과정 중심 평가

이 페이지의 목차

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

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

과정 중심 평가(Process-oriented assessment) — 학습자가 결론에 도달하는 방식, 즉 학생이 제출하는 산출물만이 아니라 그 과정을 중심으로 평가를 설계하는 것입니다. 단계적 제출, 성찰적 정당화, 대화적·구술적 교환, 초안과 버전 이력, 그리고 학생이 자기 자신에게 적용할 수 있는 기준이 여기에 해당합니다. 이것은 과제 현실성의 동의어가 아니며, 누가 채점하는지에 관한 주장도 아닙니다. 유일한 증거가 하나의 비감독 산출물인 현실적인 과제라도, 그것이 대체한 에세이와 똑같은 대체 문제에 노출되어 있습니다. 생성형 AI가 이 구분을 긴급하게 만드는 이유는, 유창한 산출물이 이제 요청하면 생산될 수 있고 완성된 파일이 더는 그것을 생산한 추론이 누구의 것인지에 대한 정보를 담지 않기 때문입니다.

생각해 볼 질문들

학생이 잘 다듬어진 에세이를 제출한다면, 그 산출물은 실제로 그들의 사고에 관해 무엇을 주장할 수 있게 해 줍니까? 그리고 어떤 주장들을 단지 주장할 수 있는 것처럼 보이게 합니까?
과정 증거는 초안, 정당화, 대화를 요구합니다. 여러분의 환경에서 그러한 종류의 학업적 자기 표현에 능숙한 사람은 누구이며, 누가 자신의 이해가 아니라 그것에 대한 편안함에 기대어 평가받게 될 수 있습니까?
탐지는 신뢰할 수 없고, 과정 중심의 재설계는 비용이 듭니다. 제한된 기관 예산을 어디에 쓰겠으며, 어떤 증거가 여러분의 답을 바꾸겠습니까?

들어가며

고등교육의 평가는 오랫동안 산출물로부터 사고를 추론해 왔습니다. 제출된 에세이, 보고서, 시험 답안은 그것의 배후에 있는 추론을 대신했고, 채점은 잘 논증된 산출물을 잘 논증된 과정의 증거로 다루었습니다. Thapa and Lewis (2026)는 생성형 AI가 깨뜨리는 가정에 이름을 붙였습니다. 잘 다듬어진 응답은 "더는 누구의 사고 과정도 나타내지 않을 수 있다"는 것이므로, 산출물에서 이해로의 추론은 안전하다고 할 수 없게 됩니다. 그들의 답은 더 나은 탐지기가 아니라 다른 증거 기반입니다. 과정 중심 평가는 해석, 정당화, 지식 구성의 증거가 전개되는 대로 수집하여, 산출물이 요청하면 생산될 수 있는 세상에서도 추론이 가시적으로 남게 합니다.

이 개념이 무엇이 아닌지 말해 두는 것이 도움이 됩니다. 이것은 진정성 평가가 아닙니다. 진정성 평가는 과제가 가치 있는 실제 실천을 반영하는지 묻습니다. Thapa and Lewis는 축들을 분리하며, 하나의 비감독 산출물만 있는 진정한 과제도 여전히 노출되어 있다고 강집합니다. 이것은 AI 탐지가 아닙니다. AI 탐지는 도구가 사용되었는지가 아니라 결정이 어떻게 내려졌는지를 묻습니다. 그리고 이것은 자동 평가도 아닙니다. 자동 평가는 누가 혹은 무엇이 채점하는지를 다룹니다. 기계가 채점한 단계적 포트폴리오는 과정 중심일 수 있고, 사람이 채점한 기말 에세이는 과정 중심이 아닐 수 있습니다. 이 개념이 관심을 두는 것은 어떤 증거가, 어떤 기간에 걸쳐, 어떤 조건 아래에서 생산되는가입니다.

