AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

탐구 기반 학습

생성일 2026-08-22 · 갱신일 2026-10-09

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

탐구 기반 학습(IBL) — 학생들이 질문을 던지고, 독립적으로 탐구하며, 탐구와 성찰, 수정의 순환을 통해 지식을 구성함으로써 이해를 발전시키는 학습자 중심 교수법과 교수 전략로, 교수자는 강의가 아니라 스캐폴딩을 제공합니다. AI 시대에 IBL의 질문 주도적이고 탐구 중심적인 구조는 초점이 되었습니다. 생성 AI와 대규모 언어 모델(LLM) 도구는 질문하기와 조사를 뒷받침하는 상호작용적인 "공동 탐구자"로 기능할 수 있습니다. 단 탐구의 인지적 작업을 보존하도록 설계될 때에만 그렇습니다.

생각해 볼 질문들

  • 탐구 기반 학습은 학생 주도의 질문과 탐구 과정 자체를 중심에 둡니다. 여러분 자신의 질문에 의해 이끌리는 학습은 다른 사람의 질문에 의해 이끌리는 학습과 어떻게 다릅니까?
  • 이 페이지는 AI가 여러분의 조사를 뒷받침하는 '공동 탐구자'로 기능하는지, 아니면 인지적 작업을 우회하는 대체물로 기능하는지를 묻습니다. AI를 사용하여 질문을 탐구할 때, 누가 탐구하고 있습니까?
  • AI 지원 탐구에 대한 근거는 혼재되어 있습니다. 한 연구에서는 창의적 수행과 태도를 향상시켰지만 비판적 문제 해결은 그렇지 않았고, 다른 연구에서는 개념적 이해를 심화시켰지만 AI 리터러시는 높이지 않았습니다. 이것은 AI 혼자서는 무엇을 발전시킬 수 있고 무엇을 발전시킬 수 없는지에 대해 무엇을 시사합니까?
  • AI 출력을 권위 있는 것으로 다루는 것이 과잉 의존과 피상적인 결론의 위험을 수반한다면, 탐구 순환의 일부로서 학생들에게 AI가 생성한 답을 평가하는 것을 어떻게 가르치겠습니까?
  • 이 페이지는 탐구를 생산적 실패와 연결합니다. 학습자가 교수 이전에 탐구하여, 고군분투 자체가 학습을 준비시킨다는 것입니다. 답을 주지 않고 여러 번의 시도를 이끌어내는 AI가 어떻게 그 고군분투를 제거하는 것이 아니라 뒷받침할 수 있겠습니까?
  • AI가 질문을 던지는 마찰을 낮출 때 촉진자의 역할은 무엇입니까? 학생들이 즉시 답을 얻을 수 있다면, 교수자는 이제 이전에는 필요하지 않았던 무엇을 비계로 떠받쳐야 합니까?

들어가며

탐구 기반 학습은 학생 주도의 질문과 탐구 과정 자체를 중심에 두며, 전형적으로 여러 단계(방향 설정(orientation) → 개념화 → 조사 → 토론 → 결론)를 거칩니다. 이것은 문제 기반 학습과 프로젝트 기반 학습이 흔히 그 안에 자리하는 더 넓은 계열입니다. IBL은 질문하기와 발견의 과정을, PBL은 비구조적인 문제를, 프로젝트 기반 학습은 유형의 산출물을 강조합니다.

지식 기반에 나타나는 탐구 기반 학습

공동 탐구자로서의 AI. STEAM에서 탐구 기반 학습을 위한 ChatGPT에 관한 체계적 검토(The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24개 연구)는 ChatGPT가 주로 개념화, 조사, 토론 단계에서 사용되었다는 것을 발견했습니다. 학습 도구, 튜터, 학습 동료, 영역 전문가, 그리고 교수 보조로서 사용되었으며, 수행, 비판적 사고, 참여, 동기를 향상시키는 한편, 출력이 권위 있는 것으로 다루어질 때 과잉 의존, 환각, 피상적인 결론의 위험을 제기했습니다.

시작점으로서의 문제 제기. 97명의 3학년생을 대상으로 한 준실험(Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science)은 GenAI 챗봇이 과학 문제 제기에서 검색 엔진을 유의미하게 능가했음을 보여 주었습니다. 질문의 질을 향상시키고, 더 통합된 인식론적 네트워크를 만들어 내면서 인지 부하를 낮췄습니다.

LLM 주도 IBL에서의 인지 수준 패턴. 117개의 인터뷰 전사록과 상호작용 기록에 관한 탐색적 연구(Luo et al.)는 Bloom의 인지 수준에 걸친 14개의 상호작용 패턴을 식별하며, 학생의 선행 지식이 LLM 사용을 어떻게 형성하는지를 보여 주고, 고차원적 사고 단계를 목표로 하고 과잉 의존을 완화하는 비계가 필요함을 부각했습니다.

