이 페이지의 목차

AIEd 연구 주간 업데이트 #22026년 10월 31일

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

AI 교육 지식 기반에서 보내는 주간 브리핑으로, 지난 한 주에 발표된 연구가 강사, 개발자, 연구자, 관리자에게 무엇을 의미하는지 다룹니다.

지난 호 이후 121편의 새 연구, 4개의 새 자료, 5개의 새 FAQ, 그리고 개방형 교육과 통계 및 데이터 과학 교육에 관한 두 개의 새 개념 페이지가 지식 기반에 합류했습니다. 지식 기반은 이제 1,926개의 논문 요약, 222개의 개념 페이지, 42개의 FAQ, 37개의 자료를 보유합니다. 저널 페이지는 지난 한 주에 추가된 모든 연구를 나열합니다. 지식 기반을 검색하거나 AI를 사용해 대화할 수도 있습니다.

이번 주 주요 내용과 질문

이번 주 결과의 대부분은 답 주변에서 일어나는 일, 그리고 답이 너무 빨리 또는 너무 확신 있게 도착할 때 무엇을 바꿀지에 관한 것입니다. 두 실험이 서로 다른 방에서 같은 메커니즘을 분리해 냈습니다.

317명의 성인을 대상으로 한 사전 등록 시험에서 같은 심층 처리 과제를 워크시트로 주거나 개방형 채팅 창으로 주었더니, 채팅 창 조건은 과제 비조직화를 0.84 표준편차 높였고 모델의 어떤 매개자도 그것을 설명하지 못했습니다. 따라서 해법은 더 많은 콘텐츠 지원이 아니라 순서와 중지에 관한 구조입니다. 포럼 연구에서는 AI 조교가 학생이 시작한 스레드의 97%에서 먼저 답했고, 중앙값 0.92분으로 동료의 490분과 대비되었으며, 스레드의 자기조절 언어는 49%에서 36%로 떨어졌습니다. 이는 조교를 없애기보다 첫 응답을 지연시키라는 뜻입니다.

몇 시간을 아껴 주는 수업 보조 도구가 수업도 더 낫게 만드는가? 무작위 시험에 참여한 교사 204명. 절약된 시간은 실제이고, 더 나은 자료는 아닙니다.
발표된 효과 크기가 0.86이라면, 자신의 강좌에서 그것을 계획해야 하는가? 58편의 연구를 통합한 메타분석으로, 편향 보정을 적용하면 크기의 3분의 2가 사라집니다.
이미 운영 중인 과제에 AI를 덧붙이는 것이 수고할 가치가 있는가? 같은 강좌의 두 분반, 학생 113명, 배웠다고 보고한 내용에는 차이가 없었습니다.
학생들이 사용할 어시스턴트를 어떻게 고르는가? 학생이 틀렸다고 우길 때 어떻게 하는지 물어보십시오. 13개 모델이 올바른 작업을 확인한 비율은 46.5%에서 98.5%까지였습니다.
학생들에게 챗봇이 자신의 감정에 신경 쓴다고 말해도 안전한가? 세 실험과 한 설문. AI를 공감적이라고 틀 지으면 책임이 사람에게서 멀어졌습니다.
강좌의 챗봇은 제3자에게 무엇을 보내는가? 42개 플랫폼(그중 17개는 교육 에이전트)의 네트워크 캡처. 절반이 대화 제목을 추적기로 보냈습니다.
어시스턴트가 먼저 답할 때, 누가 여전히 사고하고 있는가? 코딩된 포럼 문장 28,123개. 동료 답장이 자기조절의 대부분을 담당했는데, 그 답장이 오지 않게 되었습니다.

새로운 FAQ

이번 주에 5개의 새 답변이 올라갔고, 각각은 주제가 아니라 동료가 실제로 묻는 질문을 위해 쓰였습니다. FAQ 색인은 또한 완수하려는 과제에 따라 아홉 개 구역으로 재편되었으므로, 분야가 그것을 무엇이라고 부르는지 몰라도 가지고 온 질문을 찾을 수 있습니다.

