사전 지식

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

사전 지식 — 학습자가 새로운 학습 과제에 가져오는 기존 지식, 기술, 신념, 심성 모델(mental models)입니다. 사전 지식은 이후 학습을 예측하는 가장 강력한 단일 요인입니다. 새로운 정보는 학습자가 이미 아는 것을 통해 해석되고 또 그것과 통합되므로, 모든 학습자를 백지 상태로 다루는 수업보다 사전 지식을 활성화하고 그 위에 쌓는 수업이 더 강하고 오래 지속되는 학습을 만들어 냅니다. 교육에서의 AI에서 사전 지식은 학습자 모델링과 적응형 수업(학습자의 현재 상태에 맞춰 수업을 적응시키는 일), 지식이 기존의 심성 모델 위에 능동적으로 구성된다는 구성주의 원리, 그리고 내용을 미리 가져와 보여 주는 AI 도구가 사전 지식을 활성화하는 인출 연습을 우회할 위험과 관련하여 핵심적인 개념입니다.

생각해 볼 질문들

• 깊이 배운 것 하나와 배우는 데 어려움을 겪은 것 하나를 떠올려 보십시오. 그 차이 중 얼마나 큰 부분이 시작할 때 이미 알고 있던 것에서 비롯되었습니까?
• 사전 지식을 갖는 것만으로는 충분하지 않습니다. 적극적으로 인출되어 새로운 내용과 연결되어야 합니다. 이미 아는 것을 떠올리는 일(또는 그러지 못한 일)이 새로운 것을 배우는 데 얼마나 달라졌던 경험이 있습니까?
• 이 페이지는 사전 지식이 잘못되어 있을 때(오개념일 때) 학습을 방해할 수 있다고 말합니다. 새롭고 올바른 정보를 배우기 어렵게 만든 적 있는 믿음을 떠올려 보실 수 있습니까?
• 답을 미리 가져오는 생성형 AI는 사전 지식을 활성화하는 인출 연습을 우회할 수 있습니다. 학습을 돕기 위해 설계된 도구가 어떻게 당신이 아는 것을 떠올리지 못하게 막을 수 있을까요?
• AI가 개인화를 위해 당신의 사전 지식 상태를 추정해야 한다면, 그 추정이 틀렸을 때는 어떤 일이 벌어집니까? 어떤 시스템이 당신이 이미 아는 것을 정확히 알 수 있다고 얼마나 확신하십니까?
• '사전 지식 활성화'가 수업 전에 학생에게 질문을 던지는 것과 어떻게 다릅니까? 무엇이 그 활성화를 그 뒤에 따르는 학습을 진정으로 깊게 만들 수 있을까요?

들어가며

사전 지식의 활성화는 학습 과학에서 가장 견고한 발견 중 하나입니다. 학습자는 새로운 자료를 진공 상태로 흡수하는 것이 아니라 기존의 도식(schema) 위에 그것을 투영하며, 그 투영의 질서가 기억 유지와 전이를 결정합니다. 이 개념은 Ausubel의 선행 조직자(advance organizers), 새로운 수업 전의 사전 지식 활성화, 알고 있는 것을 활성화하고 강화하는 한 형태로서의 인출 연습, 그리고 학습자가 이미 아는 것의 진단적 평가의 기반이 됩니다. AI 시대에 사전 지식은 생성형 AI가 활성화를 지원할 수도(학습자가 알고 있는 것을 떠올리고 연결하도록 프롬프팅하는 것) 있고 완전히 우회할 수도(학습자가 인출하거나 통합할 필요 없이 답이나 미리 가져온 내용을 즉시 제공하는 것) 있기 때문에 새로운 시급성을 띠게 되었습니다.

