AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

학습 과학

생성일 2026-09-17 · 갱신일 2026-09-17

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

학습 과학 — 사람들이 어떻게 학습하는지, 그리고 학습이 일어나는 환경을 어떻게 설계할 것인지를 연구하는 학제간 연구 분야로, 인지 심리학, 학습 이론, 컴퓨터 과학, 언어학에 의존하며, 이론만이 아닌 실증적 증거로 자신의 설계를 판단합니다. 이 지식 베이스에서 이것은 학교 교과목 중 하나가 아니라 교육에서의 AI를 둘러싼 연구 분야입니다: 이것은 AI 시스템이 운영화하는 메커니즘(지식 요소, 숙달 기준, 전이), 그것들이 내장되는 설계 대상(계획된 강좌 순서, 튜터, 피드백 체제), 그리고 그것들이 판단되는 기준(학습 성과, 평가 타당도, 형평성)을 제공합니다. 이것의 조직화 질문은 도구가 잘 수행되는지가 아니라 학습자가 변화했는지입니다.

생각해 볼 질문들

  • 한 학습자가 모든 연습 문항을 통과하여 숙달 기준이 세트를 종료합니다 — 그러고 나서 행동을 억제해야 할 곳에서 규칙을 잘못 적용합니다. 그 오류는 누구의 것일까요? 학습자의, 모델의, 아니면 정지 규칙의 것일까요?
  • 순서 채굴(sequence mining)은 교실을 관찰하지 않고도 554개 강좌를 패턴으로 기술할 수 있습니다. 이 분야는 실행된 활동 대신 설계된 의도를 연구함으로써 무엇을 얻고, 무엇을 잃을까요?
  • LLM 피드백에서의 인구통계학적 민감성은 학습자가 진술한 교육 수준을 추적할 때는 적응처럼 보이고, 정서를 변화시킬 때는 편향처럼 보입니다. 둘을 구분할 수 없는 분야가 개방형 모델을 계속 사용하여 평가해야 할까요?
  • 학습 과학이 인과 설계 — 무작위 배정, 반사실 감사, 학습자의 실행 가능한 모델 — 에 대한 욕구가 교육에서의 AI에서 무엇이 증거로 간주되는지를 좁히고 있을까요?

들어가며

학습 과학은 학습과 학습 환경의 설계를 연구하며, 주제만큼이나 방법으로 정의됩니다: 실험, 교실 시험, 학생 데이터에 대한 정량적 모델링, 설계와 맥락에 대한 질적 분석, 그리고 중재를 구축하고 사용 중에 수정하는 설계 기반 연구입니다. 이러한 폭은 이 페이지를 틀, 실천, 도구를 제공하는 이웃 페이지들과 구분합니다. 아래 절은 각 경계와 그 경계 너머에서 이 분야가 확립한 것을 설명합니다.

이 페이지는 그러한 방법들이 산출한 실질적 지식 — 학습자가 생성형 모델로 무엇을 하는지, 어떤 배치가 결과를 변화시키는지, 그리고 이 분야 자체의 도구가 어디서 실패하는지 — 을 다룹니다. 학문 분야별 AI 교육는 반대로, 교과 내용이 지원이 해야 할 일을 변화시킨다고 보는 반대의 절단을 취합니다. 학습 과학은 횡단적 관점을 취하며, 그것들이 검증하는 메커니즘은 인지 심리학 아래에 모입니다.

