포용적 학습

이 페이지의 목차

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

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

포용적 학습 — 신체적, 인지적, 감각적, 상황적 차이를 아우르는 다양한 학습자의 필요를 수용하는 교육 경험의 설계와 제공입니다. AI 교육에서 포용적 학습 연구는 두 가지를 함께 살핍니다. AI 도구가 장애 및 신경다양성 학습자의 장벽을 어떻게 제거할 수 있는지, 그리고 AI 시스템 자체가 새로운 접근성 격차를 만들지 않도록 어떻게 설계되어야 하는지입니다.

생각해 볼 질문들

접근 가능한 도구가 포용적인 교수를 보장하지 않고, 보조 기술이 의미 있는 주체성을 보장하지 않습니다. 형식에의 장벽을 하나 제거하는 것과, 모두가 의미 있게 참여하도록 교육을 설계하는 것은 어떤 차이가 있을까요?
이 페이지는 포용적 학습, 접근성, 보조 기술, 특수 교육, 보편적 설계를 구별합니다. 여러분의 맥락에서 AI는 어디에 자리하며, 실제로 답하려는 질문은 어느 것인가요?
한 연구는 고정된 일시 정지를 둔 AI로 구간을 나눈 영상이 ADHD 학습자와 비ADHD 학습자 사이의 성과 격차를 없앴다는 것을 발견했습니다. 한 집단의 필요를 위해 설계한 것이 어떻게 모두의 학습을 개선할 수 있을까요?
AI 시스템이 오래된 접근성 격차를 없애는 동시에 새로운 접근성 격차를 낳을 위험이 있다고 서술됩니다. 텍스트 기반의, 시각적인, 항상 온라인 상태여야 하는 AI 도구는 조용히 어떤 학습자를 배제할 수 있을까요?
포용적 평가 연구는 부정행위 방지 조치와 시각 처리에 어려움을 지닌 학습자를 수용하는 것 사이의 긴장을 드러냅니다. 보안과 접근성이 충돌할 때 그 타협은 어떻게, 또 누구에 의해 결정되어야 할까요?
시각 장애 학습자를 위한 음성 우선 도구처럼, 에드테크가 시각적이어야 한다는 가정을 뒤집는 도구들이 여럿 있습니다. 여러분의 도구나 자료는 '기본값' 학습자에 대해 어떤 가정을 하고 있을까요?

들어가며

포용적 학습은 교육이 뒤늦게 어려움을 겪는 이들을 위해 개조되는 것이 아니라, 모든 학습자가 의미 있게 참여할 수 있도록 처음부터 세워져야 한다는 설계 의무입니다. 이는 인접하지만 구별되는 개념들 위에 놓인 상위 개념으로 기능합니다. 접근성(모두가 그 형식을 지각하고 조작할 수 있는가), 보조 기술(어떤 도구가 한 개인의 접근 격차를 잇는가), 보편적 학습 설계(설계가 어떻게 변이를 예상해야 하는가)가 그것입니다. 그리고 이는 신경다양성과 특수 교육을 예외가 아니라 설계 맥락으로 끌어들입니다. AI는 약속(개인화, 수용, 번역)이자 새로운 배제의 원천(비용, 데이터, 언어 커버리지, 모델에 새겨진 가정)으로서 등장합니다.

관련 개념들이 어떻게 맞물리는가

포용적 학습은 상위 개념이며, 아래 페이지들은 그 안에 자리하며 각각 다른 질문에 답합니다. 이들은 겹치지만 서로 바꿔 쓸 수는 없습니다. 어떤 주장이 어디에 속하는지를 아는 것이 지식베이스를 정밀하게 유지합니다.

