AI의 맥락에서 글쓰기 지도를 위한 모범 사례는 무엇인가?

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

이 FAQ는 강좌별로, 과제별로 학생의 글쓰기에서 AI가 무엇을 하도록 허용되어야 하는지를 결정해야 하는 교수들을 위해 쓰였습니다. 그것은 특히 글쓰기 교육에서의 AI, 인지적 외주화, AI 피드백의 질, 피드백 리터러시, 그리고 학문적 진실성의 종합에 기대어 교육에서의 AI 지식베이스를 활용합니다.

연구는 하나의 일관된 원칙을 가리킵니다.

AI를 피드백, 성찰, 비평, 그리고 개정을 늘리는 데 사용하십시오 — 글쓰기가 기르도록 의도된 지적 작업을 제거하는 데 쓰지 말고.

그 원칙이 중요한 이유는 글쓰기가 다듬어진 텍스트의 생산이 아니라 인지적이고 수사적이며 사회적인 과정이기 때문입니다. AI는 여러분의 과제가 가르치도록 존재하는 추론, 저자권, 출처 평가, 그리고 개정의 과정을 약화시키면서 산출물을 개선할 수 있습니다. 아래의 모든 것은 그 구분을 적용하는 한 가지 방법입니다.

교수들을 위한 여덟 가지 연구 기반 실천

1. 학생들이 어떤 지적 작업을 유지해야 하는지를 먼저 결정한 뒤, AI의 경계를 설정하십시오. AI가 "허용되는지"를 결정하기 전에 과제가 기르거나 평가하는 구성개념을 지명하십시오. 목표가 논증이라면, 학생들은 주장을 공식화하고 방어해야 합니다. 그것이 학문적 해석이라면, 해석적 판단을 내려야 합니다. 그것이 과학적 추론이라면, 증거를 결론에 연결해야 합니다. 그 작업을 대체하는 AI 사용은 결과로 얻은 산문이 탁월할 때조차 과제의 타당도를 훼손합니다 — 산출물이 더 이상 여러분이 그것으로부터 끌어내고 싶은 추론을 보증하지 않기 때문입니다. 이것이 글쓰기 교육과 학문적 진실성의 중심 논리이며, 과제 수준의 규칙이 강좌 수준의 금지를 이기는 이유입니다.

Nash와 Burriss는 그 경계를 잘 그리기가 얼마나 어려운지를 보여 줍니다. 27명의 예비 영어 교사들의 교실 AI 정책에 걸쳐, 22명이 아이디어 구상과 브레인스토밍에 AI를 허용했고, 22명이 문장, 단락, 또는 논문을 구성하는 데의 AI 사용을 금지하거나 불명확하게 남겨 두었으며, 22명은 읽기에 관해 전혀 아무것도 말하지 않았습니다. 저자들이 드러내는 모순은 교훈적입니다. 같은 교사들이 아이디어 구상과 개정을 "사고"라고 부르면서도 진짜 사고를 최종 서면 텍스트에만 위치시켰습니다. 사고가 기획, 초안 작성, 개정, 평가에 걸쳐 분산되어 있다면 — 그 논문이 기대는 작문 연구가 주장하는 대로 — 최종 산출물만을 지키는 정책은 잘못된 단계를 지키는 것이며, 읽기는 쓰기와 같은 명시적 대우를 받을 자격이 있습니다.

2. "AI가 쓰고 학생이 고친다"보다 "학생이 생각하고 AI가 응답한다"를 선호하십시오. 이것이 증거 기반에서 가장 실행 가능한 원칙입니다. Chen의 층 민감 연구는 6개의 온전한 학급에 걸친 168명의 학부생에게 표면, 구조, 아이디어, 그리고 추론의 외주화를 구분했습니다. 개방적 AI 협력은 가장 강한 AI 지원 글쓰기를 생산했지만 가장 약한 이후의 독립적 수행을 생산했으며, 추론의 위탁이 독립적 고차원적 사고와 가장 강하게 부적으로 연관되었습니다. 위탁을 제한하고 학생들이 AI 제안을 어떻게 수용하고, 수정하고, 거부했는지를 설명하도록 요구한 제한된 조건이 독립적 글쓰기, 논증의 깊이, 그리고 개정에서 더 잘했습니다. 그 연구는 6개의 온전한 학급만을 가진 준실험이므로, 인과 주장을 조심스럽게 다루십시오 — 그러나 그 패턴은 더 넓은 외주화 문헌과 일치합니다.

