과 그것을 만들어 낸 과정을 모두 어떻게 평가할 수 있는지를 살핍니다.
  • AI 초안 작성 파트너가 있어도 판단은 남습니다. Paula 외(2026)는 여덟 명의 조정자와 함께 GPT-4.1 평가 설계 도구를 시범 운영했습니다. 이 도구는 쓸 만한 개요, 과제, 준거, 일정, 루브릭을 산출했지만 반복해서 전공 맥락과 주제 배열을 놓쳤고, 여덟 명 모두 처음부터 끝까지의 자동화를 거부하며 학문적 판단이 모형이 아니라 사람에게 있음을 확인했습니다.
  • 도구 불변 프레임워크는 도구 특유의 산출물이 아니라 계산적 방법과 과정을 구두 변론과 검증을 통해 평가할 것을 주장합니다.
  • 과정 증거를 위한 제도적 기반. 위탁받은 품질보증 프레임워크는 과정 논증을 정책으로 바꾸어, 시간 도장이 찍힌 수정 내역, 자원 사용, 메타인지적 프롬프트 같은 학습 과정의 흔적을 성적증명서가 보여 줄 수 없는 지속적인 증거로 다루며, 산출물 특징만이 아니라 과정 특징이 수행의 더 많은 분산을 설명한다는 근거를 인용합니다(Lodge 외(2026)).
  • 확장 가능한 구두 평가, 채점상 주의사항 있음. Pentland, Lowenthal & Krier(2026)는 시간 제한이 있고 다시 볼 수 없는 녹화 응답을 내장 루브릭에 맞춰 채점하게 하여, 학생들이 대면 객관식 시험보다 더 높은 점수를 받았음을 발견했습니다. 이는 학습 성과가 아니라 형식 효과임을 강조하며, LLM 재채점이 교수자와 ICC = 0.73과 0.60에서 일치했습니다.
  • 구두 시험 재고는 구두 시험·평가를 본질적으로 AI에 잘 견디는 저기술적 대안으로 자리매김합니다. 실시간의 상호적 대화는 암기가 아니라 이해, 비판적 사고, 추론을 검증하고, 전문적 실천을 반영하며, 학생이 AI로 답을 생성해 외우는 것을 막습니다. 이 논문은 명확한 루브릭, 표준화된 내용, 평가자 훈련, 프롬프트 지침, 편향 완화라는 구체적 실천 권고를 제공하며, 구두 평가를 고등학교와 고등 교육에 되돌릴 것을 제안합니다.
  • 전자 포트폴리오 평가는 AI 위조에 저항하는 또 다른 실제적·과정 중심 형태입니다. Zhan, Boud & Du(2025)는 사회적 기여 포트폴리오를 생성형 AI에 가장 강건한 실제적 형태로 짚으며, Beyond Detection은 추론을 실시간으로 파고드는 주석이 달린 포트폴리오와 녹화된 해설을 권합니다. Ni와 Lam(2026), Laksana 외(2026)는 생성형 AI가 포트폴리오 과정 — 피드백, 초안 작성, 성찰 — 을 도울 수 있음을 보여 주며, 포트폴리오의 추론 흔적과 초안이 실제성을 보존합니다.
  • 실제성 준거 자체가 AI 사용을 억제할 수 있습니다. Chen과 Zou(2026)는 학생이 조별 발표를 자신의 직접적인 교수 경험에 근거에 붙이고 공유된 교실 관찰을 성찰하도록 요구하는 루브릭이 열다섯 개 학생 조 중 일곱 조로 하여금 GenAI 사용을 의도적으로 줄이게 했다고 발견했습니다. 학생들은 그 도구가 인식론적 요구를 충족할 수 없다고 — "AI는 당신이 타이핑할 때 그 순간만 안다"고 — 주장했는데, 도구가 동급생과 교수자가 가진 종단적이고 상황 속의 지식을 결여했기 때문입니다. 두 층위가 모두 중요했습니다. 과제의 실제성과 집단에 자신의 사유를 기여하는 관계적 실제성이었고, 이는 많은 AI 사용을 동료에 대한 무임승차로 재규정했습니다. 설계상 시사점은, 실제적이고 경험에 근거한 준거가 강제 없이도 평가적인 일을 한다는 것입니다. 그것은 정책 문장이 줄 수 없는 자제의 이유를 공급합니다.
  • 취약한 과제와 덜 취약한 과제를 짝지으십시오. Roe, Perkins & Giray(2026)는 GenAI에 취약한 과제와 같은 결과를 평가하는 두 번째 과제를 짝짓고, 서로 교차 검증할 수 있도록 가깝게 일정을 잡으며, 확인적 임계값이나 가중치를 통해 점수를 상호의존적으로 만듭니다.

