논문 요약
AI를 교사 연수에 도입할 때 완성된 설명을 빠르게 제공하는 것만으로는 교사가 스스로 교과 지식을 구성하는 활동을 보장하기 어렵다. Yankova와 동료들은 초등 수학의 수와 연산, 중등 수학의 비와 비례 관계를 다루는 두 연수 프로그램을 바탕으로 AI가 학습을 촉진하는 설계 절차를 제시했다. 연구진은 교육과정과 교사·학생 학습 연구에서 목표를 찾고 교과 지식 및 이를 가르치는 지식에 맞는 활동을 구성했다. 내용 전문가는 각 활동에서 기대하는 설명과 세 단계의 힌트를 미리 작성했다. AI 시스템은 응답의 관련성 확인, 목표 달성 판정, 힌트의 개인화, 남은 어려움에 대한 설명을 나누어 처리했다. 내용 전문가와 소규모 교사 시범 집단이 남긴 대화 피드백은 활동과 시스템을 함께 고치는 자료가 됐다. 463개 상호작용을 이용한 시험에서 관련성 판정의 전문가 일치도는 프롬프트 개선만 적용한 조건에서 87.2%, 판정 예시를 추가한 조건에서 94.8%였다. 이 수치는 AI의 특정 판정 기능에 관한 결과이며 교사의 학습 향상률이나 학생 성취 효과크기가 아니다. 논문은 AI를 대면 연수의 대체물로 보기보다 교과 목표와 전문가 검토를 갖춘 전문학습의 한 방식으로 제안하며, 동료 협력과 실제 수업 실행을 살피는 활동은 더 보완해야 한다고 설명한다.
연구의 필요성 및 목적
교사가 학생의 풀이를 보고 “답이 틀렸다”고 말하는 것과, 어떤 수 개념을 잘못 이해했는지 설명하는 것은 다르다. 후자의 판단에는 교과 내용을 아는 힘과 학생의 사고를 해석하는 힘이 함께 필요하다. AI가 만들어 준 해설을 읽는 연수는 정보 접근을 도울 수 있지만, 교사가 이 판단을 직접 연습할 기회를 줄일 수도 있다.
이 논문은 좋은 대면 연수가 지닌 두 특징을 AI 매개 연수에서도 유지하려 한다. 하나는 교사가 활동에 참여하며 지식을 구성하는 능동적 학습이고, 다른 하나는 가르칠 교과 내용에 집중하는 것이다. 저자들은 AI가 내용을 제한 없이 생성하게 두면 사실 오류뿐 아니라 학습 목표와 맞지 않는 안내가 생길 수 있다고 본다. 따라서 전문가가 만든 교과 활동과 힌트를 중심에 놓고, AI의 유연한 대화 능력을 그 안에서 활용한다.
대상은 교사가 AI 사용법을 배우는 연수만이 아니다. 교사가 수학을 더 깊이 이해하고 학생의 수학 학습을 돕는 방법을 배우는 연수가 중심이다. “AI에 관한 연수”와 “AI가 진행을 지원하는 교과 연수”를 구분해야 이 논문의 설계 기여가 선명해진다.
연구 문제
이 글은 새로운 무작위 실험의 가설을 검증하기보다 두 프로그램의 개발 과정을 설명하는 설계 논문이다. 다음 세 질문은 원문의 목적과 절차를 읽기 쉽게 재구성한 것이며, 저자가 번호를 붙여 제시한 연구문제를 그대로 옮긴 것은 아니다.
- 교사가 스스로 수학을 설명하고 학생 사고를 해석하도록 어떤 활동과 목표를 설계할 것인가?
- 전문가가 만든 내용의 정확성과 순서를 지키면서 AI가 교사별 응답에 맞춘 도움을 제공하게 하려면 역할을 어떻게 나눌 것인가?
- AI의 잘못된 관련성 판정이나 힌트를 어떻게 찾아내고, 활동 내용과 시스템을 함께 고칠 것인가?
용어의 정의
교과 지식(content knowledge, CK)은 해당 내용을 이해하고 추론하며 문제를 해결하는 지식이다. 이 논문에서는 개념적 이해, 수학적 추론, 전략적 문제 해결을 포함한다. 답을 고르는 것뿐 아니라 왜 그 답인지 설명하는 능력을 본다.
