top of page

Office for Students AI 평가 지침, 교과 과정에 압박

9분 전
10분 분량
Illustrative photograph. Photo: Matheus Bertelli / Pexels.

Office for Students는 잉글랜드 대학들에 인공지능 활용법을 계속 가르치는 한편, AI를 사용하지 않는 평가를 확대하라고 촉구하고 있다. 11월 11일 발표된 Office for Students AI 평가 지침은 점점 커지는 격차를 겨냥한다. 완성도 높은 과제물이 반드시 학생의 이해도를 보여주는 것은 아니다.

핵심 쟁점은 대학이 제출된 결과물로부터 무엇을 입증할 수 있느냐에 있다. 에세이는 채점 기준을 충족할 수 있지만, 작성자의 독립적 사고에 대해서는 거의 드러내지 않을 수 있다. 반대로 준비 과정에서 AI를 사용했다고 해서 학생이 학습을 회피했거나 평가 규정을 위반했다는 뜻은 자동으로 성립하지 않는다.

이전의 University of Reading 실험은 일반적인 채점만으로 AI 제출물을 식별하기가 어렵다는 점을 드러냈다. 이제 잉글랜드 규제기관은 학생 성취를 입증할 수 있는 평가를 설계할 책임을 교육기관에 부여한다. 이는 대학, 평가 소프트웨어 공급업체, 그리고 일관되지 않은 기대치 속에서 길을 찾아야 하는 학생들에게 압박을 가한다.

Office for Students AI 평가 지침, 학습 증거를 겨냥하다

규제기관의 개입은 AI를 허용하는 평가의 여지를 남기면서도, 성적의 근거가 되는 증거에 의문을 제기한다.

OfS는 11월 11일 Advance HE와 함께 기관별 AI 연구를 발표했다. 2026년 6월부터 9월까지 진행된 이 프로젝트에는 120곳이 넘는 교육기관의 학생 및 교직원 300명 이상과의 대화가 포함됐다.

조사 결과는 학생이 의도된 지식을 보여주지 않아도 AI가 완수할 수 있는 비감독 과제에 대한 우려를 설명한다. 참여자들은 학습에 도움이 되는 활용 사례와 평가 정책을 둘러싼 불확실성도 언급했다. 이러한 설명은 기관 차원의 문제를 지목하지만, 전국적인 부정행위 비율을 입증하지는 않는다.

널리 회자된 “거의 불가능하다”는 표현은 일부 영역에서 학생을 평가하는 데 대한 한 교직원 참여자의 우려를 반영한다. 이를 보편적 결론으로 받아들이면 중요한 단서들이 사라진다. 보고서는 모든 에세이가 AI로 생성됐거나 모든 교과 과정 성적이 가치 없다는 점을 입증하지 않는다.

함께 발표된 평가 준수 지침은 기존 품질 조건이 어떻게 적용되는지 설명한다. B1은 학업 경험, B2는 자원 및 지원, B4는 평가와 신뢰할 수 있는 학위를 다룬다.

지침은 필요한 경우 보안이 확보된 평가를 지지한다. 이러한 평가는 AI 사용을 막으며, 시험, 발표, 구술시험, 공연, 실습 과제 등을 포함한다. 또한 평가가 여전히 의도된 학습 성과를 측정한다면 AI 사용을 허용한다.

이 구분은 기관이 던져야 할 질문을 바꾼다. 대학은 단지 AI를 지지하거나 학문적 진실성에 전념한다고 선언해서 이 문제를 해결할 수 없다. 각 평가가 학생에 관해 무엇을 입증하는지에 대해 설득력 있는 설명이 필요하다.

학생들에게 정책 제안을 평가하도록 요구하는 가상의 경제학 과제를 생각해 보자. 설득력 있는 최종 에세이는 탄탄한 논증을 보여줄 수도 있고, 광범위한 도움의 결과일 수도 있다. 추가 증거가 없다면 채점자는 학생의 기여에 대해 불확실성을 마주한다.

글꼴을 바꾸거나, 선언문을 추가하거나, 학생들에게 부정행위를 상기시키는 것만으로는 그 불확실성이 해소되지 않는다. 이러한 조치는 기대치를 전달하지만, 성적을 뒷받침하는 증거를 반드시 강화하지는 않는다.

