AI가 작업을 대신할 수 있는 세상에서 비동기 온라인 강좌를 어떻게 설계하고 진행해야 합니까?

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

여러분은 이 질문을 강제하는 발견을 이미 했습니다. 여러분의 비동기 강좌 어딘가에 첫 초안이 이제 공짜인 과제가 있습니다 — 토론 게시물, 성찰, 사례 분석, 문제집 — 그리고 도착하는 작업은 유창하고 주제에 맞으면서 학생이 무엇을 할 수 있는지에 대해 아무것도 말해 주지 않습니다. 여러분은 사고가 일어나는 것을 지켜볼 방에 있지 않으며, 그것을 대신 서 있던 산출물은 이제 그렇지 않습니다.

그것은 학생이 새벽 두시에 모형이 게시물을 쓰게 하기로 결정하는 그 버전의 문제였습니다. 더 어려운 버전은 이미 여기에 있습니다. 실제 학부 심리학 강좌에 대한 세 가지 시연에서, 자율 에이전트들이 학습 관리 체계에 로그인하고 강좌 자료를 읽고, 학생의 개입 없이 감독되지 않은 평가 작업을 완료했습니다. 퀴즈 두 개가 약 12분과 5분 미만에 끝나 둘 다 10/10을 받았고, 한 토론 게시물에서는 에이전트가 동료의 게시물을 채굴한 후 그것들에 답하기 위해 그럴듯한 1인칭 인생사를 날조했습니다. 저자들이 모은 더 넓은 기록은 Canvas, Moodle, Brightspace에 걸쳐 일곱 개의 에이전트 도구를 사용한 문서화된 에이전트 실행 최소 15건을 포괄합니다. 그들의 논증은 이것이 오직 정직성의 문제가 아니라 평가 타당도 문제라는 것입니다. 에이전트 완료는 제출된 작업이 평가받는 학습이 그 사람에 의해 산출되었다는 가정을 제거합니다(Hadjisolomou와 El-Haddad, 2026).

핵심 요약: 비동기 강좌는 의지할 존재감이나 과정 가시성이 없으므로, 설계가 그것들을 제조해야 합니다. 학습의 증거를 완성된 결과물로부터 멀리 옮기고, 학생이 무보조로 산출해야 하는 측정 하나를 유지하며, 여러분이 제공하는 AI에 안전장치를 걸고, 학기를 의도적으로 속도 조절하십시오 — 자기규제는 자기 속도 형식이 조용히 전제하고 드물게 가르치는 것입니다. 간단히 말해: 산출물을 만들어내는 것이 학습을 입증한다는 가정을 중심으로 설계하는 것을 멈추십시오. 이것은 AI를 금지하거나 과제를 AI에 면역되게 만들자는 논증이 아니라, AI가 산출물을 생산하는 것이 학습을 달성하기에 불충분하도록 강좌를 설계하자는 논증입니다.

요약 버전

• 사고를 산출물로 만드십시오. 단계적 초안, 의사결정 로그, 자기 설명은 최종 산출물보다 외주화하기 어렵고, 그것들은 여러분이 달리 볼 수 없는 추론을 보여 줍니다.
• 역량을 인증하는 평가에 무보조 측정 하나를 유지하십시오. 모집단 데이터는 AI 접근이 유지에 미치는 효과가 감독 하에서 사라진다는 것을 보여 줍니다. 이는 지름길이 플랫폼 밖에 있고 여러분이 설정한 조건에 조건부임을 알려 줍니다.
• 이해관계가 정당화되는 곳에서 비동기 구두 평가를 사용하십시오 — 즉시 제공되는 프롬프트, 시간 제한이 있는 미수정 녹화, 내장된 루브릭, 자동 생성 대본.
• 여러분이 제공하는 AI에 안전장치를 거십시오. 힌트를 주되 답을 주지 않는 지도가 무작위 시험에서 무제한 접근이 산출한 시험 불이익을 제거했습니다. 제약 없는 모형을 공급하는 것이 학습을 해치는 바로 그 버전입니다.
• 일반 챗봇으로 연결하지 말고 지원을 강좌 안에 내장하십시오. 개방대학의 내장된 어시스턴트는 그 시험에서 과제에 쓴 시간을 두 배로 했습니다. 같은 기관의 외부 비부착 챗봇에 대한 경험은 반대 방향으로 갔습니다.
• 학기를 목적을 갖고 속도 조절하십시오. 조기 경고 신호는 모듈 마감일 최대 7–8일 전에 존재하며, 자기규제와 웰빙은 학기 전반에 걸쳐 평가의 군집화와 발을 맞추어 하락합니다 — 그래서 마감일을 간격 두는 것은 측정 가능한 결과를 가진 설계 결정이지 일정의 세부사항이 아닙니다.
• 토론을 아끼고 의도적으로 순서를 정하십시오. LLM 진행자는 인간 진행자보다 개입하려는 경향이 현저히 더 강하며, 학생이 큰 포럼을 항해하는 데 진정으로 도움이 되는 요약 도구들은 그 자체로는 참여의 하락을 막지 못합니다. 게시물 수가 아니라 확고한 입장, 도전, 기록된 재고를 요구하십시오.
• 자문하기 전에 확약하십시오. 학생이 먼저 자신의 입장, 예측, 개요, 또는 결정을 산출하게 한 다음 비판을 위해 모형을 들여오십시오. 배워야 하는 사고는 도구가 열리기 전에 일어나야 합니다.
• 취약한 과제를 쌍둥이와 짝짓십시오. 과제 분석을 가지고 오고, 동일한 결과를 첫 과제가 위임될 수 없는 방식으로 평가하는 가깝게 예정된 두 번째 과제를 추가하십시오.
• AI에게 명시된 역할을 주십시오 그리고 이 문장을 완성할 수 있어야 합니다. 여기서 AI의 역할은 X이고, 학생의 역할은 Y입니다. Y가 빈약하다면, 그 활동은 준비되지 않은 것입니다.