이 아이디어는 제안에서 지식 기반 전반에 걸친 반복되는 권고로 옮겨갔습니다. 이는 학습자 주체성과 동기에 관한 AIED의 의제에 명시된 우선순위로, 수행 대 학습 연구에서 보유와 전이 문제를 조직하는 연구 의제로, 자기조절 학습에 관한 Brunnström과 Palmqvist의 설명에서 "블랙 박스 평가(Black Box Assessment)"로, 그리고 자신들의 과제형 쓰기로는 더는 학습을 증거할 수 없음을 발견한 실천 중인 교사교육자들의 요청으로 등장합니다.

실천에서 과정 증거는 어떻게 생기는가

가장 명시적인 설계 어휘는 Thapa and Lewis에게서 나옵니다. 그들의 네 가지 약속이 논증을 과제 설계로 끌고 갑니다. 성찰적 정당화, 단계적 과제 설계, 대화적 참여, 평가적 투명성이 그것입니다. 실천에서 학생들은 결론만 제시하는 대신 해석적 결정들을 설명하고, 검증점을 거치며 발전하는 작업을 제출하고, 자신의 추론에 관한 구술 또는 대화적 교환에 참여하며, 자신이 직접 적용할 수 있는 기준에 따라 일합니다. 이는 피드백 리터러시와 자기평가의 영역입니다. Boysen(2026)의 개방 학습 실천 제안은 같은 논리를 감사 추적(audit trail)으로 옮깁니다. 프로젝트가 시작되기 전에 세워지는 공유된 학습 계획, 필수 및 금지된 출처를 명명하는 학습 분석 계획, 그리고 작업 과정을 드러내고 각 수정에 무엇이 정보를 제공했는지 설명하는 문서화된 초안과 버전 이력입니다. 이는 Track Changes와 저장된 파일 버전을 통해 보존됩니다. 그는 이것을 가시화된 자기 조절로 규정합니다.

과정 증거를 위해 선택된 채널은 무엇이 증거될 수 있는지를 바꿉니다. 같은 79명 학생의 생성형 AI 연구에서, 더 높은 깊이의 감시와 계획은 독백(think-aloud) 단위에서 더 흔했고 더 높은 깊이의 조절은 상호작용 로그에서 더 흔했으므로, 어떤 단일 기록도 전체 과정을 포착하지 못합니다(Li and Liu (2026)). 흔적이 점수와 완전히 달라질 수도 있습니다. 150건의 학생-AI 대화에 걸쳐 41%가 정확히 1.00의 과제 점수를 지녔으나 관찰 가능한 인지 참여는 달랐으므로, 같은 점수가 다른 과정을 숨길 수 있습니다(Fábrega, 2026)). DraftTrace는 AI 통합 글쓰기에 대해 같은 문제에 답합니다. 키스트로크 수준의 과정 측정을 최종 산출물과 AI 상호작용 흔적에 정렬하여, 복사-타자(copy-typing)는 산출물과 과정을 함께 읽을 때만 식별 가능함을 보입니다(Chandarana et al. (2026)). 이는 이 분야가 여전히 갖추지 못한 행동 흔적 측정의 구체적 사례입니다.

실천자와 틀의 설명들이 산출물들을 채워 줍니다. Uden과 Hwang(2026)의 LEARN 틀은 문제 기반 학습 평가를 대상으로, 과정 중심 루브릭, 구술 정당화, 단계적 제출, 그리고 AI 사용 공개와 함께한 추론 흔적을 요구하고, 학습 저널과 독백 프로토콜을 통한 성찰을 그 흐름의 메타인지 엔진으로 다룹니다. Moganadas와 동료들(2026)은 AI 투명한, 과정 중심 평가를 연구 가능한 다섯 제안 중 하나로 삼아, 금지나 탐지기 사용이 아니라 문서화, 검증, 성찰적 정당화를 요구합니다. Padhy(2026)는 수정 이력, 상호작용 패턴, 과제 수행 시간의 포착을 투명한 공개와 짝지어 권고합니다. Goldstein, Marae-Haj와 Zidan(2026)은 신뢰 위기 이후 실천에서 같은 산출물들이 나타난다고 보고합니다. 프롬프트 기록, 문서 버전 이력, 감시된 집단 기여, 그리고 물리적 공책에 보관된 성찰적 "여정 저널(journey journals)"이 그것이며, 과제형 쓰기가 더는 학습을 증거할 수 없다는 평범한 발견도 함께 나타났습니다. 구체적인 도구가 등장하고 있습니다. Kim et al. (2026)는 문제 해결을 네 단계와 여덟 가지 진단 하위 기술로 운영화하여, LLM이 단계별 질문과 루브릭을 생성할 수 있게 했습니다. 다섯 명의 교사와 64명의 학생이 90개 문제와 720개의 하위 질문에 이 시스템을 사용했으며, 평균 System Usability Scale 점수는 83.5였습니다.

