AI 튜터, 개발해야 할까 말아야 할까

구글의 ‘Learn Your Way’가 보여준 학습의 미래

Sep 28. 2025

2025년이 아직 3개월이나 남았지만 한 해 농사를 사실상 마무리하고, 내년을 위한 계획을 고민하는 시기가 다가왔다. 교육은 백년대계라 했건만 매년 새로운 키워드를 고민해야 한다는 게 맞는 일인가 싶지만, 아무튼 회사의 녹을 받는 입장에서 새로운 주제 영역을 발굴해야만 한다. 그룹 구성원들의 AX 인식 전환/제고를 돕는 미션을 가진 입장에서 최근의 흐름을 보자면, AI 그 자체를 가르치는 단계는 이제 지나가고 있는 것 같다. 물론 ‘LG의 구성원들은 AI 리터러시를 이미 갖춘 상태인가요?’라는 질문엔 선뜻 고개를 끄덕이기 어렵다. 하지만 조직의 화두가 더 이상 AI 리터러시 수준에 머물고 있지는 않은 듯하다.

업무 일상 속에 AI는 점점 더 자연스럽게 스며들고 있고, 이제는 AI를 활용해 기존의 것들을 어떻게 바꿔나갈 것인지에 대한 진짜 고민이 필요한 시점이다. 마찬가지로 교육 장면에서도, AI 사용법을 따로 떼어 가르칠 것이 아니라, 각 학습 주제와 맥락 속에서 AI를 어떻게 실질적으로 활용할 수 있을지를 고민해야 한다는 논의가 이뤄지고 있다. 결국, AI 그 자체가 아니라 HRD의 전 영역에서 다루는 모든 학습 장면에서 AI는 도구이자 파트너가 되어야 한다.

이처럼 AX시대, 학습의 현재이자 미래에 대해 끊임없는 고민을 이어나가고 있는 와중에 구글이 대단한 연구 결과를 내놓았다. 구글이 발표한 ‘Learn Your Way’ 시스템은 단순한 AI 기반 요약 기능이 아니다. 원본 교과서 콘텐츠를 학습자의 수준(예: 학년)과 관심사(예: 음악, 스포츠, 음식 등)에 맞게 개인화된 텍스트로 재작성하고, 이를 기반으로 다양한 형식의 콘텐츠—슬라이드, 내레이션, 오디오그래픽 대화, 마인드맵 등—을 자동 생성한다. 여기에 ‘몰입형 텍스트’라는 개념을 더해 타임라인, 기억 보조 장치, 시각적 삽화 같은 학습 보조 요소가 포함된다. 뿐만 아니라, 학습자들이 내용을 잘 이해했는지를 확인할 수 있도록 텍스트 안에 즉석 질문이 생성되고, 학습 후에는 자동 생성된 퀴즈와 맞춤형 피드백이 제공된다. 이 모든 기능이 별도의 모델 학습 없이, Gemini 2.5 Pro 모델을 기반으로 실시간 생성된다는 점은 주목할 만하다. 연구 결과도 흥미롭다. 실제 학습자 대상의 무작위 통제 실험에서, ‘Learn Your Way’로 학습한 그룹은 기존 PDF 교재를 읽은 그룹보다 즉시 평가와 유지 평가 모두에서 유의미하게 높은 점수를 받았다. 한마디로, 이건 요즘 HRD 조직들의 뜨거운 감자라고도 할 수 있는 ‘AI 튜터’에 대해 NotebookLM을 보유한 구글이 제안하는 프로토타입이다. 그것도 지금 당장이라도 구현 가능한 형태로 말이다.