평가가 실제로 측정하는 것을 결정하십시오

비동기 강좌가 대면 강좌보다 더 노출되는 이유는 거기의 학생들이 덜 정직해서가 아닙니다. 그것은 강좌의 학습 증거가 제출물이며, 제출물이 이제 생산하기 싸기 때문입니다. 두 가지 인과 증거가 그것이 무엇을 대가로 치르는지를 보여 줍니다.

고등학교 수학 학생 약 1,000명에 대한 무작위 시험에서, 무제한 AI 지원은 연습 수행을 48% 높였고 무보조 폐쇄책 시험 점수를 17% 낮췄습니다 — 접근을 가진 적 없는 학생들이 접근을 가진 학생들을 능가했습니다. 중요한 세부사항은 그 해결책입니다. 답 대신 힌트를 준 안전장치가 있는 튜터가 그 해악을 제거했습니다. 문제는 결코 모형의 존재가 아니었습니다. 그것이 무엇을 할 것인가에 대한 제약의 부재였습니다.

모집단 규모의 행동 증거는 같은 방향을 가리킵니다. ALEKS 상호작용 3.2 million 건에 걸쳐, ChatGPT의 공개 릴리스 이후 AI에 취약한 문제에 대한 학습 시간은 26.9% 하락했고, 감독된 유지 항목을 정확히 답할 확률에서 25% 하락이 있었습니다 — 감독이 제자리에 들어서자 사라진 효과입니다. 그 사라짐이 강좌 설계에 중요한 부분입니다. 그것은 지름길이 플랫폼 밖에 자리한다는 것을 위치 짓고, 해악이 학습자의 성격이 아니라 여러분이 설정한 조건의 속성임을 보여 줍니다.

설계해야 할 더 미묘한 실패도 있습니다. Metacognitively discordant completion은 정확하고 완전한 작업을 제출하면서 사적으로는 이해가 도래하지 않았음을 아는 상태를 지목합니다. 강의실에서 여러분은 학생의 망설임에서 그것을 잡을 수 있습니다. 비동기 강좌에서 제출물은 여러분의 유일한 채널이며, 정확한 제출물은 성공으로 읽힙니다. 따라서 평가 설계는 마지막 수단이 아니라 첫 번째 지렛대입니다.

걸어 들어갈 방이 없을 때 무엇이 증거가 되는지를 결정하십시오

완성된 결과물이 더 이상 사고를 증명하지 않는다면, 증거는 과정으로부터 또는 학생이 위임할 수 없는 조건으로부터 나와야 합니다.

과정을 드러내는 산출물은 가장 값싼 변화이며 규모 있게 작동합니다. 필수적인 중간 의사결정 로그를 갖춘 단계적 제출, 각 답에 붙는 한 단락 자기 설명, 출처의 주석, 피드백 후에 수정된 계획. 이것들은 잔여물이 아니라 그 추론을 포착하며, 교수자가 훑어 보는 데 비교적 적은 비용이 듭니다.