AI로 학생 작업을 공정하고 신뢰성 있게 채점할 수 있는가?

채점 답변은 AI에게 이미 채점한 작업을 감독하는 두 번째 채점자라는 자리를 주고, 공식 채점자로 삼지는 않습니다. 일치도는 평가 유형을 넘어 이어지지 않으며, 가장 강해 보였던 검증은 정답지를 손에 들고 실행된 것이므로, 가려 놓고 채점할 때 하는 시험과는 다릅니다.

AI가 생성한 퀴즈와 시험 문항이 좋은지 어떻게 확인하는가?

문항 품질 답변은 모든 문항을 직접 풀어 본 뒤, 그 문항이 학생에게 무엇을 요구하는지 묻는 것으로 시작합니다. 정답지와 과제 요구 수준이 문구보다 더 자주 실패하기 때문입니다. 아무도 답해 보지 않은 생성 문항은 평가가 아니라 후보입니다.

목소리를 지우지 않으면서 AI가 다국어 학습자를 지원할 수 있는가?

다국어 답변은 도구가 무엇을 해도 되는지 정하기 전에 과제에서 언어가 무엇을 하는지 먼저 정하라고 요청합니다. 언어가 부수적일 때 AI는 자신의 구성 개념과 무관한 장벽을 없앨 수 있지만, 언어가 구성 그 자체일 때 같은 도구는 학생 대신 과제를 해 버립니다.

AI가 일상적인 직업에서 학생들이 무엇을 배워야 하는가?

진로 답변은 직업 과제 전체를 가르치고, 지원을 받은 산출물과 학생이 혼자 할 수 있는 것을 모두 평가하라고 말합니다. 증거는 학문적 지식에 더해 판단, 검증, 전이를 지지하며, 도구 기술 목록은 지지하지 않습니다.

개인화 학습은 실제로 무엇을 뜻하며, 언제 도움이 되는가?

개인화 답변은 같은 이름표를 받는 다섯 가지를 구분합니다. 연습 순서를 바꾸는 것부터 학생이 다음에 무엇을 공부할지 고르게 하는 것까지입니다. 중요한 것은 무엇이 적응되는지, 어떤 증거가 그것을 이끄는지, 그리고 의도한 학습을 실제로 개선하는지입니다. 익숙한 예시나 반응적인 대화는 그것을 하지 않고도 하는 것처럼 느껴질 수 있습니다.

주목할 개념

다섯 개의 개념 페이지가 이번 주 발견을 흡수했고, 그중 두 개는 새로 만들어졌습니다. 각각은 일회성이 아니라 상설 페이지이므로, 새 증거가 페이지가 이미 주장해 온 것과 나란히 놓입니다.

개방형 교육

이 페이지는 새로 만들어졌으며, 생성형 AI가 공개 라이선스 교수 자료에 무엇을 하는지에 관한 13편의 연구가 한꺼번에 도착해서 쓰였습니다. 그 주장은 모델이 아니라 라이선스가 검토해야 할 대상이라는 것입니다. 아래의 두 새 자료는 모두 기관이 누가 무엇을 저술했는지 기록할 수 있는 속도보다 빠르게 AI로 개방형 콘텐츠를 적응시키고 있음을 보여 줍니다. OER 정책에 AI 조항을 쓰기 전에 개방형 교육 페이지를 읽으십시오.

인지 부하 외주화

이제 도구가 무엇을 덜어 주는지와 학생이 그것을 얼마나 사용했는지를 구분하며, 이것이 외주화 사다리가 그리는 구분이고 공감 실험이 대부분의 사람이 찾아보지 않을 곳에서 보여 주는 구분입니다. 인지 부하 외주화 페이지는 0.84 표준편차 결과도 담고 있는데, 그것이 이 페이지가 가진 가장 깨끗한 인과 증거이기 때문입니다.

