Bicer 외(2026) · ZDM – Mathematics Education · 동료심사 논문 · 2026년 9월 17일 분석
논문 요약
교사가 수학 문제를 풀 줄 아는 것과 학생의 잘못된 생각에 맞춰 설명하는 것은 다른 일이다. 이 연구는 생성형 AI 연수 안에서 두 활동이 어떻게 연결되는지 살폈다. 참여자는 미국 농촌·자원 부족 지역에서 5·6학년 수학을 가르치는 교사 8명이다. 연구진은 비례 추론을 다룬 모듈 10개의 대화 기록, 교사 산출물, 후속 면담을 분석했다. 분석의 초점은 지식 점수의 상승보다 교사가 생각을 설명하고 바꾸는 과정에 있었다. 교사들은 AI의 질문에 답하면서 다른 풀이와 표현을 검토하고 가상의 학생 사고를 해석했다. 그러나 연수에서 관찰한 참여 양상이 실제 수업의 변화나 학생 성취 향상을 뜻하지는 않는다. 반복되는 질문과 수학 표현의 오류, 동료와 함께 배우기 어려운 점도 남았다. 이 논문은 AI 연수의 효과 크기를 제시하는 자료보다 교사의 판단을 연습시키는 활동을 설계할 때 유용하다.
연구의 필요성 및 목적
연수에 자주 참여하기 어려운 교사에게 비동기 온라인 학습은 접근 기회를 넓힌다. 다만 자료를 혼자 읽는 방식에서는 자신의 풀이가 왜 성립하는지 되묻거나 학생 반응을 놓고 토론할 기회가 줄 수 있다. 연구진은 내용 지식, 수학적 창의성, 가르치는 지식을 연결하는 대화에 주목했다.
이 목적을 읽을 때는 ‘AI가 교사 지식을 높였는가’와 ‘교사가 AI와 무엇을 하며 사고했는가’를 나누어야 한다. 논문은 후자의 과정을 설명한다. 따라서 교원 연수의 성과 수치를 찾는 경우에는 추가 연구가 필요하고, 어떤 질문과 과제를 연수에 넣을지 검토하는 경우에는 구체적인 참고 자료가 된다.
연구 문제
연구 문제를 교사의 언어로 풀면 두 가지다. 첫째, 교사는 AI 연수에서 여러 수학적 표현을 만들고 개념을 설명하며 학생의 사고를 해석하는 활동에 어떻게 참여하는가. 둘째, AI가 질문·피드백·도움을 조절하는 방식은 그 참여와 어떻게 연결되는가. 이 정리는 원문의 질문을 이해하기 쉽게 옮긴 것이며 별도의 효과 검증 가설은 아니다.
용어의 정의
- 수학적 창의성(Mathematical Creativity, MC)은 여기서 여러 풀이와 표현을 탐색하고 문제를 확장하는 사고를 가리킨다. 독특한 답을 내는 일만을 뜻하지 않는다.
- 내용 지식(Content Knowledge, CK)은 비와 비례 같은 수학 개념과 관계를 이해하는 지식이다.
- 교수 내용 지식(Pedagogical Content Knowledge, PCK)은 학생이 어떤 생각을 하는지 해석하고 그에 맞는 표현·질문·과제를 고르는 지식이다.
- 지원의 점진적 축소(Scaffold Fading)는 처음에는 도움을 주고 이후에는 스스로 설명하도록 도움을 줄이는 방식이다.
세 지식 영역을 별개의 점수표로만 읽으면 이 연구의 관심을 놓치기 쉽다. 같은 풀이를 그림으로 바꾸는 활동에서도 개념 이해와 표현의 탐색이 함께 일어난다. 그 그림을 어떤 학생에게 보여 줄지 판단하는 순간에는 가르치는 지식이 연결된다.
연구 방법
연구진은 교사 한 명을 하나의 사례로, 그 안의 연수 모듈을 세부 분석 단위로 보는 사례연구를 수행했다. 분석 대상은 모든 모듈과 후속 면담을 마친 8명이다. 따라서 참여를 중단한 교사의 경험까지 대표하는 표본으로 읽을 수 없다. 대화·산출물·면담을 함께 살피고 이론에 따른 범주와 자료에서 나타난 양상을 연결해 분석했다.
