AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

자기평가

생성일 2026-09-21 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

자기평가 — 기준에 비추어 자신의 작업, 역량, 또는 진전을 판단하는 행위, 그리고 그 행위에 기반한 실천과 도구들. 이 용어는 쉽게 하나로 뭉뜨group화되는 두 얼굴을 담고 있습니다. 교수 기법으로서의 그것은 자기 채점, 루브릭 기반의 자기 검토, 자기 확인, 안내된 성찰입니다. 즉, 자기조절 학습이 작동하는 데 필요한 모니터링과 판단을 기르기 위한 활동들입니다. 교육적 측정으로서의 그것은 자기보고 도구이며, 여기서 학습자가 자신의 기술, 자신감, 또는 학습에 대해 내리는 추정은 아무도 하지 않은 관찰의 대리인이 됩니다. 이것은 학생을 평가자로 삼는 것의 다른 한쪽 절반인 동료 평가와 나란히 놓이며, 스캐폴딩와 명시적 기준에 대한 같은 의존을 물려받습니다. 두 얼굴 모두 같은 능력에 기대고 같은 방향으로 실패합니다. 그 추정은 체계적으로 너그럽고, 학습자가 제출한 작업이 생성형 AI 도구로 산출될 수 있을수록, 그 작업은 그 능력이 실제로 존재하는지에 대해 더 적은 것을 말해줍니다.

생각해 볼 질문들

  • 자신의 작업을 마쳤을 때, 무엇이 그것이 좋은지를 알려줍니까: 여러분에게 주어진 기준, 여러분이 내면화한 기준, 아니면 그 느낌입니까? 실제로 어떤 것을 사용했는지 구별할 수 있겠습니까?
  • 288명의 K-12 교사를 대상으로 한 연구에서, AI 리터러시의 자기보고 측정은 같은 기술의 객관적 측정과 r = 0.07에서 r = 0.24 사이로만 상관했습니다. 여러분 자신의 실천에서 자기 추정이 같은 기술의 검사와 가장 크게 벌어질 곳은 어디이며, 왜 바로 거기입니까?
  • 자기 채점은 교수의 시간을 절약하고 판단을 기를 수 있는 동시에, 학생이 얻지 못한 점수를 줄 수도 있습니다. 어떤 과제와 루브릭, 그리고 훈련에 대해 어떤 조건이 갖추어질 때 자기 채점이 학점을 담을 수 있겠습니까?
  • 도구가 에세이를 산출할 수 있다면, 학생이 자신의 학습에 대해 평가할 것은 무엇이 남습니까? 대신 무엇을 추정하도록 요구하시겠습니까?
  • 동료의 작업을 평가하는 학생과 자신의 작업을 평가하는 학생은 다른 일을 하고 있습니다. 어느 쪽이 다음 과제로 더 잘 전이되며, 그것을 판가름할 증거는 무엇입니까?

들어가며

자기평가는 교육에서 가장 오래된 생각 중 하나이면서도 실천에서 가장 혼란스러운 것 중 하나입니다. 하나의 이름 아래 두 가지 구별되는 것이 여행하기 때문입니다. 첫째는 기법입니다. 기준에 비추어 자신의 작업을 검토하고, 채점하고, 확인하고, 성찰하는 학생들의 활동입니다. 둘은 측정입니다. 학습자가 자신의 기술, 자신감, 또는 학습에 대해 내리는 평정으로, 데이터로 사용됩니다. 기법은 그것이 학습자에게 무엇을 기르는지로 판단되고, 측정은 그 숫자를 신뢰할 수 있는지로 판단됩니다.

AI 시대의 평가 설계에서 둘 다 중요하며, 서로 다른 이유로 중요합니다. 기법은 평가적 판단이 훈련되는 곳이고, 평가적 판단은 바로 언어 모형이 요청만으로 그럴듯한 작업을 산출할 수 있을 때 희소해지는 역량입니다. 측정은 이 분야가 자신이 아는 것을 일상적으로 과장하는 곳입니다. 자기보고는 학습을 측정할 수 없기 때문입니다. 그것은 누군가가 그것에 대해 말하는 것만을 기록할 수 있습니다.

