2026 AIED Conference Day 4 Keynote
📅 AIED 2026 — Day 4 (목요일, 7월 2일) 전체 프로그램과 키노트 요약
🕘 Session 1 (9:00–10:15)
🏛️ Auditorium | Keynote — Vincent Aleven
(CMU HCII 교수, CATS Lab 책임자, IJAIED 공동 편집장, 논문 300편 이상, 베스트페이퍼상 12회 수상)
🕙 Session 2 (10:45–12:00)
🏛️ North 205 | AIED55 (SL) — Teacher Perspectives & Pedagogy
Social Long-paper, 교사 관점 및 교수법
| Yuki Nagae, Lechen Zhang, Jalal Nouri, Linda Mannila | From Barriers to Actions: A Thematic Analysis of Teachers' Perceived Obstacles and Support Needs for AI Integration in K–12 Education — K-12 교사의 AI 통합 장벽과 지원 요구 주제 분석 |
| Shamya Karumbaiah, Yaxuan Yin | What Constitutes AI Harms and/or Unfairness? An Empirical Analysis of Teacher Deliberation with a Fairness Elicitation Scaffold — AI 해악·불공정성이란 무엇인가? 공정성 도출 스캐폴드를 활용한 교사 심의 분석 |
| Alham Fikri Aji, Afifa Amriani 외 | A Survey of AI Misconception and Adoption Among Indonesian K-12 Teachers — 인도네시아 K-12 교사의 AI 오개념과 도입 실태 조사 |
🏛️ Auditorium Meeting 1 | AIED56 (HL) — LLMs for Writing Assessment, Feedback, and Fairness
Human-centered Long-paper, 글쓰기 평가·피드백·공정성을 위한 LLM
| Conrad Borchers, Luiz Rodrigues 외 | Understanding Teacher Revisions of Large Language Model-Generated Feedback — 교사가 LLM 생성 피드백을 어떻게 수정하는지 이해 |
| Savita Bhat, Vasudeva Varma | Learning from Giants: Distilling Attribute-Aligned LLM Evaluators for Educational Essay Assessment — 거대 LLM에서 속성 정렬 평가자를 증류해 교육용 에세이 평가에 활용 |
| Hyo Jeong Shin, Nico Andersen 외 | How Linguistic Diversity Impacts Multilingual Automated Scoring in Large-Scale Assessments — 언어 다양성이 대규모 평가의 다국어 자동채점에 미치는 영향 |
🏛️ Auditorium Meeting 2 | AIED57 (TL) — Automated Essay Scoring and Feedback Optimization
Technical Long-paper, 자동 에세이 채점 및 피드백 최적화 (앞서 상세 분석한 세션)
| Sungjin Nam | Prompt Optimization with Verifiable Rewards for Synthetic Essays in Automated Essay Scoring — 검증 가능한 보상으로 합성 에세이 생성 프롬프트 최적화 |
| Eamon Worden, Morgan Lee 외 | Short, Long, or Affective: Evaluating LLM-Generated Feedback Styles for Student Learning — 피드백 스타일(짧음·길음·감성적) 비교 실험 (앞서 상세 분석) |
| Masaki Uto | Has Automated Essay Scoring Reached Sufficient Accuracy? Deriving Achievable QWK Ceilings from Classical Test Theory — AES 정확도의 이론적 상한선 도출 (앞서 상세 분석) |
🏛️ North 206 | AIED58 (HS) — Agency and Scaffolding in Generative AI Learning Environments
Human-centered Short-paper, 생성형 AI 학습환경에서의 행위 주체성과 스캐폴딩
| Ricardo Manjarrez Retes, Sofia Escalona 외 | AI Is Available, Partnership Is Optional: Student Agency in Human–AI Interaction — AI 사용이 선택적일 때 학생 행위 주체성 |
| Alwyn Vwen Yen Lee | Scaffolding Epistemic Agency: Evaluating AI-Partnered Affective Feedback for Emotional Regulation in Knowledge Building — 지식 구축에서 AI 파트너의 정서 피드백으로 인식론적 주체성 스캐폴딩 |
