인공지능 기반 학습환경에서 적응적 공감 피드백이 인지적 참여와 정서에 미치는 영향 : 다중양식 학습분석을 활용하여 = The Effects of Adaptive Empathetic Feedback on Cognitive Engagement and Emotion in AI-Based Learning Environments

다국어 초록 (Multilingual Abstract)

The public release of large language model (LLM)-based conversational artificial intelligence such as ChatGPT has sparked multifaceted discussions about AI-based learning environments in the educational domain. However, most current AI-based learning environments are being developed based on learner models that are biased toward learners' cognitive achievement, with relatively insufficient integrated consideration of learners’ affective states. In learning, affect is a key variable closely connected to academic achievement and an important factor that determines the qualitative level of learning experience along with cognitive engagement. Particularly, low-achieving learners are more vulnerable to negative affective experiences such as sadness, shame, and anger, while high-achieving learners may also experience considerable psychological burden due to excessive pressure to maintain grades, perfectionist tendencies, and anxiety about failure. Since affective problems are issues that all learners face, personalized interventions for learners' affective support are needed in AI-based learning environments. Empathy has been continuously studied in educational and learning contexts as a method of affective support for learners, and empathy helps learners perceive themselves as valuable and supported, thereby preparing them to actively engage cognitively in learning.
However, previous research on empathetic feedback has shown two key limitations. First, previous empathetic feedback systems have been implemented through rule-based approaches, which have limitations in flexibly responding to learners' diverse individual needs and contextual situations. Recent advances in LLMs provide new possibilities for implementing contextual empathy to overcome these limitations. Nevertheless, research on LLM-based contextual empathy feedback in education is still in its early stages. Second, multifaceted validation studies on the effects of empathetic feedback on learners' affect and cognition remain insufficient. According to learning sciences research, cognition and affect are intertwined and activated together rather than appearing independently, and the effects of empathy may manifest in cognitive responses as well as affective ones, even without learners' conscious awareness. Therefore, to accurately measure the subtle effects of empathetic feedback, a holistic approach using multimodal data including physiological measurement tools such as EEG that can provide objective evidence of learners' cognitive engagement levels and affective stability, along with heart rate variability, skin conductance, web logs, surveys and tests, and interviews is necessary.
Therefore, this study implemented adaptive empathetic feedback that considers learning context in an AI-based learning environment using ChatGPT and verified the effects of adaptive empathetic feedback on learners' cognitive engagement and emotion through multimodal learning analytics. The specific research questions were: 1) What effects does adaptive empathetic feedback have on emotion and learning motivation in AI-based learning environments? 2) What effects does adaptive empathetic feedback have on learners' cognitive engagement and learning outcomes in AI-based learning environments? 3) What effects does adaptive empathetic feedback have on learners' brain activity in AI-based learning environments? 4) What are learners' perceptions of adaptive empathetic feedback in AI-based learning environments? The adaptive empathetic feedback varied the empathetic feedback approach according to learners' contextual information (learning records, emotion records, etc.) and supported learners to feel that their learning situations are understood. To empirically verify the effects of adaptive empathetic feedback, an experimental study was conducted applying a control group pretest-posttest design, and interviews were conducted to confirm learners' perceptions of adaptive empathetic feedback. The study was conducted with 62 adult learners (31 in the experimental group, 31 in the control group), with the experimental group provided an AI-based learning environment with adaptive empathetic feedback and the control group provided the same learning environment with neutral guidance messages. Learners studied by solving English grammar problems in the AI-based learning environment. To confirm the effects of adaptive empathetic feedback during this process, multimodal data including surveys and tests, psychophysiological responses (skin conductance, heart rate variability), EEG, web log data, and interviews were collected and analyzed.
