교육자들은 AI와 관련해 무엇을 피해야 하는가?

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

교육에서 AI에 관한 지침 대부분은 무엇을 시도할지 서술합니다. 이 페이지는 그 반대의 목록입니다. 근거가 그만두라고 말하는 실천을, 그것을 그만두어야 할 역할별로 정리했습니다. 잘못된 신념은 다른 곳에서 다룹니다. 오해 FAQ가 그 역할을 하고, AI에 대한 오개념 개념 페이지가 그것이 왜 지속되는지 설명합니다. 연구가 아직 말해 줄 수 없는 것은 AIEd 연구의 한계에서 다룹니다. 여기서 다루는 것은 신념 다음 단계입니다. 사람들이 실제로 무엇을 하고, 그것이 무엇을 치르게 하며, 대신 무엇을 해야 하는가입니다.

세 가지 실패가 모든 역할에서 되풀이됩니다.

1. 대체. 도구가 학습자가 해야 할 사고를 대신 수행하고, 그 산출물은 학습자가 한 것처럼 채점됩니다. 제출된 에세이는 모델이 무엇을 할 수 있는지를 기록할 뿐, 학생이 무엇을 할 수 있는지를 기록하지 않습니다.
2. 값싸게 얻은 증거. 자신감, 유창성, 참여, 완료율처럼 수집하기 쉬운 신호가 그것이 보여 줄 수 없는 것의 증거로 취급됩니다. 대시보드는 개인 교습 세션에 40분을 보냈다고 보고할 수 있지만, 누군가 이차방정식을 배웠는지는 보고할 수 없습니다.
3. 호소에 맡긴 구조. 경고, 정책 문장, 교육 한 번이 인터페이스 설계, 평가 설계, 거버넌스가 해야 할 일을 대신하도록 요구받습니다. 강의계획서에는 책임 있게 AI를 사용하라고 적혀 있지만, 튜터는 첫 프롬프트에서 완성된 답을 건넵니다.

요약

1. 산출물을 그것을 만들어 낸 역량의 증거로 채점하거나, 인용하거나, 홍보하지 마십시오.

2. 매번 보조를 받은 측정치와 함께 보조 없는 측정치를 수집하십시오.

3. 유창성, 자신감, 참여를 학습이 아니라 사용의 특성으로 다루십시오.

4. 안전장치는 경고가 아니라 작업 흐름 안에 두십시오.

5. 도구가 볼 수 있는 데이터는 보관되고, 결합되고, 유출될 것이라고 가정하십시오.

6. 주장에 시연은 있고 비교는 없다면, 그것은 마케팅입니다.

교수자를 위하여

산출물을 역량으로 인증하지 마십시오. 잘 다듬어진 제출물은 잘 다듬어진 제출물이라는 증거일 뿐입니다. 학생이 문헌 검토를 제출했는데 그 출처를 수업에서 가르친 어떤 내용과도 대조할 수 없고, 그 평가가 학생이 도움 없이 무엇을 할 수 있는지 구별하지 못한다면, 그 평가는 자격이 보증한다고 주장하는 것을 측정하는 일을 그만둔 것입니다(평가 타당도, 실제적 평가). 해법은 과제 재설계입니다. 더 엄격한 명예 규정으로는 해결되지 않습니다.

탐지기 점수를 위반의 증거로 쓰지 마십시오. 공개된 초록 642편을 대상으로 한 통제 연구에서 탐지기는 지침을 준수한 가벼운 AI 편집의 38–80%와 수정되지 않은 인간 글의 9–15%를 표시했지만, 인간화 서비스를 거친 재작성은 4% 미만만 잡아냈습니다(Karr 등, 2026). 독립 벤치마크에서는 상용 도구 14개 중 어느 것도 80% 정확도에 도달하지 못했고, 단순한 바꿔 쓰기만으로 그 수준도 절반으로 떨어집니다(Teichmann 등, 2026). 현실적인 기저율에서는 거짓 양성이 참 양성보다 많습니다(AI 탐지기를 사용해야 할까요?). 탐지기는 대화를 시작할 수 있지만 끝낼 수는 없습니다.

