가르치며 배우기

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

가르치며 배우기(Learning by teaching, LbT) — 학생이 또래, 학습자, 또는 에이전트에게 자료를 설명함으로써 자신의 이해를 심화시키는 교수 틀로, protégé effect에 근거합니다. 수십 년에 걸친 LbT와 또래 튜터링 연구는 개념 설명하기, 오해 예상하기, 질문에 답하기가 이해를 공고히 하고 전이를 뒷받침한다는 것을 보여줍니다. AI 시대에 teachable agents — 그리고 점점 더 많은 초보자 학습자(tutee)로 설정된 LLM — 은 LbT을 대규모로 작동시켜, 설명하고, 바로잡고, 빈틈을 메워야 하는 학생을 교수자로 위치시킵니다.

생각해 볼 질문들

• 무언가를 다른 사람에게 설명한 뒤에야 비로소 그것을 진정으로 이해했던 때를 떠올려 보십시오. 그때 정신적으로 무슨 일이 일어났으며, 가르치는 것이 혼자 공부하는 것보다 왜 더 깊은 이해를 낳는다고 생각합니까?
• 흔한 견해는 가르치는 것은 전문가를 위한 것이고 초보자는 제공할 것이 없다는 것입니다. 그러나 '가르치며 배우기'는 정반대의 전제에 놓여 있습니다. 가르칠 준비를 하는 것이 지식을 조직하고 자신의 빈틈을 찾게 한다는 것입니다. 그것은 누가 가르침으로부터 이득을 얻는지를 어떻게 다시 규정합니까?
• 이 페이지는 'teachable agents' — 학생들이 학습의 일부로서 가르치는 소프트웨어 — 를 설명합니다. LLM으로는 질문을 던지고 실수를 하는 오류투성이 초보자 학습자로 챗봇을 설정할 수 있습니다. 그러한 학습자가 실제로 학습을 향상시키게 하려면 무엇을 설계해야 하겠습니까? 단순히 잡담하는 데 그치지 않으려면 말입니다.
• 하나의 도전은 'fallibility를 설계하기(engineering fallibility)'입니다. AI 모델은 전문가적이고 유창한 답변을 하도록 훈련되는데, 이는 가르치며 배우기가 원하는 고군분투하는 초보자의 정반대입니다. 왜 오류가 많은 학습자가 정답을 내는 학습자보다 학습에 더 효과적일 수 있겠습니까?
• ChatGPT 기반 teachable agent는 학습을 향상시켰지만, 옳은 코드를 생성하는 경향이 오류 수정 연습을 제한했습니다. 항상 정답을 내는 도구가 실수를 발견하고 고치는 연습이 필요한 학습자에게 어떻게 손해를 끼칠 수 있겠습니까? 가르치기 활동을 설계한다면, 무엇이 가르치기 과제를 학생들이 답을 복사-붙여넣기보다 진정한 노력을 기울일 만큼 의미 있게 만들겠습니까?

들어가며

가르치며 배우기는, 보통 protégé effect에 기원을 두는 발견으로서, 가르칠 준비를 하고 실제로 다른 사람이나 teachable agent에게 설명하는 것이 혼자 공부하는 것보다 더 깊은 처리를 낳는다는 것입니다. 가르치기의 요구 — 아이디어를 명료하게 말하고, 오해를 예상하고, 질문에 답하는 것 — 는 학습자로 하여금 지식을 조직하고, 자신의 이해의 빈틈을 식별하며 메타인지을 강화하는 설명을 생성하게 합니다. AI는 이 생각의 양쪽 방향에서 들어옵니다. tutoring systems과 teachable agents는 학생 역할을 할 수 있고, 한편 기계가 학습자가 아니라 설명을 공급할 때 학습에 무슨 일이 일어나는지를 묻는 문헌이 자라나고 있습니다(생성형 AI, 컴퓨터 과학 교육).