실천적 규칙이 따라 나옵니다. 학생들이 AI에게 비평하거나 발전시키도록 요구하기 전에 자신의 해석, 가설, 논증, 또는 분석을 세우도록 요구하십시오. AI에게 "여기 내 논증에 대한 세 가지 반론이 있다"고 물을 수 있습니다. "내 논증을 대신 써 달라"고는 좀처럼 물어서는 안 됩니다.

3. AI가 생성한 첫 초안에 관해 특히 조심스럽게 하십시오. 253명의 작가를 대상으로 한 연구에서 어떤 AI 도움도 인식된 소유권을 줄였지만, 초안 작성 도움이 그것을 가장 많이 줄이고 기획 도웘이 그것을 가장 적게 줄였습니다. 더 많은 AI 기여 텍스트와 아이디어가 더 나은 에세이 질과 함께 갔지만 소유권은 더 낮았습니다(기획에서 개정으로의 소유권 연구). 트레이드오프는 실재합니다. 여러분은 같은 제출물에서 더 나은 에세이와 더 약한 저자권 감각을 얻을 수 있습니다. 여러분의 강좌에서 저자권을 보존하는 것이 중요하다면, 기획을 촉구하는 AI를 단락을 생성하는 AI로부터 분리하십시오 — 첫째는 거의 어디에서나 방어 가능하고, 둘째는 구성이 목표 기술일 때 좀처럼 그렇지 않습니다.

4. AI를 한 명의 피드백 파트너로 사용하고, 인간 피드백을 시스템 안에 유지하십시오. 여기 가장 강한 교실 증거는 10개의 글쓰기 강좌와 3개의 글쓰기 집중형 STEM 강좌에 걸친 654명의 학생을 포함하는 PAIRR입니다. 학생들은 초안을 작성하고, 동료 평가를 완료하고, 루브릭 기반 AI 피드백을 얻고, 두 출처를 비교하고 평가하고, 개정 계획을 세우고, 개정하고, 성찰했습니다. 58%가 AI 피드백 단독을 선호한 6%에 대조하여 결합된 동료 + AI 피드백을 선호했습니다. 학생들은 AI가 광범위한 루브릭 지향적 개정 조언에 유용하다는 것을 발견한 반면 동료들은 맥락적 지식과 진정한 독자 응답을 제공했습니다. 이것이 보여 주는 것에 관해 정확하십시오. PAIRR은 장기적 학습 성과가 아니라 피드백에 관한 학생들의 경험과 평가를 측정했으므로, 그것은 피드백 설계에 대한 강한 증거이며 글쓰기의 지속적인 개선에 대한 약한 증거입니다.

5. 학생들에게 피드백을 요청하는 것뿐만 아니라 평가하도록 가르치십시오. 좋은 피드백에의 접근은 충분하지 않습니다. 학생들은 피드백 리터러시가 필요합니다. 피드백을 구하고, 그것의 질을 판단하고, 그것에 대한 자신의 반응을 관리하며, 그것을 개정으로 바꾸는 능력. 더 높은 피드백 리터러시를 가진 학생들은 AI 피드백으로부터 훨씬 더 큰 이익을 얻는 반면, 그것을 권위적으로 다루는 학생들은 더 적게 얻습니다(AI 피드백의 질). 유용한 과제 구성요소는 짧은 피드백 결정 표입니다 — AI 제안 → 수용 / 거부 / 수정 → 이유 → 결정을 뒷받침하는 루브릭 기준 또는 증거. 그것은 AI 출력을 판단의 자료로 전환하며 복종할 지시로 전환하지 않고, 산문 자체가 아닌 등급 매길 만한 무언가를 여러분에게 제공합니다.

6. 어떤 글쓰기와 추론을 독립적으로 관찰 가능하게 유지하십시오. AI 지원 수행은 독립적 역량이 아닙니다. 때때로 철회 조건을 유지하십시오. 짧은 AI 없는 글쓰기, 교실 안에서의 해석, 구두 설명, 상담, 자발적 개정, 또는 같은 추론을 새로운 경우로 전이하도록 요구하는 후속 문제. 이것은 최종 논문이 상당한 성적 가중치를 지닐 때 가장 중요합니다. 그것은 모든 과제를 감독된 시험으로 전환하는 것을 의미하지 않습니다 — 전략적으로 배치된 몇 개의 독립 표본은 여러분과 학생 모두에게 보조된 작업을 해석할 기준선을 제공합니다(인지적 외주화; Chen의 연구). 이것이 평가를 어떻게 재설계하면 성적이 학생이 알고 있거나 할 수 있는 것에 대해 여전히 방어 가능한 무언가를 말해 줄 수 있습니까?에 있는 일반적 평가 재설계 논증의 글쓰기 특정 사례입니다.