교수내용지식(pedagogical content knowledge, PCK)은 특정 교과 내용을 학생이 이해하도록 가르치는 데 필요한 지식이다. 저자들은 수학 과제의 특성, 학생의 수학적 사고, 수학을 가르치는 방법의 세 측면으로 정리한다. 예를 들어 소수 0.15가 0.2보다 크다고 생각하는 학생의 오류를 해석하는 일은 학생 사고에 대한 지식을 요구한다.
기대 내용(expectations)은 활동을 마칠 때 교사의 응답에서 확인해야 할 핵심 생각이나 기능이다. 일반적인 칭찬 기준이 아니라, 응답이 어떤 학습 목표를 충족했는지 판단하는 구체적 기준이다. 힌트(hints)는 아직 충족하지 못한 기대 내용에 도달하도록 주는 단계적 도움이다.
다중 에이전트 체계(multi-agent framework)는 여러 역할의 AI가 정해진 순서로 작업을 나누어 맡는 구조다. 이 연구에서 관련성 확인과 학습 판정, 응답 작성, 설명 제공을 나눈 이유는 각 역할의 오류를 따로 찾아 고치기 위해서다. 역할 수가 많다는 사실만으로 신뢰성이 보장되는 것은 아니다.
연구 방법
교과 목표와 활동을 먼저 만든다
두 프로그램은 초등의 수와 연산, 중등의 비와 비례 관계라는 서로 다른 내용을 다룬다. 연구진은 해당 학년의 교육과정 기준을 검토하고 교사 지식, 학생의 학습 곤란, 관련 교수법과 중재 연구를 살폈다. 여기서 목표를 정한 뒤 활동을 개발했다. 자료 생성부터 시작해 나중에 목표를 붙이는 순서와는 다르다.
교과 지식 활동에서는 문제를 풀고, 추론을 설명하고, 표나 그래프 같은 수학적 표현을 사용한다. 교수내용지식 활동에서는 학생 풀이를 해석하고, 특정 목표에 맞게 과제를 고치며, 수업 도구와 실제 수업 영상을 분석한다. 각 활동은 핵심 개념을 정리하는 부분으로 끝나고, 하위 모듈에는 배운 내용을 교실에 어떻게 적용할지 성찰하는 활동이 들어간다.
힌트의 내용과 순서를 전문가가 정한다
내용 전문가는 각 목표에 대해 세 종류의 힌트를 준비했다. 첫 단계는 핵심 개념에 주의를 돌리도록 돕는다. 두 번째는 학생의 방식으로 문제를 풀거나 도구를 사용하게 한다. 세 번째는 필요한 수학적 정보를 더 직접적으로 제공한다. 앞 단계에서 교사가 생각을 이어 갈 수 있다면 가장 구체적인 설명까지 바로 보여 줄 필요가 없다.
AI의 개인화는 이 힌트의 핵심 내용과 순서를 마음대로 바꾸는 것을 뜻하지 않는다. 앞선 대화를 참고해 교사에게 익숙한 표현이나 맥락으로 조정하되, 전문가가 의도한 교과 내용은 보존한다. 무엇을 바꿀 수 있고 무엇을 유지해야 하는지 경계를 정하는 것이 설계의 핵심이다.
AI의 역할을 나누어 응답을 처리한다
관련성 확인 역할은 교사의 말이 현재 활동과 관련 있는지 먼저 판단한다. 관련 없는 응답이라면 질문을 다시 살피도록 안내한다. 관련 있는 응답은 다음 판정 역할로 넘어가 기대 내용을 충족했는지 확인한다. 복잡한 기준에는 내용 전문가가 검증한 정답 응답 예시도 사용한다.
응답 작성 역할은 교사의 응답에서 충족한 부분을 인정하고, 아직 남은 목표에 맞춰 준비된 힌트를 조정한다. 세 차례 힌트 뒤에도 목표를 충족하지 못하면 설명 역할이 앞선 시도를 정리하고 어려운 개념을 직접 안내한다. 모든 목표를 충족하면 활동을 정리하고 다음 활동으로 이동한다.
원문에는 어떤 직사각형이 정사각형에 가장 가까워 보이는지 고르고 이유를 설명하는 사례가 있다. 교사가 적절한 직사각형을 골라도 비율에 근거한 설명이 빠졌다면 일부 목표만 달성한 것으로 판정한다. 이는 정답 선택과 설명의 충실성을 따로 보도록 설계한 예다.