평가적 판단

새 증거는 판정자에게 무엇을 요구하는지에 관한 것입니다. 채점 방법은 재실행 안정성을 2.9%에서 15.9%로 움직였고, 13개 모델은 학생의 압박에 굴복했으며 그 비율은 46.5%에서 98.5%까지였습니다. 평가적 판단 페이지는 이제 잘못된 교정에 대한 저항을 정답을 맞히는 것과 별개의 역량으로 다룹니다.

AI 리터러시

두 결과가 구성 개념을 좁혔습니다. 비판적 사고는 학생이 인지 노동을 어떻게 나누고 재작업했는지를 통해 작동했고, 도구에 대한 친숙도를 통해서가 아니었습니다. 또한 16편의 핵심 논문으로 만든 루브릭은 자신이 기른다고 주장하는 역량을 명시한 자료가 얼마나 적은지 보여 주었습니다. AI 리터러시 페이지는 둘을 모두 유지하는데, 리터러시 시험과 리터러시 자료는 서로 다른 것을 측정하기 때문입니다.

다른 새 페이지는 통계 및 데이터 과학 교육이며, 첫 번째 주장은 이 분야의 AI 질문이 산출물에 달려 있다는 것입니다. 데이터셋, 차트, 코드가 이제 누구도 검증할 수 있는 속도보다 빠르게 생성될 수 있기 때문입니다.

강사를 위한 내용

개방형 채팅 창에는 더 많은 콘텐츠 지원이 아니라 중지 규칙이 필요하다

심층 처리 과제를 개방형 채팅 창과 짝지으면 학생은 과제 자체에 대한 장악력을 잃고, 해법은 더 많은 설명이 아니라 순서와 중지에 관한 스캐폴딩입니다. 성인 317명을 대상으로 한 사전 등록 실험에서 채팅 조건은 비조직화를 0.84 표준편차 높였고(신뢰구간 0.47~1.21), 직접 효과는 0.77이었는데 모델의 어떤 매개자도 그것을 설명하지 못했습니다. 심층 처리는 어느 방향으로도 움직이지 않았습니다(중앙값 -0.22, 구간이 0을 가로지름).

1분 이내의 첫 답장은 추론을 하던 동료들을 사라지게 한다

토론 포럼에서 조교의 첫 답장을 지연시키거나 제한하십시오. 소리 내어 추론하던 동료들이 바로 글을 멈추는 사람들이기 때문입니다. 네 개의 대학원 강좌와 코딩된 문장 28,123개에서 AI 조교는 학생이 시작한 스레드의 97%에서 먼저 답했고, 중앙값 0.92분으로 동료의 490분과 대비되었습니다. 자기조절 언어는 49%에서 36%로 떨어졌고, 동료 답장은 후속 응답의 91%에서 45%로 줄었습니다. 동료 답장이 그 조절의 약 70%를 담당한 반면, 스레드를 연 학생은 27%를 담당했습니다. 포럼의 자기조절 학습은 답이 아니라 답장에 의해 생산됩니다.

프롬프트 교육은 교사의 시간을 벌어 줄 뿐 더 나은 자료를 주지는 않는다

교사 AI 역량 작업을 업무량 개입으로 예산에 넣고, 교사가 만드는 것의 품질을 높일 것이라고 기대하지 마십시오. 교사 204명을 대상으로 한 무작위 시험에서 프롬프트 작성 교육은 일반 ChatGPT 접근에 더해 준비 시간을 21% 절약했지만, 평가된 자료 품질에는 이득이 없었습니다. 교육받은 교사들이 더 긴 프롬프트를 썼고 개선 반복이 덜 필요했기 때문입니다.

