AI 지원 학생 중심 수업과 청소년의 학업 자기 개념 및 의사소통 역량: 혼합 방법 연구

요약

이 혼합 방법 연구는 AI 지원 학생 중심의 교실 수업 루틴을 평가하며, AI 지원 탐구, 동료 토론, 교사 명확화, 자기 평가를 포함합니다. 이 연구는 자기보고된 학업적 자기 개념과 의사소통 능력에 초점을 맞추며, 교실 재현을 용이하게 할 수 있는 충분한 절차적 세부사항을 제공합니다.

초록

이 교실 기반 혼합 방법 준실험 연구는 AI 지원 학생 중심 수업이 청소년의 학업 자기 개념과 자기보고 의사소통 능력 변화와 연관이 있는지 조사하였습니다. 6개의 온전한 수업이 AI 보조 수업 또는 일반적인 학생 중심 수업 조건에 배정되었습니다. 이 개입은 AI 지원 프롬프트를 개별 탐구, 동료 토론, 교사 명확화, 자기 평가로 구성된 구조화된 학습 주기에 내장시켰습니다. 186명의 모집 학생 중 174명은 정량적 분석을 위해 남았습니다. 학업적 자기 개념과 자기보고적 의사소통 역량은 기저선, 개입 직후, 그리고 사전에 정해진 단기 추적 관찰에서 평가하였다. 개입 후 상호작용의 질, 자기평가, 학습자 참여도를 측정했으며, 36명의 학생이 반구조화 인터뷰에 참여하였습니다. 일반적인 교육 그룹과 비교했을 때, AI 지원 그룹은 개입 후 및 추적 관찰 모두에서 기준선 조정 결과에서 더 큰 향상을 보였습니다. 탐색적 과정 분석은 AI 지원 그룹에서 상호작용의 질, 자기 평가, 학습자 참여가 더 높음을 보여주었으며, 정성적 연구 결과는 AI 지원 프롬프트가 동료 토론과 교사 지도와 결합하여 학생들이 설명을 검증하고 응답을 수정하며 자기 평가를 더 명확하게 만드는 데 도움을 준다는 것을 시사했다. 참가자들이 학급 수준으로 배정되고 결과가 주로 자기보고되었기 때문에, 이 결과는 학업 성취도의 인과적 향상에 대한 명확한 증거보다는 교실 내 연관성으로 해석되어야 합니다.

서론

인공지능(AI)은 교육 환경에서 점점 더 널리 사용되고 있습니다. 하지만 단순한 기술 도구 접근성이 본질적으로 학습 과정을 의미하지는 않기 때문에, 교육적 가치는 일관성이 없습니다. 리뷰들은 교육 AI의 발전을 강조하지만, 교사의 역할과 교실 내 상호작용을 간과하는 경우가 많습니다. 이는 청소년들에게 매우 중요하며, 청소년들은 적극적으로 역량 판단을 형성하고 또래와 아이디어를 시험합니다. 따라서 AI 지원 학습은 단순한 기술 노출이 아니라 학생들이 질문하고 평가하며 토론하는 방식을 형성하는 의도적인 교수법적 체계로 구현되어야 합니다.

학생 중심 수업은 이 문제를 해결하기 위한 견고한 틀을 제공합니다. 학생들을 수동적 수용에서 벗어나게 함으로써 이 접근법은 적극적인 참여, 과제 참여, 동료 간 설명, 자율적 의사결정을 우선시합니다. 메타분석 연구는 문제 해결과 학생 참여가 특징인 능동적 학습 환경이 전통적인 강의에 비해 학업 성과를 크게 향상시킬 수 있음을 확인시켜 줍니다^. 그럼에도 불구하고, 학생 중심 교육은 본질적으로 효과적이지 않습니다. 참여를 이끌 수 있을 만큼 충분히 구조화되면서도, 학생들이 아이디어를 설명하고 비교하며 수정하도록 유도할 수 있도록 유연한 수업 과제가 필요합니다. 이러한 역학은 AI 지원 교실에서는 더욱 복잡해집니다. AI가 빠르게 예시, 설명, 제안을 생성할 수 있지만, 교사의 지도와 동료 평가가 부족해 학생들이 이러한 결과물을 비판 없이 받아들이고, 이를 깊은 사고를 위한 원재료가 아닌 인지적 지름길로 취급할 수 있습니다.

