인출, 간격, 혼합 연습

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

인출, 간격, 혼합 연습 — 연습을 노력이 들게 만들어, 그 결과로 배운 것을 지속 가능하게 만드는 세 가지 구체적 공부 기법. 인출 연습은 답을 인지(재인)하는 것이 아니라 기억으로부터 답을 산출해 내도록 학습자에게 요구합니다. 간격 연습은 그 연습을 한 세션에 집중(massing)하지 않고 시간에 걸쳐 분배합니다. 혼합 연습은 문제 유형을 묶어 두지(blocking) 않고 섞습니다. 이들을 하나로 묶는 공통된 특징이 있습니다. 각 기법은 연습 중의 수행은 낮추면서 후의 기억 유지는 높입니다 — 이는 수행–학습 격차(performance–learning gap)의 실행 형태입니다. 이들은 인지 심리학의 중추적 도구이며, AI 지원 학습에서는 생성형 AI가 가장 쉽게 지워버리는 구체적 행동들입니다. 요구 시 답을 내어 주는 LLM이 인출을 제거하고, 일정을 평평하게 만들며, 혼합을 매끄럽게 지워버리기 때문입니다. 이 페이지는 기법 페이지입니다. 이들 뒤에 있는 원리 — Bjork의 노력–학습 트레이드오프, 왜 더 어려운 연습이 더 지속적인 학습을 만들어 내는지 — 는 바람직한 어려움에서 다룹니다. 이 페이지는 각 기법이 무엇인지, 말뭉치(corpus)의 연구들이 무엇을 측정했는지, AI가 이들을 어떻게 구현하거나 훼손하는지를 다룹니다.

생각해 볼 질문들

• 한 챕터를 익숙해질 때까지 다시 읽다가도, 일주일 후에는 설명하지 못한 적이 있나요? 다시 읽기가 실제로 당신에게 준 것은 무엇이었나요?
• 인출 연습은 답을 확인하기 전에 기억으로 답하는 것을 의미합니다. AI 어시스턴트가 한 번의 키 입력으로 닿을 수 있는 거리에 있다면, 그 인출이 여전히 일어나려면 당신의 공부 루틴에 어떤 조건이 성립해야 할까요?
• 간격 반복 시스템은 학습자가 스스로는 선택하지 않을 간격으로 복습을 예약합니다. 잘못 느껴지는 일정은 기능일까요, 버그일까요?
• 혼합 연습은 문제 유형을 섞어 묶기보다 지저분하게 느껴집니다. 말뭉치가 혼합 연습에 대한 직접적 AI 증거를 거의 제공하지 않는다면, 그것을 채택할 때 어느 정도로 확신할 수 있을까요 — 그리고 무엇을 근거로 결정할까요?
• Akgun and Toker (2026)는 AI와 자유롭게 대화한 학생들이 최고의 사전 검사를 받고도 가장 나쁜 점수를 받았음을 발견했습니다. 자유 대화 조건에는 구조화된 조건이 가진 것 중 무엇이 부족했을까요?
• Tsiligkiris (2026)는 더 깊은 LLM 질문이 과제의 질은 향상했지만 회상은 향상하지 않았음을 발견했습니다. 유창함(fluency)을 학습의 증거로 삼는 것에 대해 이것이 알려 주는 것은 무엇일까요?

들어가며

인출 연습, 간격 연습, 혼합 연습은 보통 함께 가르쳐지고 인용됩니다. 각각은 분리되어 발견되었지만 비슷하게 행동하기 때문입니다. 연습이 보이는 모습을 희생하여 얼마나 살아남는지를 교환합니다. 지식 기반에서 이들은 바람직한 어려움 원리의 사례들로 등장하지만, 독립적으로 실행 가능하기도 합니다. 검토자는 간격을 예약할 수 있고, 튜터는 답을 유보할 수 있으며, 교육과정은 문항 유형을 섞을 수 있습니다. 기반 이론을 끌어들이지 않고도 말이죠. 이들의 실행적 성격이 이들을 인지 심리학와 AI 설계 사이의 자연스러운 다리로 만들며, 아래 연구들이 결과 측정치를 하나가 아닌 둘로 보고하는 이유이기도 합니다. 연습 중의 수행, 그리고 지연 후의 기억 유지입니다.