이 설계의 강점은 결과물만 보고 추정하기 어려운 생각의 변화를 대화와 산출물로 확인한다는 점이다. 반면 비교집단과 지식의 사전·사후 효과 검증을 갖춘 설계는 아니다. 대화가 풍부해진 이유를 AI의 특정 기능 하나에 귀속하거나, 참여 교사에게서 나온 양상을 모든 교사에게 일반화하기는 어렵다.
연구 결과
결과 절은 계산 절차를 설명하는 데서 더 나아가 표현을 비교하고 학생의 사고를 해석하는 참여를 보여 준다. 적응형 질문, 피드백, 가상의 학생 반응과 성찰 기회가 이런 활동에 연결되었다. 다만 원문이 보고한 것은 연수 안에서 나타난 과정이다. 교사가 다음 날 교실에서 같은 판단을 했다는 관찰 자료와는 구분해야 한다.
동료 교사가 이 결과를 읽을 때 주목할 단위는 ‘AI를 사용했다’는 사실보다 설명이 바뀐 장면이다. 처음 풀이, 추가 질문, 수정한 설명이 이어져 있으면 어떤 판단을 연습했는지 검토할 수 있다. 반대로 대화 횟수나 최종 답의 길이만으로는 그 판단의 수학적 타당성을 알 수 없다. 이는 결과를 연수 평가로 옮길 때 필요한 해석이다.
논의 및 결론
이 연구로 뒷받침할 수 있는 주장은 AI 대화가 교사의 수학적 설명과 수업 판단을 연습하는 장면을 만들 수 있다는 것이다. ‘AI 연수가 교사의 지식을 향상시켰다’거나 ‘학생 성적을 높였다’는 주장은 이 자료의 확인 범위를 넘는다. 연수 접근성이 좋아지는 것과 학습 성과가 좋아지는 것도 서로 다른 판단이다.
학교 연수에 적용한다면 다음과 같은 작은 활동을 제안한다. 동료 두 명이 같은 비례 문제를 먼저 풀고, 각자의 설명을 AI에 검토하게 한다. 이어 다른 표현을 요청한 뒤 처음 설명과 비교한다. 마지막에는 AI가 만든 학생 오답을 동료와 살펴보고 실제로 가능한 사고인지 판단한다. 이 절차는 논문에 그대로 실린 검증된 프로그램이 아니라 본 분석의 제안이다.
활동의 기록은 ‘내 설명에서 바꾼 부분’, ‘그렇게 바꾼 수학적 이유’, ‘학생에게 확인할 질문’ 세 항목으로 남길 수 있다. 실제 답안을 다음 모임에 가져오면 연수의 가상 상황과 교실의 사고가 얼마나 다른지도 확인할 수 있다. AI의 설명이 잘못되었거나 그림을 표현하지 못하면 교과서·동료 검토로 확인한 뒤 수정해야 한다.
후속 연구 제안
원문은 더 큰 비교 표본, 사전·사후 측정, 수업 관찰과 학생 결과를 통해 전이를 확인할 필요를 제시한다. 이를 학교 수준에서 구체화한다면 연수 전후에 같은 개념의 다른 학생 답안을 제시하고 교사의 질문이 어떻게 달라지는지 살펴볼 수 있다. 정답 설명의 정확성과 학생 사고를 파악하는 질문을 따로 평가해야 한다.
또 다른 제안은 AI 개별 연수 뒤 동료 토론을 붙인 조건과 붙이지 않은 조건을 비교하는 것이다. 연수 시간과 과제를 같게 하고, 실제 수업 자료를 일정 기간 뒤에 수집하면 동료 검토의 기여를 더 분명하게 묻는 연구가 된다. 참여자를 늘리는 일뿐 아니라 중도 이탈자의 어려움도 기록해야 적용 범위를 판단할 수 있다.
주제어
수학 교사 연수(Mathematics Teacher Professional Development), 생성형 AI(Generative AI), 수학적 창의성(Mathematical Creativity), 비례 추론(Proportional Reasoning), 교수 내용 지식(Pedagogical Content Knowledge)
인용 맥락 및 APA
AI 교사 연수에서 질문·표현·학생 사고 해석이 연결되는 참여 과정을 설명하는 근거로 인용할 수 있다. 교사 역량의 인과적 향상이나 학생 학업 성취의 효과 크기를 제시하는 근거로 사용하지 않는다. 원문의 방법 절, 결과 절, 한계 절과 출판 서지를 확인했다.
Bicer, A., Aldemir, T., Lee, U., Moon, J., Hernandez, K. R., & Sanders, M. (2026). How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge. ZDM – Mathematics Education, 58(5), 1027–1039.