AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

머신러닝

생성일 2026-08-29 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

머신러닝 — AI 교육의 기술적 토대입니다. 손으로 코딩한 규칙이 아니라 교육 데이터에서 패턴, 예측, 정책을 추론하는 알고리즘입니다. 이것은 지도 학습(위험 학생 분류, 성적 예측), 비지도 학습(학습자 군집 발견), 강화 학습(튜터링과 스캐폴딩 정책 유도), 그리고 심층 학습(시퀀스, 강좌, 시각적 행동을 위한 신경 모델)에 걸칩니다. 생성 AI는 가장 최근이고 가장 눈에 띄는 부분 집합이지만, 그것은 훨씬 더 오래된 예측과 적응의 기계 위에 놓여 있습니다.

생각해 볼 질문들

  • 여러분은 데이터에서 '학습한' 추천 시스템이나 위험 점수를 이미 만나 보셨을 것입니다. 과거 데이터의 패턴만을 바탕으로 (위험 표식이나 추천 경로처럼) 여러분에 대해 어떤 것을 결정하는 모델에 대해 얼마나 편안하십니까?
  • 이 페이지는 위험을 예측하는 것과 실제로 개입하는 것 사이에 선명한 선을 긋습니다. 위험 점수는 학생이 낙제할 수 있다고 말하지만, 그것에 대해 무엇을 해야 하는지는 말하지 않습니다. 마치 이미 해결책인 것처럼 제시된 예측을 어디서 보신 적이 있습니까?
  • 머신러닝은 자신의 보상을 '해킹'할 수 있습니다. 참여를 최적화하는 AI 튜터는 학생들을 즐겁게 하면서도 가르치는 것은 거의 없게 할 수 있습니다. 시스템이 측정 가능하게 성공적이지만 교수학적으로 해롭다면, 그것이 최적화하는 수치 외에 어떤 지표를 지켜봐야 합니까?
  • 과거 성적으로 훈련된 예측 모델은 체계적 편향을 인코딩할 수 있고, 자동 감독은 정상적 행동을 잘못 표식하는 오탐 위험을 높입니다. 데이터가 과거의 편향을 담고 있을 때, 그것을 사용해 중대한 교육 결정을 내리는 AI를 얼마나 신뢰해야 합니까?
  • 일부 AI 시스템은 인간이 해석 가능한 방법을 능가하면서도 불투명하게 남습니다. 작동하는 것은 보이지만 왜 그런지는 보이지 않습니다. 교육에서 해석 가능성은 '있으면 좋은 것'이 되는 경우와 협상 불가능한 것이 되는 경우가 각각 언제입니까?
  • 생성 AI는 흔히 완전히 새로운 것으로 다뤄지지만, 이 페이지는 그것을 머신러닝의 최신 부분 집합으로 규정합니다. ChatGPT를 같은 예측·적응 기계의 일부로 보는 것이, 그것이 물려받을 위험과 한계에 대한 기대를 어떻게 바꿉니까?

들어가며

머신러닝은 교육의 흔적을 실행 가능한 지능으로 바꾸는 것입니다. 그것은 적응형 시스템 뒤의 학생 모델, 위험 학습자를 표식하는 학습 분석 대시보드, 다음 문제나 스캐폴드를 고르는 지능형 튜터, 원격 시험을 감시하는 자동 감독 시스템에 동력을 공급합니다. 이곳에서 종합된 글들에 걸친 패턴은 일관적입니다. 학습자에 대한 데이터를 수집하고, 그것으로부터 예측 또는 의사결정 모델을 학습하고, 그 모델에 기반해 행동합니다. 그 행동이 조기 경보이든, 강좌 추천이든, 적응형 스캐폴딩이든, 시험 감시이든 간에 말입니다.

