AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

동료 평가

생성일 2026-08-13 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

동료 평가 — 학생들이 서로의 작업을 서면 동료 검토, 동료 채점, 동료 코드 검토, 또는 집단·팀 평가를 통해 평가하고, 채점하고, 피드백을 주는 실행을 말합니다. 글쓰기 교수법과 교수 전략에서 이는 오랜 모범 사례입니다. 학생들은 기준에 따른 피드백을 받는 것과 주는 것 모두에서 배우며, 공유된 작업에 대한 동료 간의 대화는 더 깊은 학습, 독자 인식, 사회적 발달과 상관됩니다. AI 시대에 동료 평가는 단일 활동이 아니라 평가 설계의 선택으로서 재검토되고 있습니다. AI가 생성한 피드백의 인간적 보완물이자, 피드백 리터러시를 기르는 훈련장이며, 학문적 진실성와 학생 주체성이 재협상되는 장소입니다.

생각해 볼 질문들

  • 여러분의 작업이 동료에게 평가받았거나, 여러분이 동료의 작업을 평가했던 때를 떠올려 보십시오. 피드백을 주는 것과 받는 것 가운데 어디에서 더 많이 배웠으며, 왜 그랬을까요?
  • 왜 학생의 피드백이 AI 피드백보다 맥락을 더 잘 파악하고 정서적으로 더 지지적일 수 있는 반면, AI 피드백은 더 일관적이고 루브릭에 기반할 수 있을까요? 둘은 어떻게 서로를 보완할 수 있을까요?
  • 동료는 강한 작업에 낮은 점수를 주는 경향이 있고, AI는 약한 작업에 후한 점수를 주는 경향이 있습니다. 어느 쪽도 전 품질 범위에서 믿을 만하게 정확하지 않다면, 각 출처의 채점은 무엇에 사용되어야 할까요?
  • 동료 평가는 스캐폴딩과 명확한 기준에 크게 의존하며, 우정 편향과 사회적 불안은 훈련받지 않은 동료 검토를 없는 것보다 못하게 만들 수 있습니다. 여러분의 맥락에서 적절한 훈련은 실제로 어떤 모습일까요?
  • AI가 구성과 구조에 관한 논평을 초안으로 작성할 수 있다면, 그것은 동료 평가를 불필요하게 만드는 걸까요? 아니면 동료가 자신들만이 줄 수 있는 구체적이고 독자를 의식한 피드백을 주도록 여유를 주는 걸까요?
  • 한 연구에서 생성형 AI를 지원하는 동료 피드백이 단순 동료 피드백을 능가했으나, 프롬프트 스캐폴딩이 더해졌을 때만 그랬습니다. 거기서 스캐폴딩되는 것은 무엇일까요? AI, 학생, 아니면 평가?
  • AI가 생성한 피드백을 비판적으로 평가하는 것은 AI 리터러시와 글쓰기 주체성을 기르는 것으로 묘사됩니다. 기계가 점점 더 많이 논평하는 상황에서 자신의 작업에 대한 주체성을 지닌다는 것은 어떤 의미일까요?

들어가며

동료 평가는 학생들이 대개 교수자에게 유보된 평가 작업의 일부를 떠맡는 평가 설계의 선택입니다. 그 형태는 학생이 무엇을 산출하는지와 무엇이 걸려 있는지에 따라 다릅니다. 동료 피드백(초안에 대한 논평, 대개 형성적이며 낮은 이해관계), 동료 채점(성적에 기여하는 점수), 동료 코드 검토, 그리고 집단 또는 팀 평가(동료가 공동 결과물이나 서로의 기여를 평가하는 것). 형태가 학생이 무엇을 연습하는지를 결정합니다. 기준에 따른 논평을 주는 것은 숫자를 매기는 것과는 다른 평가적 판단을 기르고, 자신의 코드를 구두로 방어하는 것은 또 다른 것을 기릅니다. 자기평가는 같은 기준 기반의 세밀한 검토를 학습자 자신의 작업으로 돌리는 형제적 실행인 반면, 동료 평가는 그것을 동료의 제출물과 그에 따르는 독자 인식으로 향하게 합니다.