개념	답하는 핵심 질문	전형적 초점
포용적 학습 (이 페이지)	모든 학습자가 의미 있게 참여하도록 교육을 어떻게 설계하는가?	학습자 변이에 걸친 교수 전반의 설계
접근성	모두가 그 형식과 매체를 지각하고 조작할 수 있는가?	자막, 대체 텍스트, 필사록, 명암 대비, 키보드/스크린리더 호환성, WCAG
보조 기술	어떤 도구와 장비가 한 개인의 접근 격차를 잇는가?	스크린리더, TTS/STT, 점자/촉각 출력, 자막, AI 수용 조치
특수 교육	진단받은 장애를 지닌 학습자에게 교수를 어떻게 전달하는가?	IEP, 개별 수용 조치, 장애 특정 튜터링 — 주로 K-12 용어(IDEA/수급권)
보편적 학습 설계	어떻게 처음부터 유연성을 미리 설계하는가?	참여, 표상, 행동과 표현의 다양한 수단

실천에서: UDL은 장벽을 예방하는 설계 철학이고, 접근성은 형식적 장벽을 제거하는 속성이며, 보조 기술은 개인이 쓰는 도구 층위이고, 특수 교육은 진단받은 장애를 위한 교수 영역입니다. 그리고 이는 주로 K-12 용어인데, 고등 교육(그리고 점점 더 K-12에서도)에서 더 흔한 틀은 Universal Design for Learning입니다. 포용적 학습은 이 모두를 공평한 참여라는 공동 목표 주변에 붙잡아 두는 상위 개념입니다. 접근 가능한 도구가 포용적인 교수를 보장하지 않고, 보조 기술이 의미 있는 주체성을 보장하지 않습니다. 이것이 바로 이 상위 개념이 이 모두를 아울러야 하는 이유입니다.

포용적 학습은 형평성, 학습 설계, 특수 교육의 교차점에 자리하며, 보조 기술라는 구체적인 도구 층위와 접근성라는 설계 속성의 지원을 받습니다. 기존 시스템에 접근을 나중에 덧대는 좁은 수용 조치와 달리, 포용적 학습의 관점(Universal Design for Learning에 기댄)은 환경이 처음부터 인간 다양성의 전 범위를 위해 설계되어야 한다고 주장합니다. 이 지식베이스의 논문들은 자동화된 콘텐츠 변환, 적응형 평가 인터페이스, 그리고 신경다양성 사용자들의 살아 있는 경험을 출발점으로 삼아 설계된 도구들을 통해 AI가 이를 어떻게 가능하게 하는지를 탐구합니다.

주요 연구 주제

AI 기반 콘텐츠 접근성은 자동화된 파이프라인이 장벽을 줄일 수 있음을 보여 줍니다. **Pimenova et al.**는 고정된 일시 정지를 둔 AI로 구간을 나눈 교수 영상이 ADHD 학습자와 비ADHD 학습자 사이의 성과 격차를 없앴다는 것을 보여 주었습니다. 이는 자동화된 콘텐츠 변환을 통한 UDL에 대한 강력한 증거입니다. 이 연구는 협력 학습 구조가 신경다양 학습자의 편안함에 어떤 영향을 미치는지를 다루는 I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning 연구와 연결됩니다. **Chen et al.**는 청각장애인(Hard of Hearing) 학습자를 위한 대규모 언어 모델(LLM) 기반 문항 생성 시스템을 설계하며, 영상에서 시각적 또는 정서적 어려움이 있는 순간을 겨냥하는 시각적 및 정서적 문항 전략을 도입했습니다. 동시에 텍스트 기반 AI 프롬프트와 DHH 학습자의 수화 기반 제1언어 사이의 지속적인 불일치를 드러내어, 언어와 문화를 아는 AI 설계의 필요성을 분명히 했습니다. **MuTSE**는 읽기 수준이라는 상호 보완적인 장벽을 다룹니다. 지능형 튜터링을 위한 LLM 기반 텍스트 간소화를 평가하여, 인간 참여형 평가 틀을 통해 각 학습자의 현재 수준에 콘텐츠 복잡성을 맞추며, 교수학적 품질을 놓치는 언어적 지표에 의존하지 않습니다.