이쯤 되면 한 가지 생각이 든다. 이 판국에, 굳이 비싼 돈 들여 내년도 교육 과정 시작 전까지 자체 AI 튜터를 개발하는 것에 대한 실효성이 있을까? 이미 이 정도 수준의 학습 지원이 가능하다면, 별도 개발이 과연 타당한 선택일까? 물론 현실적인 부분을 고려하자면 ‘보안’이라는 무적의 단어가 등장할 테고, 결국 자체 개발을 택하는 케이스가 더욱 많아질 것이다. 하지만 한 걸음만 물러서서 생각해 보면, 과연 우리가 교육장 안에서 다루는 자료들이 정말 그렇게까지 철저한 보안을 요하는 민감한 정보일까? 교육 자료 대부분은 이미 배포 가능한 형태이며, 민감한 정보는 애초에 다른 경로로 다뤄지고 있다. 그렇다면 보안을 이유로 기술을 막기보다, 어떻게 하면 유용한 기술을 잘 활용할 수 있을지를 고민하는 쪽이 더 생산적이지 않을까 하는 생각을 하게 된다.

지금 이 시점에 저 정도 수준의 구현이 가능하다면, 그간의 흐름에 비추어 볼 때 몇 개월 단위로 다음 버전이 등장할 가능성도 충분하다. 구글이 하지 않는다면 누군가 그 틈을 비집고 서비스를 내놓을 것이라는 쪽에 걸어볼 수도 있다. 그렇다면 현재의 눈높이로 개발업체 배불릴 시간에, HRD 담당자라면 학습 경험의 설계자로서 본연의 역할로 돌아가 학습 장면에서 어떻게 하면 AI를 활용해 학습 경험을 증폭시킬 수 있을지를 고민하는 것이 남는 장사가 될 것도 같다.

Anyway,

Hey, GOOGLE!!

Towards an AI-Augmented Textbook

Team, L., Wang, A., Iurchenko, A., Choudhury, A., Martín, A., Globerson, A., ... & Matias, Y. (2025). Towards an AI-Augmented Textbook. arXiv preprint arXiv:2509.13348.

이 연구를 3줄로 요약하면?

이 연구는 생성형 AI를 활용하여 기존 교과서를 개인화된 형태로 변환하는 'Learn Your Way' 시스템을 제시한다. 이 시스템은 학습자의 수준과 관심사에 맞춰 콘텐츠를 재구성하고 다양한 형태로 제공한다. 연구 결과, 'Learn Your Way'는 기존 디지털 리더기보다 학습 효과와 사용자 만족도에서 통계적으로 유의미한 향상을 보인다.

저자는 왜 이 연구를 진행했는가?

저자들은 전통적인 교과서가 모든 학습자에게 동일한 내용을 제공하는 'one-size-fits-all' 매체라는 근본적 한계를 가지고 있다고 본다. 생성형 AI 기술을 활용하면, 교과서를 학습자 개인의 필요에 맞게 확장 가능하게 조정할 수 있으며, 이를 통해 보다 풍부하고 개인화된 형태로 변환함으로써 학습 효과를 높일 수 있다는 잠재력에 주목하여 이 연구를 진행했다.

이 연구에서 중요하게 다뤄진 개념은?

다중 표현 (Multiple Representations): 동일한 학습 내용을 텍스트뿐만 아니라 오디오 강의, 내레이션이 포함된 슬라이드, 마인드맵 등 다양한 형태로 제공하는 것이다. 이는 여러 형태의 정보 인코딩을 연결하여 정신적인 개념 구조를 강화하는 장점이 있다.

개인화 (Personalization): 학습자의 학년 수준이나 스포츠, 음악과 같은 개인적 관심사에 맞춰 교과서 내용을 재구성하는 것이다. 이는 학습자가 새로운 지식을 기존의 개념 네트워크에 더 쉽게 연결하도록 하여 학습을 더 효과적으로 만드는 것을 목표로 한다.

저자는 어떤 방법을 사용했는가?

저자들은 'Learn Your Way'라는 실험적인 학습 시스템을 구현하여 연구를 진행한다. 이 시스템은 2단계 AI 생성 방식을 따른다.

