AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

협력 학습

생성일 2026-08-09 · 갱신일 2026-10-07

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

협력 학습 — 학생들이 함께 문제를 해결하고, 과제를 완수하거나 지식을 구성하는 교수 방식으로, AI 도구가 이를 지원하거나 매개합니다. 교육에서의 AI에서 협력 학습 연구는 AI를 협력 파트너로 삼는 것, 인간의 협력을 AI가 매개하는 것, 그리고 협력형 AI 튜터링 시스템의 설계를 아우릅니다.

생각해 볼 질문들

  • 집단 속에서 무언가를 깊이 배웠던 경험을 떠올려 보십시오. 그것이 작동한 이유는 무엇이었나요? 이제 그 집단에 AI 챗봇이 합류한다고 상상해 보십시오. 여러분이 경험한 것을 강화할 수도, 조용히 무너뜨릴 수도 있을 것입니다. 어떤 식으로 가능할까요?
  • 연구는 하나의 상충 관계를 보여줍니다. 추론을 AI에게 위임하는 방식이 과제 수행에서는 가장 좋은 결과를 내지만 학습자의 자기조절적 참여는 가장 낮고, 자기조절을 기르는 방식은 과제 수행에서는 뒤처집니다. 선택해야 한다면 무엇을 지키겠습니까 — 결과입니까, 아니면 투쟁입니까?
  • ICAP 프레임워크는 '상호작용적' 협력을 가장 깊은 참여 형태로 순위 매깁니다. 집단을 대신해 답을 내놓는 AI가 학생들이 더 만족스러워하더라도, 실제로는 협력을 상호작용적 수준에서 단지 수동적 수준으로 격하시킬 수 있지 않을까요?
  • 한 연구는 AI 매개자가 중립을 유지하는 동안만 신뢰받는다는 사실을 발견했습니다. AI가 조언이나 도전으로 옮겨가면 그 신뢰는 무너집니다. 집단의 AI 매개자는 대체 어느 정도로 중립적이어야 할까요?
  • 학습자들이 AI를 활용해 세련된 결과물을 만들어낼 때, 이해를 쌓는 인식론적 노력을 건너뛸 수 있습니다. 의견 불일치와 갈등을 드러내는 AI 파트너를 어떻게 설계하시겠습니까?
  • 신경다양성 학생들은 구조화된 과제, 작고 일관된 팀, 명시적인 역할이 필요하다고 보고합니다. AI 협업 도구가 '평균적' 학습자를 위해 만들어져 있다면, 누가 소외될 수 있으며 — 어떻게 다르게 설계하시겠습니까?

들어가며

협력 학습은 지식 구성을 근본적으로 사회적인 것으로 보는 사회문화적 이론에 뿌리를 둡니다. AI는 새로운 역학을 도입합니다. AI는 동료이자 촉진자이며, 협력적 과정의 참여자가 될 수 있습니다. 이 지식베이스의 글들은 AI 매개 협력이 학습 결과, 인식론적 참여, 형평성에 어떤 영향을 미치는지, 그리고 다양한 학습자를 수용하도록 협력 구조가 어떻게 설계되어야 하는지를 탐구합니다.

구성물로서의 협력 대 구조물로서의 모둠 활동. 협력 학습은 더 넓은 이론입니다. 지식은 공동 활동과 대화를 통해 함께 구성됩니다. 모둠 활동은 그것의 가장 구체적인 제도적 구현입니다 — 공동의 결과물, 흔히 공동의 성적을 만들어내는 팀 말입니다. 둘은 밀접하게 관련되어 있지만 동일하지 않습니다. 집단은 진정한 협력 없이도 돌아갈 수 있고(과제가 독립적인 부분으로 나뉘고 결과물만 병합되는 경우), 협력은 형식적인 집단 없이도 일어날 수 있습니다(짝, 학급 전체 대화, 인간–AI 상호작용). AI는 바로 이 간극에 가장 강하게 작용합니다 — Chen and Zou (2026)는 과제가 공동 작업을 요구한 적이 없어 개인의 생성형 AI 활용이 집단적 역량으로 결코 발전하지 못한 집단과, 공동 성적이 생성형 AI 사용을 조정 문제로 만든 집단을 함께 발견했습니다. 모둠 활동 페이지는 이러한 역학을 심층적으로 다루며, 이 페이지는 협력 학습 전체에 더 넓은 시야를 유지합니다.