진정성 및 채점과 다른 축

축들을 분리해 두는 것이 중요한 까닭은, 그것들을 혼동하는 것이 노출을 그대로 남겨둔 채 재설계가 완료된 것처럼 보이게 만드는 방식이기 때문입니다. Sharma(2026)는 진정성과 진실성 지향 설계 사이의 상호보완적 구분을 제시합니다. 진정성은 과제가 가치 있는 실천을 반영하는지 묻고, 진실성 지향 설계는 학습자가 자신의 결정을 정당화하고 학문적 기준에 관해 책임을 맡을 수 있는지를 묻습니다. 이것이 그가 제시하는 실천들 — 주석이 달린 결정 추적, 생성형 AI 기여 주장의 검증, 구술 변론, 버전 이력을 갖춘 초안 차이 — 이 현실성보다는 그것들이 가시화하는 판단을 위해 선택되는 이유입니다. Espino와 Espino(2026)의 비즈니스 교육 10년 리뷰는 문헌 쪽에서 같은 설계 결론에 도달합니다. 그 분야가 해석, 맥락적 적용, 반복적 정련을 요구하는 진정성 있고 과정이 가시적인 과제로 수렴하고 있으며, 변하지 않은 평가 구조 안에서의 고립된 도구 도입을 가장 지속적인 실패로 다룬다고 밝혔습니다.

이 구성 개념은 증거가 어떻게 채점되는지의 문제와도 구분됩니다. 둘이 만나는 곳은 타당성 추론입니다. Brunnström과 Palmqvist(2026)는 챗봇이 그럴듯한 시험 답안을 생산할 수 있을 때, 제출된 산출물이 학생이 배운 것의 더 약한 지표가 된다고 주장합니다. 이는 진실성 문제이기 이전에 평가 타당성 문제입니다. 이것은 Yan, Greiff, Lodge와 Gašević의 수행 대 학습 논증에서 위험에 처한 바로 그 추론입니다. 도움이 철회되면 줄어드는 수행 이득은 이득이 학습자가 아닌 도구 안에 살고 있음을 보여주며, 제안된 해법은 즉각적인 과제 성공이 아니라 보유와 전이 시험 같은 과정 측정입니다.

탐지가 이 짐을 질 수 없는 이유

과정 중심 평가는 통상 탐지의 대안으로 제시되며, 탐지에 관한 증거가 그 이유를 설명합니다. 탐지 문헌은 오류율, 과제 의존성, 그리고 비원어민 및 장애가 있는 작가에 대한 편향을 발견하며, 가장 최근의 연구는 절차적 결론에 이릅니다. 탐지기 점수는 더 면밀한 검토를 촉발할 수 있지만 그것은 판결이 아닙니다. Munoz와 동료들(2026)은 그것이 실천에서 무엇을 대가로 하는지 보여줍니다. 1,162건의 생성형 AI 부정행위 주장을 코딩하여, 그들은 가장 강한 증거 유형들은 조사나 감독에 의해 생산되며, 초안, 감독 회의, 발표 같은 과정 증거는 그러한 실천들이 이미 존재하는 곳에만 나타난다는 것 — 그러므로 재설계되지 않은 평가에서는 단순히 부재한다는 것 — 을 발견했고, 탐지기 산출은 모든 범주 중 가장 낮은 증명력 평점을 받았습니다. 설계적 귀결은 순서입니다. 과정 증거는 사건이 그것을 필요로 하기 전에 존재해야 합니다. 그리고 Weidlich(2026)의 어떤 추론이 위험에 처해 있는지에 관한 추론은 타당성 쪽에서 같은 지점을 지적합니다. 탐지를 통해 평가의 보안을 회복하려는 시도는 학습자에 관한 증거가 아니라 구성 관련이 없는 분산(construct-irrelevant variance)을 도입하기 때문입니다.