시험 효과: 인출 연습이 다시 읽기를 이긴다

인출 연습 — 자료를 다시 읽는 대신 떠올리려 시도하는 것 — 은 추가 학습보다 기억을 더 강화하며, 말뭉치는 이 발견을 다시 다투기보다 쌓아 올릴 만큼 확립된 것으로 다룹니다. 학습하는 방법(learning-to-learn)에 관한 범위 검토(scoping review)는 인출 연습을 3층 틀의 도구(Tools) 층(인지 및 메타인지 기술의 차원, 자기조절의 과정, 인출 연습과 같은 도구)에 배치하여, 생성형 AI 과의존을 상쇄하고 학습자 주도성을 보호하기 위한 학습하는 방법의 구체적이고 가르칠 수 있는 구성 요소로 자리매김합니다.

말뭉치에서 가장 유익한 시험은 하나의 분리(dissociation)입니다. Tsiligkiris (2026)는 신경경제학 사례 과제 중 22명의 대학원생이 대규모 언어 모델(LLM)과 주고받은 프롬프트별 상호작용을 기록하고, 깊이(설명을 구하는 "왜/어떻게/설명" 프롬프트의 비율)를 양과 속도에서 분리했습니다. 깊이는 독립적으로 채점된 과제 질을 예측했으나(β = 6.27, p = .006), 사후 검사 즉시 회상과는 무의미한 연관을 보였고(β = −0.014, p = .728), 회상 이득은 오히려 기초 지식에 의해 이끌렸습니다. 저자가 내리는 독해는 정교화(elaboration)는 이해를 이끌고 인출은 공고화(consolidation)를 이끈다는 것 — 그리고 명시적 인출 요구 없이 이루어지는 LLM 지원 학습에서, 학습자는 무언가를 보조 없이 인출할 필요가 거의 없으면서도 높은 유창함을 경험할 수 있다는 것입니다. 이것은 부재로 표현된 인출 연습 발견입니다. 메커니즘이 작동하지 않았기에, 기억 유지 결과도 움직이지 않았습니다.

인출 연습은 보편적 지렛대가 아니며, 말뭉치도 그렇게 말합니다. Rachatasumrit, Koedinger and Carvalho (2025)는 95명의 참가자로 2×2 실험을 수행하여, 지식 내용(그대로의 사실 대 일반화 가능한 기술, 기하학-면적 자료)과 훈련 일정을 교차시켰습니다. 저자들은 내용-처치 상호작용을 발견했습니다(β = 0.41, p = .038, d = 0.38). 순수 연습 시험은 사실에 대해 더 높은 학습 이득을, 사례 통합 연습은 기술에 대해 더 높은 이득을 낳았습니다. 저자들은 또한 인출 연습의 이득이 낯선 문제로 확장되지 못하는 경우가 많다고 지적합니다. 따라서 인출 연습은 목표가 특정 내용에 대한 기억인 곳에서 가장 강하며, 목표가 일반화 가능한 기술인 곳에서는 풀이된 예시와 짝을 이루어야 합니다 — 이것이 그들의 AI 설계 시사점이 지능형 튜터링이 학습 중인 지식 요소에 맞춰 사례 대비 연습의 비율을 조정해야 한다는 이유이기도 합니다.

같은 논리가 컨닝 페이퍼(cheat sheet) 연구를 관통합니다. Chen, Sakhnini and Istead는 컨닝 페이퍼를 만드는 것을 능동적이고 생성적인 공부 전략(선택, 응축, 조직화)으로 다루며, AI 시대의 위험을 그 산출물의 구성을 외주화하고 그것을 만들 때 얻었던 메타인지적 예행(rehearsal)을 잃는 것으로 규정합니다.

간격 연습과 분산 연습

간격 효과 — 같은 총 연습량이라도 한 세기에 집중하지 않고 여러 세션에 분배할 때 더 지속적인 학습이 일어난다는 것 — 은 세 기법 중 알고리즘적으로 가장 많이 활용되며, 말뭉치의 응용 시스템은 이를 중심으로 구축됩니다.