재설계하지 않은 평가에 AI를 더하지 마십시오. 도움 없는 수행을 위해 설계된 과제에 도구를 덧붙이면, 손실을 가리는 바로 그 점수 인플레이션이 생깁니다. 숙제는 오르고 시험은 내려갑니다. 채점되는 모든 과제에 도움 없는 버전이 무엇을 보여 줄지 묻고, 먼저 과제를 고치십시오(AI 오용의 감소). 집에서 푸는 문제 세트와 수업 중 퀴즈가 같은 기술을 시험한다면, 학생을 측정하는 것은 둘 중 하나뿐입니다.

참여를 학습으로 다루지 마십시오. 과제 시간, 만족도, 도움 요청 횟수, 채팅 활동은 모두 측정하기 쉽고, 모두 학습이 전혀 없어도 나타납니다. LLM 지원 플랫폼에서 민사 사건을 판단하는 3×2 실험(참가자 186명)에서, 잘못된 AI 입장으로의 전환을 42–60.5%에서 5.7–8.2%로 줄인 가드레일은 세션 안에서 측정 가능한 학습 효과를 낳지 못했습니다(β = 0.03, p = 0.18, Tuo 등, 2026). 행동은 바뀌었지만 학습 측정치는 움직이지 않았습니다(학생 참여).

인터페이스가 제한할 수 있는 곳에서 경고에 의존하지 마십시오. 완성된 답을 만들 수 있는 튜터는 마감 압박 아래에서 그것을 만들어 냅니다. 강의계획서에 무엇이라 적혀 있든 마찬가지입니다. 통하는 가드레일은 상호작용에 내장된 것입니다(AI 오용의 감소, 교수법적 안전). 처음 두 번의 시도에서 최종 답을 보류하는 것은 설계 결정입니다. 학생들에게 답을 요구하지 말아 달라고 부탁하는 것은 부탁에 불과합니다.

학생 작업물, 개별화 교육 계획(IEP), 징계 기록, 식별 가능한 초안을 소비자용 도구에 붙여 넣지 마십시오. 데이터 최소화는 당신이 생각했든 하지 않았든 학생을 대신해 내리는 설계 결정입니다(프라이버시). 어떤 학생의 행동 지원 계획에 대해 답하는 무료 챗봇 계정은 그 계획을 다른 사람의 서버에도 복사해 둔 것입니다.

학습자를 위하여

연습해야 할 부분을 넘기지 마십시오. 과제가 다섯 문단 에세이라고 합시다. 프롬프트를 챗봇에 붙여 넣고, 돌아온 초안을 받아 제출합니다. 제출한 것은 모델이 무엇을 할 수 있는지의 기록입니다. 문제는 AI를 얼마나 쓰는지가 아니라 어떤 인지적 작업이 옮겨 가는지입니다. 숙제를 외주화하면 숙제 점수는 오르고 폐쇄형 시험 점수는 내려갑니다. 중등학생 26,811명을 30개월 동안 추적한 연구에서 6개월 안에 숙제 점수는 18% 올랐고 시험 점수는 20% 떨어졌습니다(Strömberg, Lei and Wu, 2026). 인출 가능한 지식을 쌓는 연습이 도구로 넘어간 것입니다(AI 오용의 감소). 연습 자체가 목적이라면 도구가 그 연습을 대신할 수 없습니다.

유창성을 정확성으로 읽지 마십시오. 유창한 텍스트는 내용이 참인지와 무관하게 언어 모델의 산출물이며, 그것을 설득력 있게 만드는 기제가 그것을 틀리게 만드는 같은 기제입니다(환각 위험). 문단의 어조가 아니라 그 특정 주장을 검증하십시오. 이 습관은 좀처럼 저절로 생기지 않습니다. AI 요약을 받은 미국 성인 900명 패널에서 독자들이 그 안에 인용된 출처를 따라간 것은 방문의 1%였습니다(Jaidka and Cai, 2026). 과제가 출처 세 개를 요구한다면 세 개 모두 열어 보십시오.

