AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

문제 기반 학습

생성일 2026-08-20 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

문제 기반 학습(PBL) — 학생들이 현실적이고 종종 비구조적인 문제를 이해하고 해결하기 위해 일하면서 지식과 기술을 습득하는 학습자 중심 교수법으로, 촉진자가 교수를 전달하기보다 탐구를 안내합니다. AI 시대에 PBL의 구조적 특징 — 문제 주도 탐구, 협업적 지식 구성, 교수보다 촉진, 그리고 초인지적 성찰 — 은 생성 AI 통합이 대체적이 아니라 교육적으로 생산적이 되는 바로 그 조건으로 부상했습니다.

생각해 볼 질문들

  • 문제 기반 학습에서 문제는 교과 과정의 동력입니다. 다른 곳에서 가르친 내용의 예시가 아니라 그렇습니다. 진짜 문제를 먼저 해결했기 때문에 무언가를 깊이 배웠던 때를 떠올릴 수 있습니까?
  • 이 페이지는 PBL의 특징(문제 주도 탐구, 협업, 촉진, 성찰)이 AI가 생산적인 동료가 되고 지름길이 되지 않는 바로 그 조건이라고 주장합니다. 그 까닭은 무엇일까요?
  • AI는 제출된 산출물과 그것을 만들어 낸 노력 사이의 연결을 끊습니다. 이것이 'artifact-as-proxy'(대리물로서의 산출물) 문제입니다. 산출물이 아니라 과정을 평가하는 것이 어떻게 도움이 되며, 과정 평가을 어렵게 만드는 것은 무엇입니까?
  • PBL은 전문적 역량이 반복적 실행이 아니라 적응적 판단을 필요로 하기 때문에 부분적으로 의학 교육에서 비롯했습니다. 그 둘의 차이는 무엇이며, AI는 우리가 어느 것을 훈련하는지를 어떻게 바꿉니까?
  • AI가 이제 'wicked problems'(난해한 문제)와 복잡한 실제 사례를 더 많은 학생에게 접근 가능하게 만들 수 있다면, 도전에 이르는 것이 쉬워질 때 무엇이 잃힐 수 있습니까?
  • PBL 환경에서 AI가 문제, 힌트, 답을 주는 것 사이의 선을 어디에 그어야 합니까? 어느 순간에 어느 것이 옳은 행동인지를 결정하는 것은 무엇입니까?

들어가며

PBL은 의학 교육(McMaster University, 1960년대)에서 비롯하여 이후 보건 전문직, 공학, 그리고 K-12로 퍼졌습니다. 학습자는 학습 욕구를 진단하고, 자원을 파악하며, 해결책을 구성할 책임을 지는 반면, 촉진자는 그 과정에 비계를 떠받칩니다. PBL의 독특한 주장은 문제가 교과 과정의 동력이라는 것 — 다른 곳에서 가르친 내용의 예시가 아니라 내용이 학습되는 맥락이라는 것 — 입니다.

AI 시대의 PBL

지식 기반의 연구는 PBL이 생산적인 AI 통합에 대한 사유의 초점이 되었음을 보여 줍니다.

  • PBL의 구조적 조건이 AI 통합을 생산적으로 만든다. Rowe (2026)는 PBL의 핵심 특징 — 문제 주도 탐구, 협업적 구성, 촉진, 초인지적 성찰 — 이 AI가 지름길이 아니라 전문성 개발의 동료로 기능하는 바로 그 조건이라고 주장합니다. 이 조화는 구조적이며 소급적이지 않습니다. PBL은 AI가 존재하기 전에 전문적 역량이 반복적 실행이 아니라 적응적 판단을 필요로 한다는 인식에 뿌리를 두고 이러한 조건들을 중심으로 설계되었습니다.
  • AI가 문제 복잡성의 상한을 높인다. 같은 논증은 AI가 PBL이 다룰 수 있는 문제의 범주를 확장하여, "wicked problems"와 복잡한 실제 사례를 이전에는 이르지 못했던 학생들에게 접근 가능하게 만든다고 합니다.
  • artifact-as-proxy 문제. AI는 제출된 산출물과 그것을 만들어 낸 참여 사이의 연결을 끊습니다. 이것은 PBL이 산출물이 아니라 과정과 드러난 이해를 평가하기 때문에 잘 대처할 수 있는 문제입니다. 이것은 PBL을 진정한 평가 및 과정 기반 평가, 그리고 지식 기반의 과잉 의존 문헌과 연결합니다.