학문적 자기 개념은 학생들의 학업 능력에 대한 도메인별 신념을 반영하는 매우 중요한 결과로 작용합니다. 이전 연구들은 학업적 자기 개념이 정적인 성격 특성이 아니라 성취와 지속적인^{학습 경험과} 밀접하게 얽힌 역동적인 구성임을 입증했습니다. 이 연구는 학생들이 자신의 작업 향상 능력에 대한 자신감을 평가하기 위해 학문적 자기 개념을 평가합니다. 의사소통 역량은 부차적인 결과로, 개입은 학생들이 구조화된 동료 피드백을 통해 정당화하고 설명을 다듬도록 요구합니다.

피드백과 자기 평가는 AI 지원과 이러한 목표 학습 성과를 연결하는 중요한 교수적 다리를 형성합니다. 효과적인 형성 평가는 학생들이 진척 상황을 적극적으로 모니터링하고, 기준에 따라 측정하며, 성과 격^{차에 대응}하는 것을 요구합니다. ^3,4. AI 지원이 적용되고 학생 중심인 교실에서는 AI 프롬프트가 수정을 위한 대체 설명이나 신호를 생성할 수 있습니다. 하지만 이러한 주제의 진정한 교육적 가치는 학생들이 결과를 면밀히 검토하고, 동료와 토론하며, 이를 정제된 답변으로 번역하느냐에 달려 있습니다. 따라서 본 연구에서 자기 평가는 모호한 태도가 아니라 학습 격차를 식별하고 수정하는 구체적이고 관찰 가능한 교실 내 행동으로 운영됩니다.

학습자 참여도 이 학습 주기에서 똑같이 중요한 역할을 합니다. 다차원적 구성체로 인식된 참여는 행동 참여, 감정적 참여, 인지 투자를 아우릅니다⁵. 이러한 다차원성은 특히 청소년에게 중요한데, 피상적인 순응만으로는 깊은 인지 처리가 보장되지 않기 때문입니다. 어떤 학생은 근본적인 이유를 분석하지 않고 기계적으로 워크시트를 작성할 수 있지만, 다른 학생은 질문은 적지만 지속적인 자기 모니터링과 수정을 통해 깊이 몰입할 수 있습니다. AI 도입은 비교와 탐구를 위한 풍부한 자료를 제공하여 이론적으로 참여도를 높일 수 있습니다; 반대로, 학생들이 자동화된 결과물에 무리하게 의존하는 상황에 처하면 참여도가 떨어질 수 있습니다. 따라서 본 연구는 학습자 참여를 상호작용의 질 및 자기 평가와 함께 맥락화하며, AI 사용을 교실 내 고립된 사건으로 다루는 것을 의도적으로 피합니다.

교육용 대형 언어 모델을 둘러싼 논쟁은 개별화된 지원과 엄격한 경계 없이 활용될 경우 과도한 의존이나 노력 감소와 같은 위험 사이의 긴장을 부각시킵니다. 따라서 학습 루틴의 교수적 안무는 AI 기술 자체만큼이나 중요하다. 본 연구는 AI 지원 프롬프트를 교사 브리핑, 개별 질문, 동료 토론, 전체 학급 명확화, 자기 평가 등 일관된 5단계 교실 순서 내에 내재시켰습니다. 이 특정 설계는 AI 결과물을 엄격한 검증과 수정이 필요한 예비 자료로 의도적으로 위치시키며, 최종 확실한 답변이 아닙니다.

