AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

학습자 모델링과 적응형 수업

생성일 2026-08-09 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

학습자 모델링과 적응형 수업 — AI가 학습자를 어떻게 표현하는지(학습자가 무엇을 알고, 느끼고, 필요로 하는지)와 그러한 표현을 사용해 수업을 어떻게 적응시키는지에 관한 포괄 개념입니다. 이 계열은 모델링 계층 — 학생 모델링, 지식 추적, 인지 진단, 학생 시뮬레이션 — 과 그러한 모델을 소비하는 적응 시스템 — 지능형 튜터링, 적응 학습, 개인화 학습 — 을 아우릅니다. 공통된 질문은 이것입니다: 시스템은 학습자가 무엇을 아는지 어떻게 알며, 다음에 무엇을 가르쳐야 하는가?

생각해 볼 질문들

  • 이 페이지가 던지는 포괄적 질문은, 시스템이 학습자가 무엇을 아는지 어떻게 알며 다음에 무엇을 가르쳐야 하는지입니다. 읽기에 앞서 '학습자가 아는 것'을 기계 안에서 표현하려면 어떻게 시작하시겠습니까?
  • 학습자 모델링은 지식 추적(시간에 따른 지식의 추적), 인지 진단(숙달한 기능의 파악), 학생 시뮬레이션(합성 학습자)을 아우릅니다. 각 접근은 무엇을 잘하며, 각각 무엇을 틀리게 볼 위험이 있다고 생각하십니까?
  • 모든 적응형 AI는 학습자에 대한 어떤 모델에 의존합니다. 모델은 그것을 먹여 주는 증거만큼 좋을 뿐이라면, AI 시스템이 학생에 관해 실제로 가지고 있는 증거는 무엇이며, 그들에 관한 어떤 중요한 것은 여전히 보이지 않는다고 생각하십니까?
  • 모델은 학생이 무엇을 맞히고 무엇을 틀렸는지는 포착하되 왜 그런지, 혹은 어떻게 느끼는지는 포착하지 못할 수 있습니다. 학습자 모델은 어떤 방식으로 학생을 돕기는커녕 해치는 쪽으로 적응 시스템을 오도할 수 있습니까?
  • 적응형 튜터를 설계한다면 그것의 '당신에 대한 모델'에 무엇이 담기기를 바라시겠습니까? 그리고 무엇을 추정하는 것을 명시적으로 금지하시겠습니까?

들어가며

학습자 모델링은 학습자의 계산적 표현이며, 적응형 수업은 시스템이 그 표현으로 하는 일입니다. 교육의 모든 적응형 AI는 학습자에 대한 어떤 모델 — 아무리 가벼운 것이라도 — 에 의존하며, 모든 학습자 모델은 어떤 수업 의사결정에 정보를 주기 위해 존재합니다. 이 페이지는 그 파이프라인의 포괄 개념입니다: 모델링 방법, 모델에 작용하는 시스템, 그리고 그것들의 관계.

모델링 계층

이 개념들은 "이 학습자는 무엇을 알고, 느끼고, 필요로 하는가?"에 답합니다 — 이 계열의 표현 쪽입니다.

  • 학생 모델링 — 학습자 특성(지식, 기능, 정의적 상태, 참여, 선호)을 계산적 형태로 표현하는 넓은 관행입니다. 이 계층 안에서의 포괄 용어이며, 학습자를 표현하는 모든 방식을 포함합니다.
  • 지식 추적 — 연습 문제에서의 수행을 추적하고 미래 숙달을 예측함으로써 인지적 지식을 시간에 걸쳐 모델링하는 구체적 관행입니다. 학습의 시간적 역동성 — 지식이 언제 획득되고, 소멸하며, 개념들이 어떻게 관련되는지 — 을 형식화합니다.
  • 인지 진단 — 학습자가 어떤 구체적 기능이나 지식 요소를 숙달했는지에 대한 세밀한 평가로, 표적화된 보완 학습을 뒷받침하는 숙달 프로파일을 만들어 냅니다.
  • 학생 시뮬레이션 — 실제 학습자를 표현하는 대신에 요청 시 합성 학습자를 생성하여, 교수법과 교수 전략과 AI 시스템을 오프라인에서 시험하거나 훈련할 수 있게 하는 것입니다.
  • 학습자 모델을 위한 인과 형식론. Mangili 외(2026)는 잡음 게이트 베이지안 네트워크를 전문가로부터 도출된 구조적 인과 모델로 대체하여 힌트를 명시적 내생변수로 만들어, 모델이 "학생이 사용한 도움 없이 무엇을 답했을 것인가"를 물을 수 있게 합니다 — 예측력은 약간 낮지만, 연합 모델로는 표현할 수 없는 반사실을 다룰 수 있습니다.