학생이 자신의 가정을 설명하도록 요구하는 평가는 다른 판단 근거를 만든다. 교수자는 왜 특정 모델을 선택했는지, 어떤 증거가 중요한지, 경쟁하는 설명을 어떻게 배제했는지를 살펴볼 수 있다.

따라서 Office for Students AI 평가 지침의 실질적 의미는 시험 형식을 넘어선다. 핵심 요구는 기관이 채점하는 결과물과 자신들이 인증한다고 주장하는 역량을 연결하는 것이다.

이 연결은 왜 교과 과정이 계속 논의 대상이 되는지도 설명한다. 장기 프로젝트는 조사, 수정, 지속적인 추론을 드러낼 수 있다. 과제는 그러한 강점을 유지하면서 완성된 결과물이 누구의 이해를 나타내는지 입증하는 데 있다.

대학은 성적이 실제로 무엇을 인증하는지 설명해야 한다

직접적인 압박은 학생 성취에 대한 증거가 약한 정책을 포함해, 자격을 수여하는 교육기관에 가해진다.

OfS는 평가의 질을 자신의 규제 책임과 연결했다. AI 평가 발표에서 OfS는 조건 부과, 금전적 제재, 자금 지원 제한을 포함해 기관의 실패에 대응할 수 있는 방안을 제시한다.

이는 규제 수단일 뿐, 이 보고서 때문에 특정 대학이 이미 제재를 받았다는 증거는 아니다. 경고는 집행 결과를 확정하지 않은 채 기대치를 설정한다는 점에서 이 구분은 중요하다.

OfS 전략 및 실행 책임자인 Josh Fleming은 AI를 사용하지 않는 평가를 더 폭넓게 활용해야 한다고 말했다. Advance HE 부최고경영자 Kathryn Harrison-Graves는 기관 차원의 방향성, 일관된 지침, 교직원과 학생을 위한 자원을 강조했다.

이러한 입장은 같은 문제의 서로 다른 부분을 다룬다. 통제된 평가는 개인의 수행 능력에 대한 신뢰를 강화할 수 있다. 기관 차원의 조율은 그러한 방식이 어디에 적합한지, 학과들이 이를 일관되게 실행할 수 있는지를 판단하는 데 도움이 된다.

대학 경영진에게 이러한 압박은 학문 부정행위 담당팀을 넘어선다. 평가 설계는 인력 배치, 수업 일정, 공간 이용 가능성, 접근성, 그리고 과목 목표와 최종 자격 간의 관계에 영향을 미친다.

구술시험에는 유용한 후속 질문을 할 자격을 갖춘 사람이 필요하다. 실습 과제에는 적절한 조건과 일관된 채점이 필요하다. 개편된 과제에는 성공적인 추론으로 간주할 기준에 대한 교수자들의 합의가 필요하다.

이는 보고서에서 측정된 비용이 아니라 실행상의 고려사항이다. 새로운 평가 정책을 채택하는 일보다, 그 정책이 대학 전반에서 작동한다는 점을 입증하는 일이 더 어려운 이유를 설명한다.

교수자에게도 이 변화는 채점의 역할을 바꾼다. 최종 답안을 읽는 일은 여전히 필요하지만, 신뢰는 점차 그 답안 주변에서 수집된 증거에 달려 있다.

교수자는 프로젝트와 학생이 핵심 결정을 설명하는 내용을 비교할 수 있다. 또 다른 교수자는 감독 세션 중 응용 과제를 평가할 수 있다. 어느 방식도 적절한 기준 없이는 공정성을 보장하지 않는다.

학생에게는 예측 가능성이 필수적이다. 수업 중 AI 지원 탐색을 장려하는 과목이라면 평가 대상 결과물의 경계를 설명해야 한다. 그렇지 않으면 학생들은 흩어진 발언과 일관되지 않은 사례에서 규칙을 추론해야 한다.

모두가 규정을 준수하려 해도 이러한 불확실성은 문제를 낳는다. 문법 보조, 자료 탐색, 논증 전개, 전체 초안 작성은 서로 다른 기여를 수반한다. AI를 책임 있게 사용하라는 단일 지침만으로는 이러한 차이가 해결되지 않는다.

고용주 역시 이해관계가 있지만, 보고서는 채용 관행이 어떻게 바뀔지를 입증하지 않는다. 자격은 졸업생의 역량에 관한 주장을 전달한다. 평가의 불확실성은 그 주장의 유용성을 약화시킨다.

