다언어 AI 평가에서 번역이 바꾸는 점수

같은 질문을 한국어로 바꿨는데 AI의 점수가 낮아졌다면 무엇을 먼저 확인해야 할까. 오늘의 다언어 평가 연구는 정답 형식과 검색 조건이 번역에서 유지되었는지부터 살핀다. 모델을 새로 훈련하지 않아도 문항을 고친 뒤 점수가 달라졌다. 특수교육 도구를 검토한 OECD 작업논문과 교육의 표현·인정 문제를 다룬 개념 고찰은 다른 질문을 던진다. 학생이 도구를 쓸 수 있다는 사실만으로 참여의 질과 학습 성과를 판단할 수 있는가라는 문제다.

피드백 연구 세 편에서는 학생이 무엇을 받았는지와 그 뒤에 무엇을 했는지를 나누어 읽을 필요가 있다. 대학생의 대규모 기록에서 제안 선택과 검토를 안내한 조건은 수정 행동과 관련이 있었다. 하지만 학기마다 AI 모델이 달랐고 수정의 측정 방식도 같지 않았다. 색채교육의 무작위 실험에서는 게임화 효과와 AI 대 사람 피드백의 비교를 구분해야 한다. 중등 쓰기 사례는 유용한 조언과 일관되지 않은 자동 점수가 함께 나타날 수 있음을 보여 준다.

안전과 성능을 다룬 자료 역시 증거의 종류가 다르다. 학습 대화의 공유 경계는 아직 현장 검증이 필요한 설계 제안이다. 기업의 연구 자동화 지표는 내부 측정이며, AI 발전 예측 감사는 표본 자료의 누락을 살핀다. 유아 확장현실 문헌의 보안 점수는 실제 안전도가 아니라 연구가 문제를 다룬 정도다. 수업과 연수에서는 이처럼 숫자의 대상과 측정 방법을 함께 설명해야 자료가 말하지 않은 효과까지 덧붙이지 않을 수 있다.