Bar-Ilan University AI 에이전트, 학생들의 학습 공백 해소 지원… 교육은 여전히 교수진의 몫

Bar-Ilan University는 71개 강좌, 약 2,400명의 학생이 참여한 파일럿 이후 AI 학습 에이전트를 확대했다. 다만 학업 성과에 미친 영향에 관한 근거는 아직 제한적이다. Bar-Ilan University AI 에이전트는 승인된 강의 자료를 검색하고, 요약을 만들며, Moodle 안에서 연습 문제를 생성한다.

이처럼 통제된 설계는 학생들이 강의 노트를 공개 챗봇에 붙여넣는 방식과 이 프로젝트를 구분한다. 어떤 녹화본, 전사본, 프레젠테이션, 논문을 시스템에 넣을지는 교수진이 결정한다. 학생들은 이후 공개 웹이 아니라 강좌별 지식 기반에 질문한다.

이 차이는 동시에 프로젝트의 핵심적인 긴장도 낳는다. 에이전트의 출처를 제한하면 관련 없는 답변을 줄일 수 있지만, 정확한 설명이나 더 나은 학습을 보장할 수는 없다. 이제 Bar-Ilan은 편리한 정보 검색이 이해를 뒷받침하는지, 아니면 이해를 만들어내는 어려운 작업을 대체하는지를 보여줘야 한다.

Bar-Ilan University AI 에이전트, 소규모 파일럿을 넘어 확대

Bar-Ilan은 실험적 학습 보조 도구를 강좌 기반 AI의 더 폭넓은 시험으로 전환했다.

Microsoft의 보도된 도입 사례에 따르면, 이 대학은 2026년 2월 에이전트 파일럿을 시작했다. 초기 도입은 71개 강좌와 약 2,400명의 학생을 대상으로 했다.

Bar-Ilan은 2026/27학년도 첫 학기 동안 100개 강좌를 추가할 계획이다. 이는 시스템이 일부 적극적인 교수진의 실험을 넘어선다는 점에서 의미가 있다.

Tel Aviv 인근 Ramat Gan에 있는 이 대학의 학생 수는 2만 명이 넘는다. 확대 도입은 여전히 학교 전체의 일부에 해당하지만, 더 큰 운영 환경에서 시험할 기회를 만든다.

학생들은 강좌 활동에 이미 사용되는 학습관리시스템 Moodle을 통해 에이전트에 접속한다. 학생들이 별도의 학습 플랫폼을 새로 익힐 필요가 없다는 점에서, 익숙한 접점은 중요하다.

에이전트는 히브리어, 아랍어, 영어를 지원한다. 강좌 지식에는 녹화 강의, 전사본, 슬라이드, 학술 논문, 과제 및 교수진이 선택한 기타 자료가 포함될 수 있다.

학생은 교수가 특정 개념을 어디에서 다뤘는지 물을 수 있다. 에이전트는 관련 자료를 찾아 요약하고, 자기 점검을 위한 문제를 만들 수 있다.

이 기능은 결석 뒤 흔히 발생하는 문제를 겨냥한다. 한 번의 강의를 놓치는 일은 노트에 빈 페이지 하나가 생기는 것 이상이다. 이후의 내용은 해당 수업에서 소개된 정의, 사례, 논거에 의존하는 경우가 많다.

범죄학과 심리학을 전공하는 학부생 Yarden Shay는 Microsoft의 사례에서 이런 누적되는 공백을 설명했다. 그는 이전에는 하루 6~8시간의 새 강의를 소화하면서도 동료 학생들의 노트에 의존해야 했다.

Shay는 이제 에이전트로 강좌 자료를 복습하고 객관식 및 서술형 문제로 스스로를 점검한다. 그는 Microsoft에 강의 후 일일 학습 시간이 5~6시간에서 약 3시간으로 줄었다고 말했다.

이 보고는 구체적인 활용 사례를 제시하지만, 여전히 한 학생의 경험에 불과하다. 모든 참여자가 시간을 절약했거나 더 효과적으로 학습했다는 점을 입증하지는 않는다.