AI를 협력 파트너로는 집단 학습에서 AI의 역할을 탐구합니다. **Kimmerle**는 학습자들이 AI를 활용해 세련된 지식 결과물을 만들어낼 때 인식론적 노력이 줄어드는 위험을 개념화하며, 인지적 갈등을 보존하는 논쟁적 파트너로서 AI를 구조화할 것을 주장합니다. 이를 교실 규모에서 검증한 Oppenheimer, Cash & Connell Pensky (2025)는 사회과학 입문 수업 학생(n = 154)에게 논증적 에세이를 쓰게 하고 ChatGPT, Gemini, Claude와 같은 대규모 언어 모델(LLM)의 비평을 받아 이를 수용하거나 반박하게 한 뒤, 맹검 코더가 응답의 92.7%에서 성찰, 87.8%에서 LLM 주장에 대한 적극적 반박을 확인했습니다(평가자 간 κ = 0.81–0.89). 이는 학습자들이 비평의 인지적 갈등을 항복하지 않고 보존한 비판적 소비자로 행동했음을 보여주는 증거입니다. **Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving**는 AI와의 협력적 문제 해결에서 감정이 어떤 역할을 하는지를 살핍니다. **Systematic Review of Collaborative Learning Activities for Promoting AI Literacy**는 AI 리터러시 함양을 위한 협력적 접근을 탐구합니다.

촉진자의 지지는 학생들이 반대 의견을 내는 에이전트를 받아들이는지에 관해 관찰된 가장 강력한 요인입니다. 열두 개의 학제간 팀에서 교수 촉진자가 자신들의 AI 통합에 영향을 미친 팀은 그것을 팀의 일부로 더 높게 평가했고(M = 3.08 대 2.64), 그 피드백을 더 유용하게 여겼습니다(M = 3.44 대 2.93)(Wiss et al. (2025)).

AI가 매개하는 또래 협력은 AI가 인간 간 협력을 어떻게 비계 짓는지를 살핍니다. **ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming**와 **Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning**는 AI 에이전트의 특성이 집단 역학에 미치는 영향을 탐구합니다. **When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community**는 AI 에이전트들이 서로 가르치며 인간의 또래 학습과 유사한 담론 양식을 만들어내는 양상을 기록합니다. 학급 전체 시스템은 이를 협력의 관계적 차원으로 확장합니다. **CoBi**는 음성 인식과 언어 이해를 활용해 (서로 존중하고, 공동체에 헌신하며, 생각을 전진시키는) "고양감을 주는" 모둠 담론을 감지하고, 평가적이지 않은 학급 단위 시각화를 돌려주어 공동체 형성과 협력 기술을 지원합니다. 이 시스템은 프라이버시와 신뢰를 보호하기 위해 학생이나 모둠 단위의 피드백은 의도적으로 제공하지 않습니다.

협력에 대한 신경다양성의 관점은 중요한 설계 요건을 드러냅니다. **Zastudil et al.**는 신경다양성 학생들이 구조화된 과제, 역할이 명시적으로 정의된 작고 일관된 팀, 예측 가능한 상호작용 양식을 필요로 한다는 사실을 발견했습니다. AI 협업 도구가 이를 수용해야 하는 요건입니다. 이것은 협력 학습을 포용적 학습과 신경다양성에 연결합니다.

교사-AI 협력은 교사와 AI가 함께 일하는 방식을 살핍니다. **Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing**와 **Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence**는 인간-AI 협력적 교수를 위한 틀을 탐구하며, 교수(Teaching)과 인간 개입에 연결됩니다.