Memdora는 간격 연습을 공학 문제로 다룬 가장 분명한 예입니다. 이는 일정 수립을 에빙하우스 망각 곡선에 기반하고, 복습 없이는 새로 학습한 자료의 대략 70%가 24시간 안에 잊힌다는 수치를 인용하며, 현재 최신의 간격 반복 알고리즘으로 설명되는 FSRS-6을 통합합니다. 이 시스템의 주장은 일정 수립만으로는 충분하지 않다는 것입니다. 기존 도구들은 플래시카드 상호작용을 "넘기고 자체 평가하기"라는 단일 이분법적 제스처로 환원하여, 저자들이 인출 연습에 관한 인지 과학 증거를 활용하지 못하는 빈곤한 모델이라고 부르는 상태에 빠뜨립니다. 따라서 Memdora의 기여는 Language, By Heart, Exam 범주에 걸친 17개의 인지 과학에 기반한 상호작용 유형 분류 체계입니다. 각각은 카드에 표시되는 동료 검토된 증거에 매핑되고, 실제 인지적 참여를 보상하는(앱 접속이 아닌) 노력 기반 보상 시스템, 읽는 시점에 카드를 생성하는 통합 생성 파이프라인, 그리고 개별 카드 수준에서 학습 결과를 보고하는 교실 계층과 짝을 이룹니다.

Akgun and Toker (2026)는 간격 연습이 어떻게 구조화되는지에 관한 말뭉치의 가장 강한 실험 증거를 제공합니다. 응용 통계 과목의 89명 학부생을 대상으로 한 3군 무작위 연구에서, 세 군 모두 7주에 걸쳐 동일한 횟수와 시점으로 간격 세션에서 연습했으며, 상호작용 구조만 달랐습니다. 적응적 간격 인출(G1)은 가장 높은 사후 검사 점수(M = 78.19)와 가장 높은 관찰된 연습 노력(M = 0.85)에 도달했습니다. 고정 간격 인출(G2)이 그 뒤를 이었고(M = 74.55, 노력도 0.74), 시행되는 인출이 없는 학습자 주도 AI 학습은 두 측면 모두에서 마지막이었습니다(M = 67.28, 노력도 0.49). 다변량 효과는 유의미했으며(Wilks' Λ = .664, 부분 η² = .185), G1은 기억 유지에서 G3보다 앞섰고(d = 0.92, p = .003), 교수학적으로 중요한 세부 사항은 G1의 에이전트가 유보하도록 구성되었다는 것입니다. 즉 AI에 대한 오개념에 대한 응답 의존적 탐침, 피상적 답변 이후 정교화 요청, 적절한 개념적 참여가 있을 때만의 진급, 그리고 허용된 출력에서 직접적 해답을 명시적으로 배제한 것입니다. 저자들 자신의 독해는 사전 검사가 독립적 개입이 아니라 전방에 투입되는 촉매이며, 그 이점이 개방형 AI 접근 속에서도 살아남는 것은 아니라는 것입니다.

한 무작위 현장 실험은 실행의 실제 작용 요소가 집중된 시간이 아닌 분배임을 보고합니다. 주간 숙달은 참여한 분 수가 아닌 완료한 튜터링 주 수를 추적했으며, 완료한 주가 추가될 때마다 55점 중 2.00포인트가 더해졌습니다(p = .018)(Yang, Van Alstyne and Dellarocas (2026)).

말뭉치의 또 다른 두 발견은 간격 연습이 무엇을 하고 무엇을 아직 제대로 못하는지를 날카롭게 합니다. Schuetze, Yan and Carvalho (2025)는 6세션 연속 재학습(successive-relearning) 데이터셋에 지식 추적 모델을 적합시키고, BKT, BKT-with-Forgetting, Additive Factors Model이 사후적으로 적합될 때는 학습 추세를 재현하지만(AUC 0.74–0.79), 배포된 튜터가 필요로 하는 시간 기반 교차 검증 하에서는 미래 수행을 각각 약 58%, 51%, 47% 과대 추정하며 간격 효과를 포착하지 못함 — 때로는 간격 조건 간 서열을 정반대로 예측하기까지 함 — 을 발견했습니다. 즉, 적응 시스템이 내리는 일정 결정이 간격 연습이 의존하는 바로 그 효과를 표현하지 않는 모델에 기반할 수 있다는 것입니다. 그리고 LLM 학생 모델링과 장기 기억은 이 설계 격차를 직접 지명합니다. 대부분의 튜터링 시스템에는 종단적 기억(longitudinal memory)이 부족하며, 그러한 기억이 간격 반복 및 망각 곡선과 어떻게 상호작용해야 하는지는 열린 문제로 남아 있습니다.