교수 기법으로서의 자기평가

이 항목 아래 놓이는 실천들은 친숙합니다. 루브릭에 따른 자기 채점, 제출 전 초안의 자기 검토, 문제 풀이의 자기 확인, 학습자가 다르게 할 것을 묻는 성찰적 질문들, 그리고 학생이 자신의 수행을 추정한 뒤 비교하는 예측 과제들입니다. 이것들의 목적은 발달적입니다. 기준에 비추어 자신의 초안을 검토하는 학생은 동료 검토와 교수 피드백 또한 훈련하는 그 평가를 예행하고 있으며, 아무도 보고 있지 않을 때 사용할 내적 기준을 세우고 있습니다.

이 기법이 작동한다는 증거와 어떤 버전이 작동하는지에 관한 증거는 주로 쓰기와 자기조절 학습 연구에서 나옵니다. 피드백 리터러시에 관한 비교 연구에서, 1학년 학부생들(N = 중국에서 118명, GenAI 집단 56명과 동료 집단 62명)이 한 학기에 걸쳐 세 차례의 자기평가 주기를 거쳤습니다. GenAI 집단이 동료 집단에 비해 가진 우세는 작아서, 0.17 척도 점에 불과했고(partial eta squared = 0.03), 이 연구의 실천적 결론은 되풀이되는 바로 그것입니다. 자기평가에는 비계가 필요합니다. 사전에 주어진 루브릭, 프롬프트 지침, 워크시트가 바로 피드백 리터러시를 기르는 자기평가 주기와 외주화를 산출하는 주기를 가르는 것입니다.

자기평가는 또한 자기조절 학습의 주기가 성향이 아닌 기술로 가시가 되는 곳입니다. 한 학부 통계학 연구에서, 추론 중심의 비계 설정(단계적 힌트와 검증 프롬프트)에 대한 명시적 훈련을 받은 학생들은 이후 모형의 도움 없이 시도한 과제에서 더 나은 수행을 보였고, 모형을 비판 없이 의지한 학생들보다 더 나은 자기평가 보정을 보였습니다. 흥미로운 부분은 두 번째 측정입니다. 훈련받은 집단의 자신의 이해에 대한 추정이 그들이 실제로 할 수 있는 것과 더 잘 정렬되었습니다. 성찰을 겨냥한 기법이 학습자의 측정 속성을 변화시킨 것입니다.

보정 훈련

가장 직접적인 기법은 보정 훈련입니다. 학생이 결과를 보기 전에 자신의 점수나 자신감을 예측한 뒤, 그 예측을 결과와 비교하는 것입니다. 한 AI 지원 쓰기 연구에서, 피드백 리터러시 스크립트는 쓰기 질과 피드백 수용, 그리고 깊은 수정을 개선한 반면, Assessment-Performance Calibration Activity는 주로 학생 자기평가의 정확성을 개선하고 과잉 자신감을 줄였습니다. 둘을 결합하면 가장 큰 쓰기 향상과 AI 지원이 철회된 뒤 가장 강한 유지가 나타났으며, 다만 보정 활동 단독이 정확한 자기 추정에 이르는 더 나은 경로로 남았습니다. 이 노동의 분담이 실천적 요점입니다. 피드백 리터러시는 학생이 논평으로 무엇을 하는지를 개선하고, 보정은 그들이 자신의 처지를 얼마나 잘 아는지를 개선하며, 이 둘은 같은 개입이 아닙니다.

한 호주 대학의 윤리적 AI 사용에 관한 에세이 수준의 논문은 안내된 자기평가를 주제가 아닌 수단으로 다루었습니다. 2021년부터 2025년까지 간호학, 보건과학, 공학, 이학의 신입생들을 대상으로, 학기 전과 후의 자기평가가 리커트 자신감 문항과 개방형 성찰 프롬프트를 결합했으며, 저자들은 윤리적 실천이 시행되어야 할 준수 규칙이 아니라 성찰을 통해 구축되어야 할 발달적 역량이라고 주장했습니다.