텍스트 개인화 (Text Personalization): 먼저, 원본 텍스트를 학습자의 수준과 개인 관심사에 맞춰 재작성한다.

콘텐츠 변환 (Content Transformations): 그 후, 개인화된 텍스트를 기반으로 몰입형 텍스트(Immersive Text), 슬라이드, 오디오 강의, 마인드맵 등 다중적인 콘텐츠 뷰(view)를 생성한다. 또한, 학습 경험을 향상시키기 위해 내장된 질문(Embedded Questions)과 퀴즈 같은 평가 요소를 포함한다.

연구 효과 검증을 위해 교육 전문가들을 통한 교육학적 평가와 15-18세 학생 60명을 대상으로 한 무작위 통제 실험(randomized controlled trial)을 진행했다.

연구의 결과는?

교육학적 평가: 교육 전문가들은 'Learn Your Way'의 다양한 구성 요소가 교육적으로 높은 가치를 지니고 있다고 평가했으며, 전반적인 경험은 모든 평가 기준에서 0.90 이상의 높은 점수를 받았다.

학습 효과 연구: 무작위 통제 실험에서 'Learn Your Way'를 사용한 학생 그룹은 일반 디지털 리더기를 사용한 통제 그룹보다 학습 직후 평가와 3일 후 진행된 장기 기억 평가 모두에서 통계적으로 유의미하게 높은 점수를 받았다 (p=0.03). 또한, 설문조사 결과 'Learn Your Way' 사용자들은 학습 도구의 효과성, 즐거움, 향후 사용 의향 등 모든 항목에서 디지털 리더기 사용자보다 훨씬 긍정적으로 평가했다.

1. 서론 (Introduction)

전통적인 교과서는 모든 학습자에게 동일한 내용을 제공하는 ‘one-size-fits-all’ 매체라는 근본적인 한계를 가진다. 새로운 자료를 추가하거나 내용을 다른 방식으로 표현하려면 많은 사람의 노력이 필요하기 때문에, 확장 가능한 방식으로 개별 학습자에게 맞춰 조정하는 것이 불가능하다.

생성형 AI 시대에는 유연하고 개인화된 교과서라는 개념이 현실적으로 가능하다. 이 연구는 생성형 AI를 활용하여 교과서를 변형하고 증강시키는 접근법을 제시한다. 이를 통해 원본 콘텐츠의 무결성과 품질을 유지하면서 다중 표현(multiple representations)과 개인화(personalization)의 층을 더할 수 있다. 이 연구에서 구현한 시스템은 ‘Learn Your Way’라고 칭한다.

‘Learn Your Way’의 핵심 개념

'Learn Your Way' 시스템은 두 가지 핵심 개념을 기반으로 한다.

다중 표현 (Multiple Representations): 학습 자료를 오디오 강의, 내레이션이 포함된 슬라이드, 마인드맵 등 다양한 형태로 제공한다. 이는 서로 다른 방식으로 부호화된 정보 간의 연결을 만들어 정신적인 개념 구조를 강화하는 데 도움을 준다.

개인화 (Personalization): 학습자의 특성과 필요에 맞춰 학습 경험을 조정한다. 구체적으로, 학습자의 특정 속성을 기반으로 원본 교과서 내용을 다시 생성하고, 학습자의 진행 상황을 파악하고 피드백을 제공하기 위한 평가 기회를 생성한다.

이러한 과정에서 중요한 것은 생성된 콘텐츠가 원본 및 교육과정에 맞춰 충실하게 정렬되고, 교육적으로 효과적이며 매력적인 방식으로 제공되어야 한다는 점이다.

2. 개인화와 다중 뷰를 통한 교과서 증강 (Textbook Augmentation via Personalization and Multiple-Views)

생성형 AI의 4가지 기회

생성형 AI는 학습 콘텐츠 맥락에서 다음과 같은 네 가지 주요 기회를 제공한다.