Zhang, Jeffries와 Koprinska(2025)의 연구는 충실한 표현이 가장 복잡한 모델 계열을 요구하지 않는다는 점을 보여 줍니다. 풍부한 원격 계측이 아닌 강의 내용 상호작용 특징에서 구축된 가볍고 본질적으로 해석 가능한 의사결정나무 학생 모델은 대규모 온라인 프로그래밍 강의에서 모듈 수준 진도를 예측하며(85–91% 정확도), 위험에 처한 비참여 학생·비참여하지만 성공적인 학생·참여하는 고성과 학생이라는 참여 프로파일을 구분하여, 학습 분석의 대규모 조기 경보를 뒷받침합니다.

학습자 모델은 강의 데이터가 아닌 수강 구조 위에 놓일 수도 있습니다. TRACE는 각 학기를 순서 없는 강의 묶음으로 부호화하여 강의 집합과 성적을 함께 예측하고, 성적 예측 오차를 0.1339 MAE로 낮춥니다 — 이는 성적만 쓰는 모델보다 46.4% 낮은 값입니다 — 5,326명의 학생과 10년에 걸쳐서입니다(Savala(2026)).

학생 모델은 순수하게 행동 추적만으로도 구축되어 적응을 뒷받침할 수 있습니다. An, Hammock와 Goel(2025)은 VERA에서 822개의 생태 모델을 만든 315명의 온라인 학습자의 클릭스트림에서, 인구통계나 맥락 데이터 없이, 관찰(Observation), 구성(Construction), 탐구(Exploration)라는 세 가지 참여 프로파일을 도출하고 이 프로파일들이 모델 품질을 예측함을 보였습니다(탐구는 가장 복잡하고 다양한 모델을 만들어 내는 반면, 관찰은 독창적이 아니라 복사된 모델이 지배합니다). 이러한 참여 수준의 특성화가 적응형 수업 계층이 되먹임을 표적으로 삼을 수 있는 조립립한 학생 모델입니다.

정의적 학생 모델링은 추가적인 차원입니다. 한 수학 튜터는 대화 텍스트와 얼굴 표정에서 감정을 추론하고 집합된 상태를 교수 전략에 매핑했지만, 다중 양상 융합은 참가자 자신의 주석과 비교해 60% 정확도에 그쳐, 정서 판독이 이 파이프라인의 가장 약한 고리가 되었습니다(Kar 외(2025)).

Gutterman 외(2026)는 수학 연습 중 기록된 지연 시작 신호가 영어 성과를 예측함을 발견했습니다. 만성 지연자(13분 초과)는 선행 지식과 과제 시간을 통제한 뒤에도 더 낮은 향상을 보였고(ELA β = -.11 SD), 따라서 행동적 학생 모델은 강의별 재훈련 없이 과목 간에 전이될 수 있으나 그 기준점은 다시 도출되어야 합니다.

적응형 수업 계층

이 개념들은 "다음에 무엇을 가르쳐야 하는가?"에 답합니다 — 학습자 모델을 소비하는 적용 쪽입니다.

  • 지능형 튜터링 — 학생 모델과 숙달 추정을 사용해 문제를 선택하고 단계별 안내를 제공하는 시스템으로, 학습자 모델링의 고전적 적용입니다.
  • 적응 학습 — 학습자 모델에 반응하여 내용, 속도, 난이도를 조정하는 시스템입니다.
  • 개인화 학습 — 수업, 내용, 경로를 개별 학습자 특성과 선호에 맞추는 더 넓은 조정입니다.

구성원들의 관계

이 개념들은 경쟁자가 아니라 파이프라인을 이룹니다: 학생 모델링은 포괄적 표현이며, 지식 추적과 인지 진단는 그것을 채우는 구체적 모델링 방법이고, 시뮬레이션은 실제 학습자를 표현하는 것이 아니라 학습자를 생성하며, 지능형 튜터링, 적응 학습, 개인화 학습은 이 모델들을 소비해 수업을 적응시키는 시스템입니다.