연구 기반은 동료 평가가 학습을 낳는다는 데는 동의하면서 그것이 설계에 얼마나 의존하는지에 대해서는 의견이 갈립니다. 동료 평가는 학생에게 진정한 독자를 제공하고, 기준에 기반한 응답을 통해 평가적 판단을 발달시키며, 관여와 동기을 뒷받침하는 사회적 맥락을 만듭니다. 그 품질은 스캐폴딩에 크게 의존합니다. 얼마나 잘 구조화되어 있는지, 학생이 명확한 기준과 훈련을 받는지가 중요합니다. AI가 들어오는 지점이 바로 그 의존이며, 동료가 주는 구체적이고 맥락을 파악한 피드백에 대한 일관적이고 루브릭에 기반한 보완물로서, 그리고 점점 더 동료 평가 과정 자체에 내장된 스캐폴딩으로서 들어옵니다.

학생이 동료를 평가하며 배우는 것

동료 평가에 대한 가장 강력한 논거는 평가자가 배운다는 것입니다. Fowles et al. (2026)는 CS1의 모든 제출물을 훈련된 조교와의 15분 구두 코드 검토 면접의 대상으로 삼아 과제 성적의 70%에 반영했습니다. 복사-붙여넣기한 문자 수의 비율은 61.0%에서 68.1%로 올랐고(p < 0.0001), 시험 점수는 떨어지지 않았으며 과제 수행 시간도 안정적으로 유지되었습니다. 학생의 90%가 검토가 자신의 코드를 더 잘 이해하도록 동기를 주었다고, 65%가 AI에 대한 과잉 의존을 피하는 데 도움이 되었다고 답했습니다. 훈련된 동료에게 자신의 작업을 설명하게 하는 것이 잠재적 과잉 의존을 자기조절적 실행의 기회로 전환했습니다.

그 메커니즘은 문헌 전반에 되풀이됩니다. 203편을 선별한 가운데 22편을 대상으로 한 PRISMA 2020 체계적 문헌고찰에서, Martínez-Peláez et al. (2025)는 LLM이 동료 피드백을 돕고 루브릭 기반 평가를 모의하는 것을 통해 부분적으로 협력 학습을 지원하며, 모델 산출물을 검증하고 수정하는 학생들이 비판적 사고를 발달시킴을 발견했습니다. 가르치며 배우기은 기계 사이에서도 나타납니다. 240만 개가 넘는 AI 에이전트 사이의 동료 학습 유사 담론은 질문보다 단정이 지배적이었고(진술 대 질문 비율 11.4:1, 28,683개 게시물의 코딩된 분류에서 메타인지적 성찰은 7%에 불과), Chen et al. (2026)는 표면적 담론이 무언가 배웠음을 입증하지 않는다는 경고로 이를 다룹니다.

훈련, 보정, 피드백 리터러시

학생이 훈련받지 않으면 동료 평가는 예측 가능하게 실패합니다. Gu, Chen, and Yan (2026)는 중국의 1학년 혼합 방법 준실험을 중국의 1학년 학부생 118명을 대상으로을 진행하여, 사전 훈련된 루브릭 아래의 ChatGPT-4o와 고품질 모범작을 갖춘 구조화된 동료 검토 워크시트를 비교했습니다. 피드백 리터러시는 생성형 AI 집단에서 다소 더 많이 올랐고(ANCOVA p = 0.049, η²p = 0.03), 그러나 질적 발견이 더 중요합니다. 동료 집단 학생들은 피드백 출처를 사회적 편의로 선택했고 — 가까운 동료, 같은 전공 동료, 룸메이트 — 특정한 피드백 목표를 지니는 경우가 드물었으며, 피드백을 구하는 것에 사회적 불안을 느꼈습니다. 동료 평가는 우정 편향과 지각된 동료의 숙련도에 의해 더 자주 왜곡되었고, 동료 성찰은 종종 이후 시험까지 미루어졌습니다. 저자들은 익명의 동료 피드백을 포함한 다단계 설계를 권하며, 동료 검토가 피드백을 주는 것을 통해 독자 인식과 평가적 판단을 독특하게 기른다는 점을 유지할 것을 주장합니다.