프로테제 효과

가르치며 배우기는 가르칠 준비를 하고 실제로 다른 사람에게 설명하는 것이 혼자 공부하는 것보다 더 깊은 처리를 낳는다는 발견에 놓여 있습니다. 가르치기의 요구 — 아이디어를 명료하게 말하고, 오해를 예상하고, 질문에 답하는 것 — 는 학습자로 하여금 지식을 조직하고, 자신의 이해의 빈틈을 식별하고, 보유와 전이를 뒷받침하는 설명을 생성하게 합니다. 이점은 협력 학습 맥락과 teachable agents를 뒷받침하는 잘 구조화된 분야(예: Betty's Brain)에서 가장 뚜렷합니다. protégé effect는 그 메커니즘에 이름을 붙입니다. 학생들은 무언가를 가르치는 데 책임을 느낄 때 더 많은 노력을 기울이고 더 깊이 성찰하므로, 설명과 메타인지을 통해 AI에 대한 오개념을 명료화하고 빈틈을 메웁니다.

Teachable Agents: 규칙 기반에서 대화형으로

Teachable agents는 가르치며 배우기가 작동되는 소프트웨어 시스템입니다. 학습자가 학습의 일부로서 시스템을 가르칩니다. 전통적인 teachable agents는 규칙 기반이거나 검색 기반이어서 제한된 명령에만 응답할 수 있었고, 그것의 핵심 한계는 자연어 대화에 참여할 수 없다는 것이었습니다. 대형 언어 모델은 이것을 바꿉니다. 그것들은 프롬프트를 통해 역할을 유연하게 취할 수 있습니다. 질문을 던지거나 실수를 하는 "학습자(tutee)"의 역할을 포함하여, 그리고 개방형 대화에 참여할 수 있어서, 이전에는 불가능했던 덜 구조화된 분야(글쓰기, 어휘)에서의 LbT를 가능하게 합니다.

지식 기반의 증거 기반은 이 전환을 대화형, LLM 기반 teachable agents로 추적합니다.

• ChatGPT를 teachable agent로(Chen et al.)는 프로그래밍에서의 LbT을 뒷받침하며, 지식 향상, 프로그래밍 능력, 자기조절 학습을 개선합니다. 그러나 옳은 코드를 생성하는 경향이 오류 수정 연습을 제한합니다.
• 대규모의 Explique(Wang et al.)는 11주 학기에 걸쳐 학생 546명에게 AI teachable agent(Algorithm Apprentice)를 배포하여, 설명 지향적 대화가 잘못된 퀴즈 제출을 더 적게 예측하는 반면 외부 콘텐츠 재사용은 더 많이 예측한다는 것을 발견했습니다.
• 어휘 교육(Uchida et al.)은 LLM을 학생으로 사용하여 동적 질문을 생성하고, 3일과 7일째의 보유를 개선했습니다.

Fallibility 설계하기: 초보자 학습자로서의 LLM

LLM 기반 teachable agents의 중심 설계 과제는, LLM이 기본적으로 전문가 수준의 유창한 응답을 생성하도록 훈련된다는 것입니다. 이는 LbT가 원하는 오류투성이 초보자의 정반대입니다. LLM을 좋은 학습자로 만드는 것은 **fallibility 설계(engineering fallibility)**를 요구합니다.