사용자 피드백으로 내용과 판정 기능을 함께 고친다
먼저 내용 전문가가 활동을 수행하며 문제가 있는 응답을 표시하고 이유를 남겼다. 전문가 두 명이 오류 사례를 검토해 어느 역할이 실패했는지, 올바른 반응은 무엇인지 판단했다. 의견이 다르면 토의해 합의했다. 이 자료는 내용 수정과 시스템 개선에 함께 사용됐다.
이후 소규모 교사 집단도 활동에 참여해 피드백을 남겼다. 저자들은 관련성 판정에서 전문가와 AI가 다르게 판단한 사례를 분석해 프롬프트를 고치는 방법과, 개선된 프롬프트에 올바른 판정 예시를 추가하는 방법을 시험했다. 시스템 검수에서는 문장이 자연스러운지뿐 아니라 현재 교과 목표에 맞는 판정을 내렸는지를 확인했다.
연구 결과
설계상의 결과는 교과 활동 개발, AI 역할 설계, 통합과 반복 개선을 연결한 절차다. 앞의 두 작업은 내용 전문가와 AI 전문가가 나누어 진행했으며, 마지막 단계에서는 함께 시험하고 수정했다. 두 교과 영역과 교사 집단에서 같은 개발 절차를 보여 줬다는 점이 이 논문의 구체적 기여다.
수치가 제시된 부분은 관련성 판정 기능의 개선 시험이다. 463개 상호작용 자료에서 프롬프트 개선 조건의 전문가 일치도는 87.2%, 판정 예시까지 추가한 조건의 일치도는 94.8%였다. 보고된 두 비율의 차이는 7.6%포인트다. 이는 같은 종류의 판정 기능을 비교한 값이며 연수 참가 교사 수나 학생 성취의 증가율이 아니다. 특히 전체 연수 시스템의 모든 판단이 94.8% 정확하다는 뜻으로 확대해서는 안 된다.
저자들은 앞서 개발한 프로그램의 교사 지식·수업의 질·학생 학습 성과에 관한 다른 연구를 인용한다. 이번 분석은 그 선행 실험들을 새로 검증한 것이 아니므로 해당 효과를 이 설계 논문의 독립적인 결과로 반복하지 않는다. 이 논문을 인용할 때는 “AI 연수의 효과가 입증됐다”보다 “교과 목표와 전문가 힌트를 보존하는 AI 연수 설계 절차를 제시했다”는 주장이 적절하다.
논의 및 결론
이 설계는 내용의 정확성과 대화의 유연성을 서로 다른 책임으로 나눈다. 사람이 학습 목표와 교과적 도움을 만들고, AI가 교사의 응답을 해석해 적절한 도움을 전달한다. AI의 생성 능력을 활용하더라도 내용 전체를 즉석에서 맡길 필요는 없다는 설명이다.
또 하나의 기여는 오류를 사용자 불만으로만 남기지 않는다는 점이다. 관련 있는 응답을 걸러 냈는지, 목표 달성을 잘못 판단했는지, 힌트가 학습을 돕지 못했는지 나누어 기록하면 수정할 대상을 찾기 쉽다. 만족도만 수집하는 것보다 수정 근거를 분명하게 만들 수 있다.
한계도 있다. 이 시스템은 교사끼리 생각을 교환하거나 실제 교실에서 수업을 실행하는 모습을 관찰하고 피드백하는 활동을 충분히 지원하지 못한다. 수학의 두 내용 영역에서 사용한 절차가 다른 교과에서도 같은 방식으로 작동한다고 보장할 수 없다. 정확한 활동과 힌트를 미리 만드는 데 전문가의 시간도 필요하다. AI를 붙이면 연수 설계 비용이 자동으로 줄어든다는 결론은 이 논문에서 도출할 수 없다.
현장 적용 제안
다음은 원문의 실험 결과가 아니라 학교 연수에 적용하기 위한 제안이다. 처음부터 큰 시스템을 만들기보다 학생 풀이 한 개를 함께 검토하는 짧은 활동으로 시작할 수 있다. 교사가 먼저 오류의 원인을 쓰고, 동료가 만든 판단 기준과 단계별 질문을 AI 대화에 적용한 뒤, 마지막에는 동료 교사와 서로의 판단을 비교한다.