| Saleh Alghamdi, Mladen Rakovic 외 | Learners' Adaptability to GenAI Scaffolding in Self-Regulated Learning: Temporal Analytics — GenAI 스캐폴딩에 대한 학습자 적응성의 시간적 분석 |
| Sienna Cai, Mohammad Masbaul Alam Polash | Scaffolding for Co-Regulated Learning in GenAI-Supported Learning Systems: A Scoping Review — GenAI 지원 학습에서 공동조절학습 스캐폴딩 범위 검토 |
| An-Ching Shih, Yuan-Hsuan Lee, Jiun-Yu Wu | Epistemic Agency, AI Knowledge and Performance in GenAI-Supported Data Analytics Tasks — GenAI 데이터 분석 과제에서 인식론적 주체성·AI 지식·수행의 관계 |
🏛️ North 210 | AIED59 (HS) — Trust, Reflection, and Agency in AI-Enhanced Education
Human-centered Short-paper, AI 강화 교육에서의 신뢰·성찰·행위 주체성
| Yukyeong Song, Rachel Wong 외 | Supporting K-12 Teachers in the Presidential AI Challenge: A Case Study of a Faculty-Mentored Workshop for AI Tool Creation — 미국 대통령 AI 챌린지 참가 K-12 교사 지원 워크숍 사례 |
| Md Nazmus Sakib, Ishika Tarin 외 | ReflectEd: Evaluating Reflection-Driven Learning in an AI-Assisted System — AI 보조 성찰 학습 시스템 평가 |
| Salima Lamsiyah | SPARK: A Student-Centered Framework for Teaching NLP in the Age of LLMs — LLM 시대의 NLP 교수를 위한 학생 중심 프레임워크 |
| Libor Juhaňák 외 | Who's Behind the Feedback? Students' Use of AI and Perceived Feedback Usefulness When the Evaluator May Be Human or AI — 평가자가 인간인지 AI인지 알 때·모를 때 학생 피드백 활용 차이 |
| Jiachen Fu, Jiaoyang Ding, Yanjie Song | Linking Affective Experience and AI Trust: The Role of a PERMA-Based AI Agent in Higher Education — PERMA 기반 AI 에이전트가 정서 경험과 AI 신뢰에 미치는 영향 |
🕑 Session 3 (14:00–15:15)
🏛️ Auditorium | AIED Panel 3 — AI as Peer Reviewers: Promise, Pitfalls, and Possibilities
AI가 동료 심사자로서: 가능성·함정·전망
학술 출판과 연구 평가의 핵심 과정인 동료 심사(peer review)에 AI를 활용하는 것의 가능성과 위험을 논의하는 패널입니다.
주요 쟁점:
- AI 리뷰어가 인간 리뷰어를 얼마나 대체할 수 있는가?
- AI 리뷰의 편향·품질 문제
- 학술 공동체의 신뢰와 지식 생산 방식의 변화
🏛️ North 205 | AIED60 (TL) — Psychometrics and AI for Educational Measurement and Personalization
Technical Long-paper, 심리계량학과 AI의 교육 측정·개인화 적용
| Yoshimitsu Miyazawa, Maomi Ueno | Process-Integrated IRT: Enhancing Ability Estimation in Computer-Based Programming Assessments through Response Process Data — 결과+과정 데이터 통합 IRT로 프로그래밍 평가 능력 추정 강화 (앞서 Part1 #24 논문) |
| Masaki Uto, Ryota Kitakaze | An Item Response Theory Model for Addressing Halo Effects in Performance Assessment — 수행평가 후광효과를 보정하는 IRT 모델 (앞서 Part1 #29 논문) |
| Badmavasan Kirouchenassamy 외 | Offline Reinforcement Learning for Personalized Feedback in Online Programming Education — 온라인 프로그래밍 교육의 개인화 피드백을 위한 오프라인 강화학습 |
🏛️ Auditorium Meeting 1 | AIED Blue Sky 3 — Human-AI Collaboration in the Moment
Blue Sky Long-paper, 순간의 인간-AI 협력 세션 의장: H. Chad Lane