• 생성된 오류는 진정하게 통할 수 있습니다. 맹검 주석 연구에서, 전문가들은 LLM이 생성한 Java 제출물 196건 중 164건(83.7%)을 사람이 작성한 것으로 잘못 분류했으므로, 학습자는 옳은 코드만이 아니라 디버깅할 현실적인 버그를 공급받을 수 있습니다(Keramati et al. (2026)).
• 가르침 가능성을 위한 프롬프트(Miller & Bosch)는 오류 생산을 명시적으로 강제하는 제약 기반 프롬프트(예: "틀리게 답하라" 또는 "2~3개는 틀리게 하라")가 인물(persona) 기반, 오개념 기반, 불확실성 기반 프롬프트보다 훨씬 더 신뢰성 있게 초보자 같은 행동을 이끌어낸다는 것을 발견했습니다.
• 설계된 지식 격차(Yang et al.)는 LLM이 오직 학생만이 가진 지식 없이는 풀 수 없는 문제를 설계하여, 가르치기를 필수불가결한 것으로 만들고 LLM-튜터 사용의 수동적 과의존에 맞섭니다.
• Explique의 도제자 제약(Wang et al.)은 학습자에게 (a) 초보자로 남고, (b) 학생의 설명이 정확할 때까지 계속 명확화를 요청하며, (c) 목표 설명을 결코 드러내지 말 것을 지시하고, 역할을 뒤집어 학습자가 되돌려 설명하게 하려는 학생들을 거절하도록 합니다.
• fallibility로 향하는 가중치 수준의 경로로서의 언러닝(unlearning). 기계 언러닝은 Mistral-7B에서 16개의 표적화된 지식 구성 요소를 억제하여, 10% 망각 비율에서 약 0.75이던 정확도를 40%에서 0.5 아래로 떨어뜨리면서 기본 모델은 약 0.85를 유지했습니다. 억제된 지식은 감독된 재학습과 코치 안내 대화를 통해 돌아왔으므로, 학습자의 지식 수준은 단언이 아니라 조절 노름입니다(Song, Guo & Lin, 2026)).

질문하기, 자기 조절, 능동 학습

두 가지 추가적 가능성(affordance)이 지식 기반 전반에 걸쳐 되풀이됩니다.

• 질문은 지식 격차를 식별합니다. LbT 시스템은 학습자가 생성한 질문을 사용하여 격차를 드러내고 이해를 강화하며, LLM 생성 질문은 경직된 템플릿 기반 생성기를 대체합니다.
• teach-back은 명확화가 놓치는 것을 표면화합니다. 22명 참가자의 강의 후 복습 시스템에서, Peer 에이전트의 성찰적 teach-back은 학습자가 이해했다고 믿는 것과 그들이 명료하게 말할 수 있는 것 사이의 격차를 일관되게 드러냈는데, 강의에 기반한 명확화만으로는 드러나지 않았던 것입니다(Fang & Reidsma (2026)).
• LbT 스캐폴딩은 자기-교육에서의 AI 규제을 조성합니다. 대화형 에이전트를 가르치는 것은 자기효능감과 자기조절 학습 전략의 실행을 북돋우고, LbT를 바람직한 어려움에 연결합니다. 설명하고 바로잡는 노력의 행위 자체가 AI의 마찰 제거가 지워버릴 생산적인 투쟁입니다.
• 학습자 학습을 예측하는 것은 사전 지식이 아니라 지식 구성입니다. 중학교 학습자 23명에 걸쳐, 지식을 재진술하는 대신 지식을 구성하는 응답의 비율이 개념 후 검사 점수를 예측했으나(β = .138, p < 0.05), 사전 검사 점수는 누가 그것을 산출하는지를 예측하지 못했고, 지식을 구성한 저사전 학습자들은 고사전 또래와 같은 수준으로 마쳤습니다(Ameen et al., 2026).

AI 교육에서 이것이 중요한 이유

가르치며 배우기는 지배적인 LLM-튜터 패턴에 대한 구성주의적 능동적 학습 대응물입니다. 학습자에게 답을 주는 곳에서는(과의존의 위험이 있음), LbT 구성은 학생을 교사로 만들어 설명, 격차 탐지, 지식 구성을 강제합니다. 이것은 LbT를 생성형 AI를 지팡이에서 더 깊은 학습을 위한 도구로 바꾸는 핵심 전략으로 위치시키며, 바람직한 어려움, 능동적 학습, 그리고 구성주의 교수법과 교수 전략과 연결됩니다.

가르치며 배우기를 실천에 옮기기

AI 학습자를 위한 설계 패턴

위의 연구는 기본적으로 전문가인 LLM을 생산적인 학습자로 바꾸는 몇 가지 재사용 가능한 패턴으로 수렴합니다.