이 프로젝트는 최근 도입 사례가 시사하는 것보다 더 긴 역사를 갖고 있다. Bar-Ilan은 법학, 심리학, 물리학, 공학, 역사학 등을 포함한 분야에서 15개 강좌와 15명의 교수가 참여한 2024년 초기 파일럿을 발표했다.

초기의 보조 도구는 결석한 학업 과정을 따라잡아야 했던 예비군을 위해 개발된 도구에서 출발했다. 따라서 설계의 출발점은 자동 에세이 작성이 아니라 학습 연속성과 접근성이었다.

확대된 형태도 같은 목표를 반영한다. 이 에이전트는 독립적인 교육과정을 만들어내기보다, 교수들이 이미 승인한 자료를 학생들이 탐색하도록 돕는다.

이 시스템은 Azure AI Services와 Microsoft Copilot Studio를 사용한다. KPMG와 OpenApp가 개발에 참여했으며, Bar-Ilan의 교수진은 학술 콘텐츠를 제공하고 검토했다.

이 조합은 “에이전트”라는 표현이 암시할 수 있는 것보다 이 도입이 덜 자율적임을 보여준다. 소프트웨어는 학습 자료를 검색·요약하고 학습 활동을 생성하지만, 정보의 경계는 교수진이 정한다.

이러한 제한된 역할 때문에 이 프로젝트는 주목할 만하다. Bar-Ilan은 생성형 AI가 아는 범위를 제한함으로써 대학에서 유용하게 만들 수 있는지 시험하고 있다.

근거 기반 답변이 대학 AI 논의를 바꾸다

가장 강력한 특징은 제한 없는 지능이 아니라, 의도적으로 제한된 지식 기반이다.

범용 챗봇은 거의 모든 주제에 관한 질문에 답할 수 있다. 이러한 폭넓은 범위는 유용하지만, 특정 용어, 지정 읽기 자료, 논쟁적인 해석을 다루는 강좌에는 잘 맞지 않을 수 있다.

광범위한 모델은 다른 관할권을 바탕으로 법률 개념을 설명할 수 있다. 교수가 한 번도 지정하지 않은 이론을 강조하거나 오래된 정의를 제시할 수도 있다.

반면 Bar-Ilan의 에이전트는 검색 기반 그라운딩을 사용한다. 이 과정은 선택된 출처 자료를 언어 모델에 제공해 응답이 해당 자료를 더 밀접하게 따르도록 한다.

Microsoft의 그라운딩 제어 기능은 개발자가 에이전트를 지정 파일 및 기타 지식 출처에 연결할 수 있도록 한다. 개발자는 에이전트가 일반적인 모델 지식을 사용할지 여부도 결정할 수 있다.

Microsoft는 Bar-Ilan의 구현이 교수진이 업로드한 자료만을 기반으로 한다고 설명한다. 따라서 이 에이전트는 독립적인 온라인 튜터라기보다 각 강좌를 위한 대화형 인터페이스에 가깝다.

이 접근 방식은 관련성을 높이지만, “근거 기반”이라고 해서 오류가 없다는 뜻은 아니다. 모델은 여전히 문단을 부정확하게 요약하거나, 서로 다른 개념을 합치거나, 근거 없는 확신으로 불확실성을 표현할 수 있다.

출처의 품질도 결정적이다. 간결한 슬라이드는 실시간 강의에서는 효과적인 단서가 될 수 있지만, 자동화된 설명에 필요한 맥락을 충분히 제공하지 못할 수 있다.

강사 Eliyahu Biton은 의료법과 윤리 강좌를 준비하면서 이 한계를 마주했다. 그는 슬라이드의 핵심 문구를 확장하고, 상세 논문을 추가하며, 강의 전사본을 제공하고, 답변을 반복적으로 시험했다.

그의 경험은 매끄러운 학생 인터페이스 뒤에 숨은 작동 방식을 드러낸다. 교수자가 암묵적인 교실 지식을 명시적이고 기계가 읽을 수 있는 자료로 전환한 뒤에야 에이전트는 유용해진다.

