[논문 리뷰] Tutor Move Taxonomy: A Theory-Aligned Framework for Analyzing Instructional Moves in Tutoring

Zhuqian Zhou, Kirk Vanacore외 3명|arXiv (Cornell University)|2026. 03. 06.

Intelligent Tutoring Systems and Adaptive Learning인용 수 0

한 줄 요약

이 논문은 1대1 튜터링에서 교육적 행동을 표기하고 분석하기 위한 튜터 무브 분류법을 도입하여 튜터링 대화를 확장 가능한 주석화와 분석이 가능하도록 한다.

ABSTRACT

Understanding what makes tutoring effective requires methods for systematically analyzing tutors' instructional actions during learning interactions. This paper presents a tutor move taxonomy designed to support large-scale analysis of tutoring dialogue within the National Tutoring Observatory. The taxonomy provides a structured annotation framework for labeling tutors' instructional moves during one-on-one tutoring sessions. We developed the taxonomy through a hybrid deductive-inductive process. First, we synthesized research from cognitive science, the learning sciences, classroom discourse analysis, and intelligent tutoring systems to construct a preliminary framework of tutoring moves. We then refined the taxonomy through iterative coding of authentic tutoring transcripts conducted by expert annotators with extensive instructional and qualitative research experience. The resulting taxonomy organizes tutoring behaviors into four categories: tutoring support, learning support, social-emotional and motivational support, and logistical support. Learning support moves are further organized along a spectrum of student engagement, distinguishing between moves that elicit student reasoning and those that provide direct explanation or answers. By defining tutoring dialogue in terms of discrete instructional actions, the taxonomy enables scalable annotation using AI, computational modeling of tutoring strategies, and empirical analysis of how tutoring behaviors relate to learning outcomes.

연구 동기 및 목표

• 효과를 이해하기 위한 튜터링 무브의 체계적 분석 필요성을 제시한다.
• 일대일 세션에서 튜터링 대화를 라벨링하기 위한 구조화된 분류법을 제안한다.
• 이론적 근거를 확보하기 위해 인지과학 및 학습과학과 분류법을 일치시킨다.
• 튜터링 상호작용의 확장 가능한 주석화 및 잠재적인 AI 보조 분석을 가능하게 한다.

제안 방법

• 분류법을 구축하기 위한 결합형 연역적-귀납적 프로세스를 개발한다.
• 인지과학, 학습과학, 교실 담론, 지능형 튜터링 시스템의 문헌을 종합한다.
• 실제 튜터링 전사본의 반복 코딩을 통해 분류법을 정제한다.
• 튜터링 행동을 four 가지 범주로 정리한다: 튜터링 지원, 학습 지원, 사회정서적 및 동기 부여 지원, 그리고 운영적 지원.
• 학습 지원 움직임을 학생 참여의 스펙트럼으로 더 구분한다(학생의 추론을 이끌어내는 것 vs. 직접적인 설명이나 답변 제공).
• 튜터링 전략의 AI 주도 주석화와 계산 모델링을 지원하도록 분류법을 위치시킨다.

실험 결과

연구 질문

• RQ1 일대일 세션에서 어떤 교육적 행동들이 튜터링 대화를 구성하는가?
• RQ2 주석 가능 분석을 뒷받침하는 이론에 부합하는 체계에서 튜터링 행동을 어떻게 분류할 수 있는가?
• RQ3 학습 지원 스펙트럼을 가진 네 가지 범주의 분류법이 튜터링 상호작용의 주요 역학을 포착할 수 있는가?
• RQ4 이 분류법이 튜터링 행동과 학습 결과를 연결하는 데 어떻게 활용될 수 있는가?

주요 결과

• 튜터링 무브의 네 가지 범주 분류법이 제안된다: 튜터링 지원, 학습 지원, 사회정서적 및 동기 부여 지원, 그리고 운영적 지원.
• 학습 지원 움직임은 학생의 추론을 이끌어내는 움직임에서 직접적인 설명이나 답을 제공하는 움직임까지의 스펙트럼으로 구성된다.
• 이 분류법은 이론 합성과 실제 전사본의 반복 코딩을 결합한 결합형 연역적-귀납적 프로세스를 통해 개발된다.
• 이 프레임워크는 튜터링 대화의 확장 가능한 주석화를 가능하게 하고 AI 보조 분석 및 튜터링 전략의 계산 모델링을 지원한다.
• 이 분류법은 튜터링 행동이 학습 결과와 어떤 관계가 있는지 경험적으로 분석하는 것을 목표로 한다.