The research results showed that the effects of adaptive empathetic feedback were observed more clearly through EEG, psychophysiological data, and web log data collected during the learning process rather than post-hoc data such as surveys and tests. This suggests that the effects of empathy are better revealed through data from the learning process that learners are not consciously aware of rather than post-hoc data based on learners' conscious awareness. The detailed research results are as follows.
First, adaptive empathetic feedback affected 'enjoyment' among post-learning emotions. This was the only effect of empathetic feedback observed in survey results, with learners in the experimental group reporting greater enjoyment of learning after completion compared to the control group. However, it did not influence emotion scores during learning, psychophysiological stress indicators, or post-learning motivation.
Second, adaptive empathetic feedback partially affected the enhancement of learners' cognitive engagement in medium-difficulty problems. Psychophysiological data analysis revealed that the experimental group exhibited higher frequencies of momentary arousal compared to the control group, with statistically significant differences particularly evident in medium-difficulty problems. However, it did not affect cognitive engagement at low or high difficulty levels, nor learning outcomes, indicating no differences in learning results. When examining interactive engagement through web logs as another indicator of cognitive engagement, the control group demonstrated significantly higher rates of additional question behaviors in high to medium-difficulty problems. However, content analysis revealed that many of these were basic 'remember'-level questions, such as word and sentence translations. Furthermore, learners' situational cognitive engagement confirmed through post-surveys showed a positive correlation with post-learning enjoyment emotions, indicating that learners' enjoyable emotions and their perceived level of cognitive immersion in the learning process were interrelated.
Third, adaptive empathetic feedback had positive effects on learners' brain activity. The experimental group showed strong brain activity expressed as gamma waves during problem-solving, correctness feedback, and learning feedback moments, and showed stabilized brain activity expressed as alpha waves during empathy feedback moments. Particularly, brain wave patterns similar to reward effects were observed in correctness feedback for correct answers, brain wave patterns reflecting active learning in overall learning feedback, and brain wave patterns indicating psychological stability in empathy feedback for incorrect answers.
Finally, interview analysis revealed themes of effective empathy characteristics (intimate tone, cognition-based empathy approach, encouragement), affective effects (negative affect alleviation, self-efficacy and achievement enhancement, learning motivation improvement), learning effects (deepened conceptual understanding, sustained concentration), and improvement points (diversification of empathy expression, character use, personalized personality). Learners provided detailed explanations of why empathy was effective while presenting opinions on improvement points for the adaptive empathetic feedback used in the study.
The results of this study show that adaptive empathetic feedback positively transforms the learning experience by effectively enhancing learners' cognitive engagement and providing affective achievement and stability. Additionally, it suggests that the effects of empathy were better revealed through data from the learning process that learners are not consciously aware of rather than post-hoc data based on learners' conscious awareness. These findings demonstrate that empathy can play an important role as a cognitive and affective support method in AI-based learning environments. This study is expected to contribute to adaptive AI-based learning environment design by strengthening the theoretical foundation for cognitive engagement promotion and affective support through empathy in AI-based learning environments and presenting practical implementation approaches.

국문 초록 (Abstract)

ChatGPT와 같은 대형 언어 모델(Large Language Model, LLM) 기반 대화형 인공지능의 공개는 교육 영역에서 인공지능 기반 학습환경에 대한 다각적 논의를 촉발하였다. 그러나 현재 대부분의 인공지능 기반 학습환경은 학습자의 인지적 성취에 편중된 학습자 모델에 기반하여 개발되고 있으며, 정서적 상태에 대한 통합적인 고려는 상대적으로 미흡한 실정이다. 학습에서 정서는 학업 성취와 밀접하게 연결된 핵심 변인으로서 인지적 참여와 함께 학습 경험의 질적 수준을 결정짓는 중요한 요소이다. 특히 저성취 학습자들은 슬픔, 수치심, 분노와 같은 부정적 정서 경험에 더 취약하며, 고성취 학습자들 역시 성적 유지에 대한 과도한 압박감, 완벽주의적 성향, 실패에 대한 불안 등으로 인해 상당한 심리적 부담을 경험할 수 있다. 이처럼 정서적 문제는 모든 학습자들이 겪는 문제이므로, 인공지능 기반 학습환경에서 학습자의 정서 지원을 위한 개인화된 개입이 필요하다. 학습자에 대한 정서적 지원 방법으로서 공감은 교육 및 학습 맥락에서 지속적으로 연구되어 왔다. 공감은 학습자로 하여금 자신이 가치 있고 지지받는다고 인식하게 함으로써, 인지적 측면으로도 학습에 적극적으로 참여할 분위기를 조성한다.
