생성형 AI가 프로그래밍 교육을 재편하고 있지만, 교육자들은 종종 교실 관찰만으로 학생들의 AI 지원 학습을 추론한다. 본 경험 보고서는 서로 다른 교수 철학을 가진 두 명의 컴퓨팅 교육자와 한 명의 컴퓨터과학 학부생이 참여하는 트리오 민족지(trio-ethnography)를 통해, 이러한 해석이 대화를 거치며 어떻게 진화하는지를 살펴본다. 세 번의 대화에 걸쳐 교육자들은 학생들의 AI 사용을 성찰하고, 프로그래밍 교수법의 변화를 논의했으며, 학생의 실제 경험과 교류한 후 자신들의 가정을 재검토했다. 학생의 서사는 교육자들의 관점을 단순히 확인하거나 반박하는 것을 넘어, 교실에서 대체로 보이지 않았던 학습 과정을 드러내었고, 이는 두 교육자 모두 AI 사용, 평가, 투명성, 프로그래밍 교육에 대한 가정을 재고하도록 이끌었다. 우리는 트리오 민족지가 컴퓨팅 교육자들이 관찰 가능한 학생 행동을 넘어 AI 지원 학습에 대한 더 풍부한 이해로 나아가도록 돕고, 생성형 AI 시대의 교수법 적응에 정보를 제공하는 데 유용한 성찰적 접근법을 제공한다고 주장한다.
K-12 환경에서 개인정보 보호와 비용 문제로 소형 언어 모델(SLM)이 주목받는 가운데, VEX VR 블록 기반 로봇 프로그래밍 환경에서 언어 모델의 CS 튜터링 능력을 평가하는 CSTutorBench를 소개한다. 4B~120B 파라미터 규모의 11개 모델 평가 결과, 어휘·어조 같은 표면적 기준에서는 양호한 성능을 보이나 답 유출 방지 및 학생의 디버깅 이력 반영 등 심층적 교육학적 행동에서는 취약했으며, 교육 프롬프트 엔지니어링 기반의 프롬프트 수정이 11개 중 10개 모델의 점수를 향상시켰다.
패턴 기반 지식 컴포넌트(Knowledge Components, KCs)를 활용해 Python 입문 프로그래밍 학습 자료 간의 개념적 유사도를 자동으로 측정하고 관련 활동을 추천하는 프레임워크를 제안하며, PCEX 데이터셋의 전문가 구성 번들을 기준으로 평가한 결과 임베딩 기반 및 기존 KC 기반 베이스라인보다 높은 랭킹 성능을 달성하였다.
생성형 AI 도구는 초보 프로그래머에게 즉각적이고 개인화된 지원을 제공하지만, AI 사용이 학생의 문제 해결 조절을 지원하는지 아니면 우회하는지에 대한 우려도 제기한다. 기존 연구는 주로 정확성, 사용성, 또는 전반적인 사용 빈도에 초점을 맞추었으며, 학생과 AI 간의 도움 요청이 어떻게 전개되는지에 대한 관심은 상대적으로 부족했다. 본 연구는 대학 수준의 프로그래밍에서 AI 보조 도움 요청 궤적을 분석함으로써 이러한 공백을 다룬다. 프롬프트 수준의 도움 요청 코드를 개념적, 구현, 디버깅, 성찰적 지원 형태와 연결하는 자기조절학습(SRL) 기반 분석 프레임워크를 활용하여, 초급 Python 프로그래밍 과정을 수강한 71명의 학생이 제출한 17,190개의 코드 제출과 연결된 1,290개의 과제별 학생 프롬프트를 분석하였다. 구체적으로, 도움 요청 상호작용이 대화 턴과 시도 횟수에 걸쳐 어떻게 구조화되었는지, 그리고 궤적 패턴이 과제 점수 및 코드 제출 횟수와 어떻게 관련되는지를 살펴보았다. 결과에 따르면, 많은 학생들이 계획적이고 자기조절적인 문제 해결보다는 반응적인 문제 해결을 위해 AI를 주로 활용하였다. 궤적 패턴은 과제 점수의 유의미한 차이와 관련이 없었지만, 필요한 코드 제출 횟수에서는 상당한 차이를 보였다. 이러한 결과는 AI 지원의 교육적 의미가 학생들이 AI를 사용하는지의 여부뿐만 아니라, 프로그래밍 문제 해결 과정에서 도움 요청 궤적이 어떻게 발전하는지에도 있음을 시사한다.
초급 프로그래밍 교육에서 대규모 언어 모델(LLM)의 신뢰성 문제를 해결하기 위해, 교수자가 식별한 오개념과 작성한 피드백을 활용하는 설명 가능한 AI 어시스턴트를 제안합니다. 전문가 평가와 수업 적용 결과, 해당 시스템은 정확한 피드백을 제공하며 학생들에게 긍정적인 사용성을 보여주었습니다.