| Eason Chen, Ce Guan 외 | When Openclaw Agents Learn from Each Other: Insights from Emergent AI Agent Communities for Human-AI Partnership in Education — AI 에이전트 커뮤니티의 창발적 학습이 인간-AI 교육 파트너십에 주는 시사점 |
| Tanmay Sinha | Leveraging AI Flaws for Human Learning — AI의 결함을 인간 학습에 활용하기 (역발상적 Blue Sky 아이디어) |
| Tom Lee, Sihoon Lee, Seonghun Kim | Beyond Automated Scoring: Toward Dialogic Assessment and Interactional Fairness in Human-AI Collaboration — 자동 채점을 넘어 대화적 평가와 상호작용 공정성으로 |
🏛️ Auditorium Meeting 2 | AIED61 (HS) — AI-Mediated Collaboration: Support, Analysis, and Simulation
Human-centered Short-paper, AI 매개 협력: 지원·분석·시뮬레이션
| Hai Li, Bo Pei | Leveraging a Multi-Agent LLM Framework for Academic Reading Support: Design and Evaluation of the SmartRead Platform — 학술 독해 지원 다중 에이전트 LLM 플랫폼 SmartRead 설계·평가 |
| Xiaoshan Huang, Conrad Borchers 외 | Physiological and Semantic Patterns in Medical Teams Using an ITS — ITS를 사용하는 의료팀의 생리적·의미론적 패턴 |
| Elissavet Papageorgiou 외 | Investigating How Collaborative Conversational Agents Influence Affective and Cognitive Engagement in Student Dialogues — 협력 대화 에이전트가 학생 정서·인지 참여에 미치는 영향 |
| Bunichi Otaki, Ritsuko Oshima, Jun Oshima | How Do Experts Use GenAI in Collaborative Problem Solving? Expert-Novice Comparison — 협력 문제해결에서 전문가-초보자의 GenAI 활용 방식 비교 |
| Kyosuke Takami, Masahiko Haruno | From Rule-Based to LLM-Based Agents: A Calibrated Simulation Framework for Classroom Social Networks — 규칙 기반→LLM 기반 에이전트로: 교실 사회 네트워크 보정 시뮬레이션 프레임워크 |
🏛️ North 206 | AIED62 (SS) — Values, Equity, and Agency in AI-Enhanced Education
Social Short-paper, AI 강화 교육에서의 가치·형평성·행위 주체성
| Yingbo Ma, Yukyeong Song | Mapping AI Literacy in Medical Education: A Review of Concepts and Teaching Practices — 의학 교육의 AI 리터러시 지형 파악 |
| Bijun He, Yanhong Wang | Bibliometrics Insights on AI and Educational Commercialization in Early Childhood Educational Research — 유아 교육 연구의 AI·상업화 동향 계량서지학 분석 |
| Alina Pees, Leo Oelscher 외 | From Speculation to Evaluation: Exploring Values in Design Fictions about AI-Enhanced Education — AI 강화 교육 설계 픽션에서의 가치 탐색 |
| Jaeyoon Choi, Shamya Karumbaiah | When Features Misrepresent Underrepresented Learners: Auditing Algorithmic Bias with Differentially Expressive Features — 소외 학습자를 잘못 표현하는 특징들: 차별적 표현 특징으로 알고리즘 편향 감사 |
| Angela Stewart, Paras Sharma 외 | Design Tensions for GenAI in Education for Early to Mid-Adolescent Youth — 청소년 대상 GenAI 교육의 설계 긴장: 자율성·비판적 성찰·심리적 안전 |
🏛️ North 210 | AIED63 (HS) — Generative AI as Education Partners
Human-centered Short-paper, 교육 파트너로서의 생성형 AI
| Prerna Ravi, Carúmey Stevens 외 | Exploring Teachers' Perspectives on Using Conversational AI Agents for Group Collaboration — 그룹 협력에서 대화형 AI 에이전트 활용에 대한 교사 관점 탐색 |