이는 개인 지식 관리에서 익숙한 과제다. 검색 품질은 질문이 도착하기 전에 정보가 얼마나 명확하게 기록되고, 정리되고, 연결됐는지에 달려 있다.

학생에게 통제된 자료 집합은 또 다른 장점을 제공한다. 요약은 관련 없는 웹사이트에서 정의를 끌어오는 대신 교수의 수업 진행 순서와 일관성을 유지할 수 있다.

이런 일관성은 학생이 제2언어로 학습할 때 특히 도움이 될 수 있다. 또한 녹화 영상, 슬라이드 자료, 읽기 자료, 동료 학생의 노트 사이를 오가는 시간을 줄일 수 있다.

3개 언어 인터페이스는 접근성을 높이지만, 현재 공개된 보도는 히브리어·아랍어·영어 간 답변 품질을 비교하지 않는다. 번역과 다국어 검색은 여전히 중요한 검증 영역이다.

강좌 기반 그라운딩은 교수자가 오류를 평가하는 방식도 바꾼다. 답변이 잘못돼 보일 때, 승인된 출처 자료를 살펴보고 문제가 콘텐츠에서 시작됐는지 모델에서 비롯됐는지 판단할 수 있다.

공개 챗봇은 통제력이 더 낮다. 그 답변은 학습 데이터, 실시간 웹 결과, 사용자 업로드, 시스템 지침 또는 여러 출처가 혼합된 결과를 반영할 수 있다.

Bar-Ilan의 접근 방식은 교수진에게 더 작은 오류 범위를 제공한다. 그렇다고 오류 가능성이 사라지는 것은 아니다.

이 차이는 학생들이 도구를 사용하는 방식을 이끌어야 한다. 에이전트는 강좌 지식을 찾고 연습하는 데 도움을 줄 수 있지만, 논쟁의 여지가 있는 답변은 여전히 교수자나 권위 있는 읽기 자료를 통해 확인해야 한다.

이 설계는 교육 AI에 관한 흔한 오해도 피한다. 더 많은 정보가 언제나 목표인 것은 아니다.

학생들은 이미 녹화 강의, 슬라이드, 논문, 온라인 데이터베이스를 갖고 있다. 문제는 혼란스러운 순간에 적절한 설명을 찾는 데 있는 경우가 많다.

강좌 기반 에이전트는 정보에 접근하는 인터페이스를 바꾼다. 그것이 학습을 바꾸는지는 검색 이후 학생들이 어떻게 반응하는지에 달려 있다.

AI 조교는 절약하는 시간보다 먼저 더 많은 업무를 만든다

AI 조교는 반복 질문에 답하는 교수진의 노력을, 재사용 가능한 강좌 지식을 준비하고 감독하는 일로 전환한다.

Bar-Ilan 프로젝트는 학생 편의성을 중심으로 자주 설명되지만, Biton의 준비 과정은 제도적 비용을 보여준다. 효과적인 에이전트를 만들려면 오래된 슬라이드 폴더를 올리는 것만으로는 부족하다.

교수진은 녹화본을 검토하고, 전사본을 정리하고, 축약 표현을 풀고, 모순을 해결하며, 오래된 읽기 자료를 식별해야 한다. 또한 학생들이 물을 가능성이 높은 질문을 시험해야 한다.

이 작업은 새로운 강좌 자료를 만드는 일과 닮아 있다. 차이는 학생들이 고정된 문서를 따라가는 대신 대화를 통해 자료를 탐색할 수 있다는 점이다.

Biton에게 이 투자는 일상적이고 행정적인 질문을 줄이는 데 도움이 된 것으로 보인다. 그는 학생들이 시험 전 덜 불안해 보였다고도 전했다.

학생들은 과거 문제에만 의존하지 않고 에이전트에 새 모의시험을 만들도록 요청할 수 있다. 정답 또는 오답의 이유를 설명하는 즉각적인 피드백도 받는다.

