AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

설계 기반 연구

생성일 2026-08-24 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

설계 기반 연구(design-based research, DBR) — 실제 맥락에서 교육적 개입을 반복적으로 설계하고, 구현하고, 정제하는 방법론적 접근으로, 이론과 설계, 그리고 현실의 실천 사이를 순환하며 사용 가능한 산출물과 검증된 설계 원칙을 함께 산출합니다. 교육에서의 AI에서 DBR은 교실의 지저분한 현실 속에서 작동해야 하는 AI 학습 환경, 교수법적 모형, 교사 훈련 프로그램을 개발하는 데 선택되는 방법입니다 — 실험의 인과적 통제를 생태적 진실성과 반복적 정제와 맞바꾸면서.

생각해 볼 질문들

  • 설계 기반 연구는 실제 교실에서 개입을 반복적으로 설계하고, 구현하고, 정제하며, 이론과 실천 사이를 순환합니다. 이것이 통제된 실험과 근본적으로 다른 점은 무엇이며, 교실을 연구하는 연구자가 이것을 선호할 이유는 무엇입니까?
  • DBR은 의도적으로 인과적 통제를 생태적 진실성과 맞바꿉니다. 만약 무엇이 학습 향상을 일으켰는지를 확실히 말할 수 없다면, 그 지식은 여전히 무엇을 할 만한 가치가 있습니까?
  • DBR은 한 번에 두 가지를 산출합니다. 사용 가능한 산출물과 검증된 설계 원칙. 이 두 산출물 중 어느 쪽이 여러분에게 더 중요합니까 — 작동하는 도구입니까, 아니면 다른 곳에 적용할 수 있는 원칙입니까?
  • DBR의 강점은 높은 실천적 관련성이고, 한계는 발견들이 맥락에 얽매어 일반화하기 어렵다는 것입니다. 언제 여러분은 DBR의 발견을 매우 다른 상황에 적용할 만큼 신뢰하겠습니까?
  • 도움받지 않는 통제된 결과 측정이 없으면, DBR의 학습 향상은 그것이 연구하는 바로 그 'AI에 의한 부풀려진 수행' 문제를 반영할 수 있습니다. DBR 연구가 보고하는 향상이 실제로 학습을 의미하고 지원된 수행이 아니게 하려면 어떻게 설계하시겠습니까?

들어가며

DBR은 데이터가 아닌 설계 전통입니다. 그것은 양적/질적/실험적 대비에 깔끔하게 들어맞지 않습니다. 그것은 의도적으로 세 가지 모두의 요소를 결합합니다 — 반복적 주기에 걸쳐 결과 데이터와 과정 데이터를 모두 수집하여 — *"이 AI 학습 환경이 실제로 작동하도록 어떻게 설계하는가?"*라는 질문에 답하기 위함이며, *"X가 Y를 일으키는가?"*가 아닙니다. 이것은 (설계 과정을 명시하는) 학습 설계과 (정제에 영양을 주는) 사용성 평가에 밀접하게 관련되지만, 지속적이고 이론 주도적인 다중 주기의 성격, 그리고 실천을 개선하는 것 동시에 이론을 생성하는 이중의 목표에 의해 구별됩니다.

DBR 주기

DBR은 단일 설계가 아니라 일반적으로 다음을 포함하는 반복적 순환입니다.

  1. 요구 분석 — 실제 환경 속에서 문제, 맥락, 학습자를 이해하는 것.
  2. 설계 — 개입과 그것의 기저에 놓인 이론적 근거를 명료하게 표현하는 것.
  3. 구현 — 개입을 실제 교실이나 프로그램에 배치하는 것.
  4. 정제 — 데이터를 분석하고, 설계를 수정하며, (종종 여러 주기에 걸쳐) 반복하는 것.
  5. 이론과 산출물의 산출 — 사용 가능한 개입과 일반화 가능한 설계 원칙, 또는 검증된 모형을 함께 산출하는 것.

