663 ／ 671
AI 피드백, 교육적 가치를 높이는 워크플로우는 무엇인가?
1. 연구의 목적
(1) 효과적인 피드백은 학습에 강력한 영향을 미치지만, 교육 현장에서는 두 가지 핵심 난관에 봉착함. 첫째, 대규모 학습자에게 고품질의 시의적절하며 개인화된 피드백을 제공하는 것이 어렵고, 둘째, 학생들이 피드백을 해석하고 평가하며 생산적으로 행동으로 옮기도록 지원하는 과정이 복잡함. 생성형 AI의 등장은 첫 번째 문제, 즉 피드백 제공의 장벽을 상당 부분 해소하는 가능성을 제시함. AI가 생성한 피드백이 교사가 제공하는 피드백만큼 교육적으로 유의미하다는 증거가 늘어나고 있음. 그러나 학생들이 AI 피드백을 받아들이고 활용하는 비율은 여전히 낮아, AI 생성 피드백의 교육적 가치를 제한하는 주요 제약으로 작용함. 피드백 문해력은 이러한 피드백 제공과 활용 간의 간극을 설명하고 해결하는 중요한 개념임.
(2) 이 연구는 AI가 매개하는 피드백 워크플로우의 구조가 학생의 행동적 참여(uptake), 자기 평가 자신감(self-assessment confidence), 제출된 작업의 품질(submitted-work quality)에 어떻게 영향을 미치는지 대규모로 입증하는 것을 핵심 목표로 삼음. AI 생성 피드백이 단순히 제공되거나 선택적 AI 지원만으로는 충분하지 않으며, 피드백 활용을 위한 의도적인 워크플로우 구조가 필요하다는 가설을 검증함.
2. 연구의 방법
(1) 이 연구는 준실험적 순차 코호트(quasi-experimental sequential cohort) 설계를 활용함. 연구팀은 세 가지 AI 매개 피드백 워크플로우를 각기 다른 학기에 대규모로 구현하고 비교함. 참여자는 13,037명의 학생, 51,296개의 학생이 작성한 학습 자료, 그리고 70개 강좌 오퍼링으로 구성됨. 워크플로우 간 비교 가능성을 위해, 모든 구현 기간 동안 동일한 RiPPLE 플랫폼, 과제 구조, 피드백 평가 루브릭, 평가 논리가 유지됨.
(2) 연구는 세 가지 AI 매개 피드백 워크플로우를 주요 분석 대상으로 삼음.
- Directed Feedback: 구조화된 지원 없이 정적 AI 생성 피드백 댓글을 일회성으로 제공하는 방식임.
- Self-Directed Feedback: 학생이 선택적으로 AI 지원 대화를 시작할 수 있으나, 상호작용이 전적으로 학생 주도로 이루어지며 구조화된 지원이 없는 방식임.
- Enacted Feedback: AI 생성 피드백 댓글이 단계별 워크플로우 내에 포함되어, 학생들이 개선 제안을 선택하고, 관련성을 평가하며, 선택 사항에 기반한 AI 지원 대화에 참여하도록 유도하는 방식임. 각 워크플로우 조건에서 학생들의 행동적 참여(피드백 채택 및 수정 횟수, 이벤트 흐름 전환), 자기 평가 자신감(5점 척도), 제출된 작업 품질(동료 평가 점수)을 측정하고 비교함.
3. 주요 발견
이 연구는 AI 생성 피드백의 교육적 가치가 단순히 피드백 품질이나 가용성에만 있는 것이 아니라, 학생이 피드백을 해석하고 우선순위를 정하며 논의하고 실행하도록 안내하는 방식, 즉 워크플로우 설계에 달려있음을 명확히 보여줌.
(1) 세 가지 AI 피드백 워크플로우의 정의: 액세스와 실행의 차이
이 연구는 피드백의 교육적 가치를 높이는 데 있어 워크플로우 구조가 핵심적임을 강조함. 연구는 세 가지 워크플로우를 비교하는데, 이는 피드백 ‘액세스’와 피드백 ‘실행’이라는 두 가지 근본적인 측면을 조작적으로 정의함. 피드백을 제공하는 것만으로는 부족하며, 학생이 그 피드백을 능동적으로 활용하는 과정을 얼마나 의도적으로 구조화하는지에 따라 교육적 가치가 달라짐을 보여줌.