수식이 많은 영상은 사람이 일일이 필사하지 않고도 접근 가능하게 만들 수 있습니다. Gemini와 LuaLaTeX를 잇는 파이프라인이 교수용 물리 영상 16편을 PDF/UA-2와 ISO 32005 검증을 통과한 PDF로 바꾸었으며, 한 편만 두 번째 시도가 필요했습니다(Looney & Duston (2026)).

감각적 접근성: 시각장애, 저시력, 청각장애 학습자. 에드테크가 시각적이어야 한다는 가정을 뒤집는 논문들이 여럿 있습니다. **Kutti AI**는 시각 장애 아동에게 말하는 대화를 주된 동시에 충분한 양식으로 만듭니다. 실시간으로 어려움을 감지하고, 다언어 답안 매칭을 하며, 오프라인 우선의 온디바이스 음성 인식(ASR)을 써서 시각 의존과 연결 요건을 함께 제거합니다. **Obiuwevwi et al.**는 시각장애·저시력 학생을 위해 250밀리초 이내에 촉각 3D 프린팅 통계 그래프를 만드는 재사용 가능한 파이프라인을 만들었으며, 이미지로부터 LLM 기반 차트 추출을 선택적으로 덧붙였습니다. **Bolla et al.**는 Pepper 소셜 로봇이 알아들을 수 있는 이탈리아 수화(LIS)를 만들어 낼 수 있는지를 탐색하며, 한 청각장애 학생과 전문 수화 통역사와 함께 52개의 수화를 공동 설계했습니다. 이는 교육에서의 로봇을 청각장애 학습자를 위한 의사소통 접근성으로 확장하면서, 의미에 핵심적인 비수동적 요소(안면 표정, 자세)를 재현하는 과제를 부각합니다. **Khlaif et al. (2026)**는 이 흐름을 고등 교육으로 확장하여, 팔레스타인에 있는 저시력 학부생 21명을 대상으로 한 질적 사례 연구에서 생성형 AI가 개인의 프로필에 맞춰 속도, 콘텐츠, 전달 방식을 조정하고 복잡한 학술 텍스트를 여러 양식 간에 변환한다는 것을 발견했습니다. 학습자들은 생성형 AI를 교사를 대체하는 것이 아니라 보완하는 것으로 보았으며, 인간적 연결을 유지하면서 참여를 가능하게 한다고 했습니다.

포용적 평가 설계는 보안과 접근성 사이의 긴장과 씨름합니다. **BAVD**는 화면 캡처 부정행위를 저지하면서 시각 처리에 어려움을 지닌 학습자를 수용하는 적응형 시각 분산 프레임워크를 제안합니다. 이는 부정행위 방지 조치와 포용적 학습 원칙 사이의 타협을 명시적으로 모형화합니다. 이는 더 넓은 학문적 진실성과 평가의 관심사와 연결됩니다.

신경다양 학습자의 경험은 장애와 신경다양성을 지닌 학생들의 목소리를 중심에 둡니다. **Zastudil et al.**는 신경다양 컴퓨팅 학생들이 구조가 분명한 과제, 일정하게 유지되는 소규모 팀, 명시적인 역할 정의를 필요로 한다는 것을 발견했습니다. 이 선호는 AI 튜터링과 협력 도구가 수용해야 할 것들입니다. **DysLexLens**는 난독증 학습자의 포럼 담론을 분석하여, 이들이 읽기·쓰기 지원을 위해 AI를 높이 평가하면서도 일관되지 않은 산출 품질과 공평한 수용 조치의 부재로 인한 상당한 접근성 장벽에 부딪힌다는 것을 드러냈습니다. 이 둘은 특수 교육과 학생 경험에 연결됩니다.

