인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김미량
- 발행연도
- 2025
- 저작권
- 성균관대학교 논문은 저작권에 의해 보호받습니다.
이용수9
초록· 키워드
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
본 연구는 수학 학습에서 학습자가 자신의 이해를 명확히 하기 위해 학습 내용을 스스로 설명하는 ‘자기 설명(Self-Explanation)’이 개념 이해와 문제 해결력 향상에 핵심적이라는 점에 주목한다. 전통적 교실 환경에서 교사가 모든 학생의 자기 설명을 일일이 평가하고 즉각적인 피드백을 제공하기는 어렵다는 시공간적 제약이 존재하며, 이러한 상황은 과정 중심 평가와 개별화된 지원을 구현하기 어렵게 만든다.
이러한 한계를 극복하기 위해 최근 인공지능(AI) 기술의 비약적 발전과 함께 주목받는 대규모 언어 모델(Large Language Model, 이하 LLM)을 활용한 자동 평가·피드백 시스템을 대안으로 모색한다. 특히 일반적인 LLM이 내부 훈련 데이터에 의존함으로써 특정 도메인 지식 반영과 최신 정보 활용에 한계를 보이고, 수학 문제 해결과 같이 정밀한 논리적 추론이 필요한 상황에서 환각(hallucination) 현상으로 부정확한 응답을 생성할 수 있음을 인식하여, 본 연구는 Retrieval-Augmented Generation(RAG) 기술을 적용하였다. 이를 통해 LLM이 외부 데이터베이스를 참조하며 정확하고 시의성 있는 정보에 기반한 평가·피드백을 제공하도록 하고, 학습자가 스스로 해결한 수학 문제 풀이 과정을 자동으로 분석·피드백하는 환경을 구축하고자 하였다.
RAG 기술이 적용된 LLM 기반 자기 설명 자동 평가·피드백 시스템의 효과성을 검증하기 위해 본 연구는 중학교 2학년 학생 24명을 대상으로 6주간 방과후수업을 진행하며 실제 교육 현장에서 시스템을 활용하였다. 또한, 사전·사후 검사를 통해 평가된 자기 설명 역량(관련성, 명확성, 일관성), 자기 설명 정의적 성취도, LLM 인식 조사의 변화를 측정하고, t-검정과 효과 크기(Cohen’s d) 분석을 통해 통계적 유의미성과 실질적 변화를 정량적으로 평가하였다. 나아가, 사전 학업 성취도, 연구 수업 참여도 등의 변인을 추가하여 구조방정식 모형(SEM)을 활용해 변인 간 상호작용을 파악하였으며, 사후 설문의 주관식 응답 텍스트를 워드클라우드로 시각화하여 질적 맥락까지 종합적으로 검토하였다.
t-검정과 효과 크기 분석을 통해 자기 설명 역량(관련성, 명확성, 일관성)과 일부 정의적 성취도(학습지향성, 자기통제, 자신감)가 유의미하게 향상되었으며, LLM 기술에 대한 인식도 긍정적으로 변화하였다. 사전 학업 성취도별 상·중·하위 그룹 비교에서는 상위권 학생이 인지적 측면(자기 설명 역량), 하위권 학생이 정의적 측면(학습지향성, 자기통제)에서 두드러진 개선을 보여 다양한 수준의 학습자에게 차별적 성장 경로를 제공할 수 있음을 시사한다. 또한 구조방정식 모형(SEM) 분석을 통해 정의적 성취도 변화나 LLM 인식 변화가 매개·조절 변인으로 작용할 가능성이 일부 확인되었다.
이러한 결과는 LLM 기반 시스템이 실제 수업 맥락에서 학습자의 자기 설명 역량을 증진하고 정의적 성취도를 개선하는 데 의미 있는 지원책이 될 수 있음을 실증적으로 제시한 데 의의가 있다. 수학 교육에서 LLM을 활용한 과정 중심 평가를 실증적으로 검증한 연구는 드물기에, 본 연구의 성과는 더욱 의미가 크다. 향후 대규모 표본과 장기 추적 연구, 다른 학습 맥락 확장을 통해 본 접근법의 일반화 가능성과 안정성을 확인한다면, 자기 설명 촉진 수업에서 LLM 활용 전략은 수학 교육뿐 아니라 다른 교과에도 적용할 수 있는 실천적 근거로 자리매김할 수 있을 것이다.