| 워크플로우 명 | 특징 | 피드백 형태 | 학생 참여 방식 | 주요 강조점 |
|---|---|---|---|---|
| Directed Feedback | 정적, 일회성 AI 피드백 | 강점 및 개선 제안 | 피드백 읽기 후 독립적 수정 | 피드백 ‘제공’ |
| Self-Directed Feedback | 선택적, 학생 주도 AI 대화 | AI 지원 대화 가능 | 학생이 필요에 따라 대화 시작 | 피드백 ‘접근성’ |
| Enacted Feedback | 대화형, 구조화된 실행 | 선택 가능한 개선 제안 + 대상 지정 대화 | 제안 선택, 관련성 평가, 선택 기반 대화 | 피드백 ‘실행’ (에이전시, 판단, 대화) |
(2) Directed Feedback 워크플로우: 피드백 제공만으로는 부족함
이 워크플로우는 학생들이 초안 학습 자료에 대해 AI 생성 피드백을 요청하고, 강점과 개선 제안으로 구성된 단일의 정적 검토를 받는 방식임. 피드백 인터페이스는 읽기 전용 문서 형태로 제공되며, 학생들은 피드백을 읽은 후 바로 자기 평가 및 제출 단계로 진행하거나, 편집기로 돌아가 초안을 수정할 수 있음. 하지만 특정 제안에 참여하거나, 행동 의도를 나타내거나, 수정 선택의 근거를 설명하는 메커니즘이 전혀 없음. 또한, 추가 질문을 하거나 제안에 대한 설명을 요청하는 대화 경로도 존재하지 않음. 이 워크플로우는 AI 생성 피드백의 ‘제공’에 초점을 맞추며, 피드백을 받은 후의 학생 참여는 전적으로 학생의 재량에 맡겨짐.
(3) Self-Directed Feedback 워크플로우: 선택적 AI 지원의 한계
이 워크플로우는 학생들이 자원 생성 과정에서 선택적 AI 지원 대화 경로에 접근할 수 있도록 함. 표준 작성 인터페이스에서 AI 지원 아이콘이 표시되어 AI 지원 대화가 가능하다는 것을 알리지만, 자동으로 피드백 댓글이 생성되거나 대화를 시작하라는 프롬프트가 제공되지 않음. AI 지원 패널을 열지, 언제 열지, 무엇을 물을지는 전적으로 학생의 재량에 달려있음. Directed Feedback과는 달리, 정적 검토를 요청할 수 없으며, 대신 작성 과정 중 언제든지 AI 지원 대화에 접근할 수 있음. 이 워크플로우는 학생 주도의 대화를 가능하게 하지만, 특정 선택된 제안을 중심으로 상호작용이 이루어지지 않는다는 점에서 Enacted Feedback 워크플로우와 차이가 있음. 시스템이 대화를 가능하게 할 뿐, 학생들이 무엇을 묻고 어떤 제안을 우선순위에 둘지, AI 응답을 어떻게 수정으로 전환할지에 대한 구조화된 지원은 제공하지 않음.
(4) Enacted Feedback 워크플로우: 피드백 실행을 구조화하는 힘
Enacted Feedback 워크플로우는 피드백 실행을 위한 구조화된 지원을 구현함. 이는 AI 생성 피드백 댓글에 대한 생산적인 참여가 단순히 댓글 제공만으로 이루어지지 않고, 의도적인 설계로 학습 환경에 구조화되어야 한다는 전제에 기반함. 이 워크플로우는 피드백 댓글을 읽고 선택적으로 행동하는 완료된 산출물로 다루기보다, 학생들이 제출 전 선택하고, 평가하고, 논의하며, 수정하는 단계별 과정의 진입점으로 설정함. 이 워크플로우는 생산적인 피드백 활용과 관련된 세 가지 행동을 구조화함: 선택을 통한 학생 주체성(agency) 발휘, 우선순위 지정을 통한 평가적 판단(evaluative judgement) 활성화, 그리고 선택에 기반한 AI 지원을 통한 대상 지정 대화 참여(dialogic engagement)임.
상호작용은 세 가지 순차적 단계로 구조화됨:
- A1: 초기 AI 생성 피드백 수신: 학생들은 초안 작성 인터페이스 내에서 AI 생성 피드백 댓글을 받음. 이는 Directed Feedback 조건과 동일한 구조와 정보를 포함하며, 이후 단계의 정보 입력이자 초기 댓글의 형식적 비교 기준이 됨.