수업 보조 도구는 적은 양의 수업에서 시간을 절약한다

돌려주는 시간을 위해 시험해 보되, 아직 만들어 내는 수업을 위해서는 아닙니다. Oak National Academy의 Aila에 대한 독립 군집 시험은 잉글랜드 초등 교사 416명을 추적했고, 준비 시간을 주당 2.51시간으로 측정했으며 도구가 없을 때는 3.32시간이었습니다. 약 주당 49분입니다. 그러나 수업의 7%만 다루었고, 품질은 개선이 아니라 비열등성만 검정되었습니다.

개방형 과제에 AI를 덧붙이는 것만으로는 아무것도 더해지지 않는다

이미 운영 중인 개방형 교육 과제에 도구를 더하고 리터러시 이득을 기다리기보다, 그 과제에 자금을 대십시오. 아동 발달 입문 강좌의 두 분반에서 55명은 평소대로, 58명은 생성형 AI 검색 도구를 추가해 작업했고, 인식된 출처 기술 이득은 5점 척도에서 0.50 대 0.48로 같았으며 상호작용 항은 0에 가까웠습니다(F(1, 84) = 0.04, p = 0.85).

학생이 틀렸다고 말할 때 어떻게 하는지로 어시스턴트를 고르라

잘못된 교정에 대한 저항은 정확도보다 모델을 더 날카롭게 구분하므로, 가장 먼저 시험할 것으로 삼으십시오. 검증된 200개의 트러스 문제와 13개 모델에서 풀이 정확도는 64.5%에서 97.0%까지였고 32.5포인트 격차였습니다. 그러나 올바른 작업이 틀렸다고 들었을 때 모델이 그것을 확인한 비율은 46.5%에서 98.5%까지였고 52.0포인트 격차였습니다. 이것은 배포 전에 실행하는 평가적 판단 점검에 들어가야 합니다.

AI 보조 글쓰기를 장르로 가르치면 점수가 겹치지 않는다

AI 보조 글쓰기를 단속할 대상이 아니라 가르칠 대상으로 다루는 것은 글쓰기 교육 교육과정 안에 속하며, 그것이 연 격차는 미미하지 않았습니다. 사후 평균은 그렇게 가르친 분반이 9.8750, 통제 분반이 3.8125였고, 두 분포는 겹치지 않았습니다(Mann-Whitney U = 0.00, r = 0.86).

개발자를 위한 내용

튜터 페르소나가 아니라 시나리오를 구축하라

음성을 조정하기 전에 스캐폴딩을 시나리오와 작업대에 넣으십시오. 효과는 페르소나에 있지 않기 때문입니다. 두 개의 사전 등록 3개 군 시험에서 법적 추론을 다룬 학생 131명과 경쟁 프로그래밍 군을 완료한 54명을 대상으로, 구조화된 시스템은 22.8%포인트에 도달했고 일반 어시스턴트는 15.7%였습니다. 7.0포인트 우위입니다(p = 0.018, d = 0.56). 반면 같은 모델 위에 LLM-as-Teacher 페르소나를 얹은 조건은 2.8포인트를 얻는 데 그쳤고 분리되지 않았습니다(p = 0.121).

브루트 포스 해법을 먼저 제시하는 튜터는 학생을 잘못 이끈다

여러 해법이 있는 문제에서 튜터가 어떤 해법을 먼저 제시하는지 배포 전에 감사하고, 그 감사를 지능형 튜터링 인수 테스트에 남기십시오. 시뮬레이션 학생과 함께 150개 문제를 실행한 결과, 해법별 첫 제시에서 브루트 포스가 명명된 접근이 22.2~~32.1%였고 최적 해법은 13.0~~19.4%였습니다. 탐침 우선 대화에서는 네 가지 기본 모델 모두 6.1~7.1%의 사례에서 학생을 더 나쁜 접근으로 움직였습니다.

