PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.01262v1cs.AI

기다림 없는 피드백: 대규모 수학 강의에서 생성형 인공지능 연습 플랫폼 시범 운영

Feedback Without the Wait: Piloting a Generative AI Practice Platform in a Large Maths Class

적시의 구체적인 피드백은 학생 학습에 가장 강력한 영향을 미치는 요인 중 하나이지만, 학생 대 실습 조교(demonstrator) 비율이 높은 대규모 전기공학 강의에서는 이를 지속하기 어렵고, 문제 해결에 막힌 학습자는 자신의 접근 방식이 왜 틀렸는지 확인하기까지 며칠씩 기다려야 할 수도 있습니다. 생성형 인공지능(GenAI)은 대화형 피드백을 확장할 수 있는 방안을 제공하지만, 이를 과제 평가에 활용하는 것은 신뢰성과 책임성 문제를 야기하며, 판단의 신뢰도를 확보하기 위해 인간 참여(human-in-the-loop) 방식을 유지하면 피드백의 가치를 떨어뜨리는 바로 그 지연 문제가 다시 발생합니다. 그 결과 피드백을 효과적으로 만드는 즉각성과 피드백을 신뢰할 수 있게 만드는 인간의 감독 간에 긴장이 발생합니다. 본 연구에서는 자기 주도적 연습 과정에서 즉각적이고 단계별 비계(scaffolded) 피드백을 제공하는 GenAI 연습 플랫폼을 설계하고 시범 운영함으로써 이러한 긴장을 실제 환경에서 해결하고자 했습니다. 이는 인간의 감독을 실시간 채점에서 사전 솔루션 검증 단계로 이전합니다. 본 연구의 목표는 학생들이 이 도구를 어떻게 활용했는지, 피드백의 가치와 신뢰도를 어떻게 인식했는지, 그리고 다른 공학 과목으로 전이될 수 있는 교훈은 무엇인지 파악하는 것입니다.

arXiv:2607.22598v1cs.CY

차원 모델링 과정을 위한 교수법 중심 교사 보조 시스템

A didactical-driven teacher assistant for a dimensional modeling course

대규모 언어 모델(LLM) 기반 교육용 챗봇은 학습 성과에 유망한 효과를 보이지만, 대부분의 시스템은 콘텐츠 선택과 교수법적 구조화와 같은 교육학적 결정을 LLM에 암묵적으로 위임하여 튜터링 전략을 추적, 평가, 재현하기 어렵게 만든다. 본 논문은 차원 모델링에 관한 프랑스어 대학 과정을 위해 상용 LLM 예산이나 GPU 인프라 없이 운영되는 교수법 중심 교사 보조 시스템을 제시한다. 아키텍처는 텍스트 생성 이전에 의도 탐지, 개념 연결, 교수법적 접근 선택을 처리하는 결정론적 모듈로 강사의 교육학적 추론을 형식화하며, LLM은 순전히 언어적 실행자 역할만 한다. 195개의 실제 학생 질문에 대한 평가는 두 가지 연구 질문을 다룬다. 첫째, 표준 의미적 검색(semantic retrieval)만으로는 교육학적으로 필요한 콘텐츠를 신뢰성 있게 복원하지 못함을 보여, 이는 우리 아키텍처에서 채택한 상류 오케스트레이션 전략을 정당화한다(RQ1). 둘째, 모델마다 탐지 성능이 크게 달라지고 오류를 조용히 발생시키는 무료 티어 LLM과 비교할 때, 결정론적 파이프라인은 완전한 추적 가능성과 명시적 기권(abstention)과 함께 높은 쌍 정밀도(73%)를 달성하지만, 제한된 커버리지는 탐지 전략이 추가적인 정교화를 필요로 함을 확인한다(RQ2).