- A2: 개선 제안 선택: A1에서 제시된 개선 제안들이 단순히 읽기 전용 목록이 아닌, 초안 학습 자료 옆에 표시되는 선택 가능한 항목으로 변환됨. 학생들은 하나 이상의 제안을 선택하고 대상 지정 AI 지원 대화 인터페이스(A3)로 진행할 수 있음. 이 단계는 학생들에게 어떤 제안을 추구할지 의미 있는 통제권을 부여하여 학생 주체성을 지원함. 또한, 각 제안의 가치, 관련성, 적용 가능성에 대해 명시적으로 판단하도록 유도하여 평가적 판단을 지원함. 이는 AI 피드백이 권위적으로 보일 수 있을 때 비판적 검토를 장려함.
- A3: 선택된 제안에 기반한 대상 지정 AI 지원 대화: A2에서 선택된 제안들은 AI 지원 대화 인터페이스로 자동 전달됨. 대화는 학생이 선택한 특정 제안에 고정되어, AI 도우미가 학생이 선택한 우선순위에 대한 맥락을 가지고 일반적이고 개방적인 대화 대신 구체적인 논의를 진행함. 학생들은 제안의 의미를 명확히 하거나, 특정 요소가 수정이 필요한 이유에 대한 설명을 요청하고, 대안적인 해결 방법을 탐색하며, 제안을 구체적인 수정 사항으로 전환하는 전략을 개발할 수 있음. 이 선택 기반 대화는 학생들이 대화를 자체적으로 이끌어야 하는 부담을 줄이고, 이미 수정 의사를 밝힌 특정 결정으로 상호작용을 유도함.
(5) 주요 발견 1: Enacted Feedback은 행동적 참여를 현저히 증가시킴
학생들의 피드백 채택률(uptake)과 수정 횟수(revision counts)를 비교한 결과, Enacted Feedback 워크플로우가 다른 두 조건보다 일관되게 더 강력한 행동적 참여를 유도함이 드러남.
피드백 채택률 | 조건 | 자원 수 (n) | 채택률 (%) | 모델 추정 확률 (%) | |—|—|—|—| | Directed Feedback | 14,425 | 18.8% | 14.1% | | Self-Directed Feedback | 15,548 | 0.2% | 0.1% | | Enacted Feedback | 21,323 | 28.9% | 26.2% |
- Enacted Feedback은 Directed Feedback보다 채택률이 12.1%p 더 높음 (OR=2.16).
- Directed Feedback은 Self-Directed Feedback보다 채택률이 14.0%p 더 높음 (OR=134.36).
- Enacted Feedback은 Self-Directed Feedback보다 채택률이 26.1%p 더 높음 (OR=290.18).
수정 횟수 (자원당 평균) | 조건 | 모델 추정 수정 횟수 | |—|—| | Directed Feedback | 0.239 | | Self-Directed Feedback | 0.0034 | | Enacted Feedback | 0.602 |
- Enacted Feedback은 Directed Feedback보다 자원당 0.363회 더 많이 수정됨 (IRR=2.52).
- Directed Feedback은 Self-Directed Feedback보다 자원당 0.236회 더 많이 수정됨 (IRR=70.46).
- Enacted Feedback은 Self-Directed Feedback보다 자원당 0.599회 더 많이 수정됨 (IRR=177.67).
Self-Directed Feedback은 선택적 AI 지원이 제공되었음에도 불구하고 거의 활용되지 않아, 대부분의 학생에게는 피드백 참여를 시작하기에 불충분한 것으로 나타남. AI 지원에 접근하려면 학생들이 도움의 필요성을 인지하고, 요청을 결정하며, 적절한 요청을 구성해야 하는데, 이 활동들이 자기조절학습 과정의 일부임을 시사함. Enacted Feedback의 강력한 참여는 워크플로우 구조가 피드백 실행과 관련된 자기조절 과정을 효과적으로 지원함을 나타냄. 워크플로우가 선택, 평가, AI 지원 대화, 수정을 명시적인 과정으로 만들어, 학생들이 독립적으로 시작하고 조정해야 하는 부담을 줄여줌. Directed Feedback은 중간 위치를 차지함. 피드백 댓글을 직접 제시함으로써 학생들이 선택적 AI 지원 경로를 시작할 필요는 없었지만, 여전히 어떤 댓글이 관련성이 있는지, 어떻게 활용해야 하는지 독립적으로 판단해야 하는 한계가 존재함.