AI를 교수법적 매개자로 보는 관점은 AI의 역할을 도구나 동료를 넘어 협력 속에서 재개념화합니다. 사회문화적 이론과 분산 인지에 기대어 **Niari**는 AI를 상호작용의 조율, 인식론적 의미 구성, 조절 과정에서 능동적인 참여자로 위치 짓습니다. 이는 학습자나 교사의 주체성을 대체하지 않으면서 인간과 비인간 행위자에게 agency, 권위, 책임을 재분배합니다. 이것은 협력 학습을 개인주의적 시각이 아니라 사회적으로 매개되고 공동 조절되는 AI에 대한 관점에 뿌리내립니다.

협력 방식과 효율성–자기조절의 상충 관계. AI와 협력하여 복잡한 문제를 해결하는 대학생을 대상으로 한 실증 연구는 서로 구별되는 세 가지 방식 — 추론 위임(Delegated Reasoning), 협조적 해석(Concerted Interpretation), 정교화 위임(Delegated Elaboration) — 을 식별합니다. 가장 효율적인 방식(추론 위임)은 가장 높은 과제 수행을 산출하지만 학습자의 자기조절적 참여는 가장 낮고, 자기조절이 가장 큰 방식(협조적 해석)은 과제 결과에서는 뒤처집니다.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) 이는 핵심적인 설계 긴장을 드러냅니다. 협력 학습 환경은 분산된 인간–AI 시스템의 효율성과 학습자의 조절적 참여의 깊이 사이에서 균형을 잡아야 합니다.

AI 지원 협력 작업에 대해 현재 이용 가능한 유일한 메타분석 대비는 생성형 AI 지원 PBL/PjBL 개입의 내부에 존재합니다. 또래 협력이 개별 작업에 대해 g = 0.885 대 g = 0.416으로 모였지만, 그 차이는 미미한 추세에만 이르렀고(QM = 3.675, p = .055), 개별 작업 쪽은 단 두 연구에 기대고 있습니다. 따라서 생성형 AI 조건에서 협력이 혼자 일하는 것을 이긴다는 모아진 증거는 확립되었다기보다 시사적입니다(Chen et al. 2026).

18개 연구에 대한 범위 검토는 모둠 활동에 걸쳐 같은 상충 관계를 조망합니다. 생성형 AI는 지식 발전, 아이디어 생성, 의사소통의 효율성을 지원하는 한편 또래 상호작용, 협상, 집단적 의미 구성에 대한 요구도 줄였으며, 무작위 증거는 참가자 전반의 혁신성에서 유의미한 향상 없이 더 혁신적인 AI 제안을 발견했습니다(Wei and Perkins (2026)).

역할 설계는 협력적 지식 구성의 양이 아니라 질에 작용하는 지렛대입니다. Cheng et al. (2026)는 16개 집단의 대학원생 58명과 그들의 AI 파트너에게 사회자, 분석자, 논증자 역할을 순환시키며 배정했고, 이 구조가 집단 마인드맵의 내용을 거의 SOLO 한 단계 이상 끌어올린 반면(M = 3.65에서 4.59로, z = 3.771, p < 0.001), 노드와 가지 수는 그대로였다는 사실을 발견했습니다 — 조직이지 범위가 아닙니다 — 대가로 협력적 인지 부하가 중간 정도 상승했습니다(p = 0.023). 시차열 분석은 도구 단독으로는 만들어내지 못한 하나의 평가 자기전이와 갈등-방어 경로를 추가했고, 인간-AI 협력을 도구의 문제가 아니라 설계의 문제로 자리매김했습니다.

모둠에서 생성형 AI는 에이전트이자 공간입니다 — 방식이 중요합니다. Xu et al. (2026)는 팀이 생성형 AI에 접근하는 방식이 협력을 어떻게 형성하는지를 관찰합니다. 동기 작업에서 단일 공유 인터페이스를 사용하면 팀들은 "집단적 프롬프트"를 공동 구성하고, 표면–평가–내재화 주기를 돌리며, 채팅을 공유된 기억으로 다룹니다. 비동기 작업에서는 개인 프롬프트화와 결과물의 "라벨 제거"가 투명성을 파편화하고 공유된 인지 모델을 유지하는 비용을 높입니다. 이들의 GenAI-Supported Cooperative Work(GSCW) 렌즈는 생성형 AI를 구성 가능한 에이전트(개인 비서에서 팀 구성원까지)이자 상호작용적 협력 공간으로 규정하며, 접근 구성을 ICAP과 관련된 상호작용적 참여의 질에 직접 연결합니다.