정량적 설문 데이터만으로는 학생들의 실제 학습 경험의 미묘한 차이를 충분히 포착할 수 없기 때문에 혼합 방법 연구 설계가 채택되었습니다. 혼합 방법 접근법은 결과 경로를 참가자 경험, 실행 조건, 전개되는 교실 역학 배경에서 해석해야 할 때 특히 가치가 있습니다^. 본 연구에서는 정량적 요소가 학문적 자기 개념과 의사소통 역량의 발달 변화를 추적했습니다. 동시에 질적 부분에서는 학생들이 개입 중 상호작용의 질, 자기 평가 관행, 과제 참여, 인지된 장벽을 어떻게 특징지었는지 탐구했습니다. 이 두 가지 증거 흐름을 통합하여 관찰된 정량적 점수 패턴이 학생들의 현장 교실 경험과 일치하는지 평가했습니다.

이 연구는 또한 AI 보조 교육에 관한 문헌에서 상당한 실질적 격차를 다루고 있습니다. 수많은 연구가 AI 기반 결과를 평가하지만, 응답 활용, 동료 스캐폴딩, 대조군 비교, 충실도 모니터링, 혼합 방법 데이터 통합을 상세히 다룬 투명하고 재현 가능한 교실 프로토콜을 제공하는 연구는 상대적으로 적습니다. 수십 년간의 동료 상호작용 연구는 학생들이 개념을 설명하고, 동료의 피드백을 받으며, 대화를 통해 지속적으로 이해를 다듬을 때 상당한 혜택을 받는다는 것을 보여줍니다. 본 연구는 이 기초 논리를 바탕으로 AI가 생성한 프롬프트를 교사 지도와 동료 협력의 필수 역할을 빼앗지 않으면서 이 대화 구조에 성공적으로 녹여낼 수 있는지 탐구합니다.

따라서 이 연구는 AI 보조 학생 중심 수업을 단순한 AI 도구 노출이 아닌 구조화된 교실 프로토콜로 검토했습니다. 제안된 교육 경로는 AI 지원 프롬프트가 먼저 탐구와 비교를 위한 자료를 제공하는 것이었으며; 동료 토론과 교사 명확화는 학생들이 그 내용을 검증하고, 정당화하며, 수정하도록 요구합니다; 마지막 자기 평가 단계는 학생들이 진전과 해결되지 않은 격차를 인식하는 데 도움을 줄 것입니다. 이 경로 내에서 상호작용의 질, 자기 평가, 학습자 참여는 학생들이 수업 루틴을 경험한 방식을 설명하는 데 도움이 될 수 있는 탐색적 과정 변수로 취급되었으며, 확정된 매개 변수로 간주되지 않았습니다.

주요 연구 질문은 다음과 같았습니다: AI 지원 학생 중심 프로토콜이 일반적인 학생 중심 수업보다 학업적 자기 개념과 자기보고적 의사소통 역량에 더 큰 변화를 일으키는가? AI 지원 상태에서 개입 후 상호작용의 질, 자기 평가, 학습자 참여가 더 높은가요? 2차 탐색 질문은 다음과 같았습니다: 이 과정 변수들이 결과 변화 점수와 연관성을 보이는가? 질적 인터뷰 주제가 정량적 발견과 수렴하거나 확장하거나 복잡하게 만들는가? 개별 학생이 아닌 온전한 학급에 조건이 배정되었기 때문에, 모든 결과는 인과 추론과 교실 단위 군집화에 대해 명확히 신중하게 해석되었다.

프로토콜

인간 참여자를 포함한 모든 방법은 기관 지침과 헬싱키 선언에 따라 수행되었습니다. 연구 프로토콜은 광저우시 건설대학의 기관심사위원회(IRB 승인 번호)에서 검토 및 승인되었습니다. GZCJ2026A016; 승인일: 2026년 1월 2일). 승인된 연구 제목은 "AI 지원 학생 중심 수업과 청소년의 학업 자기 개념 및 의사소통 역량: 혼합 방법론 연구"였습니다. 연구가 시행되기 전에 참여 학교로부터 서면 허가를 받았습니다. 부모 또는 법적 보호자로부터 서면 동의를 받았고, 참여하는 모든 학생으로부터 서면 동의를 받았습니다. 학생들은 참여가 자발적이며, 학업 불이익 없이 언제든지 학업에서 철회할 수 있다는 사실을 통보받았습니다. AI 챗봇 플랫폼에는 이름, 연락처, 학교 식별자, 성적 또는 기타 직접적으로 식별 가능한 정보가 입력되지 않았으며, 공개 데이터셋에는 포함되지 않았습니다. 모든 연구 절차는 2026년 1월 2일부터 2027년 1월 2일까지 승인된 연구 기간 동안 수행되었습니다. 이 연구에서 사용된 모든 도구와 플랫폼은 재료표에 나열되어 있습니다