중요한 구분은 수용 가능한 결과를 만들어내는 것과, 그것을 평가하는 데 필요한 판단력을 보유하는 것 사이에 있다. 많은 전문 업무는 둘 모두를 요구한다. 대학은 특정 성적이 어느 역량을 나타내는지 보여줘야 한다는 압박을 받고 있다.

기술 공급업체에도 시사점은 비슷하다. 과제물 제작을 가속하는 기능이 교육적 증거를 자동으로 강화하지는 않는다. 학습을 위한 제품의 유용성과 평가를 위한 적합성은 별도로 판단해야 한다.

AI 활용 능력과 독립적 역량에는 서로 다른 증거가 필요하다

학생은 AI와 효과적으로 협업하는 법을 배울 수 있지만, 여전히 AI 없이 이해를 입증해야 할 필요가 있다.

평가 목표를 명확히 하면 규제기관의 입장에 있는 겉보기 모순은 사라진다. 도구를 능숙하게 사용하는 것과 주제를 독립적으로 이해하는 것은 관련된 역량이지만, 서로 다른 증거를 요구한다.

가상의 프로그래밍 과목은 이 구분을 구체적으로 보여준다. 학생은 AI로 코드 제안을 받은 뒤 그 동작을 검토하고 보안 취약점을 찾아낼 수 있다. 이 과제는 생성된 결과물에 대한 판단력을 시험할 수 있다.

별도의 과제에서는 학생이 도움 없이 간단한 프로그램을 추적하도록 요구할 수 있다. 그 목적은 기초적인 이해를 입증하는 것이다. AI 지원 과제에서 성공했다고 해서 독립 과제에서도 성공했다는 뜻이 자동으로 성립하지는 않는다.

어느 과제도 전체 과목을 대표할 필요는 없다. 함께라면 완성도 높은 최종 프로그램만으로는 해결되지 않는 질문에 답할 수 있다.

이전 증거는 왜 이 구분이 주목받아야 하는지를 보여준다. 2024년 시험 침투 실험에서 University of Reading 연구진은 AI가 생성한 답안을 학부 심리학 시험에 제출했다.

대학은 94%가 탐지되지 않았고, 생성된 제출물이 실제 학생 제출물보다 평균적으로 더 높은 성적을 받았다고 밝혔다. 이 실험은 특정 시험 체계와 과목 맥락을 대상으로 했다.

이는 대학 전반의 현재 탐지율을 입증하지 않는다. 다만 일반적인 채점만으로 저자성이나 독립적 이해를 자동으로 입증할 수 없는 이유를 보여준다.

Reading의 실험과 OfS의 개입은 서로 다른 방향에서 이 문제에 접근한다. 실험은 제출된 답안이 기존 체계를 통과하는지를 시험했다. 규제기관은 교육기관에 자신의 평가 체계를 방어 가능하게 만들라고 요구한다.

이 변화는 서로 다른 성취 유형 간의 더 명확한 구분을 선호한다. AI 지원 보고서는 평가, 검증, 책임 있는 도구 활용을 보여줄 수 있다. 독립적인 설명은 학생이 그 뒤의 추론을 이해하는지 입증할 수 있다.

평가가 전문성의 외관에 보상할 때 긴장은 더 날카로워진다. 유창한 글쓰기, 정돈된 참고문헌, 자신감 있는 결론은 유용한 특성이 될 수 있다. 채점자가 이를 주제 지식의 충분한 증거로 간주할 때 오해를 낳는다.

모델은 사용자가 방어할 수 없는 그럴듯한 설명을 만들어낼 수 있다. 학생 역시 기저의 쟁점을 이해하면서도 어색한 문장을 쓸 수 있다. 평가는 어느 한쪽을 가정하지 않으면서 이러한 가능성을 구분해야 한다.

같은 구분은 교육 밖의 지식 노동자에게도 중요하다. AI가 생성한 요약은 정보를 검토하는 데 도움이 될 수 있지만, 그 결론을 받아들이려면 증거를 확인해야 한다.

개인 지식 관리를 살펴보는 독자에게 이 연결은 실용적이다. 사람들이 자료의 출처와 추론을 검토할 수 있을 때, 체계적으로 정리된 자료는 이해를 뒷받침한다.

