개념
중등 교육
영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.
종합: 중등 교육은 생성형 AI 사용이 일상적이고 측정된 학습 성과가 그에 대한 주장보다 작은 구간입니다. 일반 중학교에서의 2년 시험은 연간 약 0.06–0.08 SD를 만들었고, K-12 지능형 튜터링 메타분석은 약 g = 0.27이었습니다. 모델 능력이 아니라 참여와 도움 요청이 효과를 제한하기 때문입니다. 학생들은 인지적 일을 더 많이 해 주는 도구를 선호하고, 탐지기는 에세이 전체는 구분하지만 문장은 구분하지 못합니다. 증거는 시험 복습에서 쓰기와 저작자성, 채점, 탐지, 그리고 사용이 회의심을 앞지르는 중학교 시절까지 이어집니다.
생각해 볼 질문들
- 튜터가 클릭 한 번 거리에 있지만, 중앙값 학생은 실수가 포함된 세션의 17%에서만 도움을 요청했습니다. 여러분의 교실에서 건너뛰기보다 물어보는 것을 더 저렴하게 만드는 것은 무엇입니까?
- 학생들은 노트 필기보다 챗봇을 선호했지만 그것에서 더 적게 배웠습니다. 시험이 그 덫을 적발하기 전에 여러분은 어떻게 그것을 잡아내겠습니까?
- 탐지기는 에세이 전체에서 F1 0.96, 문장에서 0.88에 도달하지만, 한 번 다시 쓰면 재현율의 3분의 1을 잃습니다. 어떤 진실성 정책이 그것을 견디겠습니까?
- 거의 모든 중등 시험은 단원 평가로 4~12주간 진행됩니다. 무엇이 1년짜리 학과 단위 도입을 정당화하겠습니까?
- 보고된 사용은 12에서 17로 늘어나지만 산출물에 대한 신뢰는 제자리입니다. 6~9학년 어디에서 검증을 가르치겠습니까?
들어가며
중등 교육은 대략 11~18세를 다룹니다. 중학교(middle school 또는 junior high) 다음에 고등학교가 오며, 이 환경의 세 가지 특징이 AI가 그곳에서 할 수 있는 일을 형성합니다. 출석은 의무이고, 교사는 일주일에 150명의 학생을 볼 수 있는 교과 전문가이며, 중요한 평가는 외부에 있습니다. GCSE, 국가 시험, 그리고 15세의 PISA입니다.
같은 학생들이 가장 빠르게 도입합니다. 스위스에서는 14~19세의 84%가 정기적인 생성형 AI 사용을 보고하며, 이는 어떤 성인 연령대보다 높은 비율입니다. 거의 보편적인 사용, 외부 시험, 여러 학급을 책임지는 한 명의 성인이, 문헌이 교육과정 재설계보다 복습, 채점, 과제, 진실성에 집중하는 이유를 설명합니다.
연구가 측정하는 것
-
지능형 튜터링의 이득은 소박하고 거리가 멀어질수록 줄어듭니다. 11개 시스템에 관한 미국 실험 18건은 g = 0.271로 통합되었고, 초등(0.266)과 중학교(0.256)에서 거의 동일했습니다. 농촌 학교가 포함되면 효과는 0.146으로 떨어졌고 6개월이 지나면 유의미하지 않은 0.110이 되었습니다. 연말 결과(0.155)는 즉각적 사후 검사(0.460)의 3분의 1이었습니다(Leite 외, 2025).
-
STEM 검토는 더 약한 품질 통제 아래 더 큰 효과를 보고합니다. 실험 및 준실험 연구 35건은 g = 0.670으로 통합되었고, 고등학교는 1.099, 중학교는 0.392였습니다. 저자들은 공식 평가 도구를 적용하지 않았고, 고정 효과 이질성은 I² = 82.98%에 달했습니다(Doğan 외, 2026).
