AI가 하는 일

지금 상태 — 출시 전 시험 기간

실시간 AI(Anthropic의 Claude)가 아이의 설명을 판단하고 별찌·타래·주민의 대사를 만들며, 등록한 실험에서는 AI가 새로 쓰는 사건 이야기를 골라서 해 볼 수 있는 기능으로 골라 해 볼 수 있습니다. 실시간 AI 연결이 꺼져 있거나 응답이 늦으면 정해 둔 단서(낱말 규칙)와 미리 써 둔 문장으로 진행합니다.

• 실시간 AI가 하는 일 이 페이지의 ‘판단’, ‘피드백’, ‘AI가 만드는 것’은 실시간 AI가 연결되어 있을 때의 일입니다. 지금은 모든 이용자에게 켜 두었습니다.
• 골라서 하는 이야기 AI가 새로 쓰는 사건 이야기와 장면 그림, 지난 탐사를 기억해 이야기에 잇는 것은 골라서 해 볼 수 있는 기능입니다. 등록한 실험에서 따로 골랐을 때만 쓰이고, 기본 탐사는 실험마다 미리 쓴 사건 이야기로 진행합니다.
• 실시간 AI 없이도 같은 것 관찰을 먼저 말해야 개념 카드가 열리는 순서, 아이 말에서 나온 조건으로만 세우는 계획과 가상 시험, 도움 단계와 스스로 한 설명의 기록, 보고서는 실시간 AI가 없어도 같습니다.

아이의 설명을 어떻게 판단하나요

• 네 부분 뜻(무엇인지), 까닭(왜 그렇게 되는지), 본 것(모형에서 본 모습과 잇기), 쓰임(사건에 어떻게 쓸지).
• 판단하는 AI 대화 판단은 Anthropic의 Claude 모델이 합니다. 지금까지의 아이 말과 이번 말을 함께 보고, 개념마다 아이의 어느 말이 근거인지와 어느 부분이 담겼는지를 정해진 형식(JSON)으로 답합니다.
• 판단 기준 아이 나이에 맞게 뜻이 통하면 너그럽게 인정하고, 정확한 용어나 완전한 문장을 요구하지 않습니다. 다만 개념 이름만 말한 것, 반대로 이해한 것(예: “아무것도 안 한 종이가 물을 막는다”)은 인정하지 않고, 한 개념에 대한 말로 다른 개념을 채우지 않습니다.
• 배운 것으로 치는 때 개념마다 두 부분 정도, 그중 뜻이나 까닭이 아이 말에 담겼을 때입니다. 다른 실험에서 다시 만난 개념은 뜻을 기억한 것으로 치고, 한 단계 더 깊은 까닭과 본 것이나 쓰임 하나를 전해야 합니다. 지난번 말을 되풀이한 것은 더 깊은 까닭으로 치지 않습니다.
• 서버의 확인 AI의 판단을 그대로 믿지 않습니다. 서버는 알려진 개념인지, 근거로 든 말이 이 아이가 직접 하고 확정한 말인지, 고를 수 있는 값인지, 판단이 바로 그 말들을 보고 내려진 것인지, 타래의 기억이 깨어난 뒤 아이가 가르친 말이 들어 있는지 확인합니다. 브라우저가 보낸 판단은 받지 않습니다.
• 실시간 AI가 없을 때 AI 연결이 꺼져 있거나 응답하지 못하면 미리 정해 둔 단서(낱말 규칙)로 판단하고, 별찌·타래는 미리 써 둔 안내 문장으로 말합니다. 단서로 네 부분을 알아보는 것은 세부 기준이 있는 5개 개념뿐이고, 까닭 없이 짐작만 한 말(예: “필름 때문인가?”)은 채운 것으로 치지 않습니다. 상자의 처음 네 실험에는 흔한 오개념(예: “색깔 때문에 안 젖어”)을 알아보는 규칙이 있어, 아이의 말을 그대로 둔 채 모형과 나란히 견주어 보자고 합니다. 그 밖의 개념은 여러 번 설명한 뒤 ‘도움을 받아 넘어감’으로 기록됩니다. 이렇게 진행한 기록은 실시간 AI라고 표시하지 않습니다.
• 세부 기준 개념마다 무엇을 뜻·까닭으로 칠지 예시까지 적은 세부 기준은 지금 5개 개념에 있습니다. 나머지 개념은 개념 카드의 설명과 네 부분의 일반 기준으로 판단합니다.

