이 소식은 무엇인가요?
배경부터 차근차근 살펴보기
AI 도구가 교육 현장에 확산되면서 대학의 과제 평가 방식이 새로운 도전에 직면했습니다. 학생들이 ChatGPT 등 생성 AI로 점점 높은 점수를 받으면서, 전통적인 '정답 채점'이 더 이상 학생의 실제 이해도를 측정하는 유효한 방식인지에 대한 근본적 의문이 생겨났습니다.
UC Berkeley의 필즈상 수상자 Richard Borcherds 수학 교수는 이 문제에 직면해 구체적인 선택을 했습니다. 그는 학생들의 과제를 정답 여부로 채점하는 전통적 방식을 포기하고, 과제를 완료했는지 여부와 그 과정에서의 노력을 중심으로 평가하는 방식으로 전환했습니다.
Borcherds 교수의 논리는 명확합니다. AI가 정답을 제공할 수 있는 상황에서, 학생의 진정한 이해도를 평가하기 위해 매번 채점 인력을 투입하려면 그 비용이 정당화될 수 없다는 판단입니다. 따라서 '학생이 문제를 시도했는가'라는 더 간단하고 검증 가능한 기준으로 전환하는 것이 교육적으로도 더 현실적이라고 본 것입니다.
이 사례는 단순한 개인적 선택이 아니라, 고등 교육이 AI 시대에 어떻게 평가 체계를 재설계할 수 있는지를 보여 주는 신호입니다. 정답 획득 자체보다는 학생이 문제를 마주하고 시도하는 과정, 그리고 개념적 이해를 쌓아 가는 궤적이 더 중요하다는 판단의 구체적 실례를 제공합니다.
공식 발표에서 확인된 내용
구체적으로 무엇이 달라졌나
- 01
과제 평가 기준의 전환: 정답의 정확성(correctness) 중심에서 완료도·시도·과정(completion and engagement) 중심으로 변경
- 02
채점 방식의 실질적 영향: 학생이 문제를 '시도했는가'를 검증하는 것으로 단순화하여 채점 인력 부담과 비용 감소
- 03
AI 사용의 불가피성 인정: 학생의 AI 도구 사용을 완전히 막을 수 없다는 현실적 판단에 따른 정책 변화
- 04
고등 교육 평가 목표의 재정의: 최종 정답보다는 학습 과정과 개념적 이해 여부를 중시하는 방향으로 평가 체계 전환
사용자에게 미치는 영향
누구에게 어떤 의미가 있나
대학원 강의를 진행하는 교수
AI 시대에 공정한 평가를 어떻게 설계할지에 대한 구체적 사례를 얻으며, 자신의 강의에서 학생의 진정한 이해도를 측정하는 기준을 재검토할 계기를 갖습니다.
대학원 과제를 제출하는 학생
과제 평가 기준이 정답 정확도에서 시도와 완료도로 변하기 시작하면, AI 도구를 활용하면서도 자신의 이해 과정을 명확하게 보여 주는 방식이 점점 더 필수적이 됩니다.
AI 시대의 교육 정책을 고민하는 학과 관리자·대학 행정가
개별 강의실에서 이미 시작된 평가 혁신 사례를 통해, 제도적 가이드라인을 어떻게 업데이트하고 정당화할지 검토할 근거를 얻습니다.
실제 활용 장면
어디에 어떻게 써볼 수 있나
대학원 프로그래밍 과제의 평가 기준 재설계
코드의 정확성과 실행 결과만으로 채점하던 방식을 '문제 분석 → 시도 기록 → 개선 과정'으로 전환할 때, 학생들의 학습 과정을 더 풍부하게 포착할 수 있습니다. 이를 통해 AI를 사용한 학생과 그렇지 않은 학생의 사고 과정 차이가 명확해집니다.
- 예를 들면
- 과제 제출 시 (1) 문제를 어떻게 이해했는지, (2) 시도한 접근 방식 3가지와 각각의 결과, (3) 각 시도에서 배운 점을 기록하도록 요구하고, 최종 코드의 정확성은 가중치를 30%로 낮춥니다.