GenAI 지원 PBL을 프로젝트 기반 학습과 함께 묶는 3수준 메타 분석은 산출물과 해결책 수행을 별도의 모형에 두는데, 그것이 내면화된 학습이 아니라 인간-AI 협업 산출물을 측정하기 때문이며, 그 추정치는 검토자들이 보고한 것 가운데 가장 큽니다(g = 1.958). 하지만 단 6개 연구에만 기반하고 0을 가로지르는 대략 [−0.740, 4.656]의 95% 예측 구간을 지니고 있어, 위의 artifact-as-proxy 주의의 양적 형태가 됩니다(Chen et al. 2026).

  • 적응적 비계로서의 ChatGPT. La Sunra et al. (2026)는 AI 강화 PBL 프레임워크 안에 적응적 비계로 통합된 ChatGPT가 K-12(8학년 120명)에서 비판적 사고와 개인화된 학습을 향상시키는 것을 보여 줍니다. 이것은 AI를 답을 내는 기계가 아니라 PBL 안의 지원으로 다룹니다.
  • 집단사고에 맞서는 이견 주입 에이전트. 직업 간 PBL 세션에서 세 개의 지정된 시점에 목소리를 낸 genAI 에이전트가 논쟁적인 관점을 도입했고, 학생들은 그것을 반박하는 것이 발언할 수 있는 사회적으로 허용되는 방법을 주었다고 보고했습니다. 에이전트의 응답을 거부할 때에도 그 불일치가 성찰을 자극했습니다(Wiss et al. (2025)).
  • 예비 교사 준비로부터의 준실험적 근거. Chen and Osman (2026)는 130명의 3학년 예비 물리 교사(조건당 65명)에게 8주간의 AI 지원 CTD-PBL 모듈을 전통적 교수와 비교하며, 과업별 프롬프트 템플릿을 통해 DeepSeek을 제한된 비계로 사용했습니다. 수업 아이디어 생성, 자원 조직, 설명 비교, 또래 피드백 프롬프트, 수정 계획이 그것이며, 모든 AI 출력은 내용의 정확성, 교수법적 적절성, 실현 가능성, 그리고 윤리에 대한 검증을 통과해야 교수 인공물로 들어갈 수 있었습니다. 모듈 집단은 더 높은 사후 TPACK(M = 4.04 대 3.40, d = 1.02)과 더 높은 지각된 협업적 문제 해결(M = 3.62 대 3.05, d = 0.88)을 보고했으며, 가장 큰 상호작용 효과는 공유된 지식 구성과 사회적 규제에 나타났습니다. 이것은 바로 위의 구조적 논증이 AI가 강화하기보다 지름길로 만들 것이라고 예측하는 협업적 과정 차원입니다. 저자들은 AI가 독립 변수로 분리되지 않았다고 명시합니다. 그 차이는 문제 기반 과업, 구조화된 협업, 교수자 비계, 또래 피드백, 성찰적 수정이라는 전체 조건에 부착되며, 두 결과 모두 관찰된 실행이 아니라 자기 보고 인식이었습니다.
  • 책임 있는 사용 프레임워크. Uden & Hwang (2026)는 신경과학에 기반한 LEARN 프레임워크(평생 학습, 참여(Engagement), 능동적 처리, 성찰(Reflection), 신경 기반 설계)를 발전시켜, PBL 안에서 생성 AI 사용을 윤리적으로 근거 짓고, 인지 외주화와 진실성 침식에 맞섭니다.
  • 영역별 구현. 생체공학을 위한 PBL 프레임워크는 복제 패키지와 함께 요약과 코딩 지원을 위해 GenAI를 사용합니다(Nnamdi et al. 2026). AI 지원 PBL은 로보틱스에서 계산적 사고를 향상시킵니다(계산적 사고를 위한 AI 지원 PBL). genAI 기반 가상 환자는 병력 청취 지도 학습을 지원합니다(Mool et al. 2026).
  • 근거 종합. Amdan et al. (2026)는 인간-컴퓨터 상호작용 프레임워크 안에서 PBL에서의 AI에 관한 교수자의 참여에 대한 50개 연구(2015–2024)를 체계적으로 검토합니다.
  • 시나리오 기반 PBL에서의 GenAI. Neto and colleagues (2026)는 보건의료 교육에서 GenAI에 관한 체계적 검토에서 시나리오 기반 접근법들 가운데 문제 기반 학습을 포함하며, 프롬프트 설계가 교수 명세로 기능하고 하이브리드 인간-AI 협업이 완전 자동화된 접근보다 우수하다는 것을 발견합니다. 이 검토는 생성된 내용이 교수 프레임워크와 더 강하게 조화해야 하고, PBL 맥락에서 더 재현 가능한 프롬프트 관행이 필요함을 부각합니다.
  • AI는 튜터의 지식 전달은 수행할 수 있지만 집단 학습의 사회적 조절은 하지 못합니다. 4주간의 약리학 준실험에서, Shetty & Rao (2026)는 AI 매개 PBL이 촉진자 주도 집단의 학업 성취 이득과 맞먹었으며(집단 간 p = 0.474), 촉진자 주도 집단은 집단 역학(26.51 대 24.74, p = 0.035)과 비판적 사고(14.75 대 13.09, p < 0.001)에서 이점을 유지했습니다.