첫째, 학습자가 관심을 갖는 어떤 자료에 대해서도 콘텐츠를 생성할 수 있다.

둘째, 학습자의 특정 속성과 필요에 맞춰 콘텐츠를 조정할 수 있다. 이는 인간 교육자가 개인화된 자료를 만드는 것보다 훨씬 빠르고 확장성이 높다.

셋째, 시각 자료나 오디오 기반 형식 등 학습 효과를 향상시키는 것으로 알려진 다양한 표현 방식을 생성할 수 있다.

넷째, 학습자가 스스로 진행 상황을 점검하고 조절할 수 있도록 맞춤형 형성 평가 요소를 생성할 수 있다.

2단계 변환 및 증강 접근법

연구에서 제시하는 교과서 변환 및 증강은 2단계 접근법을 따른다.

텍스트 개인화 (Text Personalization): 원본 자료를 학습자의 특정 개인 속성에 맞게 재작성한다.

콘텐츠 변환 (Content Transformations): 재작성된 자료를 기반으로 여러 가지 형태의 뷰(view)를 생성한다. 이를 통해 사용자는 상호 보완적인 표현들을 오가며 자신만의 학습 경로를 선택할 수 있다.

이 모든 변환 및 증강 과정은 별도의 미세 조정(fine-tuning) 없이 Gemini 2.5 Pro 모델을 직접적으로 활용하여 이루어진다.

2.1. 텍스트 개인화 (Text Personalization)

텍스트 개인화 단계에서는 원본 텍스트를 학습자에게 더 맞춰진 형태로 변환한다. 연구에서는 단순화를 위해 학년 수준(grade-level)과 개인적 관심사(personal interests)라는 두 가지 핵심 속성에 초점을 맞춘다.

학년 수준 개인화 (Personalization to Grade Level)

학습 자료를 학습자의 읽기 수준에 맞게 조정하는 것은 모든 변환의 기초가 되는 핵심적인 변환 과정이다. 텍스트는 해당 학년 수준의 플레시-킨케이드 등급(Flesch-Kincaid Grade, FKG)에 맞추는 것을 목표로 생성적으로 변환되며, 이 과정에서 내용의 사실성과 정보의 범위를 유지한다.

관심사 개인화 (Personalization to Interests)

'Learn Your Way' 시스템은 학습자에게 학년 수준과 더불어 개인적인 관심사(예: 스포츠, 음악, 음식)를 선택하도록 요청한다. 이 정보는 원본 텍스트를 재작성하여 내용을 더 공감하기 쉽게 만드는 데 사용된다. 이는 또한 새로운 지식을 학습자가 기존에 가지고 있는 개념 네트워크에 연결시켜 학습을 더 효과적으로 만드는 목적을 가진다. 생성형 AI를 통한 재작성은 텍스트의 특정 부분만을 선택하여 개인화된 버전으로 대체하는 집중적인 방식으로 이루어진다.

2.2. 콘텐츠 변환 (Content Transformations)

이전 단계에서 개인화된 텍스트는 학습 자료에 대한 다양한 '뷰(view)'를 제공하는 여러 콘텐츠 변환의 기반으로 사용된다. 모든 변환은 개인화된 텍스트를 기반으로 하므로, 결과물 역시 동일하게 개인화된다.

주요 콘텐츠 변환 유형

슬라이드 및 내레이션 (Slides and Narration): 핵심 자료를 간략하게 다루는 강의식 슬라이드 시퀀스를 생성한다. 또한, 슬라이드 내용을 단순히 읽는 것이 아니라 자연스럽고 보완적인 설명을 제공하는 선택적 내레이션도 함께 생성할 수 있다.