인지적 오프로딩과 접근 대 발달의 타협. Seung & Basham (2026)은 학습장애를 지닌 학생들에게 읽기와 쓰기 접근의 장벽을 낮추는 바로 그 생성형 AI(텍스트 수준 조정, 요약, 초안 작성 지원)가, 방치될 경우 이 학습자들이 가장 필요로 하는 이해, 계획, 점검의 연습을 대체할 수 있다는 것을 보여 줍니다. 이는 포용적 학습의 핵심에 놓인 형평성의 긴장입니다. 따라서 포용적 설계는 도구가 접근 가능한지만이 아니라, 그 도구가 접근을 통해 가능해지게 하려던 바로 그 기술을 학습자가 발전시킬 기회를 보존하는지도 함께 고려해야 합니다.

난독증을 위한 AI: 탐지, 지원, 그리고 개인화 학습. 2026년의 학제간 체계적 문헌고찰(Dabaghi, D'Urso & Sciarrone, PRISMA 기반, 2018-2024, n=72)은 AI가 난독증을 지닌 학생을 탐지, 보조 지원, 개인화 학습에 걸쳐 지원하고 있다는 것을 발견합니다. 그러나 이 갈래들은 통합되지 않고 나란히 진화하고 있으며, 통합된 교육 이론보다는 기술적 기회에 더 많이 이끌리고 있습니다. ML 기반 학습 지원 도구는 다섯 영역(특정 응용, 참여, 개인화, 추천, 일반적 지원)에 걸치지만, 기술적 성과와 분류 정확도를 강조하면서 생태학적 타당성과 실제 교실에서의 배치를 간과합니다. 탐지 연구(EEG, 시선 추적, ML 모델)는 조기 개입을 위한 진단적 가능성을 보여 주지만, 흔히 특수 장비와 통제된 환경을 요구하여 일반적인 학교 환경에서의 확장성과 접근성을 제한합니다. 열린 과제로는 실험적 검증의 제한, 확장성, 민감한 학생 데이터와 관련된 윤리/프라이버시 우려, 교사 지원과 훈련의 제한, 그리고 언어·문화적 장벽(대부분의 연구가 영어권 인구를 대상으로 함)이 있어, 포용적 학습은 기술적 역량과 검증되고 확장 가능하며 윤리적으로 뿌리내린 배치를 짝지어야 함을 분명히 합니다.

장애 중심의 AI 비판은 AI 시스템이 포용이 아니라 소외를 낳을 수 있는지를 검토합니다. **Tali-Otmani**는 생성형 AI 시스템이 영어권이고 서구 중심인 훈련 데이터로 인해 고등교육에서 장애 중심의 존재 방식들을 적극적으로 소외한다고 주장하며, 인식론적 정의에 관한 형평성의 관심사와 연결됩니다.

공식 진단을 관문으로 세우는 것이 도구가 서비스를 약속한 학습자를 배제합니다. Rempel et al.(2026)이 신경다양 학생을 위한 디지털 보조 기술에 관한 연구 40편을 정리한 범위 고찰에서, 28편이 공식 진단을 참여 조건으로 삼았고, 학생이 아니라 환경을 다룬 연구는 단 3편뿐이었습니다.

실천 속의 접근 가능한 도구들은 AI가 참여를 넓힐 수 있음을 보여 줍니다. **SuaCode**는 코딩 능력을 지닌 사람이 1%도 되지 않는 저자원 아프리카 맥락에서 스마트폰 기반 코딩 강의가 학생들에게 닿을 수 있음을 보여 주었습니다. **Pimenova et al.**는 시각장애·저시력 음악가들과 함께 비시각적 학습 전략을 개발하며, 장애가 이끄는 체화 설계를 중심에 두었습니다. **LUDIA**는 교육자들을 UDL 원칙과 연결하는 무료이고 비공개이며 다언어인 AI 사고 동반자를 제공합니다. **Special-R1**는 강화 학습을 장애 프로필 전반의 인지적·의사소통적 다양성을 모형화하는 것으로 확장합니다.