은유와 유추

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

종합: 은유와 유추는 AI 교육에서 두 가지 일을 합니다. 교육자와 학생이 AI가 무엇인지(도구, 조수, 블랙박스, 신탁)를 판단하는 의미 형성 장치이자, 익숙한 출발 영역을 낯선 목표 개념에 대응시키는 교수 장치입니다. 이 지식 베이스의 연구는 그 두 가지 일이 연결되어 있음을 보여 줍니다. 사람들이 지닌 은유는 AI에 대해 무엇을 기대하는지, 어떤 특징을 주목하는지, 그리고 그것을 신뢰하는지 두려워하는지를 형성합니다. 같은 구조 대응 논리는 유추가 기술적 개념을 기억에 남게 만들면서도 조용히 잘못 표상할 수 있는 이유를 설명합니다. 결함이 있는 GenAI 생성 유추는 학생들이 출발 영역을 충분히 잘 알아 대응 관계를 감사하고 수리할 수 있을 때 매끄러운 유추보다 더 유용할 수 있습니다. 실천적 교훈은 가르치는 특징에 맞게 은유를 고르고, 구조적 적합성과 문화적 접근성을 확인하며, 비교를 완성된 설명이 아니라 비판의 대상으로 다루는 것입니다. 증거는 대부분 질적이고 개념적이며 소규모이고, 은유 기반 교수가 학습을 향상시킨다는 인과적 증거는 분야에 거의 없습니다.

생각해 볼 질문들

• 여러분이 주의하지 않을 때 생성형 AI에 쓰는 은유는 무엇이며, 그 은유는 무엇을 쉽게 보게 하고 무엇을 쉽게 무시하게 합니까?
• 익숙한 유추는 언제 학생이 기술적 개념을 이해하도록 돕고, 언제 나중 수업이 되돌려야 할 오개념을 심습니까?
• 누구의 출발 영역이 익숙한 것으로 셈합니까? 유추가 스포츠, 게임, 또는 주방 기기에 기대고 있다면 누가 포함되고 누가 배제됩니까?
• AI 튜터가 학생을 위해 유추를 생성해야 합니까, 아니면 학생에게 비판할 유추를 주어야 합니까? 유추가 학생이 말한 관심사에 개인화될 때 무엇이 달라집니까?
• 기억에 남는 유추가 반드시 정확한 것은 아닙니다. 학생이 그 차이를 구별할 수 있음을 보이도록 무엇을 하게 하시겠습니까?
• 은유 기반 수업이 수업을 더 흥미롭게 만든 것에 그치지 않고 AI 리터러시를 향상시켰다고 여러분을 확신하게 할 증거는 무엇입니까?

들어가며

은유는 한 사물이 다른 사물이라고 말합니다. AI는 블랙박스이고, 조수이고, 거울이고, 지도입니다. 유추는 대개 비교를 더 명시적으로 만듭니다. 연결 리스트는 사슬처럼 작동하고, 재귀는 겹겹의 상자처럼 작동하며, AI를 쓰는 것은 Thermomix로 요리하는 것과 같습니다. 둘은 실제에서 겹칩니다. 둘 다 학습자에게 익숙한 출발 영역의 관계를 덜 익숙한 목표 영역으로 옮기게 하고, 대응이 실제로 보존하는 관계를 넘어 확장될 때 오도하게 됩니다.

그래서 이들은 수사적 장식 이상입니다. 개념적 은유 연구는 은유를 언어가 아니라 사고의 구조로 다룹니다. 사람들이 사용할 수 있는 비교가 시스템의 어떤 측면을 두드러지게 느끼게 하고 어떤 설명을 자연스럽게 느끼게 하는지를 형성한다는 것입니다. AI 교육에서 판돈은 실천적입니다. LLM을 검색 엔진으로 틀짓는 학생은 그것이 저장된 사실을 검색할 것이라 기대하고 조작된 사실을 찾지 않을 수 있습니다. 그것을 고급 학생으로 틀짓는 교수자는 모형이 갖지 못한 판단과 교과 전문성을 기대할 수 있습니다. "자연재해"나 "경쟁자"를 중심으로 짜인 정책 논의는 "단어를 위한 계산기"를 중심으로 짜인 논의와 다른 대응을 뒷받침합니다.

