고등학생 영어 독해 지원 AI 튜터를 위한 인지적 경험 기반 UX 가이드라인 연구 : AI Harnessing 로직 및 인터페이스 설계를 중심으로

다국어 초록 (Multilingual Abstract)

The advent of the Fourth Industrial Revolution and Large Language Models (LLMs) has presented innovative possibilities for personalized tutoring in the field of education. However, despite technical advancements, the majority of commercialized AI tutor services focus primarily on the efficiency of delivering standardized knowledge, often failing to consider the learner's cognitive context. Particularly within the exam-oriented English reading environment of Korean high schools, this component-centered approach leads to paradoxical consequences, exacerbating passive learning attitudes and causing cognitive disconnection, where learners fail to organically connect the context of the text.
Therefore, to bridge the gap between technological progress and educational practice, this study aims to integrally design the AI harnessing logic and UX/UI guidelines of AI tutors, focusing on the actual cognitive experiences learners undergo during the reading process. To achieve this, the core elements of Intelligent Tutoring Systems (ITS) were redefined from a learner-centered perspective, and a bottom-up research procedure was conducted based on data from actual educational settings rather than solely on literature review.
Through in-depth interviews with incumbent teachers, contextual inquiry of learners, and analysis of actual mobile Q&A corpora, this study identified the difficulties learners face during the reading process as five distinct types of cognitive friction. These are categorized as follows: ① Cognitive Bottleneck caused by information overload; ② Failure of Information Integration, characterized by an inability to connect contexts; ③ Fundamental Knowledge Gap, where basic schemas are absent; ④ Discrepancy Check, arising from a perceived gap between the learner's understanding and the correct answer; and ⑤ Concept Confirmation Inquiry, reflecting an active attempt to extend knowledge.
Based on these five derived types, this study established a nonlinear intervention model that responds adaptively to the learner's cognitive load state. Specifically, the logic was dualized into Group A (Types 1, 2, 3), which focuses on resolving deficits, and Group B (Types 4, 5), which focuses on expanding thought. The system was designed to adaptively switch between Direct Instruction (Mode A), which provides immediate answers, and an Inquiry-Based Approach (Mode B), which induces thought through questioning, depending on the situation. Furthermore, system prompts specifying roles and constraints were implemented to ensure this logical flow operates consistently within text-based generative AI, and the system was implemented as a 'Custom Gem' based on Gemini 3 Pro to verify the tangible validity of the logic.
Comparative experiments conducted to verify the validity of the model confirmed that the proposed system precisely diagnoses the learner's cognitive state and induces appropriate Constructive Friction. This process was found to contribute to transitioning learners from passive information receivers to active agents of meaning construction.
In conclusion, this study holds academic significance by translating the abstract concept of scaffolding in educational technology into concrete system algorithms and design language. It also possesses practical value by presenting specific UX guidelines that EdTech services should aim for in the era of generative AI. It is expected that the cognitive experience-centered design methodology proposed in this study will contribute to qualitatively innovating the interaction between AI and learners in future educational environments.

국문 초록 (Abstract)

