외국어 불안(FLA)은 특히 대화 맥락에서 제2언어 습득(SLA)의 주요 장벽이 될 수 있다. 생활 전반에 걸쳐 대규모 언어 모델(LLM)이 확산됨에 따라, 최근 연구는 LLM 에이전트와의 상호작용이 SLA 및 외국어 교육 분야, 특히 FLA 감소에 중요한 역할을 할 수 있음을 시사한다. 관련 연구는 또한 언어적 요구와 과제 복잡성이 FLA의 예측 변수가 될 수 있음을 제시하며, 이는 요구 수준이 높고 복잡한 언어의 사용이 학습자에게 더 높은 FLA를 유발할 수 있음을 의미한다. 본 논문에서는 영어 학습자를 위한 학습자 수준에 맞는 대화를 생성하는 새로운 다중 에이전트 체화 대화 시스템을 제안한다. 이러한 수준은 비원어민 청자 및 화자의 숙련도를 설명하기 위해 유럽 공통 참조 틀(CEFR)에서 정의한 것을 기반으로 한다. 여러 LLM 에이전트와 수준 분류기를 활용한 "생성-평가-재생성" 루프를 통해, 사용자의 숙련도 수준에 적응하는 원하는 단순성을 달성한다. 또한 일본 대학생을 대상으로 이 시스템을 테스트하여 단순화되지 않은 체화 대화형 에이전트보다 더 낮은 FLA 수준을 산출하는지 확인한 예비 소규모 파일럿 연구 결과를 공유한다. 대화 출력 분석 결과, 제안된 다중 에이전트 시스템이 생성한 대화 문장의 87.4%가 학습자의 자기 평가 숙련도로 예측된 CEFR 수준의 ±1 수준 이내에 있었으며, 단순화되지 않은 에이전트의 경우 54.1%였다. 이는 새로운 시스템이 학습자에게 더 적절한 수준의 출력을 생성할 수 있음을 시사한다. 본 연구는 표본 크기가 작아 일본인 영어 학습자의 FLA 수준을 시스템이 감소시킨다는 통계적으로 유의미한 증거를 제공하지 못했으나, 향후 연구를 위한 사용성 발견과 문화적으로 고려된 설계 통찰을 제공한다.
생성형 AI 챗봇은 즉각적이고 개인화된 피드백을 제공함으로써 영어 외국어(EFL) 쓰기를 변화시킬 잠재력을 지니고 있다. 그러나 그 교육적 가치는 학습자가 이들과 어떻게 상호작용하는지에 달려 있으며, 이 과정은 종종 '블랙박스'로 취급된다. 본 연구는 대규모 언어 모델(LLM) 기반 쓰기 챗봇인 "Penny"를 사용하는 일본 EFL 학습자의 시간적 역학을 모델링하기 위해 전이 네트워크 분석(Transition Network Analysis)을 사용한다. 4,500회 이상의 쓰기 세션과 21,000건 이상의 챗봇 상호작용 분석을 통해 두 가지 지배적인 행동 루프가 드러난다: 피드백이 직접적으로 성공적인 오류 수정으로 이어지는 '수정 루프(Revision Loop)'와, 피드백 이후 학습자가 챗봇과 지속적인 대화에 참여하는 '채팅 루프(Chat Loop)'. 중요하게도, EFL 숙련도는 상호작용을 크게 형성한다: 고숙련 학습자는 챗봇과의 개방적 대화 및 협상에 더 많이 참여하는 반면, 저숙련 학습자는 반복적인 교정 피드백 사이클에 더 크게 의존한다. 연구 결과는 AI 스캐폴딩 쓰기가 비선형적이고 대화적인 과정임을 보여주며, 단순한 오류 수정을 넘어 모든 학습자에 대한 더 깊은 인지적 참여를 촉진하기 위한 차별화된 챗봇 설계의 필요성을 강조한다.
본 논문은 학습자가 게임 플레이를 통해 우즈베크어를 연습할 수 있게 하는 교육 시스템 아키텍처를 제시한다. 이 아키텍처는 UzWordnet과 현재 이용 가능한 최대 규모의 우즈베크어 정서법 사전을 핵심 어휘 자원으로 통합하며, 학습 지원을 위한 핵심 구성 요소로 생성형 AI를 함께 사용한다. 우리는 우즈베크어 학습을 촉진하기 위해 네 가지 교육용 게임을 설계하고, 게임 역학의 직접적인 부산물로 UzWordnet을 개선하기 위한 게임 기반 방법론을 제안한다. 우리의 접근법은 게임 설계와 어휘 자원을 결합하여 교육적 목표(언어 학습)와 어휘적 목표(어휘 자원의 개선 및 확장)를 동시에 달성한다.
대규모 언어 모델(LLM)은 유창한 아랍어 텍스트를 생성할 수 있지만, 가독성 수준을 안정적으로 제어하는 능력은 여전히 불분명하다. 우리는 CEFR(Common European Framework of Reference for Language) 제어 아랍어 텍스트 생성을 위한 다차원 평가 프레임워크를 제안하며, 지시 따르기(instruction-following) LLM이 적응형 언어 학습을 위한 신뢰할 수 있는 생성기로 기능할 수 있는지 평가한다. 우리 프레임워크는 제어된 프롬프팅, 검증된 Taha-19 모델을 이용한 자동 가독성 예측, 어휘 제약 검증, 및 구문 복잡성 프로파일링을 통합한다. 결과는 구조화된 프롬프팅이 CEFR 정렬(alignment)을 크게 향상시킨다는 것을 보여준다. 특히, 어휘 제약을 동반한 CEFR 안내 프롬프팅은 기준 언어학적 프로파일과의 최고 수준의 부합(코사인 유사도 0.91) 및 예측된 가독성 수준과의 거의 완벽한 일치(0.99)를 달성하는 반면, 제약 없는 프롬프팅은 약한 제어를 보인다. 이러한 발견은 적응형 교육 시스템에 가독성 인식 아랍어 텍스트 생성을 통합하기 위한 실증적 기초를 마련한다.