Sharma(2026)는 정직성 중심 설계와 실제적 설계가 같은 것이 아니며, 그 차이가 양식이 아니라 인식론적이라고 주장합니다. 실제성은 과제가 가치 있는 현실의 실천을 반영하는지를 묻고, 정직성 중심 설계는 학습자가 자신의 결정을 정당화하고 학문적 기준에 비추어 책임을 질 수 있는지를 묻습니다. 이는 정직성을 현실주의의 부차적 산물이 아니라 과제 구조에 내장된 명시적이고 평가 가능한 준거로 만듭니다. 그가 제시하는 실천들 — 주석이 달린 결정의 흔적, GenAI가 기여한 주장의 검증, 구두 변론과 대화적 책임, 버전 이력이 있는 초안 차이 — 은 분명히 실제적 평가의 형태이지만, 현실성을 위해서가 아니라 그것이 드러내는 판단을 위해 선택된 것입니다. 이것은 겉으로 실제적이면서도 실질적으로는 위조 가능한 과제에 대한 유용한 교정입니다. 그의 주의사항도 이 페이지에 해당합니다. 문서화된 추론을 요구하는 것은 성찰적 담론에 더 능숙한 학습자에게 특권을 주며, 증거로서의 판단은 "기계적으로 검증 가능한 것이 아니라 관계적이고 상황 속에 남는다"고 했으므로, 그 설계는 고유한 해석-신뢰성 부담을 짊어집니다.

같은 질문은 Thapa와 Lewis(2026)에 의해 재규정되는데, 이들은 과제가 실제로 보이는지가 아니라 과제가 무엇을 인증해야 하는지를 짚습니다. 즉 인식론적 실제성, 평가가 해석과 평가적 판단, 추론, 지식 구성에 대한 진정한 참여를 포착하는 정도입니다. 이들의 논증은 실제성만으로는 생성형 AI를 견디지 못한다는 것입니다. 증거가 감독 없는 단일 산출물인 실제적 과제는, 그것이 대체한 에세이와 똑같은 대체 문제에 노출되기 때문입니다. 추론을 가시적으로 만드는 것은 대신 단계적 제출, 성찰적 정당화, 대화적 참여, 평가적 투명성을 요구합니다. 이들은 위의 주의사항을 설계로 가져옵니다. 성찰적·대화적 과제는 포용적으로 설계되고 스캐폴딩되지 않으면 학문적 자기 진술에 자신 있는 학생들에게 특권을 줄 수 있으며, 그 관계적 작업은 규모가 크거나 자원이 제약된 환경에서 교수자의 정서적 노동을 강화합니다.

