AI를 학습 경험에 어떻게 설계해야 합니까?

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

학습 목표와 학습 과정에서 시작하십시오 — AI 기능이 아니라. 지식베이스의 교수법과 교수 전략 개념은, 동일한 AI가 교수 설계에 따라 비계, 소크라테스식 대화자, 피드백 동반자, 모의, 또는 답 생성기로 기능할 수 있음을 강조합니다. 중요한 것은 구성이 의도된 학습을 산출하는 활동을 보존하는지 여부입니다.

강력한 기본 패턴

강력한 기본 패턴은 다음과 같습니다: 학습자 시도 → AI 지원 → 학습자 평가 또는 수정 → 학습자가 이해를 입증. 더 구체적으로:

• 학습에 기여하는 곳에 생산적 실패를 보존하십시오.
• AI 지원을 표시하기 전에 초기 예측이나 해법을 요구하십시오.
• 즉각적 완성보다 질문, 힌트, 사례, 반론, 피드백을 선호하십시오.
• 결과가 중요한 주장의 검증을 요구하십시오.
• 설명과 되돌려 가르치기의 기회를 통합하십시오.
• 역량이 성장함에 따라 지원을 점진적으로 줄이십시오.
• 학습자가 스스로 할 수 있는 것을 보정할 AI 없는 기회를 일부 유지하십시오.

AI 오용 줄이기 종합은 특히 먼저 생각하고/AI는 나중에/되돌아보는 순서와 의도적인 평가 체크포인트를 권장합니다.

AI 역할을 인지적 참여 수준에 맞추기

Rummel, Nachtigall, Panadero의 주방 기계 비유는 설계 질문을 학습자가 생성형 AI를 사용하는지 여부에서 그 사용이 학습자가 되는 바를 어떻게 형성하는지로 재구성합니다. 스마트 주방 기기의 네 가지 용도를 ICAP와 SAMR 프레임워크를 통해 학습 사례에 대응시키면 설계의 사다리가 됩니다: 수정이나 비판적 참여 없이 과제를 전적으로 외주하는 것은 수동적 대체이며 기술 상실과 지나친 의존을 초래합니다; 프롬프트를 다듬고 출력을 교차 검증하는 것은 사전 지식과 자기조절을 요구합니다(능동/증강); AI를 브레인스토밍, 개요 작성, 독창적 작업의 평가에 사용하는 것은 구성적/수정이며; 공동 구성과 적응형 피드백을 위한 진정한 대화 동반자로서의 AI는 상호작용적/재정의입니다. 설계 함의는 직접적입니다: 동일한 도구가 한 단에서는 우회이고 다음 단에서는 비계이므로, 무제한 접근을 허용하기보다 의도된 모드를 명시하십시오.

설계를 순서대로 구성하고, 도구를 단순히 허용하지 마십시오

Divjak, Svetec, Horvat는 554개 강좌에 걸친 교수·학습 활동 29,064개의 계획된 순서를 분석하여 가시적인 설계 문법을 발견했습니다: 습득형 활동이 가장 일반적인 진입점이자 가장 큰 단일 유형이며(20% 이상), 학습 유형은 의도된 Bloom 수준을 추종합니다(1수준의 ~50%에서 6수준의 ~20%로 습득이 감소하고, 생산은 5–6수준에서 20% 이상으로 상승), 가장 강한 전이는 평가 → 토론(0.332)입니다. AI 설계에 대한 두 가지 교훈: AI는 순서가 특정 활동 유형을 의도하는 곳에 속하며 끝에 덧붙이는 것이 아닙니다; 그리고 피드백이 협력 학습, 집단 작업, 교사의 존재와 밀집해 있었으므로, 동료 및 동시적 구조가 AI 지원이 대체가 아니라 접목해야 할 피드백 순간을 만들어냅니다.

Torres-Sahli와 동료들의 "자제했다가 증폭하라" 프레임워크는 이를 프로그램 수준으로 밀어냅니다: 역량이 형성되는 동안 생성형 도구를 보류하고, 학생이 그것을 지휘하고, 반환된 것을 판단하고, 그것에 책임질 수 있게 된 뒤에 복원하며, 각 분기점에 위조하기 어려운 체크포인트를 둡니다. 기기는 형성 대비 오프로딩 기준으로 관리됩니다 — 참여한 작업을 지원하는 곳에서는 허용되고 주의를 빨아들이는 곳에서는 배제됩니다. 이것은 오프로딩 결정을 강좌 수준 설계에 앞서는 교과 과정 및 AI 거버넌스 질문으로 바꿉니다.

구성적 정합이 먼저다

McInnes와 동료들의 담론 분석은 고등교육 지침 14건을 분석하여, 효율성 중심 조언 — 생성형 AI로 성취 기준, 채점 기준, 강좌 개요를 작성하는 것 — 은 "구성적" 절반을 소홀히 한 채 정렬된 것처럼 보이는 정렬을 산출한다고 경고합니다: 성취 기준, 활동, 평가가 상호의존적인 것이 아니라 개별 항목으로 생성됩니다. 그들의 처방은 금지가 아니라 재순서화입니다: 교육자는 어떤 부분을 위임하기 전에 AI 출력을 지휘하고, 반문하고, 거부할 만큼 구성적 정합을 충분히 이해해야 합니다 — 그럴듯함에 기반한 표면적 수용 습관은 교수자가 학생에게 경고하는 바로 그 평가 실패이기 때문입니다. AI를 사용하는 곳에서는, 그들은 인터넷 학습 기본값이 아니라 지역 정책과 품질 표준을 중심으로 구성된 제도적으로 제한된 검색 증강 시스템을 주장합니다.

더 넓은 원리

원칙 기반 AI 교육 프레임워크의 더 넓은 원리는, 기술이 교육이 의도하는 인간의 역량을 대체가 아닌 증강해야 한다는 것입니다. 교수 설계, 능동적 학습, 스캐폴딩도 참조하십시오.

설계된 상호작용이 학습을 보존하는지를 결정하는 교수법적 기본값은 제 강좌에서 AI 부정행위를 줄이려면 어떻게 해야 합니까? 및 평가를 어떻게 재설계하면 성적이 학생이 알고 있거나 할 수 있는 것에 대해 여전히 방어 가능한 무언가를 말해 줄 수 있습니까?를, 동일한 원칙이 소프트웨어 자체를 어떻게 제약하는지는 효과적인 교육용 AI 소프트웨어를 설계하기 위한 모범 사례와 팁은 무엇인가?, 그것이 튜터 아키텍처로 어떻게 번역되는지는 효과적인 AI 튜터를 개발하는 모범 사례는 무엇입니까?를 참조하십시오.