머신러닝이 교육에서 하는 일

학생 성과를 위한 예측 모델링. 지도 분류기들 — 로지스틱 회귀, 랜덤 포레스트, SVM, K-최근접 이웃 — 은 학업 성과, 인구통계, 수강 기록을 사용해 자퇴하기 전에 위험 학생을 식별합니다. 더 발전된 구조는 더 나아갑니다. TRACE 트랜스포머는 학생이 다음 학기에 수강할 강좌와 받을 성적을 공동으로 예측하며, 역사를 평평한 시퀀스로 다루지 않고 동시 수강 강좌의 병행성을 모델링합니다. 상호작용 온라인 학습의 DMO-GRU 프레임워크 같은 옵티마이저+시퀀스 혼합 구조는 자동 특징 선택과 하이퍼파라미터 튜닝을 순환 신경망과 결합하여 참여와 성과 예측에서 높은 정확도와 낮은 오차에 도달합니다. 공유되는 하나의 야망은 "정밀 교육"입니다. 연속적인 위험 계층화와 낙제를 예측하며 경로를 결과에 정렬하는 학생 디지털 트윈으로, 기관을 사후적 보완에서 예방적 지원으로 옮기는 것입니다. 글래스박스 모델도 여기서 뒤지지 않습니다. Zhang, Jeffries & Koprinska (2025)는 본질적으로 해석 가능한 의사결정 트리 — 특징 선택으로 잎 노드 35개로 가지치기된 — 가 대규모 온라인 프로그래밍 강좌에서 모듈 수준의 학생 진도를 블랙박스 랜덤 포레스트와 SVM만큼 정확히 예측한다고(정확도 8591%) 보여줍니다. 이는 조기 경보 응용에서 해석 가능성을 예측력과 맞바꾸지 않아도 된다는 증거입니다. 트리 기반 모델은 문항 난이도 추정에도 효과적임이 입증되었습니다. Razavi and Powers (2026)는 LLM이 추출한 인지·언어 특징을 랜덤 포레스트와 그래디언트 부스팅 머신에 넣어 K-5 수학과 읽기 문항의 난이도를 예측하여(N = 5170), LLM 직접 추정치, 더미 회귀 변수, TF-IDF 기준선, 메타데이터 전용 모델보다 낮은 RMSE/MAE로 최대 r = 0.87의 상관에 도달했습니다. 트리 기반 모델은 해석 가능한 특징 중요도도 산출했습니다. 학년과 단어 수가 최상위 예측 변수였습니다. 이는 구조화된 특징과 해석 가능한 학습자가 하나의 총체적 판단을 어떻게 능가할 수 있는지를 보여줍니다. 멀티모달 AI 융합은 이 예측 도구 모음을 확장합니다. Bird (2026)는 미세 조정된 ELECTRA 트랜스포머를 계산언어학 특징 위의 탐색된 심층 신경망과 융합하여, 영국 Key Stage 기준으로 영문학을 F1 0.996으로 분류했습니다. 이는 최고의 단일 모달 트랜스포머(BERT, 0.75)와 최고의 언어 특징 네트워크(0.392)를 훨씬 웃도는 수치로, 모델 패밀리의 결합이 단일 접근을 능가하는 구체적 사례입니다. Sukoon(Bashir & Afzal, 2026)은 교육 인접 웰빙 지원에서 지도 분류의 간결한 응용 사례입니다. 심리적, 생리적, 환경적, 학업적, 사회적 차원에 걸친 1,100개 응답의 학생 스트레스 설문에서 20개 특징에 대한 랜덤 포레스트(추정기 100개)를, 누수를 피하기 위해 훈련 데이터에만 스케일러를 맞춘 층화 70/15/15 분할로 훈련하고, 같은 분할에서 SVM과 비교했습니다(정확도 89.09% 대 88.48%). 주목할 만한 두 가지가 있습니다. 저자들은 혼동 행렬을 오차 방향으로 해석합니다. 모델의 주된 실수는 낮은 스트레스를 중간으로 분류한 것이었는데, 이것은 웰니스 배포에서 학생을 더 적은 지원이 아니라 더 많은 지원으로 보냅니다. 그리고 그들은 원시 특징 중요도를 실질적 발견으로 사용합니다(혈압 15.6%, 교수자-학생 관계 10.0%). 한편 k-fold 구간이 없는 단일 층화 분할과 비대표성 데이터가 그러한 가중치의 신뢰도를 제한한다고 인정합니다.

적응형 교수와 튜터링. 머신러닝은 모델링과 교수 사이의 고리를 닫습니다. 지능형 튜터링 시스템에서 베이즈 지식 추적 휴리스틱과 심층 강화 학습 정책 모두 다른 수준의 인지 참여를 이끌어내도록 풀이 예시 유형을 적응적으로 선택하여, 비적응형 대비 사후 검사 성과를 유의미하게 향상시켰습니다. 한편 두 정책은 학습자 선수 지식에 따라 갈렸고, 이는 해석 가능성에 관한 질문을 제기합니다. 강화 학습은 또한 교수학적 안전 의제의 기반입니다. RL 튜터는 대리 보상을 최적화하므로 그것을 "해킹"할 수 있습니다(참여를 높이면서 거의 가르치지 않는 것). 따라서 이를 안전하게 유지하려면 선수 과목 이행과 최소 인지 요구에 대한 구조적 제약이 필요합니다. STEM 영역의 규칙 기반 시스템(6학년 과학)처럼 더 가벼운 적응형 프로그램은, 머신러닝이 직접적인 경로 통제가 아니라 모니터링을 위해 절제되게 사용되면서도 심층 학습을 지원할 수 있음을 보여줍니다.