이 활용 방식은 시스템을 수동적 요약을 넘어선 단계로 옮긴다. 검색은 정보를 찾고, 생성된 퀴즈는 학생들에게 기억하고 적용하도록 요구한다.

학생이 실제로 답을 시도할 때 연습은 학습을 지원할 수 있다. 반대로 즉시 해답을 요청하고 알아보는 것을 숙달로 착각하면 효과는 줄어든다.

따라서 AI 조교에는 의도적인 제약이 필요하다. 학습자의 노력을 유도하고, 근거를 보여주며, 모호한 질문은 인간 교수자에게 연결해야 한다.

이 모델에서 강사의 역할은 바뀌지만 사라지지는 않는다. 교수진은 과목 교육과 에이전트를 둘러싼 정보 환경 모두에 책임을 지게 된다.

Biton은 변화하는 자신의 역할이 멘토링에 더 집중하게 됐다고 설명했다. 그는 더 깊은 토론을 위해 매년 4~6회, 90분짜리 세션을 계속 진행한다.

이런 만남은 검색 시스템이 안정적으로 재현할 수 없는 것을 보존한다. 교수자는 학생의 추론을 살피고, 가정에 도전하며, 미처 예상하지 못한 혼란에 맞춰 대응할 수 있다.

이러한 업무 분담은 대체 서사보다 더 설득력 있다. 에이전트는 반복적인 접근 및 연습 과제를 처리하고, 강사는 판단과 지적 성장을 맡는다.

다만 이 방식은 교수진에게 불균등한 부담을 줄 수 있다. 방대한 디지털 자료를 가진 강사는 토론, 실험실 수업, 변화하는 현장 조사를 중심으로 가르치는 사람보다 에이전트를 더 쉽게 준비할 수 있다.

강좌 설계도 적합성에 영향을 준다. 사실 정보가 많은 입문 모듈은 해석과 이견을 중심으로 구성된 세미나보다 더 명확한 그라운딩 자료를 제공한다.

따라서 대학은 에이전트 준비 상태를 교육 품질의 대리 지표로 취급하지 않아야 한다. 훌륭한 수업 가운데 일부는 재사용 가능한 대규모 문서 아카이브를 만들지 않는다.

유지 관리도 비용이다. 법률은 바뀌고, 연구는 발전하며, 강사는 자신의 논지를 수정한다. 작년에 신뢰할 수 있었던 파일에 근거한 답변도 오늘은 틀릴 수 있다.

모든 강좌에는 업데이트에 대한 책임 규칙이 필요하다. 누군가는 녹화본이 언제 만료되는지, 전사문이 정확한지, 읽기 자료의 어떤 버전이 권위 있는지 결정해야 한다.

교수진에게도 에이전트가 어려움을 겪는 지점을 확인할 방법이 필요하다. 반복적으로 답변되지 않는 질문은 누락된 콘텐츠, 혼란스러운 안내, 또는 강좌 구조의 취약점을 드러낼 수 있다.

이러한 피드백 순환은 의미 있는 기관 차원의 이점을 제공한다. 개별 학생들이 조용히 다른 곳을 검색할 때는 보이지 않던 공백을 에이전트가 드러낼 수 있다.

다만 분석 데이터는 신중하게 다뤄야 한다. 학생의 질문은 학업상 어려움, 건강 문제, 정치적 신념 또는 민감한 개인적 상황을 드러낼 수 있다.

기관은 누가 대화를 열람할 수 있는지, 로그가 얼마나 오래 보관되는지, 상호작용이 평가에 영향을 미치는지를 명시해야 한다. 현재 공개된 보고 자료는 이러한 세부 사항을 제공하지 않는다.

AI 교육 조교의 신뢰성은 브랜딩이 아니라 거버넌스를 통해 형성된다. 인터페이스는 단순해 보일 수 있지만, 운영 모델에는 콘텐츠 소유권, 검토 절차, 개인정보 보호 통제, 그리고 인간 담당자에게의 이관이 필요하다.