AI 호출 횟수 세기는 진전에 대해 아무것도 측정하지 않는다

상호작용 횟수는 학습 분석 파이프라인이 수집하기 가장 쉬운 신호이자 대시보드에 올리기 가장 약한 것입니다. 따라서 각 호출 양쪽의 실행 상태를 계측하십시오. 35명의 학생에서 나온 140개의 학생-과제 쌍에서 AI 상호작용은 성공적으로 실행된 셀과 r = 0.12로 상관했고, 건드린 셀과도 같은 r = 0.12였습니다.

질문 수가 아니라 세션이 어떻게 표류하는지로 판단하라

후반부로 갈수록 답을 구하는 쪽으로 미끄러지는 세션은 더 나쁜 사후 시험을 예측하며, 각 응답 뒤의 의무적 적절성 점검이 저렴한 개입입니다. 14~15세 학생 112명의 실질적 발화 880개에서, 도움 추구 궤적의 기울기는 사전 시험 점수를 이미 포함한 모델에 R 제곱 변화 .110을 더했습니다(beta = .34). 정적 상호작용 특성은 .023을 더했고 유의성에 미치지 못했습니다(p = .684). 발화의 81.5%는 요청이었고 2.2%가 평가였습니다.

벤치마크 점수는 모델보다 채점 규칙이 더 크게 결정한다

하네스가 숫자 하나를 보고한다면, 그것이 무엇을 측정하는지 아직 모르는 것입니다. 다섯 튜터와 시뮬레이션 학생 사이의 같은 2,250개 대화가 정확 일치 기준으로는 42.1%, 인간 보정 판정자 기준으로는 81.3%로 채점되었습니다. 39.2포인트 격차로, 모델·전략·파이프라인의 효과를 합친 것보다 큽니다. 세 공급자의 판정자 네 개는 6포인트 이내로 일치했고, 구조화된 파이프라인 레이블은 이점을 주지 않았습니다(p = 0.263).

재현성을 정하는 것은 판정 모델이 아니라 채점 방법이다

방법, 하네스, 반복 실행, 그리고 각 주장 뒤에 놓인 채점 항목 수를 명시한 판정 성명을 공개하십시오. 결과를 움직이는 것은 방법이기 때문입니다. 재실행은 반경직 루브릭에서 결과의 2.9~~6.1%를, 자유 총괄 채점에서 13.5~~15.9%를 바꿨습니다. 판정 모델을 바꾼 것은 약 3포인트만 움직였습니다.

모든 것에 동의하는 AI 동료는 사용자를 잃는다

에이전트가 불확실성을 유지하고 기본적으로 동의를 거절하도록 구성하십시오. 신뢰 보정은 모델이 가진 속성이 아니라 당신이 작성하는 행동이기 때문입니다. 전문가 일곱 명이 각각 20분 동안 학생 역할을 하며 동료로 설정된 에이전트와 함께했고, 그것이 동료처럼 읽히게 만든 것은 사회적 요소였습니다. 잠정적인 추론과 의도적인 불완전함이 신뢰를 쌓았고, 학습자가 말한 모든 것에 맹목적으로 동의하는 것은 신뢰를 무너뜨렸습니다.

연구자를 위한 내용

발표된 평균이 아니라 작은 효과를 계획하라

새로운 환경에서는 생성형 AI 교육의 헤드라인 효과가 계획의 근거가 되지 않으므로, 확장하기 전에 시범 운영하십시오. 58편의 연구와 참가자 6,941명을 대상으로 한 3수준 메타분석은 g = 0.864로 통합되었지만, 이질성이 87.9%에 가깝고, 예측 구간이 -0.213에서 1.942까지이며, 편향 보정 효과는 g = 0.258이라고 보고했습니다. 그 구간을 통합 추정치 옆에 인쇄해 독자가 놓칠 수 없게 하십시오.