-
동기 이득은 여기서 대학보다 작습니다. 통제 연구 42건(효과 크기 56개, 학생 6,059명)에서 통합된 동기 효과는 g = 0.764였지만, 중등 연구는 평균 0.360으로 고등 교육의 0.886에 못 미쳤고, I² = 93.7%였습니다(Fang 외, 2026).
-
전형적인 시험은 짧고 자체 제작 시험을 사용합니다. 한 GCSE 과학 평가는 세 과목에 걸쳐 학생 929명을 무작위 배정하고, 사후 검사에서 644명을 유지했으며, 저자들이 잠정적이라 부르는 35점 만점 교육과정 정렬 시험에서 g = 0.33을 보고했습니다(Harrison 외, 2026).
튜터링, 복습, 그리고 참여의 문제
-
접근이 사용은 아닙니다. 테네시 중학교 18곳에서 Khanmigo는 학생당 약 $15로 수학 성취를 연간 0.06–0.08 SD 높였는데, 이는 AI 없는 같은 Khan Academy 연습의 이득과 비슷했습니다. 학생의 96%가 사용해 보았지만, 중앙값 학생은 실수가 포함된 세션의 17%에서만 메시지를 보냈습니다(Oreopoulos와 Low, 2026).
-
교실에 있는 사람이 어려움의 경험을 바꿉니다. 교육과정 수준 이상으로 학습하는 식스폼(sixth-form) 학생 149명에서, 스트레스는 개방 웹 검색자의 32.0%, 생성형 AI 튜터 사용자의 19.2%, 인간 튜터와 함께한 학생의 5.8%가 보고했습니다. 학습 결과는 측정되지 않았습니다(Ennion과 McLellan, 2026).
-
정서 인식 지원은 겨냥한 불안을 높일 수 있습니다. 같은 16주 실험실 순서를 운영하는 두 9학년 화학 학급에서, 불안은 AI 정서 피드백과 함께 올랐고(F = 4.60, p = 0.035) 교사만 있을 때는 제자리였습니다. 학생들은 시스템의 진정 조언과 교사의 절차 중 어느 것이 지배하는지 알 수 없었습니다(Liu, Li, Zhang, 2026).
쓰기, 읽기, 그리고 저작자성
-
학생들은 일을 대신 해 주는 활동을 선호합니다. 영국 학교 7곳에서 10학년(Year 10) 학생 405명이 역사 지문 두 개를 읽고 3일 뒤 닫힌 책으로 시험을 봤습니다. 노트 필기는 유지에서 약 0.5 SD, 이해에서 0.4만큼 챗봇 사용을 이겼지만, 학생들은 챗봇을 더 쉽고 더 즐겁다고 평했습니다(Kreijkes 외, 2026).
-
피드백은 그것에 따라 행동할 성향이 있는 학생에게만 쓰기를 바꿉니다. 중등 학생 1,507명 각각이 표준화된 메시지 하나와 수정 시간 10분을 받았습니다. 행동적 참여와 도구적 태도는 수행을 46백분위에서 54백분위로 옮겼지만, 지각된 유용성은 아무것도 매개하지 않았습니다(Jansen 외, 2026).
-
제약된 어시스턴트는 학생이 계속 사고하게 할 수 있습니다. 이중언어 광합성 단원에서, 7학년 122명이 답을 주지 않도록 프롬프트된 어시스턴트와 6,788턴을 만들었습니다. 59%가 공유된 인식적 주도성에 도달했고, 감사된 1,049턴 중 어느 것에서도 직접 답을 주지 않았습니다. 상호작용의 약 20%는 텍스트 복사나 답 낚시와 관련되었습니다(Chang 외, 2026).
평가, 진실성, 그리고 시험 압박
-
채점 일치도는 높으면서도 편향될 수 있습니다. 상용 대규모 언어 모델(LLM) 채점기는 71개 쟁점 문항에서 AQA GCSE 물리 점수와 이차 가중 κ = 0.885로 일치했지만, 평균 0.30점, 한 문항에서는 6점을 후하게 줬습니다(Bozdag와 Qiu, 2026).