연구 설계 및 교실 과제

이 연구는 두 가지 교육 조건인 AI 지원 학생 중심 수업 그룹과 일반적인 학생 중심 수업 그룹을 포함한 준실험적이고 혼합 방법의 교실 설계를 사용했습니다. 종단 측정은 세 시점에서 수행되었습니다: 중재 전 기저치(T1), 최종 교육 세션 직후(T2), 그리고 사전에 정의된 단기 추적 평가(T3). T2–T3 간격은 연구 로그에 기록되었으며, 원고, 데이터셋, 분석 스크립트, 도표 라벨 전반에 걸쳐 일관성을 유지하였습니다. 그림 1 은 모집, 수업 배정, 평가 시기, 제외 요소, 정성적 표본 추출을 요약합니다. 행정적·생태학적 제약으로 인해 개별 무작위화가 불가능했기 때문에, 교실 수준에서 6개의 온전한 반이 배정되었고, 3개 반은 AI 지원 조건, 3개 반은 비교 조건에 배치되었습니다. 각 학급은 최종 분석 표본에 29명의 학생을 기여했습니다. 학년, 과목 분야, 수업 순서, 세션 길이, 교실 과제, 평가 일정, 교사 접촉 시간은 조건별로 비교 가능하게 유지되었습니다. 클러스터별 통계 검사를 위해 클래스 식별자는 유지되었습니다.

참가자 모집 및 자격 심사

참가자들은 참여하는 온전한 반에서 직접 모집되었습니다. 학생과 부모 또는 법적 보호자는 연구 목적, 교실 절차, AI 지원 활동, 설문지 일정, 선택적 인터뷰 요소, 개인정보 보호 사항, 철회 권리, 데이터 저장 계획에 관한 상세한 정보 시트를 받았습니다. 참여 수업에 등록되어 있고, 정규 교실 수업에 참석했으며, 서면 동의를 제공하고, 부모 또는 보호자의 서면 동의를 받았으며, 첫 세션 전에 기초 설문지를 작성한 학생들이 연구에 포함되었습니다. 반대로, 학생들이 학교에서 편입하거나, 중재 세션의 25% 이상을 결석하거나, 무효 설문지 기록을 제출하거나, 데이터 사용 허가를 철회한 경우 최종 분석 표본에서 제외되었습니다. 제외 사유 중 하나는 각 제외 참가자에 대해 문서화되었다. 데이터 입력 전에 각 자격이 있는 참가자에게는 고유한 연구 식별 코드가 할당되었습니다. 연령, 성별, 학급 식별자, 기초 학업 성과 밴드, AI 지원 학습 이전 노출, 기본 디지털 학습 친숙도 등 관련 인구통계학적 및 교육 공변량을 기록하였습니다. 통계적 추적의 경우, 비교 조건은 0, AI 지원 조건은 1로 코딩했습니다.