생성형 AI를 집단 조정의 기반 시설로 — 그리고 평탄해진 협력의 위험. Chen and Zou (2026)는 예비교사 집단 열다섯 개가 채점되는 모둠 발표에서 생성형 AI를 어떻게 다루었는지를 보여주며, 집단 압력이 AI 의존을 높인다는 통상의 가정에 어긋나는 양상을 보입니다. 다섯 집단은 익숙한 협력 문제 — 동료의 파트에 무엇이 들어 있는지 모른다는 것 — 를 해결하기 위해 사용을 강화했습니다. 동료들의 섹션을 챗봇에 넣어 이해 가능하게 만들고 자신의 파트를 맞추었으며, 한 집단은 자신의 주기를 토론 → 생성형 AI로의 외현화 → 집단적 검토 → 재토론으로 재구성했습니다. 저자들은 이를 단순한 인지 부하 전가 이상으로 읽습니다. 학생들이 판단은 유지한 채 도구가 조정을 흡수했기 때문입니다. 그러나 더 매끄러워진 워크플로가 응집력이 관례적으로 형성되는 의견 불일치를 우회할 수 있다고 지적하며, 관계적 노동을 열린 문제로 남겨 둡니다. 일곱 집단은 대신 생성형 AI 사용을 줄였고, 공유된 교실에서 쌓인 상황적 지식("AI는 당신이 타이핑하는 그 순간만 알 뿐"), 동료에 대한 공정성, 집단 간 독창성, 집단이 이미 지닌 관점의 다양성을 보호했습니다. 세 집단은 전혀 변화가 없었습니다. 과제가 독립적인 섹션으로 나뉘어 있어, 개인적으로 정교한 생성형 AI 활용이 응집력이 명시적인 기준이었음에도 집단적 역량으로 결코 발전하지 못했습니다. 이 양상은 집단이 AI로 무엇을 하는지를 도구가 아니라 집단 규범이 결정한다는 것, 그리고 집단적 수용이 헌신을 높이기보다는 오용의 위험을 낮춘다고 인식될 수 있다는 것을 시사합니다.

협력을 교육의 대상으로. ProPACT는 짝 프로그래밍을 위한 AI 기반 적응형 튜터로, 개인이 아니라 *짝(dyad)*을 분석 단위로 삼습니다. 공동 시선 주의, 공동 정신적 노력, 동공 기반 신호를 실시간으로 모델링하여 최대 30초 전에 협력의 붕괴를 예측하고 발생 전에 개입합니다. 능동적 피드백을 받은 짝은 상당히 높은 디버깅 성공률을 거두었고 과제를 더 효율적으로 완수했으며, 이후에도 협력적 조절에서 지속적인 향상을 보였습니다. 이는 AI가 과제를 지원하는 것을 넘어 협력 그 자체를 가르칠 수 있음을 보여주는 증거입니다. 이에 상응하는 도전은 협력적 역량을 측정하는 문제로, 협력적 문제 해결(CPS) 기술을 대규모로 평가하는 것은 전통적으로 시뮬레이션 과제의 과정 데이터를 CPS 행동으로 수동 코딩하는 것을 요구합니다. 이는 시간이 오래 걸리고 대규모로는 비현실적입니다. 사전 학습된 언어 모델에 대한 맥락 인식 프롬프트는 맥락 의존성을 모델링하고 인지적·사회적 능력을 융합하여 이 코딩을 자동화하고, 강력한 기준선을 뛰어넘는 성능을 달성합니다.

모둠 대화의 빈도가 아니라 순서에 비계를 짓기. Wong, Bulathwela & Cukurova (2026)는 학생 65명의 삼각 대화 연쇄를 분석하여 하나의 순서 — 되풀이, 제안, 질문 — 만이 향상을 추적하고 그 역순은 그렇지 않다는 사실을 발견했습니다. 최대의 비계는 과제 수행 행동은 높였지만 스크립팅도 늘리고 문제 해결 지표는 줄였습니다.