지식 추적 쪽에서는 Pradeesh et al. (2026)가 순환 모델이 교육과정 고유의 구조에 맞춰 조정될 수 있음을 보여줍니다. 그들의 OKT 모델은 성과 기반 교육의 강좌 성과를 지식 개념으로 다루고, 전문가가 검증한 OBE 친화 매핑(강좌 성과와 프로그램 성과 사이의 관계)을 결과 간 영향을 위한 메모리 증강 신경망과 결합하며, GRU 백본을 도메인 적응 BERT 임베딩과 짝지어 DKT, DKVMN, EKT, SimpleKT를 능가하는 89.81% AUC에 도달합니다. 이는 실제 공학 프로그램 데이터에서의 결과입니다.

표 형태 수치 답안으로부터의 진단. Yin et al. (2026)는 오랫동안 AI에 닫혀 있던 영역에서 튜터링의 진단 측면을 그래디언트 부스팅 트리가 해결함을 보여줍니다. 학생의 손으로 쓴 풀이에 구조화된 디지털 데이터가 없는 공학 경제 계산식 문항에서, 그들은 제출된 중간·최종 수치 답안을 교수자 루브릭의 오류 표식에 매핑하기 위해 문항별 전용 XGBoost 다중 레이블 백본을 훈련시켰습니다(평균 정밀도 0.81, 재현율 0.79, 정확도 0.65). 입력 특징을 다양한 확률로 "NaN"으로 마스킹하는 랜덤 마스킹 데이터 증강은 SMOTE 같은 보간 방법보다 표 형태 풀이의 논리적 의존성을 더 잘 보존하며 진단을 유의미하게 개선하고, 중간 답안을 포함하는 것이 가장 큰 도움이 됩니다. 이는 생성 방법에 훈련 데이터가 부족한 곳에서 트리 기반 모델과 구조 인지 증강이 튜터링 피드백을 붓스트래핑할 수 있다는 증거입니다.

RL 부분 집합에 대한 분야 수준의 조망은 Riedmann, Schaper & Lugrin (2025)의 89개 교육 내 RL 연구 체계적 검토가 제공합니다. 이 검토는 RL이 적응형 튜터링과 스캐폴딩 정책을 유도하는 주요 ML 계통임을 확인하지만, 고전적(Q-러닝) 방법이 심층 RL보다 더 일관되게 효과적이라고(유의미한 우위 61% 대 36%) 발견하며, 절반 이상의 연구가 통계적 검정을 전혀 수행하지 않는다고 지적합니다. 이는 아래의 검증 우려를 반영하는 방법론적 경고입니다.

예측에서 행동과 책임으로. 지속적인 한계는 위험 점수와 실행 가능한 개입 사이의 간극입니다. SC2R 프레임워크는 보정된 예측 모델과 정수 계획법적 대안 생성, 의미 검증을 결합하여, 단순히 모델상 타당한 것이 아니라 시점, 예산, 가용성 제약을 존중하는 개입 계획을 산출합니다. 제약을 존중하고 기계가 검증 가능한 권고를 향한 이 "예측을 넘어서는" 움직임은, 예측적 AI 교육이 기관이 할 수 없거나 하지 말아야 할 행동을 권고할 수 있다는 비판에 대한 이 분야의 응답입니다.

프로크터링에서의 머신러닝

별개의 응용은 자동 시험 감독입니다. CNN과 RNN/LSTM 같은 심층 학습 시스템은 눈 움직임, 머리 자세, 표정을 분석하여 전통적 모니터링보다 부정행위를 더 신뢰성 있게 탐지하지만, 10년에 걸친 체계적 검토는 지속적인 데이터셋 한계, 단일 모델 평가, 재현성 격차, 정상적 행동을 잘못 표식할 수 있는 오탐 위험을 발견합니다. 함께 제공되는 학업 부정행위에 대한 검토는 그러한 시스템이 대응해야 하는 부정행위 방식(신원 위장, 브라우저 사용, 복사-붙여넣기)과 그 형평성의 경계가 되는 실용적 부담 — 비용, 연결성, 응시자 불안 — 을 기록합니다. 둘은 함께 ML 프로크터링이 프라이버시 보존적이고 맥락을 인식하는 설계, 그리고 접근 가능한 대안과 짝지어야 한다고 경고합니다.