교육 자료 및 개입 제공

도입 전에 6개 세션으로 구성된 교육 단원(보충표 1)이 개발되었으며, 각 교실 세션은 40분에서 45분 사이였습니다. 동일한 학습 목표, 수업 주제, 워크시트, 동료 토론 과제, 자기 평가 양식, 성찰 주제가 두 교육 조건 모두에서 적용되었습니다. 설문지 구조, 채점 방향, 역채점 문항, 최종 척도 수준 변수는 표 1의 고정된 채점 지도를 따랐다. 재현성 자료에는 수업 계획서(보충표 1), AI 프롬프트 시트(보충표 2), 교사 프롬프트 시트(보충표 3), 학생 워크시트(보충표 4), 자기 평가 양식(보충표 5), 관찰 체크리스트(보충표 6), 기술 사건 기록(보충표 7), 인터뷰 가이드(보충표 8), 그리고 질적 코드북(보충표 9). 참여 교사는 세션 순서, AI 사용 경계, 비교 그룹 절차, 개인정보 보호 요구사항, 충실도 체크리스트를 포함한 서면 전달 가이드를 사용하여 교육을 완료했습니다. 비학습 학생들을 대상으로 연습을 통해 활동 타이밍, 기기 접근성, 워크시트 명확성, 과제 난이도를 검증하였습니다. 이 AI 도구는 GPT-4 아키텍처를 사용하는 기관 승인 ChatGPT 기반 챗봇이었습니다. 교실 사용에서는 채팅 기록, 프로필 메모리, 웹 브라우징, 플러그인, 이미지 생성, 자동 채점이 비활성화되었습니다. 원고는 홍보 용어를 피하기 위해 처음 언급된 후 일반적인 용어인 "AI 챗봇 플랫폼"을 사용합니다. 프롬프트 설계 원칙은 개입 전에 고정되었고, AI의 사용은 명확화, 예제 생성, 설명 비교, 목표 수정 지원, 자기 평가 신호로 제한되었습니다. 대표적인 프롬프트, 샘플 AI 결과물, 교사 중재 예제는 재현성 자료의 일부로 유지되었습니다.

각 AI 지원 세션은 다섯 단계의 구조화된 단계로 진행되었습니다. 먼저 5분간의 교사 브리핑이 진행되어 학습 목표를 설명하고, 과제를 설명하며, 설정된 AI 챗봇 플랫폼을 식별하고, AI 출력이 권위 있는 답변이 아니라 임시 질문임을 학생들에게 상기시켰습니다. 학생들은 플랫폼에 신원 확인 가능한 개인 정보를 입력하지 말라는 엄격한 지시를 받았습니다. 둘째, 10분간의 개별 AI 지원 탐구 활동이 이어졌으며, 학생들은 준비된 프롬프트 시트를 활용해 명확한 설명, 예시, 대체 설명 또는 수정 제안을 요청했습니다. 각 학생은 사용한 프롬프트 카테고리, 유용한 AI 지원 아이디어 하나, 검증이 필요한 1점, 그리고 최종 채택 결정을 기록했습니다. 셋째, 12분에서 15분 사이의 동료 토론 활동이 진행되었으며, 이 기간 동안 학생들은 소그룹에서 AI 지원 아이디어를 비교하고, 부정확한 점을 발견하며, 협력적으로 작업을 수정했습니다. 이 단계에서 교사는 교실 곳곳을 돌며 표준화된 중재 규칙을 적용했고, 학생들이 수업 기준에 따라 자신의 수정 내용을 구두로 정당화하고, 잘못되거나 과도하게 자신만만한 AI 출력을 수정한 후 최종 확정을 진행했습니다. 넷째, 5분에서 8분 동안 전반 전체 학급 해설 세션이 진행되어 널리 퍼진 오해를 해소하고 사실 오류를 바로잡았습니다. 마지막으로 5분간의 자기 평가 활동이 세션을 마무리했으며, 학생들은 이해도를 평가하고 한 가지 구체적인 향상을 기록했으며, 미해결 질문 하나를 기록했습니다. 이 정확한 운영 순서는 모든 개입 등급에서 유지되었습니다. 인쇄된 프롬프트 시트는 기술적 백업 역할을 했고, 수업의 3분의 1 이상에 영향을 미치는 기술적 차이는 명시적으로 기록되었습니다. 익명화된 대표적인 프롬프트-출력-조정 예시는 보충표 2, 3에 보존 및 문서화되었습니다.

비교 조건은 동일한 세션 길이, 학습 목표, 주제 순서, 워크시트, 동료 토론 간격, 자기 평가 양식, 교사 피드백 창을 사용하여 제시되었습니다. 하지만 AI 지원 프롬프트는 교사가 준비한 표준화된 가이드 프롬프트로 대체되어 학생들이 핵심 개념을 설명하고, 예시 비교하며, 약점을 파악하고, 과제를 복습하도록 지시했습니다. 브리핑, 개별 질문, 동료 토론, 전체 학급 명확화, 최종 자기 평가를 포함하는 동일한 5단계 구조가 엄격히 유지되었습니다. 추가 튜터링, 수업 외 과제, 장기 피드백 시간, 또는 다른 평가 과제는 어느 쪽에도 제공되지 않았습니다. 교실 출석, 행동 장애, 교사 교체, 불완전한 구성 요소는 두 그룹 모두에 동일한 기록 형식으로 기록되었습니다.