강좌 기반 AI가 개방형 챗봇에 가하는 압력

핵심 경쟁은 기관이 통제하는 강좌 에이전트와 학생들이 이미 교수진의 감독 없이 사용하는 개방형 챗봇 사이에서 벌어진다.

대학은 모든 학생이 범용 챗봇을 참고하는 일을 현실적으로 막을 수 없다. 실질적인 문제는 더 나은 학업용 대안을 제공할 수 있는지다.

강좌별 에이전트는 관련성과 신뢰를 바탕으로 경쟁한다. 지정 자료를 이해하고 특정 수업에서 쓰이는 어휘를 반영할 수 있다.

공개 챗봇은 범위와 편의성을 바탕으로 경쟁한다. 외부 사례를 제시하고, 경쟁하는 이론을 비교하며, 정식 강의계획서 밖의 질문에도 답할 수 있다.

어느 쪽도 자동으로 승리하지는 않는다. 개방형 시스템은 근거 없는 주장을 할 위험이 있고, 폐쇄형 시스템은 불완전하거나 편향된 강좌 자료를 재생산할 위험이 있다.

Bar-Ilan의 전략은 일상적인 학습 지원에 폐쇄형 방식을 우선한다. 학생들은 여전히 강사와 더 폭넓은 자료를 참고할 수 있지만, 에이전트는 승인된 학문적 경계 안에서 출발한다.

다른 대학들은 더 광범위한 방식을 시험하고 있다. Arizona State University는 대학 전체 AI 프로그램을 통해 ChatGPT Edu를 교육, 연구, 운영에 통합했다.

이 모델은 대학의 여러 기능 전반에서 실험을 장려한다. Bar-Ilan의 구현은 가장 눈에 띄는 학생 활용이 Moodle 안의 특정 강좌 저장소에 집중되어 있어 더 좁은 범위다.

초기의 캠퍼스 챗봇은 다른 경로를 택했다. Georgia State University의 Pounce는 등록, 재정 지원, 수강 신청에 관한 질문에 답하는 것으로 시작했다.

Georgia State는 이후 강좌 메시지를 시험했으며 정치학 수업에서 성과가 개선됐다고 보고했다. 해당 대학의 챗봇 연구는 메시지를 받은 1세대 대학생 참여자들이 동료보다 기말 성적에서 약 11점 더 높은 점수를 받았다고 밝혔다.

Pounce는 주로 시의적절한 알림과 행정 지원의 가치를 보여줬다. Bar-Ilan의 AI 학습 에이전트는 강의와 읽기 자료의 내용을 더 직접적으로 다룬다.

이 사례들은 이 분야가 어떻게 변화했는지를 보여준다. 캠퍼스 챗봇은 한때 미리 정의된 질문에 답하거나 알림을 보냈다. 더 새로운 시스템은 비정형 학술 자료를 바탕으로 설명, 요약, 평가를 생성한다.

이 전환은 유용성과 위험을 모두 키운다. 수강 신청 마감일에는 하나의 정답이 있지만, 법률 또는 역사 질문은 여러 해석을 뒷받침할 수 있다.

강좌 기반 접근은 근거의 범위를 좁혀 도움을 준다. 제공된 자료와 안내가 그 선택을 명확히 하지 않는 한, 어떤 해석을 강조해야 하는지는 결정할 수 없다.

따라서 개방형 챗봇에 가해지는 압력은 원시 모델 지능에 관한 것이 아니다. 더 나은 맥락을 갖춘 더 안전한 기본값을 기관이 만들 수 있는지에 관한 문제다.

학생들에게도 그 경계는 명확해야 한다. 에이전트가 승인된 출처만으로 답한다면, 해당 출처에 답이 없을 때 이를 밝혀야 한다.

충분한 근거 없는 자신감 있는 답변은 기반 설정의 목적을 무너뜨릴 것이다. 유용한 시스템은 때때로 강좌 자료가 충분하지 않다고 말할 수 있어야 한다.

같은 이유로 인용 방식도 중요하다. 학생들은 생성된 요약에서 그 근거가 된 강의 구간, 슬라이드 또는 읽기 자료로 이동할 수 있어야 한다.