그러나 공감 피드백과 관련된 선행 연구는 두 가지 한계를 보이고 있다. 첫째, 기존의 공감 피드백 시스템은 주로 규칙 기반 접근법으로 구현되어 학습자의 다양한 개별적 요구와 상황적 맥락에 적응적으로 대응하는 데 제약이 있었다. 이러한 한계를 극복할 수 있는 방안으로서 최근 대형 언어 모델의 발전이 맥락적 공감 구현에 새로운 가능성을 제시하고 있다. 그러나 교육 분야에서 LLM 기반 맥락적 공감 피드백에 관한 연구는 여전히 초기 단계에 머물러 있다. 둘째, 공감 피드백이 학습자의 정서와 인지에 미치는 영향에 대한 다각적 검증 연구는 여전히 부족한 상황이다. 학습과학 연구에 따르면 인지와 정서는 독립적으로 나타나기보다는 서로 얽혀서 활성화되며, 공감의 영향 역시 학습자 스스로도 인지하지 못하는 사이에 정서뿐 아니라 인지 반응으로 나타날 수 있다. 따라서 공감 피드백의 미묘한 효과를 정확히 측정하기 위해서는 학습자의 인지적 참여 수준과 정서적 안정성에 대해 객관적 증거를 제공할 수 있는 뇌파(EEG)와 같은 생리적 측정 도구와 함께 심박변이도, 피부전도도, 웹로그, 설문 및 검사, 면담 등의 다중양식 데이터를 활용한 총체적 접근이 필요하다.
이에 본 연구는 ChatGPT를 활용하여 학습 맥락을 고려한 적응적 공감 피드백을 인공지능 기반 학습환경에 구현하고 적응적 공감 피드백이 학습자의 인지적 참여와 정서에 미치는 영향을 다중양식 학습분석을 통해 검증하였다. 이를 위한 구체적인 연구 문제는 1) 인공지능 기반 학습환경에서 적응적 공감 피드백이 정서와 학습 동기에 어떤 영향을 미치는가, 2) 인공지능 기반 학습환경에서 적응적 공감 피드백이 학습자의 인지적 참여와 학습 결과에 어떤 영향을 미치는가, 3) 인공지능 기반 학습환경에서 적응적 공감 피드백이 학습자의 두뇌 활동에 어떤 영향을 미치는가, 4) 인공지능 기반 학습환경에서 적응적 공감 피드백에 대한 학습자 인식은 어떠한가이다. 적응적 공감 피드백은 학습자의 맥락 정보(학습 기록, 감성 기록 등)에 따라 공감 피드백 방식에 변화를 주며 학습자가 자신의 학습 상황을 이해받고 있다는 느낌을 받을 수 있도록 구성하였다. 적응적 공감 피드백의 영향을 확인하기 위해 통제집단 사전-사후검사 설계를 적용한 실험연구를 수행하였으며, 적응적 공감 피드백에 대한 학습자의 인식을 확인하기 위해 면담을 진행하였다. 연구는 62명의 성인 학습자를 대상으로 진행되었으며(실험집단 31명, 통제집단 31명), 실험집단에는 적응적 공감 피드백이 적용된 인공지능 기반 학습환경을, 통제집단에는 중립적 안내 멘트가 포함된 동일한 학습환경을 제공하였다. 학습자들은 인공지능 기반 학습환경에서 영어 문법 문제를 풀며 학습하였다. 그 과정에서 적응적 공감 피드백의 영향을 확인하기 위해 설문 및 검사, 생리심리반응(피부전도도, 심박변이도), 뇌파(Electroencephalography, 이하 EEG), 웹 로그 데이터, 면담이라는 다중양식 데이터를 수집하고 분석하였다.