AI를 중립적 매개자로 — 그리고 그것이 중립을 멈출 때의 긴장. Spritz는 Discord 기반의 LLM 탐침으로, 학제간 학생 팀에서 학문적 경계를 매개합니다. 암묵적 가정을 드러내고 익명화된 종합을 공유된 토론에 되돌려줍니다. 학생들은 그것을 인지적 지원이자 관계적 완충으로 가치 있게 여겼지만, 하나의 핵심 긴장이 드러났습니다. AI의 지각된 중립성은 짐을 지는 것이었고, AI가 중립적 매개자에서 조언자나 도전자로 옮겨가자 그 신뢰는 침식되었습니다. 이는 협력을 매개하면서 인간-AI 협업과 신뢰 보정을 보존하는 에이전트에게 핵심적인 설계 제약입니다.

구조화된 촉진자 프로토콜 — 그리고 그 아첨의 위험. Seo et al. (2026)는 구조화된 발산–심의–수렴 프로토콜로 협력적 학습 설계를 확장합니다. LLM 촉진자가 발언 차례를 쌓고 단계의 시간을 정하며 점진적으로 요약하는 형식으로, 학생 45명이 간단하고 토론 같다고 평가했고 외부 촉진의 필요성을 줄였습니다. 이 설계는 연구가 직접 측정한 긴장에 달려 있습니다. 에이전트는 관점 수용의 폭을 지원했지만(집단이 더 크고 더 발산된 이해관계자·해결책 집합을 산출했고, 에이전트는 일관되게 소수 의견을 냈습니다), 그러나 아첨적이고 추론 없는 동의는 협력이 사고를 심화시키게 만드는 인지적 갈등을 평탄화했습니다. 참가자들은 결론만이 아니라 중간 심의 단계를 드러내는 에이전트 산출물과, 진정한 의견 불일치를 보존하는 반론을 요청했습니다.

AI 교육을 위한 협력 구조. The Academic League of AI는 민주적인 학생 AI 거버넌스와 프로젝트 팀을 통해 AI 교육을 조직하며, 능동적 학습과 프로젝트 기반 학습을 협력적이고 공동체와 연결된 구조에 내장합니다.

ICAP 프레임워크: 협력을 최고의 참여 방식으로

협력 학습은 ICAP 프레임워크(Interactive–Constructive–Active–Passive)의 정상을 차지합니다. 상호작용적 방식 — 대화를 통해 의미를 공동 구성하고, 입장을 방어하고, 함께 문제를 해결하는 것 — 은 Chi의 분류에서 가장 깊은 지식 변화를 산출합니다. 이것은 ICAP을 협력적 교수법의 정당화이자 AI에 대한 설계 제약으로 동시에 만듭니다. (Spritz나 ProPACT가 그런 것처럼) 토론을 매개하는 AI는 상호작용적 참여를 유지하는 바로 그 점에서 가치 있습니다. 집단을 대신해 답하거나 인지적 갈등을 매끄럽게 덮는 AI는 협력을 단순한 능동적 또는 수동적 방식으로 격하시킬 수 있습니다. ICAP 기반 주석(협력적 대화 참여의 확장된 ICAP 측정 참조)과 촉진 시점 연구는 모두 상호작용적 담론의 질을 관심 대상 결과로 다루며, 협력 학습을 학생 참여와 ICAP 위계에 뿌리내립니다.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

