2024년 9월 27일 인지과학회 콜로퀴엄에서 나는 ‘AIED에서 인지과학 사용법’을 발표했다. 강연을 열며 던진 질문은 간단했다. 공부는 왜 재미없을까? 학생은 선생과 교과서보다 먼저 답을 알기 어렵다. 늘 수비만 해야 하는 탁구처럼 느껴질 수도 있다. 지식을 전하는 일을 넘어, 학습자가 직접 해보고 자기 변화를 알아차리게 하려면 교육은 무엇을 바꿔야 할까.
나는 부동산 등기 시스템에서 출발해 영어 발음 교정기, 디지털 학습 도구, 가상 세계 속 영어 학습 서비스를 만드는 일에 참여했다. 그 과정에서 오래 붙잡은 문제는 하나였다. 사람이 무엇을 아는가와 실제로 무엇을 할 수 있는가 사이에는 거리가 있다. LLM 챗봇을 교재 옆에 붙이는 것만으로 그 거리가 저절로 줄어들지는 않는다.
설명하는 교사와 행동을 살피는 코치
발음 교정은 이 차이를 보여주는 사례다. 영어 음소와 강세를 설명하는 자료를 많이 읽는 것만으로 발음 습관이 바뀌지는 않는다. 직접 소리 내고, 어디가 달랐는지 듣고, 다시 시도해야 한다. 내가 개발에 참여했던 영어 발음 교정기 ‘Dr. Speaking’은 학습자의 발화를 분석해 음소별 오류와 교정 정보를 보여주려 했다. 강연에서는 이를 지식을 전달하는 교사와 구별해, 행동을 반복해서 살피는 코치의 역할로 설명했다.
나 자신도 이 도구로 발음을 연습하면서 영어 소리가 전보다 또렷하게 들린다고 느꼈다. 발표 슬라이드에는 2005년 발음 교정 소프트웨어 연구의 듣기·발음 평가 그래프도 소개했다. 그러나 내 경험은 개인의 관찰이고, 한 연구의 결과만으로 모든 학습자의 청취 능력 향상을 보장할 수는 없다. 리버만의 ‘말소리 지각의 운동 이론’ 역시 발화와 지각의 관계를 생각하게 하는 가설이지, ‘말할 수 없으면 들을 수 없다’는 법칙은 아니다. 실제로 발화 기능이 손상돼도 말소리 지각이 유지된 사례가 보고돼 있다. 관련 임상 연구
값비싼 세 번의 시도에서 배운 것
청담러닝·SK텔레콤의 T스마트러닝과 청담러닝·NC소프트의 호두잉글리시는 각각 다른 방식으로 기술과 학습을 결합하려 했다. 하나는 디지털 교과서와 상호작용을, 다른 하나는 가상 세계에서 영어로 움직이고 말하는 경험을 넓혔다. 강연에서 나는 이 프로젝트들을 자랑거리로만 소개하지 않았다. 화려한 화면, 기기, 대규모 개발비가 있어도 학습자가 무엇을 하고 어떻게 달라지는지 설명하지 못하면 교육의 핵심을 놓칠 수 있다는 것이 내가 얻은 교훈이었다.
발표 자료에는 개발비를 수십억에서 수백억 원 규모로 회고한 숫자도 있다. 이는 강연자의 프로젝트 경험에 따른 추산으로, 이 글에서 검증된 회계 수치로 제시하지 않는다. 오히려 여기서 묻고 싶은 것은 비용이 아니다. 많은 자원을 투입한 서비스에도 ‘학습자가 오늘 어떤 행동을 해보고, 다음에는 무엇을 다르게 하는가’라는 설계 질문이 남는다는 점이다.
‘사건’이라는 관점으로 학습을 다시 보기
강연 중에는 과정 철학과 비판적 실재론을 불러왔다. 두 철학을 하나의 이론으로 합치려는 뜻은 아니다. 고정된 지식 목록만 바라보면 놓치기 쉬운, 시간 속에서 실제로 일어나는 행위와 경험을 교육의 분석 단위로 삼아 보자는 제안이다. 나는 이를 학습자가 만들어 내는 사건(event)이라 불렀다.