4차 산업혁명과 거대언어모델(LLM)의 등장은 교육 분야에 개인화된 튜터링이라는 혁신적 가능성을 제시하였다. 그러나 현재 상용화된 대다수의 AI 튜터 서비스는 기술적 고도화에도 불구하고, 학습자의 인지적 맥락을 고려하지 않은 채 정형화된 지식을 전달하는 효율성에만 치중하고 있다. 특히 입시 위주의 한국 고등학생 영어 독해 환경에서 흔히 보이는구성 요소(단어, 문장 구조, 문법 등) 중심의 접근은 학습자가 텍스트의 맥락을 유기적으로 연결하지 못하는 인지적 단절과 수동적인 학습 태도를 심화시키는 역설적인 결과를 초래하고 있다.
이에 본 연구는 기술적 진보와 교육적 실천 사이의 간극을 해소하기 위해 학습자가 독해 과정에서 겪는 실질적인 인지적 경험을 중심으로 AI 튜터의 운용 로직(AI Harnessing)과 사용자 인터페이스를 통합적으로 설계하는 것을 목적으로 한다. 이를 위해 지능형 튜터링 시스템(Intelligent Tutoring System, ITS)의 핵심 요소를 학습자 중심의 관점에서 재정의하고, 문헌 연구가 아닌 실제 교육 현장의 데이터를 기반으로 하는 상향식 연구 절차를 수행하였다.
본 연구는 현직 교사 심층 인터뷰, 학습자 컨텍스트 조사, 그리고 실제 교사와 학습자가 모바일 메신저로 주고 받은 질의응답 코퍼스 분석을 통해 학습자가 독해 과정에서 직면하는 난관을 5가지 인지적 마찰 유형으로 규명하였다. 이는 정보 처리의 과부하로 인한 ①인지적 병목, 맥락 연결에 실패하는 ②정보 통합의 실패, 기초 스키마가 부재한 ③근본적 지식 공백, 정답과의 괴리를 느끼는 ④불일치 확인, 그리고 지식을 능동적으로 확장하려는 ⑤개념 확증 문의로 유형화 된다.
도출된 5가지 유형을 기반으로 본 연구는 학습자의 인지 부하 상태에 따라 유동적으로 지도법을 변화시키는 비선형적 개입 모델을 수립하였다. 구체적으로는 결핍을 해소하는 그룹A(유형1, 2, 3)와 사고를 확장하는 그룹B(유형4, 5)로 로직을 이원화하고, 각 상황에 맞춰 정답을 즉시 제공하는 직접적 교수(모드A)와 질문을 통해 사고를 유도하는 탐구적 접근(모드B)을 적응적으로 수행하도록 설계하였다. 또한, 이러한 논리적 흐름이 텍스트 기반의 생성형 AI에서도 일관되게 작동하도록 역할과 제약 조건을 명시한 시스템 프롬프트를 구현하였으며, 이를 구글의 Gemini 3 Pro 기반 맞춤형 챗봇(Custom Gem)으로 실제 구축하여 로직의 실체성을 확보하였다.
설계된 모델의 유효성을 검증하기 위해 비교 실험을 수행한 결과, 제안된 시스템은 학습자의 인지적 상태를 정밀하게 진단하고 적절한 건설적 마찰(Constructive Friction)을 유도함으로써, 학습자가 수동적인 정보 수용자에서 능동적인 의미 구성의 주체로 전환되는 데 기여함을 확인하였다.
결론적으로 본 연구는 교육공학의 개념인 스캐폴딩을 구체적인 시스템 알고리즘과 디자인 언어로 번역했다는 점에서 학문적 의의를 지니며, 생성형 AI 시대에 에듀테크 서비스가 지향해야 할 구체적인 UX 가이드라인을 제시했다는 점에서 실무적 가치를 갖는다. 본 연구가 제안하는 인지적 경험 중심의 설계 방법론이 미래 교육 환경에서 AI와 학습자의 상호작용을 질적으로 혁신하는 데 기여하기를 기대한다.