7. 공개를 덫이 아니라 성찰로 사용하십시오. 공개는 중립적이지 않습니다. 정책이 모호하거나, 처벌적이거나, 낙인을 찍을 때 학생들은 AI 사용을 은폐하며, 정직함이 심지어 의심을 끌 수 있습니다. 공개는 의사 결정을 가시적으로 만들 때 교수법적으로 작동합니다 — AI가 무엇을 위해 사용되었고, 그것에 무엇이 제공되었으며, 어떤 제안들이 중요했으며, 학생이 궁극적으로 무엇을 수용하거나 거부했는지(AI 사용 및 공개 진술; 학생 합리화 연구). 과제 특정 지침이 일률적인 "AI 허용" 또는 "AI 금지" 규칙보다 나은데, 올바른 경계가 브레인스토밍, 논증 전개, 문장 교정, 출처 작업, 그리고 최종 구성 사이에서 다르기 때문입니다. 공개가 채점에 어떤 영향을 미칠지를 진술하거나, 학생들은 최악을 가정할 것입니다.

Mohamed와 Temimi의 평가 설계 모형화가 메커니즘을 제공합니다. 공개는 정직함의 대가가 낮게 유지될 때만 매력적인 선택이 되며, 탐지기의 위양성이 정직한 학생들에게도 떨어지기 때문에 더 무거운 감시는 은폐를 상대적으로 더 매력적으로 만들 수 있습니다. 그들의 조언은 숨기려는 유혹이 가장 강한 학생을 위해 설계하고, 선언된 사용을 자백이 아니라 맥락으로 읽는 것입니다.

8. 일반적인 대규모 언어 모델(LLM) 판단을 여러분의 판단의 대용물로 다루지 마십시오, 특히 총괄 평가에서. 표면적으로 상충하는 두 결과는 양립 가능합니다. 상세한 루브릭과 예를 가진 세심하게 조정된 시스템은 특정 과제를 잘 점수화할 수 있는 반면, 즉시 사용 가능한 LLM 채점은 인간의 판단과 실질적으로 발산합니다. Mathew 외는 에세이 질에 체계적으로 달라지는 약한 인간–LLM 일치를 발견했습니다 — LLM은 짧고 표면적으로 읽히는 에세이에 과도한 보상을 주고 사소한 표면 오류를 가진 더 길고 강한 에세이에는 과소 보상을 주며, 척도의 중간 쪽으로 군집합니다. 따라서 AI는 저위험 형성적 피드백, 주석 초안 작성, 또는 분류를 위해서는 자율적 최종 채점자로서보다 정당화하기가 훨씬 쉽습니다(자동 에세이 채점).

학생들은 이 선의 자신들만의 버전을 그립니다. ChatGPT가 손으로 쓴 글쓰기를 채점하고 학생들에게 그렇게 알려진 학부 기술 의사소통 강좌에서, 13명의 참가자 모두가 피드백이 표면 수준의 개정에 명확하고 유용하다는 것을 발견했지만, 대다수는 피드백의 유용성과 평가적 권위를 분리했습니다 — 비평은 받아들이면서도 교수가 성적을 결정해야 한다고 주장했습니다(Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). 그 두 판단 패턴은 AI 출력이 성적이 되는 지점에 인간의 감독을 선택적 예의가 아니라 설계할 것을 주장합니다.

여러분이 채택하거나 개작할 수 있는 기본 작업 흐름

견고한 AI 시대 글쓰기 순서는 추론을 학생에게 두고 AI를 자문 역할에 놓습니다.