학생 모델링 대 학생 시뮬레이션은 분명히 해 둘 핵심 구분입니다. 학생 모델링은 실제 학습자를 표현하는 것 — 적응 시스템이 그 개인에 대해 작동할 수 있도록 실제 학생의 데이터로부터 모델을 구축하는 것 — 에 관한 것입니다. 학생 시뮬레이션은 반대로 실제 학습자를 대신 서게 하여 합성 학습자를 요청 시 생성하므로, 교수법과 AI가 오프라인에서 평가되거나 훈련될 수 있습니다. 둘은 서로 바꿔 쓸 수 있는 것이 아니라 밀접하게 관련되어 있습니다. 시뮬레이션된 학생은 일반적으로 학생 모델(인식론적 상태, 오개념 집합, 혹은 참여 프로파일)을 내장하며, 지식 추적과 인지 진단가 형식화하는 동일한 구인을 끌어 씁니다. 목적은 갈립니다 — 학생 모델링은 실제 사람에 관한 의사결정에 정보를 줌으로써 실시간 적응에 기여하는 반면, 모의은 시스템을 시험하기 위해 학습자를 만들어 내며(그리고 점점 AI를 감사하기 위해서도, 예: López-Pernas 외(2026)), 어떤 실제 개인에 작용하지는 않습니다.

지식 추적 대 학생 모델링은 또 다른 흔한 혼동입니다. 지식 추적은 구체적으로 인지적 지식을 시간에 걸쳐 모델링하고, 학생 모델링은 학습자의 모든 측면(정의적 상태, 참여, 선호)을 다루는 더 넓은 관행입니다. 지식 추적은 인지-시간 차원에 초점을 맞춘 학생 모델링의 한 종류입니다. 지식 추적의 구인은 또한 시뮬레이션된 학생에도 정보를 줍니다 — 시뮬레이션된 학습자의 인지 상태는 지식 추적이 모델링하는 동일한 숙달/소멸 역동성으로 흔히 형식화되므로, 시뮬레이션은 추적 방법이 실제 응답 데이터로부터 일반적으로 추론하는 지식 상태를 생성하는 한 방식입니다.

추적을 커리큘럼에 고정하면 모델이 강화됩니다. Pradeesh 외(2026)는 추적이 순전히 데이터에서 학습되는 것이 아니라 명시적 커리큘럼 구조에 연결될 때 학습자 모델의 충실도가 높아짐을 보여 줍니다. 그들의 성과 기반 지식 추적(OKT)은 성과 기반 교육의 강의 성과를 추적할 지식 개념으로 다루고, 강의 성과와 프로그램 성과 사이의 전문가 검증된 OBE "친화 매핑"을 통해 개념 관계를 공급하며(암묵적 어텐션이나 그래프 메시지 전달에 대한 명시적 대안), 한 성과의 달성이 다른 성과에 미치는 영향을 모델링하는 메모리 증강 모듈을 사용합니다. 실제 공학 프로그램 데이터에서 OKT는 DKT, DKVMN, EKT, SimpleKT 기준선을 능가했으며(89.81% AUC), 이는 모델링 계층이 학습자를 더 충실히 표현하기 위해 커리큘럼 고유의 구조를 활용할 수 있음을 보여 줍니다.

지능형 교습 대 적응/개별화 학습은 적용 쪽에 놓입니다: 지능형 교습은 문제를 선택하고 단계별 안내를 주는 시스템이며, 적응 학습은 내용과 속도를 조정하고, 개별화 학습은 전체 학습 경험을 맞추는 가장 넓은 조정입니다. 이 셋은 모두 모델링 계층의 "소비자"입니다.

공유된 타당성 도전

이 계열 전체에 걸쳐 정의하는 타당성 도전은 동일합니다: 학습자 표현은 시스템의 기본 가정이 아니라 학습자의 참된 상태를 충실히 반영해야 합니다. 학생 모델링과 지식 추적에는 이것이 모델이 학습자가 아는 것을(평가와 측정 타당성) 진정으로 포착해야 한다는 뜻입니다. 시뮬레이션에는 합성 학습자가 모델의 완전한 능력이나 추종적 동의가 아니라 현실적인 불완전성을 보여야 한다는 뜻입니다. 결함 있는 모델을 소비하는 적응 시스템은 그 오류를 물려받아 전파합니다.