이러한 추적 가능성이 없다면 에이전트는 학생들이 신뢰해야 하는 또 하나의 권위가 된다. 추적 가능성이 있다면 에이전트는 주요 강좌 자료로 돌아가는 지도의 역할을 할 수 있다.

이 설계는 더 건강한 학습 패턴을 뒷받침한다. 학생은 방향을 묻고, 근거를 확인한 뒤, 원자료를 직접 검토할 수 있다.

대안은 압축된 답변에 의존하는 것이다. 빠른 요약은 이견을 숨기고, 맥락을 제거하며, 어려운 개념이 이미 결론 난 것처럼 보이게 할 수 있다.

기관은 실제로 어떤 패턴이 형성되는지 측정해야 한다. 사용량만으로는 생산적인 탐구와 답변 외주를 구분할 수 없다.

Bar-Ilan의 확장은 다양한 학문 분야에서 이러한 행동을 평가할 기회를 제공한다. 결과는 대화 수보다 더 중요할 것이다.

초기 결과는 유망하지만 결코 결정적이지 않다

공개된 근거는 도입 현황과 고무적인 일화를 보여줄 뿐, 에이전트가 대규모로 학습을 개선한다는 증거는 아니다.

Microsoft의 설명은 여러 긍정적 신호를 제시한다. Shay는 학습 시간이 짧아지고 자립성이 높아졌다고 보고했으며, Biton은 일상적인 질문이 줄고 학생들이 더 차분해졌다고 관찰했다.

Biton은 약 50명의 학생 가운데 평균 기말 점수가 이전 몇 년보다 3%포인트 높았다고도 말했다. 다만 해당 학습 집단 자체가 더 강했을 수 있다는 점을 인정했다.

이 단서는 필수적이다. 연도 간 비교만으로는 교육 방식의 변화, 시험 난이도, 학생 구성 또는 일반적인 변동과 에이전트의 효과를 분리할 수 없다.

해당 배포에는 공개적으로 보고된 대조군도 없다. 에이전트를 사용하지 않은 비교 가능한 학생들이 없다면 점수 차이는 인과 관계라기보다 시사점에 머문다.

자기 보고식 시간 절감도 비슷한 주의가 필요하다. 학습 시간 단축은 효율성을 의미할 수 있지만, 전체 강의와 읽기 자료에 대한 참여 감소를 의미할 수도 있다.

연구자들은 시간 경과에 따른 기억 유지, 전이, 시험 성과, 학생 행동을 비교해야 한다. 즉각적인 만족도만으로는 더 깊은 학습이 이뤄졌는지 판단할 수 없다.

에이전트의 퀴즈 기능은 또 다른 측정 문제를 제기한다. 무제한 연습 문제 생성은 준비에 도움이 될 수 있지만, 문제들이 강좌 목표를 정확히 반영할 때만 그렇다.

부실한 문제는 피상적인 암기를 보상할 수 있다. 유사한 생성 문항에 반복 노출되면 유연한 이해 없이도 자신감이 생길 수 있다.

안전, 법률, 건강 또는 논쟁적인 근거를 다루는 분야에서는 교수진의 검토가 특히 중요해진다. 답변 대부분이 정확하더라도 미묘한 오류 하나가 학생들을 오도할 수 있다.

개인정보 보호는 공개된 설명에서 여전히 해결되지 않은 영역이다. Microsoft는 에이전트가 Bar-Ilan의 안전한 Azure 환경 안에서 운영된다고 말하지만, 이 설명이 모든 데이터 관행을 설명하지는 않는다.

독자들은 여전히 보존 기간, 접근 권한, 모델 개선, 감사, 삭제에 관한 세부 사항을 알아야 한다. 기관은 강사가 개별 질문을 볼 수 있는지도 설명해야 한다.

UNESCO의 교육 지침은 데이터 보호, 인간 감독, 윤리적 검증, 교육학적 설계를 강조한다. 이러한 원칙은 소프트웨어가 기관의 클라우드 환경에서 실행될 때도 적용된다.