이 페이지는 그 이중 역할의 양쪽을 다룹니다. 교육자와 학생이 AI를 이해하는 방식을 들여다보는 창으로서의 은유, 그리고 AI 리터러시와 AI 생성 설명에서의 교수 기법으로서의 유추입니다. 교수자와 학생의 개념화 연구, 교실 은유 워크숍, GenAI 생성 유추, 유추 기반 교수 설계, 비판적 AI 리터러시 작업을 연결합니다. "은유"와 "유추"를 정확한 동의어로 다루지는 않지만, 설계 문제가 공유되므로 함께 둡니다. 출발 영역 선택, 구조적 적합성, 문화적 접근성, 비판이 그것입니다.

은유와 유추가 중요한 이유

이론적 출발점은 Lakoff와 Johnson과 연결되는 개념적 은유 이론입니다. 중심 주장은 사람들이 추상적 영역을 더 구체적인 영역으로부터의 대응을 통해 이해하며, 그 대응이 너무 익숙해져 비교로 보이지 않게 될 수 있다는 것입니다. "인생의 여정"은 말하는 방식만이 아니라 방향, 진전, 장애물, 목적지에 관한 가정을 나릅니다. "AI 조수"나 "AI 블랙박스"도 마찬가지입니다.

교육에 유용한 결과는 은유가 교사가 정의를 제시하기 전에 개념적 작업을 할 수 있다는 것입니다. 학습자에게 설 자리를 줍니다. 또한 주체성에 관한 이론 전체를 나를 수 있습니다. "조수"는 통제하는 사용자를 함의하고, "에이전트"는 주도권을 함의하며, "블랙박스"는 설명이 불가능하거나 불필요하다고 함의합니다. 이것들은 중립적 기술이 아닙니다. 책임을 분배하고 신뢰에 대한 기대를 설정합니다.

유추는 두 번째 층을 더합니다. 구조적 대응입니다. 좋은 교수 유추는 표면적 유사성이 아니라 목표 개념에 중요한 관계를 보존합니다. 사슬은 노드가 순서대로 연결된다는 점에서 연결 리스트를 예시할 수 있습니다. 겹겹의 상자는 각 수준이 같은 구조의 더 작은 버전을 담으므로 재귀를 예시할 수 있습니다. 비교는 언제나 부분적입니다. 교수적 질문은 보존된 관계가 학습자에게 필요한 관계인지, 그리고 학습자가 대응이 멈추는 지점을 볼 수 있는지입니다.

그 질문이 이 페이지를 설명 가능한 AI와 구별합니다. 설명 가능한 AI는 시스템의 결정이 이해관계자에게 어떻게 읽힐 수 있는지를 묻습니다. 교수적 유추는 학습자가 과정에 대해 사용 가능한 심적 모형을 어떻게 세울 수 있는지를 묻습니다. 모형이 왜 학생을 표시했는지에 대한 설명은 모형이 어떻게 텍스트를 생성하는지에 대한 유추와 같지 않으며, 어느 쪽도 다른 쪽을 대신하지 못합니다.

교육자와 학생이 AI를 묘사하는 방식

지식 베이스에는 이제 사람들이 실제로 사용하는 은유를 들여다보는 여러 창이 있습니다. 그것들은 하나의 이미지로 수렴하지 않으며, 그것이 요점의 일부입니다.

Vallis, Wilson and Casey (2025)는 학생, 학계, 교육 지원 직원과 은유 분석 워크숍을 진행했습니다. 참가자의 은유는 네 가지 넓은 범주로 묶였습니다. 기능(스위스 아미 나이프 같은 도구적 비교), 역할(조력자, 공부 친구, 프레너미 같은 인간적 관계), 성질(블랙박스나 미끄러운 비탈 같은 신뢰할 수 없거나 알 수 없는 비교), 주체성(경쟁자나 불길한 로봇 같은 자율적이거나 위협적인 비교)입니다. 두 가지 긴장이 집합 전체를 관통했습니다. 인간 대 기계의 주체성, 그리고 아는 것 대 알 수 없는 것입니다. 워크숍은 그 긴장을 해소하지 않았습니다. 논의 가능하게 만들었고, 그것이 은유 기반 개입이 현실적으로 할 수 있는 일입니다.

