AI 채점, 언어가 약한 학생을 과소평가하다

오늘 호는 'AI가 얼마나 잘하느냐'가 아니라 'AI가 서로 다른 학습자를 만날 때 무엇을 놓치느냐'를 세 흐름으로 묻는다. 품질 하한을 통과한 5건은 채점·비계의 언어·인지 편향, AI를 교사·설명자로 볼 때의 한계, 도구에서 학습으로의 전이 설계라는 세 흐름을 이룬다.

채점·비계 흐름의 대표 실증은 물리 설명 채점(#1)이다. 중등학생 116명의 설명을 9개 머신러닝·2개 LLM 등 11개 자동 채점으로 평가하자, 언어적 질이 낮은 설명의 개념 이해가 모든 접근에서 체계적으로 과소평가됐고 반대 방향의 과대평가는 없었다. 신경다양성 읽기 비계(#3·AIED 2026)는 초등 특수교육 요구 학습자 14명에게 네 가지 비계를 비교했으나 반응이 이질적이어서 단일 비계가 보편 최적이 아니었다. 두 연구는 평균 성능이 아니라 학습자별 검증과 조절을 가리킨다.

AI를 교사로 볼 때의 한계는 언어교사 연구(#2)와 오개념 논문(#4)이 함께 보여 준다. LLM은 영어 오류를 고쳐도 그 이유를 설명하는 데 필요한 용어·영역지식이 자주 약했고, PNAS Nexus에 실린 오개념 논문은 LLM을 '담화·과제수행 시뮬레이터'로 이해해야 한다고 정리한다. 전이 설계 흐름의 증명 도구 연구(#5)는 도움이 과하면 지필 전이가 막히고 핵심 단계의 능동 참여를 남길 때 전이가 개선됨을 보였다. 오늘의 결론은 AI를 쓰느냐가 아니라, 학습자별 조건과 전이 목표에 맞춰 AI의 채점·설명·도움을 검증하고 조절해야 한다는 것이다.