데이터 수집, 충실도 모니터링 및 정량적 분석

평가 설문지는 기저선, 중재 후 및 추적 관찰 간격에서 시행되었으며, 세 가지 측정 파동 전반에 걸쳐 일관된 문항 문구, 응답 척도, 점수 규칙을 사용하였습니다. 이 도구들은 학업적 자기 개념, 의사소통 역량, 상호작용의 질, 자기 평가, 학습자 참여를 평가하는 검증된 척도로 구성되었습니다. 응답은 표준 5점 리커트 유형 척도를 사용하여 1(강한 의견 불합)에서 5(강한 동의)까지 수집되었으며, 점수가 높을수록 목표 개념의 수준이 높음을 나타냈습니다. 개별 척도 점수는 필요한 역부호화 후 유효 문항의 산술 평균으로 계산되었습니다. 누락된 문항 값은 동일한 척도와 파동 내에서 학생의 평균 점수로 대체되었으며, 단, 결석된 문항의 20%를 넘지 않는 조건이었습니다. 20% 이상의 누락된 척도는 누락으로 간주되었고, 완전히 누락된 평가 파동의 데이터는 반영되지 않았습니다. 통계 분석 이전에 원시 데이터셋은 범위 위반, 중복 항목, 직선 응답 패턴, 이상 완료 시간 등을 면밀히 검토했습니다. 기록은 불가능한 수치값, 모든 문항에서 불변 응답, 중간 시간 1/3 미만의 완료 시간이 있을 경우 무효로 간주되어 제외되었으며, 명시적인 교실 기록이 진위를 입증하지 않는 한 제외되었습니다. 주요 중재 후 및 추적 분석 대상에는 유효한 기초 점수와 해당 중재 후 또는 추적 결과 데이터를 제공한 학생들이 포함되어, 부분적으로 완료된 일정에 대해 일방적인 리스트 삭제를 피하였습니다. 데이터 입력 전에 고정된 데이터 사전이 설정되어 변수 이름, 라벨, 응답 범위, 누락 코드, 역평가 규칙, 파동 식별자, 최종 스케일 수준 구성 개념을 정의했습니다. 설문지 데이터는 학생당 한 줄씩 입력하고 측정 파형을 구분하기 위해 파동 접미사(_T1, _T2, _T3)를 사용하여 폭넓은 형식으로 입력되었습니다. 수치 범위와 고유 참가자 기록이 계산적으로 검증되었고, 그룹, 학급, 파동 전반에 걸쳐 누락 패턴을 마스터 출석 기록과 비교해 조사했습니다.

모든 수업 세션마다 표준화된 교실 관찰 체크리스트가 사용되어 실행 충실도를 모니터링했습니다. 각 교육 구성 요소는 0점(미완료), 1점(부분 완료), 2점(완전 완료)으로 평가되었습니다. 평가된 구성 요소들은 교사 브리핑, 개별 질문, 동료 토론, 전체 학급 명확화, 자기 평가 기록 작성 등 5단계 수업 순서에 엄격히 맞춰졌습니다. 전체 세션 충실도 백분율은 관찰된 점수를 최대 가능한 점수로 나누어 계산했습니다. 70% 충실도 임계값 이하의 세션은 프로토콜 편차로 기록되었습니다. 평가자 간 신뢰성을 보장하기 위해 두 번째 훈련된 관찰자가 전체 세션의 최소 20%를 독립적으로 평가했습니다. 모든 항목에서 비율 합의율이 계산되었고, 초기 합의가 80% 미만일 경우 합의된 논의를 통해 평가 불일치가 해결되었습니다. 하드웨어 또는 소프트웨어 기술적 결함은 별도의 로그에 기록되어 교육 충실도 문제와 구분되었습니다.

