AI 증강 교과서를 향하여

• 이 글은 Towards an AI-Augmented Textbook(출처: 아래 참고)를 번역한 글 전문입니다.
• 출처: LearnLM Team, Google, Martín, A., Globerson, A., Wang, A., Shekhawat, A., Iurchenko, A., Choudhury, A., Hassidim, A., Çakmakli, A., Shasha Evron, A., Yang, C., Heldreth, C., Akrong, D., Elidan, G., Mu, H., Li, I., Cohen, I., Chou, K., Singh, K., Borovoi, L., Hackmon, L., Belinsky, L., Fink, M., Efron, N., Singh, P., Levitt, R., Agarwal, S., Sharon, S., Lee-Joe, T., Hao, X., Gold-Zamir, Y., Haramaty, Y., Mor, Y., Bar Sinai, Y., & Matias, Y. (2025). Towards an AI-augmented textbook. arXiv. https://arxiv.org/abs/2509.13348
• 관련 링크: https://research.google/blog/learn-your-way-reimagining-textbooks-with-generative-ai/
• 관련 플랫폼: https://learnyourway.withgoogle.com/

AI 증강 교과서를 향하여

2025-09-19 Google

Google LearnLM 팀: Alicia Martín, Amir Globerson, Amy Wang, Anirudh Shekhawat, Anisha Choudhury, Anna Iurchenko, Avinatan Hassidim, Ayça Çakmakli, Ayelet Shasha Evron, Charlie Yang, Courtney Heldreth, Diana Akrong, Gal Elidan, Hairong Mu, Ian Li, Ido Cohen, Katherine Chou, Komal Singh, Lev Borovoi, Lidan Hackmon, Lior Belinsky, Michael Fink, Niv Efron, Preeti Singh, Rena Levitt, Shashank Agarwal, Shay Sharon, Tracey Lee-Joe, Xiaohong Hao, Yael Gold-Zamir, Yael Haramaty, Yishay Mor, Yoav Bar Sinai, Yossi Matias

요약

교과서는 교육의 초석이지만, ‘하나의 크기가 모두에게 맞는’ 매체라는 근본적인 한계를 가지고 있습니다. 새로운 자료나 대안적인 표현 방식을 추가하려면 힘든 인간의 노력이 필요하므로, 교과서는 확장 가능한 방식으로 개조될 수 없습니다. 우리는 생성형 AI를 사용하여 교과서를 변형하고 증강하는 접근 방식을 제시하며, 콘텐츠의 무결성과 품질을 유지하면서 다중 표현 및 개인화의 층을 추가합니다. 이 접근 방식으로 구축된 시스템을 ‘Learn Your Way’라고 부릅니다. 우리는 다양한 변형 및 증강에 대한 교육학적 평가를 보고하고, 무작위 통제 실험의 결과를 제시하여 일반적인 교과서 사용에 비해 ‘Learn Your Way’를 통한 학습의 이점을 강조합니다.

키워드: 개인화 학습, 생성형 교육, 콘텐츠 변환

1. 서론

최근 생성형 인공지능(Gen-AI)의 발전은 교육을 혁신할 잠재력을 가지고 있지만, 이 잠재력은 아직 완전히 실현되지 않았습니다. 이를 위해서는 학습 과학과 최첨단 기술을 함께 엮는 책임감 있고 다학제적인 접근이 필요합니다. 이 연구에서 우리는 현재 학습 여정의 중심적인 측면인 교과서 자료 탐구에 중점을 둡니다. 전통적으로 모든 학교는 모든 학습자가 사용하도록 지정된 여러 교과서를 선택합니다. 교과서는 정의상 융통성이 없고 적응적이지 않습니다. 모든 대상 독자를 위한 버전을 수동으로 만드는 것은 비현실적이며, 개인 사용자의 요구에 맞게 조정하는 것은 더욱 그렇습니다. 여기서 우리는 Gen-AI 시대에는 이러한 유연하고 개인화된 교과서의 개념이 실제로 실현 가능하다는 것을 주장합니다. 구체적으로, 우리는 교과서가 원본 콘텐츠의 무결성을 유지하면서 효과적인 학습을 촉진하는 층을 추가하여 어떻게 더 풍부하고 개인화된 형태로 변형될 수 있는지 보여줍니다.

우리의 교과서 증강 접근 방식은 교과서의 일부 또는 장을 입력으로 받아 광범위한 생성 콘텐츠, 연습 및 평가의 기초로 사용합니다. 우리의 접근 방식은 원본 콘텐츠의 해당 증강의 기초가 되는 두 가지 핵심 개념, 즉 다중 표현과 개인화에 기반을 둡니다. 우리는 원본 텍스트가 먼저 개인화된 다음, 다양한 프레젠테이션 형태와 평가 구성 요소로 변형되는 2단계 AI 생성 체계를 제안합니다. 이 과정에서 핵심적인 요구 사항은 콘텐츠가 출처 및 교육 과정과 적절하게 일치하고, 프레젠테이션이 매력적이고 교육학적으로 효과적이어야 한다는 것입니다. 우리는 우리의 접근 방식을 ‘Learn Your Way’라고 부르는 실험적인 학습 경험으로 구현합니다.

우리는 학습 경험이 학습자의 특성과 요구에 맞게 조정될 때 학습이 더 효과적일 수 있다는 교육학적 관찰에서 시작합니다[개인화 접근 방식에 대한 검토는 1, 2 참조]. 따라서 ‘Learn Your Way’는 특정 학습자 속성을 기반으로 원본 교과서 콘텐츠를 먼저 재생성하도록 설계되었습니다. 또한, ‘Learn Your Way’는 학습자의 진행 상황에 대한 신호를 생성하고, 개인화된 피드백을 학습자에게 반영하며, 후속 단계에 영향을 미치는 평가 기회를 생성합니다.

그림 1	‘Learn Your Way’ 학습 경험의 예시. 중앙에는 “몰입형 텍스트” 보기가 있으며, 이는 원본 자료(OpenStax의 면역 체계 교란 콘텐츠)를 6학년 수준으로 변환하고 게임에 대한 개인적인 관심에 맞게 조정한 것입니다. 몰입형 텍스트에는 개인화된 예제, 내장된 질문 등과 같은 다양한 생성형 부가 기능이 포함되어 있습니다. 학습자는 언제든지 내레이션이 있는 슬라이드나 오디오 강의와 같이 전체 자료의 대체 보기로 전환할 수 있으며, 이 역시 개인화됩니다.