설계와 업무량의 비용

출처들은 이것이 비싸다는 점에서 이례적으로 솔직합니다. Thapa and Lewis는 형평성 주의를 직접적으로 밝힙니다. 성찰적이고 대화적인 과제는 포용적으로 설계되고 스캐폴딩되지 않으면 학문적 자기 표현에 더 자신 있는 학생들을 특권화할 수 있고, 관계적이고 피드백 집약적인 작업은 크거나 자원이 제약된 환경에서 교육자들의 정서적이고 직업적인 노동을 강화하여, 확장성, 표준화, 측정 가능한 수행에 대한 기관의 기대와 모순됩니다. Sharma는 해석적 버전을 덧붙입니다. 문서화된 추론을 요구하는 것은 성찰적 담화에 더 능숙한 학습자들을 특권화하며, 증거로서의 판단은 "기계적으로 검증 가능한 것이 아니라 관계적이고 상황에 놓인 채로 남습니다."

운영 비용은 다른 곳에 항목화되어 있습니다. Boysen은 새로운 기술, 개정된 과제와 강의계획서, 학생들에게 낯선 기술을 가르치는 일, 그리고 수집하고 채점할 추가 자료를 들고, 과정에 대한 저위험 학점이 성적을 부풀릴 수 있다고 경고하며, 이 모델이 일상적 지식 습득 작업보다는 대규모 기술 개발 프로젝트에 훨씬 더 잘 맞는다고 인정합니다. 그는 또한 과정 추적이 일부 비평가들이 AI 감시라고 부르는 것임을 지적합니다. Goldstein, Marae-Haj와 Zidan의 참가자들은 과정 문서화를 확립하는 데 실제 작업이 들었다고 보고했고, 13개 중 9개의 지원된 고급 도구를 디지털 격차를 심화할 수 있는 방식으로 자기 돈으로 구입했으며, 여러 사람이 감독 시험과 구술 논문 방어로 회귀했습니다. 형평성 우려는 Brunnström과 Palmqvist의 발견에서 AI 고유의 날카로움을 갖습니다. 안내받지 못한 도구 사용은 고르게 분포하지 않은 상호작용 관리 기술을 요구하므로, AI는 "이미 유리한 학생들에게 가장 큰 도움이 될 수 있다"는 것입니다. 이것은 학생에게 문서화된 과정을 관리하도록 요구할 때 따르는 같은 분배적 위험입니다. Lopez-López, Bru-Cordero와 Correa-Álvarez(2026)는 더 많은 독립 학습 시간을 투자한 학생들이 AI 사용을 더 엄격하게 판단한다는 것을 발견하고, 공개 템플릿, 구술 변론, 과정 기반 평가가 윤리적 불확실성을 줄이는지 시험할 것을 권고합니다. 이는 이 분야가 여전히 필요한 연구입니다. 위험은 과정 증거를 작동하게 만드는 메커니즘에 붙어 있습니다. 협업, 수정, 성찰이 채점되는 곳에서, 학생들은 채점자가 원할 것이라 예상하는 것과 부합하는 증거를 생산할 이유를 가지므로, 과정 기록은 증거가 아니라 연기가 될 수 있습니다(Alam & Jackson, 2026)).