비판적 사고는 도구 친숙도가 아니라 노동 분업을 따른다

명시적인 노동 분업을 부여하고 학생이 산출물을 재작업하게 하십시오. 생성형 AI 경험은 이 두 경로를 통해서만 비판적 사고에 도달했기 때문입니다. 미국과 튀르키예의 학생 891명 중 인지 노동을 전문화하고 조정하는 것은 b = 0.636, 산출물을 반성적으로 변형하는 것은 b = 0.367이었고, 유의한 직접 경로는 없었습니다. 이는 인지 부하 외주화 질문을 경고가 아니라 설계 선택으로 바꿉니다.

AI 사용의 교육 격차가 줄어드는 것이 형평은 아니다

사용 격차가 좁아진 것을 진전으로 읽지 말고, 최근 3개월 사용 여부라는 이분법 문항 위에 접근 목표를 세우지 마십시오. 16개 유럽 국가를 2025년 도입률과 각자의 인터넷 시대 연도에 맞춰 비교했을 때, 교육 수준이 가장 높은 집단과 낮은 집단의 격차 중앙값은 56.4포인트에서 28.6으로 떨어졌고 16개국 중 15개국에서 음수였습니다(p = 0.0005). 그러나 구성 인식 매칭을 적용하면 변화는 -11.5와 -10.0으로 줄어듭니다. 따라서 형평성 주장에는 더 강한 도구가 필요합니다.

낮은 사용이 낮은 의향은 아니다

가장 나이 많고 교육 수준이 낮은 사람들에게 접근과 기본 기술에 자금을 대고, 신뢰에 관한 캠페인은 하지 마십시오. 사용과 신뢰는 따로 움직이기 때문입니다. 2025년에 덴마크인의 48.4%와 루마니아인의 17.8%가 지난 3개월 안에 생성형 AI를 사용했고 EU 전체는 32.7%였습니다. 그러나 루마니아인은 7점 척도에서 신뢰를 4.1로 평가했고 덴마크인은 3.8이었으며, 루마니아인의 47%가 현행 법과 보호장치가 충분하다고 답했고 덴마크인은 36%였습니다.

외주화는 목표를 우회할 때만 침식적이다

학생이 도구를 얼마나 사용했는지가 아니라 도구가 어떤 인지 작업을 덜어 주는지 물으십시오. 외주화는 학습 목표에 주변적인 작업을 맡을 때 도움이 되고, 그 목표를 구성하는 처리를 우회할 때 침식 위험이 있으며, 이후 산출물을 처리하는 것이 그렇지 않으면 구성적인 외주화를 구제할 수 있습니다. 일곱 개의 조건부 명제가 하나의 방향성 주장을 대체하며, 외주화 조절은 AI 리터러시의 학습 가능한 차원이 됩니다.

감정 분석 도구는 부정 응답의 약 절반을 놓친다

개방형 텍스트의 자동 코딩을 도구 선택이 아니라 타당성 논증으로 다루십시오. 정확도는 당신이 행동할 바로 그 사례들을 숨기기 때문입니다. 손으로 코딩한 응답 1,220건에 대해 최고 성능 트랜스포머는 정확도 .79에 도달했지만 카파는 .42에 그쳤고 부정 사례의 약 절반을 잡았습니다. 어휘 기반 도구는 약 다섯 건 중 한 건을 오분류했으며, 코퍼스의 76.5%가 긍정이었습니다.

관리자를 위한 내용

라이선스하기 전에 챗봇이 무엇을 보내는지 물어라

강좌 챗봇을 라이선스하거나 호스팅하기 전에 제3자 스크립트 목록을 요구하고, 특히 어떤 태그가 페이지 제목, URL, 입력 필드를 읽을 수 있는지 물으십시오. 42개 플랫폼을 계측한 결과 21개가 적어도 하나의 추적기로 대화 제목을 보냈고 9개가 프롬프트를 그대로 전송했습니다. 유출된 13개 범용 플랫폼 중 11개는 가입 이메일도 보냈으며, 교육 플랫폼은 각각 평균 약 367건의 추적기 요청이 있었고 그중 24%가 사용자 콘텐츠를 담고 있었습니다.