| Jingyuan Qiu, Sheng Chang 외 | GenAI-Supported Mathematical Storytelling: How Deep is Optimal? — GenAI 수학 스토리텔링의 최적 개입 깊이: 3집단 연구 |
| Candace Walkington, Theodora Beauchamp 외 | Mathematics Teachers' Interactions with a Multi-Agent System for Personalized Problem Generation — 개인화 문제 생성 다중 에이전트 시스템과 수학 교사의 상호작용 |
| Katie Bainbridge, Jack Strelich 외 | A Randomized Blind Comparison of SME and LLM-Generated Active Learning Tasks for Math Classes — 수학 수업 능동학습 과제: 전문가 vs LLM 생성 무작위 블라인드 비교 |
🕓 Session 4 (15:45–17:00)
🏛️ North 205 | AIED64 (TL) — Simulated Learners and Patients for Educational Practice
Technical Long-paper, 교육 실습을 위한 시뮬레이션 학습자·환자
| Arijit Chakma, Peng He, Honglu Liu 외 | DrawSim-PD: Simulating Student Science Drawings to Support NGSS-Aligned Teacher Diagnostic Reasoning — 학생 과학 그림을 시뮬레이션해 NGSS 기반 교사 진단 추론 지원 (Part1 #2 논문) |
| Naoki Shindo, Masaki Uto | LLM-Based Virtual Standardized Patients with Response Excessiveness Suppression via DPO for Medical Interview Examinations — 의대생 면접 훈련용 가상 환자 — 과잉 응답을 DPO로 억제 (Part1 #30 논문) |
| Vatsal Mehta, Zinan Zhang 외 | SimPath: Clinically Grounded AI Patients for Therapist Training — 심리치료사 훈련용 임상 기반 AI 가상 환자 SimPath |
🏛️ Auditorium Meeting 1 | AIED Blue Sky 4 — Inside the Learner's Mind
Blue Sky Long-paper, 학습자의 마음속으로 세션 의장: Ivon Arroyo
| Bruce McLaren | VanLehn's Two Loops Aren't Enough: Toward Meta-Adaptive Control of Instructional Form — Van Lehn의 Two Loops 모델을 넘어 메타 적응형 수업 형태 제어로 (키노트 주제와 직접 연결) |
| Hyeongdon Moon, Carolyn Rose, John Stamper | Cognitive Agent Compilation for Explicit Problem Solver Modeling — 명시적 문제해결자 모델링을 위한 인지 에이전트 컴파일 |
| H. Chad Lane | AIED's Unfinished Mission: Centering Agency and Motivation in the Age of Effortless Bypass — AIED의 미완의 사명: 손쉬운 우회(AI 복붙) 시대에 행위 주체성과 동기를 중심에 두기 |
🏛️ Auditorium Meeting 2 | AIED65 (TL) — AI-Augmented Teacher Practice and Educational Analysis
Technical Long-paper, AI 강화 교사 실천 및 교육 분석 (앞서 상세 분석한 세션)
| Mingyu Feng, Ethan Prihar, Natalie Brezack | Developing and Evaluating a LLM-Based Tool for Qualitative Analysis of Teacher Interviews — 교사 인터뷰 질적 분석 LLM 도구 개발·평가 (앞서 상세 분석) |
| Xingming Li, Runke Huang 외 | When AI Meets Early Childhood Education: LLMs as Assessment Teammates in Chinese Preschools — 중국 유치원에서 LLM을 평가 파트너로 활용 |
| Zhihan Guo, Rundong Xue 외 | MisEdu-RAG: A Misconception-Aware Dual-Hypergraph RAG for Novice Math Teachers — 초보 수학 교사를 위한 오개념 인식 이중 하이퍼그래프 RAG |
🏛️ North 210 | AIED66 (TS) — Modeling, Measuring, and Interpreting Thinking Processes with AI
Technical Short-paper, AI로 사고 과정 모델링·측정·해석
| Yongan Yu, Mengqian Wu 외 | THiNK: Can Large Language Models Think-Aloud? — LLM이 인간처럼 '생각을 소리내어 말하기(think-aloud)'를 할 수 있는가? |