(6) 주요 발견 2: Enacted Feedback은 자기 평가 자신감을 높임
학생들의 자기 평가 자신감(1~5점 척도) 측정 결과, Enacted Feedback이 가장 높은 자신감을 보였고, 다음으로 Directed Feedback, Self-Directed Feedback 순임이 통계적으로 유의미하게 확인됨.
| 조건 | 관찰 평균 (M) | 추정 주변 평균 (EMM) |
|---|---|---|
| Directed Feedback | 4.13 | 4.13 |
| Self-Directed Feedback | 4.02 | 4.03 |
| Enacted Feedback | 4.19 | 4.20 |
- Enacted Feedback은 Directed Feedback보다 자신감 점수가 0.070점 더 높음 (OR=1.41).
- Enacted Feedback은 Self-Directed Feedback보다 자신감 점수가 0.170점 더 높음 (OR=2.44).
- Directed Feedback은 Self-Directed Feedback보다 자신감 점수가 0.100점 더 높음 (OR=1.73).
Enacted Feedback과 Directed Feedback 간의 차이는 워크플로우 구조가 자신감에 어떻게 영향을 미치는지 가장 명확하게 보여줌. Enacted Feedback에서 높은 자신감은 구조화된 만남이 자기 평가를 위한 더 명확한 기준을 제공했음을 반영할 수 있음. 워크플로우가 학생 작업의 특정 측면에 주의를 집중시키고 명확화를 지원함으로써, 제출물의 품질에 대한 불확실성을 줄이고 메타인지적 모니터링을 지원했을 수 있음. Self-Directed Feedback에서 낮은 자신감은 대부분의 학생이 AI 피드백을 접하지 못했기 때문에, 자신의 판단을 외부 정보와 비교하고 개선할 기회가 적었음을 의미함. 자신감 차이는 통계적으로 유의미하지만, 1~5점 척도에서 그 차이가 미미함은 유의할 점임.
(7) 주요 발견 3: Enacted Feedback은 제출된 작업의 품질을 향상시킴
동료 평가 점수를 활용하여 측정된 제출된 작업 품질에서도 Enacted Feedback이 다른 두 조건보다 유의미하게 높은 품질을 보임.
| 조건 | 관찰 평균 (M) | 추정 주변 평균 (EMM) |
|---|---|---|
| Directed Feedback | 4.13 | 4.191 |
| Self-Directed Feedback | 4.18 | 4.244 |
| Enacted Feedback | 4.22 | 4.328 |
- Enacted Feedback은 Directed Feedback보다 작업 품질이 0.137점 더 높음 (OR=1.24).
- Enacted Feedback은 Self-Directed Feedback보다 작업 품질이 0.083점 더 높음 (OR=1.15).
- Self-Directed Feedback은 Directed Feedback보다 작업 품질이 0.054점 더 높음 (OR=1.08).
Enacted Feedback과 Directed Feedback 간의 비교는 워크플로우 구조에 대한 가장 명확한 증거를 제시함. Enacted Feedback과 관련된 높은 제출 작업 품질은 주변 과정이 피드백 평가 및 실행을 지원할 때 피드백이 교육적으로 더 중요함을 시사함. 평가적 판단은 제안의 관련성 평가를 지원하며, 이러한 판단을 변경으로 전환하는 것은 모니터링, 전략 선택 및 행동을 포함하는 광범위한 자기조절학습 과정과 관련됨. 이는 피드백 댓글이 학생들이 피드백을 이해하고 행동하는 과정에 의해 결과에 영향을 미친다는 연구와 일치함. 즉, 댓글이 그 해석과 실행을 위한 구조화된 지원 없이 제시될 때, 제출 작업의 품질 개선으로 일관되게 이어지지 않는다는 의미임. Self-Directed Feedback의 작은 이점은 대부분의 학생이 선택적 AI 경로에 참여하지 않았기 때문에, 선택적 AI 지원이 제출 작업 품질을 개선했다는 증거로 볼 수 없음. 이 역시 통계적으로 유의미하지만, 실제적인 차이는 크지 않음.