비동기 구두 평가는 역량을 인증해야 할 때 가장 강한 선택입니다. Pentland, Lowenthal과 Krier(2026)은 프롬프트가 적시에 전달되고, 학생들이 되돌아볼 수 없는 짧고 시간 제한이 있는 웹캠 응답을 녹화하고, 교수자가 대본이 자동 생성되는 동안 내장된 루브릭에 대해 채점하는 웹 기반 평가를 평가했습니다. 두 연구 — 중급 회계 파일럿과 데이터 분석 강좌 — 에 걸쳐, 학생들은 이 평가에서 대면 다지선다 시험보다 더 높은 점수를 받았으며(두 번째 연구에서 유의, 첫 번째에서 양이지만 비유의 추세), 형식 간 중등 정도의 상관이 수렴 타당성을 뒷받침했습니다. 학생들은 다르게 준비하고, 더 많은 능동적 학습 전략을 사용하고, 그 형식을 직업적으로 관련성 있는 것으로 취급했다고 보고했습니다. 그것은 비동기 문제에 직접 답합니다. 사고가 학생이 선택한 시간과 장소에서 실시간으로 수행되며, 행정 비용은 학급 규모에 따라 확장되지 않습니다.

무보조 측정 하나는 성적이 지식을 인증하는 모든 강좌에 속합니다. 위의 ALEKS 결과가 그 논증입니다. 감독이 제자리에 있을 때, 유지 격차가 사라졌습니다. 그 조건이 왜 존재하는지를 학생들에게 말하여 고리를 닫으십시오 — 그 추론은 여러분의 강좌 AI 정책 작성에 속합니다.

산출물만이 아니라 순서를 결정하십시오

완성된 결과물이 신뢰할 수 없는 증거가 되면, 작업이 일어나는 순서가 평가 설계의 일부가 됩니다.

Brcic과 Frljic(2026)는 배치를 논증의 중심에 둡니다. 허용-금지는 거짓 이분법이며, 중요한 설계 질문은 도구가 어디에 놓이는가입니다. 그들이 수집한 인과 증거는 결과가 배치만으로 뒤집힌다는 것을 보여 줍니다 — 고등학교 학생을 보조 없는 시험에서 약 17% 더 나쁘게 남긴 동일한 안전장치 없는 도우미는 답을 보류하도록 재건되자 아무런 해를 끼치지 않았고, 잘 설계된 튜터는 학습을 대략 두 배로 했습니다. 도구를 배치하는 그들의 여섯 가지 조치 틀(prime, probe, point, attach, strengthen, test)은 사용 가능한 메뉴 하나이며, 그들의 한 줄 진단은 간직할 것입니다. AI를 들여놓는 것이 과제를 수월하게 만든다면, 그것은 잘못된 자리에 있는 것입니다. 잘못 배치된 도움은 단순히 돕는 데 실패하지 않습니다. 그것은 보조 없는 과제 위에서 무너지는 학습의 환상을 남깁니다 — 정확하고 이해되지 않은 제출물에 대해 메타인지적으로 불일치한 완료가 지목하는 상태.

비동기 강좌에 이것은 여러분이 과제 자체에 써 넣을 수 있는 순서로 번역됩니다.

생각 → 확약 → AI 사용 → 비판 → 수정 → 설명.

학생은 지적 작업을 시도하고 초기 해석, 예측, 개요, 또는 결정에 확약합니다. 그런 다음에만 모형이 피드백, 대안, 반론, 또는 비판을 위해 들어옵니다. 그런 다음 학생은 그것이 산출한 것을 평가하고, 수정하고, 무엇이 왜 변했는지를 설명합니다. 확약 단계가 나머지를 평가 가능하게 만드는 것입니다. 확약하지 않은 학생에게는 수정할 것이 없으며, 모형이 처음부터 쓴 산출물에는 수정 이력이 전혀 없습니다.

과잉 수정에 관한 한 가지 주의: 모든 프롬프트를 수집하고 모든 키 입력의 문서화를 강제하는 것은 증거 없는 업무량을 산출합니다. 의미 있는 의사결정 지점을 요구하십시오 — 어떤 증거가 선택되었는지, 어떤 대안이 거부되었는지, 비판 후에 무엇이 변했는지 — 그리고 여러분이 실제로 읽을 추론을 요구하십시오.

취약한 과제를 쌍둥이와 짝짓십시오

다른 구조적 선택은 교수법적으로 가치 있는 과제와 방어 가능한 과제 사이에서 선택하는 것을 멈추는 것입니다. Roe, Perkins와 Giray(2026)는 평가 쌍둥이를 제안합니다. AI에 취약한 과제 — 과제 분석이나 에세이 — 를 동일한 결과를 평가하는 덜 취약한 두 번째 과제와 짝짓고, 교차 검증에 충분할 만큼 가깝게 예정하며, 상호 의존적으로 채점합니다. 그들의 매핑은 Messick의 타당성 증거 여섯 가닥에 걸쳐 진행되며, 설계 과정은 세 단계입니다. 취약성을 식별하고, 결과를 정합시키고 쌍둥이를 선택한 다음, 둘을 연결하는 채점을 개발합니다. 과제 분석은 확장된 탐구에 대한 가치를 유지합니다. 그것의 쌍둥이는 짧은 사례 변형, 하나의 주요 결정에 대한 설명, 또는 짧은 구두 또는 멀티미디어 변론일 수 있습니다.