말뭉치가 아직 보여 주지 않는 것

어떤 응용 시스템도 자체적인 기억 유지 증거를 산출하지 못했습니다. Memdora 글은 전통적 간격 반복 도구 대비 개선된 기억 유지를 보고하지만, 그 주장 뒤에 서 있는 지연 간격 결과 연구는 기술하지 않으며, 이중 언어 강의 동반자 — 작성 비용을 제거하여 증거 기반 인출 및 간격 연습을 막는 장벽을 없애 플래시카드를 자동 생성하면서, 채점된 SM-2 및 FSRS 알고리즘이 아닌 "안다 / 아직 학습 중"이라는 이분법적 평가로 일정을 단순화하는 — 은 분명하게 학습 결과 연구가 수행되지 않았음을 밝히며, 사전 등록된 프로토콜만 있을 뿐입니다. 일정 수립 기계는 그것이 만들어 내야 할 학습보다 더 잘 입증되어 있습니다.

혼합 연습

혼합 연습 — 연습 세션 안에서 문제나 문항 유형을 유형별로 묶지 않고 섞는 것 — 은 이 말뭉치에서 세 기법 중 증거가 가장 약하며, 이것은 채워 넣기보다 그대로 진술되어야 합니다. 혼합 연습은 바람직한 어려움에서 노력이 드는 조건들의 목록에 있는 한 사례로만 등장하며, 지식 기반의 어떤 연구도 혼합 조작을 묶인 통제 조건과 비교하여 시험하지 않습니다.

말뭉치에 있는 것은 인접해 있으나 신중히 구분할 가치가 있는 것들입니다. 학습자 과제 선택 시뮬레이션은 숙달 학습 모의에서 **혼합(Interleaving)**과 **묶음(Blocking)**을 여덟 가지 후보 학습자 전략 중 둘로 모델링하며, 강점 공략, 약점 공략, 결과 기반 규칙들과 함께 등장합니다. 거기서의 발견은 기억이 아니라 선택 구조(choice architecture)에 관한 것입니다. 일부 학습자 전략은 과잉 연습을 통해 체계적으로 진급을 지연시키며, 과제 선택 제약은 부적응적 전략을 고치는 한편 혼합, 묶음, 강점 공략, 약점 공략은 일정한 과잉 연습 수준에 남겨 두었습니다. 이것은 혼합이 시스템이 수용하거나 제약할 수 있는 선택 가능한 행동이라는 증거이지 — 혼합이 기억 유지를 향상한다는 증거가 아닙니다. 말뭉치에 남은 언급들은 이 단어의 무관한 용법들입니다(From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review의 단계가 혼합된 에이전트; 기하학 벤치마크에서 단계가 혼합된 시각-텍스트 해법 궤적). 이들은 혼합 연습 증거로 세지 말아야 합니다.

따라서 혼합 연습의 이곳 포함은 다른 두 기법과 같은 이론적 가계에, 그리고 인지 심리학 문헌에서의 지위에 기반한 것이지, 이 지식 기반의 어떤 연구에 기반한 것이 아닙니다. 열린 자리로 다루세요.

AI가 이 기법들을 구현하고 훼손하는 방식

구현. AI의 가장 방어 가능한 기여는 일정 수립과 생성, 즉 이 기법들에서 지루한 부분입니다. 적응적 일정 수립은 Memdora에서 FSRS-6으로, 시간에 따른 숙달을 추정하는 지식 추적 구조에서 구현됩니다. 적응적 사전 검사는 Akgun and Toker의 응답 의존적 에이전트에 의해 구현되며, 이전 세션의 수행 신호를 읽어 약한 영역에서는 개념적 깊이를 높이고 강한 영역에서는 도전 수준을 유지합니다. 자동 플래시카드 및 사전 검사 생성은 이중 언어 강의 동반자에서 구현되며, 카드 작성이 간격 연습을 처음부터 막는 비용인 곳에서 말이죠. 종단적 학생 기억은 이 모든 것이 학기를 넘어 지속되게 할 구조이며, Woollaston and colleagues (2026)는 그것을 의도적으로 수행하기 위한 설계 어휘를 제공합니다. 의도적 마찰(intentional friction), 동적 스캐폴딩, 휴먼 인 더 루프 감독, 그리고 AI를 극대화하지 않고 신중히 활용하는 것입니다.

