📌 먼치 POINT

✅ 교육 AI 교육평가의 문제
- 구조주의와 구성주의를 접목하여 평가
- 해당 모델은 모두 블랙박스 모델이기에, 판단 근거의 객관성이 부족

✅통합 평가 모델
- 수학의 공리적 접근법 사용
- 문장을 수학으로 변환하여 좌표화
- 구조주의 평가 모델, 구성주의 평가 모델, 공리주의적 평가 모델을 모두 결합

✅교육 AI의 지향점
- 맞춤형 학습 방향의 제시
- 친근한 접근 방식으로 학생들의 심리적 부담 상쇄

AI 교육 평가의 두 가지 관점

현대 교육 AI는 구조주의와 구성주의 두 관점을 효과적으로 접목하여 학생의 실력을 평가합니다. 구조주의적 접근에서는 학생들이 특정 과제에서 얼마나 잘 수행할지를 예측하는 모델을 개발하고, 구성주의적 관점에서는 학생이 당장 시험을 보면 몇 점을 받을지를 예측하는 회귀 모델을 구축합니다. 이러한 다각적 접근을 통해 AI는 보다 정확하고 포괄적인 학습 평가를 제공할 수 있습니다.

딥러닝 모델의 블랙박스 문제

하지만 여기서 중요한 문제가 발생합니다. 딥러닝 모델들이 모두 블랙박스 모델이라는 점입니다. 블랙박스란 무엇을 집어넣으면 결과가 나오지만, 왜 그런 결과가 나왔는지 설명할 수 없는 시스템을 의미합니다. 마치 함수가 상자와 같다고 했을 때, AI도 데이터를 넣으면 "이 아이는 현재 이것을 알고 저것을 모른다"는 평가 결과를 내놓지만, 그 판단 근거를 명확히 설명하지 못합니다.

이런 상황에서 공교육 현장에서 딥러닝 모델이 "너는 유급이야, 1년 더 해라"고 판단한다면 과연 학생과 학부모가 이를 받아들일 수 있을까요? 설명도 없이 내려진 판단을 납득하기는 어려울 것입니다. 교육의 중요한 결정에 AI를 활용하려면 설득력 있는 모델을 만들어야 합니다.

수학적 공리를 활용한 공정한 평가 시스템

이 문제를 해결하기 위해 수학의 공리적 접근법이 도입됩니다. 학생 실력의 상하 관계, 즉 비교 관계를 공리를 이용해서 체계적으로 정리하는 방식입니다.
구체적인 예를 들어보겠습니다. 두 명의 교수가 각자 공부를 했지만 서로 다른 문제집을 풀었다고 가정해봅시다. 겹치는 과제도 있고 서로 겹치지 않는 과제도 있을 것입니다. 이때 겹치는 과제들에서 "니가 맞힌 문제는 내가 다 맞췄고, 내가 틀린 문제는 니가 다 틀렸다"면, 시험 점수는 같거나 높다고 주장할 수 있습니다.

바로 이 문장을 수학으로 변환하여 비교 관계에 대한 학생들의 실력을 좌표화할 수 있습니다. 원래는 서로 다른 문제를 풀어서 직접 비교가 어려웠지만, 이 방법을 통해 "김현영 교수님은 80, 90이고 나는 50, 60이다" 이런 식으로 숫자로 변환할 수 있습니다. 이렇게 만든 좌표에서 숫자가 클수록 실력이 좋은 방식으로 점수 체계를 구축하면 공정한 평가가 가능해집니다.

통합 평가 모델과 실제 적용

구조주의 평가 모델, 구성주의 평가 모델, 그리고 공리주의적 평가 모델을 모두 결합하여 만든 것이 바로 공정한 평가 모델입니다. 실제로 유급과 같이 극단적인 평가를 배제하고, 안전한 평가 범위 내에서 대수기하학적 개념을 활용하여 학생들의 실력을 빠르게 측정할 수 있는 모델을 개발했습니다.
그렇다면 통합 평가 모델을 사용하여 평가할 경우, 학생들은 이를 공정하다고 생각할 수 있을까요? 통합 평가 모델은 블랙박스 모델의 단점을 보완하는 기술이므로, 소비자들이 모델 작동 방식에 대해 느끼는 불쾌감을 줄이는 데 중점을 두고 있습니다. 

맞춤형 교육의 가치

사실 교육은 평가를 위해 존재하는 것이 아닙니다. 평가의 목적은 다음 단계, 즉 교육의 최종 단계이자 가장 중요한 단계인 '무엇을 가르칠 것인가'를 정하기 위한 선행 단계입니다. AI가 "너는 현재 무엇을 알고 있고 무엇을 모르고 있으며, 너의 점수는 어느 정도 된다"고 평가한 후, 이를 바탕으로 처방을 제공합니다.

"너는 인수분해를 공부하면 되고, 너는 영어에서 전치사는 안 해도 될 것 같다"는 식으로 맞춤형 학습 방향을 제시하는 것입니다. 물론 아무리 정확한 평가라도 평가받는 것 자체가 기분 나쁠 수 있습니다. "내 약점을 어떻게 알았지?" 하면서 AI가 추천하는 것도 받아들이기 싫어하는 학생들도 분명 있을 것입니다.

AI 교육의 심리적 효과와 미래

전통적인 교실에서 선생님이 20명의 학생을 개별 지도할 때 "너는 인수분해를 모르니까 더 해야 하고, 너는 바로 다음 단계로 들어가도 될 것 같다"고 하면 학생들끼리 상대적 박탈감을 느낄 수 있습니다.  하지만 인공지능은 각자가 혼자서 상호작용하기 때문에 다른 학생이 무엇을 하고 있는지 알 수 없습니다. 

이런 심리적 부담이 상당히 상쇄되어 누구와 비교하는 것이 아니라 나만을 위한 맞춤형 서비스로 받아들여질 수 있습니다. 또한 이런 서비스를 개발하는 회사들은 사용성을 중요하게 생각하기 때문에, 학생들이 기분 나쁘지 않게 좋은 정보를 받을 수 있도록 디자인에 많은 신경을 씁니다. "너 공부해야 해" 대신 "AI가 현빈이를 보고싶어요" 같은 방식으로 친근하게 접근하도록 설계합니다.

마무리하며

교육 AI의 공정한 평가 모델은 단순히 점수를 매기는 것을 넘어서, 학생 개개인에게 최적화된 학습 경험을 제공하는 것을 목표로 합니다. 블랙박스 문제를 해결하기 위한 수학적 접근법과 심리적 배려가 결합될 때, AI는 진정으로 교육적 가치를 창출할 수 있을 것입니다. 궁극적으로는 학습자가 실제로 성장을 경험할 때 AI 평가 시스템에 대한 신뢰와 납득이 자연스럽게 따라올 것입니다.

Created by 카오스 사이언스
CC BY 라이선스 / 교정 SENTENCIFY / 편집자 하윤아