게임플레이에서 학습자 상태를 추론한 모델들은 0.848–0.913의 AUC에 도달했지만, 검토된 55개 연구 중 단 2개만이 인구통계학적 편향을 감사했고 단 1개만이 학습자 능력에 따른 차등 성과를 검토했습니다(Kaşarcı와 Yurt(2026)).

의도된 신호 중 일부는 대화에서 전혀 복원되지 않을 수 있습니다: 학습 맥락 프레임워크의 파일럿은 오개념을 91.4%, 불안을 100% 복원했지만 성실성은 68.6%, 언어 능숙도는 60%에 그쳐, 따라서 맥락 인식 모델은 대화가 그것을 드러내기를 기다리기보다 표면에 천천히 드러나는 특성을 포착해야 합니다(Liu 외(2026)).

Lin 외(2026)는 그러한 합성 학습자가 검증되는 방식의 순환성을 드러냅니다. 그들의 EduMirror 에이전트는 사후에 심리측정 설문을 실시하고 에이전트의 내적 가치 표현과의 일치를 심리적 타당성으로 읽지만, Surveyor가 그 가치 체계에 이미 부호화된 차원을 측정하기 때문에 이 검사는 독립적 검증이 아니라 일관성 검사입니다.

정확성이 언제나 충실한 신호는 아닙니다. An, McLaren, Stamper(2026)는 올바른 행동에서 숙달을 추론하는 학습자 모델이 학습자의 참된 상태를 잘못 표현할 수 있음을 보여 줍니다: 기만적 과잉 일반화를 보이는 학습자는 숙달된 것처럼 보이면서도 결정적 적용 제약을 빠뜨리므로, 적응 시스템은 연습을 너무 일찍 멈출 수 있습니다. 학습자 모델은 행동 정확성만이 아니라 조건부 이해 — 학습자가 행동을 보류할 시점을 아는지 포함 — 을 평가해야 합니다.

숨은 오개념은 반대편에서 같은 실패를 보여 줍니다: Imran와 Bulathwela(2026)는 미세 조정된 분류기가 결함 있는 추론을 통해 도달한 정답의 57.4%를 잡아냈고, 1.6%의 유병률에서조차 83.6% 정확한 추론 모형은 탐지당 거짓 경보 8건을 남겼음을 발견했습니다 — 따라서 정확성 기반 숙달 신호는 불완전할 뿐만 아니라 고치는 데도 비쌉니다.

모델이 검증되는 방식 자체가 타당성 질문입니다. Schuetze, Yan, Carvalho(2025)는 널리 쓰이는 학습자 모델(BKT, BKT-with-Forgetting, AFM)이 다중 세션 데이터 전체에 사후적으로 적합될 때에만 인간 학습을 포착하는 것처럼 보임을 보여 줍니다. 시간 기반(워크포워드) 교차 검증 — 그러한 모델이 실제로 배치되는 방식인, 이전 세션으로부터 미래 세션을 예측하는 방식 — 하에서는 성능을 과대추정하고, 간격 효과를 놓치며, 연습 조건의 순서를 잘못 매깁니다. 망각 증강 모델과 망각 없는 모델이 세션 전반에 걸쳐 거의 비슷하게 수행되었기 때문에, 저자들은 망각이 흔히 학습자 매개변수에 흡수될 뿐 진정으로 표현되지는 않는다고 결론짓습니다. 이 계열에 대한 교훈은, 충실한 학습자 표현은 그것이 사용되는 방식으로 검증되어야 하며, 순간의 성과를 장기 유지와 혼동하면 정확해 보이면서도 학습자를 왜곡하는 모델이 만들어진다는 것입니다.