동반 질문은 저작이 아니라 소유권입니다. Ebrahimzadeh, Shibani와 Buckingham Shum은 생성형 AI와의 공동 저작이 여러 형태의 타당성 증거를 훼손한다고 주장하고, 공동 저작 정직성을 그 자체로 타당성 증거의 출처로 제안합니다. 그것은 학생이 이해하지 못하는 AI 생성 내용을 제출할 때 위반됩니다. 검사가 아니라 규모 있게 소유권을 점검하기 위해, 그들은 AI Viva에 대한 작업을 보고합니다. 통제 가능한 유형과 복잡성의 이해 질문을 묻는 혼합 비바 보체를 실행하는 대화 에이전트이며, 전문 교육자와 평가 전문가에 의해 깊이 있게 검증되었습니다. 그것은 모든 것을 감독하는 것과 저울질할 가치가 있습니다. 자신의 추론에 대한 구두 변론은 방 모니터링이 그렇지 않은 방식으로 확장되며, 그것은 누가 방에 있었는지가 아니라 이해에 관한 증거를 산출합니다.

여러분의 강좌 안의 AI가 할 수 있는 것을 결정하십시오

중요한 비교는 AI 대 무-AI가 아닙니다. 그것은 내장되고 제약된 AI 대 비부착 챗봇이며, 둘은 서로 다른 결과를 산출합니다.

개방대학의 AIDA 어시스턴트는 가장 잘 기록된 내장 사례입니다. 50개 이상 국가에 걸쳐 200,000명 이상의 학습자를 섬기는 기관에서 18개월에 걸친 여섯 번의 반복적 설계 기반 연구, 학생 498명과 직원 20명. 탐색적 무작위 시험에서, AIDA를 사용한 학생은 통제 집단보다 두 배의 시간을 쓰고 강좌에서 더 많은 페이지를 방문했으며, **96%**가 정규 학습에서 어시스턴트를 사용하기를 원했습니다. 목적에 맞게 제작되고 환경 안에 있는 것이 일반적이고 외부적인 것을 이겼습니다.

Lock, Arteaga와 Johnson(2025)의 고찰 — 32개국에 걸친 63개의 인용 — 은 설계 조건에 사회적 조건을 더합니다. ChatGPT를 교사 지도와 나란히 사용한 학생은 혼자 사용한 학생보다 더 큰 학습 성과를 지각했습니다. 어시스턴트는 교수자를 보완하거나 관계를 대체하며, 둘 중 하나만이 강좌 설계입니다.

심각하게 받아들일 만한 두 가지 주의가 있습니다. KhanMigo의 실패는 기술적이지 않았습니다. 학습자들이 단순히 챗봇과 교류하지 않았고 향상의 증거는 제한적이었는데, 이것은 모형 품질보다는 조직적 준비성과 교수적 적합성을 가리킵니다. 그리고 교수자 쪽이 자동으로 준비된 것은 아닙니다. 남아프리카 교사 준비의 비교에서, AI 통합 과학 교수에 대한 자기 보고 TPACK은 캠퍼스 기반 대학에서 64.0%, 원격 대학에서 **47.4%**였으며, 교수법적 지식이 둘 다에서 가장 약한 영역이었습니다(온라인 교수와 학습). 어시스턴트를 비동기 강좌에 배치한다고 해서 그 출력을 판단해야 하는 사람들이 훈련되는 것은 아닙니다.

비동기 토론이 실제로 어떻게 진행되는지를 결정하십시오

토론 포럼은 비동기 강좌가 공동체를 구축하거나 조용히 제출 상자가 되는 곳입니다. 여러분이 거기서 자동화하는 것에 두 가지 발견이 영향을 주어야 합니다.

첫째, 어려운 것은 주제 탐지가 아니라 시기입니다. Tsirmpas와 동료들은 진행 데이터셋을 비교하기 위해 PEFK 말뭉치를 구축한 다음, 전문 인간 진행자와 LLM 심사위원으로 진행 시기에 대한 첫 번째 조사를 실행했습니다. 인간은 개입하는 데 더 신중했습니다. LLM은 지나치게 열의적이었습니다. 둘 다 진행이 필요하지 않다고 판단할 때가 필요하다고 판단할 때보다 더 확신했습니다. 훈련된 분류기 모형은 LLM 설정을 능가했고, 그럼에도 기존 데이터셋은 수행을 제한했습니다. 실천적 해석: 자율 중재를 에이전트에게 넘기지 마십시오. 그리고 토론에서 AI를 전혀 사용한다면, 기본적으로 조용히 있도록 구성하십시오.