| Wangda Zhu, Guang Chen, Yin Yang | Time-Window ONA: Modeling the Impact of Utterances in Ordered Network Analysis — 발화의 시간 창 기반 순서 네트워크 분석 모델링 |
| Tomoki Aburatani 외 | Conceptualization of Thinking Activities-Specific Metacognitive Knowledge Ontology — 사고 활동 특화 메타인지 지식 온톨로지 개념화 |
| Shlok Sand, Chaitanya Shah, Vasudeva Varma | Decoding Latent Reasoning: Mechanistic Interpretability of Chain of Continuous Thought with Sparse Autoencoders — 연속 사고 체인의 기계론적 해석 가능성 분석 |
| Ying Zhang, Ningxi Cheng 외 | A Framework for Human-AI Q-Matrix Refinement: A NeuralCDM Evaluation — 인간-AI 협력 Q-매트릭스 정제 프레임워크 |
🏛️ North 206 | AIED 4-99 Reserved + 추가 논문들
| Long | Chris Davis Jaldi 외 | Small, Private Language Models as Teammates for Educational Assessment Design — 소형 사설 언어모델을 평가 설계 팀메이트로 활용 |
| Long | Feiwen Xiao, Jiayi Zhang 외 | What Children's AI Literacy Books Teach About Artificial Intelligence: A Content Analysis Using the AI4K12 Framework — 아동용 AI 리터러시 도서의 내용 분석 |
| Short | Alessio Ferrato 외 | LLMs for Automated Bloom's Taxonomy Classification in CS Assessment — CS 평가의 블룸 분류법 자동화에 LLM 활용 |
| Short | Eceay Çeltik 외 | Automated Evaluation of Student-Chatbot Interactions in Climate Education Using LLMs — 기후 교육 학생-챗봇 상호작용의 LLM 자동 평가 |
🔑 Day 4 전체 특징 요약
① 키노트가 하루 전체의 닻 Vincent Aleven의 키노트 "How Best to Harness AI's Great Potential"은 단순한 오프닝이 아니라 Day 4 전체 세션의 철학적 기반입니다. AIED60의 IRT·심리계량, AIED64의 시뮬레이션 학습자, AIED65의 교사 도구, AIED66의 사고 과정 모델링이 모두 "AI가 어떻게 학생·교사를 더 잘 이해하고 지원할 수 있는가"라는 키노트의 질문에 각자 기술적으로 답하는 구조입니다.
② Blue Sky 세션 2개가 집중 배치 Blue Sky 3(인간-AI 협력의 순간)과 Blue Sky 4(학습자의 마음속)가 모두 4일차 오후에 배치되었습니다. 특히 Blue Sky 4의 세 논문은 "VanLehn Two Loops 한계"(McLaren), "AI 우회 시대의 동기"(Lane), "인지 에이전트 컴파일"(Moon) 로 AIED의 미래 연구 방향을 가장 도전적으로 제시하는 세션입니다.
③ 교사 중심성이 가장 강한 날 AIED55(교사 관점), AIED56(글쓰기 피드백 교사 수정), AIED65(교사 인터뷰 분석·유아교육·교사 오개념 RAG), AIED59(교사 AI 챌린지 워크숍)까지 교사를 주체로 다루는 세션이 가장 집중되어 있습니다. 키노트의 "조력자 지원" 비전과 일관된 하루 구성입니다.
④ 채점·평가 연구의 정점 AIED57(에세이 채점·피드백 최적화)은 Part1·2에서 집중적으로 살펴본 자동채점 연구들이 총결집된 세션으로, 학회 4일차 오전에 가장 기술적으로 밀도 높은 채점 연구들이 한자리에 모였습니다.
Keynote - "How Best to Harness AI's Great Potential to Improve Education?"
Vincent Aleven
- 문제의식: AI 기반 튜터링 시스템이 학습효과를 높인다는 과학적 근거는 많지만, 정작 미국 K-12 수학 표준시험 점수는 정체되어 있고 교육 격차도 줄지 않고 있습니다. 이 때문에 일부에서는 교실 내 컴퓨터 사용 자체를 금지하자는 목소리도 나오는 상황입니다. Aleven은 "연구 결과와 실제 교육 현장의 상반된 양상을 어떻게 화해시킬 것인가"를 핵심 질문으로 던집니다.
- 제안하는 관점: 스마트 교실을 단순히 "학생-AI 튜터" 1대1 관계가 아니라, 학생·교사·또래·인간 튜터·보호자 등 여러 이해관계자가 얽힌 사회기술적 생태계(socio-technical ecosystem)로 봐야 한다고 주장합니다. AI의 잠재력을 실제로 끌어내려면 이 생태계 안의 인간-AI 상호작용을 신중하게 설계해서, 학생뿐 아니라 이들을 둘러싼 "촉진자(facilitator)"들도 함께 지원해야 한다는 것이 핵심 메시지입니다.