- 확인할 결과
- AI로 정답만 제출하는 학생과 과정을 상세히 기록한 학생을 명확히 구분할 수 있으며, 학생의 실제 문제 해결 능력과 개념적 이해도를 훨씬 정확히 평가할 수 있게 됩니다.
글쓰기 과제의 평가를 '초고 제출 + 수정 기록'으로 전환
에세이의 최종본만 평가하던 방식을 '초고 제출 → AI 도움 기록 → 수정본 → 수정 이유 작성'의 프로세스로 전환하면, 학생의 비판적 사고를 더 명확하게 관찰할 수 있습니다.
- 예를 들면
- 학생이 에세이 첫 버전을 제출하고, AI 도구를 사용했다면 구체적으로 어디서 사용했는지(주장 다듬기, 인용 형식, 문장 구조) 표시하며, 최종 버전에서는 AI가 제안한 버전과 자신이 수정한 버전을 비교 기록하도록 요구합니다.
- 확인할 결과
- 학생의 비판적 사고 과정이 이전보다 훨씬 명확해지고, AI 사용이 투명해지므로 표절의 경계와 정당한 AI 활용의 경계가 명확해집니다.
수학 숙제에서 '풀이 과정 기록'을 평가 중심으로
정답 여부에만 집중하던 평가에서 '자신의 풀이 방식 설명 → 다른 접근 방식 고찰 → 실수와 재시도 기록'으로 평가 이동하면, 학생의 개념적 이해도가 더 잘 드러납니다.
- 예를 들면
- 학생이 문제를 풀 때 AI에게 '이 방식이 왜 작동하지 않는가'를 물으면, AI의 설명을 정리하고 '내가 이를 통해 깨달은 핵심 개념 3가지'를 자신의 언어로 작성하도록 요구합니다.
- 확인할 결과
- 정답은 AI가 쉽게 제공할 수 있지만, 학생의 개념적 이해는 자신의 설명으로만 입증될 수 있어 평가의 신뢰성과 공정성이 크게 증가합니다.
직접 적용해 보기
처음부터 무리하지 말고, 이 순서로 확인하세요
현재 과제 평가 항목 목록화
지금 강의에서 사용하는 과제 5~10개와 채점 기준을 정리합니다. 각 과제에서 '정답의 정확성'이 몇 %를 차지하는지, '풀이 과정·설명·시도 기록' 같은 과정 평가가 몇 %인지 점검합니다. 이를 통해 현재 평가 체계에서 어디까지가 '정답 중심'이고 어디부터가 '과정 중심'인지 파악합니다.
확인: 최소 5개 과제에 대해 현재 채점표를 작성하고, 각 항목별 비중을 백분율로 명시했으며, 어떤 항목이 '정답 의존도'가 높은지 표시했는가?
평가 기준을 '과정 중심'으로 재설계하기
현재 목록에서 정답 의존도가 높은 과제 1~2개를 선택하고, 이를 '완료도·노력도·이해 설명'으로 재설계합니다. 예를 들어 프로그래밍 과제라면 기존 '코드 정확성 70% + 주석 30%'에서 '코드 완성 30% + 풀이 과정 기록 50% + 개념 설명 20%'으로 분배하는 식입니다. 각 항목에 대해 '어떻게 검증할 것인가'도 함께 정리합니다.
확인: 새로운 채점 기준을 명확히 작성했으며, 각 항목마다 '어떤 증거로 평가할 것인가' 구체적으로 기술했는가? AI를 사용한 학생과 사용하지 않은 학생을 이 기준으로 구분할 수 있는가?
시험 강의에서 적용 및 학생 피드백 수집
다음 학기 또는 남은 강의 기간 동안 재설계한 과제 1개에 대해 새로운 평가 기준을 시범 적용합니다. 학생들에게 '이전 과제와의 차이점'을 명확히 설명하고, 과제 제출 후 수강생 중간에 익명 설문('이 평가 방식이 당신의 실제 이해도를 더 잘 보여 주었는가?', '공정하다고 생각하는가?')을 진행합니다.