둘째, AI는 참여하게 만들지 않으면서 포럼을 항해하는 것을 돕습니다. 세 번의 반복에 걸친 대학생 128명으로, Hao와 Cukurova(2026)는 AI 생성 토론 요약이 동료 기여에 대한 노출을 넓히고 의미 있는 게시물을 찾는 노력을 낮춤으로써 네트워크 연결성과 강한 유대를 강화했다는 것을 발견했습니다 — 사회자본 이론이 브리징이라고 부르는 약한 유대. 그것들은 강좌 전반에 걸친 조회 활동의 하락을 막지는 못했습니다. 요약화는 항해적 비계이며 참여를 생성하는 것의 대체물이 아닙니다.

이것을 완화하는 구조는 스레드가 아니라 순서입니다. 입장 → 도전 → 재고. 학생은 강좌 자료에 근거한 해석에 확약하고, 다른 관점, 반례, 또는 비판을 만나고, 자신의 추론이 움직였는지와 어떻게 움직였는지를 설명합니다. 여러분이 채점하는 것은 게시물의 수가 아니라 생각들 사이의 움직임입니다 — 그리고 제출된 게시물 하나와 답글 둘은 더 이상 그것을 입증하지 않습니다. 위의 세 번째 시연 이후로는 동료의 게시물을 채굴하고 동급생의 인생사를 가장하여 순서를 잡는 에이전트가 있기 때문입니다.

에이전트가 모방하는 것이 표면 행동이므로, 교수자 자신의 기여가 희소한 자원이 됩니다. 수십 개의 개별 게시물에 기계적으로 답하는 것은 교수 존재의 가장 가치 없는 형태입니다. 토론 전반에 걸쳐 종합하는 것이 가장 가치 있습니다 — 여러분의 분석에 세 가지 가정이 계속 나타납니다. 여러분 중 몇 명은 이 증거를 다르게 읽습니다. 이 논증은 이 반례를 도입할 때까지 설득력 있습니다. 그것은 메시지 생산이 아니라 오케스트레이션이며, 이 문헌의 어떤 에이전트도 수행하지 않는 부분입니다.

그 아래의 틀짓기 질문은 책임성입니다. Ba, Gašević, Lim과 Anderson(2026)은 생성형 AI가 존재 지표가 전혀 인간에게 귀속될 수 있다는 탐구 공동체 가정을 불안정하게 만든다고 주장합니다. 그들은 GenAI를 인식론적 조건으로, 존재를 인간 책임성이 어디에 놓이는가에 따라 탐구 품질과의 관계를 갖는 사회기술적 성취로 취급합니다. 비동기 강좌에 대한 설계 함의는 구체적입니다. 포럼이 존재하기 때문에 존재가 발생한다고 가정하기보다는 각 교환에서 누가 무엇에 책임이 있는지를 결정하고 밝히십시오.

걸어 들어갈 방이 없을 때 학생들이 속도를 유지하는 방법을 결정하십시오

자기 속도 형식은 자기규제를 전제하고 드물게 가르칩니다. 어떤 행동이 실제로 과제에 머무는 것과 상관하는지에 관한 증거는 이례적으로 실천적입니다.

연관 규칙 채굴과 군집화로 대학생 530명을 조사한 Shi 등(2026)은 자기규제 학습 행동 — 목표 설정, 환경 구조화, 시간 관리 — 이 낮은 디지털 산만과 가장 일관되게 동시 발생하며, 학습자–교수자 및 학습자–내용 참여와 기술적 역량도 그렇다는 것을 발견했습니다. 주목할 만하게도, 동료 도움 추구와 학습자–학습자 참여에 대한 의존은 낮은 산만 프로필에 덜 자주 나타났습니다. 또 다른 집단 활동을 설계하기 전에 환경과 일정을 구조화하십시오.

자기규제는 여러분이 전제하거나 일축할 수 있는 고정된 특성도 아닙니다. 1학년 학생 75명에 대한 한 학기 전반에 걸쳐, Song 등(2026)은 SRL이 안정된 적성과 변동하는 상태 모두로 기능한다는 것을 발견했습니다. 개별 기준선은 꾸준히 유지된 반면, 메타인지적 지식과 웰빙은 주요 평가 마감일과 같은 교육과정 요구에 의해 추동되어 학기 전반에 걸쳐 체계적으로 하락했습니다. 마감일을 군집화하는 것은 효율적인 행정적 선택일 수 있으며, 그것은 또한 그 형식이 의존하는 규제에 대한 측정 가능한 세금입니다.