학습 과학에서 AI가 드러나는 방식

  • 먼저 메커니즘, 그다음 모델. An, McLaren and Stamper (2026)는 Riichi Mahjong을 위한 지능형 튜터링 시스템으로 11개 실험(N = 192)을 실행하여, 과잉일반화된 산출물(적용 제약이 없는 행동)을 편집한 학습자들이 첫 번째 "행동하지 말라" 문항에서 12%의 예상 오차율(베이즈 지식 추적 하)에 비해 61.5%–100%로 잘못 적용함을 보였습니다. 95% 숙달 기준으로 시스템은 학습자들이 행동을 억제해야 하는 경우를 만나기 전에 연습을 중단했으므로, 그 결함은 발견되지 않았습니다. 누락된 제약을 명명하는 피드백와 함께 짧은 "행동하지 말라" 연습은 잘못 적용을 0.0%–23.1%로 줄였으며(Cohen's h 1.70–2.44), 13개의 K-12 Decimal Point 데이터셋에 대한 이차 분석은 정수 편향에서 동일한 구조(비교 오차의 84%–88%)를 발견했습니다.
  • 최적점은 내용에 따라 다르다. Rachatasumrit, Koedinger and Carvalho (2025)는 예시–문제 비율을 내용–처치 상호작용으로 다룹니다: 기하-면적 자료로 95명 참가자의 2×2 실험에서, 연습 중심 훈련은 언어 그대로의 사실에 대해 더 큰 학습 향상을 낳은 반면, 예시 통합 훈련은 일반화 가능한 기술에 대해 더 큰 향상을 낳았습니다(β = 0.41, p = .038, d = 0.38). ACT-R 스타일 기억-망각 메커니즘이 주어진 모의 학습자(Apprentice Learner)만이 교차점을 재현했습니다. 더 많은 연습이 균일하게 더 좋은 것은 아닙니다: 기억 지향적 내용은 인출을, 귀납 지향적 기술은 통합된 예시를 요구합니다.
  • 설계를 분석 가능한 대상으로. Divjak, Svetec and Horvat (2026)은 학습 분석를 학습 설계 자체에 돌려, 자유 강좌 설계 도구로 계획된 554개 강좌의 29,064개 활동을 코딩했습니다. 습득(Acquisition)이 가장 흔한 학습 유형이자 가장 흔한 진입점이었으며, 가장 강한 마르코프 전이는 평가 → 토론(0.332)이었고 최고 신뢰도의 규칙은 습득 → 평가 → 연습 → 연습(0.743, lift 1.45)이었습니다. 학습 유형은 의도된 결과 수준을 추적하여, 습득은 Bloom 1수준에서 활동의 약 50%에서 6수준에서 약 20%로 떨어졌습니다. 저자들은 이것들이 실행 전 설계임을 강조합니다: 뒤집힌 강좌, 탐구 기반 또는 프로젝트 기반 순서와의 유사성은 의도의 증거가 아닙니다.
  • 평가하는 모델을 감사하기. Rooein, Benedetto and Hovy (2026)은 LLM 6개를 에세이 채점, 형성적 피드백, 질의응답에 걸쳐 감사하며, 과제 입력을 고정하고 인구통계 맥락만 변화시켰습니다(192,480회 호출). 명시적 페르소나 하에서 점수는 안정적이었으나, Llama-70B는 암묵적 대화 이력 하에서 자신의 점수를 1.57점 부풀렸고(p < 0.001), 고등교육은 덜 읽기 쉽고 더 긍정적인 반응을 끌어냈습니다 — 대략 표준편차 4개의 정서 격차. 가독성 효과는 줄어들고 길이 효과는 커졌으며, 일부 계수는 조건 간에 부호가 바뀌었습니다. 저자들은 이것을 배포 판결이 아닌 감사 도구로서 제공하며, 인구통계 신호와 주제 신호의 얽힘을 타당도와 형평성에 대한 위협으로 읽습니다.
  • 역량을 측정하기, 그리고 그 한계. Verí (2026)는 유능한 생성형 AI 사용을 위한 도구를 지식과 사용, 인식론적 감독, 의존도 보정, 도구 사용 에이전트의 통제라는 네 영역으로 조직하며, 그것들을 하나의 숙련 연속체로 합치는 것을 거부합니다. 자기 평가와 실증된 AI 리터러시 간의 세 개 동일 표본 상관이 r = .055(95% CI [-.047, .156], 보고 N = 2,765)로 모였으며, 저자는 이것을 자기 평가를 수행 점수와 교환 가능하게 다루는 것을 기각하기에 충분하지만, 절단점을 설정하기에는 충분하지 않다고 읽습니다. 검증된 도구는 도구 사용 에이전트가 만들어내는 결정의 전체 집합을 다루지 못했습니다. 제안된 계층형 배터리는 설계 가설입니다.