Gerhardt와 동료들 (2026)은 여러 학문과 대학의 공학 교수자 57명을 면담하고 그들이 자발적으로 제시한 유추를 분석했습니다. 교수자들은 대부분 생성형 AI를 인간 같은 사회적 존재나 행위자(조수, 박사 과정 학생) 또는 기술적 대상(검색 엔진, 도구)으로 틀짓었습니다. 환경적이거나 체계적인 힘으로 틀짓은 사람은 거의 없었습니다. 저자들은 응답을 존재론, 인식론, 작동, 관계, 권력 또는 역량의 다섯 차원으로 조직합니다. 그들의 우려는 교수자가 은유를 사용한다는 것이 아니라, 같은 학과의 동료들이 언어를 공유한다고 가정하면서 양립할 수 없는 은유를 지닐 수 있다는 것입니다. 그것이 은유 이끌어내기를 교실 기법만이 아니라 교수진 개발 진단으로 만듭니다.

학생들도 비슷한 범위를 보입니다. Bohmer와 동료들 (2026)은 학생들이 GenAI를 사회적 행위자, 기법, 학습 자료, 또는 구조로 개념화하며, 사회정서적 틀과 기술적 틀이 모두 두드러짐을 발견했습니다. Kudina (2026)는 공학 학생들의 지배적 틀을 LLM "신탁"과 "튜터"로 기술하며, 둘 다 도구가 안정적으로 제공하는 것 이상의 권위와 개인화를 부여합니다. Stillman과 동료들 (2026)은 한 학생의 "피드백 자판기"를 매끄러운 튜터 어휘보다 더 유용한 리터러시 산물로 다룹니다. 그것이 거래를 가시화하기 때문입니다. 작업을 넣고, 출력을 받고, 관계도 행위성도 없습니다.

관통하는 발견은 은유가 기대의 진단이라는 것입니다. LLM을 신탁이라 부르는 학생은 단순히 색다른 단어를 쓰는 것이 아닙니다. 그 라벨은 모형이 틀렸을 때 학생이 무엇을 할지, 그리고 검증에 대해 무엇을 믿을지를 예측합니다. 그것을 검색 엔진이라 부르는 교수자는 단순히 부정확한 것이 아닙니다. 그 라벨은 학생에게 그것으로 무엇을 하라고 할지를 예측합니다. 그래서 교육 개발 프로그램이 정책이나 평가 재설계 전에 은유 이끌어내기를 사용할 수 있고, 공학 교육과 컴퓨터 과학 교육에 하나의 기관 전체 정의보다 학문별 대화가 필요한 것입니다.

철학적 갈래는 은유를 다른 방향으로 밀어붙입니다. Xie (2026)는 알고리즘에 관리되는 학습자에 대한 반대 이상으로 "Zhenren"을 제안하며, 그 이미지를 기술적 과정을 설명하기 위해서가 아니라 교육적 목적을 논하기 위한 방식으로 다룹니다.

교수 기법으로서의 유추

말뭉치에서 가장 강한 교실 증거는 컴퓨팅 교육에서의 유추 사용에서 나옵니다. Bernstein과 Sibia (2026)는 학부생에게 연결 리스트와 재귀에 관한 GenAI 생성 유추를 주고 출력에 주석을 달고 토론하게 했습니다. 학생들은 유추를 전체적으로 좋다거나 나쁘다고 판단하지 않았습니다. 구조적 정확성, 명료성, 적절성, 신뢰를 분리했고 구체적 붕괴를 이름 붙였습니다. 순환 경로는 단일 연결 리스트가 아니라 원형 리스트를 기술하고, 배드민턴 랠리는 재귀를 위한 보장된 축소 입력이 없으며, 관심사 기반 비유는 학생이 갖지 못한 지식을 가정할 수 있습니다.

이 논문의 기여는 양측 유추 감사라는 발상입니다. 목표 개념 지식은 유추가 어떤 관계를 보존해야 하는지를 알려 줍니다. 출발 영역 지식은 출발 영역에 실제로 그 관계가 있는지를 알려 줍니다. 가장 예리한 감사자는 항상 관심사가 유추와 맞은 학생이 아니었습니다. 출발 영역을 점검할 만큼 잘 아는 학생이었습니다. 여기에는 설계적 함의가 있습니다. 익숙한 출발 영역은 학생을 수용자에서 전문적 감사자로 바꿀 수 있습니다. 저자들은 결함 있는 유추를 걸러내지 말고 점검하고 수리할 대상으로 부여하라고 권고합니다. 결함 있는 유추는 생산적 어려움이 됩니다.