연구 결과, 적응적 공감 피드백의 효과는 설문 및 검사와 같은 사후 자료보다 학습 과정 중 수집된 뇌파, 생리심리데이터, 웹 로그 데이터를 통해 더욱 분명하게 관찰되었다. 이는 공감의 효과가 학습자의 의식적 자각을 바탕으로 한 사후 자료보다 스스로 인지하지 못한 학습 과정 중의 자료를 통해 더 잘 드러남을 시사한다.세부적인 연구 결과는 다음과 같다. 첫째, 적응적 공감 피드백은 사후 감성 중 '즐거움'에 영향을 미쳤다. 이는 설문 결과에서 나타난 공감 피드백의 유일한 효과로, 실험집단 학습자들은 학습 종료 후 통제집단에 비해 학습에 대해 더 즐거웠다고 느꼈다. 그러나 학습 도중의 감성 점수, 생리심리 기반 스트레스 지표, 사후 학습 동기에는 영향을 미치지 않았다.
둘째, 적응적 공감 피드백은 중간 난이도 문제에서 학습자의 인지적 참여 증진에 부분적으로 영향을 미쳤다. 생리심리데이터 분석에서 실험집단은 통제집단에 비해 순간적 각성 빈도가 높게 나타났으며, 특히 중간 난이도 문제에서 통계적으로 유의미한 차이를 보였다. 그러나 난이도 하 수준, 상 수준의 인지적 참여와 학습 결과에는 영향을 미치지 않아 학습 결과에서는 차이가 없는 것으로 나타났다. 인지적 참여의 또 다른 지표인 웹 로그를 통한 상호작용적 참여를 확인한 결과, 추가 질문 행동에서 통제집단이 난이도 상~중 수준 문제에서 유의미하게 높은 비율을 보였다. 하지만 그 내용을 분석한 결과, 단어 및 문장의 번역과 같은 ‘기억’ 수준의 기초적 질문이 많았다. 그리고 사후 설문을 통해 확인한 학습자의 상황인지적 참여는 사후 감성 중 즐거움과 정적 상관을 보였다. 즉, 학습자의 즐거운 감성과 학습자가 느낀 학습 과정의 인지적 몰입 정도가 서로 관련성을 가지고 있었다.
셋째, 적응적 공감 피드백은 학습자의 두뇌 활동에 긍정적인 영향을 미쳤다. 실험집단은 문제 해결, 정오 피드백, 학습 피드백 시점에서 감마파로 표현되는 강한 두뇌 활동을 보였으며, 공감 피드백 시점에는 알파파로 표현되는 안정화된 두뇌 활동을 보였다. 특히 정답 시 정오 피드백에서는 보상 효과와 유사한 뇌파 패턴이, 전반적인 학습 피드백에서는 활발한 학습을 반영한 뇌파 패턴이, 오답 시 공감 피드백에서는 심리적 안정감을 나타내는 뇌파 패턴이 관찰되었다.
마지막으로 면담 분석 결과, 효과적인 공감의 특성(친밀한 어투, 인지 기반 공감 접근, 격려), 정서적 효과(부정 정서 완화, 자기효능감과 성취감 향상, 학습 의지 증진), 학습 효과(개념적 이해 심화, 집중력 지속), 개선점(공감 표현 다양화, 캐릭터 사용, 맞춤형 성격)의 주제가 도출되었다. 학습자들은 공감이 효과적이었던 이유를 설명하는 한편, 연구에서 활용된 적응적 공감 피드백의 개선 의견을 제시하였다.