콘텐츠의 다중 표현의 가치는 학습 과학에서 연구되었습니다[예: 3 참조]. 예를 들어, 이중 부호화 이론[4]은 다중 표현이 동일한 개념의 다른 부호화 사이의 연결을 형성하여 해당 정신적 개념 구조를 강화하는 이점을 가진다고 제안합니다. 따라서 ‘Learn Your Way’는 학습자가 상호 작용하고 선택할 수 있는 자료의 여러 보기(오디오 강의, 내레이션이 있는 슬라이드, 마인드맵)로 증강됩니다. 이러한 옵션을 제공하는 것은 개인화된 시스템이 학습자가 자신의 학습 경로를 결정할 수 있는 주체성을 제공하는 적응 가능해야 한다는 견해와 일치합니다[5-7]. 또한 자기 조절 학습(SRL)[8] 및 가시적 학습[9] 이론에 의해 동기 부여되었으며, 이는 학습자가 학습 과정을 인지적으로 제어할 수 있도록 지원하는 것의 중요성을 인정합니다.

그림 1은 개인화와 다중 표현이 어떻게 결합되는지를 보여주는 ‘Learn Your Way’의 중심 보기를 보여줍니다. 결과적으로 AI 증강 교과서는 학습자에게 개인화되고 매력적인 학습 경험을 제공하는 동시에, 이해를 높이기 위해 다양한 양식 중에서 선택할 수 있도록 합니다. 다음 섹션에서는 ‘Learn Your Way’의 각 구성 요소와 각 구성 요소의 교육학적 장점에 대한 평가를 설명합니다. 마지막으로, 우리의 개인화 및 다중 표현 ‘Learn Your Way’ 시스템을 사용한 학습이 동일한 자료에 대한 표준 디지털 리더에 비해 학습 효과를 향상시킬 수 있음을 보여주는 무작위 통제 연구 결과를 보고합니다. 종합적으로, 우리의 결과는 생성형 AI 시대에 교과서라는 매체를 재창조할 수 있는 잠재력을 보여줍니다.

2. 개인화 및 다중 뷰를 통한 교과서 증강

우리는 학습자의 교육 과정과 학습 목표에 의해 정의된 ‘진실의 원천’ 자료가 있다고 가정합니다. 간단히 말해, 교과서의 한 섹션을 생각할 수 있지만, ‘진실의 원천’은 전달되어야 할 지식과 기술의 더 복잡한 집합일 수 있습니다. 우리의 목표는 원본 자료를 변형하는 것이 어떻게 콘텐츠 참여도와 효과성을 높일 수 있는지 탐구하는 것입니다. Gen-AI는 이 맥락에서 네 가지 주요 기회를 제공합니다. 첫째, 학습자가 관심 있는 모든 자료에 대해 그러한 콘텐츠를 생성할 수 있습니다. 둘째, 학습자의 특정 속성과 요구에 맞게 조정하면서 이를 수행할 수 있습니다. 이는 인간 교육자에 의한 개인화된 학습 자료 생성이 훨씬 더 긴 과정이고 대규모로 수행하기에는 비현실적이라는 점과 대조됩니다. 셋째, AI는 시각화 및 오디오 기반 형식을 포함하여 자료의 다양한 표현을 생성하는 데 사용될 수 있으며, 이는 학습의 효과성을 더욱 향상시키는 것으로 알려져 있습니다[3, 4]. 마지막으로, AI는 학습자에게 맞춰진 형성 평가 요소를 생성하여 진행 상황을 모니터링하고 조절할 수 있게 합니다. [10]에서 언급했듯이, 형성 평가는 학습, 특히 자기 조절 학습의 중요한 동인입니다.

우리의 교과서 변형 및 증강은 2단계 접근 방식을 따릅니다. “텍스트 개인화” 단계에서는 학습자의 특정 개인 속성에 맞게 자료를 다시 작성합니다. 그런 다음 “콘텐츠 변형” 단계에서는 다시 작성된 자료의 여러 뷰를 만듭니다. 이를 통해 사용자는 동일한 개념 구조의 보완적인 표현을 번갈아 가며 자신의 학습 경로를 선택할 수 있습니다. 그림 2는 이 과정을 보여주며, 두 가지 다른 개인화 변형이 다른 뷰를 생성하는 것을 보여줍니다. 별도로 언급되지 않는 한, 아래에 설명된 모든 변형 및 증강은 추가적인 미세 조정 없이 선도적인 교육 모델인 Gemini 2.5 Pro[11]에 직접 의존합니다.

2.1. 텍스트 개인화

위에서 설명했듯이, 우리의 접근 방식은 먼저 원본 텍스트를 더 개인화된 형태로 변형합니다. 이 과정에서 핵심적인 선택은 학습자의 어떤 특정 속성에 맞게 개인화할 것인가입니다. 간단히 하기 위해, 우리는 두 가지 핵심 속성인 학년 수준과 개인적인 관심사에 중점을 둡니다. 물론 더 포괄적인 개인화를 향한 길에는 고려해야 할 추가적인 속성이 많이 있습니다.

학년 수준에 대한 개인화
자료를 학습자의 읽기 학년 수준에 맞게 조정하는 것은 뒤따르는 다른 모든 변형의 기초를 제공하는 핵심 변형입니다. 텍스트는 해당 수준에 대한 Flesch-Kincaid Grade(FKG)[12, 13]와 일치시키는 것을 목표로 생성적으로 조정되며, 사실성과 자료의 포괄성은 유지됩니다. 이것은 ‘레벨 재조정(re-leveling)’으로 알려져 있으며 Gemini 2.5 Pro 핵심 교육 기능의 일부입니다. 평가는 [11]의 섹션 2.2를 참조하십시오.

관심사에 대한 개인화
‘Learn Your Way’ 경험은 학습자에게 학년 수준 외에 개인적인 관심사를 묻습니다. 현재, 간단히 하기 위해, 학습자는 여러 공통 관심사(예: 스포츠, 음악, 음식) 중 하나를 선택하도록 요청받습니다. 이 정보는 원본 텍스트를 다시 작성하는 데 사용되어 더 공감할 수 있게 만듭니다. 이것은 또한 새로운 지식을 학습자가 사용하는 기존 개념 네트워크에 매핑하여 학습을 더 효과적으로 만드는 목적을 수행합니다. [14]에서 언급했듯이: “개인의 기존 지식은 후속 학습 및 성과의 기초 역할을 합니다.” 그들의 검토는 또한 “사전 지식은 독자의 서면 언어 이해를 안내합니다”라고 주장합니다. 우리의 Gen-AI 재작성은 텍스트의 일부를 먼저 선택하여 개인화에 특히 적합한 부분을 선택한 다음, 이 부분만 AI가 다시 작성한 개인화된 버전으로 교체하는 집중적인 방식으로 수행됩니다. 이것은 개인화된 텍스트를 강조하여 학습자에게 그것이 그들의 관심사에 맞게 전문화되었음을 알리는 추가적인 이점이 있습니다. 뉴턴의 제3법칙 예제에 대한 그림 2의 예를 참조하십시오. 두 가지 다른 관심사(농구와 예술)에 맞게 다시 작성되었습니다.

그림 2	‘Learn Your Way’에서 사용되는 2단계 생성 절차의 그림. 여기서는 OpenStax의 뉴턴의 운동 제3법칙의 일반적인 예가 먼저 ‘농구’(왼쪽)와 ‘미술’(오른쪽)이라는 개인적인 관심사에 맞게 개인화된 다음, 다양한 프레젠테이션 형식으로 확장됩니다.