  • 학습자 자신의 업무 이관에 관한 자기 보고. Alam (2026)은 인지 부하 외주화 문헌을 PAUSE로 옮기며, 이는 4개 영역의 브라우저 전용 자가 점검으로, LLM 시대의 모든 문항이 출처에 고정되어 있고, 종합 점수도, 저장도, 운영 중인 모델도 없습니다. 그 구간은 규준화되지 않은 서술적이며, 읽음은 평가, 입학, 채용 결정을 정당화해서는 안 됩니다. 그 명시된 한계가 중요합니다: 이관의 자기 보고는 그것이 다루는 능력에 취약하며, AI를 비계로 의도적으로 사용하는 응답자는 여러 문항에서 이관으로 읽히며, AI 관련 이관이 일반적 기술 의존과 구별되는지는 열린 문제로 남습니다.
  • 인간 전문성이 놓이는 곳. Wang et al. (2024)는 가장 분명한 노동 분담을 보고합니다: 약 900명의 초보 K-12 튜터와 약 1,800명의 학생을 대상으로 한 2개월 무작위 대조 시험에서, 경험 많은 튜터의 추론에서 끌어온 실시간 제안은 주제 숙달을 4퍼센트 포인트(62%에서 66%로, p < 0.01) 높였고, 낮은 평가를 받은 튜터에게서는 9포인트 높였으며, 튜터당 연간 약 \$20의 비용으로, 튜터링을 안내 질문 쪽으로 이동시켰습니다. 향상은 근접한 것이었습니다 — 학년 말 시험은 움직이지 않았습니다. Reichert et al. (2026)는 교사들이 설계로 동일한 지점에 도달함을 발견합니다: 챗봇을 프로토타이핑한 6명의 중등 교사는 경계가 분명한 전문가를 지정하고, 권위 경계(학습과 안전에 대한 책임은 위임 불가능)와 전문성 경계(모델은 개별 학생에 대한 그들의 지식이 없다)를 유지하며, 콘텐츠 제시, 연습, 교정 피드백는 위임하면서 목표 설정과 총괄 평가는 유보했습니다.
  • 분야 수준의 역량. Sutedjo, Chowdhury and Liu (2026)은 생성형 AI용으로 조정된 TPACK 도구로 127명의 교수를 조사했습니다: 현저히 낮은 기술 통합 지식 옆에 강한 내용 지식과 교육내용지식(M = 4.70–5.15)을 보였으며, 전체적 TPACK은 2.55로 가장 낮았고, 내용 지식은 어떤 기술 통합 영역과도 무관했으며, 세 개의 통합 영역은 매우 높게 상관하여(r = .81–.91) 하나의 요인으로 기능할 수 있습니다. Perrotta (2026)는 코드베이스가 시스템 프롬프트와 상용 모델에 대한 검색 파이프라인이었던 중단된 영국 공무원 프로토타입을 통해 거버넌스 계층을 읽으며, 기초 모델의 일반성이 정책 도구로의 빠른 재목적화를 가능하게 함과 동시에 비정상 출력을 영구적으로 완화만 가능한 위험으로 만든다고 주장합니다. 루프 안에 앉아 있는 것이 아니라 루프 너머로 내려다보는 감독 말입니다.
  • 통합 간극, 매핑됨: Malik and Bashir (2026)는 32개 연구(PRISMA 2020, 주제 분석)를 네 가지 주제로 종합했습니다. 분야 내부의 인식론적 파편화, 이론–기술 모순(전산 시스템은 예측과 측정 가능한 행동에서 작동하는 반면 교육 이론은 맥락과 사회적 상호작용을 강조합니다), 분석을 통한 학습의 데이터화, 그리고 부상하는 패러다임으로서의 하이브리드 지능입니다. 그들의 하이브리드 지능 프레임워크는 검증된 모형이 아니라 개념적 종합이며 — 저자들은 그것이 경험적 검정을 기다린다고 밝힙니다 — 그러나 네 주제 지도는 이 분야가 끊임없이 부딪히는 이론-전산 번역 문제를 위한 유용한 감사 렌즈입니다.

