이 연구는 대규모 언어 모델(LLM)이 생성한 외국어로서의 영어(EFL) 학습 콘텐츠의 교육적 타당성을 평가한다. 문법 드릴 애플리케이션에서 연습하는 일본 중학생들의 로그 데이터를 활용하여, 다양한 질문 양식이 학생 수행도에 미치는 영향과 이론적으로 현지화된 CEFR 난이도 단계가 실증적 과제 난이도를 정확히 예측하는지를 분석하였다. 결과는 명확한 수행도 위계를 보여준다: 객관식 문제는 인지 부하가 가장 낮았고, 클로즈(빈칸 채우기) 과제는 능동적 회상에 가장 큰 장벽을 형성하였으며, 드래그앤드롭 연습은 가장 큰 시간적 부담을 유발하였다. 또한, 학습자 데이터는 CEFR-J 문법 프레임워크를 검증하였으며, 숙달도 수준이 높아질수록 정확도가 꾸준히 감소하고 응답 시간이 증가함을 보여주었다. 이러한 결과는 LLM이 학습 콘텐츠를 성공적으로 생성할 수 있음을 입증하는 동시에, 학습자를 수동적 인식에서 능동적 언어 산출로 전환시키기 위해 개발자들이 질문 양식을 전략적으로 순서화할 필요성을 강조한다.
눈 깜박임과 추적 실패로 인한 결측 데이터를 XMD 인코딩(관측 마스크 + 시간 델타)으로 명시적으로 모델링하고, 양방향 Mamba-2로 선형 복잡도의 장거리 시간 의존성을 포착하는 MambaGaze 프레임워크를 제안한다. CLARE 및 CL-Drive 데이터셋에서 피험자 제외 교차 검증 시 10개 비교 모델 중 최고 평균 macro-F1(55.3%)을 달성했으며, NVIDIA Jetson Orin에서 6.6W 미만 전력으로 27~36 FPS 실시간 추론이 가능함을 입증했다.
단일 채널 소비자용 EEG 기기(NeuroSky MindWave Mobile 2)와 CNN+LSTM+Attention 하이브리드 모델을 결합해 온라인 학습 중 인지 부하(cognitive load)를 추정하는 타당성 연구로, 피험자 내(within-subject) 평가에서 기존 특징 기반 분류기의 55% 대비 최대 78.5% 정확도를 달성했다. 단, 9명의 소규모 데이터셋 한계를 명시하며 피험자 독립(subject-independent) 평가를 표준으로 삼아야 함을 강조하고, 재현 가능한 평가 파이프라인과 영상 타임라인 위에 인지 부하를 히트맵으로 시각화하는 오픈소스 노트북 도구를 함께 공개한다.
Alpha 역학과 시각 인지 부하 분석을 위한 오픈소스 EEG 에이전트 NeuraDock Agent를 전처리·품질 관리(QC) 게이팅 이후에 Alpha 지표를 계산하는 단계별 튜토리얼로 안내하며, 오프라인 분석에서 실시간 대시보드·API·대규모 언어 모델(LLM) 해석까지 연결하는 재현 가능한 워크플로를 제시한다. 미니-데이터셋 검증에서는 18개 기록을 처리해 10개 피험자 내 비교 중 7개에서 과제 관련 후두부 Alpha 억제를 관찰했고, 피험자 내 재현성에 대한 초기 근거와 로컬 온라인 API 지연 시간 벤치마크도 함께 보고한다.
AI 기반 코드 어시스턴트는 소프트웨어 개발을 변화시키고 있지만, 개발자의 인지 과정에 어떤 영향을 미치는지에 대한 실증적 증거는 부족하다. 우리는 피험자 내 교차 설계(within-subjects crossover design)를 통해 AI 보조 프로그래밍의 신경생리학적 상관관계를 조사하는 다기관 연구를 제시한다. 이탈리아 바리와 덴마크 코편하겐의 두 대학에서 참가자를 모집했으며, 뇌전도(EEG), 시선 추적(eye-tracking), 피부전도 활동(electrodermal activity), 심박변이(heart rate variability) 데이터를 루브릭 기반 성과 점수 및 NASA Task Load Index(NASA-TLX)를 이용해 여섯 차원으로 측정한 자기보고 작업부하와 함께 수집했다. AI 보조 조건과 비보조 조건 간 생리적 차이, 개발자 경험의 조절 역할, 생리 지표와 성과의 연관성, 주관적 인식과 객관적 측정 간 정렬(alignment)을 다루는 네 가지 가설을 검증했다. AI 보조 하에서 첫 번째 과제 중 EEG $θ/α$ 비율은 더 낮았고 두 번째 과제 중 시선 깜빡임 빈도는 더 높았으며, 이는 개발자가 생성 작업을 모델에 위임할 때 인지적 몰입이 감소했다는 점과 일치한다. 이 패턴은 학부생과 대학원생 간에 차이가 없었다. 피부전도 활동은 비AI 조건에서만 성과와 상관관계를 보였고 AI 조건에서는 그렇지 않았다. 자기보고 작업부하의 여섯 NASA-TLX 차원 중 Physical demand(신체적 요구)만 비AI 조건에서 성과와 연관되었고 AI 조건에서는 그렇지 않았다. 이러한 결과는 AI 보조 프로그래밍이 혼자 코딩하는 것의 더 빠른 버전이 아니라 인지적으로 구별되는 활동임을 시사하며, AI 어시스턴트 설계와 AI 증강 개발 환경에서의 생체 신호 모니터링에 함의를 갖는다.