2.2. 콘텐츠 변환

위의 재작성 단계는 학습자에게 적응된 텍스트를 생성합니다. 우리는 이 텍스트를 다중 콘텐츠 변환의 기초로 사용하며, 각 변환은 자료의 다른 뷰를 제공합니다. 모든 변환이 섹션 2.1의 개인화된 텍스트를 기반으로 하므로, 이들 역시 유사하게 개인화됩니다. 아래에서는 다양한 변환에 대한 설명을 제공합니다. 슬라이드, 오디오 및 마인드맵 변환은 아래에서 설명하고, “몰입형 텍스트” 변환은 섹션 2.2.1에서 설명합니다.

슬라이드 및 내레이션
학습자들은 종종 핵심 자료를 간략하게 다루면서 자료에 앞서 관심을 끄는 질문을 제안하고 참여를 목표로 하는 활동을 제안하는 수업과 같은 슬라이드 시퀀스로부터 이점을 얻습니다.

그림 3	시장 경제의 예시를 축구 영역에 맞게 조정한 샘플 슬라이드를 보여줍니다.

이것은 일부 학습자에게 더 효과적일 수 있는 대안적인 프레젠테이션 형식을 제공합니다. 슬라이드가 개인화된 텍스트를 기반으로 한다는 사실은 슬라이드를 더욱 효과적으로 만듭니다. ‘Learn Your Way’ 경험은 슬라이드에 대한 추가적인 선택적 생성 내레이션도 제공합니다. 내레이션은 녹음된 강의와 유사하도록 의도되었으며, 내레이션 텍스트는 슬라이드의 텍스트에 국한되지 않고 오히려 자연스럽고 슬라이드에 보완적이도록 설계되었습니다.

오디오-그래픽 강의
이 변환은 자료에 대한 교사와 학생 간의 대화를 시뮬레이션하는 오디오-그래픽 형태로 전달되는 포괄적이고 상세한 자료 범위를 목표로 합니다. 현실적인 경험을 위해 교사와 학생의 차례는 독립적인 Gemini “페르소나”를 사용하여 반복적으로 생성됩니다. 이를 통해 (가상) 학생이 자료가 제시되기 전에 보지 않고, 예를 들어, 원본 자료에 없는 답변으로 질문에 응답하고 일반적인 학습자의 오해를 발견할 수 있는 현실적인 경험이 가능합니다. 오디오 대화 외에도, 강의에는 핵심 개념과 그들 사이의 관계에 대한 그래픽 표현이 포함되어 있으며, 이는 학습자에게 동적으로 제시됩니다. 오디오와 시각적 구성 요소의 이 조합은 이중 부호화 이론에 의해 동기 부여되었으며, 이는 개념의 다중 표현이 해당 정신적 개념 구조를 강화하는 역할을 한다고 제안합니다.

마인드맵
이 일반적인 그래픽 표현은 정보를 계층적으로 구성하고 다양한 세분성 수준에서 자료에 대한 넓은 시야를 허용합니다. 상세한 학습 세션 후 자료를 정리하는 메커니즘이나 전체 원본 자료의 조직적 알림으로 종종 유용합니다. 우리는 맵 노드를 출처에서 파생된 설명 텍스트와 이미지로 주석 처리하고 사용자가 노드를 확장 및 축소하여 개념 계층을 확대 및 축소할 수 있도록 합니다. 예시는 그림 4를 참조하십시오.

그림 4	OpenStax의 ‘초기 인류의 진화와 이주’ 원본 자료를 위해 생성된 마인드맵 예시. 다양한 노드를 확장하여 자료를 더 세분화된 시각으로 볼 수 있으며, 리프 노드는 텍스트나 관련 시각 자료로 주석 처리됩니다.

2.2.1. 몰입형 텍스트

위의 변환들은 효과적일 수 있지만, 독립적으로 존재하지는 않습니다. 이것들은 원본의 내용을 완전히 상세하게 설명하는 일관되고 포괄적인 텍스트를 보완하기 위한 것입니다. 이러한 텍스트는 개인화된 요소와 여러 양식을 삽입함으로써 향상될 수 있습니다. 우리는 이것을 “몰입형 텍스트”라고 부릅니다(그림 1 참조). 텍스트의 각 섹션 뒤에는 아래에 자세히 설명된 대로 학습 경험을 향상시키기 위한 여러 추가 구성 요소를 선택적으로 포함합니다. 또한 섹션 3에 설명된 대로 평가 구성 요소도 포함합니다.

타임라인
원본 자료에는 종종 역사적 사건의 연속이나 실험 또는 알고리즘 접근 방식의 단계와 같은 순서가 포함됩니다. “타임라인”은 이러한 순서를 시각적으로 전달하여 인지 부하를 줄이고 학습자가 세부 사항을 더 쉽게 따라갈 수 있도록 합니다. 이를 생성하기 위해, 원본 자료는 먼저 후보 순서를 식별하기 위해 스캔된 다음, 타임라인 생성 및 자료 내 적절한 배치가 이어집니다. 이러한 변형은 또한 자료와 밀접하게 관련된 대화형 연습 기회를 제공합니다. 학습자는 상자를 순서대로 적절한 위치로 드래그 앤 드롭하도록 요청받습니다.

기억 보조 도구
새로운 자료를 배우는 것은 종종 사실을 암기하는 것을 포함하며, 이는 학습자에게 어려운 과제일 수 있습니다. 학습자가 이 필요를 해결하는 데 도움이 될 수 있는 많은 전략이 있습니다. 우리는 니모닉(mnemonics)이라는 일반적인 전략에 중점을 둡니다. 이는 기억할 각 항목을 동일한 첫 글자로 시작하는 단어와 연관시키고, 단어의 순서가 문장을 형성하는 암기 접근 방식입니다. 즉석 생성을 통해 우리는 더 이상 적용 범위가 드문 일반적으로 사용되는 니모닉에 제한되지 않습니다. 대신, 입력 자료가 주어지면 Gemini는 먼저 자료에서 암기하기 어려운 요소를 식별하는 데 사용됩니다. 그런 다음 유효한 니모닉이라는 제약 조건 외에 두 가지 요구 사항을 가진 니모닉이 생성됩니다: 일관성 있고 기억하기 쉬운 문장을 형성하고, 기억할 자료와 의미적으로 밀접한 관련이 있는 문장을 형성하는 것입니다.

시각적 삽화
시각적 학습은 강력한 매체로 널리 인식되고 있으며, 많은 교과서에는 설명 다이어그램과 그림이 포함되어 있습니다. AI 이미지 생성 도구를 사용하여 이러한 시각 자료를 생성하는 것은 자연스럽습니다. 그러나 우리의 초기 탐색 결과, 가장 진보된 AI 이미지 생성 모델조차도 이러한 유형의 이미지를 생성하는 데 어려움을 겪는다는 것을 발견했습니다.