피드백은 어떻게 하나요

• 아직이면 별찌가 알아들은 것을 아이 말로 짧게 되짚고, 정말 빠진 한 가지만 앞에서 한 질문과 다른 말로 궁금해하며 묻습니다. 이미 말한 것은 다시 묻지 않습니다.
• 점점 구체적으로 가르친 횟수가 늘수록 질문이 점점 구체적이 되도록 AI에게 지시합니다(예: 아이가 방금 한 말에 이어 ‘왜·어떻게’ → 아이가 본 장면 하나 → 두 경우를 견주어 고르기).
• 도움 방식 바꾸기 같은 식의 질문이 도움이 되지 않으면 다시 묻지 않고 도움 방식을 바꿉니다 — 모형에서 볼 곳 하나 짚기, 두 경우를 나란히 견주기, 함께 한 단계씩 해 보기. 정답을 대신 말하지는 않습니다.
• 틀린 생각에는 바로잡아 말하지 않고, 그 생각이 맞는지 확인할 장면이나 비교를 하나 가리킵니다. 아이의 말은 지우거나 바꾸지 않습니다.
• 타래의 도움 아이가 막히거나 도움을 청하면 길잡이 타래가 먼저 “도와줄까?” 하고 묻고, 아이가 ‘응’이라고 하면 돕습니다(아이가 타래를 직접 불러 물을 수도 있습니다). 도움은 한 번에 한 단계씩 구체적이 되고(개념 카드의 뜻 → 아이가 본 것 다시 짚기 → 두 생각 중 고르기), 도움만으로 가르치기가 끝난 것으로 치지 않습니다.
• 배웠으면 별찌가 배운 것을 자기 말로 한 문장에 정리합니다.
• 점수 맞다·틀리다 점수는 없습니다.

아이의 설명은 어디에 쓰이나요

• 계획 별찌는 아이의 설명에서 나온 조건으로만 일꾼 로봇(두리번·나란·톡톡)의 작업을 만들고, 작업마다 근거가 된 아이 말을 붙입니다. 실행 직전에 서버가 계획을 다시 만들어 맞춰 보고, 근거가 바뀌었거나 아이 말에 없는 조건이 있으면 실행하지 않습니다.
• 결과 성공 여부는 정해 둔 규칙의 가상 모형 시험이 정합니다. AI의 말로 성공을 선언하지 않습니다.
• 방수·흡수 실험 일꾼이 움직이기 전에 아이가 덮개를 어디에(지붕 바깥/천장 안쪽), 무엇으로(필름/크레파스) 할지 고릅니다. 다른 곳을 골라도 막지 않고, 시험에서 물이 계속 들어오는 모습을 보여 준 뒤 다시 가르치기로 돌아갑니다. 아이의 가르침을 틀렸다고 바꾸지 않습니다.
• 스킬 카드 아이의 가르침과 맞은 개념만 별찌의 스킬 카드가 됩니다.
• 발명품 작업대 아이가 가르친 개념의 부품만 쓸 수 있고, 장치는 그곳의 조건으로 시험합니다(예: 자외선 비즈 실험의 ‘햇살 지킴이’는 그곳의 하루 햇빛으로). 설계를 고칠 때도 성공은 AI의 말이 아니라 시험 결과가 정합니다.

무엇을 기록하나요

• 말마다 말·글·고르기·조각 잇기 중 무엇으로 했는지와 받은 도움의 단계(없음·힌트·비교·두 선택지·답을 들음)를 서버가 기록하고, 도움 없이 또는 힌트만으로 한 말을 ‘스스로 한 설명’으로 셉니다.
• 개념마다 어느 부분을 전했는지와 무엇으로 넘어갔는지(규칙 판단·AI 판단·여러 번 시도한 뒤 도움)를 남깁니다. 여러 번 시도한 뒤 도움으로 넘어간 것은 숙달로 치지 않습니다.
• 스킬 카드 도움을 받아 얻은 스킬 카드는 다시보기에서 ‘확인 필요’로 보이고, 나중에 스스로 가르치면 확인됩니다.
• 보고서 아이가 확정한 말만 그대로 인용하고, 타래의 도움 횟수와 ‘개념 이해: 독립적 / 안내 후 이해’를 따로 보여 줍니다.
• 선생님 대시보드 AI 분석(실시간 AI가 연결되어 있을 때)은 공유된 기록만으로 만든 초안이고, 평가는 선생님이 합니다.

AI가 만드는 것과 정해 둔 것

안전과 개인정보

• 아이의 말은 AI 모델에 보내기 전에 안전 검사를 거치고, 안전하지 않은 말은 학습 기록에 남지 않으며 다른 이야기로 이어집니다.
• AI가 만든 판단 문장과 대사도 안전 검사를 거치고, 링크나 HTML은 받지 않습니다.
• AI 대사가 아이의 말을 인용할 때는 아이가 확정한 말과 글자 그대로 같아야 합니다.
• 아이의 이름은 AI 모델에 보내지 않습니다. 이름은 우리 서버에서 대사에 붙입니다.

알아 둘 점

• AI는 아이의 말을 잘못 판단할 수 있습니다. AI 판단과 사람 평가자의 일치도는 아직 측정하지 않았고, 측정 계획은 ‘교육 효과와 근거’ 페이지에 있습니다.
• 실시간 AI 연결은 운영 승인 범위(AI 공급자와의 계약 조건 포함)에 따라 켜고 끄며, 꺼져 있을 때는 정해 둔 규칙과 문장으로 진행합니다. 지금은 모든 이용자에게 켜 두었고, 실시간 AI 연결이 꺼져 있거나 응답이 늦으면 정해 둔 단서(낱말 규칙)와 미리 써 둔 문장으로 진행합니다.
• 개념별 세부 기준과 틀린 까닭을 직접 확인하는 장치는 아직 일부 개념에만 있습니다.