그 발견은 AI 생성 설명이 학생에게 보이기 전에 매끄러워야 한다는 통상적 가정을 복잡하게 만듭니다. 깨끗한 유추도 틀린 대응을 담을 수 있고, 결함 있는 유추는 과제가 비판일 때 더 교훈적일 수 있습니다. 중요한 조건은 학생들이 유추가 무엇을 보존해야 하는지 알 만큼 목표 지식을 갖추고, 그것이 그러한지 확인할 만큼 출발 지식을 갖추는 것입니다. 둘 중 하나라도 없으면 유추는 잘못된 이유로 기억에 남을 수 있습니다.

ANVIL은 생성 쪽을 보여 줍니다. 개념 정의를 받아 텍스트 유추를 생성하고, 그것을 시나리오로 컴파일하고, 애니메이션 코드를 만들고, 경계가 정해진 루프 안에서 실패를 수리합니다. 시스템은 컴퓨터 과학 교육자들과 평가되었고, 그들은 대부분의 유추를 적절하다고 평정했으며 도구를 초기 수업 계획을 위한 창의적 협력자로 높이 평가했습니다. 저자들은 또한 교수자의 통제, 편집 가능성, 교수적 적합성이 원시 생성 품질보다 중요함을 발견했습니다. ANVIL은 AI 생성 유추가 완성된 설명이 아니라 후보 산물임을 상기시킵니다. 교사는 여전히 대응이 구조적으로 건전하고 학급에 적절한지 결정해야 합니다.

Rummel, Nachtigall and Panadero는 유추를 논증 자체로 사용합니다. 안내형 조리 기기인 Thermomix는 교육에서 생성형 AI와 비슷한 열광과 비판을 불러일으킵니다. 요리 시나리오를 학습 시나리오에 대응시킴으로써, 그들은 논의를 "AI가 좋은가 나쁜가"에서 "작업의 얼마가 위임되며, 그것이 학습자에게 무엇을 하는가"로 옮깁니다. 그 유추는 증거가 아니라 설계 연속체를 가시화하는 장치입니다. 개념 논문에서 유추의 정당한 사용이지만, 검증된 개입으로 오해되어서는 안 됩니다.

Code as Anchor는 설계상의 주의를 더합니다. 학생들은 은유 보기를 포함한 여러 표상을 사용했지만, 시선 시간의 대부분을 코드에 썼고 은유 보기에는 작은 비율만 썼습니다. 일부는 은유적 비계를 유치하거나 보충적이라고 보았습니다. 교수자가 통찰력 있다고 느끼는 은유가 학생에게는 낮은 능력의 표지로 읽힐 수 있습니다. 정당성은 별개의 관심사가 아니라 교수적 유용성의 일부입니다.

비판적 AI 리터러시로서의 은유

은유로 가르치는 가장 직접적인 프레임워크는 Roe, Perkins and Furze (2025)에서 나옵니다. 그들은 비판적 AI 리터러시를 AI 시스템이 어떻게 작동하는지 이해하면서 동시에 그 사회적, 환경적, 문화적 결과를 검토하는 것으로 정의합니다. 13개의 흔한 AI 은유 목록에서 시작하여 교실용으로 네 개를 고르고, 각각을 접근성, 설명력, 비판적 AI 리터러시 잠재력, 교수적 유용성의 네 기준으로 평가합니다.

네 가지는 다음과 같습니다.

• 왜곡 거울로서의 AI — 생성된 출력의 왜곡과 편향을 위한 것.
• 지도로서의 AI — 표상, 선택, 그리고 누구의 지식이 포함되는지를 위한 것.
• 메아리 방으로서의 AI — 피드백 루프, 필터 버블, 기존 패턴의 강화를 위한 것.
• 블랙박스로서의 AI — 불투명성과 설명의 한계를 위한 것.

각각은 짧은 활동과 교사가 촉진하는 토론과 짝을 이룹니다. 왜곡 거울 수업은 학생들이 편향을 위해 프롬프트를 시험하게 합니다. 메아리 방 수업은 반복된 프롬프트와 제한된 데이터가 패턴을 강화하는 방식을 관찰하게 합니다. 지도 수업은 AI의 표상이 무엇을 포함하고 생략하는지를 묻습니다. 블랙박스 수업은 확률적 생성을 사용해 숨은 과정을 가시화합니다. 저자들은 활동을 UNESCO의 학생용 AI 역량 프레임워크에 대응시키며, 이는 프레임워크에 은유를 논의하라는 일반적 권고로 남기지 않고 교육과정 연결 고리를 줍니다.