그림 5	OpenStax의 ‘경제를 조직하는 방법’ 자료에 대해 축구에 대한 학습자의 관심을 기반으로 핵심 개념을 매력적인 방식으로 포착하는 개인화된 시각적 생성의 예시. 이미지 옆의 개인화된 텍스트는 원본 텍스트가 스포츠 주제에 맞게 조정되었음을 보여줍니다. 이미지는 텍스트의 시각적 삽화이므로 역시 개인화됩니다. ¹ ‘단순한’ 스타일은 교육적인 경우에 필요한 단순한 의미론과 같지 않다는 점에 유의하십시오.

이것은 그러한 모델이 세부 사항이 많은 현실적인 이미지를 생성하도록 훈련되었으며, ‘단순한’ 또는 ‘교육적인’ 이미지를 요청받았을 때 때때로 부정확한 이미지를 반환한다는 사실로 설명될 수 있습니다.¹ 이를 극복하기 위해, 우리는 이 작업을 위해 특별히 모델을 미세 조정했습니다. 이 모델은 Gemini가 삽화할 가치가 있다고 식별하는 자료의 일부에 적용됩니다. 예시는 그림 5에 나와 있습니다.

3. 연습 및 평가

형성 평가는 아마도 학습의 주요 동인 중 하나이며[15], 이전에 논의된 자료의 다중 뷰를 증강합니다. 실제로, 효과적인 ‘학습 중’ 평가와 즉각적인 피드백은 개념을 강화하고 지식 및 기술 보유를 증가시키는 데 도움이 될 수 있습니다[예: 16 참조]. 따라서 우리는 아래에 설명된 두 가지 평가 구성 요소로 ‘Learn Your Way’를 증강합니다. 두 구성 요소 모두 몰입형 텍스트 뷰 내에 나타납니다.

내장된 질문
내장된 질문은 원본 자료의 특정 부분에 기반을 두고 연관된 동적으로 생성된 질문입니다. 이 질문들은 읽기 경험을 수동적인 것에서 능동적인 것으로 전환하고 즉각적인 피드백을 제공함으로써 학습자의 참여를 유지하는 역할을 합니다. 또한 학습 중인 개념을 강화합니다. ‘Learn Your Way’에서는 학습자가 몰입형 텍스트 뷰에서 물음표를 클릭할 때 나타나는 객관식 질문으로 제시됩니다. 그림 6을 참조하십시오.

퀴즈
섹션 수준 퀴즈는 섹션을 읽고 습득한 후 더 깊은 이해를 목표로 합니다. 퀴즈는 동적으로 생성되며 섹션의 모든 자료에 기반을 둡니다. 다양한 난이도와 유형의 5-10개의 객관식 질문으로 구성됩니다. 퀴즈가 끝나면 수치 점수와 강점(또는 Glows) 및 개선 영역(또는 Grows)을 강조하는 목표 피드백을 모두 포함하는 전반적인 평가가 제공됩니다.

그림 6	OpenStax의 ‘경제를 조직하는 방법’ 주제에 대한 내장된 질문의 예.

4. 교육학적 평가

‘Learn Your Way’에서 사용되는 다양한 증강 및 변형 구성 요소의 품질을 평가하기 위해, 우리는 여러 교육 전문가에게 각 구성 요소의 품질을 여러 기준에 걸친 교육학적 루브릭에 따라 평가하도록 요청했습니다.

평가를 위해 우리는 OpenStax에서 제공하는 사회학에서 물리학에 이르는 다양한 주제의 10개의 원본 PDF를 사용했습니다(전체 목록은 부록 A 참조). 학년 수준 개인화를 위해, 우리는 세 가지 학년 수준(7학년, 10학년, 학부 수준)과 세 가지 개인적 관심사(농구, 음악, 음식)를 고려했습니다. 각 PDF에는 학년 수준과 개인적 관심사의 세 가지 무작위 조합이 할당되었습니다(9가지 가능한 조합 중). 위의 각 구성은 ‘Learn Your Way’에 입력으로 제공되었으며, 이는 섹션 2.2와 섹션 3에 설명된 변형 및 평가를 생성했습니다. 전문가들은 ‘Learn Your Way’ 경험의 전반적인 장점뿐만 아니라 시스템의 개별 구성 요소를 평가하도록 요청받았습니다:

• 콘텐츠 변환: 슬라이드, 내레이션이 있는 슬라이드, 오디오 강의, 마인드맵.
• 몰입형 텍스트 구성 요소: 타임라인, 기억 보조 도구, 시각적 삽화.
• 관심사에 대한 개인화: 섹션 2.1에서 언급했듯이, 원본 텍스트의 일부는 사용자의 관심사에 맞게 개인화된 버전으로 대체되었습니다. 이 부분들은 또한 강조 표시되었으므로, 우리는 교육 평가자들에게 이를 평가하도록 요청할 수 있었습니다.
• 평가: 섹션 3에서 언급했듯이, 몰입형 텍스트에는 두 가지 유형의 평가가 포함됩니다: 내장된 질문과 퀴즈. 우리는 이들을 별도로 평가합니다.

우리는 교육 전문가들에게 각 구성 요소의 품질을 포괄성과 같은 여러 기본 기준뿐만 아니라 핵심 학습 과학 원칙을 포착하는 기준에 대해 평가하도록 요청했습니다. 모든 기준에 대한 평가 루브릭은 부록 B를 참조하십시오. 예를 들어, 정확성 기준에 대해, 그들은 구성 요소가 “원본에 충실하고 정확한지” 질문받았습니다. 기준은 포괄성, 강조, 인지 부하, 능동적 학습, 메타인지 심화, 동기 및 호기심, 적응성, 학습 의도의 명확성이었습니다. 이들 각각에 대해, 교육학적 루브릭의 지침에 따라(부록 B 참조), 평가자들은 동의(1.0), 중립/부분적(0.5), 또는 비동의(0.0) 등급을 제공했습니다. 마지막으로, 각 구성 요소는 세 명의 다른 평가자에 의해 평가되었습니다.

결과는 그림 7에 요약되어 있으며, 모든 구성 요소가 비교적 높은 교육학적 가치를 가지고 있고 전반적인 경험이 모든 축에서 0.90 이상으로 평가되었음을 보여줍니다. 가장 낮은 점수를 받은 구성 요소는 시각적 삽화입니다. 이것은 고품질의 교육적 이미지를 생성하는 어려움을 고려할 때 예상할 수 있습니다.

그림 7	‘Learn Your Way’를 구성하는 다양한 구성 요소에 대한 교육 전문가의 평가. 상단 그림은 상위 수준 지표를 보여주고, 하단 그림은 핵심 학습 과학 원칙에서 비롯된 추가 지표를 보여줍니다. 평가는 부록 B에 상세히 설명된 루브릭을 기반으로 합니다. 모든 원본 자료에 걸쳐 세 명의 평가자의 평균이 표시됩니다.