성문화된 암기가 자격의 가치에서 빠지는 부분이다

감독 아래의 실습과 불확실성 속의 판단을 보호하고, 프로그램 마케팅보다 교육과정 설계 함의를 먼저 읽으십시오. 2018년부터 2026년 6월까지 655,919건의 설문 관측치를 이용한 이중차분 분석에서, AI 노출이 가장 큰 직업의 학교 교육 1년에 대한 수익은 2022년 11월 이후 0.55 로그포인트 떨어졌습니다. 충격 전 수준의 약 7%입니다. 반면 경험에 대한 수익은 3년 시점에서 0.26 로그포인트 올랐고 25년 시점에서는 0.12 떨어졌습니다.

챗봇을 공감적이라고 부르면 공감이 사람에게서 떠난다

시스템을 학생을 사람에게 되돌려 보내는 분류 체계로 위치시키고, 조용히 사라지는 행동인 도움 추구를 주시하십시오. 참가자가 249명, 494명, 743명, 737명인 네 연구에서 AI를 공감 능력이 있다고 틀 지으면 공감적 책임을 외주화하려는 의향이 높아졌고(총효과 0.83), 그 효과는 전적으로 인식된 능력을 통해 나타났습니다(간접효과 0.73). 또한 또래가 문제를 ChatGPT에 가져갔다고 듣는 것은 감정 읽기 정확도를 12점 만점에 7.13으로 낮췄고, 비교 조건은 7.73이었습니다(p = .012).

벤치마크는 통과했지만 아이들은 여전히 피해를 입는다

API가 아니라 세션과 기관 수준에서 평가하십시오. 출력별 필터는 어느 한 턴도 임계값을 넘지 않는 동반자 상호작용에 닿을 수 없기 때문입니다. 보고된 아동 관련 사건 1,331건을 코딩한 결과, 성적 대상화가 316건으로 가장 큰 피해 하위 유형이었고 성적 착취가 131건으로 뒤를 이었습니다. 피해는 모델 결함보다 배포, 거버넌스, 오용 실패와 함께 군집을 이룹니다.

가끔, 갈등하는 사용자를 위한 정직성 정책을 쓰라

거부, 지원, 대체를 같은 과제가 만나는 세 집단으로 명명하십시오. 매일 사용하는 사람은 거의 없기 때문입니다. 영국 한 대학의 익명 설문 두 건에서 1학년 학생 94명 중 81.05%가 과제를 완수하는 데 생성형 AI 도구를 사용한 적이 있었고, 매일 사용한다는 응답은 4.21%, 전혀 사용하지 않는다는 응답은 9.47%였습니다. 이는 학문적 정직성을 부정행위자와 비부정행위자의 구분이 아니라 분포의 중간을 위한 정책으로 만듭니다.

윤리 모듈은 데이터가 어디서 오는지 가르치지 않는다

이미 운영 중인 윤리 모듈에 데이터 출처 검토 과제를 추가하십시오. 새 강좌가 아니라 교육과정 설계 변경입니다. 21개 대학의 36개 프로그램을 전수 조사한 결과 윤리는 29개(80.6%)에서 가르쳤지만, 저자들이 설정한 기준의 데이터 출처는 8개(22.2%)에 그쳤습니다. 석사 또는 이그제큐티브 프로그램 중 기준을 충족한 곳은 없었고, 윤리를 다루는 29개 프로그램 중 22개는 출처를 전혀 다루지 않았습니다.

새로운 자료

이번 주에 네 개의 자료가 자료 라이브러리에 합류했고, 네 개 모두 교실 요령이 아니라 기관의 결정을 설명합니다.