오디오-그래픽 강의 (Audio-Graphic lesson): 교사와 학생의 대화 형식으로 자료를 상세히 다루는 오디오-그래픽 형태의 강의를 생성한다. 두 AI 페르소나(교사, 학생)가 독립적으로 대화를 생성하여 실제 수업과 같은 경험을 제공하며, 오디오와 함께 핵심 개념 간의 관계를 보여주는 그래픽 표현이 동적으로 제시된다.

마인드맵 (Mind Maps): 정보를 계층적으로 구성하는 그래픽 표현을 생성한다. 사용자는 노드를 확장하거나 축소하며 개념 계층의 세부 수준을 조절할 수 있다.

2.2.1. 몰입형 텍스트 (Immersive Text)

다양한 변환 형태들은 원본의 전체 내용을 상세하게 설명하는 포괄적인 텍스트를 보완하기 위한 것이다. 이 핵심 텍스트에 개인화된 요소와 여러 양식을 결합한 것을 '몰입형 텍스트(Immersive Text)라고 한다. 텍스트의 각 섹션 뒤에는 학습 경험을 향상시키기 위한 여러 구성 요소가 선택적으로 포함된다.

몰입형 텍스트의 추가 구성 요소

타임라인 (Timeline): 역사적 사건이나 실험 단계와 같은 순서가 있는 정보를 시각적으로 전달하여 인지 부하를 줄인다. 생성된 타임라인은 사용자가 직접 항목을 드래그 앤 드롭하여 순서를 맞추는 상호작용적 연습에도 활용될 수 있다.

기억 보조 장치 (Memory Aid): 학습자가 사실을 암기하는 데 도움을 주기 위해 니모닉(mnemonics)과 같은 전략을 사용한다. Gemini를 사용하여 암기하기 어려운 요소를 식별한 후, 기억할 내용과 의미적으로 연관성이 높으면서도 외우기 쉬운 문장 형태의 니모닉을 즉석에서 생성한다.

시각적 삽화 (Visual Illustrations): 설명 다이어그램이나 그림과 같은 시각 자료를 생성한다. 일반적인 AI 이미지 생성 모델은 교육용 이미지를 만드는 데 어려움이 있어, 이 작업을 위해 특별히

미세 조정된(fine-tuned) 모델을 사용한다. 이 모델은 Gemini가 삽화가 필요하다고 식별한 텍스트 부분에 적용된다.

3. 연습 및 평가 (Practice and Assessment)

형성 평가는 학습의 주요 동인 중 하나로 간주되며, 이전에 논의된 자료의 다중 뷰(multiple views)를 보강하는 역할을 한다. 효과적인 학습 중 평가는 개념을 강화하고 지식 및 기술의 유지를 증가시키는 데 도움을 준다. 'Learn Your Way'는 이러한 관점에서 두 가지 평가 구성 요소를 '몰입형 텍스트(Immersive Text)' 내에 포함한다.

내장된 질문 (Embedded Questions): 원본 자료의 특정 부분과 연관되어 동적으로 생성되는 질문이다. 이러한 질문들은 수동적인 읽기 경험을 능동적으로 전환하고, 즉각적인 피드백을 제공하여 학습자의 참여를 유지하는 역할을 한다. 'Learn Your Way'에서는 학습자가 텍스트 내의 물음표 아이콘을 클릭하면 나타나는 객관식 질문 형태로 제공된다.

퀴즈 (Quizzes): 한 섹션을 읽고 내용을 습득한 후 더 깊은 이해를 목표로 한다. 퀴즈는 해당 섹션의 모든 자료를 기반으로 동적으로 생성되며, 다양한 난이도와 유형의 5-10개 객관식 질문으로 구성된다. 퀴즈가 끝나면 수치적 점수와 함께 강점(Glows)과 개선 영역(Grows)을 강조하는 맞춤형 피드백이 포함된 전반적인 평가가 제공된다.

4. 교육학적 평가 (Pedagogical Evaluations)

'Learn Your Way'에서 사용되는 다양한 증강 및 변환 구성 요소의 품질을 평가하기 위해, 여러 교육 전문가들에게 교육학적 루브릭(rubric)에 따라 각 구성 요소의 품질을 평가하도록 요청했다.