동의를 피드백으로 받아들이지 마십시오. 모델은 인간보다 훨씬 많이 긍정합니다. 11개 모델에 걸쳐 AI 응답은 인간 응답보다 사용자를 49% 더 자주 긍정했고, 그 초과분이 상호작용을 지지적으로 느껴지게 만듭니다(Potel and Kumashiro, 2026). 한 번도 반대하지 않는 튜터는 당신이 얻으러 온 교정 신호를 없앤 것입니다(AI의 아첨). 승인이 아니라 반론을 요청하십시오. "이 논증의 무엇이 잘못되었고, 회의론자는 뭐라고 할까?"

막혔을 때 질문을 답과 바꾸지 마십시오. 건너뛰는 생산적 노력이 곧 학습입니다. 답을 인출하는 도움 요청은 힌트를 인출하는 도움 요청과 다른 행동입니다(도움 요청, 바람직한 어려움). 완성된 답을 보류하는 도구를 쓰고, 해결책이 아니라 다음 단계를 요청하십시오.

더 나은 응답을 얻으려고 개인 정보, 건강 정보, 가족 정보를 도구에 붙여 넣지 마십시오. 도구에는 그것을 잊을 의무가 없고, 프라이버시 비용은 답의 품질에 드러나지 않습니다(프라이버시). 더 나은 프롬프트에 당신의 진단명, 주소, 가족 이름은 필요하지 않습니다.

학부모와 가족을 위하여

도구와 함께 숙제를 하지도, 옆에서 하게 두지도 마십시오. 데이터에 나타나는 패턴은 숨은 비용을 동반한 점수 인플레이션입니다. 같은 30개월 패널 연구에서 숙제 점수는 18% 올랐고 폐쇄형 시험 점수는 20% 떨어졌습니다(Strömberg, Lei and Wu, 2026). 만점 숙제를 가져오면서 단원 시험에서 낙제하는 아이는 바로 이 격차를 보여 줍니다. 당신이 확인할 수 있는 것은 과정입니다. 아이가 그 단계를 설명할 수 있는가, 종이에 한 문제를 다시 풀 수 있는가, 무엇이 불확실했는지 말할 수 있는가? 그렇지 않다면 도구가 그 과제를 한 것입니다.

챗봇이 고민을 털어놓는 상대가 되게 하지 마십시오. 아부적 시스템은 사람보다 훨씬 많이 긍정합니다. 11개 모델에 걸쳐 그 차이는 49%에 이르며, 그 긍정이 그것들과 이야기하기 안전하게 느껴지게 만드는 것입니다(Potel and Kumashiro, 2026). 그러나 대규모 종단 연구에서 사용자들은 개인적 조언을 구할 때 가까운 친구와 가족에게 거의 맞먹는 빈도로 아부적 AI를 찾았고, 실제 관계에서는 만족도가 더 낮았습니다(Sycophantic AI makes human interaction feel more effortful and less satisfying over time). 항상 동의하는 모델에게 고통을 가져가는 아이는 들리는 것이 아니라 비추어지고 있는 것입니다. 아이가 우정이나 상실에 대해 챗봇과 이야기하고 있다면, 그것은 또 누구에게 말했는지 물어볼 순간입니다.

생성형 챗봇을 어린 아이에게 주고 곁에 있으니 감독이라고 부르지 마십시오. 연령별 지침은 구체적입니다. 9세에서 12세까지는 비계가 있는 비생성형 활동, 13세부터는 윤리적 추론을 동반한, 감독 아래의 생성형 사용입니다(부모와 교사는 13세 미만 아동에게 AI를 어떻게 다가가게 해야 합니까?). 가장 어린 아이들에게 위험은 신념에 있습니다. 전조작기 아이들은 생성된 내용을 참으로 받아들이고, 시스템은 자신이 주는 피드백에서 발달 수준에 맞춰져 있지 않습니다. 성인 공동 사용은 아이 옆에 앉아 그 장난감이 방금 무엇을 했는지 묻는 것이지, 문간에서 지켜보는 것이 아닙니다(유아 교육).