개입 창은 알 수 있습니다. Zhang, Jeffries와 Koprinska(2025)는 내용-상호작용 로그에 대한 해석 가능한 기계 학습이 대규모 온라인 프로그래밍 강좌에서 모듈 수준의 진보를 예측하고 중도 탈락 결과를 모듈 마감일 최대 7–8일 전에 표시한다는 것을 보여 주었습니다. 그것은 특정 학생에게 특정 넛지를 보내기에 충분한 통지이며, 채점 시간에 실패를 발견하는 것을 이깁니다. 성인 및 원격 학습자에게, AI-ALOE 설계 지침은 가장 중요한 제약을 더합니다. 모바일 접근, 오프라인 기능, 그리고 진정한 비동기 가용성. 이 학습자들은 다른 의무 사이의 시간 조각에서 공부하기 때문입니다.

설계자로서 AI가 여러분의 몫을 덜어 줄 수 있는 것

두 가지 사용에는 합당한 증거가 있으며, 둘 다 학습자의 사고가 아니라 교수자의 업무량을 겨냥합니다.

생산 비용. MAIC은 MOOC의 "N명의 학생을 위한 비디오 하나"라는 방송을 "한 학생을 위한 N개의 에이전트"로 재틀짓하며, 공유된 모형 기반 위에 전문화된 교사, 조교, 동급생, 분석 에이전트를 사용합니다. 저자들은 MOOC당 약 25,000달러와 60시간에서 2달러 미만과 30분으로 강좌 생산이 붕괴한다고 보고하며, 500명 이상의 학생으로부터 나온 학습 기록 100,000건 이상으로 두 강좌에서 파일럿했고, 오픈소스 OpenMAIC로 공개했습니다. 개인화된 미디어는 자산 수준에서 동일한 아이디어입니다. 큰 온라인 강좌에서, Tomlinson 등(2026)은 학생들이 인간이 녹화한 비개인화된 비디오보다 AI 생성 개인화된 비디오를 선호한다는 것을 발견했으며, 개인화 효과가 인간 발표자에게 부여하는 가치를 능가했습니다.

포럼 항해. 위의 요약 비계는 교수자에게 요약의 부담을 지우지 않으면서 좋은 기여를 찾는 비용을 줄였습니다.

자동화하지 말아야 할 것. 한 편의 글이 학생 자신의 사고인지를 결정하고, 토론에 개입이 필요한지를 판단하고, 난이도를 조정하는 것은 증거가 불신뢰하거나 책임을 수반한다고 말하는 과제입니다. 생성된 자료는 학점을 수반하기 전에 교수법적 검토도 필요합니다. 값싼 생산은 건전한 설계와 같지 않습니다.

AI에게 명시된 역할을 준 다음 학생이 여전히 역할을 가졌는지 점검하십시오

"학생은 AI를 사용할 수 있습니다"는 설계하기에는 너무 넓은 명세입니다. 역할을 지명하는 것이 활동을 설계 가능하게 만드는 것이며, 그 역할들은 존재에 결과를 수반합니다. 마케팅 교육에서의 생성형 AI에 대한 연구는 튜터, 동료, 도구를 구분하고, 각각이 교수, 사회적, 인지적 존재를 다르게 영향 준다는 것을 보여 주며, 익숙한 윤리적 노출 — 데이터 프라이버시, 표절, 의존, 평가 공정성 — 을 목록화합니다(GenAI in Marketing Education). 동일한 모형은 과제 전에는 소크라테스식 질문자가 될 수 있고, 첫 초안 후에는 비판가가 될 수 있고, 사례 분석 중에는 모의 이해관계자가 될 수 있고, 반박해야 할 반대자가 될 수 있고, 연습 중에는 힌트를 주는 튜터가 될 수 있으며, 실질적 추론이 존재한 후에만 투입되는 편집자가 될 수 있습니다. 그것들은 서로 다른 활동이며, 그것들을 혼동하는 것이 "AI가 허용됩니다"가 조용히 "아무것도 설계되지 않았습니다"를 의미하게 되는 방식입니다.

스캐폴딩가 그 시험을 제공합니다. 지원은 학습자들이 아직 혼자서는 할 수 없는 것을 하도록 돕고, 능력이 발달함에 따라 사라져야 합니다. 완전한 해법을 계속 공급하는 모형은 비계가 아닙니다 — 그것은 과제를 하고 있습니다. 그러므로 모든 AI 활용 활동에 대해, 설계자는 이 문장을 망설임 없이 완성할 수 있어야 합니다.