설계 틀은 그 병목을 겨냥합니다. Irwin and Muller (2026)는 말하기에 대한 EFL/ESL 동료 피드백에서 생성형 AI의 두 역할을 제안합니다. 시간 압박, 덧없는 구두 수행, 높아진 정서 때문에 글쓰기보다 어렵다고 주장하는 경우입니다. 하나는 모범작 기반 보정과 피드백에 대한 피드백을 통해 피드백 제공자를 지원하는 Trainer이고, 다른 하나는 동료의 논평을 기준에 연결된 수용 보고서로 모아 형식을 표준화하고 소수 의견을 보존하며 모순을 표시하는 Synthesizer입니다. 그 원칙은 시의적절한 시점과 순서, 짧고 반복되는 Trainer 단위, 제공자의 목소리 보존, 그리고 가드레일입니다. 이는 교수자를 순환 안에 유지하고 자동화 채점은 두지 않는 안전장치입니다. 이 논문은 개념적이며 새로운 실증 자료는 없습니다.

타당성, 공정성, 채점 정확성: 동료 대 AI 대 교수자

동료 평가가 성적을 낳는 곳에서 문제는 그 성적이 방어 가능한지입니다. Usher and Faraon (2026)는 동료-교수자 정합이 낮은 품질의 작업에서 가장 강했고(r = 0.51, 저품질 층위) 고품질 프로젝트에서는 약해졌음을 발견했습니다. 동료는 강한 작업에 낮은 점수를 주는 경향이 있었고, 이는 아마도 강한 작업을 비판하기를 꺼리는 데서 비롯된 듯합니다. ChatGPT는 정반대의 양상을 보였습니다. 고품질 작업에서는 정합이 더 좋았으나, 약한 제출물에는 후한 점수를 주었습니다. 학생들은 동료의 채점이 동료 자신의 서면 피드백과 더 일관적이라고 지각했으며, ChatGPT의 중립적 일관성과 나란히 동료의 관계를 의식한 판단을 높이 평가했습니다. 동료의 정확성은 품질 의존적이고 관계에 민감하며, 어느 단일 출처도 전 범위에서 믿을 만하지 않습니다.

그것은 동료 채점이 무엇에 사용되어야 하는지를 제약합니다. 분포의 중간에서 보정된 점수가 반드시 꼭대기나 바닥에서 보정되어야 하는 것은 아니므로, 동료 채점은 강한 작업에 대한 최종 점수보다는 조정된 결정에의 투입물이나 평가자의 판단에 대한 증거로서 더 방어 가능합니다. Suen and Hung (2026)는 기관이 확장 가능한 대안을 계속 찾는 이유를 강조합니다. 동료 피드백과 전문가 코칭은 시간이 많이 들고, 비용이 크며, 일관되게 확장하기 어렵습니다. 그들의 폐루프 시스템은 XGBoost 기반으로 발표 기술에 대해 성인 학습자 204명을 채점하여 전문 평가자의 신뢰성에 근접했고(ρ = 0.69–0.78), 사전-사후 이득은 Cohen's d = 0.39–0.90이었습니다. 이는 동료 평가와의 비교가 아닌 하나의 사전-사후 현장 연구이며, 동료의 판단을 보강하기보다 기계의 판단을 대체합니다.

AI가 보강하는 동료 평가: PAIRR과 Trainer/Synthesizer 분할

지배적인 설계 패턴은 동료를 중심에 두고 그 주위에 AI를 더하는 것입니다. Peer and AI Review + Reflection 모델이 가장 잘 문서화된 사례입니다. Sperber et al. (2025)는 PAIRR을 글쓰기 강좌 10개와 글쓰기 집약형 STEM 강좌 3개에 걸쳐 학생 654명(37%가 첫 세대, 13%가 국제 학생, 68%가 다중 언어 사용자)과 함께 구현했습니다. 학생들은 초안을 작성하고, 동료 검토를 교환하고, 같은 초안에 대해 ChatGPT에 루브릭 기반 피드백을 요청하고, 둘을 비판적으로 평가하고, 수정을 계획하고, 성찰했습니다. 58%가 결합된 피드백을, 36%가 동료 피드백 단독을, 오직 6%만 AI 피드백 단독을 선호했습니다. 두 출처는 종종 비슷했고(75%가 유사점을 보고하며, 서로를 확인하고 강화하는 것으로 묘사했습니다) 달랐을 때는 보완적이었습니다. AI 피드백은 종종 지나치게 일반적이라고 불렸으나(31%) 구성과 구조에 대해 행동 가능한 수정 전략을 주었고, 동료 피드백은 더 구체적이고 상세했으며(28%) 과제에 대한 맥락적 지식을 끌어냈습니다. AI 산출물을 비판적으로 평가하는 것이 AI 리터러시를 기르고, 단 5.3%의 학생만이 그것에 대해 과신을 보였습니다.