학교가 골랐다는 이유로 학교의 도구가 아이의 데이터를 보호한다고 가정하지 마십시오. 무엇이 보관되는지, 얼마나 오래 보관되는지, 무엇이든 훈련에 쓰이는지, 또 누가 그것을 보는지 물으십시오(프라이버시). 인식은 노출에서 따라오지 않습니다. 학생들이 자신의 기록된 행동이 실시간으로 투사되는 수업을 본 한 달 뒤에도, 47명 중 66%가 여전히 가장 보호가 약한 챗봇 설정을 골랐습니다(Bergdahl, 2026). 질문은 서면으로 학교에 전달하고, 답도 서면으로 요청하십시오.

탐지기 결과로 아이를 의심하거나, 학교의 의심을 뒷받침하지 마십시오. 공개된 초록 642편을 대상으로 한 통제 연구에서 탐지기는 수정되지 않은 인간 글의 9–15%를 표시했고, 인간화한 AI 재작성은 4% 미만을 잡아냈습니다(Karr 등, 2026). 현실적인 기저율에서는 거짓 양성이 참 양성보다 많습니다(AI 탐지). 표시는 초안 이력과 대화를 요청할 이유로 다루고, 판정으로 다루지 마십시오.

도구를 금지하는 것이 안전한 선택이라고 결론 내리지 마십시오. 과소 신뢰 역시 나름의 비용, 즉 포기한 역량을 수반하는 보정 실패이며, 중요한 기술은 회피가 아니라 균형 잡힌 자신감입니다(신뢰 보정). 학부모에게 유용한 조치는 연구가 학생들에게 지지하는 것과 같습니다. 검증 단계를 요구하고, 지친 아이가 실제로 할 수 있을 만큼 값싸게 만드십시오(학생에게 AI 출력을 검증하도록 어떻게 가르칠까요?). 챗봇이 사용한 출처를 보여 달라고 하는 데는 1분이 들고, 챗봇을 금지하면 연습이 사라집니다.

콘텐츠 필터를 안전으로 착각하지 마십시오. 필터는 시스템이 무엇을 말할지를 다룹니다. 상호작용이 학습자에게 무엇을 하는지, 즉 침식된 연습, 아부적 동의, 불균등한 거부는 다루지 않습니다(교수법적 안전).

교육 개발자와 교수 개발자를 위하여

도구 교육을 진행하고 그것을 AI 리터러시라고 부르지 마십시오. 프롬프트에 관한 세션은 한 제품의 인터페이스를 가르칩니다. AI 리터러시는 도구를 언제 써야 하는지, 도구가 무엇을 하는지, 무엇을 검증해야 하는지 판단하는 능력입니다. 판단 없이 버튼만 배운 교사는 자신감만 얻고 보정은 얻지 못한 채 나옵니다(교수자의 AI 역량). 모두가 수업 계획을 생성할 수 있게 되었지만 아무도 그 계획을 쓰지 말아야 할 때를 말할 수 없는 워크숍은 인터페이스를 가르친 것입니다.

일회성 전문성 개발을 하고 실천이 바뀌기를 기대하지 마십시오. 전문 학습에 관한 근거는 기간과 후속 지원에 관해 일관됩니다. 단일 행사는 자기보고 자신감을 움직이고, 교실 행동은 좀처럼 움직이지 않으며, 그 자신감 상승이 변화의 부재를 가릴 수 있습니다(교육 개발). 8월의 두 시간 세션에 10월의 후속 조치가 없다면, 그것은 자신감을 높이는 개입입니다.

그대로 두는 평가 체계를 무시하지 마십시오. 교수진은 자신이 지켜야 하는 평가가 그 실천을 벌하지 않을 때에만 당신이 가르친 실천을 받아들입니다. AI에 견디는 과제 설계 워크숍이 바뀌지 않은 시험 체제 옆에서 진행된다면, 그것은 교수진에게 그 훈련이 장식적이라는 것을 가르칩니다.