훼손. 실패 양식은 구체적이고 반복적으로 문서화되어 있습니다. Woollaston et al. (2026)는 여섯 교수학적 위험 중 첫 번째를 선행 지식 활성화로 명명합니다. 콘텐츠를 미리 가져와 제공하는 에이전트들은 선행 지식을 활성화하는 인출 연습을 우회하므로, 학습자는 답을 받기 전에 자신이 아는 것을 떠올리거나 통합하지 않습니다. 사전 지식는 같은 우회 위험을 생성형 AI의 일반적 속성으로 진술하고, 설계 대책을 덧붙입니다. 제공하기 전에 먼저 활성화하라는 것입니다. 유창함의 환상은 학습자 쪽의 메커니즘입니다. LLM이 요구 시 완전하고 정합한 설명을 제공하므로, 학습자는 내적 인출과 재구성에 덜 노력을 배분하면서도 세션이 생산적으로 느껴집니다 — 이것이 바로 Tsiligkiris (2026)가 측정한 분리입니다. 3군 사전 검사 연구는 같은 논점을 실험적으로 만듭니다. 시행되는 인출 없이 AI에 자유롭게 접근한 군이 학기 말 기억 유지에서 가장 나쁜 수행을 보였으며, 상호작용 양은 군 간에 유의미하게 다르지 않아, 그 격차는 학생들이 얼마나 참여했는지가 아니라 구조에 의해 만들어졌습니다.

인출 요구 보존. 말뭉치는 작은 설계 특징 집합으로 수렴합니다. 사전 검사 에이전트의 정책이 가장 구체적입니다. 직접적 해답을 구성으로 유보하고, 오개념을 탐침하며, 피상적 시도 이후 정교화를 요청하고, 적절한 개념적 참여가 있을 때만 진급합니다. Tsiligkiris는 LLM 사용 후에 인출 요구를 삽입할 것을 권합니다. 도구가 닫힌 출력(closed-tool outputs) — 단답형 질문, 기억으로 그린 개념도, 모델 없이 하는 되돌려 가르치기 설명 — 을 통해서이며, 비계(스캐폴딩)와 점검을 분리하여, 모델은 명확화와 피드백에 사용할 수 있되 독립적 회상을 요구하는 별도의 점검 지점을 두는 것입니다. KnowLoop는 배포된 시스템에서 되돌려 가르치기 형식을 보여 줍니다. Peer 에이전트가 반추적 되돌려 가르치기를 비계 삼아 학습자들이 명료히 말할 수 없었던 격차를 드러냈으며, 참가자들은 명확화와 공고화를 엄격한 단계로 다루기보다 유동적으로 오가도록 요청했습니다. Chen, Sakhnini and Istead는 평가 쪽 판본을 더합니다. 산출물이 아닌 구성 과정을 가치 있게 여기라는 것입니다. 한편 Schorr and colleagues (2026)는 이 도구들을 과의존을 줄이고 학습자 주도성을 지지하는 배울 수 있는 기술로 자리매김합니다. 이 모든 것 아래에는 하나의 양보할 수 없는 조건이 있습니다. 학습자가 모델이 이미 주지 않은 답을 산출하도록 요구하는 무언가가 반드시 존재해야 합니다.