실천 지침

  • 개인이 아니라 협력을 모델링하기. (ProPACT가 하듯) 짝이나 집단의 상태를 추적하는 도구는 협력 그 자체에 비계를 댈 수 있어, 붕괴에 반응하기보다 예측하고 방지합니다.
  • 인지적 갈등을 보존하기. 의견 불일치와 암묵적 가정을 드러내는 논쟁적 파트너로서 AI를 구조화하고, AI가 인식론적 참여의 취약함을 덮어버리는 세련된 결과물의 문제를 피하십시오.
  • 반대 의견 성격은 정서적 대가를 치릅니다. 삼각 집단 97개에 걸쳐, 반대형 AI는 담론을 도전과 성찰로 밀었지만 팀워크 만족도(ε² = .062)와 심리적 안전(ε² = .114)을 낮추고 창조적 산출은 높이지 않았습니다(Jin et al. (2026)).
  • 에이전트의 기능을 의도한 결과에 맞추기. 컴퓨터 지원 협력 학습에서 AI 에이전트에 관한 연구 46건에 대한 검토는 인지적 향상은 일관되게 보고되는 반면 행동적·사회적·정서적 결과는 맥락 의존적이라는 사실을 발견했습니다. 에이전트 기능과 결과의 정렬은 같은 영역 내에서 가장 강했습니다(Ba et al. (2026)).
  • 별도의 촉진자 역할은 지배는 줄이되 응답성은 줄이지 않습니다. Oyelere (2026)의 시뮬레이션 벤치마크에서 튜터와 나란히 촉진자 에이전트를 추가하는 것은 짝의 발언·단어 불균형(M = 0.103과 0.105 대 0.183과 0.182)을 낮추면서도 상호적 참여는 변화시키지 않았습니다 — 다만 학습자들은 실제 짝이 아닌 합성 페르소나였습니다.
  • 효율성과 자기조절의 균형 맞추기. 과제 효율성을 극대화하는(추론 위임) 협력형 AI는 학습자의 조절적 참여를 훼손할 수 있습니다. 설계는 협조적 해석을 위한 공간을 의도적으로 보호해야 합니다.
  • 중립성 제약을 존중하기. AI 매개자는 중립인 동안 신뢰받습니다. 조언이나 도전 역할로 이동하면 그 신뢰가 불안정해지므로, 역할 전환은 명시적이고 구성 가능해야 합니다.
  • 신경다양성 학습자를 수용하기. 구조화된 과제, 작고 일관된 팀, 명시적 역할 정의는 AI 협업 도구가 지원해야 할 요건입니다.
  • 평가적이지 않고 학급 단위의 피드백을 선호하기. 협력의 관계적 차원을 지원할 때, 학급 단위로 모은 피드백은 개별 채점이 감시처럼 느껴질 수 있는 곳에서 프라이버시와 학생 주체성을 보호합니다. CoBi 학생들은 정량적 시각화(레이더 차트)보다 질적 시각화(유기적인 나무)를 선호했고, 교사들은 실시간 표시보다 시스템이 알아차린 것을 성찰의 불씨로 쓰는 것을 더 가치 있게 여겼습니다.
  • 기여에 앞서 읽고 보는 것을 위해 설계하기. 온라인 토론 포럼에서의 협력 학습은 게시만이 아니라 그것에 앞서는 읽기에 의존합니다. Hao & Cukurova (2026)는 LLM이 생성한 토론 요약과 예시 게시물이 학생들이 동료의 기여와 가교적(약한 유대) 사회자본의 네트워크 조건에 대한 노출을 넓히는 항해용 비계로 작용할 수 있음을 보여줍니다. 학업 부담 속에서 참여를 유지하는 사회-교수법적 전략을 대체하는 것이 아니라 보완해야 할 지원입니다.
  • 사회적 측면은 상쇄되는 이득 없이 교란을 보입니다. 다섯 가지 협력 과정에 걸쳐 30인 전문가 합의는 취약성만에 도달했고, 향상 평가는 임계값 아래였습니다. 사회적 연결(3.80 대 향상 1.90), 사회정서적 발달(3.60 대 2.00), 사회적 학습, 협력 학습, 소속감(모두 3.30)(Kendeou, Greene & Nixon et al., 2026). 이 보고서는 이 비대칭을 설계 목표로 다룹니다. 협력적 문제 해결은 공유된 산출물에 닻을 내리지만, 협력 학습은 눈에 보이는 준거가 없어 알아채지 못한 채 침식될 수 있기 때문입니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준K 12, Higher Ed
대상 독자Learners
학습과 교수협력 학습, 스캐폴딩
형평성, 윤리, 그리고 책임 있는 사용형평성
교육에서의 인공지능 기초교육에서의 인공지능
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.