그 패턴은 전문 글쓰기로 일반화됩니다. MacArthur et al. (2025)는 상급 경영 글쓰기 강좌에 PAIRR을 적용했습니다. 다섯 개의 주요 과제가 각각 초안, 독자 분석, 2–3명의 동료 검토, 수정을 요구했습니다(등록 학생 46명 가운데 34명이 참여; 69%가 다중 언어 사용자). 학생들은 AI 피드백을 높이 평가했으나 때로 지나치게 일반적이라고 느꼈고, 동료의 맥락적 지식을 높이 평가했습니다. "제 동료들이 고용주의 관점에서 보았어요… ChatGPT는 그만큼 하지 못했어요." 더 큰 PAIRR 연구의 코딩된 성찰 가운데 4분의 1이 AI 피드백에 대한 회의를 표현하거나 부정확성을 지적했으며, 저자들은 이를 AI 리터러시의 발달로 읽습니다. 이 연구는 기술적이며 특정 강좌에 국한됩니다.

동료 피드백과 집단 평가 안에서의 스캐폴딩으로서의 생성형 AI

설계가 얼마나 중요한지를 시험하는 가장 엄밀한 검증은 다기관 군집 무작위 실험입니다. Ateş (2026)는 4개 대학의 48개 분반 — 생물, 화학, 물리의 1학년 학부생 1,176명 — 을 과학 논증에 대한 네 조건으로 무작위 배정했습니다. 동료 피드백 단독, 직접 생성형 AI 피드백, 성찰적 생성형 AI 피드백(자기 평가 후 AI 비평), 그리고 자기 평가 → 동료 피드백 → 생성형 AI 비평의 혼합. 직접 생성형 AI는 즉각적인 논증 품질에서 동료 피드백을 이겼으나 전이는 더 약했고, 성찰적 설계와 혼합 설계는 더 강한 피드백 수용과 자기조절 학습을 낳았으며, 혼합 설계는 개념 학습에서 가장 분명한 이점을 보였고, 둘 모두 지연된 AI 없는 전이에서 직접 생성형 AI를 능가했습니다. 저자들의 결론은 생성형 AI의 가치가 접근성보다 수정 과정에서 학생 주체성과 소유권을 보존하는지에 달려 있다는 것입니다.

동료 토론 이후가 아니라 이전에 AI 피드백을 순서화하는 것도 결과를 높였습니다. 동료 피드백 단독과 비교하여, AI와 동료를 통합한 피드백을 받은 중국 EFL 학생 122명은 더 높은 정서적, 행동적, 인지적 관여를 보고했고(부분 η² = 0.29, 0.28, 0.32), 네 가지 IELTS 쓰기 차원 모두에서 더 나은 수행을 보였으며, 가장 큰 차이는 과제 달성이었습니다(d = 1.41)(Liu (2026)).

그 양상 — 유지되지 않는 초기 이점 — 은 비교 대상이 생성형 AI 단독이 아니라 교수자 피드백 대 AI 지원 동료 피드백일 때도 되풀이됩니다. Tang, Li, and Luo (2026)는 중국 L2 작가 61명(채점된 텍스트 244편)을 대상으로 8주 준실험을 진행하여, 하나의 다섯 차원 체크리스트로 작업하게 하고 한 반은 교수자의 서면 피드백을, 다른 반은 AI 지원 동료 피드백을 받게 했습니다. 교수자 피드백은 훨씬 많은 논평을 낳았고 — 첫 과제에서 316개 대 185개, 어휘와 기술적 세부에 집중 — 즉각적인 이득도 다소 더 컸으나, 그 향상은 두 번째 과제까지 급격히 떨어진 반면 AI 지원 동료 반은 꾸준히 유지하여 더 높은 수정 점수로 마쳤습니다. AI 지원 동료의 논평은 더 적었으나 내용과 구조에 고정된 채 남았고, 초기의 어휘 다양성 우위는 지속되지 않았으며, 어떤 양식도 통사론적 복잡성을 움직이지 않았습니다. 저자들은 둘을 보완적인 스캐폴딩으로 읽고, AI가 초안 작성 중 표면 오류를 표시하고 동료가 수정 중 내용을 협상하며 교수자가 둘 모두가 닿지 못한 것을 겨냥하는 AI–동료–교수자 혼합 모델을 제안합니다.