사전 지식의 역할

• 사전 지식은 학습의 가장 강력한 예측 요인입니다. 수십 년간의 연구는 학습자가 이미 아는 것이 다른 거의 모든 요인보다 학습 결과와 더 강하게 상관된다는 것을 보여 줍니다. 새로운 정보가 기존의 심성 모델에 상대적으로 부호화되기 때문입니다. 따라서 각 학습자의 사전 지식 상태에 적응하는 AI 시스템은 효율성과 전이 면에서 특별한 가능성을 지닙니다.
• 소유가 아니라 활성화가 중요합니다. 사전 지식을 갖는 것만으로는 충분하지 않습니다. 적극적으로 인출되어 새로운 자료와 연결되어야 합니다. 이것이 '사전 지식 활성화'가 표준적인 수업 기법이며, 인출 연습(무엇을 더하기 전에 아는 것을 떠올리는 것)이 단순한 재노출을 넘어 학습을 향상하는 이유입니다.
• 사전 지식은 학습을 이끄는 일을 누가 하는지를 항상 예측하지는 않습니다. 중학교 교사 23명을 대상으로 한 5일간의 러닝 바이 티칭(learning-by-teaching) 연구에서, 교사의 사전 시험 점수는 교사가 산출한 지식 구축 응답의 비율을 예측하지 못했으며, 지식을 구축한 사전 수준이 낮은 교사들은 사전 수준이 높은 또래들과 통계적으로 동등한 수준으로 마무리했습니다(Ameen et al., 2026).
• 사전 지식은 해석의 틀을 만듭니다. 학습자는 이미 믿고 있는 것을 통해 새로운 정보를 해석합니다. 그 믿음이 잘못되었을 때(AI에 대한 오개념), 사전 지식은 학습을 방해할 수 있으며, 이것이 수업이 중립적인 출발점을 가정하기보다 오개념을 드러내고 다루어야 하는 이유입니다.
• 사전 지식은 학생 모델링을 이끕니다. 개인화를 위해 AI 시스템은 학습자의 사전 지식 상태를 추정해야 합니다. 이것이 지식 추적, 학생 모델링, 적응적 스캐폴딩의 기반입니다. 이러한 추정의 질이 적응이 진정으로 도움이 되는지, 아니면 오도하는지를 결정합니다.
• 지식의 내용이 어떤 과정 연습을 끌어들이는지를 결정합니다. 학습이 기억에 달려 있는지 귀납에 달려 있는지는 목표가 되는 것의 사전 지식 구조에 의해 정해집니다. Rachatasumrit, Koedinger & Carvalho (2025)는 KLI 틀에 따라 조건과 반응이 일정한 지식 요소(사실 — 기억과 인출 연습을 통해 습득됨)와 조건과 반응이 변하는 지식 요소(기술 — 귀납과 새로운 입력에 대한 일반화를 통해 습득됨)를 구분합니다. 이것이 사실 내용과 기술 내용에 대해 풀이 예시와 연습의 최적 배합이 다른 이유입니다.

AI 시대의 사전 지식

생성형 AI는 사전 지식을 배경 변수에서 중심적인 설계 고려 사항으로 만들었습니다.