확인: 새 기준으로 최소 1개 과제를 채점하여 성적표를 완성했으며, 최소 3~5명의 학생 피드백을 익명으로 수집했고, 그 내용을 정리했는가?
결과 비교 및 개선점 도출
기존 방식과 새 방식 사이의 차이를 정량적으로 비교합니다. (1) 학생의 실제 이해도 차이('정답은 맞지만 이해도는 낮은 학생'이 기존에는 높은 점수를 받았지만 새 방식에서는 구분되는가?), (2) 채점 소요 시간 변화, (3) 학생 만족도·공정성 인식을 정리합니다.
확인: '이 학생은 AI를 사용했지만 개념은 이해했다' vs '정답은 맞지만 과정 기록이 불충분해 이해도를 알 수 없다'는 경우를 최소 2~3개 발견했으며, 채점 시간이 얼마나 변했는지(증가 또는 감소) 기록했는가?
다음 학기 또는 팀 강의에 적용 결정
시험 결과를 바탕으로 '이 평가 방식을 계속 유지할지, 수정할지, 전면 시행할지' 명확히 결정합니다. 필요하면 다른 교수들과 사례를 공유하거나 학과 차원의 가이드라인 논의를 제안합니다.
확인: 의사 결정을 교무회, 팀 미팅, 또는 공식 메모로 기록했으며, 필요하면 동료 1인 이상과 이 사례를 공유했는가?
해석할 때 주의할 점
확인된 범위와 아직 모르는 내용을 구분하세요
원문(hada.io, 2026-10-25)이 보도한 확인 가능한 사실은 다음과 같습니다: (1) UC Berkeley의 Richard Borcherds 교수가 과제 평가 방식을 변경했으며, (2) 변경 이유로 학생들의 AI 사용 증가와 채점 비용의 비효율성을 들었습니다. 그러나 원문은 이 정책의 구체적 시행 기간, 학생·동료 반응, 장기 학습 성과에 미친 영향은 보도하지 않습니다. 또한 Borcherds가 현재 어느 과목을 가르치는지, 이 정책이 한 학기짜리 시도인지 지속적 정책인지도 명확하지 않습니다. 따라서 개별 강의에 적용하기 전에 (1) UC Berkeley의 공식 입장 또는 해당 과목 강의 계획서 확인, (2) 학생 만족도나 학습 성과 자료 추가 확인이 권장됩니다.
- 원문은 Borcherds 교수 개인의 결정만 보도하고 있어, UC Berkeley 전체의 공식 정책 변화인지 개별 강의의 시도인지 명확하지 않습니다. 따라서 다른 학과나 학제에서 이 방식이 동등하게 작동할지는 별도 검증이 필요합니다.
- '완료도로 평가' 방식이 실제로 학생의 이해도를 더 잘 측정하는지에 대한 학습 성과 데이터나 비교 연구가 원문에 제시되지 않았습니다. 개별 강의에 적용하기 전에 자신의 강의 맥락에서 유효한지 확인이 필요합니다.
- AI 도구 사용을 투명하게 기록하도록 학생에게 요구할 때, 학생이 거짓 기록을 할 가능성이나 이를 어떻게 검증할지에 대한 구체적 규칙이 원문에 없습니다.
- 이 평가 방식이 수학 같은 특정 과목에 맞춤되었을 수 있으므로, 글쓰기, 실험 설계, 창의 프로젝트 같은 다른 과목에 그대로 적용 가능한지는 사전 검토가 필요합니다.
- 원문이 보도한 정보만으로는 '완료도 평가'가 학생 간 학력 격차(특히 AI 접근성 차이)를 더 크게 벌릴 가능성도 배제할 수 없으므로, 형평성 영향 검토가 권장됩니다.
출처와 확인일
원문에서 다시 확인하기
이 글은 GeekNews의 공식 발표를 바탕으로 정리했습니다. 기능 범위와 제공 조건은 바뀔 수 있으므로 실제로 적용하기 전에는 원문을 다시 확인해 주세요.
- 마지막 확인
- 2026-10-25
- 다음 검토
- 2026-11-24