- 제시하는 사례: CATS Lab의 실제 프로젝트들을 근거로 듭니다 — 학생용 AI 튜터링 소프트웨어, 교사를 위한 혼합현실 기반 실시간 분석/인지 도구, 학생 목표설정 지원 도구, 소규모(small-dosage) AI 지원 원격 인간 튜터링 등. 이런 "학생 + 촉진자 동시 지원" 접근이 AI의 교육적 잠재력을 실현하고 격차를 줄이는 데 유망하다고 결론짓습니다.
연구 질문: 학습 성과(outcome)의 차이를 만드는 학생 간 차이는 무엇인가?
방법: iAFM(Additive Factors Model의 변형)을 이용해 학생별 "학습 속도(learning rate)"를 통계적으로 모델링. 에듀테크 기반 "하면서 배우기(learning by doing)" 데이터셋 28개를 분석.
결과: ITS(지능형 튜터링 시스템) 환경에서는 학생들이 거의 동일한 속도로 학습함(all students learn equally fast). 왼쪽 그래프들은 각 데이터셋별 개별 학생들의 학습 곡선(연습 시행에 따른 성과 향상)을 겹쳐 그린 것으로, 기울기(학습 속도)가 학생마다 놀랍도록 비슷하다는 것을 시각적으로 보여줍니다.
핵심 해석: 성취 격차(achievement gap)는 학생이 "타고나길 더디게 배워서" 생기는 게 아니라, 애초에 배울 기회(opportunity to learn)의 차이에서 비롯될 가능성이 크다는 결론입니다.
"사회기술적 생태계(socio-technical ecosystem)"
구조: 맨 위 "Human-Centered AIED"(인간중심 AIED)가 화살표로 중앙의 "Student"를 직접 지원합니다. 그리고 Student는 주변의 네 "촉진자(facilitator)"들 - 교사(Teacher), 인간 튜터(Human Tutor), 또래(Peer), 부모/보호자(Parent/Caregiver) - 와 양방향 화살표로 연결되어 있습니다.
의미: AI를 "학생 개인에게만 직접 작동하는 도구"로 보지 않고, 학생을 둘러싼 여러 인간 행위자들과의 관계망 속에 놓고 설계해야 한다는 주장입니다. 즉 Human-Centered AIED의 새로운 역할은,
- 학생을 직접 지원하는 것뿐 아니라
- 교사·튜터·또래·보호자 같은 기존의 인간 지원자들이 학생을 더 잘 도울 수 있도록 "간접적으로" 보조하는 것
즉, "AI 잠재력을 끌어내려면 학생 1인이 아니라 이 생태계 전체를 설계 대상으로 삼아야 한다"
"교사용 혼합현실(mixed-reality) 분석 기반 인지 도구"의 실제 사례 Lumilo
AI 튜터링 소프트웨어를 학생들이 쓰는 동안, 교사가 스마트글라스(AR)를 통해 무엇을 보게 되는지를 모의화면(mock-up)으로 보여줍니다.
Class View (학급 전체 뷰) 교실 전체를 둘러보면 각 학생 머리 위에 색깔 아이콘(물음표, 경고 삼각형, 화살표 등)이 떠서 누가 도움이 필요한지 한눈에 표시됩니다. 상단에는 "Low mastery, high practice(숙달도는 낮은데 연습량은 많음)", "Common errors(흔한 오류)" 같은 학급 전체 요약 정보도 함께 뜹니다. 즉 교사가 25~30명을 일일이 확인하지 않아도 개입이 필요한 학생을 즉시 파악할 수 있게 해줍니다.
Deep Dive 화면 (특정 학생 상세 보기) 교사가 한 학생(예: Oliver Kery)에 관심을 가지면, 그 학생이 지금 풀고 있는 문제(Current problem)와 구체적으로 어디서 막혔는지(Areas of struggle — 예: "변수항 결합", "양변을 계수로 나누기" 같은 특정 수학 개념에서의 오류)를 요청 시(on-request) 상세하게 보여줍니다.
의미: 이 도구는 AI가 학생을 직접 가르치는 대신, 교사가 실시간으로 "누구를, 언제, 어떤 이유로" 개입해야 하는지 판단하도록 돕는 역할을 합니다. 앞서 본 다이어그램("Teacher"를 지원하는 Human-Centered AIED)의 구체적 구현 사례이자, 키노트가 강조한 "학생뿐 아니라 촉진자(facilitator)도 AI로 지원한다"는 주장의 핵심 증거 자료입니다.
