대규모 언어모델(LLM) 기반 인공지능(AI) 튜터는 교육 지원의 확장성을 제공하지만, 개별 학습자에 대한 맞춤형 지원에는 한계가 있었습니다. 최근 연구에서는 이러한 문제를 해결하기 위해 프롬프트 엔지니어링 접근 방식을 제안했습니다. 이 연구는 일반적인 AI 튜터가 학습자의 특성을 반영하여 더욱 유연하고 실시간으로 개인화된 교육 경험을 제공할 수 있음을 보여줍니다.
이 프레임워크는 학습자의 자기 평가(self-assessment), 추상 선호도(abstraction preference), 상세 선호도(verbosity preference), 지각 방향(perceptual orientation), 정보 처리 방식(information processing style), 이해 수준(level of understanding) 등 6가지 차원을 활용합니다. 이를 통해 총 96가지의 고유한 학습자 프로필을 생성하며, 학생의 질문은 블룸의 분류학(Bloom's Taxonomy)을 사용하여 인지적 복잡도를 평가합니다. 이러한 학습자 속성과 인지 평가는 구조화된 프롬프트(structured prompts)로 인코딩되어, 별도의 모델 재훈련 없이 LLM의 응답을 조절합니다. 초기 실험과 5명의 참가자를 대상으로 한 인간 연구(human study) 결과, 개인화 조건에 따라 응답 스타일과 구조에 인지할 만한 차이가 있었으며, 특정 학습자 특성이 측정 가능한 응답 변화와 연관되어 있음을 확인했습니다.
이 연구는 프롬프트 기반 개인화가 LLM 기반 교육 에이전트의 적응형 행동을 지원할 수 있다는 예비 증거를 제공합니다. 이는 AI 튜터가 단순히 정보를 제공하는 것을 넘어, 개별 학습자의 필요와 선호도에 맞춰 교육 경험을 동적으로 조절할 수 있는 가능성을 열어줍니다. 결과적으로, 교육 기술(EdTech) 분야에서 AI의 역할이 더욱 정교해지고, 학습 효과를 극대화하는 방향으로 발전할 수 있음을 시사합니다.