기획시리즈

맞춤형 학습의 함정 ③ — 교실에 남겨야 할 것

공동 목표를 갖고 함께 배운 학생은 각자 따로 배운 학생보다 성취가 높았고, 혼자와 둘을 섞어 배운 집단의 학습 효과가 가장 컸습니다. 생성형 AI가 친구 사이의 질문을 대신하기 시작한 지금, 교실에 무엇을 남길지 정리합니다.

맞춤형 학습의 함정 ② — 학교 전체를 맞추면

미국의 맞춤형 학교들은 조사 범위를 넓히자 효과가 작아졌고, 학생들은 교실을 걸어 나갔습니다. 한국의 AI 디지털교과서는 효과를 따질 만큼 쓰이지도 못했습니다. 학교 전체를 맞추는 동안 무엇이 빠져나갔는지 짚습니다.

맞춤형 학습의 함정 ① — 맞춤은 효과가 있나

‘98번째 백분위’라는 약속은 1984년의 한 논문에서 시작됐습니다. 지능형 튜터와 학교 현장 실험을 따라가 보면 맞춤은 효과가 있었지만 약속만큼 크지는 않았고, 효과가 난 곳에는 교사가 있었습니다.

마찰을 설계하는 AI ④ — 교사와 학교의 몫

AI 튜터를 나눠 준다고 학생이 쓰는 것은 아니었습니다. 교사의 반복 업무는 AI로 덜고, 학생이 스스로 생각하는 시간은 평가와 정책이 지켜야 합니다. 네 편의 기획을 '성장을 위한 AI'라는 기준으로 정리합니다.

마찰을 설계하는 AI ③ — 답 대신 질문을 건넨 AI들

답 대신 질문을 건네는 AI 학습 모드가 잇달아 나왔습니다. 설계된 튜터는 단기 실험에서 학습 이득을 키우기도 했지만, 효과를 가른 것은 제품 이름보다 순서와 쓰는 방식이었습니다. 기업 발표는 설계 의도일 뿐 효과 증거가 아닙니다.

마찰을 설계하는 AI ② — 남겨야 할 어려움, 걷어 낼 어려움

어떤 어려움은 배움을 깊게 하고, 어떤 어려움은 배움을 막습니다. 떠올리기·간격 두기·섞어 풀기·스스로 만들기라는 '좋은 마찰'과 인지 부하 이론이 말하는 '나쁜 마찰'을 가르고, 같은 어려움이 언제 독이 되는지 학습과학의 증거로 짚습니다.

마찰을 설계하는 AI ① — 빨라진 숙제, 남지 않는 배움

AI는 일터에서 마찰을 없애 성과를 올리지만, 교실에서는 연습 성적을 올리면서 배움을 깎을 수 있습니다. 학습과학의 '바람직한 어려움'에서 그 이유를 찾고, 선발이 아닌 성장을 위한 교육 AI의 조건을 묻습니다.