예를 들어 ‘영어 발음을 안다’는 말보다, 오늘 특정한 소리를 발음해 보고 피드백을 받은 뒤 내일 다시 해본 사건을 기록하는 편이 변화의 경로를 보여준다. ‘논증을 배웠다’는 말보다 자기 주장을 녹음하고 반론을 받아 고쳐 본 사건이 더 많은 것을 드러낼 수 있다. 이런 관점은 성적과 출석을 버리자는 선언이 아니다. 관리 지표만으로는 보이지 않는 학습의 움직임을 함께 보자는 제안이다. 철학적 해석이 교육 효과를 입증하는 것은 아니므로, 실제 교육에서는 어떤 행동을 관찰하고 무엇을 개선으로 볼지 별도로 검증해야 한다.
지식·언어·행동을 잇는 KLA
이 고민을 나는 KLA, 곧 Knowledge·Language·Action 프레임워크로 정리했다. 지식은 학습자가 이해하고 활용할 내용이다. 행동은 말하기, 만들기, 판단하기처럼 바깥에서 시도하고 관찰할 수 있는 일이다. 그 사이의 언어 모델은 질문을 해석하고 피드백을 생성하며 다음 시도를 돕는 매개가 될 수 있다. 이 도식은 완성된 교육 효과의 증명이 아니라, AI 교육 도구를 설계할 때 점검해 볼 틀이다.
발표에서는 두 연구를 그 가능성의 예로 들었다. 언어 모델을 이용한 지식 추적 연구는 문제의 텍스트를 학습 상태 예측에 활용했다. GOPT 발음 평가 연구는 트랜스포머로 음소·단어·발화 수준의 여러 발음 특성을 함께 평가했다. 두 연구의 결과는 해당 데이터와 평가 과제에서 얻은 성과다. 이것이 곧 교육 현장의 모든 학습자를 잘 지도할 수 있다는 뜻은 아니다. 학습 목표, 과제, 피드백 방식, 오판했을 때의 수정 절차를 사람이 설계해야 한다.
AI 코치가 매일의 변화를 보여줄 수 있을까
내가 생각하는 다음 실험은 거창한 가상 교실보다 작은 반복에서 시작한다. 학습자가 오늘 한 번 말하고, 쓰고, 만들거나 판단한다. AI는 그 결과를 이전 시도와 비교해 고쳐 볼 지점을 제안한다. 학습자는 다시 해보고, 코치나 교사는 그 피드백이 타당했는지 살핀다. 강연에서는 이런 짧은 행동의 누적을 ‘학생 자기가 매일 만드는 사건’이라고 불렀다.
여기서 AI의 강점은 매시간 같은 설명을 되풀이할 수 있다는 것만이 아니다. 개별 시도를 기록하고, 그 사람이 실제로 해 본 일에 맞춰 다음 질문을 돌려줄 수 있다는 가능성이다. 동시에 자동 평가가 틀릴 수도 있고, 쉽게 셀 수 있는 행동만 교육 목표로 남길 위험도 있다. 좋은 AI 코치라면 학습자를 더 촘촘히 관리하는 장치에 그치지 않고, 스스로 시도하고 수정할 여지를 넓혀야 한다.
강연 뒤에 남은 질문
발표를 마친 뒤에도 나는 두 질문을 계속 생각한다. 학점·코스워크·졸업처럼 학교를 운영하는 데 필요한 인증과, 정해진 답 밖에서 무언가를 만들어 내는 창발성을 어떻게 함께 다룰 것인가. 그리고 AI 에듀테크는 관리의 편의만 높일 것인가, 아니면 학습자가 자기 행동을 바꿀 기회도 넓힐 것인가. 이는 그날 강연의 결론이라기보다, 강연에서 제안한 KLA를 앞으로 시험해야 할 자리다.
인지과학이 AI 교육에 기여하려면 ‘인간을 이해한다’는 큰 구호에서 멈추지 않아야 한다. 학습자가 무엇을 알고, 어떤 상황에서 어떤 행동을 했고, 피드백 뒤에 무엇을 다르게 했는지 설명할 수 있어야 한다. AI는 그 사이를 돕는 도구다. 그 도구가 학습에 실제로 도움이 되는지는 학습자의 경험과 결과를 보며 계속 고쳐야 한다.
이 글은 2024년 9월 27일 콜로퀴엄 발표 슬라이드와 약 77분의 강연 자동 녹취를 대조해 블로그용으로 다시 썼다. 자동 녹취에서 잘못 인식된 고유명사와 용어를 바로잡고 구어체와 중복을 덜었다. 발표 자료에 반복되는 ‘2026-07-28’ 표시는 현재 보유한 PDF의 수정·출력 날짜로 보이며, 발표일과 구분했다. 철학적 연결과 KLA 프레임워크는 발표자의 제안이며, 인용한 연구 결과와 교육 현장에서 검증된 효과를 구별해 서술했다.