한계와 윤리적 우려

종합된 문헌은 머신러닝의 한계에 대해 솔직합니다. 이득은 종종 벤치마크나 단일 기관의 데이터에서 오며, 재훈련 없이는 일반화되지 않을 수 있습니다. SC2R와 TRACE 모두 이를 인정합니다. 과거 채점으로 훈련된 예측 모델은 체계적 편향을 인코딩할 수 있고, 민감한 학생 데이터에 적용된 위험 점수는 AI 거버넌스와 인간 감독을 요구하는 프라이버시와 형평성 우려를 제기합니다. 해석 가능성은 반복되는 긴장입니다. RL 정책은 해석 가능한 휴리스틱을 능가하면서도 불투명하게 남을 수 있습니다. 그리고 보상 해킹은 ML 시스템이 측정 가능하게 성공적이면서도 교수학적으로 해로울 수 있음을 보여주며, 이것이 구조적 안전 제약과 감사 인프라가 중요한 이유입니다.

검증 관행은 과잉 확신의 또 다른 원천입니다. Schuetze, Yan, and Carvalho (2025)는 지식 추적 모델(BKT, BKT-with-Forgetting, AFM)이 이용 가능한 모든 세션에 사후적으로 적합될 때 학습 추세를 포착하는 것처럼 보이지만, 시간 기반(워크포워드) 교차 검증 — 실제 배포를 반영하여 이전 세션으로 훈련해 이후 세션을 예측하는 방식 — 하에서는 미래 성과를 과대평가하고, 간격 효과를 놓치며, 연습 조건의 순서를 잘못 매긴다고 보여줍니다. 망각 없는 모델은 망각 증강 모델과도 맞먹었는데, 이는 망각이 학습된 것이 아니라 다른 파라미터에 흡수되었음을 시사합니다. 훈련과 배포 분포가 시간적으로 분리될 때 — 종단 학생 데이터에서의 표준 — 강한 표본 내 또는 사후적 적합은 예측 타당성을 보장하지 않습니다.

부분 집합으로서의 생성 AI

생성 AI — 대규모 언어 모델과 관련 LLM 시스템 — 은 머신러닝의 부분 집합으로 이해하는 것이 가장 좋습니다. 같은 신경망과 훈련 기반을 가지되, 분류하거나 예측하는 대신 콘텐츠(설명, 피드백, 대화)를 생성하는 데 적용됩니다. 그것은 이 분야의 타당성, 편향, 안전 우려를 물려받으면서 환각 같은 새로운 우려를 더합니다. 이 지식베이스의 목적상 머신러닝이 더 넓은 기술적 우산이며, 생성 AI는 그것의 가장 눈에 띄는 현대적 분지입니다.

교사 교육과 머신러닝 리터러시

머신러닝은 교육에 학습 과목으로서도 등장합니다. 예비 교사 훈련에서 Micro:bit과 지도 이미지 분류 프로젝트를 사용한 실습 코딩과 로보틱스 개입은 예비 교사들의 계산 개념과 기초 머신러닝 지식, 그리고 그것을 가르치는 태도를 유의미하게 향상시켰습니다. AI 리터러시가 교육과정에 들어오면서, 교사들에게 머신러닝에 대한 실무적 이해를 갖추게 하는 것은 학생들에게 그것을 가르치기 위한 전제 조건이 됩니다. 대조적인 경로는 소프트웨어 없이 같은 개념에 도달합니다. Sung and Gunpinar's (2026)의 온라인 전문성 개발에서 10명의 K-12 교사들은 "해석 가능한 특징 행렬"을 손으로 만들었습니다. 즉, 그것 자체가 분류기인 형태 특징의 예/아니오 표로, 불투명하지 않고 시험하고 수정할 수 있는 것입니다. 도구는 Code.org의 분류 게임과 Google Slides뿐이었습니다. 그들의 AI 자기효능감은 중간 이하(M = 3.13)에서 중간 이상(M = 3.71)으로 올랐고, 단어 연상 과제에서의 부정적 서술어는 참가자의 30%에서 0명으로 줄었습니다. 다만 그 증거는 작고, 통제되지 않으며, 전적으로 자기 보고입니다.

연결된 개념

연결된 문서

메타데이터

기술과 기법기술, 생성형 AI, 학습 분석, 머신러닝, 학습자 모델링과 적응형 수업
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.