단계	학생의 책임	적절한 AI 역할	여러분이 수집할 수 있는 것
1. 증거를 마주하다	읽고, 관찰하고, 주석 달고, 계산하고, 실험을 실행한다	대개 없음, 또는 명확화만	노트, 주석, 관찰
2. 초기 입장을 형성하다	해석, 질문, 가설, 주장을 생성한다	질문하거나 가정에 이의를 제기할 수 있다	주장 또는 가설 메모
3. 계획하다	증거, 순서, 독자, 장르를 결정한다	개요를 비평하거나 대안을 제안할 수 있다. 학생이 결정한다	개요 + 근거
4. 초안 작성하다	실질적인 산문과 추론을 생산한다	학습 목표에 따라 제한된다	초안과 버전 이력
5. 인간 응답	동료 또는 교수의 피드백을 주고받는다	필요 없음	동료 의견
6. AI 피드백	기준 참조적 비평을 요구한다	비평가, 독자, 반론 생성자, 명확성 검사기	AI 피드백 대화록
7. 피드백을 평가하다	동료, 교수, AI 제안을 비교한다. 이유와 함께 수용하거나 거부한다	AI 출력이 평가의 대상이 된다	피드백 결정 메모
8. 개정하다	실질적인 변화를 만들고 정당화한다	명확성을 시험하고, 대안을 제안한다	개정
9. 검증하다	모든 사실적이거나 출처 의존적인 주장을 확인한다	AI는 자신의 출력을 검증할 수 없다	출처와 증거
10. 성찰하고 공개하다	AI의 역할과 그들의 사고에서 무엇이 바뀌었는지를 설명한다	없음	짧은 과정 성찰
11. 필요할 때 독립적 확인	AI 없이 추론을 설명하거나 적용한다	없음	구두 변론, 빠른 쓰기, 새로운 경우

이것은 본질적으로 PAIRR의 확장입니다. 초안 → 인간 피드백 → AI 피드백 → 비판적 비교 → 개정 → 성찰, 독립적 기준선과 추론 주변의 더 명확한 경계와 함께.

분야별 지도

작문 및 글쓰기 강좌

작문 교수들은 글쓰기 과정 자체를 보호할 가장 강한 이유를 가집니다. 왜냐하면 초안 작성, 수사적 의사 결정, 개정, 독자 인식, 그리고 목소리의 발달은 학습을 전시하는 방식일 뿐만 아니라 그것들 자체가 학습 목표이기 때문입니다. AI 사용을 이분법이 아니라 점진적으로 가르치십시오. 학기 초에 여러 개의 독립 표본을 수집하여 여러분과 학생 모두가 작가가 현재 무엇을 할 수 있는지 알게 하십시오. 그다음 AI를 주로 독자, 비평가, 그리고 개정 파트너로 도입하십시오. 그것에게 독자가 실마리를 놓치는 곳을 식별하고, 논제에 대한 반론을 생성하고, 초안을 루브릭에 대조하여 비교하고, 뒷받침되지 않는 주장을 표시하고, 한 단락이 왜 비정합적으로 느껴지는지를 설명하도록 요구하십시오. 학생들은 그 제안들을 스스로 판단합니다.

AI 피드백이 있을 때도 동료 검토를 유지하십시오. 동료들은 AI가 갖지 못한 맥락적이고 독자에 관한 지식을 제공하며, 둘의 차이를 평가하는 것이 그 자체로 작가적 훈련입니다. 구성하는 법을 배우는 것이 목표일 때 AI가 첫 초안의 긴 부분을 생성하는 것에 관해 보수적이십시오. 위의 소유권과 외주화 증거가 둘 다 그렇게 지시합니다. 동시에 문법, 표현, 또는 언어 지원에 대한 일률적인 금지를 피하십시오 — 그것들은 다언어 작가들에게 불필요한 장벽을 만듭니다. 더 나은 수단은 언어 지원을 지적 저자권으로부터 분리하는 것입니다. 학생들은 표현에 관한 도움을 받을 수 있으면서 아이디어, 증거, 수사적 결정, 그리고 의미에 대해 책임을 집니다. AI 피드백이 언어 중립적이 아님을 알아 두십시오. Tan 외는 학생의 인구 통계학적 또는 교육적 속성이 프롬프트에 포함될 때 동일한 글쓰기가 더 많은 칭찬과 덜 실질적인 비평을 받는다는 것을 발견했으므로, 편향 감사가 여러분의 피드백 설계에 속합니다.

