AI 튜터의 말투를 학생에 맞게 바꿀 수 있다면 꽤 매력적으로 들립니다. 수줍은 학생에게는 다정하게, 이미 잘 따라오는 학생에게는 조금 더 도전적으로 말하게 할 수 있습니다. 시에라리온의 중등 수학 수업에서 질문과 발판을 중심으로 설계한 AI 튜터를 평가한 연구는 잘 설계된 튜터가 실제 수업에서 학습을 도울 수 있음을 보여 줍니다.1 그러나 이 연구가 확인한 것은 질문과 발판을 중심으로 한 교수 방식의 효과이며, 학생별 말투 조정은 별도로 검증해야 합니다.
매력은 개인화에 있습니다
수업에서 튜터의 말투는 작은 문제가 아닙니다. 같은 힌트라도 어떤 학생에게는 격려가 되고, 어떤 학생에게는 압박이 됩니다. 그래서 AI 튜터가 학생의 반응에 따라 톤을 조절한다는 상상은 자연스럽습니다. 기술이 좋아질수록 교사 한 사람이 모든 학생에게 같은 속도와 같은 어조로 답해야 하는 부담도 줄어들 수 있습니다.
그 연구와 함께 공개된 교사 연수 자료를 보면, 튜터의 모드와 수업 절차, 학생의 상호작용을 교사가 계속 확인하도록 설계돼 있습니다.2 개인화가 잘 작동하려면 말투 설정 하나보다 교사의 개입과 수업 맥락이 먼저 갖춰져야 한다는 뜻입니다.
말투보다 먼저 볼 근거
성격이 왜 그렇게 바뀌었는지 학습자도 교사도 알기 어렵다면 신뢰가 흔들립니다. 어떤 학생에게는 칭찬이 많고, 다른 학생에게는 채근이 많다면 그 차이가 학습 지원인지 우연인지 구분해야 합니다. 어제는 부드럽던 튜터가 오늘은 냉정해졌다면, 학생은 그 변화가 자신의 태도 때문인지 시스템의 조정 때문인지 알기 어렵습니다.
평가 국면에서는 더 예민해집니다. 같은 과제를 풀어도 튜터의 격려 방식이 다르면 학생이 받는 힌트의 양과 질도 달라질 수 있습니다. UNESCO의 교사 AI 역량 프레임이 윤리, AI 기초, 교수법, 전문학습을 함께 묶는 이유도 도구 설정만으로는 이 문제를 다룰 수 없기 때문입니다.3
평가용 대화의 최소선
개인 맞춤형 교육이 필요하다는 말은 맞습니다. 내향적인 학생과 외향적인 학생에게 늘 같은 톤으로 말하는 것이 좋은 수업은 아닙니다. 문제는 맞춤의 원칙이 보이느냐입니다. 맞춤형이라는 말이 나중에 결과를 정당화하는 문장으로 바뀌지 않으려면, 교사가 기록을 남겨야 합니다.
첫째, 같은 질문을 시간대를 바꾸어 반복해 던져 보고 톤이 얼마나 흔들리는지 적습니다. 둘째, 학생별 답변 스타일을 모아 두고 편차가 특정 집단에 쏠리는지 봅니다. 셋째, 평가에 쓰는 대화에서는 성격 조정 기능을 끄거나 고정값으로 통일합니다. 미국 교육부 보고서가 권하듯, AI를 거치지 않고 사람이 직접 처리할 경로와 교사의 감독을 남겨 두는 것도 이 최소선에 해당합니다.4 작은 기록에서 편차가 보이면, 확대 적용보다 원인 확인이 먼저입니다.
각주
-
Measuring the impact of learning with AI in Sierra Leone and beyond — Google DeepMind, 2026. 특정 지역의 중등 수학과 설계된 평가 맥락에 한정해 인용했다. ↩
-
Teacher Training Materials for Junior Secondary Mathematics in Sierra Leone — LearnLM Team, Google and Fab AI, 2026. 특정 연구 현장을 위한 연수 자료이며 일반 교사교육과정으로 사용하지 않았다. ↩
-
AI competency framework for teachers — UNESCO, 2024. 특정 튜터의 성능이 아니라 교사가 갖춰야 할 역량의 범위를 제시한다. ↩
-
Artificial Intelligence and the Future of Teaching and Learning — U.S. Department of Education, 2023. 미국 정책 맥락의 보고서로 AI를 거치지 않는 처리 경로와 교사의 전문적 판단을 강조한다. ↩
