생성형 AI 활용 데이터 분석에서 행위주체성을 지원하는 AI 에이전트 개발 = Development of AI Agents to Support Agency in Generative AI-integrated Data Analysis

다국어 초록 (Multilingual Abstract)

As AI technology advances rapidly, the use of generative AI in education is expanding. While generative AI serves as a powerful tool for extending learners' capabilities, it also poses the risk of undermining learners' sense of responsibility for learning through excessive dependence on AI. In this context, the importance of student agency—learners' capacity to autonomously regulate their learning processes and make decisions while receiving AI support—has become increasingly prominent. However, existing research has been limited to exploring the effects of AI on learning or discussing the design of learning environments to support student agency only at a theoretical level.
Therefore, this study aimed to design and implement an LLM-based AI agent system that supports student agency in generative AI-integrated learning environments and to explore its influence on high school students during data analysis projects. The research questions were: (1) What are the structures and functions of AI agents that support agency in AI-utilizing data analysis? (2) How do learners respond to these AI agents? (3) Are the structures and functions of these agents effective?
Using a Design-Based Research (DBR) methodology with two iterative cycles, 15 high school students from a statistics club participated. In Cycle 1, a system comprising a "Data Analysis Agent" and a "Learning Agent" was developed using LangChain. Results from usability surveys and FGIs showed high motivation and self-efficacy but low levels of planning and prompt literacy, with students noting a need for clearer structures. Reflecting this, Cycle 2 introduced a structured three-phase workflow (Planning-Execution-Reflection) and redesigned the system using LangGraph to integrate state management across stages. Data were collected via pre-post tests, in-depth interviews, and interaction logs.
The results of paired-samples t-tests revealed significant improvement in the agentic action dimension (t = –2.858, p = .013). The competence dimension (t = –2.120, p = .052) showed a trend approaching significance, while the psychological dimension (t = –0.947, p = .360) showed no significant change. In-depth one-on-one interviews revealed that the AI agents supported students' agency and strengthened their sense of learning responsibility. Furthermore, this experience transferred to general-purpose AI use, enabling students to utilize generative AI like ChatGPT more effectively in other contexts.
Based on these findings, three design implications were derived. First, AI agents should act as active orchestrators that track progress, where explicit planning phases are crucial for goal-directed action. Second, agent design should prioritize affordances that promote agency; specifically, the "unfriendliness" (intentional restraint) of the data analysis agent enhanced students' ownership of their learning. Third, learners' beliefs about AI significantly impact agentic AI use; students perceiving AI as a collaborative partner reported competence gains, while those seeing it as a mere tool expressed skepticism.
This study bridged the gap between theory and practice by establishing the support of student agency as an explicit goal and designing and implementing a system utilizing state-of-the-art LLM-based agent architecture. The significance of this research lies in proposing a new direction for human-AI interaction in generative AI-integrated learning environments.

국문 초록 (Abstract)