arXiv:2607.22345v1cs.RO

Teachy Mini: 고등교육을 위한 지식 기반 생성형 소셜 로봇의 개발 및 예비 평가

Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education

대규모 언어 모델(LLM)로 구동되는 생성형 소셜 로봇(GSR)은 고등교육에서 개인화된 튜터링을 위한 새로운 가능성을 제공하지만, 잘못된 정보, 투명성 부족, 또는 학습자의 오답을 강화하는 위험도 수반한다. 선행 연구는 GSR이 고등교육에서 책임감 있고 효과적인 튜터링 행동을 나타내기 위한 정보적 전제 조건을 정의하는 지식 기반 설계(KBD) 요구사항을 밝혔다. 본 논문에서는 시스템 프롬프트, 검색-증강 생성(RAG), 상태 기반 프롬프트 오케스트레이션을 통해 Reachy Mini 로봇 플랫폼에서 선정된 KBD 요구사항을 구현했다. 그 결과 KBD를 사용해 개발한 GSR 튜터링 시스템인 Teachy Mini를 제시한다. 시스템을 검증하기 위해 예비 평가 연구를 수행했다. 참가자(N = 24)는 연구 방법론에 대한 로봇 안내 학습 세션을 완료했다. 참가자는 Teachy Mini 또는 KBD 원칙을 따르지 않은 대조 버전으로 학습했다. Teachy Mini는 대조 로봇보다 책임감 있는 튜터링 행동과 유의미하게 더 일치하는 것으로 인식되었다. 또한 조작 점검 결과, Teachy Mini가 개인화, 슬라이드 기반 설명, 소크라테스식 질문, 정서적 지원, 학습자 중심 피드백을 대조 로봇보다 더 일관되게 사용했음을 보여주었다. 시스템 수용, 내재적 동기, 또는 학습 효과에서는 조건 간 유의미한 차이가 발견되지 않았으나, 탐색적 분석에서는 학습자 선호를 고려할 때 KBD가 객관적 학습 향상에 긍정적 효과를 보였음을 시사했다. 전반적으로 본 연구는 GSR 튜터링을 위한 KBD의 초기 구현과 예비 평가를 제공했으며, KBD가 책임감 있는 로봇 행동을 형성하고 로봇 지원 학습에서 학습 효과를 잠재적으로 높일 수 있음을 시사한다.

arXiv:2603.05361v2cs.AI

PACE: 9-1-1 신고 접수원 교육을 위한 개인화 적응형 커리큘럼 엔진

PACE: A Personalized Adaptive Curriculum Engine for 9-1-1 Call-taker Training

9-1-1 신고 접수 교육은 다양한 사건 유형과 프로토콜별 세부 사항을 아우르는 천 가지 이상의 상호의존적 기술의 숙달을 요구합니다. 전국적인 인력 부족은 이미 교육 역량에 부담을 주고 있지만, 효과적인 교수를 위해서는 여전히 교관이 각 교육생의 변화하는 역량에 맞춰 목표를 조정해야 합니다. 이러한 개인화 부담은 현재의 방식으로는 확장이 불가능합니다. 메트로 내슈빌 비상 통신국(MNDEC)과의 협력을 통해, 우리는 PACE(Personalized Adaptive Curriculum Engine)를 제안합니다. PACE는 (1) 교육생의 기술 상태에 대한 확률적 신념 유지, (2) 개인별 학습 및 망각 역학 모델링, (3) 새로운 역량 습득과 기존 역량 유지의 균형을 맞추는 훈련 시나리오 추천을 통해 교관의 의사결정을 보조하는 코파일럿 시스템입니다. PACE는 구조화된 기술 그래프에 걸쳐 증거를 전파하여 진단 커버리지를 가속화하고, 컨텍스트 밴딧(contextual bandits)을 적용하여 교육생이 해결할 준비가 된 격차를 목표로 하는 시나리오를 선택합니다. 실험 결과, PACE는 최신 프레임워크 대비 역량 달성 시간을 19.50% 단축하고 최종 숙달도를 10.95% 향상시키는 것으로 나타났습니다. 현직 교육 담당관과의 코파일럿 연구에서는 실제 사례에 대한 PACE와 전문가의 교육학적 판단 간 95.45%의 일치율을 추가로 입증했습니다. 추정 측면에서 PACE는 처리 소요 시간을 11.58분에서 단 34초로 단축하여 최대 95.08%의 감소를 달성합니다.