AI가 이 기법에 더하는 것

AI는 이 기법에 관해 세 가지를 변화시킵니다. 그것은 문항과 루브릭을 생성할 수 있어 반복적인 자기평가 주기를 값싸게 만듭니다. 그것은 평가되는 대상이 될 수 있는데, 이것이 평가적 판단이 훈련되는 방식입니다. AI 초안을 판단하는 학생은 무제한의 자료로 평가를 연습하고 있습니다. 그리고 그것은 학습자의 판단을 과정 증거로 가시가 되게 할 수 있습니다. 상호작용 학습 대시보드에서, 전통적인 분석 대시보드가 Judgment of Learning 자기평가 기능과 대화형 에이전트로 확장되었는데, 그 논지는 학습자 자신의 판단을 이끌어내는 것이 데이터가 보여주는 것을 알려주는 것보다 참여에 더 많이 기여한다는 것입니다. 제도적 프레임워크들은 구조화된 자기평가와 초인지적 프롬프트를 포함한 같은 과정 흔적들을 성적 증명서가 보여줄 수 없는 적응적 역량의 증거로 다루기 시작했습니다.

측정으로서의 자기평가

측정으로 사용될 때, 자기평가는 대개 다른 것으로 차려입고 도착합니다. 리커트 척도에서의 자신감 평정, 예측된 점수, Judgment of Learning 문항, 또는 지각된 기술의 분류 체계 기반 목록이 그것입니다. 이것은 더 넓은 자기보고식 측정 집합 안의 한 가족이며, 그 가족의 범주적 한계를 물려받습니다. 자기보고는 학습이나 행동을 측정할 수 없습니다. 그것은 사람이 자신의 학습이나 행동에 대해 말할 의사가 있는 것만을 측정할 수 있으며, 이 두 가지는 이 연구 기반 안에서 종종 충분히 벌어져 그 자체로 하나의 발견이 됩니다.

추정이 얼마나 정확한가

정확성이 표면의 문제이며, 그 방향은 일관됩니다. 가장 깨끗한 증거는 하나의 프레임워크 안에 교사 AI 리터러시의 병행되는 자기보고 측정과 객관적 측정을 구축한 연구에서 나옵니다. 288명의 K-12 교사에 걸쳐, 객관적 요인과 자기보고 요인 사이의 상관은 r = 0.07에서 r = 0.24에 이르렀고, 잠재 프로파일 분석은 여섯 개의 프로파일을 발견했습니다. 43명의 교사는 자신을 일관되게 높게 평정하면서 객관적 측정에서는 더 낮은 점수를 받았고, 59명은 그 반대의 양상을 보였으며, 나머지 프로파일들은 평균 근처에 모이거나 선행 AI 리터러시 경험에 따라 나뉘었습니다. 같은 팀이 같은 구성개념 위에 구축한 한 기술의 두 측정이 거의 아무것도 공유하지 않는 것입니다.

분야 수준의 그림은 그 단일 연구와 일치합니다. Zainal, Mohd Matore and Maat의 교사 AI 리터러시 측정 도구에 관한 2026년 검토는 2019년부터 2025년 사이에 출판된 33개의 도구를 평가하여, 31개(93.9%)가 지각된 자신감의 자기보고 척도였고, 지식을 객관적으로 검사한 것은 단 2개(6.1%)였으며, 수행 기반 과업을 사용한 것은 없음을 발견했습니다. 이 페이지의 측정 얼굴이 기대는 바로 그 독법입니다. 자기보고 점수는 역량이 아닌 보고된 자신감을 기록하므로, 그것은 역량의 대리인이 될 수 없으며, 저자들은 검증된 역량을 보고된 자신감과 구분하기 위해 자기평가와 나란히 수행 과제와 문항 반응 이론 분석을 주장합니다.