학습 과학이 이웃과 관계하는 방식

설계 기반 연구는 이 분야가 빌리지 않고 개발한 방법입니다: 중재가 작동하는 교실 안에서 구축되고 이론적 근거와 함께 수정되므로, 한 연구가 산출물과 설계 원칙을 모두 산출합니다. 이것이 맥락을 고정하여 원인을 분리하는 실험실 실험과 구분되며, 이 분야의 발견이 효과 크기가 아닌 설계 지식으로 도달하는 이유입니다. AIED 연구 방법는 반대의 절단을 취합니다: 그 페이지는 실험, 조사, 질적 작업, 벤치마크, 검토, 합의 방법의 전체 레퍼토리를 도구들 사이의 선택으로서, 각각이 뒷받침할 수 있는 주장의 타당도에 비추어 조망합니다. 이 페이지는 동일한 코퍼스를 실질적 측면에서 읽으며, 레퍼토리가 학습에 대해 무엇을 확립했는지 묻고, 방법을 그 설계 주장이 학습자와의 접촉에서 살아남는지로 판단합니다.

학습 이론는 행동주의, 인지주의, 구성주의, 사회문화적 설명, 동기와 자기 조절을 AI를 읽는 렌즈로서 후보 틀들을 모읍니다. 학습 과학은 그 어휘는 공유하지만 그 입장은 아닙니다: 여기서 이론은 설계가 구현하거나 반박해야 하는 메커니즘에 대한 주장이며, 이 분야의 위상은 틀의 일관성이 아닌 실증적·설계 작업 위에 놓입니다. 틀 페이지는 틀이 무엇을 주장하는지 알 때 열 것이고, 이 페이지는 틀이 축적한 증거를 알 때 열 것입니다.

이 분야는 또한 빌린 틀을 검증만 하지 않고 이론을 구축하기도 합니다: 교육에서의 인공지능의 이론 개발는 학습자, 교사, AI 시스템이 상호작용하는 방식을 설명하는 개념 작업을 다루며, 그것이 측정되기 전에 이 분야 고유의 구성개념이 논쟁되는 곳입니다. 그 설계가 대개 산출하도록 요구되는 것은 전이 — 즉 튜터, 교과, 배운 과업 너머로 살아남는 지식과 기술 — 이며, 이것이 도구 안에서 측정된 향상이 도구 없이 측정된 것보다 약한 주장으로 간주되는 이유입니다. 그리고 설계된 환경은 복합 중재이기 때문에, 결과를 하나의 구성 요소에 귀속시키는 것은 이 분야의 오랜 측정 문제입니다: 교육 측정는 그 귀속을 애초에 논증 가능하게 만드는 심리측정 기구를 제공하며, 이것이 측정 질문이 사후가 아닌 여기서 일찍 도래하는 이유입니다.

인지 심리학는 이 분야가 가장 많이 의존하는 메커니즘 수준의 학문으로, 제한된 작업 기억, 부호화와 인출, 분해 가능한 지식 요소, 그리고 학습자 모델링의 진단 언어를 제공합니다. 학습 과학은 이 메커니즘들을 그것들로 환원하지 않고 사용합니다: 그 분석 단위는 실험실의 기억 설명이 갖지 않는 사회적, 동기적, 맥락적 변수를 담고 있는 설계된 환경이며, 그 검증은 고립된 인지 효과가 아닌 전체 중재에 대해 실행됩니다.

교수법과 교수 전략와 학습 설계는 실천을 다룹니다 — 어떤 교수 전략을 쓸 것인지, 목표·활동·평가를 강좌로 어떻게 배열할 것인지. 둘 다 학습 과학이 외부에서 기술과 평가의 대상으로 연구하는 것입니다. 이 분야는 교사에게 다음에 어떤 전술을 손에 쥘지 말하지 않고, 그 전술들이 무엇을 하는 것으로 나타났는지를 보고합니다. 학습 설계가 더 가까운 친척인데, 둘 다 구현되고 검증될 수 있는 무언가를 산출하기 때문이지만, 설계자의 산출물은 가르칠 수 있는 강좌이고 이 분야의 산출물은 일반적으로 설계에 관한 지식입니다.

발견들은 교수에 도달해야만 의미가 있으며, 그 여정은 세 페이지를 통해 이루어집니다. 교육 개발는 그것들을 운반하는 제도적 실천입니다. 교수 개발, 표준, 정책, 정체성 작업이 검증된 설계가 교실에 도달하는지를 결정하며, 이것이 이 분야의 증거가 제도가 실행한 것을 일상적으로 앞서는 이유입니다. 전문성 개발는 교사가 교실에 들어서기 전에 지식이 착륙해야 할 곳이며, 교수(Teaching)는 그 이후에 착륙하는 곳입니다. 즉 언제 개입할지, 어떤 도구를 쓸지, 학습자를 언제 놓아둘지에 대한 순간순간의 판단 말입니다. 세 곳 중 어디도 학습 과학 발견을 산출하지 않습니다. 세 곳 모두 그 발견들이 실천을 변화시키는지를 결정합니다.

연결된 개념

연결된 문서

메타데이터

분야Learning Sciences
수준K 12, Higher Ed, Adult Learning
대상 독자Researchers, Instructional Designers, Instructors, Policymakers
학습과 교수인지 심리학, 학습 이론, 교수법과 교수 전략
기술과 기법지능형 튜터링, 학습 분석
연구 방법과 평가AIED 연구 방법
교육에서의 인공지능 기초학습 설계
페이지 종류Framework, Synthesis
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.