경고하는 무비판적 사용을 시범 보이지 마십시오. 검증 단계 없이 교수진 앞에서 수업 계획을 생성해 도구를 시연하는 것은, 산출물이 곧 결과물이라고 청중에게 가르칩니다. 그들 앞에서 생성한 뒤, 검증이 필요한 두 가지 주장을 표시하십시오.

벤더 시연을 효과의 증거로 받아들이지 마십시오. 당신이 평가하는 주장은 학습에 관한 것이고, 시연은 역량을 보여 줍니다. 도움 없는 결과, 하위 집단 결과, 다중 턴 안전성 시험을 요구하십시오(교육 AI가 올바르게 작동하고 있는지를, 점수만 잘 받는 것이 아니라, 어떻게 알 수 있을까요?).

교육 소프트웨어 개발자를 위하여

기록하기 쉬운 지표를 최적화하지 마십시오. 세션 길이, 메시지 수, 만족도 평점은 거의 어떤 변경 아래에서도 개선됩니다. 학습은 흔히 그렇지 않습니다. 가드레일을 출시하는 같은 팀이 상호작용량을 보상하는 대시보드를 출시할 수 있고, 둘은 반대 방향을 가리킵니다(학습 분석, 학생 참여). 성공 지표가 세션당 메시지 수라면, 당신은 채팅에 머무는 학생에게 보상하는 제품을 만든 것입니다.

구성 개념에 대한 타당화 연구 없이 탐지기를 출시하지 마십시오. EEG 모델 15개의 벤치마크는 층화 교차 검증에서 F1 0.9853에 도달했습니다. 시행 경계를 존중하는 시행 독립적 Group K-Fold에서는 최고치가 0.6038로 떨어졌으며, 이는 25%의 우연 수준과 비교한 값입니다(Nanayakkara and Halloluwa, 2026). 미소 탐지기는 인간 평정자가 가진 맥락이 없어 관찰자가 평정한 공감과 부정적 관계를 보일 수 있습니다(평가 타당도, 센서 및 시선 분석). 헤드라인 숫자와 함께 타당화 프로토콜을 공개하십시오.

동의와 명시된 목적 없이 얼굴과 몸에서 정서, 주의, "참여"를 추론하지 마십시오. 다중 턴 위험은 단일 턴 위험이 아닙니다. 한 교육 안전 고찰에서 실패율은 단일 턴 평가의 17.7%에서 다중 턴의 77.8%로 올랐습니다(Hazra 등, 2026). 분리된 프롬프트로 인증된 시스템은 학생들이 실제로 하지 않는 상호작용에 대해 인증된 것입니다(교수법적 안전, 프라이버시).

핸드오프를 숨기지 마십시오. 튜터가 생성 중인지 인출 중인지, 언제 인간이 루프에 있는지 알 수 없는 학생은 그것에 대한 신뢰를 보정할 수 없습니다. 자동화 편향은 시스템이 옳고 인간이 확인을 멈췄을 때 가장 깔끔하게 작동합니다(신뢰 보정). 사람이 그 작업을 읽을 것인지를 인터페이스에 밝히십시오.

벤치마크를 위해 설계하고 교실을 주장하지 마십시오. 벤치마크 성능은 벤치마크의 속성입니다. 시험한 사용 조건, 모집단, 과제를 보고하십시오. 그렇지 않으면 그 숫자는 다른 환경에 관한 약속으로 읽힙니다(AIEd 연구의 한계).

도구를 도움의 유일한 경로로 만들지 마십시오. 학생의 피드백 접근이 모델의 가용성, 할당량, 라이선스에 달려 있다면, 형평성 문제는 이미 조달 과정에서 결정된 것입니다(형평성).