증거의 한계

• 작은 표본과 단일 맥락. 사전 검사 연구의 분석 표본은 한 응용 통계 과목의 학부생 89명이며, 군당 27–34명입니다. LLM 상호작용 연구는 n = 22에 단일 집단 설계로, 어떤 인과 주장도 지지하지 않습니다. 되돌려 가르치기 연구는 참가자 22명입니다. 사전 검사 연구 저자들은 일반화 가능성을 위해 영역과 과제 유형 전반의 반복이 필요하다고 밝혔습니다.
• 짧거나 부재한 기억 유지 간격. 상호작용 깊이 연구는 지연 측정 없이 즉시 회상만 시험했으므로, 그 무의미성(null)은 특정히 단기 기억 유지에 대한 것입니다. Memdora의 기억 유지 우위와 LLM 깊이 분리 모두 간격 연습 문헌이 요구하는 여러 주에 걸쳐 추적되지 않습니다. 말뭉치에서 가장 긴 것은 사전 검사 연구의 7주 창입니다.
• 자기 보고 및 대리(proxy) 측정. 사전 검사 연구의 연습 노력은 대화 로그를 두 명의 평가자가 루브릭에 따라 채점한 행동 지표이며, 저자들은 이것이 내적 동기 상태의 측정이 아님을 명시적으로 지적합니다. LLM 깊이 측정은 설명 구하기의 표면 형식을 포착하는 키워드 기반 대리 지표이며, 그 질의 측정은 아닙니다.
• 계측과 모델링의 한계. 말뭉치의 지식 추적 모델들은 일정 결정이 가장 필요한 바로 그 지점에서 실패하며, 저자들은 과거의 성공을 배포 현실적인 검증이 아닌 사후적 전 데이터셋 적합에 돌립니다. 이중 언어 동반자의 플래시카드 품질은 실측 진리(ground truth)에 대해 검증되지 않았으며, 자동 사실 확인 계층도 없고, 결과 연구도 전혀 수행하지 않았습니다.
• 혼합 연습은 여기에서 사실상 직접 증거가 없습니다. 위에서 말했듯, 말뭉치에는 묶음 대 혼합 비교가 없으며, 혼합이 여러 전략 중 하나의 선택 가능한 전략인 시뮬레이션만 있습니다.
• 대상 집단과 내용. 증거 기반은 고등교육, STEM과 통계 자료, 기하학 및 다중 회귀 내용의 사실 대 기술 구분에 집중되어 있으며, K-12 환경, 인문학과 글쓰기, 비서구권 교실로의 일반화는 이 연구들에 의해 확립되지 않았습니다.

연결된 개념

• 교육 패턴 — 간격을 둔 인출 순서, 그리고 인출(encoding) 중 도움을 받는 것의 기억 유지 대가
• 바람직한 어려움 — 이 세 기법이 구현하는 원리
• 인지 심리학 — 세 기법 모두의 이론적 본향인 기억, 부호화, 인출
• 사전 지식 — 학습자가 이미 가진 것의 활성화로서의 인출 연습
• 메타인지 — 유창함이 학습을 반영하는지 판단하기
• 자기조절 학습 — AI가 예약하거나 답해 줄 수 있는 것을 꾸준히 공부하기
• 숙달 학습 — 숙달 임계값 이후의 기억 유지, 그리고 그것을 유지하는 간격 연습
• 지식 추적 — 일정 결정을 만들거나 놓치는 모델들
• 인지 부하 외주화 — 인출이 도구에 위임될 때의 실패 양식
• 학습의 전이 — 이 기법들이 다루는 수행–학습 격차
• 형성평가 — 인출 사건으로서의 도구가 닫힌 점검 지점
• 생산적 실패 — 도움을 받기 전에 시도하기
• 학습자 — 유창함이 아닌 지속적인 학습의 가치

연결된 문서

• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Akgun & Toker: 7주에 걸친 적응적 간격 인출 대 고정 인출 대 학습자 주도 AI
• Memdora: Designing Cognitively-Grounded Flashcard Interactions for AI-Powered Spaced Repetition — Memdora: FSRS-6 일정 수립과 근거 기반 플래시카드 상호작용 분류 체계
• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — Tsiligkiris: 설명 깊이는 과제 질은 예측하지만 즉시 회상은 예측하지 않는다
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — 사실에는 인출 연습, 기술에는 풀이된 예시; 내용–처치 상호작용
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models — 시간 기반 검증 하에서 간격 효과를 포착하지 못하는 지식 추적 모델들
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — 간격 연습의 작성 비용을 제거하는 자동 플래시카드 생성
• Make or Take: How Students Navigate Self-Created and Instructor-Provided Cheat Sheets — 생성적 공부로서의 컨닝 페이퍼 만들기; AI로 구성을 외주화하기
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — 명확화가 드러내지 못한 격차를 드러내는 되돌려 가르치기 공고화
• Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning — 과제 선택 제약 하에서 모델링된 학습자 전략으로서의 혼합과 묶음
• PersonaVLM: Long-Term Personalized Multimodal LLMs — 종단적 학생 기억과 간격 반복·망각 곡선에 대한 열린 관계
• Learning-to-learn in the age of generative AI: A scoping review and conceptual framework — 학습하는 방법 틀의 도구 층에 있는 인출 연습
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — 인출 연습을 우회하는 미리 가져오기 에이전트들; 의도적 마찰에 대한 논거
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — AI 튜터가 말할 때: 무작위 현장 실험으로부터의 증거