-
카파 값은 채점자를 속일 수 있는지 보여 주지 않습니다. 프롬프트된 22개 모델 중 14개는 답안에 메모가 실리면 척도의 5% 넘게 등급을 올렸고, 하나는 83.2% 올렸으며, 학생을 우수하다고 서술하면 66개 모델-과제 쌍 중 28개에서 점수가 올랐습니다(Porcaro, 2026).
-
탐지는 에세이를 찾을 뿐 문장은 찾지 못합니다. 독일 15세 2,429명의 키스트로크와 클립보드 로그로, 분류기는 AI 텍스트와 인간 텍스트를 매크로 F1 0.96으로 구분했지만, 문장 수준 F1은 0.88로 떨어졌고 학생 문체로 한 번 다시 쓰자 AI 재현율은 0.92에서 0.60으로 하락했습니다(Schaller 외, 2026).
-
학생들은 진실성을 조건부로 추론합니다. 14~16세 홍콩 학생 133명에서, 수용 가능성은 AI 사용 자체가 아니라 사용 목적(62.4%), 학습에 미치는 영향(54.1%), 의도(51.9%)에 달려 있었습니다(Chan, 2026).
도입–증거 불일치와 평가 재설계
이 구간에서 사용은 거의 보편적입니다. 증거는 대부분 그것에 대한 서술입니다. Pérez-Montesdeoca 외(2026)는 33건을 종합했습니다. 26건은 기술이 어떻게 사용되었는지 서술한 반면 학생 변화를 검토한 것은 7건이었고, 원래의 교실 데이터를 수집한 것은 21건뿐이었습니다. 거의 모두 교사 주도이고 고립되어 진행되었는데, 이것이 84% 도입 수치가 감추는 패턴입니다. 학과가 재설계하는 것이 아니라 개별 교사가 실험하는 것입니다.
이 검토가 확립하는 것은 조건부입니다. 피드백이 가장 강한 응용이었고, 포함된 한 연구에서는 맞춤 어휘 피드백이 점수를 거의 두 배로 올린 반면, 완전 위임은 학습을 좁혔고 산출물을 비교하거나 거부하는 것은 학습을 깊게 했습니다. 정확도는 과목보다 과제 난이도를 추적했습니다. BingChat과 Bard는 기초 생물학 문항에서 92.11%에 도달했지만, 모든 도구가 고차 문항에서는 20% 미만이었고, 자동 채점은 인간 평가자와 50.8% 일치에 도달했습니다. 설문 연구는 사용량보다 깊이를 가리킵니다. Wu와 Zhang(2025)은 횡단면 설계에서 사용 깊이가 자기 평정 혁신 역량을 추적한 반면 빈도는 그렇지 않음을 발견했으며, 그 경로들은 상관을 다시 진술합니다.
도입은 의향을 따릅니다. 불안은 이후에 작용합니다. Zhang과 An(2026)은 AI 불안이 의향과 무관하지만(β = 0.056, p = 0.123) 세 행동 모두에는 부적이며, 산출물 적용에서 가장 강하다는 것을 발견했습니다(β = −0.247). 유용성이 선행하고 성인 기대가 역량보다 상위인 모형에서였습니다. 측정도 파일럿 수준입니다. Schicchi와 Taibi(2026)는 학생 93명의 19문항 태도 척도에서 세 요인을 유지했으며, 확인적 모형은 없었습니다.
그래서 평가 질문은 완성된 산출물이 여전히 무엇을 보증하는가가 됩니다. Torres-Peralta 외(2026)는 지각된 학습이 산출물을 읽고, 수정하고, 덧붙이는 참여 지수와 거의 무관함을 발견했고(통합 상관 0.052), Cho(2025)는 쓰기 0.31, 수학 0.18의 GPA 연관을 검토했는데 대부분 사용자 대 비사용자 비교입니다. 프롬프트, 초안 응답, 수정을 수집하고, 페이지가 아니라 과정을 채점하십시오.