• 우회의 위험. 내용을 미리 가져와 보여 주는 능동적 에이전트 AI는 학습자가 답을 받기 전에 아는 것을 떠올리거나 통합할 필요 없이 사전 지식을 활성화하는 인출 연습을 우회할 수 있습니다. 이것은 에이전트-교육 모범 사례 틀에서 확인된 여섯 가지 교육학적 위험 중 하나이며, 노력이 많이 드는 처리가 지속 가능한 학습을 뒷받침한다는 원리와 함께 과잉 의존 및 바람직한 어려움에 직접 연결됩니다.
• 사전 지식은 결과뿐 아니라 오프로딩의 양상을 만듭니다. 종합쓰기 연구에서 사전 지식이 많고 오프로딩이 적은 집단은 에세이의 80%를 직접 작성한 반면, 오프로딩이 가장 심한 집단은 2%만 작성했습니다(평균 25.1개의 프롬프트). 프롬프트 양은 노력이 아니라 사전 지식을 반영했습니다(Poquet et al. (2026)).
• 이익의 격차는 누적됩니다. AI를 생산적으로 사용하는 것이 학습자가 이미 아는 것에 달려 있기 때문에, 사전 지식이 더 강한 학생은 그것을 더 잘 활용하는 반면 초심자는 대체물로 삼을 가능성이 가장 큽니다. 이것은 접근성이 동일할 때도 성취 격차를 넓힐 수 있는 분포적 위험입니다(Lodge & Loble (2026)).
• 시동(priming)과 활성화를 설계 기법으로 삼기. GenAI 마인드툴 접근법은 새로운 내용을 제시하기 전에 질문, AI 생성 시각 자료, 비유(예: "생태계에 대해 이미 알고 있는 것은 무엇인가요?")를 통해 사전 지식과 호기심을 활성화하여 의도적으로 '학습 과제에 시동을 겁니다'. 이는 답 제공 경로가 아니라 인출과 통합의 경로를 모델링하는 것입니다.
• 학생 모델링과 기억. AI 시스템은 학습자의 사전 지식 상태와 종단적 기억을 점점 더 모델링하며(예: 튜터링 기억에 사전 지식 상태와 망각 곡선을 통합하는 것), 각 학습자가 이미 아는 것을 바탕으로 간격 반복(spaced repetition)과 적응적 복습을 가능하게 합니다(PersonaVLM: Long-Term Personalized Multimodal LLMs).
• 개인화-적응의 지렛대. 학습자들은 사전 지식에 따라 크게 다르기 때문에, 적응은 학급 평균의 가정이 아니라 개개인의 실제 현재 상태에서 학습자를 만나도록 조정되어야 합니다. 이것이 개인화 학습과 적응적 스캐폴딩의 핵심 논거입니다.

교육용 AI 설계의 시사점

1. 제공하기 전에 활성화하라. AI 상호작용이 새로운 내용이나 답을 제공하기 전에 학습자가 이미 아는 것을 인출하고 표현하도록 설계하십시오. 인출 연습을 우회하지 말고 보존하는 것입니다.
2. 학습자의 사전 지식 상태를 모델링하라. 학생 모델링과 적응을 균일성에 대한 가정이 아니라 추정된 사전 지식(과 그 오개념) 위에 구축하여, 개인화가 진정으로 응답적으로 만드십시오.
3. 오개념을 드러내고 다루라. 사전 지식이 부정확할 때 그것은 학습을 방해합니다. 잘못된 기반 위에 새 내용을 더하기보다 오개념을 이끌어내고 교정해야 합니다.
4. 마찰의 트레이드오프를 저울질하라. 사전 지식의 활성화는 바람직한 난이도(인출, 통합)를 더하는데, AI가 마찰을 제거하는 기본 경향이 이를 지우기 쉽습니다. 이것은 자동화가 기본값으로 해결하게 두지 말고 의도적으로 관리해야 할 긴장 관계입니다.

연결된 개념

• 학습자 — 학습자 측 개념의 포괄 항목
• 구성주의
• 개인화 학습
• 학습자 모델링과 적응형 수업
• AI에 대한 오개념
• ICAP 틀
• 지식 추적
• 스캐폴딩
• 자기조절 학습
• 학습의 전이
• 메타인지
• 인지 부하 외주화
• 바람직한 어려움
• 학습 이론
• 생산적 실패 — 생산적 실패
• 인출, 간격, 혼합 연습 — 학습자가 이미 아는 것이 인출 연습이 할 수 있는 일을 어떻게 결정하는가

연결된 문서

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — 자동화와 학습 사이의 긴장(사전 지식 활성화의 위험)
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — GenAI를 마인드툴로: 사전 지식의 시동과 활성화
• PersonaVLM: Long-Term Personalized Multimodal LLMs — LLM 학생 모델링과 기억
• Artificial intelligence, cognitive offloading and implications for education — Lodge & Loble의 인지적 오프로딩에 대한 논의
• Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — LLM 종합쓰기에서의 인지적 오프로딩
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — 수학을 위한 교수설계 틀
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — 사전 지식이 아니라 지식 구축이 교사 학습을 예측하며, 지식을 구축한 사전 수준이 낮은 교사들이 따라잡는다
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content