AI 기술이 급속히 발전하면서 교육 분야에서도 생성형 AI의 활용이 확대되고 있다. 생성형 AI는 학습자의 능력을 확장할 수 있는 강력한 도구이지만, 학습자가 AI에게 과도하게 의존하여 학습에 대한 책임감이 약화될 위험성 또한 존재한다. 이러한 맥락에서 학습자가 AI의 지원을 받으면서도 주체적으로 학습 과정을 조절하고 의사결정을 내리는 역량인 학생 행위주체성의 중요성이 부각되고 있다. 그러나 기존 연구들은 AI가 학습에 미치는 영향을 탐색하는 데 그치거나, 학생 행위주체성 지원을 위한 학습 환경 설계를 이론적 수준에서만 논의하는 한계가 있었다.
따라서 본 연구는 생성형 AI 기반 학습 환경에서 학생 행위주체성을 지원하는 LLM 기반 AI 에이전트 시스템을 설계·구현하고, 고등학생의 데이터 분석 프로젝트 수행 과정에서 그 영향을 탐색하고자 한다. 본 연구의 연구 문제는 다음과 같다. 첫째, 생성형 AI 활용 데이터 분석에서의 행위주체성을 지원하는 AI 에이전트는 어떤 구조와 기능을 갖는가? 둘째, 행위주체성을 지원하는 AI 에이전트에 대한 학습자들의 반응은 어떠한가? 셋째, 행위주체성을 지원하는 AI 에이전트의 구조와 기능은 효과가 있는가?
연구 방법으로 2회 반복 순환의 설계 기반 연구(DBR)를 채택하였으며, 통계 동아리 소속 고등학생 15명이 참여하였다. 1차 순환에서는 데이터 분석 에이전트와 학습 에이전트로 구성된 시스템을 LangChain 기반으로 개발하였다. 사용성 설문과 FGI 결과, 학습 동기와 자기효능감은 높게 나타났으나 계획 수립 및 프롬프트 리터러시는 상대적으로 낮았으며, 학생들은 계획 수립을 위한 명확한 구조의 필요성을 제기하였다. 이를 반영하여 2차 순환에서는 계획-실행-성찰의 3단계 구조화된 학습 단계를 도입하고 단계 간 상태를 통합 관리하는 에이전트를 구현하기 위해 LangGraph 기반으로 시스템을 재설계하였다. 사전-사후 검사와 1:1 심층 인터뷰, 상호작용 로그 등을 통해 데이터를 수집하였다.
연구 결과, 대응표본 t-검정에서 능동적 행동 차원의 유의미한 향상이 나타났다(t = –2.858, p = .013). 역량 차원(t = –2.120, p = .052)은 유의 수준에 근접한 경향성을 보였으나, 심리적 차원(t = –0.947, p = .360)은 유의미한 변화가 없었다. 1:1 심층 인터뷰 분석 결과 학생들은 AI 에이전트를 통해 행위주체성을 지원받았으며, 학습에 대한 책임감이 강화되었다고 답하였다. 또한, AI 에이전트 사용 경험이 이후 범용 생성형 AI 활용 상황에까지 전이되어 ChatGPT와 같은 생성형 AI를 더 잘 활용할 수 있게 되었다고 답했다.
이를 바탕으로 세 가지 설계 시사점을 도출하였다. 첫째, AI 에이전트는 학습자의 진행 상황을 추적하고 학습 환경을 조정하는 적극적 조율자로 기능해야 하며, 특히 명시적 계획 단계가 목표 지향적 행동 강화에 핵심적 역할을 한다. 둘째, 에이전트 설계는 학습자 행위주체성을 촉진하는 행위 유도성(affordance)을 우선시해야 하며, 데이터 분석 에이전트의 ‘불친절함’으로 인해 학습자의 학습에 대한 책임감이 향상됐다. 셋째, AI에 대한 학습자 신념이 행위주체적 AI 활용에 중요한 영향을 미치며, AI를 협력적 파트너로 인식한 학생들은 역량 향상을 보고한 반면 단순한 도구로 인식한 학생들은 개인 역량에 대한 회의감을 표현하였다.
본 연구는 학생 행위주체성 지원을 목표로 최신의 LLM 기반 AI 에이전트 아키텍처를 활용한 시스템을 설계·구현함으로써 이론과 실제의 간극을 연결하였다. 이를 통해 생성형 AI 기반 학습 환경에서 인간-AI 상호작용의 새로운 방향성을 제시하였다는 점에서 의의가 있다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 필요성 및 목적 1
• 2. 연구문제 8
• 3. 용어의 정의 9
• 가. 생성형 AI 활용 데이터 분석 9
• 나. 생성형 AI 활용 학습에서의 행위주체성 9
• 다. LLM 기반 AI 에이전트 9
• Ⅱ. 이론적 배경 10
• 1. 학생 행위주체성 10
• 가. 학생 행위주체성의 개념 10
• 나. 학생 행위주체성의 이론적 기반 11
• 다. 학생 행위주체성과 자기조절학습의 관계 13
• 2. 생성형 AI 활용 학습과 학생 행위주체성 15
• 가. 생성형 AI 활용 학습 15
• 나. 생성형 AI 활용 데이터 분석 교육 16
• 다. 학생 행위주체성에 따른 생성형 AI 활용 학습 양상 17
• 3. 학생 행위주체성 지원을 위한 AI 에이전트 18
• 가. AI 에이전트의 개념 및 구성요소 18
• 나. 교육 분야에서의 AI 에이전트 활용 사례 21
• 다. 학생 행위주체성 지원을 위한 AI 에이전트 설계 요소 24
• Ⅲ. 연구방법 26
• 1. 연구참여자 26
• 2. 연구 절차 27
• 가. 설계기반연구 27
• 나. 전체 연구 절차 27
• 3. 자료 수집 및 분석 32
• 가. 자료 수집 방법 32
• 나. 자료 분석 방법 34
• Ⅳ. 연구결과 35
• 1. 1차 순환 35
• 가. 1차 프로토타입 시스템 구조와 기능 35
• 나. 학습자 반응 45
• 다. 시스템 효과성 평가 49
• 2. 2차 순환 56
• 가. 2차 프로토타입 시스템 구조와 기능 56
• 나. 학습자 반응 61
• 다. 시스템 효과성 평가 66
• Ⅴ. 논의 및 결론 81
• 1. 논의 81
• 가. AI 에이전트 설계 81
• 나. 학생 행위주체성 지원을 위해 고려해야 하는 요소 86
• 2. 결론 및 제언 88
• 가. 결론 88
• 나. 제언 89
• 참고문헌 91
• 부록 100
• Abstract 131