생성형 AI를 더하는 것은 동료 피드백 자체의 품질도 높일 수 있으나, 명백히 프롬프트 지원이 있을 때만 그렇습니다. Chang et al. (2026)는 네 차례의 협력적 논증에 걸쳐 12개 집단의 학생 교사 45명을 세 조건으로 비교했습니다. 단순 동료 피드백, 생성형 AI를 더한 동료 피드백, 프롬프트 스캐폴딩 아래 생성형 AI를 더한 동료 피드백. 생성형 AI를 지원하는 집단은 논증 수행에서 단순 동료 피드백을 능가했고, 프롬프트 스캐폴딩 집단은 "반박 자료와 근거", "반대 의견 다루기"와 같은 고급 요소에서 가장 좋은 수행을 보였습니다. 생성형 AI를 지원하는 집단은 더 많은 설명, 제안, 중립적이거나 부정적인 피드백을 냈고, 스캐폴딩 집단은 부정적 정서를 고차 피드백 내용과 짝지었습니다 — 비판적 평가이지 수동적 수용이 아닙니다. 작은 단일 실험이지만, 프롬프트 스캐폴딩이 능동적 요소임을 분리합니다.

집단 평가는 문제를 바꿉니다. 학생들이 누구의 AI 사용이 수용 가능한지를 협상해야 하기 때문입니다. Chen and Zou (2026)는 최종 성적의 30%를 차지하는 집단 발표에 통합과 정합을 요구한 강좌에서 예비 교사 52명의 포커스 집단 15개를 인터뷰했습니다. 세 패턴이 나타났습니다. 첫째, 작업을 붙잡고 공유된 성적을 보호하기 위해 생성형 AI 사용을 강화한 다섯 집단의 협력 지향적 주체성. 둘째, 진정성과 공정성을 보호하기 위해 사용을 억제한 일곱 집단의 규범적 주체성 — 한 학생은 AI로 부분을 생성하는 것이 "다른 조원들에게 공정하지 않을 것"이라고 추론했습니다. 셋째, 실행이 개인 작업에서 결코 변하지 않은 세 집단의 비실행 주체성. 저자들은 개인의 역량이 저절로 집단적 주체성이 되지 않으며, 수용 가능한 AI 사용의 협상 자체가 평가 가능한 결과가 되어야 하고, 동료 검토 과제가 최종 산출물에 공급되어야 한다고 주장합니다.

피드백 구조, 공개, 그리고 동료 평가의 사회적 조건

동료 평가는 또한 학생이 서로에 대해 무엇을 볼 수 있는지, 무엇을 인정할 것인지에 의존합니다. Hao and Cukurova (2026)는 8주에 걸쳐 128명의 학생을 대상으로 AI 생성 요약 학습 설계를 세 차례 반복하며 시험했습니다. AI 지원 반복의 학생들은 기준선보다 유의미하게 높은 표준화된 외향 중심성을 보였고(β = 0.547과 β = 0.438, 모두 p < 0.001). 더 많은 동료를 보거나 상호작용했습니다. 인터뷰에서 요약은 잘못 명명된 대화 스레드에 묻힌 기여를 찾는 노력을 줄여 주는 항해 지도로 묘사되었고, 학생들은 우정이 아니라 대비되는 의견을 위해 선택된 활발한 기여자에게 주의를 기울였습니다. 이 설계는 업무량 증가에 따른 열람 활동의 감소를 막지 못했으므로, 기술적 가능성만으로는 관여를 유지하지 못합니다.