통계 분석은 무작위 시드를 표본 추출이나 민감도 검사 전에 고정한 재현 가능한 스크립트 기반 워크플로우를 사용하여 수행되었습니다. 모든 통계 검정은 양측 검정으로 유의성을 p < 0.05로 설정했습니다. 연속 변수는 평균과 표준편차로 요약되었고, 범주 변수는 빈도와 백분율로 표현되었습니다. 코호트 간의 기초 동등성은 연속 데이터에 대해 독립 표본 t-검정과 범주별 분포에 대해 카이제곱 검정을 사용하여 기술적으로 평가하였다. 내부 일관성은 크론백 알파를 사용하여 측정되었으며, 일반 척도에 α ≥ 0.70, 주요 결과 측정에 α ≥ 0.80의 임계값을 적용하고, 보정된 항목-총 상관관계를 적용하였습니다. 기저선 조정 ANCOVA가 주요 분석 접근법으로 사용되었습니다. 각 주요 결과별로 별도의 모델이 적합되었으며, 중재 후 또는 추적 관찰 점수를 종속 변수로, 교육 그룹을 주요 예측인으로, 해당 기저선 점수를 필수 공변량으로 지정하였습니다. 추가 공변량(성별, 기초 학업 성과 밴드, 이전 AI 노출)을 포함하여 기초 불균형 또는 이론적 관련성을 통제하고, 조정된 평균 차이, 95% 신뢰구간, 표준오차, 모델^{R 2} 값이 보고되었습니다. 변화 점수 비교(T2–T1 및 T3–T1)는 독립 표본 웰치 t-검정을 사용한 2차 분석으로 수행되었으며, 효과 크기는 코헨의 d로 정량화되었습니다. 탐색적 과정 분석은 과정 변수와 결과 변화 간의 피어슨 상관관계를 평가했으며, 분산 팽창 계수(VIF) 모니터링을 이용한 다중 예측 변수 선형 회귀를 통해 다중공선도 검사를 수행했습니다. 마지막으로, 6개의 온전한 반 내 학생들의 중첩 구조를 고려하기 위해 클러스터 민감 검사가 도입되었습니다. 무조건 클래스 내 상관계수(ICC)를 추정하고, 결과 변화를 집계하여 클래스 수준에서 비교했으며, 탐색적 민감도 검사로서 클러스터 강인 표준 오차를 사용해 주요 ANCOVA 계산을 반복했습니다.

정성적 표본추출, 코딩, 혼합 방법 통합

중재 후 설문지 직후, 36명의 목적 하위 표본을 선정하여 반구조화 인터뷰를 진행하였습니다. 이 질적 코호트는 학업 자기 개념 또는 의사소통 능력에서 높음, 중간, 낮은 변화 점수를 보인 양쪽 교육 조건 참가자를 포함했습니다. 반구조화 인터뷰 가이드는 교실 내 상호작용 경험, 아이디어 설명에 대한 자신감, 자기 평가 행동, 과제 몰입, 의사소통 의지, 수정 순간을 탐색하기 위한 타겟 프롬프트 활용, 불분명한 피드백에 대한 반응, 참여의 변동성을 조사했습니다. 인터뷰는 부모와 학생의 동의를 얻은 후에만 녹음되었으며; 그 외에는 구조화된 서면 노트를 작성했습니다. 전사 과정에서 모든 개인 이름, 반 번호, 식별 정보가 삭제되었고, 전사본은 해당 정량적 식별자와 연결되었습니다. 초기 정성적 코딩 프레임워크는 상호작용 품질, 자기 평가, 학습자 참여 구조에서 연역적으로 도출되었으며, 데이터가 기준선 프레임워크에 맞지 않을 때만 귀납적 주제 코드를 추가했습니다. 두 명의 독립 코더가 최소 20%의 전사본을 분석하여 신뢰성을 검증했습니다. 코헨의 카파 계수는 평가되었으며, 0.61–0.80 사이의 값은 상당한 일치로, 0.80 이상은 강한 일치로 간주되었다. 코드북 정의는 다듬어졌고, 초기 카파가 0.61 이하로 떨어질 때마다 이중 코딩이 반복되었으며, 최종 정의와 결과 정성적 코드 빈도 행렬은 아카이브되었습니다(보충표 9 및 10).