그 관찰만으로 특정 소프트웨어가 성적을 높이거나 저작자를 검증한다는 사실이 입증되지는 않는다. 이는 학업과 전문 업무 전반에 걸친 공통의 문제를 보여 준다. 접근 가능한 정보와 신뢰할 수 있는 이해는 서로 다른 성취다.

따라서 규제 당국의 접근법을 가장 타당하게 해석하려면 두 가지 기대를 모두 지켜야 한다. 졸업생은 자신의 전공을 이해하고 AI에 관한 판단력을 길러야 한다. 평가 체계는 이러한 역량을 하나의 완성된 문서로 축소하지 않고 드러내야 한다.

시험으로의 회귀는 중요한 질문을 남긴다

더 통제된 평가는 개인의 수행에 대한 신뢰를 높일 수 있지만, 공정성이나 교육적 가치에 관한 모든 문제를 해결하지는 못한다.

감독이 이루어지는 시험은 외부 지원을 받을 기회를 제한한다. 그러나 그 과제가 가장 관련성 높은 역량을 측정한다는 사실을 자동으로 보장하지는 않는다.

연구 방법론 수업을 예로 들어 보자. 시간제한 시험은 학생이 연구 설계의 약점을 알아보는지를 평가할 수 있다. 장기 프로젝트는 학생이 질문을 설정하고 접근법을 수정할 수 있는지를 보여 줄 수 있다.

두 형태의 증거 모두 중요할 수 있다. 프로젝트를 완전히 대체하면, 대체 방식이 무단 AI 사용을 더 어렵게 만들더라도 수업이 측정하는 내용은 달라진다.

이는 광범위한 시험 회귀에 대한 가장 강력한 회의적 반론이다. 대학은 수정된 평가가 인증하려는 학습 성과를 유지한다는 증거를 제시해야 한다.

따라서 보안성과 타당성은 별도로 검토해야 한다. 보안성은 학생이 과제를 수행하는 조건에 관한 것이다. 타당성은 과제가 의도한 지식이나 기술을 측정하는지에 관한 것이다.

기관은 한쪽을 강화하면서 다른 쪽을 소홀히 할 수 있다. 엄격히 통제된 암기 시험은 장기간의 조사가 필요한 역량에 대해서는 제한적인 증거만 제공한다. 야심 찬 재택 프로젝트는 독립적 기여 여부를 불확실하게 남길 수 있다.

설계 문제는 이러한 한계 사이의 균형을 맞추는 일이다. 전통적 시험이 AI 시대의 평가 문제를 해결한다고 주장하면 과제를 지나치게 단순화하게 된다. 직장에서의 AI 사용이 독립적 평가를 불필요하게 만든다고 주장하는 것 역시 마찬가지로 근거 없는 비약이다.

접근성은 또 다른 제약을 더한다. OfS 지침은 장애 학생을 위한 합리적 조정을 인정하며, AI 탐지 결과에 과도한 비중을 두지 말라고 경고한다.

이러한 안전장치는 중요하다. 글쓰기 방식의 변화나 탐지기 점수만으로는 학생이 과제를 어떻게 완료했는지 설명할 수 없기 때문이다. 의혹 제기와 평가 판단에는 적절한 증거가 필요하다.

대학은 지원과 대체도 구분해야 한다. 논지를 발전시키면서 허용된 지원을 활용하는 학생은 자신이 설명할 수 없는 결과물을 제출하는 학생과는 다른 위치에 있다.

그 경계는 부분적으로 과제의 성격에 따라 달라진다. 언어 연습 중에는 허용될 수 있는 지원도 독립적인 글쓰기를 평가하기 위해 설계된 과제에서는 목적을 훼손할 수 있다. 일반적인 기관 규정에는 평가별 의미가 필요하다.

입증 책임을 학생에게 지나치게 전가할 위험도 있다. 초안 작성의 모든 행동에 대한 광범위한 기록을 요구하면, 이해를 입증하지 못한 채 문서만 늘어날 수 있다.

완전한 활동 이력도 여전히 해석이 필요하다. 학생이 도구와 상호작용했다는 사실은 보여 줄 수 있지만, 상호작용만으로 학습이 이루어졌는지는 알 수 없다.

이는 모든 기존 과제를 유지해야 한다는 이유가 아니라, 재설계를 신중하게 평가해야 하는 이유다. 기관은 각 구성 요소가 신뢰할 수 있는 판단에 어떤 기여를 하는지 설명해야 한다.