3개 비교 조건
- Lumilo: 스마트글라스 + 분석(analytics) 정보 제공
- Glasses, no Analytics: 글라스는 착용하지만 분석 정보 없음(순수 비교군)
- BaU (Business as Usual): 기존 방식, 도구 없음
결과 1 — 교사 시간 배분 (왼쪽 그래프) Lumilo 조건(빨간선)만 뚜렷하게 우하향합니다. 즉 사전점수(pre-test)가 낮은, 즉 "더 배울 게 많은" 학생일수록 교사가 그 학생에게 더 많은 시간을 씁니다. 나머지 두 조건은 이런 패턴이 거의 없습니다(평평함) — 분석 정보가 있어야 교사가 도움이 필요한 학생에게 시간을 재분배한다는 뜻입니다.
결과 2 — 학생 학습 향상 (가운데 그래프) 사전-사후 점수 변화를 보면 Lumilo 조건(빨강)의 향상 폭이 가장 크고, Glasses-no-Analytics(초록)가 중간, BaU(회색)가 가장 낮습니다. 즉 "분석 정보가 결합된 인지 지원"이 있어야 학습 향상이 극대화됩니다.
결과 3 — 학생 학습 성과 (오른쪽 그래프) 사전점수 대비 사후점수 관계를 보면, 사전점수가 낮은 학생일수록 Lumilo 조건에서 성과가 상대적으로 더 좋게 나타납니다 — 헤드라인 문구 "Especially those who had more to learn"(특히 배울 게 더 많았던 학생들에게 효과적)를 뒷받침합니다.
종합 해석: 이 결과는 앞서 나온 다이어그램·Lumilo 슬라이드의 주장을 직접 검증합니다. 즉, AI가 학생을 직접 가르치지 않고 "교사의 주의(attention)를 도움이 필요한 학생 쪽으로 재분배"하도록 돕기만 해도, 특히 취약한(사전지식이 낮은) 학생들의 학습 성과가 유의하게 개선된다는 것입니다. 이는 키노트 초반에 제기한 "AI가 격차를 줄이는 데 실제로 기여할 수 있는가"라는 질문에 대한 긍정적 실증 근거로 제시되고 있습니다.
"소규모(small-dosage) AI 지원 원격 인간 튜터링" 프로젝트
저성취 학생이 가장 큰 향상을 보인 이유 (가설들)
- 튜터가 이 학생들에게 실제로 더 많은 시간을 썼을 가능성
- "튜터가 곧 온다"는 인지 자체가 학생의 참여도(engagement)를 높였을 가능성 — 즉 개입의 실질적 내용과 무관하게, 사람이 신경 써준다는 사실 자체의 효과
- 관계 형성과 사회정서적 지지(socio-emotional support)가 이런 학생들에게 특히 더 가치 있었을 가능성
- 이 부분이 내게 가장 흥미로운 부분이었음. 상식적으로 생각해도 교사가 내게 신경을 써준다는 사실 자체만으로도 학생들의 학업성취도가 향상될 수 있다고 생각한다. 관계형성과 사회정서적 지지의 중요성이 인지적 조력보다 더 큰 의미가 있을 것이라는 나의 신념에 대한 지지가 되는 부분이기도 했고.
결론 (별도로 강조된 마지막 항목) Human-AI 튜터링(AI가 인간 튜터의 개입을 보조/최적화하는 방식)이 교육 형평성(equity)을 증진시킬 수 있다.
맥락: 앞선 Lumilo 결과(교사 시간 재분배 → 저성취 학생 향상)와 구조가 동일합니다 — AI 자체가 직접 가르치는 게 아니라, "누구에게 인간의 관심과 자원을 배분할지"를 최적화하는 역할을 함으로써 격차 해소에 기여한다는 논리입니다. 다만 여기서는 그 메커니즘이 순수 인지적(cognitive) 요인만이 아니라 정서적·관계적(socio-emotional) 요인일 수도 있다는 점을 추가로 짚고 있어, 키노트 전체가 강조하는 "AI+인간 촉진자 협업" 프레임을 더 폭넓게 뒷받침하는 근거로 제시된 것으로 보입니다.