본 연구의 결과는 적응적 공감 피드백이 학습자의 인지적 참여를 효과적으로 증진시키고 정서적 성취감 및 안정감을 제공함으로써 학습 경험을 긍정적으로 변화시킨다는 것을 보여준다. 또한, 공감의 효과가 학습자의 의식적 자각을 바탕으로 한 사후 자료보다 스스로 인지하지 못한 학습 과정 중의 자료를 통해 더 잘 드러났음을 시사한다. 이러한 발견은 인공지능 기반 학습환경에서 공감이 인지적·정서적 지원 방법으로서 중요한 역할을 할 수 있음을 보여준다. 본 연구는 인공지능 기반 학습환경에서 공감을 통한 인지적 참여 촉진과 정서 지원에 대한 이론적 토대를 강화하고, 실천적 구현 방안을 제시함으로써 적응적인 인공지능 기반 학습환경 설계에 기여할 것으로 기대된다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 필요성 1
• 2. 연구 문제 6
• 3. 연구 가설 8
• 4. 연구 의의 10
• 5. 용어의 정리 12
• 가. 인공지능 기반 학습환경 12
• 나. 공감 12
• 다. 적응적 피드백 13
• 라. 적응적 공감 피드백 13
• II. 이론적 배경 14
• 1. 인공지능 기반 학습환경과 정서 14
• 가. 인공지능 기반 학습환경의 정의 14
• 나. 인공지능 기반 학습환경에서의 정서 22
• 2. 공감과 인공지능 29
• 가. 공감의 정의 및 유형 29
• 나. 공감하는 인공지능의 개발 34
• 3. 적응적 공감 피드백 38
• 가. 적응적 피드백의 정의 및 특성 38
• 나. 공감 피드백의 정의 및 구분 43
• 4. 뇌파 및 생리심리반응과 학습분석 51
• 가. 뇌파(EEG)와 학습분석 51
• 나. 심박변이도(HRV)와 학습분석 54
• 다. 피부전도도(EDA)와 학습분석 56
• III. 연구 방법 59
• 1. 실험 연구 59
• 2. 연구 참여자 59
• 3. 연구 절차 63
• 가. 전체 연구 절차 63
• 나. 실험 절차 66
• 4. 인공지능 기반 학습환경 70
• 가. 실험용 사이트 71
• 나. Chatgpt 기반의 적응적 공감 피드백 74
• 다. 영어 문법 문제 77
• 5. 자료 수집 및 분석 78
• 가. 자료 수집 78
• 나. 자료 분석 87
• IV. 연구 결과 99
• 1. 정서 및 학습 동기 99
• 가. 스트레스 99
• 나. 감성 101
• 다. 학습 동기 104
• 2. 인지적 참여 및 학습 결과 105
• 가. 인지적 참여 105
• 나. 학습 결과 114
• 다. 정서와 인지적 참여 간 관계 115
• 3. 두뇌 활동 116
• 가. 문제 해결 시점의 두뇌 활동 116
• 나. 정오 피드백 시점의 두뇌 활동 123
• 다. 학습 피드백 시점의 두뇌 활동 126
• 라. 공감 피드백 시점의 두뇌 활동 132
• 4. 학습자 인식 138
• 가. 적응적 공감 피드백 효과에 대한 인식 138
• 나. 적응적 공감 피드백의 개선점 143
• V. 논의 및 결론 145
• 1. 논의 및 시사점 145
• 가. 적응적 공감 피드백의 효과 145
• 나. 적응적 공감 피드백의 설계 148
• 다. 다중양식 학습분석의 방법론적 함의 149
• 라. 공감하는 인공지능의 교육적 활용 151
• 2. 결론 및 제언 153
• 가. 결론 153
• 나. 추후 연구에 대한 제언 155
• 참고문헌 158
• 부록 180
• Abstract 197