결과 근거는 혼재되어 있다. 수학에서의 AI 지원 IBL 실험(Mujib et al.)은 창의적 수학 수행과 태도를 향상시켰지만 비판적 문제 해결 기술은 그렇지 않았습니다. 이는 AI-IBL이 주로 창의성와 정서적 발달을 뒷받침함을 시사합니다. 29개 실험에 관한 메타 분석(Zhao et al.)은 GenAI가 고차원적 사고에 중간 정도의 긍정적 효과를 가지며, 문제 해결에서 가장 강하고 8–16주 개입과 자기조절 학습이 더 높은 학습자들이 가장 큰 이익을 얻는다는 것을 발견했습니다. 튀르키예의 예비 과학 교사 48명을 대상으로 한 준실험(Aydın)은 8주간의 AI 지원 안내 탐구 프로그램(문제 기반 및 설계 기반 학습을 통합)을 사용하여 광합성과 세포 호흡의 개념적 이해에서 집단별 시점에 따른 유의미한 향상을 발견했지만, AI 리터러시나 자기 인식된 계산적 사고에 대한 유의미한 효과는 없었습니다. 이것은 AI-IBL이 영역 이해를 심화시킬 수 있지만 AI/CT 역량의 발달은 더 명시적이고 목표 지향적인 설계를 요구한다는 근거입니다.

Gousopoulos (2026)는 3집단 기후 연구에서 AI의 기여를 탐구 자체로부터 분리했습니다. AI 지원 탐구는 의사결정에서 탐구만 한 또래들을 앞질렀으며(d = 0.69), 모니터링과 적응적 관리에서 가장 큰 향상을 보였고(d = 1.37), 기초적인 자료 수집은 모든 조건에서 똑같이 향상되었습니다.

형평성과 맥락. 한 개념적 프레임워크는 생성 AI 공동 설계와 열린 교육 실천을 연결하여, 자원이 부족한 맥락에서 탐구 주도 STEM 교수를 뒷받침합니다. AI가 생성하고, 다국어이며, 맥락적으로 관련 있는 시뮬레이션을 사용합니다.

AI 비계에 의한 근거 비교. An and colleagues (2026)는 AI 기반 정보 추출 시스템이 학부 문헌 검토를 요약에서 근거 조직과 비교로 이동시키는 방식을 보여 줍니다. 학생들이 고립된 읽기에서 연구 간 비교와 연구 기반 학습 및 논문 완수를 뒷받침하는 근거 기반 정당화로 이동합니다. 이것은 AI가 STEM 학부 연구에서 탐구 과정에 어떻게 비계를 떠받칠 수 있는지를 구체화합니다.

AI 통합에 탐구 기반 학습이 중요한 이유

IBL의 질문 주도적이고 과정 중심적인 구조는 생산적인 AI 사용의 자연스러운 터전입니다. 학생들은 AI를 대체물이 아니라 동료로 함께 배웁니다. 지식 기반의 근거는 하나의 핵심 긴장으로 수렴합니다. AI는 정보 검색과 질문 형식화의 마찰을 낮출 수 있고(인지 부하를 줄이고 더 깊은 성찰을 가능하게 함), 그러나 설계 비계 없이는 과잉 의존과 고차원적 인지의 우회를 위험에 빠뜨립니다. 촉진자의 역할, 비계의 설계, 그리고 평가 기술의 명시적 교수가 AI가 탐구를 심화시키는지 대체하는지를 결정하는 지렛대입니다.

생산적 실패와 탐구

생산적 실패(PF)는 탐구 기반 학습의 가장 구조화된 사촌입니다. 학습자는 직접 교수에 앞서 문제를 탐구하고 해결책을 생성한 뒤 정착합니다. 둘은 학습자가 생성한 시도(실패한 것까지)가 선행 지식을 활성화하고 교수로부터 배울 준비를 시킨다는 전제를 공유합니다. AI 시대의 PF 연구는 AI가 탐구를 단락시키지 않으면서 어떻게 비계를 떠받쳐야 하는지를 예리하게 합니다. Kim et al. (2026)는 문제 탐구와 해결책 생성을 통해 고군분투를 보존하는 AI 설계 원칙을 도출합니다. Puech et al. (2025)는 LLM 튜터가 답을 주지 않고 여러 번의 시도를 이끌어내도록 조종될 수 있음을 보여 줍니다. clue-before-correction 과업은 학습자가 추론을 계속하게 하는 단서 기반(대 직접적인) 비계를 예시합니다. 이것들은 탐구와 PF를 AI가 지속 가능한 학습이 형성되는 생산적 고군분투를 제거해서는 안 된다는 더 넓은 명제와 연결합니다.

야외 현장 환경에서 그 같은 명제는 공간적으로 변합니다. GenAI는 학습자가 근거를 만나기 전에 무엇을 알아차릴지를 미리 구조화할 수 있으므로, 관찰과 초기 해석이 기록될 때까지 생성된 설명을 주지 않는 현장 우선 서열이 탐구를 보호합니다(Choi, 2026).

연결된 개념

연결된 문서

메타데이터

분야Stem Education
학습과 교수능동적 학습, 탐구 기반 학습, 메타인지, 문제 기반 학습, 스캐폴딩, 자기조절 학습
기술과 기법생성형 AI
교육에서의 인공지능 기초비판적 사고
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.