그림 7에 제시된 결과를 자세히 살펴보면 추가적으로 더 미묘한 통찰을 얻을 수 있습니다. 예를 들어, 슬라이드 형식은 모든 기능 중에서 가장 낮은 ‘참여도’ 점수를 받았습니다. 반면에, 생성형 내레이션이 추가된 동일한 슬라이드는 상당히 더 높은 점수를 받았습니다. 이는 슬라이드가 종종 내레이션과 함께 제공되며, 따라서 이 조합이 학습자에게 더 매력적이라는 사실과 일치합니다. 이러한 유형의 통찰은 ‘Learn Your Way’의 모든 구성 요소의 향후 버전을 개선하는 데 매우 중요합니다.

5. 효과성 연구 설계 및 결과

위에서는 여러 주제와 개인화에 대한 다양한 생성된 구성 요소의 교육학적 평가를 보고했습니다. 그러나 다양한 기능이 학습 경험에 함께 모일 때 그 영향은 훨씬 더 크므로, 학습 효과성 측면에서 그들의 전체적인 교육학적 가치를 측정하는 것이 중요합니다. 이 관점에서 ‘Learn Your Way’를 평가하기 위해, 우리는 학생들이 익숙하지 않은 교과서 장을 배워야 하는 실험을 진행했습니다.

학생 모집
시카고 지역의 도시, 교외, 농촌 학교에서 15-18세 학생 60명을 모집했습니다. 참여 학생들이 유사한 독해 능력을 갖도록 하기 위해, 우리는 모집 기준의 일부로 독해 및 평가 과제를 제공했습니다. 평가는 짧은 지문과 그에 대한 일련의 질문을 포함했습니다.

그림 8	개인화된 학습 효과 연구의 실험 설계 개요.

이와 같이, 이 모집 과제의 형식은 실험과 유사했지만, 다른 학습 자료(바다 파도에 관한 텍스트)를 사용했습니다. 평가의 평균 점수는 6.4점, 표준 편차는 2.3이었습니다. 우리는 평균에서 표준 편차 1만큼 높거나 낮은 점수를 받은 학생들을 포함시켰으며, 이는 평가에서 10점 만점에 4-9점을 받은 것에 해당합니다.

학습 자료 및 평가
우리 연구에서, 모든 학생들은 동일한 교과서 장(LibreTexts의 청소년을 위한 뇌 발달)을 제시받았습니다. 자료를 선택할 때, 교육 전문가 패널은 길이, 친숙도, 흥미를 포함한 여러 교육학적 기준에 부합하는 텍스트를 찾도록 요청받았습니다. 분석에서 주제에 대한 사전 연구 친숙도를 고려하기 위해, 학생들은 연구 전에 주제에 대한 친숙도를 1-5점 척도로 기록하도록 요청받았으며, 5는 매우 친숙함을 의미합니다.
학습 자료를 탐색한 후, 모든 학생들은 교육 전문가가 작성한 동일한 평가를 받았습니다. 학습 자료에 대한 이해도를 평가하기 위해 두 가지 평가가 교육 전문가에 의해 작성되었습니다. 첫 번째 “즉시 평가”는 학습 세션 직후에 치르도록 설계된 15분짜리 평가였습니다. 여기에는 단답형 질문, 단일 정답 객관식 질문, 짝짓기 질문, 다중 정답 객관식 질문이 포함되었습니다. 질문은 해당 연령 그룹에서 예상되는 블룸의 분류법 수준에 맞게 전문가에 의해 작성되었습니다. 세션 3일 후, 참가자들은 실험 중 배운 내용의 장기 기억을 측정하는 후속 “기억 유지 평가”를 이메일로 받았습니다. 이것은 5-10분이 걸리도록 설계되었으며, 단답형 질문, 단일 정답 객관식 질문, 짝짓기 질문을 포함했습니다. 참가자들은 이를 완료하는 데 4일이 주어졌습니다. 60명의 참가자 중 58명이 기억 유지 평가를 완료했습니다.

첫 번째 평가 직후, 학생들은 그 난이도를 평가하도록 요청받았습니다. ‘Learn Your Way’를 사용한 학생들은 평가의 난이도를 평균 3.6점(1-5점 척도)으로 평가했으며, 대조군에서 평균 3.37점을 준 학생들보다 약간 높았지만, Mann-Whitney U 테스트를 사용하여 그룹 간의 차이는 통계적으로 유의하지 않았습니다. 이러한 값은 학습자의 관점에서 평가가 너무 어렵지도 너무 쉽지도 않았음을 시사합니다.

실험 설계
참가자들은 실험실로 와서 정보에 입각한 동의를 통해 연구에 소개된 후, 연구 세션에 대한 개요를 들었습니다. 각 참가자는 두 가지 학습 조건 중 하나에 무작위로 할당되었습니다: ‘Learn Your Way’와 디지털 리더(Adobe Acrobat Reader v25.001.20531). ‘Learn Your Way’에 할당된 학생들의 경우, 주제에 대한 사전 연구 친숙도는 평균 2.6±1.1이었습니다. 디지털 리더에 할당된 학생들은 평균 2.9±1.2로 주제에 약간 더 익숙했지만, Mann-Whitney U 테스트를 사용하여 차이가 통계적으로 유의하지 않은 것으로 나타났습니다.
각 참가자는 할당된 도구에서 사용 가능한 기능을 소개하는 세 장의 슬라이드를 검토하는 데 5분이 주어졌습니다. 그런 다음 참가자들은 할당된 도구를 사용하여 자료를 공부했습니다. 학습 시간은 최소 20분, 최대 40분으로 설정되었습니다. 이 시간 후, 각 참가자는 Qualtrics 링크를 통해 즉시 평가를 완료하는 데 15분이 주어졌습니다.

그림 9	(왼쪽) ‘Learn Your Way’와 디지털 리더를 사용한 학습자들이 학습 경험 직후에 받은 평가의 평균 점수. (오른쪽) 학습 경험 3일 후에 주어진 기억 유지 평가의 평균 점수. 두 경우 모두, ‘Learn Your Way’와 도구 간의 차이는 통계적으로 유의했습니다.