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 1
• 1.1.1. LLM 기반 에듀테크의 확산과 인터페이스의 변화 2
• 1.1.2. 챗봇 맥락(Context)을 고려하지 못한 기존 서비스의 한계 2
• 1.2. 문제 제기 3
• 1.2.1. 구성 요소 중심 접근의 폐해 3
• 1.2.2. 의미 구성의 실패와 이해의 착각 4
• 1.3. 관점의 전환 4
• 1.3.1. 결과에서 과정으로의 전환 5
• 1.3.2. 능동적 반응으로서의 '질문'과 5가지 경험 유형 5
• 1.4. 연구의 목적 및 차별성 6
• 1.4.1. 연구 목적 6
• 1.4.2. 연구의 차별성 6
• 1.5. 연구 범위 및 방법 7
• 1.5.1. 연구 범위 7
• 1.5.2. 연구 방법 8
• 2. 이론적 배경 10
• 2.1. 영어 독해의 인지적 메커니즘과 '단절' 현상 11
• 2.1.1. 상호작용적 독해 모형 11
• 2.1.2. 한국 학습자의 인지적 단절 11
• 2.2. 지능형 튜터링 시스템(ITS)의 현황과 한계 12
• 2.2.1. ITS의 4대 구성 요소 13
• 2.2.2. 기존 ITS 모델의 한계 14
• 2.3. 인지적 경험 지원을 위한 ITS 구성 요소의 재구성 15
• 2.3.1. Student Model: 실시간 인지 상태 진단 15
• 2.3.2. Tutor Model: 적응형 비선형 제어 16
• 2.3.3. User Interface: 인지적 상호작용 레이어 16
• 3. 연구 절차 및 방법 17
• 3.1. 연구 설계의 개요 18
• 3.1.1. 전체 연구 프레임워크 18
• 3.1.2. 연구 방법론적 접근 19
• 3.2. 학습자-교사 상호작용 및 인지적 경험 탐색 20
• 3.2.1. 전문가의 암묵적 진단 및 개입 전략 도출 (교사 심층 인터뷰) 20
• 3.2.2. 인지적 병목과 행동 패턴의 포착 (학생 문맥 연구) 22
• 3.3. 데이터 수집 및 인지적 마찰 유형화 24
• 3.3.1. 실제 학습자 질문 코퍼스 수집 24
• 3.3.2. 인지적 마찰 유형화 24
• 3.4. 가이드라인 수립 및 솔루션 설계 25
• 3.4.1. 반복적 테스트를 통한 가이드라인 고도화 26
• 3.4.2. 솔루션 구현 및 구체화 26
• 3.4.3. 로직의 타당성 검증 27
• 4 학습자의 인지적 경험 분석 결과 27
• 4.1. 탐색적 연구 결과 28
• 4.1.1. 교사 관점: 침묵 구간과 인지적 사각지대 28
• 4.1.2. 학습자 관점: ‘해석’과 ‘이해’의 인지적 괴리 및 편향 29
• 4.2. 학습자 질문 코퍼스 분석 및 인지적 마찰 유형 도출 30
• 4.2.1. 표면적 질의 이면에 내재된 인지적 욕구 분석 31
• 4.2.2. 5가지 인지적 경험 유형의 범주화 32
• 4.3. 거시 분석: 5가지 유형의 상위 분류 체계 33
• 4.3.1. 상위 분류 기준 33
• 4.3.2. 인지적 결핍 해소 그룹의 구성 (유형1, 2, 3) 34
• 4.3.3. 인지적 정교화 및 조정 그룹의 구성 (유형4, 5) 34
• 4.4. 미시 분석: 5가지 인지적 마찰 유형별 상세 특성 35
• 4.4.1. 그룹A의 상세 특성 35
• 4.4.2. 그룹B의 상세 특성 37
• 4.5. 인지적 마찰 해소를 위한 이원화된 설계 전략 38
• 4.5.1. 정적 알고리즘의 한계와 ‘적응형 튜터’의 필요성 39
• 4.5.2. 텍스트의 한계와 ‘인지적 시각화’의 필요성 39
• 5. 인지적 경험 기반 AI 튜터 UX 가이드라인 제안 39
• 5.1. 가이드라인 설계 프레임워크 40
• 5.1.1. 가이드라인의 이원화된 설계 축 40
• 5.1.2. 가이드라인의 계층적 구성 41
• 5.2. 공통 설계 원칙 41
• 5.3. 그룹A(결핍 해소)를 위한 가이드라인 47
• 5.3.1. [유형1: 인지적 병목] 선제적 필터링과 즉시적 복귀 47
• 5.3.2. [유형2: 정보 통합의 실패] 분해와 인과적 연결 49
• 5.3.3. [유형3: 근본적 지식 공백] 과업 전환과 스키마 재건 52
• 5.4. 그룹B(인지적 정교화 및 확장)를 위한 가이드라인 57
• 5.4.1. [유형4: 불일치 확인] 논리적 대조와 인지적 조율 57
• 5.4.2. [유형5: 개념 확증 문의] 가설 검증과 지식의 확장 60
• 6. 솔루션 구현: AI Harnessing 로직 65
• 6.1. AI Harnessing Flow 설계 65
• 6.1.1. Flowchart 설계 원칙 66
• 6.1.2. 그룹A(결핍 해소) 로직 설계 (유형1, 2, 3) 67
• 6.1.3. 그룹B(인지적 정교화 및 확장) 로직 설계 (유형4, 5) 69
• 6.2. AI Harnessing Prompt 설계 72
• 6.2.1. 페르소나 및 톤앤매너 정의 72
• 6.2.2. 유형별 대응 프롬프트 74
• 7. AI Harnessing 로직 검증 78
• 7.1. 검증 개요 및 설계 78
• 7.1.1. 검증 목적 79
• 7.1.2. 실험 대상 및 환경 79
• 7.1.3. 비교 실험 설계 79
• 7.2. 대화 로그 분석 80
• 7.2.1. 분석 개요 및 데이터 현황 81
• 7.2.2. 단순 지식 획득 과업에서의 정보량 통제와 인지 부하 고려의 비교 82
• 7.2.3. 복합 인지 과업에서의 정답 제시 방식과 과정 중심적 개입의 비교 82
• 7.3. 심층 인터뷰 분석 83
• 7.3.1. 학습자 유형별 상호작용 스타일 84
• 7.3.2. 프롬프트 엔지니어링의 효과성 검증 85
• 7.3.3. 설계된 로직의 한계 86
• 8. 결론 88
• 8.1. 연구 요약 88
• 8.2. 연구의 시사점 및 의의 89
• 8.3. 연구의 한계점 90
• 8.4. 향후 연구 제언 92
• 참고문헌 94
• 부록: 프롬프트 전문 98