인문학과 사회 과학 강좌

해석이 여기서 목표 능력인 경우가 자주 많으므로, 출처 마주침이 AI 마주침에 앞서게 하십시오. 학생들은 AI를 참고하기 전에 일차 텍스트, 역사적 출처, 예술 작품, 기록 보관 항목, 인터뷰, 또는 이론적 구절에 주석을 달고 초기 해석을 공식화해야 합니다. 그 후 AI는 대비책으로서 교육적으로 유용해집니다. "대안적 독법을 제시하라", "내 해석에 이의를 제기할 증거는 무엇인가?", "내 논증은 어떤 가정을 하는가?", "대조적인 이론적 관점에서 해석을 생성하라." 학생은 실제 텍스트가 어떤 독법을 보증하는지를 결정합니다.

과제들은 또한 AI가 스스로를 비평하게 함으로써 학문적 학습의 일부로 만들 수 있습니다. 학생들에게 시, 사건, 논증, 또는 사회 현상에 대한 AI 해석을 주고 그것이 무엇을 알아차리고, 무엇을 놓치며, 어떤 증거가 그것의 주장을 뒷받침하고, 누구의 관점이 결여되어 있으며, 어디서 모호함을 매끄러운 답으로 붕괴하는지를 물으십시오. 그것은 LLM을 신탁으로 다루지 않고 인문학이 가르치는 해석적 판단을 보존합니다. 해석적 결정과 증거적 정당화를 다듬음이 아니라 평가하십시오 — "여러분이 왜 이 구절을 여러분이 거부한 대안이 아니라 이렇게 읽었는가?"와 같은 짧은 상담 질문은 한 문장이 "AI가 생성한 것처럼 보이는지"를 추측하는 것보다 이해의 훨씬 더 강한 증거입니다(AI 탐지).

STEM 강좌와 실험 보고서

먼저 한 가지 자격: 지식베이스는 AI 지원 학술 글쓰기 일반에 관해 실험 보고서 글쓰기 특정의 AI보다 훨씬 더 강한 증거를 보유합니다. 실습과 실험 교수법과 교수 전략는 공학 교육 문헌 안에서도 여전히 충분히 다뤄지지 않습니다. 아래의 지도는 실험 보고서에 관한 큰 문헌의 결론이 아니라 글쓰기, 외주화, 타당도, 그리고 공학 증거의 이성적 적용입니다.

AI의 경계를 산문 전체가 아니라 과학적 추론 주위에 그리십시오. 학생들은 관찰, 원자료, 계산, 불확실성, 그림, 분석 선택, 결과, 그리고 주장–증거 추론에 대해 책임을 집니다. 그것들이 존재하면, AI는 조직화, 가독성, 연결, 그리고 학문적 관습을 돕는 것이 합리적으로 가능합니다 — 위와 같은 표면 대 추론 구분(Chen의 연구).

따라서 강력한 AI 시대 실험 보고서 묶음은 보고서 더하기 선택된 원자료, 계산 또는 노트북 출력, 학생이 쓴 해석이 있는 그림, 그리고 중심 결론이 증거로부터 어떻게 따라 나오는지에 관한 짧은 진술을 포함합니다. 고위험 보고서를 위해 그래프, 비정상적인 결과, 방법론적 선택, 또는 한계에 관한 개별화된 후속 질문 하나나 둘을 요구하십시오. 글쓰기 유창함이 개념적 이해의 대용물이 되게 하지 마십시오. 지식베이스는 언어적 표현이 더 약할 때 자동화된 물리학 채점이 개념적 이해를 과소평가할 수 있으며, 이것이 다언어 학생들에게 가장 강하게 떨어진다고 보고합니다(자동 에세이 채점). 과학적 추론과 과학적 글쓰기가 둘 다 목표라면, 그것들을 별도로 점수화하십시오.

공학 강좌들은 전문적 책임을 더합니다. 99개의 실증 공학 교육 연구에 대한 검토는 투명성, 인간의 감독, 학생의 독립성, 프라이버시, 저자권, 공정성, 그리고 선행을 반복적으로 드러나는 윤리적 우려로 확인했으며, AI 윤리가 규칙 준수만이 아니라 전문적 형성에 속한다고 주장했습니다. 실험 또는 설계 보고서에서 학생들에게 AI 도움을 공개할 뿐만 아니라 계산, 출처, 가정, 그리고 안전 관련 주장을 검증했음을 인증하도록 요구하십시오.