결과
그림 9(왼쪽)는 즉시 평가 결과를, 그림 9(오른쪽)는 기억 유지 평가 결과를 보여줍니다. ‘Learn Your Way’를 사용한 학생들은 즉시 평가(p=0.03)와 기억 유지 평가(p=0.03) 모두에서 디지털 리더를 사용한 학생들보다 높은 점수를 받았습니다. Shapiro-Wilk 테스트를 사용하여 점수의 정규성을 테스트했으며, 그렇지 않았기 때문에 비모수적 Mann-Whitney U 테스트를 사용하여 통계적 유의성을 계산했습니다.
[이미지: (왼쪽) 학습 경험 직후 평가에서 ‘Learn Your Way’와 디지털 리더를 사용한 학습자의 평균 점수. (오른쪽) 학습 경험 3일 후 실시된 기억 유지 평가의 평균 점수. 두 경우 모두, ‘Learn Your Way’와 도구 간의 차이는 통계적으로 유의미했습니다.]
참가자들은 평가 완료 후 눈에 보이는 점수를 받지 않았습니다. 그런 다음 각 참가자는 Qualtrics를 통해 일련의 정량적 질문에 답하여 학습 도구에 대한 인상을 공유하는 데 10분이 주어졌습니다. 진행자는 각 참가자와 20분간 1:1 질적 인터뷰를 진행하여 도구 사용 경험에 대해 더 깊이 파고들었습니다. 연구 3일 후, 참가자들은 위에서 설명한 대로 기억 유지 평가를 받았습니다. 설정은 그림 8에 요약되어 있습니다.

그림 10은 학습 경험 설문 조사 결과를 보고합니다. ‘Learn Your Way’가 디지털 리더에 비해 상당한 이점을 제공함을 알 수 있습니다. 구체적으로, 학습 경험을 평가한 모든 측정 항목에서 ‘Learn Your Way’는 위와 동일한 통계 테스트를 사용하여 디지털 리더에 비해 일관되게 더 긍정적으로 평가되었습니다.

그림 10	평가 후 주어진 학습자 설문조사 응답. 각 진술에 대해, 각 집단별로 동의하거나 강력히 동의한 학생의 비율이 표시됩니다. 붉은색 아래쪽 화살표는 ‘Learn Your Way’가 디지털 리더보다 유의하게 높은 평가를 받았음을 나타냅니다(p<.05).
	참가자들에게 물었습니다: “다음 진술에 대해 어느 정도 동의하거나 동의하지 않으십니까?”<br/>(% 약간 동의 또는 강력히 동의)	교육 도구 조건
		Learn Your Way <br/> n=30	디지털 리더 <br/> n=30
	오늘의 교육 도구가 평가를 더 편안하게 받도록 만들어 주었다고 느꼈습니다.	100%	70%
	오늘의 교육 도구가 콘텐츠를 잘 이해하는 데 도움이 되었다고 느꼈습니다.	97%	87%
	앞으로 저의 학습 요구를 지원하기 위해 오늘의 교육 도구를 사용하고 싶습니다.	93%	67%
	이 교육 도구를 다른 학생들에게 그들의 학습 요구를 지원하기 위해 추천하고 싶습니다.	90%	80%
	오늘의 교육 도구를 사용하는 것이 즐거웠습니다.	90%	57%
	평가에서 좋은 성과를 냈다고 느꼈습니다.	87%	67%
	오늘 사용한 교육 도구는 현재 집이나 학교에서 사용하는 다른 교육 도구에 비해 학습에 더 효과적일 것입니다.	83%	40%

6. 토론 및 향후 연구

우리는 원본 학습 자료를 변형하고 증강하기 위한 2단계 Gen-AI 접근 방식을 제시했습니다. 우리의 접근 방식은 새롭고 실험적인 학습 경험인 ‘Learn Your Way’에서 Gemini를 사용하여 구현되었습니다. ‘Learn Your Way’의 다양한 구성 요소의 품질과 장점에 대한 교육 전문가 평가 외에도, 무작위 통제 실험은 익숙하지 않은 교과서 장이 주어졌을 때 실제 학생 학습에 대한 잠재적 효과성을 입증했습니다.

우리 효과성 연구의 범위에는 한계가 있습니다. ‘Learn Your Way’는 형성 퀴즈를 포함한 여러 구성 요소를 포함하고 있으므로, 이들 중 어느 것이 학습 효과성에 가장 많이 기여하는지에 대한 자연스러운 질문이 생깁니다. 현재 연구가 이에 집중하지 않았기 때문에, 일부 변형은 영향을 미치고 다른 변형은 그렇지 않을 수 있습니다. 여러 교과서 장과 주제로 평가를 확대하는 것도 유익할 것입니다. 더 상세한 통제 실험 내에서 이러한 질문을 다루는 것은 가능하지만, 비용이 많이 들 것입니다. 반면에, ‘Learn Your Way’를 사용하는 학습자의 세션 분석은 광범위한 정보를 제공할 수 있으며, 우리는 앞으로 이를 추구할 계획입니다. 예를 들어, 우리는 다른 피험자들이 어떤 ‘Learn Your Way’ 구성 요소를 사용했는지 기록했습니다. 한 가지 흥미로운 관찰은 연구 참가자의 대다수가 몰입형 텍스트 외에 적어도 하나의 콘텐츠 변형을 사용했으며, 모두 학습 세션 동안 퀴즈를 활용했다는 것입니다.

이 연구는 생성형 AI가 학습 전반과 특히 학습 개인화에 미칠 수 있는 잠재적 영향의 빙산의 일각에 불과합니다. ‘Learn Your Way’ 경험은 여러 가지 방식으로 확장될 수 있으며, 개인화 요소는 훨씬 더 탐구되고 추진될 수 있습니다. 명시적 및 암시적 신호를 통해 추가적인 학습자 속성을 연구할 수 있습니다. 시스템은 평가 구성 요소에 대한 학습자의 성과(예: 학습 격차에 집중하기 위해) 또는 학습자의 개별적인 요구와 어려움에 따라 학습 자료를 동적으로 조정함으로써 더 적응적으로 만들어질 수 있습니다. 학생 상호 작용을 늘리기 위해 더 많은 대화형 요소를 추가하여 학습자로부터 더 많은 신호를 얻고 더 효과적인 학습 경험을 만들 수 있습니다. ‘Learn Your Way’는 교사에게 학습 과정에 대한 통제와 통찰력을 제공하는 방식으로 학습 플랫폼에 내장될 수 있습니다. 그런 다음 위의 피드백 프로세스는 학습 효과성을 최적화하도록 설계될 수 있습니다.

무엇보다도, ‘Learn Your Way’는 탄탄한 학습 과학 원칙에 기반을 두고 교육 전문가들과 함께 제작 및 평가된 생성형 AI의 상상력 풍부한 사용이 어떻게 학습을 향상시킬 수 있는 흥미로운 기회를 열어주는지 보여줍니다.

참고 문헌

[1] Matthew L Bernacki, Meghan J Greene, and Nikki G Lobczowski. A systematic review of research on personalized learning: Personalized by whom, to what, how, and for what purpose (s)? Educational Psychology Review, 33(4):1675-1715, 2021.

[2] Atikah Shemshack and Jonathan Michael Spector. A systematic literature review of personalized learning terms. Smart learning environments, 7(1):33, 2020.

[3] Shaaron Ainsworth. The functions of multiple representations. Computers and Education, 33(2): 131-152, 1999. ISSN 0360-1315. doi: https://doi.org/10.1016/S0360-1315(99)00029-9. URL https://www.sciencedirect.com/science/article/pii/S0360131599000299.

[4] James M Clark and Allan Paivio. Dual coding theory and education. Educational psychology review, 3(3):149-210, 1991.