arXiv:2607.05412v1cs.CY

AI는 왜 STEM 교육에 새로운 가능성을 열어주는가? 동향과 미래 의제에 대한 계량서지학적 분석

Why does AI unlock new possibilities in STEM education? A Bibliometric Analysis of Trends and Future Agenda

STEM 교육은 개인화 및 학제 간 통합 측면에서 여러 과제에 직면해 있다. AI 기술은 새로운 가능성을 가져왔지만, AI가 STEM 교육 생태계를 재편하는 메커니즘에 대해서는 체계적인 연구가 필요하다. 본 연구는 계량서지학적 방법론을 활용하여 2015년부터 2025년까지의 논문 242편을 분석하고, 지식 지도를 구축하여 발전 궤적을 규명한다. 연구 결과, 해당 분야는 지능형 튜터링 시스템에서 대규모 언어 모델(LLM) 기반의 탐구 학습 및 컴퓨팅 사고력 함양으로 변화하였음이 나타났다. AI의 핵심적인 기여는 지식 이해의 진입 장벽을 낮추는 지능형 스캐폴딩(scaffolding)을 제공하는 데 있다. 이러한 맥락에서 AI는 STEM 교육을 지식 전달에서 역량 개발로 전환시키는 핵심 동력이라 할 수 있다.

arXiv:2606.28881v1cs.LG

멀티 신호 텔레메트리 기반 학생 성취도 예측 및 메타인지 캘리브레이션을 위한 머신러닝과 계층적 분산 분해 통합 파이프라인

An Integrated Machine Learning and Hierarchical Variance Decomposition Pipeline for Student Performance Prediction and Metacognitive Calibration on Multi-Signal Telemetry

학생 성취도 예측과 메타인지 캘리브레이션 특성화는 지능형 튜터링 시스템의 개인화에 필수적이다. 기존 연구는 성취도 예측, 캘리브레이션 오류 계산, 분산 분해를 별도의 파이프라인으로 처리하여 통합적 해석을 어렵게 한다. 본 논문은 통합 행동 예측 및 캘리브레이션 분석 파이프라인(UBP-CAP)을 제안한다. 이는 학생의 실행 전 행동 텔레메트리를 세 가지 연결 모듈로 처리하는 통합 프레임워크로 구성된다: (1) 이진 정답 예측을 위한 SHAP 기반 LightGBM 분류기, (2) 메타인지 정렬을 평가하는 공식 캘리브레이션 지표(ECE, MCE, Brier 점수 분해), (3) 캘리브레이션 편차를 분해하는 교차 일반화 선형 혼합 효과 모델(GLMM). 또한 예측 특징 프로파일과 설명 특징 프로파일 간의 구조적 발산을 정량화하는 예측-설명 발산 지수(PEDI)를 도입한다. 1,195개의 상호작용 기록(학생 27명, 과제 45개)을 대상으로 평가한 결과, 로지스틱 회귀가 AUC-ROC = 0.903을 달성하여 LightGBM(0.878)을 능가하였다. 학생의 단순 ECE(0.109)는 모델 ECE(0.068)를 유의미하게 초과하여 체계적인 오캘리브레이션을 확인하였다. 교차 GLMM은 ICCStudent = 0.123을 산출하여 캘리브레이션이 성향적이기보다는 상황적임을 보여준다. PEDIcos = 0.081(p = 0.327)은 공유된 행동 특징에서 예측과 설명 간의 구조적 정렬을 나타낸다.