연수 담당자는 무엇을 설명해야 하는지와 어떤 응답을 충분하다고 볼지 먼저 정한다. 교과 담당 교사는 흔한 오류와 대안적인 풀이를 검토한다. 기술 담당자는 AI가 기준 밖의 설명을 했을 때 기록하고 사람이 검토할 경로를 마련한다. 학생 자료를 사용할 때는 개인정보를 드러내지 않는 예시를 준비해야 한다.
평가는 사용 횟수나 만족도만으로 끝내지 않는다. 활동 전후 교사가 학생의 풀이를 어떻게 해석했는지, 힌트를 받은 뒤 어떤 근거를 추가했는지 비교한다. AI의 판정에 동의하지 않은 사례도 모은다. 판정 기준 자체가 좁아서 타당한 대안 풀이를 오답으로 처리했다면 AI 프롬프트만 고칠 것이 아니라 활동의 기대 내용도 수정해야 한다.
오늘 함께 읽은 다른 자료와의 차이도 활용에 도움이 된다. 영어교사 연수 연구가 측정한 자기효능감은 교과 판단의 실제 수행과 다르다. 카메룬 현장 연구의 사용성은 접속과 참여 조건을 보여 준다. 교사 제작 중단 연구는 연수 후 지원이 지속 참여에 어떤 의미를 갖는지 묻게 한다. 수학 연수 설계를 학교에 옮길 때 이 결과들을 하나의 효과로 합치기보다 수행, 경험, 참여 조건을 각각 살피는 참고자료로 삼을 수 있다.
후속 연구 제안
교사 학습 효과를 확인하려면 활동 시간과 교과 내용이 같은 조건에서 AI 힌트, 동료 피드백, 전문가 피드백의 차이를 비교할 필요가 있다. 교사의 설명이 좋아졌는지와 이후 실제 수업에서 학생에게 주는 질문이 달라졌는지를 시간 간격을 두고 확인해야 한다. 이 설계는 본 분석이 제안하는 후속 연구이며 원문에서 이미 수행한 실험이 아니다.
판정 기능을 연구할 때는 전문가 일치도 하나 외에 오류의 종류를 볼 수 있다. 충분한 설명을 미달로 판단하는 오류와 불충분한 설명을 통과시키는 오류는 교사의 학습 경험에 다른 영향을 줄 수 있다. 새로운 교과 영역, 다른 언어, 처음 보는 대안 풀이에서도 기준이 유지되는지 확인할 필요가 있다.
운영 측면에서는 전문가의 힌트 작성 시간, 반복 검수 비용, 교사의 참여 지속, 동료 협력과의 결합 가능성을 함께 기록할 수 있다. 교사에게 도움이 되더라도 유지·수정 비용이 감당하기 어렵다면 학교 단위 확산 방식은 달라져야 한다.
주제어
교사 전문학습(teacher professional development), 수학 교사교육(mathematics teacher education), 교과 지식(content knowledge), 교수내용지식(pedagogical content knowledge), 단계적 도움(scaffolding), AI 학습 촉진(AI facilitation), 반복 설계(iterative design).
APA 인용 및 근거 확인
Yankova, N., Cho, J., Li, H., Yang, K., Copur-Gencturk, Y., & Tang, J. (2026). Designing professional development in mathematics teacher education with AI as a facilitator: A roadmap grounded in high-quality professional development features. Journal of Mathematics Teacher Education. Advance online publication. https://doi.org/10.1007/s10857-026-09776-9
- 원문: https://link.springer.com/article/10.1007/s10857-026-09776-9
- DOI: https://doi.org/10.1007/s10857-026-09776-9
2026년 9월 21일 기준 출판사 HTML 전문, PDF에서 추출한 텍스트와 Crossref 서지를 대조했다. 온라인 발행일은 2026년 7월 29일이다. 권·호·쪽이 아직 제시되지 않은 온라인 선게재 형식으로 인용했다.
활동 개발과 힌트의 세 단계는 원문의 Step 1a 및 Step 1b에, AI의 네 역할과 직사각형 사례는 Step 2에 근거한다. 전문가 검토 절차, 463개 상호작용, 두 일치도는 Step 3에 근거한다. 동료 협력과 수업 실행 지원의 한계는 Discussion and implications에 근거한다. 학교 적용과 후속 연구 절은 이 근거를 바탕으로 한 분석자의 제안이며, 원문의 실증 결과와 구별했다.