정량적 데이터 분석과 정성적 코딩 프레임워크는 혼합 방법 통합을 시작하기 전에 독립적으로 최종 확정되었습니다. 세 가지 정량적 공정 변수와 그에 대응하는 질적 주제를 구조적으로 연결하는 응집력 있는 공동 디스플레이가 구축되었습니다. 통합 결과는 체계적으로 수렴(설문지 패턴과 인터뷰 주제가 일치하는 경우), 확장(정성적 서사가 양적 추세의 기전을 설명한 경우), 또는 발산(인터뷰에서 독특한 장벽이나 참여 불균형이 드러나 양적 패턴을 복잡하게 만든 경우)로 분류되었습니다. 정성적 연구 결과를 활용해 교실 과정을 맥락화하여, 학습자 참여 점수를 능동적 질문 및 동료 토론 주제와 연결하고, 자기 평가 점수를 격차 인식 및 전략적 조정 설명과 연계하였습니다.

결과

참여자 흐름과 기초 특성

초기 코호트는 6개의 온전한 학급에서 186명의 학생으로 구성되어 연구를 위해 모집되었습니다. 자격 심사, 출석 확인, 응답 품질 검사를 거쳐 174명의 학생이 최종 정량 분석을 위해 유지되었습니다. 이 참가자들은 균등하게 분포되어 87명이 AI 지원 학생 중심 수업 그룹에, 87명이 일반적인 학생 중심 수업 그룹에 배정되었습니다. 그림 1 은 모집 흐름, 클래스 배정, 3파 평가 일정, 배제 기준, 정성적 하위 표본 추출을 상세히 설명합니다.

표 2는 교육 그룹별 및 측정 파동별로 기술적 1차 결과 점수를 요약한 것입니다. 개입 전, 두 코호트 간 학업적 자기 개념 수준은 유사했습니다(AI 보조 연구: 3.00 ± 0.37; 비교:...

토론

이 연구는 AI 지원 도구를 학생 중심 수업에 통합하는 것이 청소년의 학업 자기 개념과 자기보고 의사소통 능력 변화와 연관이 있는지 조사했습니다. 세 차례 관찰 기간 동안, AI 지원 코호트 학생들은 일반적인 학생 중심 수업을 받은 학생들보다 두 결과 모두에서 더 큰 향상을 보였습니다. 이 궤적은 원시 점수 패턴, 변화 점수 지표, 그리고 기저선 조정 ANCOVA 모델 전반에서 일관되었습니다. 그러나 설계가 완전한 수업, 자기보고된 결과, 소수의 교실 클러스터를 사용했기 때문에, 이러한 결과는 학업 성취 향상의 명확한 인과관계라기보다는 유망한 교실 기반 연관성으로 해석되어야 합니다.

관찰된 학업 자기 개념 향상은 학생들의 학업 능력에 대한 신념이 누적된 과제 경험과 지속적인 피드백에 의해 형성된다는 전제와 일치합니다. 학문적 자기 개념은 일반적인 자존감이 아니라, 특정 학습 활동 중 인지된 역량에 반응하는 영역 특화 개...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
ChatGPT	OpenAI	https://chatgpt.com	교육 구성 요소로 학생 문의 및 프롬프트에 사용되는 기관 승인 플랫폼.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	원고 준비 시 언어 개선 및 형식화 지원에 사용됨
SPSS	IBM Corp.	SCR_002865	기준선 조정 ANCOVA, t-검정, Pearson 상관 및 ICC를 포함한 정량적 데이터 분석에 사용됨.
NVivo	Lumivero	https://lumivero.com/products/nvivo	반구조화된 인터뷰 테이프 코딩 및 독립 코더를 위한 Cohen의 카파 계산에 사용됨.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	기준선, 사후 중재 및 후속 평가 설문지를 관리하는 데 사용됨.

```