동료 규범은 정직성도 형성하며, 이는 동료가 AI의 영향을 받은 작업을 평가하는 모든 곳에서 중요합니다. Qu and Wang (2026)는 싱가포르 학부생 409명을 대상으로 공개 의무에도 불구하고 학생이 생성형 AI 사용을 숨기는 이유를 조사하고, 관계적 변수가 지배적임을 발견했습니다. 지각된 동료의 공개와 교수자와의 편안함이 공개의 가장 강한 예측 변수였고, 도덄적 괴리는 더 약했습니다. 비공개는 도덕적 태만이 아니라 지각된 동료 규범과 낮은 해석적 신뢰에 대한 전략적 적응이었습니다. 따라서 동료 규범은 정직성을 지원할 수 있습니다. 집단 평가 학생들이 조원에 대한 의무감으로 AI 사용을 억제할 때가 그렇습니다. 또는 억압할 수도 있습니다. 집단적 채택이 오용의 지각된 위험을 낮출 때가 그렇습니다. 저자들의 주장은 투명성이 순응보다 신뢰와 긍정적 규범적 분위기에 더 많이 의존한다는 것이며, 이는 동료 평가 설계가 만들거나 파괴하는 관계적 조건입니다.

설계 함의와 열린 질문들

몇 가지 설계적 조치가 뒤따릅니다. 평가자에게 평가 전에 훈련, 모범작, 기준을 제공하십시오. 훈련받지 않은 동료 평가는 우정 편향, 편의 기반 출처 선택, 사회적 불안에 취약하기 때문입니다. 자기 평가가 동료 피드백과 AI 비평에 앞서도록 작업을 순서화하십시오. 혼합 조건이 가장 강한 개념 학습과 최선의 지연된 전이를 낳았기 때문입니다. 생성형 AI가 들어오는 곳에서는 학생이 그것을 프롬프트하는 방식에 스캐폴딩을 제공하십시오. 성적이 되는 모든 것에서는 교수자를 순환 안에 유지하고, 동료 채점을 균일한 점수가 아니라 품질 의존적 증거로 다루며, AI 사용 자체를 집단이 협상하고 문서화할 대상으로 만드십시오.

생성형 AI가 매개하는 검토는 또한 도구의 언어적 규범을 물려받습니다. World Englishes 대화에 기여한 이들은 생성형 AI를 사용하는 검토자가 모델과 같은 지배적 영어 변이에 대한 편향에 노출된다고 주장하며, 생성된 텍스트을 글쓴이 자신의 언어적 정체성을 반영하도록 편집하거나 다시 쓸 것을 권합니다(Ugwuanyi et al. (2026)).

열린 질문들은 설계만이 아니라 증거의 강도에 관한 것입니다. 동료와 AI에 관한 증거의 상당 부분은 작고 맥락에 얽매여 있습니다. 한 강좌의 학생 교사 45명, 한 경영 글쓰기 강좌의 학생 34명, 15개 포커스 집단의 예비 교사 52명. PAIRR 조사는 여기서 가장 큰 자료 집합이며, 학생이 판단한 AI 산출물의 품질이 아니라 학생의 인식을 측정합니다. 다기관 실험의 학부생 1,176명만이 인과 비교적 규모에 근접하며, 그것은 동료 평가 그 자체가 아니라 과학 논증을 위한 피드백 설계를 시험합니다. 한편 O'Neill (2026)는 AI가 교육을 개선한다고 주장하는 동료 검토된 메타분석 14개를 감사하여 어느 것도 자신의 주장에 대한 타당한 근거를 제공하지 않음을 발견했습니다. 12개를 제외한 모든 메타분석이 처치를 교수법적 개입이 아니라 도구로 규정했고, I²를 보고한 모든 메타분석에서 이질성은 높았으며(77.2%에서 94.4%), 1차 연구 59개의 감사에서는 61%가 타당성 문제를 지녔고, 가장 흔한 것은 측정된 결과와 주장 사이의 불일치였습니다. AI가 동료 평가에서 무엇을 하는지에 대한 주장은 설계된 활동에 대한 주장으로, 그 활동의 기준으로 시험된 것으로 다루어야 합니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

분야Writing Education
대상 독자Learners, Instructors
학습과 교수협력 학습, 메타인지, 자기조절 학습
평가와 측정AI 피드백 품질, 형성평가, 모둠 활동
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.