[5] Olga Chernikova, Daniel Sommerhoff, Matthias Stadler, Doris Holzberger, Michael Nickl, Tina Seidel, Enkelejda Kasneci, Stefan Küchemann, Jochen Kuhn, Frank Fischer, and Nicole Heitz-mann. Personalization through adaptivity or adaptability? a meta-analysis on simulation-based learning in higher education. Educational Research Review, 46:100662, 2025. ISSN 1747-938X. doi: https://doi.org/10.1016/j.edurev.2024.100662. URL https://www.sciencedirect.com/science/article/pii/S1747938X2400071X.

[6] Vincent Aleven, Elizabeth A McLaughlin, R Amos Glenn, and Kenneth R Koedinger. Instruction based on adaptive learning technologies. Handbook of research on learning and instruction, 2: 522-560, 2016.

[7] Jan L Plass and Shashank Pawar. Toward a taxonomy of adaptivity for learning. Journal of Research on Technology in Education, 52(3):275-300, 2020.

[8] Barry J Zimmerman and Dale H Schunk. Self-regulated learning and performance: An introduction and an overview. Handbook of self-regulation of learning and performance, pages 15-26, 2011.

[9] John Hattie. Visible learning: A synthesis of over 800 meta-analyses relating to achievement. routledge, 2008.

[10] Ian Clark. Formative assessment: Assessment is for self-regulated learning. Educational psychology review, 24(2):205-249, 2012.

[11] LearnLM Team, Abhinit Modi, Aditya Srikanth Veerubhotla, Aliya Rysbek, Andrea Huber, Ankit Anand, Avishkar Bhoopchand, Brett Wiltshire, Daniel Gillick, Daniel Kasenberg, Eleni Sgouritsa, Gal Elidan, Hengrui Liu, Holger Winnemoeller, Irina Jurenka, James Cohan, Jennifer She, Julia Wilkowski, Kaiz Alarakyia, Kevin R. McKee, Komal Singh, Lisa Wang, Markus Kunesch, Miruna Pîslar, Niv Efron, Parsa Mahmoudieh, Pierre-Alexandre Kamienny, Sara Wiltberger, Shakir Mohamed, Shashank Agarwal, Shubham Milind Phal, Sun Jae Lee, Theofilos Strinopoulos, Wei-Jen Ko, Yael Gold-Zamir, Yael Haramaty, and Yannis Assael. Evaluating gemini in an arena for learning, 2025. URL https://arxiv.org/abs/2505.24477.

[12] J.P. Kincaid. Derivation of New Readability Formulas: (automated Readability Index, Fog Count and Flesch Reading Ease Formula) for Navy Enlisted Personnel. Research Branch report; 8-75. Chief of Naval Technical Training, Naval Air Station Memphis, 1975. URL https://www.google.com/search?q=https://books.google.co.il/books%3Fid%3D_Wq0zgEACAAJ.

[13] J Peter Kincaid, Robert P Fishburne Jr, Richard L Rogers, and Brad S Chissom. Derivation of new readability formulas (automated readability index, fog count and flesch reading ease formula) for navy enlisted personnel. Technical report, NAVAL TECHNICAL TRAINING COMMAND MILLINGTON TN RESEARCH BRANCH, 1975.

[14] Courtney Hattan, Patricia A Alexander, and Sarah M Lupo. Leveraging what students know to make sense of texts: What the research says about prior knowledge activation. Review of Educational Research, 94(1):73-111, 2024.

[15] Paul Black and Dylan Wiliam. Developing the theory of formative assessment. Educational Assessment, Evaluation and Accountability (formerly: Journal of personnel evaluation in education), 21(1):5-31, 2009.

[16] L.M. Earl. Assessment as Learning: Using Classroom Assessment to Maximize Student Learning. Experts on Assessment Kit. SAGE Publications, 2013. ISBN 9781452242972. URL https://www.google.com/search?q=https://books.google.co.il/books%3Fid%3DXKh1710106MC.

부록 A. 출처 자료

교육학적 평가를 위한 진실의 원천으로 사용된 PDF는 모두 OpenStax 덕분입니다. 사용된 10개의 다양한 PDF는 아래 표에 나열되어 있습니다:

분야	제목
세계사	초기 인류의 진화와 이주
세계사	고대 로마 경제
세계사	냉전의 시작
생물학	종자 식물의 진화
생물학	면역 체계의 교란
물리학	뉴턴의 운동 제3법칙
경제학	경제를 조직하는 방법: 경제 시스템 개요
천문학	위성과 우주선의 운동
사회학	자기 개발 이론
심리학	수면과 우리가 잠을 자는 이유

부록 B. 교육학적 평가를 위한 루브릭

**표 1

‘Learn Your Way’의 다양한 구성 요소를 평가하기 위해 전문가들이 사용한 교육학적 루브릭.** 평가자들은 각 차원에 대해 해당 없음 또는 평가 불가로 표시할 수 있는 옵션도 받았습니다.