• 제약 기반 초보자 프롬프트(가장 신뢰성 있음). 모델에게 "혼란스러운 학생인 척하라"고 요청하는 대신, fallibility와 가르침의 순환을 명시적으로 강제하십시오. 예: "당신은 [개념]을 배우는 초보자 학생입니다. 그것을 가르치도록 제게 요청하십시오. 명확화 질문을 던지고, 우리 대화 중에 의도적으로 2~3가지를 틀리게 하십시오. 정답을 직접 말하지 마십시오 — 제가 설명할 때까지 기다린 다음, 제가 말이 되는지 알려 주십시오."
• 역방향 가르침 방어책. 학생이 역할을 뒤집으려 할 때 학습자가 답을 되돌려 설명하는 것을 거절해야 한다는 규칙을 추가하십시오. 예: "제가 문제를 풀거나 개념을 설명해 달라고 하면, 제가 교사임을 상기시키고 대신 제게 설명하게 하십시오." Explique는 이 저항이 LbT 상호작용을 보존하는 것임을 보여줍니다.
• 설계된 지식 격차. 모델이 오직 학생만이 가진 정보 없이는 답할 수 없도록 과제를 구조화하십시오. 학생의 지식이 진정으로 필요해지고, 선택적이지 않게 됩니다. 이것은 상호작용을 선택적 잡담에서 필수적 가르침으로 전환합니다.
• 외부 성공 기준. 가르침에 진짜 귀결을 부여하십시오. 학생이 성공적으로 가르친 뒤에만 잠금이 풀리는 관문 퀴즈(Explique), 또는 학생이 에이전트의 산출을 통과시켜야 하는 코드 채점 플랫폼(Chen)이 그것입니다. 책임성이 진정한 노력을 유지하고 전체 활동이 체크박스로 전락하는 것을 막습니다.

교사를 위한 팁

• 가르치기 과제를 의미 있게 만드십시오, 단순한 시간 때우기가 아니라. 참여에 관한 가장 강한 증거는 중요할 때 나오는 활동들에서 나옵니다. Explique는 채점된 퀴즈를 가르치기 활동 뒤에 두었고, Chen은 학습자의 산출을 채점 플랫폼 통과에 연결했습니다. 가르치기가 순전히 선택적이라면, 학생들은 이성적으로 어려운 부분을 건너뛸 것입니다.
• 학생들에게 채팅 창만이 아니라 가르침 프로토콜을 주십시오. 구조로 상호작용을 스캐폴딩하십시오. "개념 설명하기 → 구체적 예시 주기 → 학습자의 질문에 답하기 → 이해 확인하기" — 그래서 개방형 대화가 목적 없는 잡담이 아니라 의도적인 가르침의 연속이 되게 하십시오.
• 콘텐츠 덤핑을 정면으로 다루십시오. Explique는 외부 콘텐츠의 직접 복사-붙여넣기가 학기 말까지 상호작용의 15% 미만에서 30–35%로 늘었다는 것을 발견했습니다. 학생들에게 붙여넣기가 왜 목적을 무너뜨리는지 말해 주고, 책임성 단계(예: "에이전트의 오해를 여러분의 말로 설명하라")를 고려하십시오.
• LbT를 디버깅 연습과 짝지으십시오. AI가 옳은 코드를 쓰기 때문에, 학생들은 오류 수정 연습을 잃을 수 있습니다. 의도적으로 학습자에게 무언가를 잘못 구현하도록 요구하거나, 가르치기 세션 뒤에 버그 찾기 과제를 붙여, 디버깅이 순환 속에 남게 하십시오.
• 노력의 기울기를 주시하십시오. 새로움이 사그라질 것을 예상하고, 목표 개념을 바꾸고, 도전을 더하고, 어떤 학생이 교사 역할을 맡을지 순환시켜 한 학기 내내 인지적 노력을 유지할 계획을 세우십시오.