Learning Design Wiki

Learning Design Wiki는 교수 설계를 원리, 요소, 패턴, 전략으로 나누고 각각을 근거 인용과 연결한 공개 라이선스 참고 자료입니다. 자체 증거 보고서에 따르면 주장의 98%가 단일 연구에 기대고 있습니다. 언어 모델이 인간 관리자 한 명 아래에서 유지 관리하며 어떤 페이지도 사람이 검토한 적이 없으므로, 이것은 발견이라기보다 출처가 잘 붙은 단서 모음입니다.

teacher.dev

teacher.dev는 하루에 무료 교실 앱 하나를 내놓는 비영리 스튜디오로, 지금까지 34개를 배포했습니다. 각각은 인쇄 가능한 그림 생성기나 특수교육용 First/Then 보드처럼 하나의 순간을 겨냥합니다. 대부분 계정 없이 로컬 우선으로 작동하므로 학생 데이터가 기기를 떠나지 않습니다.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies는 고등교육에서 생성형 AI가 공개 라이선스 자료와 만나는 지점에 관한 열한 개 사례를 담은 개방형 선집입니다. 노동조합 계약 아래 지침 초안을 작성하는 연합 대학부터 인간 개입을 유지한 교재 개정까지 다양합니다. 두 장이 같은 도구를 공유하지 않으므로 인용할 증거가 아니라 적응할 실천이며, 선집은 CC BY 4.0이지만 각 장은 자체 라이선스를 가집니다.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET는 기술자와 기능인을 훈련하는 기관을 위한 2026년 UNESCO-UNEVOC 가이드이며, 쓸 만한 자료는 세 개의 부록에 있습니다. 준비도 자기 성찰 도구, 위험 등록부, 지표 프레임워크입니다. 결과 데이터는 보고하지 않으며 자체 성숙도 척도를 논의 보조 도구라고 부르므로, 이미 내린 결정을 정당화하는 데가 아니라 첫 기관 결정을 구조화하는 데 사용하십시오.

이번 주에 추가된 연구

다른 연구들은 방법과 초록과 함께 저널 페이지에 날짜별로 나열되어 있습니다.

사이트 소식

222개의 개념 페이지 모두가 이제 흔한 오해 구역을 갖추고 있으며, 독자가 이미 가지고 있을 수 있는 잘못된 믿음을 명명하고 그 페이지의 증거로 교정합니다.

이번 주에 모든 FAQ를 다시 썼고 다섯 개의 새 답변이 합류해, 주제가 아니라 동료가 실제로 묻는 질문을 위해 쓰인 42개의 답변이 되었습니다. 색인은 독자가 완수하려는 과제에 따라 그것들을 아홉 구역으로 묶으므로, 질문을 가지고 와도 분야가 그것을 무엇이라고 부르는지 알 필요가 없습니다.

번역은 영어 원문보다 더 많이 앞서 나갔습니다. Essentials 구역의 개념 페이지 12개와 모든 FAQ가 이제 모든 언어로 완전히 번역되었습니다.

모든 언어에 자체 홈 페이지가 있고, 그중 열여섯 개는 내려받을 수 있는 EPUB과 PDF도 제공합니다.

위의 모든 것은 github.com/edtechdev/aied에 공개되어 있습니다.

업데이트 구독

각 호를 피드 리더에서 뉴스레터 피드로 받거나, 같은 피드를 Blogtrottr에 붙여 넣어 원하는 일정에 새 호를 이메일로 받거나, LinkedIn에서 팔로우할 수 있습니다. LinkedIn에서는 각 호가 LinkedIn 뉴스레터로 발행됩니다.

AIEd 연구 주간 업데이트는 AI 에이전트가 생성하는 AI 교육 지식 기반에서 나옵니다. 이 호는 같은 AI 에이전트가 사이트 개발자의 편집 지침을 받아 초안을 작성했으며, 위의 모든 주장은 출처 페이지로 연결됩니다.

지식 기반은 CC0 1.0 라이선스에 따라 퍼블릭 도메인에 헌정됩니다. 모든 권리가 포기되었습니다.

내용에 문제가 있습니까? GitHub에서 보고하거나 사이트 개발자 Doug Holton에게 연락하십시오.

출처 기록 편집 대화