실천자들이 단속된 형식으로 후퇴할 때

지식베이스는 실제성이 설계되어야 하며 단속되어서는 안 된다고 주장하며, Goldstein, Marae-Haj와 Zidan(2026)는 실천의 반증을 제공합니다. 예비교사가 자신의 날것 그대로의 AI 생성물을 자기 것으로 제출하여 신뢰 위기가 일어난 뒤, 이스라엘 일곱 개 단과대학의 교사교육자들은 과정 증거(프롬프트, 문서 버전 이력, 감시된 조별 기여)와 수업 중 수행을 중심으로 평가를 재설계했습니다. 그러나 몇몇은 최후의 수단으로 감독된 시험과 논문에 대한 구두 변론으로 후퇴하는 모습을 보였고, 한 참여자는 시험으로의 회귀를 개인적으로 고통스러우면서도 불가피하다고 말했습니다. 설계 우선의 입장에 비추어 읽으면, 이 발견은 해결책이 아니라 실패 양식을 드러냅니다. 실제성이 미리 재설계되지 않은 곳에서는, 평가할 수 없는 제출물에 대한 실천적 대응이 통제의 부활, 즉 다른 이름의 감시이며, 이는 실제적 평가 문헌이 벗어나려는 바로 그 형식들을 되돌려 놓습니다. 그것은 대안이 지닌 체감되는 대가도 보여 줍니다. 참여자들은 과외 서면 평가로 더는 학습을 증명할 수 없게 되었고, 과정 문서화를 세우는 데 진짜 작업이 들었다고 보고했습니다.

재설계 내부에 두 번째 실패 양식이 있습니다. 온라인 언어 교수의 다섯 가지 방법에 걸쳐, 실제성 관련 긴장이 교수자들의 진술을 지배했고(20개 중 11개), 여기에는 AI에 잘 견디도록 재설계되어 실제성이 침식되는 과제 현실성 부식이 포함됩니다(Baoyi와 Khan(2026)).

후퇴는 증거상 대가를 치르며, 그것은 사례 파일 증거가 가시적으로 만듭니다. Munoz 외(2026)는 생성형 AI 부정행위 신고 1,162건을 코딩하여, 가장 강한 증거 유형은 신고가 아니라 조사나 감독에서 생성되며, 초안·감독 회의·발표 같은 과정 증거는 그러한 실천이 이미 존재하는 곳에서만 나타난다는 것을 발견했습니다. 따라서 재설계되지 않은 평가에서는 이 문헌이 권하는 과정 증거가 단순히 존재하지 않으며, 사건은 더 약한 범주에 의존합니다. 그것을 대신하는 것은 그 말뭉치에서 가장 약한 물질입니다. 탐지기 출력은 어떤 범주보다 가장 낮은 증명력 평점을 받았고, Hadra 외(2026)는 이유를 보여 줍니다. 192개의 텍스트에 걸쳐 매크로 정확도가 0.69(Originality)와 0.61(Turnitin)이며, 인간-AI 혼합 글쓰기에서는 거의 전면적 실패를 보이고, EFL 학생의 글을 AI로 잘못 읽는 경향이 경계선상에 있습니다. Wright(2026)는 규칙 설계 차원을 더합니다. 플랫폼 정체성이 아니라 기능으로 쓰인 금지는 정의상 과도 포괄적이어서, 규칙이 막으려 했던 행위를 하지 않은 학생을 단속된 형식이 제재할 수 있으며, 접근성을 위해 전사 도구에 의존한 학생들이 가장 큰 타격을 받습니다. 종합하면, 후퇴는 실제적 설계가 애초에 만들어 냈을 과정 증거 대신 사용 가능한 것 중 증명력이 가장 약한 증거로 대체합니다.

  • 자기조절 학습: 실제적 평가에서의 학생 주체성(선택, 자기성찰, 공동 설계)은 예상 → 수행 → 자기성찰 주기를 반영하지만, 채점되는 성찰은 수행적으로 변할 위험이 있습니다.
  • 메타인지: 학생이 공동 설계한 루브릭에 비추어 자신의 작업을 평가하려면 메타인지이 요구됩니다. AI가 루브릭, 피드백, 감시를 공급할 때, 학생의 메타인지적 실천은 밀려날 수 있습니다.
  • 형성적이고 지속가능한 피드백: 실제적 평가는 이후 맥락으로 전이되는 형성적이고 미래 지향적인 피드백을 강조합니다.