여기서 AI의 역할은 ____________이며, 학생의 역할은 ______________입니다.

두 번째 빈칸에 의미 있는 사고가 거의 없다면, 그 활동은 더 엄격한 정책이 아니라 재설계가 필요합니다.

평가뿐만 아니라 운영도 가르치십시오

AI 리터러시는 챗봇을 운영하는 능력이 아닙니다. 그것은 비판적 평가, 메타인지적 판단, 그리고 도구를 전혀 사용하지 말아야 할 때를 아는 것을 포함합니다 — 그리고 지식베이스는 일관되게 자기 보고된 자신감이 입증된 역량의 빈약한 대용물이라는 것을 확인합니다. 이것은 어떤 비동기 강좌든 즉시 채택할 수 있는 변화를 가리킵니다. 때로 AI 출력을 여러분이 직접 학생들에게 주십시오. 경쟁하는 두 답을 넘기고 어떤 것이 더 강한지와 왜 그런지를 물으십시오. 가장 약한 주장, 누락된 가정, 검증 불가능한 출처, 그럴듯하면서도 틀린 설명을 요구하십시오. 어떤 증거가 그들의 마음을 바꿀 것인지 물으십시오.

그렇게 틀짓으면, 채점되는 능력은 더 이상 *이 학생이 답을 산출할 수 있는가?*만이 아니라 *이 학생이 답이 신뢰받을 자격이 있는지를 인식할 수 있는가?*입니다 — 학문 분야가 실제로 요구하는 것에 더 가깝고, 위임하기가 훨씬 더 어렵습니다. 기법이 살아 있는 곳은 검증 실천과 AI 리터러시 자료입니다. 여기서 중요한 것은 평가를 조언으로 남겨 두지 않고 채점되는 과제 안에 넣는 것입니다.

여러분이 듣게 될 반론들

"이것들은 비동기 강좌를 선택한 성인들입니다. 그들이 AI가 쓰게 한다면, 그것은 그들의 결정입니다." 그 선택 논증은 그 강좌가 아무것도 인증하지 않는다면 성립할 것입니다. 그렇지 않습니다. ALEKS 증거는 지름길이 감독된 점검을 견디지 못하는 능력력의 외관을 산출한다는 것을 보여 주며, 그 대가는 나중에 학생에게 떨어집니다 — 다음 강좌, 자격증 시험, 또는 직장에서. 형평성의 모서리도 있습니다. 외주화할 가능성이 가장 큰 학습자들은 종종 시간이 가장 적은 사람들인데, 이것이 바로 비동기 강좌가 섬기기 위해 존재하는 바로 그 집단입니다.

"탐지가 해답입니다." 탐지는 논쟁 중이며, 위의 감독 결과가 왜 설계가 단속을 이기는지를 보여 줍니다. 해악은 단속이 강화될 때가 아니라 조건이 변했을 때 사라졌습니다. 탐지는 또한 위양성 대가를 수반하고 교육을 군비 경주로 돌립니다. 대신 과제를 재설계하고 무보조 측정 하나를 유지하십시오 — 제 강좌에서 AI 부정행위를 줄이려면 어떻게 해야 합니까?과 평가를 어떻게 재설계하면 성적이 학생이 알고 있거나 할 수 있는 것에 대해 여전히 방어 가능한 무언가를 말해 줄 수 있습니까?를 참조하십시오.

"거리에서는 교수 존재가 불가능하므로 비동기는 본질적으로 열등합니다." 비동기 강좌에서 존재는 암시되는 것이 아니라 설계됩니다. 그리고 위의 CoI 재개념화는 그것의 지표가 GenAI 시대에 사회기술적 성취라고 말합니다. AIDA 시험은 유용한 반례입니다. 내장된 생성형 지원이 전혀 동기식 모임이 없는 강좌에서 과제에 쓴 시간을 두 배로 했습니다.

"감독은 감시이며 나는 그것을 부과하지 않을 것입니다." 방어 가능한 입장이며, 그것은 여러분을 선택지 없이 두지 않습니다. 과정을 드러내는 산출물, 비동기 구두 평가, 자기 설명, 그리고 위에 서술된 AI Viva는 모두 누구의 방도 모니터링하지 않으면서 추론을 포착합니다. 여러분이 감독된 조건을 사용한다면, 강의계획서에 그것을 밝히고, 그 추론을 설명하고, 역량을 인증하는 평가로 한정하십시오.