LLM 시대의 모델링

최근 발전은 더 풍부한 모델링을 위해 LLM을 사용합니다. HiLLM-CD 프레임워크는 학생을 숙련도 트리로 표현하고, 다중 양상 접근은 다양한 데이터 원천에서 증거에 기반한 지식 표현을 구성하며, LLM은 이제 추론하는 학생을 시뮬레이션합니다. LLM은 교육 텍스트로부터 자동 모델 구축과 더 높은 충실도의 학생 시뮬레이션을 가능하게 하여 전문가 주석에 대한 의존을 줄이면서, 위의 충실도 우려를 날카롭게 합니다. 학습자 모델 신호는 또한 LLM 추론을 근거 짓기도 합니다: Reddig, Arora와 MacLellan(2025)은 GPT-4에 학생의 베이지안 지식 추적 기능 추정치를 튜터의 인터페이스 구조와 함께 주면 오류 진단이 급격히 향상됨을 발견했습니다(인수분해에서 논리 오류 식별이 40%에서 81%로, 전반적으로 ~87.8%), 반면 다단계 문제와 여러 오류를 담은 응답은 여전히 가장 약한 경우였습니다 — 이는 형식적 학습자 모델을 LLM에 결합하면 실제 학생에 관한 건전한 추론이 강화되지만 보장되지는 않음을 보여 주는 증거입니다. CoLearn(He 외, 2026)은 그러한 결합의 지속적 버전이 어떤 모습인지 보여 줍니다: 숙달과 채굴된 오개념은 세션별 로그가 아니라 (학습자, 과목)별로 저장되어 증거가 세션을 걸쳐 축적되며, 메모리는 LLM 채점 관찰 함수로 쓰이면서 숙달 막대와 각 생성된 질문이 무엇을 탐색하도록 선택되었는지 명명하는 라벨을 통해 학습자에게 검사 가능하게 유지됩니다. 그 통제는 쓰기 단계를 명시적으로 만듭니다 — 메모리는 읽히되 더는 갱신되지 않는 조건에서, 진정으로 약한 기능을 겨냥한 문항 비율이 0.72에서 0.57로 떨어졌습니다 — 그리고 이 페이지의 단서를 온전히 유지합니다: 저장된 숙달은 학습자에 관한 에이전트의 믿음이지, 그들 지식의 측정이 아닙니다.

언어가 ID 임베딩을 표현으로 대체할 수 있습니다: PLCD는 LLM에서 도출한 개념 도식과 연습 과정 그래프를 사전으로 구축하여 XES3G5M에서 83.51% 정확도에 도달하며, ID 기반 모델이 이력을 갖지 못하는 콜드 스타트에서 가장 큰 향상을 보였습니다 — 새 개념에 대해 KCD 대비 4.60 ACC 포인트, 새 연습에 대해 4.00(Liu 외(2026)).

시뮬레이터 품질은 두 축으로 갈립니다: 공유된 행동 패턴을 먼저 훈련한 뒤 학생별 어댑터로 특수화하는 풀-댄-스페셜라이즈 파이프라인은 체스에서 행동 충실도 0.51과 안내 반응성 0.91에 도달하여, 프론티어 롤플레이 기준선의 0.23과 0.72에 대비되어, 시뮬레이터는 학생과 일치할 뿐 아니라 조종 가능해야 함을 보여 줍니다(Yang 외(2026)).

위험 점수는 정확하면서도 뒷받침되지 않을 수 있습니다: Gheisari와 Salarian(2026)은 수강과 수행 기록으로부터 중도 이탈을 99% 정확도로 예측했지만, 단일 기관의 1,027건 정제 기록에, 외부 검증도, 시험된 개입도 없이, 형평성 감사는 향후 과제로 명시되어 있어 — 이 점수는 학생에 관한 판결이 아니라 분류를 뒷받침합니다.

위험만 예측하는 학습자 모델은 의사결정 지원에 충분하지 않습니다: 보정된 위험 모델과 이산 행동에 대한 정수계획법 리코스를 결합하면 — 시간, 예산, 불변성, 이용 가능성 제약에 대해 검증된 — 최적화만으로는 실행 불가능한 것을 수락한 데 비해 실행 가능한 간결한 개입 계획이 만들어졌습니다(Le, Abel과 Laforge(2026)).

블랙박스 추정기는 작은 자기 설명 모델로 증류될 수도 있습니다: 2단계 파이프라인은 적합된 추정기와 그 사후 해석을 추정치와 서술을 함께 반환하는 2B 매개변수 "멘티"로 바꾸며, 유창성이 아니라 충실성에 대해 감사됩니다(Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

다른 개념들과의 연결

학습자 모델링과 적응형 수업은 학습 분석(대시보드와 개입), 형성평가(분석 기반 평가), 피드백(시스템이 학습자에게 말하는 것)으로 흘러갑니다. 이것은 AI 교육의 핵심 줄기로서 교육에서의 인공지능과 연결됩니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

기술과 기법적응 학습, 인지 진단, 지능형 튜터링, 지식 추적, 학습 분석, 대규모 언어 모델(LLM), 개인화 학습, 학생 시뮬레이션, 학습자 모델링과 적응형 수업
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.