평가 방법

평가를 위해 사회학에서 물리학에 이르는 다양한 주제의 OpenStax PDF 10개를 원본 자료로 사용했다. 각 PDF는 3개의 학년 수준(7학년, 10학년, 학부생)과 3개의 개인적 관심사(농구, 음악, 음식) 조합 중 3개의 무작위 조합이 할당되었다. 이후 'Learn Your Way' 시스템을 통해 각 구성 요소(콘텐츠 변환, 몰입형 텍스트 구성 요소, 관심사 개인화, 평가 등)를 생성하여 전문가들에게 평가를 요청했다. 전문가들은 각 구성 요소를 정확성(Accuracy), 포괄성(Coverage), 인지 부하(Cognitive load), 동기 부여(Motivation & curiosity) 등 여러 기준에 따라 평가했다.

평가 결과

결과 요약에 따르면, 모든 구성 요소는 비교적 높은 교육적 가치를 보였으며, 전반적인 경험은 모든 축에서 0.90 이상의 점수를 받았다.

가장 낮은 점수를 받은 구성 요소는 '시각적 삽화(Visual Illustration)'였는데, 이는 고품질의 교육용 이미지를 생성하는 것이 어렵기 때문에 예상된 결과이다.

반면, '슬라이드' 형식은 모든 기능 중 '참여도(engagement)' 점수가 가장 낮았으나, 생성된 '내레이션이 있는 슬라이드'는 훨씬 더 높은 점수를 받았다. 이는 슬라이드가 종종 내레이션과 함께 제공될 때 학습자에게 더 매력적이라는 사실과 일치한다.

5. 효과 연구 설계 및 결과 (Efficacy Study Design and Results)

연구 설계

참가자 모집 (Student Recruitment): 시카고 지역의 도시, 교외, 농촌 학교에서 15-18세 학생 60명을 모집했다. 참가자들의 읽기 이해 능력을 유사하게 맞추기 위해 사전 평가를 통해 선별했다.

학습 자료 및 평가 (Learning Material and Assessment): 모든 학생은 '청소년을 위한 뇌 발달(Brain Development for Adolescents)'이라는 동일한 교과서 챕터로 학습했다. 학습 후, 교육 전문가가 작성한 두 가지 평가, 즉 학습 세션 직후에 실시하는 '즉시 평가(Immediate Assessment)'와 3일 후에 장기 기억을 측정하는 '유지 평가(Retention Assessment)'를 받았다.

실험 절차 (Experimental Setup): 참가자들은 무작위로 두 그룹 중 하나에 배정되었다.
. 실험 그룹: 'Learn Your Way'를 사용하여 학습한다.
. 통제 그룹: 표준 디지털 리더기(Adobe Acrobat Reader)를 사용하여 학습한다.
. 참가자들은 할당된 도구를 사용하여 최소 20분에서 최대 40분간 학습한 후, 즉시 평가를 완료하고 학습 도구에 대한 설문조사와 심층 인터뷰에 참여했다. 3일 후에는 이메일로 유지 평가를 받았다.

연구 결과

평가 점수 (Assessment Scores): 'Learn Your Way'를 사용한 학생들은 디지털 리더기를 사용한 학생들보다 즉시 평가와 유지 평가 모두에서 통계적으로 유의미하게 높은 점수를 받았다 (p=0.03).

학습 경험 설문조사 (Learning Experience Survey): 학습 경험에 대한 모든 측정 항목에서 'Learn Your Way'가 디지털 리더기에 비해 일관되게 더 긍정적으로 평가되었다. 예를 들어, '학습 도구가 평가에 자신감을 주었다'는 문항에 'Learn Your Way' 그룹은 100%가 동의했지만, 디지털 리더기 그룹은 70%만 동의했다.