본 예비 연구는 GPT-4 Vision(GPT-4V) 기술을 관찰 기반 평가를 통해 교사 분석에 통합하여 성찰적 교수 실천을 향상시키는 방법을 탐색한다. 본 연구는 GPT-4V를 구동하는 비디오 기반 자동 평가 시스템(Video-based Automatic Assessment System, VidAAS)을 개발하였다. 이 접근법은 생성형 인공지능(GenAI)을 활용하여 교실 역학에 대한 상세한 통찰을 제공한다. 본 연구는 문헌 전반에 대한 종합적 검토, VidAAS의 프로토타입 개발, 현직 교사를 대상으로 한 사용성 테스트를 포함하는 다단계의 다양한 방법을 아우른다. 연구 결과는 VidAAS가 행동(심리운동) 영역의 역량 평가에서 높은 정확도를 보이며, 각 평가에 대해 포괄적인 설명을 제공함을 보여준다. 이러한 영역에서의 가능성을 시사하는 한편, 인지 및 정의 영역을 평가하는 과정에서 처리 속도의 추가 개선과 평가의 정교화에 대한 잠재력도 함께 나타난다. 본 연구에서는 VidAAS가 교사의 실행 중 성찰(reflection-in-action)과 실행 후 성찰(reflection-on-action)을 어떻게 지원하는지 논의하면서, AI 기반 통찰과 인간의 판단 간 균형의 필요성을 강조한다. 또한 본 연구 결과는 교사 분석에서의 VidAAS 설계, 구현, 통합을 위한 향후 연구 방향을 제시하며, GPT-4V가 실시간의 확장 가능한 피드백과 교실에 대한 보다 깊은 이해를 제공할 잠재력이 있음을 강조한다.

본 예비 연구는 GPT-4 Vision(GPT-4V) 기술을 관찰 기반 평가를 통해 교사 분석에 통합하여 성찰적 교수 실천을 향상시키는 방법을 탐색한다. 본 연구는 GPT-4V를 구동하는 비디오 기반 자동 평가 시스템(Video-based Automatic Assessment System, VidAAS)을 개발하였다. 이 접근법은 생성형 인공지능(GenAI)을 활용하여 교실 역학에 대한 상세한 통찰을 제공한다. 본 연구는 문헌 전반에 대한 종합적 검토, VidAAS의 프로토타입 개발, 현직 교사를 대상으로 한 사용성 테스트를 포함하는 다단계의 다양한 방법을 아우른다. 연구 결과는 VidAAS가 행동(심리운동) 영역의 역량 평가에서 높은 정확도를 보이며, 각 평가에 대해 포괄적인 설명을 제공함을 보여준다. 이러한 영역에서의 가능성을 시사하는 한편, 인지 및 정의 영역을 평가하는 과정에서 처리 속도의 추가 개선과 평가의 정교화에 대한 잠재력도 함께 나타난다. 본 연구에서는 VidAAS가 교사의 실행 중 성찰(reflection-in-action)과 실행 후 성찰(reflection-on-action)을 어떻게 지원하는지 논의하면서, AI 기반 통찰과 인간의 판단 간 균형의 필요성을 강조한다. 또한 본 연구 결과는 교사 분석에서의 VidAAS 설계, 구현, 통합을 위한 향후 연구 방향을 제시하며, GPT-4V가 실시간의 확장 가능한 피드백과 교실에 대한 보다 깊은 이해를 제공할 잠재력이 있음을 강조한다.

최근의 대규모 추론 모델(Large Reasoning Models, LRMs)은 수학과 프로그래밍과 같은 고도로 구조화된 분야에서 인상적인 능력을 보여주었다. 그러나 효과적인 추론이 교육적으로 의미 있어야 하고, 맥락에 민감하며, 실제 학생의 요구에 반응해야 하는 교육 분야에서의 적용은 상대적으로 덜 탐구되어 있다. 기존의 대규모 언어 모델(LLMs)은 종종 교수적 일관성을 제공하거나, 형성적 피드백을 제공하거나, 정교한 교사 의사결정을 시뮬레이션하는 데 어려움을 겪어 교육 현장에서의 실용성이 제한된다. 이러한 공백을 메우기 위해, 우리는 진정한 교실 과제를 위해 LLM을 적응시키도록 설계된 포괄적 교수학적 추론 프레임워크인 Pedagogy-R1을 제시한다. 우리의 접근은 세 가지 핵심 혁신을 포함한다: (1) 교수학적으로 필터링된 출력을 사용하여 명령 튜닝(instruction tuning)에 활용하는 증류 기반 학습 파이프라인, (2) 다섯 가지 차원—교과 지식, 교수학적 지식, 지식 추적, 에세이 채점, 그리고 현실 세계의 교사 의사결정—에 걸쳐 모델을 체계적으로 평가하는 Well-balanced Educational Benchmark (WBEB), 그리고 (3) 교수학적 훈련 데이터를 생성하고 추론 시 교사와 유사한 추론을 이끌어내는 데 모두 사용되는 Chain-of-Pedagogy (CoP) 프롬프팅 전략이다. 우리는 혼합 방법 평가를 수행하며, 모델 성능에 대한 세부 정량 분석과 모델의 교수학적 추론 양상에 대한 질적 통찰을 결합한다.

생성형 AI 기술, 특히 비디오 생성형 AI(Video GenAI)의 빠른 발전은 역동적이고 맞춤화되며 고품질의 시각 콘텐츠를 생성할 수 있게 함으로써 K-12 교육에 새로운 가능성을 열었다. 잠재력에도 불구하고, 이러한 신기술을 교육 현장에 효과적으로 통합하는 방법에 대해서는 제한적인 연구만이 존재한다. 본 연구는 분석적 관점으로 TPACK(Technological Pedagogical Content Knowledge)과 TAM(Technology Acceptance Model) 프레임워크를 사용하여, Video GenAI의 교육적 적용에 관한 주요 K-12 교사들의 관점을 탐색한다. 비디오 생성 도구에 대한 인터뷰와 직접적인 실험을 통해, 본 연구는 교수 전략을 향상시키고 학생의 참여를 촉진하며 진정성 있는 과제 설계를 지원할 수 있는 기회를 도출한다. 또한 기술적 한계, 윤리적 고려, 그리고 제도적 지원의 필요성 등과 같은 과제도 함께 조명한다. 본 연구 결과는 Video GenAI가 수업과 학습을 어떻게 변화시킬 수 있는지에 대한 실행 가능한 통찰을 제공하며, 정책, 교사 연수, 그리고 교육 기술의 향후 발전과 관련한 실무적 함의를 제시한다.