그만둘 것

• 과정을 무시한 채 다듬어진 산문을 요구하는 것. 그것은 산출물을 학습의 증거로서 점점 더 해석하기 어렵게 만듭니다.
• AI 탐지기에 기대는 것. 탐지는 학습이나 평가 타당도가 아니라 탐지를 다루며, 그것의 증거 기록은 빈약합니다. 비공개 현장 연구에서 AI가 생성한 시험 제출물의 94%가 탐지되지 않고 실제 학생들보다 높은 점수를 받았으며, 통제 연구는 탐지기가 지침을 준수한 가벼운 AI 교열을 38–80% 지목하면서도 휴머나이저된 재작성의 96% 이상을 놓쳤다는 것을 발견했습니다(Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI; Why AI Detection Fails for Academic Integrity).
• 피드백 평가를 가르지 않고 무제한 AI 접근을 제공하는 것. 그것은 많은 학생들이 아직 기르지 못한 피드백 리터러시를 가정합니다.
• 동료 및 교수 상호작용을 AI 피드백으로 대체하는 것. 그것은 학생들이 일관되게 가치를 둔다고 보고하는 맥락적이고 관계적인 정보를 제거합니다.
• "AI 허용"이라고 쓰고 거기에 남겨 두는 것. 학생들은 그것이 맞춤법 검사에서 중심 논증의 생성에 이르는 모든 것을 포괄하는 것으로 합리적으로 읽습니다. 과제 수준의 기대가 더 명확하고 공개를 추측 게임으로 덜 만듭니다(AI 사용 및 공개 진술).

AI가 무엇을 할 수 있는지를 결정하기 위한 빠른 규칙

각 과제에 대해 세 가지 질문을 하십시오.

질문	답이 예라면
이 인지 활동이 그 자체로 학습 목표인가?	실질적인 책임을 학생에게 두십시오.
학생들이 이 능력을 나중에 독립적으로 수행해야 하는가?	독립적 연습과 어떤 AI 없는 평가를 더하십시오.
AI가 그것을 학생들을 위해 수행하지 않고 이 능력을 평가하고, 연습하고, 개정하도록 도울 수 있는가?	대개 AI 통합을 위한 가장 강한 사례입니다.

적용: 목표가 논증이라면, AI는 논증에 이의를 제기할 수 있지만 하나를 일상적으로 제공해서는 안 됩니다. 목표가 역사적 해석이라면, AI는 학생이 비평하는 경쟁하는 독법을 제공할 수 있습니다. 목표가 실험 보고서 의사소통이라면, AI는 학생이 분석과 추론을 한 뒤에 산문을 개선할 수 있습니다. 이것이 실천에서 대체물이 아니라 코치 경계입니다.

증거는 얼마나 강한가?

유망하지만, 단일한 보편적 AI 글쓰기 정책을 정당화하기에는 아직 충분히 강하지 않습니다. 최선의 증거의 일부는 654명의 학생을 가진 PAIRR과 같은 실질적인 진정한 교실 연구들에서 나옵니다. 다른 발견들은 준실험, 작은 실험 표본, 개념적 분석, 그리고 떠오르는 2025–2026년 작업에 놓여 있습니다. Chen의 제한된 글쓰기 연구는 6개의 온전한 학급뿐인 168명의 학생을 포함했습니다. 소유권 연구는 짧은 실험적 글쓰기 과제를 사용했습니다. 그리고 ChatGPT 연습 후의 즉각적 질 향상을 보고한 연구는 21명의 1학년 국제 학생만을 포함했으며 장기적 전이를 확립하지 않았습니다(Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership).

합의를 확립된 처방이 아니라 설계 원칙으로 다루십시오. 가장 신뢰할 만한 연구 간 발견은 학생의 주체성, 평가적 판단, 독립적 역량, 학문적 추론, 그리고 인간 피드백을 보존하는 동시에 AI를 비평, 연습, 개정 지원, 그리고 언어 지원의 이용 가능성을 넓히는 데 사용하는 것입니다.

강의계획서나 교수 워크숍을 위한 간략한 버전: 학생들이 먼저 지적 작업을 합니다. AI는 주로 질문하고, 비평하고, 설명하고, 개정을 지원합니다. 학생들은 그것의 출력을 단순히 실행하지 않고 평가합니다. 그리고 평가는 학생이 실제로 할 수 있는 것을 보여 주는 충분한 과정 또는 독립적 증거를 포함합니다.