정확성은 무엇이 추정되는지에 따라서도 달라집니다. 분류 체계 기반의 GenAI 리터러시 자기평가에 관한 한 심리측정학적 분석은 158명의 대학 교직원과 학생을 대상으로, 응답자들이 그 아래의 개념적 기초에 앞서 창조의 숙달을 주장하는 역전된 프로파일을 발견했고, 학생 프로파일과 학술인 프로파일 사이의 상관은 약했습니다(r = 0.188). 교사 교육 학생들에 관한 한 설문은 다른 쪽에서 같은 형태를 발견했습니다. 거의 모든(97.8%) 응답자가 비판적 미디어 분석이 중요하다고 평정한 반면, 자신의 수업이 이를 다룬다고 말한 이는 13.8%에 불과했고, 미디어 정보를 비판적으로 분석할 기술이 있다고 믿은 이는 절반에도 미치지 않았습니다(44.9%). 자기평가된 미디어 역량이 자기평가된 중요성에 뒤처졌습니다.

두 가지 메커니즘이 그 너그러움을 설명합니다. 첫째는 동기적이며 이 문헌 밖에서도 잘 기록되어 있습니다. 사람들은 자신을 너그럽게 평정하고, 가장 덜 유능한 이들이 가장 많이 과대평가합니다. 둘째는 AI가 토대가 된 세대에 특유한 것입니다. 부재하는 인지적 기저선에 관한 2026년 이론 논문은, 형성기의 중등과 고등학교 시절에 지속된 대체적 AI 사용이 어떠한 학문적 자기평가도 의존하는 독립적인 인지적 만남들을 줄인다고 주장합니다. 이 주장은 개인이 아닌 구조적입니다. 자기평가는 현재의 수행을 이전 수행들의 기록과 비교하여 작동하며, 그 기록이 결코 구축되지 않은 곳에서는 추정이 보정될 대상이 아무것도 없습니다. 이것은 AI 사용 중의 과정을 서술하는 외주화와 항복과 구별되는 것으로 제시되는데, 그 격차는 도구가 부재할 때도 지속되기 때문입니다.

발달 단계는 정확성에 하나의 경계를 설정하며, 가장 어린 학습자들이 검증된 자기평가 도구가 가장 희소한 곳입니다. Thianwan and Srikoon의 초등 고학년 학생을 위한 AI 리터러시 자기평가 질문지에 관한 2025년 검증 연구는 Learning About AI, Learning About How AI Works, Learning for Life with AI를 중심으로 4학년부터 6학년을 위한 15문항 도구를 구축하여, 335명과 579명의 표본에서 3요인 구조를 확인했고 전체 Cronbach's alpha는 .934였습니다. 저자들은 이 장르의 한계에 대해 명확합니다. 자기평가의 정확성은 아동에게서 아직 성숙해가는 초인지 능력에 달려 있으므로, 점수는 입증된 역량이 아닌 지각된 이해를 지표화하며, 이 도구는 형성적 진단을 위한 것입니다.

결과 변수로서의 자기평가

측정의 얼굴은 또한 자기평가 도구들이 결과 측정으로 사용되는 평가 설계에서 나타납니다. 한 연구는 고등교육에서 복잡한 보고서의 AI 지원 평가를, 검증된 피드백 리터러시와 자기평가 도구를 이후의 수행 및 통제 집단과의 비교와 나란히 두어 학습을 명시적으로 평가합니다. 이것은 그 도구가 연구가 실제로 다루는 믿음(자기효능감나 지각된 역량과 같은)을 측정할 때는 방어 가능하고, 성취의 대리인으로 다루어질 때는 오도적입니다. AI 개입 연구들에 대한 되풀이되는 비판은 여기에 전면적으로 적용됩니다.

과업 후 질문지와 과업 특정적 자기효능감을 통해 주체성을 측정하는 것은 순환 추론의 위험이 있습니다. 학습자의 추정이 그것이 가리키도록 의도된 역량의 증거로 다시 읽히며, 그 대안은 자기평가가 연속된 주기에 걸쳐 어떻게 사용되는지를 추적하는 동적 분석입니다(Mao (2025)).