해결되지 않은 것들

Thapa and Lewis의 설명은 개념적입니다. 참가자도, 데이터 수집도, 실행 시도도 없으므로, 네 원칙들은 시험되지 않고 논증되었으며, 논문 자체가 학생 경험, 교육자 업무량, 장기적 생존 가능성에 관한 경험적 연구를 요구합니다. 타당성은 환경에 걸쳐 구분되지 않은 채 남습니다. 대규모 강의, 실험실, 스튜디오, 임상 실습으로의 이전은 다뤄지지 않습니다. Lane(2026)의 포지션 논문은 기관의 천장을 지적합니다. 과정 기반 평가는 잘 다듬어진 최종 산출물에 보상을 주는 채점과 성적증명 구조에 의해 무디게 되어, 교실 재설계만으로는 유인이 바뀌지 않습니다. 측정 또한 얇습니다. Jin과 동료들(2026)의 AI 리터러시 도구 검토는 수행 기반, 과정 중심 평가와 프롬프트 작성 및 검증의 행동 흔적 측정을 요구하지만, 기존 도구들이 자기보고에 기대고 있다고 보고합니다. 여기 어떤 출처도 과정 중심 재설계와 산출물 중심 재설계를 겨룬 대조 시험을 보고하지 않습니다. 이는 중심 주장 — 과정 증거가 위조하기 더 어렵고 판단하기 더 공정하다는 것 — 이 대규모로 입증되기보다는 원리, 실천자 보고, 사건 파일 증거로부터 논증된 채로 남는다는 뜻입니다.

연결된 개념

연결된 문서

Process-Oriented Collaborative Essays: Empowering Undergraduate Students Through Assessment Redesign in the Age of Generative AI — 1학년 학위 도제 과정에서 채점되고 협업하여 쓰인 과정 에세이: 루브릭에서의 반복과 협업, 명시된 경계 안에서 허용되는 생성형 AI (Alam & Jackson 2026)
Distinguishing performance gains from learning when using generative AI — 수행은 학습이 아니다: 과정 측정에 기반한 연구 의제 (Yan et al. 2026)
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — 정당화와 성찰에 기반한 AI 저항적, 과정 기반 과제를 요구하는 교사교육자들 (Baran et al. 2026)
Educational integrity in GenAI-augmented assessment: making judgment visible — 가시적 판단을 위해 선택된 주석 달린 결정 추적, 구술 변론, 초안 차이
How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — 부정행위 사건 파일에 무엇이 들어 있으며, 어떤 과정 증거가 부재한가
Which inference is at risk? Assessment validity reasoning and generative AI — 평가 증거가 대체될 때 어떤 추론이 위험에 처하는가
Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — 진정성은 단속되는 것이 아니라 재설계되어야 한다
From authentic products to authenticated processes: a systematic conceptual review of authentic assessment in AI-rich — 진정한 산출물과 그것들을 생산한 과정들
Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — 추론을 생생하게 만드는 AI 저항적 형식으로서의 구술 시험
Preserving epistemic authenticity: process-oriented assessment in the age of generative AI — 과정 중심 평가 뒤에 있는 인식론적 진정성과 네 가지 설계 약속 (Thapa & Lewis 2026)
Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — 채널 의존적 과정 증거: 로그와 독백은 다른 과정을 드러낸다
DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing — DraftTrace: AI 통합 글쓰기를 위한 다중 관점 분석 환경
Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education — 같은 수행, 다른 과정: AI 매개 교육에서의 인식론적 소유
STEPwise: Supporting Teachers in Diagnosing Students' Mathematical Problem-Solving Skills through LLM-Generated Questions — STEPwise: LLM 생성 질문을 통해 학생의 수학 문제 해결 기술 진단을 지원하는 교사 지원

연결된 리소스

프로세스 피드백
AI 탐지의 무료 대안으로, 글의 작성 과정을 기록하여 판결이 아니라 학습에 관한 대화를 위한 보고서로 만들어냅니다.

메타데이터

수준	Higher Ed
학습과 교수	자기조절 학습
기술과 기법	생성형 AI
평가와 측정	평가, AI 탐지, 평가 타당도, 실제적 평가, 평가적 판단, 형성평가, 과정 중심 평가
형평성, 윤리, 그리고 책임 있는 사용	형평성
교육에서의 인공지능 기초	학문적 진실성

Source History Edit Chat