AI 튜터와 대화형 에이전트 연구

학생의 단계마다 반응하는 튜터는 답만 확인하는 튜터보다 효과가 컸습니다. 아이의 대답에 맞춰 반응하는 대화를 과학 영상에 더한 무작위 비교에서도 이해가 나아졌습니다. 다만 같은 연구팀의 학회 발표에서는 정해진 반응만 하는 ‘흉내 대화’와의 차이가 작았습니다.

관련 연구 VanLehn(2011), Xu 외(2022), Xu 외(2023, 학회 발표)

제한 없이 답을 주는 생성형 AI는 연습 성적을 올리면서도 AI 없이 본 시험 성적을 떨어뜨렸고, 답 대신 힌트를 주도록 만든 AI는 그 해로운 효과를 대부분 없앴습니다. 별찌와 타래가 정답을 먼저 말하지 않는 까닭입니다. 피드백은 사람 자체에 대한 칭찬보다 과제와 과정에 대한 정보가 담길 때 효과가 컸습니다.

관련 연구 Bastani 외(2025), Hattie·Timperley(2007), Kluger·DeNisi(1996), Van der Kleij 외(2015)

참고 문헌

아래는 연구 일반에 대한 문헌이며, 이 제품을 시험한 연구가 아닙니다. 연구 대상의 나이는 그 연구에 대한 사실이고, 이 서비스의 사용 연령과 관계없습니다.

1. VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.

   메타분석 · 튜터링 연구 종합 학생의 풀이 단계마다 반응하는 지능형 튜터의 효과(0.76)가 사람 튜터(0.79)와 비슷했고, 답만 확인하는 튜터(0.31)보다 컸습니다.

2. Xu, Y., Vigil, V., Bustamante, A. S., & Warschauer, M. (2022). Contingent interaction with a television character promotes children’s science learning and engagement. Journal of Applied Developmental Psychology, 81, 101439. doi:10.1016/j.appdev.2022.101439

   무작위 비교 · 만 4–6세 77명, 무작위 비교 과학 영상의 주인공이 AI로 아이의 대답에 맞춰 반응하며 대화하게 하자, 대화 없이 본 아이들보다 과학 내용을 더 잘 이해했습니다(화면을 본 시간은 줄었습니다).

3. Xu, Y., 외 (2023). Interaction with a television character powered by artificial intelligence promotes children’s science learning. 미국교육학회(AERA) 2023 연차 학술대회 발표(2023-04-15), AERA 보도 자료. 원문

   학회 발표(동료 심사 논문 아님) · 미국 유아(프리스쿨)–초등 1학년 240명, 무작위 비교 아이의 대답에 맞춰 반응하는 대화, 같은 질문을 하되 정해진 시간 뒤 일반적인 반응만 하는 ‘흉내 대화’, 대화 없음을 견주었을 때 맞힌 비율은 63.4%, 61.4%, 56.5%였습니다. 반응하는 대화가 가장 높았지만 흉내 대화와의 차이는 작았습니다.

4. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. doi:10.1073/pnas.2422633122

   무작위 비교 · 튀르키예 고등학생 약 1,000명, 수학 제한 없는 GPT-4를 쓴 학생들은 연습 문제 성적이 48% 올랐지만 AI 없이 본 시험에서는 17% 낮았습니다. 답 대신 힌트를 주도록 만든 ‘GPT Tutor’는 연습 성적을 127% 올리면서 그 해로운 효과를 대부분 없앴습니다.

5. Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.

   문헌 정리 · 피드백 연구 정리 좋은 피드백은 ‘어디로 가는가, 지금 어떤가, 다음은 무엇인가’에 답하며, 과제와 과정에 대한 피드백이 효과적이고 사람 자체에 대한 칭찬은 가장 약했습니다.

6. Kluger, A. N., & DeNisi, A. (1996). The effects of feedback interventions on performance: A historical review, a meta-analysis, and a preliminary feedback intervention theory. Psychological Bulletin, 119(2), 254–284.

   메타분석 · 피드백 연구 종합 피드백은 평균으로는 수행을 높였지만 3분의 1이 넘는 경우에서는 오히려 낮췄고, 주의를 과제보다 자기 자신으로 돌리는 피드백이 해로웠습니다.

7. Van der Kleij, F. M., Feskens, R. C. W., & Eggen, T. J. H. M. (2015). Effects of feedback in a computer-based learning environment on students’ learning outcomes: A meta-analysis. Review of Educational Research, 85(4), 475–511.

   메타분석 · 컴퓨터 학습 환경의 피드백 연구 40편 종합 설명이 담긴 피드백(0.49)이 정답만 알려 주는 피드백(0.32)이나 맞았는지 틀렸는지만 알려 주는 피드백(0.05)보다 효과가 컸고, 고차원 학습에서 특히 그랬습니다.