학문의 자유는 별도의 우려를 제기한다. 중앙화된 플랫폼은 지원을 표준화할 수 있지만, 각 강사는 자신의 과목이 어떻게 표현되는지 통제할 수 있어야 한다.

학생들에게도 잘못된 답변에 이의를 제기할 명확한 방법이 필요하다. 문제를 보고하는 일은 간단해야 하며, 수정 사항은 영향을 받은 모든 사람에게 전달돼야 한다.

접근성은 가정이 아닌 직접적인 평가를 받아야 한다. 다국어 접근은 가치 있지만, 언어, 문서 형식, 음성 전사의 품질에 따라 성능은 달라질 수 있다.

녹화 강의에는 자동 전사 시스템이 잘못 인식할 수 있는 전문 용어, 억양, 수식 또는 이름이 포함될 수 있다. 기반 자료에 충실한 에이전트라도 부정확한 전사문을 충실히 검색할 수 있다.

학문 분야 전반의 적용 범위는 추가적인 한계를 드러낼 수 있다. 텍스트 중심 강좌는 스튜디오 작업, 실험실 기법, 음악 연주 또는 임상 판단보다 시스템에 더 자연스럽게 맞는다.

형평성에도 두 측면이 있다. 언제든 이용할 수 있는 조교는 직장, 돌봄 책임, 군 복무, 질병 또는 언어 장벽이 있는 학생들에게 도움이 될 수 있다.

하지만 프롬프트 작성 능력이 뛰어난 학생들은 더 큰 가치를 얻을 수 있다. 다른 학생들은 유창한 답변을 언제 의심해야 하는지, 또는 뒷받침 근거를 요청해야 하는지 모를 수 있다.

대학은 이러한 기술을 명시적으로 가르쳐야 한다. AI 리터러시 없이 학생에게 AI 에이전트를 제공하는 것은 사용자에게 지나치게 많은 책임을 넘기는 일이다.

기관의 과도한 확장 위험도 있다. 일단 플랫폼이 구축되면 행정 담당자들은 이를 학급 규모를 늘리거나 인간 지원을 줄이는 방법으로 볼 수 있다.

현재 Bar-Ilan 관련 설명은 그러한 계획을 주장하지 않는다. 그럼에도 프로젝트의 가치는 Biton과 Shay가 설명한 강사-에이전트 관계를 보존하는 데 달려 있다.

따라서 가장 안전한 해석은 제한적이다. Bar-Ilan은 강좌 기반 에이전트가 수십 개 강좌에서 운영되며 그럴듯한 학습 과제를 지원할 수 있음을 보여줬다.

그러나 이 시스템이 성적, 기억 유지, 비판적 사고 또는 장기 지식을 일관되게 개선한다는 점은 아직 보여주지 못했다. 다음 단계는 이러한 기준을 따라야 한다.

다음 100개 강좌가 입증해야 할 것

확장은 학습 근거, 답변 품질, 그리고 지속적인 교수진 참여 순으로 평가돼야 한다.

첫 번째 신호는 비교 가능한 학업 성과다. Bar-Ilan은 이전 성취도와 강좌 차이를 고려한 뒤, 에이전트 사용자가 공통 평가에서 향상되는지 살펴봐야 한다.

가장 강력한 평가는 기말 성적 이상을 측정하면서 유사한 집단을 비교하는 방식이다. 지연 평가를 통해 학생들이 시험 기간 이후에도 지식을 유지하는지 확인할 수 있다.

결과는 활동별로도 분리해야 한다. 강의 구간 검색, 요약 읽기, 생성된 퀴즈 완료는 교육 효과가 서로 다른 행동이다.

더 나은 성과가 수동적인 요약이 아니라 능동적인 연습 뒤에 나타난다면, Bar-Ilan은 질문과 회상을 중심으로 에이전트를 재설계할 수 있다. 그러한 결과는 프로젝트의 학습 효과 근거를 강화할 것이다.