이러한 한계를 극복하기 위해 최근 인공지능(AI) 기술의 비약적 발전과 함께 주목받는 대규모 언어 모델(Large Language Model, 이하 LLM)을 활용한 자동 평가·피드백 시스템을 대안으로 모색한다. 특히 일반적인 LLM이 내부 훈련 데이터에 의존함으로써 특정 도메인 지식 반영과 최신 정보 활용에 한계를 보이고, 수학 문제 해결과 같이 정밀한 논리적 추론이 필요한 상황에서 환각(hallucination) 현상으로 부정확한 응답을 생성할 수 있음을 인식하여, 본 연구는 Retrieval-Augmented Generation(RAG) 기술을 적용하였다. 이를 통해 LLM이 외부 데이터베이스를 참조하며 정확하고 시의성 있는 정보에 기반한 평가·피드백을 제공하도록 하고, 학습자가 스스로 해결한 수학 문제 풀이 과정을 자동으로 분석·피드백하는 환경을 구축하고자 하였다.
RAG 기술이 적용된 LLM 기반 자기 설명 자동 평가·피드백 시스템의 효과성을 검증하기 위해 본 연구는 중학교 2학년 학생 24명을 대상으로 6주간 방과후수업을 진행하며 실제 교육 현장에서 시스템을 활용하였다. 또한, 사전·사후 검사를 통해 평가된 자기 설명 역량(관련성, 명확성, 일관성), 자기 설명 정의적 성취도, LLM 인식 조사의 변화를 측정하고, t-검정과 효과 크기(Cohen’s d) 분석을 통해 통계적 유의미성과 실질적 변화를 정량적으로 평가하였다. 나아가, 사전 학업 성취도, 연구 수업 참여도 등의 변인을 추가하여 구조방정식 모형(SEM)을 활용해 변인 간 상호작용을 파악하였으며, 사후 설문의 주관식 응답 텍스트를 워드클라우드로 시각화하여 질적 맥락까지 종합적으로 검토하였다.
t-검정과 효과 크기 분석을 통해 자기 설명 역량(관련성, 명확성, 일관성)과 일부 정의적 성취도(학습지향성, 자기통제, 자신감)가 유의미하게 향상되었으며, LLM 기술에 대한 인식도 긍정적으로 변화하였다. 사전 학업 성취도별 상·중·하위 그룹 비교에서는 상위권 학생이 인지적 측면(자기 설명 역량), 하위권 학생이 정의적 측면(학습지향성, 자기통제)에서 두드러진 개선을 보여 다양한 수준의 학습자에게 차별적 성장 경로를 제공할 수 있음을 시사한다. 또한 구조방정식 모형(SEM) 분석을 통해 정의적 성취도 변화나 LLM 인식 변화가 매개·조절 변인으로 작용할 가능성이 일부 확인되었다.
이러한 결과는 LLM 기반 시스템이 실제 수업 맥락에서 학습자의 자기 설명 역량을 증진하고 정의적 성취도를 개선하는 데 의미 있는 지원책이 될 수 있음을 실증적으로 제시한 데 의의가 있다. 수학 교육에서 LLM을 활용한 과정 중심 평가를 실증적으로 검증한 연구는 드물기에, 본 연구의 성과는 더욱 의미가 크다. 향후 대규모 표본과 장기 추적 연구, 다른 학습 맥락 확장을 통해 본 접근법의 일반화 가능성과 안정성을 확인한다면, 자기 설명 촉진 수업에서 LLM 활용 전략은 수학 교육뿐 아니라 다른 교과에도 적용할 수 있는 실천적 근거로 자리매김할 수 있을 것이다.
목차
- 제 1 장 서론 1제 1 절 연구의 필요성 1제 2 절 연구의 기대 효과 6제 3 절 연구 문제 8제 4 절 용어의 정의 10제 2 장 이론적 배경 12제 1 절 자기 설명(Self-Explanation) 관련 연구 13제 2 절 대규모 언어 모델(LLM)과 자기 설명 19제 3 장 연구 방법 및 절차 35제 1 절 연구 대상 36제 2 절 수업계획 및 수업자료의 개발 39제 3 절 연구 목적 및 연구 가설 설정 41제 4 절 프로토타입 모델 설계 및 파일럿 수업 44제 5 절 연구 모델 설계: RAG 기술 구현, 챗봇의 개발 및 배포 47제 6 절 윤리적 고려 사항 및 연구 참여자 보호 59제 7 절 연구 모델 적용 수업 61제 8 절 평가 도구의 개발 및 검증 67제 9 절 자료 분석 73제 10 절 결론 도출 92제 4 장 결론 및 논의 97제 1 절 결론 98제 2 절 한계점 및 추후 과제 99제 3 절 교육적 적용 및 정책적 시사점 100제 4 절 기존 시스템과의 비교 및 추가 논의 102참고문헌 103ABSTRACT 112
최근 본 자료