생성형 AI가 변화시키는 것

두 얼굴은 생성형 AI 아래에서 수렴합니다. 도구가 둘 모두가 의존하는 그 연결 — 학습자의 제출된 작업이 학습자에 대한 증거라는 것 — 을 공격하기 때문입니다.

작업이 요청에 따라 산출될 수 있는 곳에서는, 그럴듯한 에세이가 더 이상 그 뒤에 있는 판단을 입증하지 못하며, 자신이 쓰지 않은 초안을 평가하도록 학생에게 요구하는 것은 자신이 쓴 것을 평가하는 것과 다른 과제입니다. 이것이 평가 타당성 논변이 탐지에서 재설계로 옮아간 이유이며, 자기평가가 학습 보조물에서 평가 설계 자체의 구성 요소로 옮아가는 이유입니다. 학생이 AI 산출물의 특정 부분에 대해 내리는 판단은 기록 위에 이유와 함께 남을 때, 그 산출물은 그렇지 않은 방식으로 증거가 됩니다.

또한 이것은 명확히 말할 가치가 있는 명명의 위험을 도입합니다. AI 자기평가는 이 개념이 아닙니다. 어떤 논문이 모형이 자신의 추론을 평가하거나 자신의 산출물을 채점한다고 보고할 때, 그것은 모형 평가이며 자동화 평가와 모형 훈련 및 시뮬레이션된 학습자들의 연구에 속합니다. 한 개인 지도 연구는 이 요점의 실천적 버전을 제시하며, 피드백이 모형의 자기 평가된 추론 타당성이 아닌 별도의 진단 분류기에 조건지어져야 한다고 주장합니다. 학습자의 자기평가와 모형의 자기평가는 어휘를 공유하고 그 외에는 아무것도 공유하지 않습니다.

실천을 위한 함의

  • 기법에 비계를 설정하십시오. 루브릭, 프롬프트 지침, 워크시트가 자기평가 주기를 발달적으로 만드는 것입니다. 맨살의 자기평가는 맨살의 AI 피드백과 마찬가지로 판단이 아닌 안심을 산출하는 경향이 있습니다.
  • 피드백 사용과는 별도로 보정을 훈련하십시오. 예측하고 비교하는 활동은 자기 추정의 정확성을 변화시킵니다. 피드백 리터러시 작업은 학생들이 논평으로 무엇을 하는지를 변화시킵니다. 정확성이 목표라면 보정 활동을 실행하십시오.
  • 훈련이 진짜가 아닌 한 자기 채점은 낮은 위험도를 유지하십시오. 자기 채점은 그것이 혜택을 받는 당사자가 학습에 대해 하는 주장이며, AI 리터러시 연구의 과대평가 프로파일들은 총괄 성적에 흡수할 만한 작은 편향이 아닙니다.
  • 자기보고를 정직한 곳에서 사용하십시오. 자신감, 지각된 역량, 그리고 AI 사용을 밝히려는 의사는 물어봄으로써 측정할 만한 정당한 대상입니다. 성취는 그렇지 않습니다.
  • 의견이 아닌 판단을 요구하십시오. 가장 방어 가능한 AI 시대의 자기평가는 학생에게 기준에 비추어 특정한 작업을 평가하고 그 판단을 정당화하도록 요구하는 것이며, 이것은 훈련 가능하고 검토 가능하며 평가적 판단에 연결됩니다.
  • 세대 효과를 주시하십시오. 형성기에 대체적 AI 사용이 포함된 학생들에게 정확한 자기 추정은 단지 낙관적인 것이 아니라 이용 불가능할 수 있으며, 이는 수업 과제를 과잉 자신감을 교정하는 것에서 그것이 필요로 하는 경험적 기록을 재구축하는 것으로 옮깁니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준Higher Ed
대상 독자Learners, Instructors
학습과 교수메타인지, 자기조절 학습, 스캐폴딩
평가와 측정평가 타당도, 평가적 판단, 피드백 리터러시, 형성평가, 동료 평가, 자기보고식 측정
형평성, 윤리, 그리고 책임 있는 사용신뢰 보정
교육에서의 인공지능 기초AI 리터러시
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.