PBL과 관련 교수법

PBL은 프로젝트 기반 학습과 밀접하게 관련되어 있습니다. 둘 다 학습자 중심이고 문제/맥락 주도적입니다. 그러나 PBL은 탐구와 지식 구성을 요구하는 비구조적인 문제를 중심에 두는 반면, 프로젝트 기반 학습은 유형의 산출물이나 프로젝트를 만들어 내는 것을 중심에 둡니다. PBL은 사례 기반 학습과 탐구 기반 학습과도 가까운 친척이며, 이들은 문제 주도적이고 촉진 주도적인 구조를 공유합니다. 지식 기반의 지도에서 생산적인 AI 통합을 위한 구조적 논증은 PBL만이 아니라 이러한 특징을 공유하는 모든 교수법에 적용됩니다.

AI 통합에 PBL이 중요한 이유

PBL은 산출물 생산보다 과정, 협업, 드러난 이해를 전면에 내세우므로, 책임 있는 AI 사용의 자연스러운 터전입니다. 학생들은 AI를 대체물이 아니라 동료로 함께 배웁니다. 촉진자의 역할과 문제의 설계가 AI가 학습을 뒷받침하는지 대체하는지를 결정하는 지렛대가 됩니다. 이것은 지식 기반 전역에 되풀이되는 인간의 감독과 평가 설계의 관심사와 같습니다.

생산적 실패와 PBL

생산적 실패(PF)는 PBL의 구성주의 핵심 — 학습자가 교수에 앞서 문제에 참여한다는 것 — 을 공유하지만 구조는 다릅니다. PF는 교수를 의도적으로 주지 않고, 학습자가 해결책을 생성하도록 고군분투한 이후까지 비계를 떠받치지 않는 반면, PBL은 촉진을 내내 내장합니다. AI 시대의 PF 문헌은 AI가 문제 기반 환경 안에서 어떻게 행동해야 하는지를 직접 알려 줍니다. Kim et al. (2026)는 AI가 PF의 여러 단계에 걸쳐 비지시적 지원과 함께 생산적 고군분투를 보존해야 한다고 보여 줍니다. Puech et al. (2025)는 대규모 언어 모델(LLM) 튜터가 답을 주지 않고 여러 해결 시도를 이끌어내도록 조종될 수 있음을 보여 줍니다. ProductiveMath는 AI를 사용하여 고품질의 PF/PBL식 문제를 설계하는 것을 돕습니다. AI가 언제 문제를 주고, 힌트를 주고, 답을 주어야 하는가라는 설계 질문은 두 교수법에 공통됩니다.

연결된 개념

연결된 문서

메타데이터

분야Medical Education, Engineering Education
수준Higher Ed
학습과 교수능동적 학습, 협력 학습, 스캐폴딩
기술과 기법생성형 AI
교육에서의 인공지능 기초비판적 사고
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.