전범적인 AIEd 사례는 AI-Assisted Collaborative Learning (AACL) Model 연구입니다. 이 연구는 4단계 DBR 주기 — 요구 분석, 모형 설계, 인도네시아 학부생을 대상으로 한 8주간의 교실 구현, 모형 정제 — 를 실행하며, 4단계 학습 주기(문제 파악 → AI가 지원하는 협력적 탐구 → 협력적 문제 해결 → 성찰과 발표) 위에서 반복했습니다.

DBR이 지식 베이스에 나타나는 방식

  • 학습 모형의 개발. The AACL Model 연구는 고등교육에서 비판적 사고와 문제 해결을 겨냥한 AI 지원 협력적 학습 모형을 개발하고 평가하는 데 DBR을 사용합니다.
  • AI 리터러시 교사 훈련의 구축. Le et al.은 전문성 개발 학생들을 위한 DBR GenAI 리터러시 훈련 개입을 개발하고 평가합니다. Baran et al.은 2023–2025년에 걸쳐 Human-Centered AI 원칙에 기반한 비판적 AI 리터러시를 위한 전문적 학습을 설계하는 데 DBR을 사용합니다.
  • 제도적 기준의 설계. Crompton et al.은 두 차례의 반복적 거시 주기와 114명의 참가자를 통해 여섯 가지 교수 기술 통합 기준을 개발하는 데 DBR을 사용합니다.
  • 반복적 시스템 구현. Rienties et al.은 Open University의 AIDA AI 조교를 내장형 시스템 접근으로 구현한 여섯 건의 반복적 DBR 연구(18개월, 498명의 참가자)를 서술합니다.
  • 스캐폴딩과 개입 설계. GenAI 비판적 사고 비계 설정과 다른 개입 개발 연구들은 AI 기반 비계를 설계하고 정제하는 데 DBR을 사용합니다.
  • 청소년과 전문가가 안내한 교육과정 설계. Moore et al. (2026)은 청소년과 AI 전문가 자문 위원회와 함께 고등학교를 위한 과학 통합 AI 리터러시 / ML 교육과정을 설계하는 데 2년에 걸친 DBR 과정을 사용하며, 집단에 걸쳐 설계를 정제하고 ML 지식 향상을 측정합니다 — 이것은 청소년의 목소리를 설계 주기에 통합하는 DBR을 참여적 공동 설계로 다루는 사례입니다.
  • DBR로서의 반복적 루브릭 공동 정제. Yaşar et al. (2026)은 평가 도구 자체에 적용된 DBR의 반복적 정제 성격을 예시합니다. 이들은 루브릭을 수정 가능한 설계 산출물로 다루고 LLM과의 공동 정제를 거쳤습니다 — 수행 기술자를 명료화하고 학습의 암묵적 지표들을 명시적으로 수용하면서 — 이로써 80명의 학생 설계 포스터에 대한 LLM–인간 일치도를 54.75%에서 81.25%로 높였습니다(Cronbach's Alpha 0.393 → 0.798). 이 연구는 루브릭을 인간의 교수법적 의도와 기계의 추론 사이의 매개적 인터페이스로 자리매김하며, 그 역할 인식적 프롬프팅(교수자, 동료 검토자, 지원금 검토자)이 설계 선택이 평가 산출물을 어떻게 형성하는지를 보여줍니다 — 평가 도구가 개입만이 아닌 설계 대상이라는 DBR식 입증입니다.
  • 초기 아동기 AI 리터러시의 공동 설계. Lee (2026)는 두 명의 pre-K 교사와 두 명의 유치원 교사와의 반복적 주기에 걸쳐 Play With AI (PL-AI) 교육과정을 공동 설계하고, 파일럿하고, 정제하는 데 DBR을 사용하며, 교사 설문, 32시간의 교실 영상, 현장 기록, 설계 회의 전사록에 의지합니다. 이 연구는 DBR이 발달 단계에 적합한 AI 리터러시 활동의 반복적 정제를 어떻게 뒷받침하고 전이 가능한 설계 원칙(구현된 놀이, 만질 수 있는 코딩, 안내된 대화, 교사 공동 설계)을 산출하는지를 기록합니다.
  • 정제의 증거로서의 전문가 검토 — 그리고 정직한 범위 진술. Dong et al. (2026)은 초기의 4트랙 로보틱스 교육과정을 여덟 가지 차원에서 평정하는 다섯 명의 전문가에게 제출한 뒤 응답에 따라 수정합니다. 네 명의 다섯 전문가가 인지적 부하를 지목한 뒤, 독립적 PPO 구현은 확장 과제로 옮겨가고 Python 선수 과목이 추가됩니다. 평균만큼이나 분산이 그 수정들을 이끕니다 — 동기 부여 맥락은 SD = 1.73으로 평균 4.00, 그리고 홀로 1/5 평정이 나타났습니다 — 그리고 저자들은 수정된 프레임워크가 학생 데이터를 기다리는 동안 미평가 상태로 남는다고 평이하게 진술합니다.
  • 삼각 측정, 그리고 그것이 넘을 수 없는 한계. Kenzhebayeva et al. (2026)은 역할 순환 모형을 다섯 단계의 DBR 단계 — 문제 분석, 교수법적 설계, 구현, 평가, 정제 — 를 통해 62명의 참가자와 8주에 걸쳐 실행하며, 성찰 저널, 면담, 관찰 기록, 학생 생성 산출물을 구성원 확인과 함께 삼각 측정합니다. 설계의 교훈은 저자들이 그것에 대해 주장하는 것에 있습니다. 사전-사후 역량 측정과 비교 집단이 없는 상태에서, 그들은 증거를 입증된 역량 향상이 아닌 개입 중의 참여로 제시하는데, 이것은 다중 출처 DBR 설계가 넘을 수 있고 넘을 수 없는 바로 그 경계입니다.