교육에서의 인공지능에 대한 시사점

  • AI에 강건한 평가 유형: 생생한 시연, 사회적 기여 포트폴리오, 감사 가능한 출처를 지닌 공동 제작 산출물, 실시간의 구현된 상호작용은 과외 에세이나 객관식 문항보다 생성형 AI에 더 잘 견딥니다.
  • 그 노출은 측정 가능합니다. 3년제 심리학 학위가 90% 통과 가능한 것으로 드러났습니다. ChatGPT는 40개의 학업 평가 중 36개에서 적절한 출력을 만들어 냈고, 존재감이나 시각적 산출물, 또는 학생 자신의 데이터를 요구하는 네 가지 과제만이 저항했습니다(Ivory 외(2026)).
  • 규모 있는 공동 설계: AI 도구가 교실이나 MOOC 규모에서 루브릭 공동 설계와 평가 매개변수의 학생 공동 제작을 가능하게 할 수 있습니다. 다만 기계를 매개로 한 주체성은 신중하게 설계되어야 합니다.
  • 사회적 실제성 격차를 다루십시오: 37편 중 단 3편의 연구만이 사회적 문제를 다루었습니다. AI 평가 도구는 그것을 모방하는 데 그치지 않고 학생이 사회 변혁에 기여하도록 도와야 합니다.
  • 지속가능한 피드백: AI 피드백은 반응적이고 일시적인 교정만을 제공하지 않고 미래 맥락으로 전이되도록 설계되어야 합니다.
  • 과정 중심 측정은 이제 타당성 증거를 지닙니다. Oliveira 외(2025)는 학생이 GenAI와의 대화를 어떻게 이끌고 학업 지식을 가시적으로 만들었는지에 따라 채점된 에세이 70편에 점수를 매겼습니다. 그 과정 점수는 전통적인 에세이 점수와 r = 0.54로 상관되면서도, 구조화된 과제 명세보다 개념적 작업에 보상을 주었습니다.
  • 실제적 평가는 실천 지향 학문에 적합합니다. Mesny, Roberge-Maltais와 Galy(2026)는 실제적 평가가 경영 교육에 특히 잘 맞는다고 합니다. 실제 전문 문제를 반영하는 과제(현장 컨설팅 프로젝트, 임원 브리핑이 딸린 대시보드)가 그 분야의 실천 지향적이고 고용가능성에 초점을 둔 성격과 맞닿아 있으며, 생성형 AI 시대에 시험 중심 평가에 대한 포용적이고 정직성을 보존하는 대안을 뒷받침할 수 있습니다. 그러나 네 개의 경영 교육 학술지에서 나온 논문 58편의 검토에서 실제적 평가는 주로 기술을 매개로 한 시뮬레이션을 통해 나타났고 경험 학습과 혼동되는 경우가 잦았습니다. 이 용어상 격차는 실제적 평가의 더 넓은 가치와 수용을 흐리게 할 수 있습니다.
  • 실제성은 보안이 아니며, 그 격차는 부문 규모에서 보입니다. 위의 단일 학위 감사에서 학업 평가의 90%가 통과 가능한 것으로 드러난 반면, Villanueva(2026)는 녹화된 발표, 원격 조별 프로젝트, 감독 없는 디지털 산출물을 53,915개 항목에 걸쳐 고노출 영역으로 평가합니다. 생산이 어떻게 감독되었는지에 대해 공적 기록이 아무것도 보여 주지 않기 때문입니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준Higher Ed
학습과 교수메타인지, 자기조절 학습
기술과 기법생성형 AI
평가와 측정평가, 평가 타당도, 실제적 평가, 형성평가, 과정 중심 평가
교육에서의 인공지능 기초학문적 진실성
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.