중학교와 초기 청소년기
-
사용은 회의심보다 먼저 굳어집니다. 12
25세 학생 1,598명에서, 평균 사용은 12세에서 17세 사이 04 척도에서 1.24에서 1.77로 올랐고, 많이 사용하는 활동 수는 1.76에서 3.48로 늘었지만, 지각된 신뢰성은 변하지 않았습니다(Cuenca-Rodríguez 외, 2026). -
2시간 워크숍은 자기보고가 놓치는 행동을 바꿉니다. 8~9학년 프랑스 학생 116명에서, 참석한 학생은 불충분하게 명시된 프롬프트를 덜 수용했고(51.5% 대 66.7%), 약한 답 뒤에 후속 질문을 59.2%의 경우 했습니다(27.9% 대조). 그들의 AI 리터러시 자기보고는 어느 것도 예측하지 못했습니다(Clerc 외, 2026).
-
사용 목적은 빈도보다 더 많은 것을 운반합니다. 중국 네 지역 15세 12,191명에서, 빈도를 고정했을 때 학습 지향 사용으로의 이동은 PISA 5.8점 가치가 있었고, 요약과 초안 작성으로의 이동은 6.6점 비용이었습니다(Wu 외, 2026).
-
초기 청소년기의 동기 이득은 관계적 비용을 수반합니다. 7~8학년 독일 학생 2,464명에서, 역량 기반 학습 안의 ChatGPT는 더 많은 자율성과 유능감 충족과 연관되었지만 관계성은 더 약했습니다(Schweder 외, 2026).
연결
중등은 초등 교육과 학부 교육 사이에 있으며, 교사 역량과 형평성에 관한 K-12의 우려를 공유합니다. 구별되는 점은 외부 시험과 교과 전문가 교수의 결합으로, 이것이 AI를 복습, 채점, 과제 지원 쪽으로 밀어냅니다. 그래서 타당도와 자동 채점이, 발달적합성이 지배하는 초등 시기보다 여기서 더 중심적입니다. 또 다른 구별되는 실마리는 자기조절 학습입니다. 청소년은 그것을 사용할 판단을 갖추기 전에 도구를 갖게 되므로, 메타인지과 외주화가 이득이 나타나는지를 결정합니다.
실천을 위한 함의
교사를 위한 지침
- 튜터를 실수가 일어나는 곳에 두십시오. 17% 수치는 학생의 결손이 아니라 설계 문제입니다. 다음 문제 전에 질문이나 설명 하나를 요구하고, 로그인이 아니라 그 교환을 확인하십시오.
- 쓰기 도구를 동시에 제시하지 말고 순서대로 배치하십시오. 질문하고, 챗봇을 닫고, 그다음 쓰십시오. 둘이 동시에 열려 있을 때 학생의 4분의 1이 복사했습니다.
- 정서 인식 시스템이 여러분의 절차와 충돌할 때 누구의 조언이 지배하는지 수업 전에 결정하고, 학생에게 알리십시오.
학교 지도자를 위한 지침
- 실현된 사용으로부터 예산을 세우십시오. $15 라이선스는 프로그램이 아닙니다. 효과는 일정 편성, 교사 프롬프트 작성, 진행 모니터링에 달려 있습니다.
- 일반 교실 튜터링에는 연간 0.06–0.08 SD, 지능형 튜터링에는 약 0.27의 기대를 설정하십시오. 어느 쪽으로도 격차 해소를 약속하지 마십시오.
- 탐지기 산출물을 비행 판정에서 배제하십시오. 초안, 버전 기록, 또는 구두 방어를 요구하십시오. 전체 텍스트 점수는 한 번의 다시 쓰기에도 움직이기 때문입니다.
연구자를 위한 지침
- 텍스트 수준뿐 아니라 문장 수준에서도 탐지를 보고하고, 일치도 통계 옆에 프로브 결과를 보고하십시오.