"그러면 모두 동기식이고 감독되게 만드십시오." 많은 학생들은 고용, 돌봄 책임, 장애, 또는 지리적 제약 때문에 동기식 참석을 어렵게 만드는 바로 그 이유로 비동기 학습을 선택하며, 탐지는 자체 형평성 대가를 수반합니다. 원어민이 아닌 작가를 불균형적으로 표시하는 도구는 정직한 작업을 처벌하는 위양성을 불균형적으로 산출합니다(AI 탐지). 비례적인 대안은 그렇지 않으면 유연한 강좌 안에 소수의 검증 순간입니다. 짧은 녹화된 설명, 개인화된 적용, 교수자가 선택한 질문에 대한 응답, 주석이 달린 의사결점 흔적, 낮은 이해관계의 개인 점검. 검증은 여러분의 증거의 타당성을 높여야 하며, 그 형식을 제공할 가치가 있게 만든 유연성을 제거해서는 안 됩니다.

증거가 해결하지 않는 것

원격 교육에서의 AI에 대한 체계적 고찰(56개 논문, 2020–2025)은 개인화(24개 연구), 평가와 피드백(19개), 인간–AI 상호작용(17개), 거버넌스와 형평성을 포괄하고, 그 기반이 종단적 작업이 거의 없는 단기적이고 단면적이라고 결론 내립니다. 온라인 학습에서 AI와 학생 참여에 대한 고찰(24개 연구)은 하나의 데이터베이스로 제한되고, 참여만을 다루며, 동기적 맥락과 비동기적 맥락을 명시적으로 혼용합니다 — 그래서 그것의 결론은 비동기 특정적인 것으로 읽혀서는 안 됩니다. 비동기 구두 평가는 두 강좌의 두 연구에 의존합니다. MAIC은 파일럿입니다. 진행-시기 데이터셋은 훈련된 분류기로도 수행을 제한합니다. 그리고 여기의 어떤 연구도 비동기 집단을 재설계된 평가가 더 나은 증거가 아니라 지속 가능한 학습을 산출하는지를 보여 주기에 충분히 오래 추적하지 않습니다. 그것 전부를 여러분의 다음 강좌를 바꾸기에 충분히 강하고 정책 주장을 정당화하기에는 너무 빈약한 것으로 취급하십시오.

이번 주에 하십시오

십 분 만에: 여러분의 가장 고위험 평가를 골라 학생이 무보조로 완수하는 조건 하나를 추가하십시오. 그것이 왜 존재하는지를 그들에게 말하십시오.

다음 과제가 나가기 전에: AI가 이제 처음부터 끝까지 완수하는 과제를 가져다가 과정이 산출물이 되도록 다시 쓰십시오 — 의사결정 로그, 단계적 초안, 자기 설명, 두 시도의 비교. 그 추론 없이도 과제가 끝날 수 있다면, 그 추론은 결코 요구되지 않았던 것입니다.

이 학기에: 하나의 주요 평가를 내장된 루브릭을 갖춘 비동기 구두 변론으로 전환하고, 강의계획서에서 과제별로 AI 허용을 설정하여 학생들이 실제로 읽을 곳에 배치하고, 주요 마감일을 군집화하는 대신 간격 두며, 상호작용 데이터가 조용해진 학생들에게 연락하는 7–8일 전 마감일 창을 여십시오.

가장 약한 과제에 세 가지 질문을 돌리십시오. (1) AI 체계가 학생이 자료를 이해하지 않고도 이 활동을 완수할 수 있겠습니까? (2) 여기서 학습을 산출하도록 의도된 인지적 활동은 무엇입니까? (3) 학생이 실제로 그 활동을 수행했음을 보여 줄 증거는 무엇입니까? 첫 번째 답이 예이고 다른 둘을 답하기 어렵다면, 문제는 AI 정책이 아니라 학습 설계입니다 — 그리고 정책의 어떤 문구도 그것을 고치지 않을 것입니다.

목표는 AI가 참여할 수 없는 강좌가 아닙니다. 그것은 AI가 강좌가 생산하도록 존재하는 학습을 대체하지 않고 참여할 수 있는 강좌입니다.

다음으로 갈 곳: 강좌 수준 규칙은 강좌 AI 정책을 어떻게 작성하고 학생들에게 어떻게 전달합니까?에, 평가 재구축은 평가를 어떻게 재설계하면 성적이 학생이 알고 있거나 할 수 있는 것에 대해 여전히 방어 가능한 무언가를 말해 줄 수 있습니까?에, 그것 아래의 의존 문제는 학생들이 AI에 과잉 의존하지 않게 하려면 어떻게 해야 합니까?에, 교수자 업무량과 AI가 현실적으로 제거하는 것은 교수자로서 AI로 시간을 절약하려면 어떻게 해야 할까요?에, 학습 경험에 AI를 내장하는 설계 수준의 견해는 AI를 학습 경험에 어떻게 설계해야 합니까?에 속합니다.