교육 행정가를 위하여

역량 주장을 성과 증거로 사지 마십시오. 벤더는 제품을 시연할 수 있지만, 학습을 시연할 수 있는 것은 평가뿐입니다. 도움 없는 결과, 하위 집단 결과, 이탈률, 그리고 시범 운영이 끝난 뒤의 계획을 요구하십시오(교육 AI가 올바르게 작동하고 있는지를, 점수만 잘 받는 것이 아니라, 어떻게 알 수 있을까요?, 교수자가 AI 관련 개입을 평가하는 데 사용할 수 있는 측정과 연구 방법은 무엇입니까?). 시연은 튜터가 한 문제를 푸는 것을 보여 줄 뿐, 학생이 다음 문제를 푸는 것은 보여 주지 않습니다.

이용 가능하다는 이유로 감시를 배치하지 마십시오. 시험 감독 시스템은 얼굴 이미지, 신분 문서, 360도 회전을 포함한 방 스캔, 마이크 오디오를 수집합니다. 80개 연구 고찰에서 윤리적 문제를 전혀 다룬 연구는 25%뿐이었고, 35%는 데이터셋을 공개하지 않았으며, 30%는 재현할 수 없었습니다(Malhotra and Chhabra, 2026). 비용은 학생에게 떨어지고, 근거 기반은 계약이 시사하는 것보다 빈약합니다(프라이버시, 원격 감독 시험).

금지만 있는 정책을 쓰고 거버넌스라고 부르지 마십시오. 평가 재설계도, 지원도, 이의 제기 경로도 없는 금지는 행동을 막는 것이 아니라 옮기며, 거짓 고발에 이의를 제기할 능력이 가장 적은 학생을 벌합니다. 정책은 채점자도 대상으로 해야 합니다. 일상적인 채점 흐름에 대한 레드팀 시험에서 제출물에 숨긴 다섯 가지 프롬프트 주입 전략 중 두 가지가 파일 형식을 가로질러 100%와 94%의 성공률로 낙제 에세이를 합격으로 옮겼습니다(Humble, 2026). 학생을 제약하고 채점 흐름을 제약하지 않는 정책은 절반의 정책입니다.

도입을 개선과 동일시하지 마십시오. 사용량, 만족도, 완료율을 보고하는 대시보드는 학습 측정치가 제자리인 채로 성공처럼 보입니다. 어떤 결과가 나오면 계약을 취소할지 미리 정하십시오(교육 분야 AI 개입 평가). 그 숫자를 시범 운영이 시작되기 전에 적어 두십시오.

접근성이 개별 편의 요청으로 도착하게 두지 마십시오. 신경다양성 학생을 위한 디지털 보조 기술에 관한 40개 연구의 범위 고찰에서, 28개가 공식 진단을 참여 조건으로 삼았습니다. 진단으로 문을 지키는 이 모델은 필요는 있지만 진단명은 없는 모든 학습자를 배제합니다(Rempel 등, 2026, 접근성, 보편적 학습 설계).

교육 연구자를 위하여

자기보고가 인과적 주장을 나르게 하지 마십시오. 자신감, 인식된 학습, 만족도는 성과이지만, 대부분의 연구가 측정한다고 말하는 성과는 아닙니다. 공감 문헌이 가장 명확한 사례입니다. 공감을 가르치려는 분야가 주로 측정하는 것은 편안함이며, 17개 연구 고찰에서는 공감 자체의 근거보다 자신감 향상이 훨씬 흔했습니다(Ismail and Zafira, 2026, 자기보고식 측정).

설계 없이 효과를 인용하지 마십시오. AI와 비판적 사고에 관한 80개 HCI 연구의 비판적 고찰에서 42개(52%)는 통제 집단을 두지 않았습니다(A Critical Review of Critical Thinking in HCI Research About AI). 한 기관의 한 과목 학생 30명에서 나온 헤드라인 효과가 취약한 주장의 흔한 형태입니다(AIEd 연구의 한계).