4. 결론 및 시사점
(1) 이 연구가 입증하거나 주장하는 핵심 결론은 AI 생성 피드백 댓글의 교육적 가치가 단순히 피드백이 제공되는지에 달려있지 않음. 핵심은 학생들이 그 피드백을 어떻게 활용하도록 지원되는지에 달려있다는 점임. Enacted Feedback 워크플로우는 다른 비교 워크플로우에 비해 더 높은 워크플로우별 피드백 채택률, 더 많은 수정 횟수, 더 높은 자기 평가 자신감, 그리고 더 높은 제출된 작업 품질과 연관성을 보임. 이러한 차이의 크기는 결과에 따라 다양하지만, 피드백 채택 및 수정 횟수는 워크플로우 간에 명확한 행동적 분리를 보인 반면, 예상되는 자신감 평가 및 제출된 작업 품질의 차이는 원래 척도에서 미미한 수준이었음. 생성형 AI는 시의적절하고 개인화된 피드백을 대규모로 제공하는 문제를 해결하는 데 도움을 줄 수 있지만, 이러한 능력만으로는 학생들의 피드백 참여라는 별도의 문제를 해결하지 못함.
(2) 교육 현장에 주는 시사점은 명확함. AI 생성 피드백 댓글은 단독으로 구현되어서는 안 됨. 학생들은 어떤 제안이 관련성이 있는지 결정하고, 그 의미를 명확히 하며, 이를 수정으로 전환하는 구조화된 기회가 필요함. 이는 AI 매개 피드백 워크플로우가 선택, 우선순위 지정, 설명, 그리고 수정 계획을 위한 프롬프트를 포함해야 함을 시사함. 교사는 AI 피드백을 학습 과정의 일부로 통합하고, 학생들이 능동적으로 참여할 수 있는 명시적인 단계를 설계해야 함.
(3) 학습 디자이너와 플랫폼 개발자에게 이 연구 결과는 워크플로우 구조의 중요성을 강조함. 선택적 AI 지원은 피드백 과정과 분리될 경우 활용도가 낮을 수 있음. 대조적으로, AI 지원 대화를 피드백 경로에 직접 삽입함으로써 지원이 더 가시적이고, 시의적절하며, 실행 가능하게 만들 수 있음. 따라서 AI 매개 피드백 시스템은 댓글을 생성하는 데 그치지 않고, 학생들이 댓글을 사용하는 과정을 안내하도록 설계되어야 함. 학생을 수동적인 정보 수신자가 아닌, 판단, 대화, 개선 과정의 능동적인 참여자로 위치시키는 것이 중요함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 AI 피드백 연구의 초점을 ‘AI가 얼마나 좋은 피드백을 생성할 수 있는가?’에서 ‘학생들이 AI 피드백을 어떻게 생산적으로 활용하도록 도울 것인가?’로 전환했다는 점임. 기존 논의는 주로 AI 피드백의 품질과 인간 피드백과의 비교에 집중했음. 그러나 이 연구는 AI 피드백의 교육적 가치가 AI 모델의 성능만이 아니라, 피드백 활용 과정을 의도적으로 구조화하는 워크플로우에 달려있음을 대규모의 실증적 데이터를 통해 단언함. 특히 ‘액세스’와 ‘실행’을 명확히 구분하고, 단순히 AI 피드백에 대한 접근성을 높이는 것만으로는 학생들이 피드백을 유의미하게 활용하지 않는다는 냉정한 현실을 보여줌. 이는 AI 기반 교육 도구 설계의 패러다임을 ‘콘텐츠 생성’ 중심에서 ‘학습 과정 설계’ 중심으로 옮겨야 함을 시사함.
(2) 이 논문이 명시하지 않은 더 넓은 의미를 짚어보면, 이 연구는 인지과학의 자기조절학습(Self-Regulated Learning, SRL) 이론 및 교육 철학의 학생 주체성(Agency) 개념과 강력하게 연결됨. 피드백 ‘실행’을 위한 구조화된 워크플로우는 학생들이 메타인지적 모니터링, 평가적 판단, 전략 선택 등의 SRL 과정을 능동적으로 수행하도록 돕는 촉진제 역할을 함. 이는 AI가 단지 효율적인 정보 제공 도구가 아니라, 학생들이 스스로 학습의 주체가 되어 자신의 판단력을 발휘하고 발전시키는 데 필수적인 조력자가 될 수 있음을 의미함. 즉, AI는 지식 전달자에 머물지 않고, 학습자가 ‘스스로 배우는 법을 배우는’ 능력을 기르도록 돕는 인지적 스캐폴딩(scaffolding) 도구로서의 가능성을 열어줌. AI 시대의 교육이 기술 활용에 그치지 않고, 인간 고유의 학습 능력과 주체성을 어떻게 강화할지에 대한 근본적인 질문에 답하는 실마리를 제공함.
