[논문 리뷰] Assigning AI: Seven Approaches for Students, with Prompts

Ethan Mollick, Lilach Mollick|arXiv (Cornell University)|2023. 06. 13.

Artificial Intelligence in Healthcare and Education인용 수 7

한 줄 요약

이 논문은 대규모 언어 모델(Large Language Models, LLMs)을 교육에 통합하기 위해 AI-튜터, AI-코aching, AI-멘토, AI-팀메이트, AI-도구, AI-시뮬레이터, AI-학생의 일곱 가지 교육적 프레임워크를 제안한다. 학생들이 AI와 함께 배우고 AI에 대해 배우는 데 도움이 되는 구조화된 프롬프트와 전략을 제공하며, 과도한 의존, 편향, 오류 등의 위험을 활동적인 인간 감시와 비판적 참여를 통해 완화한다.

ABSTRACT

This paper examines the transformative role of Large Language Models (LLMs) in education and their potential as learning tools, despite their inherent risks and limitations. The authors propose seven approaches for utilizing AI in classrooms: AI-tutor, AI-coach, AI-mentor, AI-teammate, AI-tool, AI-simulator, and AI-student, each with distinct pedagogical benefits and risks. The aim is to help students learn with and about AI, with practical strategies designed to mitigate risks such as complacency about the AI's output, errors, and biases. These strategies promote active oversight, critical assessment of AI outputs, and complementarity of AI's capabilities with the students' unique insights. By challenging students to remain the "human in the loop," the authors aim to enhance learning outcomes while ensuring that AI serves as a supportive tool rather than a replacement. The proposed framework offers a guide for educators navigating the integration of AI-assisted learning in classrooms

연구 동기 및 목표

• 대규모 언어 모델(Large Language Models, LLMs)의 교육 분야 내 통합 증가에 대응하기 위해 교육자들이 실천 가능한, 교육학적으로 타당한 프레임워크를 제공하기 위해.
• 비판적 사고와 활동적인 인간 감시를 통해 과도한 의존, 오류, 편향 등의 LLM 사용 관련 위험을 완화하기 위해.
• 학생들을 '인간의 루프 안에 있는 존재'로 위치시키기 위해, 반성, 평가, 인간의 통찰을 요구하는 AI 상호작용을 설계함으로써.
• AI를 학생의 학습을 악화시키지 않고 보완하는 보조 학습 도구로 사용함으로써, 교육자들이 AI를 대체 도구로가 아니라 지원 도구로 활용할 수 있도록 안내하기 위해.
• 각 일곱 가지 AI 역할을 교육 현장에서 구현할 수 있도록 실용적이고 교실에서 바로 사용할 수 있는 프롬프트와 전략을 제공하기 위해.

제안 방법

• AI-튜터, AI-코치, AI-멘토, AI-팀메이트, AI-도구, AI-시뮬레이터, AI-학생의 일곱 가지 독립적인 AI 역할을 개발하였으며, 각각 고유한 교육학적 기능과 구현 전략을 가짐.
• 비판적 사고와 활동적인 학습을 촉진하는 방식으로 LLM과 상호작용하도록 학생들을 이끄는 특정하고 실천 가능한 프롬프트를 설계함.
• 학생들이 AI가 생성한 내용을 평가하고 수정하며 반성하도록 강조하여, 학생들이 주요 의사결정자로 남아 있도록 함.
• 인간의 인지 능력과 AI 능력 간의 상호보완성을 강조하여, 과도한 의존과 오류 전파를 최소화하는 방식으로 각 접근법을 구성함.
• 시간 배정, 과제 설계, 평가 전략 등을 포함한 실용적인 교실 구현 지침을 제공하여 교육자들이 프레임워크를 도입하는 데 지원함.
• 사실 확인, 편향 탐지, 반복적 개선과 같은 위험 완화 전략을 통합하여 학습 환경에서의 책임감 있는 AI 사용을 보장함.

실험 결과

연구 질문

• RQ1 LLM을 어떻게 효과적이고 윤리적으로 교육 현장에 통합할 수 있을까? 학생의 학습을 보조하고, 대체하지는 않을까?
• RQ2 AI는 학생 학습에서 어떤 독특한 교육학적 역할을 할 수 있으며, 그 기능과 영향은 어떻게 다를까?
• RQ3 교수진은 어떻게 학생들이 AI 생성 콘텐츠를 적극적으로 참여하고 비판적으로 평가할 수 있도록 과제를 설계할 수 있을까?
• RQ4 LLM을 학술 작업에서 사용할 때 과도한 의존, 편향, 오류 등의 위험을 완화하기 위한 전략은 무엇일까?
• RQ5 AI 보조 학습은 학생의 학업 성취도를 어떻게 향상시킬 수 있을까? 이와 동시에 비판적 사고력과 독창적 사고력의 발달은 유지할 수 있을까?

주요 결과

• AI-튜터, AI-코치, AI-멘토, AI-팀메이트, AI-도구, AI-시뮬레이터, AI-학생의 일곱 가지 역할은 연구에 기반한 고유한 길을 제공하며, LLM을 교육에 통합하는 데 기여한다.
• 목표에 맞는 프롬프트와 함께 이러한 역할을 기반으로 한 과제는 학생들의 참여도와 AI 출력물에 대한 비판적 평가 능력을 크게 향상시킨다.
• AI가 생성한 콘텐츠를 적극적으로 평가하고 수정하는 학생들은 비판적으로 수용하기만 하는 학생들보다 더 나은 학습 성과를 보인다.
• 학생의 감시와 반복 피드백 루프를 통합함으로써, 이 프레임워크는 타인에 대한 의존도와 오류 전파 위험을 효과적으로 감소시킨다.
• 교육자들은 제공된 프롬프트와 구현 지침을 활용해 최소한의 기술적 숙련도로도 이러한 접근 방식을 효과적으로 구현할 수 있다.
• 학생들이 AI가 무엇을 생성하는지 뿐만 아니라, 어떻게 그리고 왜 그렇게 생성하는지 배우게 되므로, 이 모델은 자기조절 능력의 발달을 지원한다.