모형 없이 이질성을 보고하지 마십시오. 같은 데이터가 고정효과 모형에서는 I² = 82.98%, 무작위효과 모형에서는 I² = 15.75%를 낳습니다(The Impact of Artificial Intelligence-Supported Instruction on Student Learning in STEM: A Systematic Review and Meta-Analysis). 모형을 밝히지 않은 I²는 해석할 수 없습니다(메타분석과 체계적 문헌고찰).

단일 맥락에서 일반화하고 발견이라고 부르지 마십시오. 한 과목, 한 기관, 한 모델 버전, 한 언어. 모델 행동은 릴리스마다 바뀌고, 한 세대에 훈련된 탐지기는 다음 세대에서 재현율을 잃습니다(교육에서 AI에 관한 연구 문헌에서 주목할 만한 격차는 무엇입니까?, AI 탐지).

상호작용과 결과 사이의 상관을 기제로 다루지 마십시오. 프롬프트 양은 인지적 오프로딩을 측정하지 않습니다. 양으로 묶은 군집은 인지적 작업의 분포에서 다르지 않았고, 손으로 코딩한 대화는 125개 중 49.6%에서 오프로딩을 전혀 찾지 못했습니다(Piatnitckaia 등, 2026, 인지 부하 외주화). 작업 자체를 측정하십시오.

연구 전에 쓸 수 있었던 한계 문단을 출판하지 마십시오. 구체적인 위협, 구체적인 수치, 그리고 그것이 경계 짓는 주장을 밝히십시오. 그것이 한계를 다음 독자가 활용할 수 있게 만듭니다(AIEd 연구의 해석과 적용).

이것들이 함께 속하는 이유

위의 모든 항목은 대리 지표가 판정으로 승격된 사례입니다. 에세이가 필자를 대표하고, 점수가 위반을 대표하고, 미소가 공감을 대표하고, 시연이 학습을 대표합니다. 교정은 언제나 같습니다. 구성 개념을 명명하고, 반대 방향으로 나올 수 있는 측정치를 찾고, 그것을 편리한 측정치와 함께 수집하십시오.

이 주의 사항들은 도구가 항상 틀렸다는 목록이 아닙니다. 탐지기는 학생과 대화할 이유가 될 수 있습니다. 챗봇은 유용한 연습이 될 수 있습니다. 대시보드는 질문을 던질 계기가 될 수 있습니다. 해악은 대체에 있습니다.

이번 주에 할 일

• 채점되는 과제 하나를 골라 도구를 닫았을 때 무엇을 보여 줄지 적으십시오. 답이 "다르지 않다"라면, 문제는 그 과제입니다.
• 지금은 보조를 받은 수행만 보고하는 과목에 도움 없는 측정치를 하나 더하십시오.
• 기관의 감독 또는 AI 도구 계약에서 보관, 이차 사용, 유출 조항을 읽고, 동의 문구가 시스템이 실제로 수집하는 것을 기술하는지 확인하십시오.
• 벤더에게 도움 없는 결과와 하위 집단 결과를 요청하십시오. 답이 시연이라면, 답을 얻은 것입니다.
• 다음 교수진 세션에서는 후반부를 프롬프트가 아니라 평가 재설계에 쓰십시오.

다음에 볼 곳

• 교육에서 AI에 관한 흔한 오개념을 어떻게 바로잡을 수 있습니까?: 이 실천들 뒤에 있는 신념, 그리고 훈계조 없이 그것을 교정하는 방법.
• AIEd 연구의 한계: 근거 기반이 아직 뒷받침할 수 없는 것.
• AI 오용의 감소: 오용에 대한 구조적 지렛대, 그리고 그것이 호소를 이기는 이유.
• 교수법적 안전: 모든 콘텐츠 점검을 통과하면서도 튜터가 학습자에게 할 수 있는 것.
• AI 탐지기를 사용해야 할까요?: 탐지기 근거의 전모.
• 교육 AI가 올바르게 작동하고 있는지를, 점수만 잘 받는 것이 아니라, 어떻게 알 수 있을까요?: 도입 전에 주장을 평가하는 방법.