개발자를 위한 팁

• 인물(persona)만이 아니라 단단한 제약을 우선하십시오. "불확실성"이나 "학생 인물"을 위한 프롬프트는 신뢰할 수 없습니다. 오류와 명확화의 순환을 명시적으로 강제하십시오.(Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts 참조)
• 완료 기준을 만드십시오. 학생이 충분히 설명했을 때를 정의하십시오(Explique는 개념의 학습 목표에 연결된 LLM 도구 함수를 사용했습니다). 그래서 상호작용이 시간 제한이나 고정된 턴 수가 아니라 이해 위에서 끝나게 하십시오.
• 대화를 기록하고 코딩하십시오. Explique는 분당 단어 수 탐지와 LLM 의미 코딩을 사용하여 상호작용을 상세함/최소/외부 콘텐츠 사용으로 분류했습니다. 그 신호가 우회와 저하되는 참여를 문제가 되기 전에 탐지하는 방법입니다.
• 교사에게 대시보드를 주십시오. 가르치기 상호작용의 완료율과 질적 패턴은 노력이 떨어질 때 사람이 개입할 수 있게 합니다(Explique의 교사들은 정확히 이것을 감시했습니다).

함의와 열린 질문들

• LbT는 AI 과의존에 대한 확장 가능한 해독제입니다 — 학습자를 인지적으로 활성화된 상태로 유지하면서 튜터/학생 역할을 반전시킵니다. 이는 AI가 더 유창하고 더 "도움이" 될수록 더 중요합니다.
• Fallibility는 버그가 아니라 기능입니다. 너무 옳은 학습자는 LbT를 작동하게 만드는 오류 수정과 격차 탐지를 제거합니다. 생산적 투쟁에 반대하지 않고 그것을 위해 설계하십시오.
• 열린 질문들이 남습니다: LbT 상호작용은 새로움이 완전히 사그라진 뒤에도 한 학기를 넘어 어떻게 지속됩니까? LbT은 비-CS, 덜 구조화된 분야로 같은 규모로 전이됩니까? 자동화된 대화 코딩이 교사를 위한 실천적이고 실시간의 참여 감시 장치가 될 수 있습니까? 그리고 동기 부여된 소수가 아니라 모든 학생에게 가르침 역할을 의미 있게 유지하려면 어떻게 해야 합니까?

연결된 개념

• 교육 패턴 — AI 학습자에게 설명하기: 지식 기반에서 가장 잘 증거된 연속
• 생성형 AI
• 능동적 학습
• 구성주의
• 스캐폴딩
• 자기조절 학습
• 메타인지
• 바람직한 어려움
• 인지 부하 외주화
• 컴퓨터 과학 교육
• 협력 학습
• 지능형 튜터링
• 교수 에이전트
• 교수법과 교수 전략 — 총칭: AI 교육의 교수법과 교수 전략

연결된 문서

• Learning-by-Teaching with ChatGPT: The Effect of a Teachable ChatGPT Agent on Programming Education — 프로그래밍에서의 teachable agent로서의 ChatGPT
• Turning 500+ Students into Teachers: A Semester-Long Study of an AI Teachable Agent in an Undergraduate Algorithms Course — Explique: 학생 546명을 위한 teachable agent
• Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts — 가르침 가능성을 위한 초보자 인물 설계
• Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — LLM의 교수자로서의 학생들 (Socrates)
• Empowering Vocabulary Learning Through Teaching AI: Using LLMs as a Student to Perform Learning by Teaching in Vocabulary Acquisition — AI를 가르치며 하는 어휘 학습
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — 대화형 복습 시스템에서의 teach-back 공고화
• Simulating Novice Students Using Machine Unlearning and Relearning in Large Language Models — 학습자를 초보자 지식 수준에 두는 기계 언러닝, 그리고 가르침 대화를 통한 재학습
• Simulating Students' Java Programming Errors with Large Language Models — LLM으로 학생 오류 시뮬레이션하기
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — 사전 지식이 아니라 지식 구성 응답이 학습자의 학습을 예측한다