- 학생들이 도구를 무엇에 사용했는지 측정하십시오. 빈도만이 아닙니다. 목적은 같은 빈도에서 PISA 12점 격차를 갈랐습니다.
- 4주를 넘는 지속성을 연말 또는 외부 결과로 시험하십시오. 즉각적 사후 검사는 튜터링 효과를 대략 3배 과장합니다.
흔한 오해
-
"AI 튜터는 학생이 접근할 수 있으면 언제든지 가르친다." 학생의 96%가 Khanmigo를 사용해 보았지만, 중앙값 학생은 실수가 발생한 세션의 17%에서만 도움을 요청했습니다. 가용성과 사용량은 다른 변수입니다.
-
"시험관과의 높은 일치는 채점자가 신뢰할 수 있음을 의미한다." 22개 모델 중 14개가 답안의 메모로 척도의 5% 넘게 움직일 수 있었고, 학생에 관한 라벨은 66개 모델-과제 쌍 중 28개에서 점수를 올렸습니다.
-
"탐지는 AI가 어떤 문장을 썼는지 알려 줄 수 있다." 문장 수준 F1은 0.88로 떨어졌고, 학생 문체로 한 번 다시 쓰자 재현율은 0.60으로 하락했으며, 복사한 재료 없이 챗봇 사용 뒤에 쓴 텍스트는 94.6%의 경우 인간이 쓴 것으로 읽혔습니다.
-
"비판적 AI 리터러시는 대학까지 기다릴 수 있다." 사용은 12세에서 17세까지 매년 늘지만 지각된 신뢰성은 제자리이며, 8~9학년의 2시간 워크숍은 이틀 뒤 프롬프트 작성과 후속 질문 행동을 바꿨습니다.
연결된 개념
연결된 문서
- One click away: AI tutoring with Khanmigo in a two-year school experiment
- Evaluating AI Tutoring at the Speed of Innovation: Practitioner-Led Micro-Randomised Trials of an AI Tutoring Platform in GCSE Science
- Do intelligent tutoring systems benefit K-12 students? A meta-analysis and evaluation of heterogeneity of treatment effects in the U.S.
- The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis
- Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis
- Effects of LLM use and note-taking on reading comprehension and memory: A randomised experiment in secondary schools
- Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception
- Investigating Secondary School Students' Shared Epistemic Agency with GAI in Online Scientific Explanation Writing
- Teaching students to question the machine: An AI literacy intervention improves students' regulation of LLM use in a science task
- Students Learn to Use Generative AI Before Learning to Question It: Ordinal Trajectories of Academic Use and Caution from Adolescence to University
- Detecting AI-Authored Text in Authentic Student Writing: Evidence from PISA 2025
- Cheating or not cheating? Rethinking AI-giarism and academic integrity through secondary students' ethical reasoning
- Comparing the Marking Accuracy of an AI Marking System with Official Examination Board Marks and Experienced Teacher Judgement: A Case Study in GCSE Physics
- Beyond agreement: a benchmark of how language models grade student work, and how they fail
- Generative AI use and scientific literacy among 15-year-olds in Beijing, Shanghai, Jiangsu, and Zhejiang, China
- Student motivation and need satisfaction in GenAI-supported classrooms: A self-determination theory perspective
- The integration of generative artificial intelligence in secondary education: A systematic review
- Generative artificial intelligence in secondary education: Applications and effects on students’ innovation skills and digital literacy
- Predictors of High School Students’ Intentions and Behaviors in Using AI Learning Tools: An Extended Theory of Planned Behavior Approach
- High School Students’ Attitudes Toward Generative AI: An Exploratory Factor Analysis of a Novel Measurement Scale
- Perceived Learning vs. Engagement in AI-Assisted Homework: A Comparative Study of ChatGPT Use Across High School, University, and Teachers in Sonora, Mexico (2024–2025)
- Impact of ChatGPT on High School Grade Point Average: A Comparative Study by Subject, School Type, and Socioeconomic Factors