		동의 (1)	중립/부분적 (0.5)	비동의 (0)
정확성	출처에 충실하고 정확함	생성된 콘텐츠는 출처 자료와 일치합니다. 개념을 잘못 표현하거나 잘못 연결하지 않습니다. 출처의 주요 주장, 핵심 주장 지원을 포착하고 명확하게 전달합니다. 콘텐츠의 구성(해당하는 경우)은 정확하고 사실적입니다.	콘텐츠가 주요 개념을 추가하거나 변경하지는 않지만, 사소한 부정확성이 있거나 개념, 관계 또는 주장을 놓칠 수 있습니다.	콘텐츠에 출처와 상반되는 주장이나 논거, 주요 부정확성이 포함되거나 주요 개념을 놓칩니다.
포괄성	출처 메시지의 표현 완전성	생성된 콘텐츠는 원본의 링크와 구조를 충실하게 보존하면서 출처 콘텐츠를 다룹니다. 출처 계층이 보존됩니다. 모든 핵심/최상위 개념과 학습 목표가 다루어지지만, 학습 가능성을 지원하기 위해 중요하지 않은 세부 사항은 생략될 수 있습니다. 전역 구조의 경우 전역적 포괄성. 지역 구조의 경우 지역적 포괄성, 즉 구조가 다루는 범위에 투영됨.	콘텐츠가 대부분 출처의 구조와 주제를 다루지만, 일부 핵심 개념, 관계 또는 메시지가 누락되었습니다. 출처 계층이 보존되지 않고, 일부 중요하지 않은 세부 사항이 넘어가는 반면 더 중요한 요소는 생략됩니다.	핵심 주제나 구조가 생성된 콘텐츠에서 누락되었습니다.
강조	핵심 개념을 정확하게 우선순위화. 출처 계층을 식별하고, 최적으로 핵심 메시지를 선택하고 배치함.	생성된 콘텐츠는 출처의 핵심 개념/관계에 초점을 맞추고 사소한/주변적인/난해한 개념에는 초점을 맞추지 않습니다. 전역 구조의 경우: 요소의 계층이 출처의 지식/기술 계층과 상관관계가 있습니다. 지역 구조의 경우: 생성된 콘텐츠는 출처의 두드러진 요소에 초점을 맞춥니다.	요소 선택이 대부분의 핵심 개념을 포함함으로써 출처 계층이나 의도를 부분적으로 반영하지만, 중요한 개념을 놓치거나 핵심 개념과 함께 일부 사소한 자료를 강조할 수 있습니다.	요소 선택이 임의적인 것으로 보이며, 출처 계층이나 의도와 일치하지 않습니다. 생성된 콘텐츠는 핵심 메시지 대신 중요하지 않은 개념이나 관계를 강조합니다.
참여도	긍정적이고 즐거우며 목적 있는 사용자 경험	생성된 콘텐츠는 긍정적인 감정적 반응을 불러일으킵니다. 어조, 미학, 서사, 유희성 및 개인화 요소가 재미있고 매력적인 학습 경험을 만듭니다.	콘텐츠가 일관되게 사용자를 참여시키거나 긍정적인 반응을 불러일으키지 않습니다. 유희성이나 개인화의 사용이 제한적입니다. 사용자에 대한 유용성과 관련성은 존재하지만, 사용자에게 명확하지 않을 수 있습니다.	콘텐츠가 건조하고 지루하며, 긍정적인 감정을 불러일으키려고 시도하지 않습니다. 단조로운 단일 트랙 프레젠테이션. 사용자에 대한 인지된 가치가 없습니다.
인지 부하	인지적 노력의 효과적인 사용	콘텐츠가 잘 구성되어 있고, 명확하며 간결합니다. 접근 가능한 언어. 요점이 강조됩니다. 이해를 높이기 위해 예시, 비유, 서사 및 다중 표현을 효과적으로 사용합니다.	콘텐츠가 상당히 잘 구조화되어 있지만 일부 섹션은 개선될 수 있습니다. 표현이 때때로 어렵습니다. 일부 도움이 되지 않는 중복성. 학습을 향상시키기 위한 예시, 비유, 서사 또는 다중 표현의 사용이 제한적입니다.	콘텐츠가 제대로 구조화되어 있지 않으며, 텍스트의 크고 압도적인 블록을 포함할 수 있습니다. 명확한 계층이 없습니다. 언어 수준이 일관되지 않고, 어려운 용어를 포함하거나 사용자 수준에 비해 지나치게 단순화합니다. 예시, 비유, 서사 또는 다중 표현과 같은 보조 도구를 사용하지 않습니다.
능동적 학습	회상과 이해를 넘어서는 능동적 학습을 촉진함	콘텐츠는 질문을 제기하고 사용자가 주제 및 학습 목표에 여러 수준에서 참여하도록 장려합니다: 회상, 이해, 분석, 적용, 평가 및 창조.	콘텐츠가 대부분 정보 전달에 초점을 맞추고, 여러 수준에서 학습 목표에 사용자를 참여시킬 기회를 놓칩니다.	핵심 주제나 구조가 생성된 콘텐츠에서 누락되었습니다.
메타인지 심화	사고 및 학습 과정의 능동적인 자기 성찰, 모니터링, 조절 및 개선을 촉진함	관련성 있고 실행 가능한 피드백을 제공합니다. 학습 과정의 능동적인 성찰과 검사를 유도합니다. 사용자가 자신의 학습 계획을 식별, 실행 및 모니터링하도록 지원합니다.	다소 유용한 피드백을 제공하지만, 관련성이 없거나 실행 가능하지 않을 수 있습니다. 학습 과정에 대한 고려 없이 얕은 성찰을 유도하거나, 학습 계획에 대한 고려가 제한적입니다.	평면적인 정보성 콘텐츠, 유용한 피드백 없음, 성찰 또는 학습 관리 및 조절을 위한 프롬프트 없음.
동기 및 호기심	사용자가 끈기 있게 학습 과정에 깊이 참여하도록 장려함. 인지적 노력을 장려함	일관되게 지지적인 어조를 사용하여 사용자가 끈기를 갖도록 격려합니다. 너무 쉽지도(지루함), 너무 어렵지도(좌절감) 않은 최적의 도전 수준을 유지합니다. 주제의 관련성을 사용자, 그들의 관심사 및 흥미에 강조합니다. 학습 깊이, 속도, 순서 및 초점에 대한 사용 가능한 선택 사항을 명확하게 표시하여 사용자 자율성을 강화합니다.	어조가 때때로 지지적이지 않거나, 격려가 산발적입니다. 도전 과제가 사용자를 위한 최적의 도전 수준에 일관되게 맞춰져 있지 않습니다. 사용자의 관심사와 흥미에 대한 주제 관련성을 강조하기 위한 예시 및 실생활 연결의 사용이 제한적입니다. 학습 과정에서 사용자의 선택이 명확하지 않습니다.	어조가 지지적이거나 격려적이지 않습니다. 도전 과제가 없거나 사용자에게 부적절한 수준입니다. 주제와 사용자 관심사 및 흥미 사이에 명백한 연관성이 없습니다. 학습 경로에 선택권이 없습니다.
적응성 및 개인화	선호도 및 특성	콘텐츠가 사용자의 관심사에 완전히 맞춰져 있습니다. 학습 경험이 연령 그룹, 학년 수준, 언어 능력, 집중 및 주의 수준, 동기 부여에 맞춰 조정되고 사용자 관심사, 선호도에 맞습니다. 도전 과제는 사용자의 능력과 의도에 적합합니다.	콘텐츠가 사용자의 선호도와 특성을 인정하지만, 부분적으로만 조정됩니다. 도전 과제가 사용자 능력이나 의도와 일관되게 맞춰져 있지 않습니다.	콘텐츠가 사용자의 선호도와 특성을 무시하는 “하나의 크기가 모두에게 맞는” 방식입니다.
학습 의도 및 성공 기준의 명확성	콘텐츠가 무엇을 배우고 있는지(학습 의도/목표/목적)와 사용자가 성공했는지 어떻게 알 수 있는지(성공 기준)를 명확하게 설명함	학습 목표가 명확하게 명시되고 사용자 친화적입니다. 특정 루브릭이나 벤치마크가 성공적인 완료 또는 이해가 무엇인지 정의합니다. 콘텐츠가 명시된 학습 목표 및 기준(제공된 경우)과 직접적으로 일치합니다.	학습 목표가 명시되었지만 상세히 설명되거나 시연되지 않았습니다. 성공 기준이 사용자에게 모호하거나 혼란스럽습니다. 학습 목표와의 콘텐츠 정렬이 부분적이거나 직관적이지 않습니다(제공된 경우).	학습 목표가 명시되지 않았거나, 불분명하거나 일관되지 않습니다. 명백한 성공 기준이 없습니다. 콘텐츠가 학습 목표와 일치하지 않습니다(제공된 경우).