arXiv:2606.21502v1cs.CL

수학 오류 교정을 위한 교육학적 정렬 LLM 튜터

Towards Pedagogically Aligned LLM Tutors for Math Mistake Remediation

대규모 언어 모델(LLM)은 지능형 튜터링 시스템에 활용될 강한 잠재력을 지니지만, 최종 답을 공개하지 않고 학생을 안내하는 것과 같은 효과적인 교육학적 전략을 따르는 데 종종 실패한다. 본 연구는 튜터링 대화에 대한 지도 미세조정과 합성 선호 쌍에 대한 직접 선호 최적화(Direct Preference Optimization)를 결합한, 수학 오류 교정을 위한 2단계 정렬 파이프라인의 적용을 다룬다. 우리는 기존 튜터링 코퍼스와 스캐폴딩(scaffolding) 및 사실성(factuality)과 같은 교육학적 차원을 따라 생성된 합성 데이터를 통합한 데이터셋을 구축하고, 해법 정확성과 정답(gold answers)을 포함하는 다양한 입력 구성을 연구한다. 실험 결과, 이 접근법은 기본 모델 및 기존 튜터링 모델 대비 사실적 정확도와 교육학적 품질 모두를 향상시킨다. 인간 평가는 우리의 최고 모델이 강력한 독점 기준선과 경쟁력 있는 수준이며, 공개성, 투명성, 재현성 측면에서 추가적인 이점을 제공함을 추가로 보여준다. 우리 결과는 선호 기반 교육학적 정렬의 효과를 강조하는 동시에, 튜터링 품질을 신뢰성 있게 평가하는 데 따른 과제도 드러낸다.

arXiv:2606.11744v1cs.CL

이봐 챗, 나 좀 가르쳐 줄래? 실제 환경에서의 인간 학습을 위한 소크라테스식 대화 구조화

Hey Chat, Can You Teach Me? Structuring Socratic Dialogue for Human Learning in the Wild

대규모 언어 모델(LLM)은 이제 일상 학습에 널리 사용되지만, 그 기반 상호작용은 일반적으로 커리큘럼을 따르기보다는 비구조화된 채팅 형태입니다. 형식적인 온라인 학습 시스템과 달리 이러한 상호작용은 학생에 대한 이전 기록이 없으므로, 학생이 이미 알고 있는 바에 대한 추정은 대화 자체에서 추론해야 합니다. 우리는 이러한 격차가 모델 스케일링만으로는 해결되지 않음을 보여줍니다. 최첨단 모델과 교육용으로 튜닝된 LLM조차도 장기 세션에 걸쳐 학생을 지도하라는 요청을 받으면 성능이 저조한데, 이는 세 가지 과제를 동시에 수행해야 하기 때문입니다. 튜터는 커리큘럼을 순서화하고, 소크라테스식 대화를 수행하며, 해당 대화로부터 학생의 지식 상태를 추론해야 합니다. 우리는 이러한 책임을 분리할 것을 제안합니다. 학생의 질의가 주어지면, 우리 시스템은 하위 주제를 노드로, 의존성을 에지로 하는 선행 지식 그래프를 구성하고, 튜터링을 다음에 어떤 노드를 가르칠지와 넘어가기 전에 그 노드에 몇 턴의 대화를 할지를 결정하는 문제로 정의합니다. 가벼운 PPO 정책이 이러한 순서화 결정을 처리하는 반면, LLM은 선택된 노드에서 소크라테스식 대화를 수행하고 학생의 진도에 대한 신호를 반환합니다. 홀드아웃된 STEM 및 비-STEM 주제 전반에서, 우리의 PPO-페어링된 튜터는 휴리스틱 기준선, 최첨단 범용 모델, 소크라테스식 대화에 특화된 모델을 능가했습니다. 이는 학생들이 전체 커리큘럼을 완전히 숙달하는 비율과 필요한 턴 수 모두에서 해당됩니다. 명시적인 커리큘럼 구조는 기본 모델의 스케일링이 가져오지 못하는 성능 향상을 제공합니다.