측정 가능한 개선 없이 사용량만 증가한다면, 에이전트는 여전히 편의성을 제공할 수 있다. 하지만 이를 더 나은 교육의 증거로 제시해서는 안 된다.

두 번째 신호는 답변의 신뢰성이다. 대학은 사실 검색, 종합, 모호한 질문, 누락된 정보, 다국어 응답을 포괄하는 반복 가능한 평가 세트가 필요하다.

교수진은 배포 전과 학기 전체에 걸쳐 강좌 자료를 기준으로 답변을 평가해야 한다. 오류 범주는 잘못된 검색, 결함 있는 생성, 결함 있는 출처 콘텐츠를 구분해야 한다.

시스템은 적절한 답변 거부도 기록해야 한다. 근거 없는 질문을 거부하는 에이전트는 모든 질문에 답하도록 최적화된 에이전트보다 더 안전할 수 있다.

추가 100개 강좌로의 확장은 훨씬 더 까다로운 시험을 제공할 것이다. 세심하게 준비된 법학 강좌에서 효과적인 방법이 방정식, 도표, 실험실 절차 또는 해석적 논쟁에서는 어려움을 겪을 수 있다.

공개된 오류율은 학생과 강사가 신뢰 수준을 조정하는 데 도움이 될 것이다. 결과가 강좌 승인과 수정에 활용된다면 내부 보고만으로도 배포 결정을 개선할 수 있다.

세 번째 신호는 새로움이 사라진 뒤에도 이어지는 교수진의 참여다. AI 학습 에이전트를 준비하려면 일회성 기술 연결이 아니라 지속적인 편집 작업이 필요하다.

바르일란은 강사진이 자료를 준비하고, 답변을 확인하며, 보고에 응답하고, 출처를 업데이트하는 데 얼마나 많은 시간을 쓰는지 추적해야 한다. 또한 그러한 비용이 이후 학기에는 줄어드는지도 물어봐야 한다.

높은 참여율은 이 워크플로가 그 노력에 상응할 만큼 충분한 가치를 창출한다는 점을 시사할 것이다. 반대로 교수진의 이탈은 시스템이 개별 강사에게 과도한 유지보수 부담을 전가한다는 뜻일 수 있다.

지원 팀은 기록 수정, 콘텐츠 템플릿, 평가 도구, 명확한 거버넌스를 통해 그 부담을 줄일 수 있다. 다만 학문적 의미에 관한 결정에서 강사를 배제해서는 안 된다.

학생들도 같은 수준의 투명성을 누릴 자격이 있다. 각 과정은 에이전트가 무엇을 알고 있는지, 무엇을 기록하는지, 그리고 어떤 과제가 여전히 적합하지 않은지를 설명해야 한다.

학습 동반자는 학생들을 근거와 성찰로 이끌어야 한다. 강의, 읽기 자료, 대화를 대체하는 보이지 않는 지름길이 되어서는 안 된다.

이미 자신만의 학습 시스템을 구축하는 학생들은 구조화된 학생 지식 허브를 활용해 노트와 출처를 연결할 수도 있다. 원칙은 동일하다. 정리는 사고를 지원해야 하며, 사고를 대신해서는 안 된다.

바르일란대학교의 AI 에이전트는 대학 내 AI의 책임성을 높이려는 신뢰할 만한 시도다. 승인된 출처, Moodle 통합, 교수진 감독은 제한 없는 챗봇보다 더 탄탄한 기반을 만든다.

다음 단계에서는 접근성을 축하하기보다 결과를 검증해야 한다. 학생들은 더 많이 기억하는가? 출처를 더 신중히 검토하는가? 요약에 의존하지 않고 결석한 수업 내용을 따라잡을 수 있는가?

이 질문들에 대한 답이 교과 과정 기반 에이전트가 지속 가능한 학술 인프라가 될지를 결정할 것이다. 유사한 시스템을 검토하는 대학들은 배포 자체를 성공으로 간주하기 전에, 다음 100개 과정에서 나올 근거를 지켜봐야 한다.