(3) 이 연구를 발전시킬 구체적 아이디어는 두 가지임. 첫째, 학생의 피드백 문해력 수준에 따른 맞춤형 워크플로우 동적 조정 기능을 제안함. 현재 Enacted Feedback 워크플로우는 모든 학생에게 동일한 구조를 제공함. 그러나 학생마다 피드백 문해력, 자기조절학습 능력, 메타인지 수준이 다름. AI가 학생의 초기 역량을 진단하고, 그 결과에 따라 A2 단계에서의 제안 선택 가이드라인의 상세함이나, A3 단계에서의 AI 대화 프롬프트의 난이도 및 유도 질문의 강도를 개인화하는 워크플로우를 개발할 필요가 있음. 예를 들어, 피드백 문해력이 낮은 학생에게는 “이 제안이 왜 당신의 작업에 중요하다고 생각하나요? 구체적인 이유를 AI에게 설명해보세요.”와 같은 명시적이고 쉬운 프롬프트를 제공하고, 높은 학생에게는 “이 제안을 적용했을 때 발생할 수 있는 잠재적 부작용은 무엇이라고 생각하나요? 그 해결책을 AI와 토론해보세요.”와 같이 비판적 사고를 요구하는 프롬프트를 제공하는 방식임. 둘째, 워크플로우 내에서 학생의 ‘설명 능력’을 강화하는 AI 코칭 기능을 추가하는 방안임. Enacted Feedback은 학생들이 제안을 선택하고 대화에 참여하도록 유도하지만, 그 과정에서 학생이 자신의 판단이나 수정 의도를 ‘명확하게 설명’하는 능력에 대한 직접적인 지원은 부족함. AI가 학생의 설명에 대해 “이 설명은 모호함. 어떤 부분이 구체적이지 못한가요?” 또는 “이 설명은 당신의 판단 근거를 충분히 뒷받침하지 못함. 더 설득력 있는 논거는 무엇일까요?”와 같은 메타 인지적 코칭을 제공하여, 학생이 자신의 사고 과정을 언어화하고 정교화하는 능력을 키우도록 지원하는 것이 중요함. 이는 피드백 문해력의 핵심 요소인 ‘평가적 판단’과 ‘행동’ 사이의 간극을 줄이는 데 기여할 것임.
6. 추가 탐구 질문
(1) 이 연구는 다른 AI 모델(GPT-4omini와 GPT-5mini)을 각기 다른 시기에 사용함. Enacted Feedback의 뛰어난 성과가 워크플로우 구조 때문인지, 아니면 더 발전된 AI 모델(GPT-5mini)의 내재적 능력 때문인지, 혹은 이 둘의 상호작용 때문인지 명확히 분리하여 검증하려면 어떤 연구 설계가 필요할까?
(2) 이 연구는 학생들이 ‘스스로 피드백 문해력’을 발전시키는 맥락을 강조함. 그렇다면, Enacted Feedback 워크플로우를 통해 피드백 실행 경험이 축적된 학생들이, AI 지원이 없는 다른 과제나 실제 상황에서 독립적으로 피드백을 활용하는 능력, 즉 ‘전이 효과(transfer effect)’를 어떻게 측정하고 입증할 수 있을까?
(3) Enacted Feedback 워크플로우는 학생들이 AI 피드백을 능동적으로 선택하고 평가하도록 유도하지만, 동시에 AI가 제공하는 ‘권위적’ 피드백을 비판 없이 수용하게 되는 ‘AI 의존성’ 함정을 어떻게 피할 수 있을까? 학생이 AI의 피드백을 맹신하지 않고, 자신의 판단력을 적극적으로 활용하도록 유도하는 추가적인 설계 요소는 무엇일까?
출처
- Alsaiari, O., Baghaei, N., Lodge, J. M., Winstone, N., Gaševic´, D., & Khosravi, H. (2026). Making AI-generated feedback matter: A large-scale study of feedback workflows and student enactment. arXiv preprint arXiv:2608.11625.