프레임워크의 가장 중요한 움직임은 은유를 비판의 대상으로 다루는 것입니다. 은유는 부분적이기 때문에 유용하고, 완전한 것으로 제시될 때 위험해집니다. 왜곡 거울은 왜곡을 보여 주지만 그것을 생산하는 알고리즘은 보여 주지 않습니다. 지도는 표상을 보여 주지만 시스템이 갖지 않은 일관된 의도를 함의할 수 있습니다. 블랙박스는 불투명성을 보여 주지만 아무것도 알 수 없다는 결론을 장려할 수 있습니다. 수업은 비교가 어디서 깨지는지에 대한 질문으로 끝나야 합니다.

그것이 또한 은유 작업을 더 넓게 AI 리터러시와 연결합니다. 은유 워크숍은 기술 수업 전에 가정을 드러내는 저기술 방식입니다. AI 생성 유추에 대한 비판은 학생이 목표 개념을 이해하는지 평가하는 방식입니다. 자판기 같은 학생 자신의 은유는 표준화된 설문 문항보다 더 많은 것을 드러낼 수 있습니다. 이들은 모두 창의적 글쓰기 연습이 아니라 AI에 대한 비판적 사고의 형태입니다.

은유 기반 수업 설계하기

• 이미지가 아니라 특징에서 시작하십시오. 학생들이 무엇을 이해해야 하는지 먼저 정한 뒤, 어떤 출발 영역이 중요한 관계를 보존하는지 물으십시오. 잘못된 특징을 가리키는 기억에 남는 비교는 평범한 설명보다 나쁩니다.
• 개인화 전에 구조적 적합성을 확인하십시오. 관심사 매칭은 참여를 높일 수 있지만 출발 영역이 올바른 구조를 갖는다고 보장하지 않습니다. 대응을 먼저 검증한 뒤 개인화하십시오.
• 문화적 접근성을 위해 출발 영역을 감사하십시오. 왜곡 거울, 지도, 스포츠, 주방 기기가 모든 학습자에게 똑같이 익숙하지는 않습니다. 비교가 무엇을 가정하는지 묻고 대안을 제시하십시오.
• 한계를 명시하십시오. 학생에게 은유가 무엇을 보존하고, 무엇을 왜곡하며, 무엇을 설명할 수 없는지 이름 붙이게 하십시오. 비판이 평가되는 학습이지 선택적 토론이 아닙니다.
• 여러 부분적 은유를 사용하십시오. 왜곡 거울, 지도, 메아리 방은 각각 다른 차원을 비추므로 공존할 수 있습니다. 하나의 총체화하는 은유는 오개념이 될 가능성이 더 큽니다.
• 기술적 설명을 가까이 두십시오. 유추는 주제를 열 수 있지만 훈련 데이터, 확률적 생성, 또는 유창한 출력과 검증된 지식의 차이에 관한 수업을 대체해서는 안 됩니다.
• 참여가 아니라 활동을 평가하십시오. 말뭉치는 은유 기반 수업이 AI 리터러시나 학습 성과를 향상시킨다는 것을 아직 보여 주지 않습니다. 활동을 시험할 설계로 다루고 학생이 이후에 무엇을 할 수 있는지 측정하십시오.

흔한 오해

• "기억에 남는 은유는 좋은 은유입니다." 기억에 남는다는 것은 설명력이 아닙니다. 학생은 생생한 유추를 기억하면서도 그것이 밝히려던 개념을 여전히 오해할 수 있습니다.
• "은유는 중립적 예시입니다." 모든 은유는 일부 특징을 선택하고 다른 것을 숨깁니다. 그 선택은 주체성, 신뢰, 책임에 관한 가정을 나릅니다.
• "AI 생성 유추는 바로 사용할 수 있습니다." 생성된 유추는 구조적으로 틀리거나, 문화적으로 협소하거나, 교수적으로 맞지 않을 수 있습니다. 교사 검토나 학생 비판 과제가 필요합니다.
• "학생이 유추를 즐기면 개념을 배운 것입니다." 참여와 학습은 별개의 결과입니다. 여기 증거 기반은 대부분 질적이며 학습 이득을 입증하지 못합니다.