강점과 한계

  • 강점: 높은 생태적 타당성과 실천적 관련성; 사용 가능한 산출물과 이론을 함께 산출; 실제 교실과 진화하는 AI 도구의 복잡성에 대응; 진정한 구현 증거에 기초하여 모형을 개발하고 정제하는 데 적합; 개입이 실제로 어떻게 작동하는지(또는 실패하는지)를 포착.
  • 한계: 약한 내적 타당성(통제 집단이 적거나 없음); 발견들이 맥락에 얽매어 일반화하기 어려움; 긴 일정; 어떤 설계 요소가 결과를 일으켰는지 고립시키기 어려움 — DBR은 실현 가능성과 개선을 입증하지만 학습 향상을 특정 메커니즘에 귀속시킬 수는 없습니다.

DBR은 실험의 인과적 통제를 생태적 진실성과 반복적 정제와 맞바꿉니다. 그 증거는 인과적 효능이라기보다 개념 증명과 설계 지침으로서 가장 강합니다. DBR 학습 향상을 읽는 것은 학습 향상 아래 기록된 같은 AI에 의한 부풀려진 수행 혼재 변수를 포함하여 다른 설계들과 마찬가지로 같은 주의를 요구합니다 — 도움받지 않는 통제된 결과 측정 없이는, 향상이 그 혼재 변수를 반영할 수 있습니다.

다른 방법들과의 관계

DBR은 학습 과학의 대표적 방법입니다 — 학습과 학습 환경의 설계를 연구하고, 개입을 구축하는 것과 그것을 연구하는 것을 두 개가 아닌 하나의 활동으로 다루는 학제 간 분야입니다. 이것은 다른 연구 방법들의 경쟁자가 아닌 보완재입니다(AIED 연구 방법에서 전체 지형을 보십시오). 실험이 인과성을 확립하고 설문이 폭을 확립하는 곳에서, DBR은 실현 가능성과 설계 지식을 확립합니다 — 개입이 진정한 실천 속에서 작동하도록 구축될 수 있는지, 그리고 어떤 설계 원칙이 그것을 뒷받침하는지. 이것은 흔히 (인터페이스를 정제하기 위한) 사용성 평가와 (학습자가 개입을 어떻게 경험하는지를 이해하기 위한) 질적 방법들과 짝을 이룹니다. 성숙한 DBR 프로그램은 일반적으로 개발된 개입의 인과적 효과를 규모 있게 검사하는 효능 시험 또는 측정 연구로 마무리됩니다.

연결된 개념

연결된 문서

메타데이터

연구 설계Literature Review
연구 방법과 평가설계 기반 연구, AIED 연구 방법
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.