한계와 증거의 공백

이 지식 베이스의 문헌은 고르지 않습니다. 교수자와 학생 은유 연구는 질적이고 종종 소규모입니다. 공학 교수자 연구는 단일 면담 질문에 대한 응답을 분석합니다. 전문직화 연구는 은유 빈도를 탐색적으로 다룹니다. 교실 유추 연구는 학부생 열 명과 개인화와 설명 형식 사이의 교란을 갖습니다. Roe 등의 프레임워크는 개념적이며 그 활동은 학생들과 시험되지 않았습니다. ANVIL은 교육자들과의 시스템 평가이지 학습 연구가 아닙니다.

그것이 작업을 쓸모없게 만들지는 않습니다. 주장을 적절히 겸손하게 만듭니다. 은유 이끌어내기는 설문이 놓치는 가정을 드러낼 수 있습니다. 유추 비판은 구조적 이해를 가시화할 수 있습니다. 잘 고른 은유는 학급에 함께 논쟁할 대상을 줄 수 있습니다. 그러나 분야에는 은유 기반 수업을 평범한 수업과 비교하고, 은유의 회상이 아니라 전이를 측정하며, 접근법이 문화와 학문을 넘어 확장되는지 시험하는 연구가 여전히 필요합니다.

과잉 주장의 위험은 양방향으로 실재합니다. 은유를 완전한 설명으로 다루는 교사는 오개념을 심을 수 있습니다. 은유를 단순 장식으로 다루는 연구자는 학생이 심적 모형을 세우거나 세우지 못하는 메커니즘을 놓칠 수 있습니다. 생산적인 입장은 은유를 설계되고 부분적이며 비판 가능한 표상으로 다루고, 학습자가 그것으로 무엇을 하는지 연구하는 것입니다.

연결된 개념

• AI 리터러시 — 비판적 AI 리터러시와 은유 기반 교수를 아우르는 상위 개념.
• 비판적 사고 — 구조적 추론의 한 형태로서의 유추 비판.
• AI에 대한 오개념 — 지속적인 오개념의 원천으로서의 결함 있는 유추.
• 학생-AI 상호작용 — 학생이 AI 설명을 해석하고 감사하는 방식.
• 교수 에이전트 — 설명이나 유추를 생성하는 AI 튜터.
• 학습 설계 — 유추 기반 자료의 선택과 배열.
• 교육 개발 — 교수진 개발에서의 은유 이끌어내기.
• 공학 교육 — 공학에서의 교수자와 학생 은유.
• 컴퓨터 과학 교육 — 컴퓨팅 교육에서의 유추 사용과 비판.
• 인지 부하 외주화 — 도구와 조수 은유 및 그 위험.
• 신뢰 보정 — 의인화된 역할과 잘못 놓인 신뢰.
• 형평성 — 누구의 출발 영역이 익숙한 것으로 셈해지는가.
• 교수(Teaching) — AI 생성 설명에 대한 교수자의 판단.
• 설명 가능한 AI — 시스템 설명 대 교수적 유추.
• 학생 참여 — 개인화된 유추의 참여 효과.
• 고등 교육 — 이 군집의 대부분 연구가 이루어진 환경.

연결된 문서

• Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — 비판적 AI 리터러시를 가르치기 위한 네 가지 은유와 기준
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — 학생의 GenAI 생성 유추 감사와 깨진 대응 수리
• Fear and awe: Making sense of generative AI through metaphor — 학생, 학계, 직원과 함께한 은유 분석 워크숍
• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — AI 이해를 구성하고 제약하는 공학 교수자의 은유
• Conceptualizations of GenAI and students' professionalization: Within the multi-layered environment of learning for higher education — GenAI와 전문직 학습에 대한 학생들의 은유적 개념화
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — 위임과 AI 학습을 위한 주방 기기 유추
• ANVIL: Analogies and Videos for Lecturers — 컴퓨팅을 위한 AI 생성 유추와 교수 애니메이션
• Using AI in engineering education: a balancing act, driven by clear purpose — LLM의 능력을 넘어서는 학생들의 "신탁"과 "튜터" 은유
• Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations — 은유적 시각화 비계와 그 정당성 문제
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — 리터러시 증거로서 한 학생의 "피드백 자판기" 은유
• Alternative AI Philosophy: Daoism as Method for AI in Education — 교육에서 AI를 위한 반대 은유로서의 "Zhenren"