따라서 미해결 문제는 시험이 돌아오는지 여부보다 더 넓다. Office for Students의 AI 평가 지침은 대학이 선택한 평가 조합이 성취를 공정하게 측정한다는 점을 보여 줄 책임을 남긴다.

그 효과는 실행 증거에 달려 있다. 개정된 안내서는 더 강한 기대를 명시할 수 있지만, 그러한 기대가 실제로 충족되는지는 평가의 운영을 통해서만 알 수 있다.

학생들의 AI 활용 확산은 일률적 가정을 신뢰하기 어렵게 만든다

광범위한 AI 사용은 평가 과제의 규모를 보여 주지만, 개인의 행동과 학습 성과는 여전히 확정되지 않는다.

HEPI의 2026년 3월 학생 AI 설문조사는 유용한 맥락을 제공한다. Savanta가 2025년 12월에 실시한 이 조사는 영국의 전일제 학부생 1,054명의 응답을 수집했다.

조사에 따르면 95%가 어떤 방식으로든 AI를 사용했다고 답했으며, 94%는 평가 과제를 돕기 위해 생성형 AI를 사용했다고 답했다. 별도로 12%는 평가 과제에 AI가 생성한 텍스트를 직접 포함했다고 답했다.

이 범주는 서로 다른 행동을 측정한다. 평가 과제 지원에는 생성된 텍스트를 삽입하는 것보다 더 폭넓은 활동이 포함된다. 어느 수치도 그 자체만으로는 학생이 소속 기관의 규정을 위반했다는 사실을 입증하지 않는다.

또한 조사에서는 65%가 AI에 대응해 평가가 크게 바뀌었다고 답했다. 따라서 이는 11월 연구에서 제기된 우려와 함께, 이미 진행 중인 기관 차원의 적응에 대한 맥락을 제공한다.

이러한 결과는 AI 사용자와 독립적 학습자 사이의 단순한 구분을 약화시킨다. 학생은 AI를 사용하면서도 자료에 깊이 관여할 수 있다. 다른 학생은 유사한 도구를 활용해 자료에 관여하는 일을 피할 수 있다.

교육적 차이는 학생이 여전히 수행하는 작업에 있다. 설명을 요청하는 것은 생산적인 탐구의 시작이 될 수 있다. 검증하지 않고 설명을 받아들이면 그 탐구는 너무 일찍 끝날 수 있다.

가상의 역사 과제는 비슷한 행동이 어떻게 다른 결과를 낳을 수 있는지 보여 준다. 한 학생은 AI에게 해석을 제안해 달라고 요청한 뒤 이를 1차 문서와 비교할 수 있다.

다른 학생은 근거를 검토하지 않은 채 제안된 해석을 제출할 수 있다. 초기 도구 상호작용은 비슷해 보이지만, 성적의 근거는 달라진다.

그래서 도입 통계만으로는 평가 설계를 결정할 수 없다. 이는 기관이 AI를 얼마나 널리 접하는지는 보여 주지만, 특정 학생이 무엇을 배웠는지에 대해서는 제한적인 정보만 제공한다.

과제를 빠르게 끝내는 동료에 관한 보고에도 같은 주의가 적용된다. 이러한 사례는 조사할 가치가 있는 신뢰할 만한 우려를 보여 준다. 그러나 해당 행동이 교육 부문 전반에서 얼마나 자주 일어나는지는 측정하지 않는다.

따라서 기관에는 자체 수업에서 얻은 증거가 필요하다. 제출된 답안 중 어디에서 이해가 불확실하게 남는가? 어떤 평가 구성 요소가 그 불확실성을 해소하는가? 어떤 변화가 조사와 수정의 유익한 기회를 보존하는가?

이 질문들은 AI 제품 평가에도 중요하다. 공급업체는 자사 소프트웨어가 학습 문제를 생성하거나 문서를 요약한다고 시연할 수 있다. 그러나 그러한 시연만으로 독립적 수행의 향상이 입증되지는 않는다.

교육 분야 구매자는 제품 활동과 교육적 성취를 구분해야 한다. 빈번한 사용, 매력적인 결과물, 학생 만족도는 의사결정에 도움이 될 수 있지만, 입증된 학습과는 다른 질문에 답한다.

학생에게 실질적인 의미는 준비와 증명의 관계가 더 명확해진다는 것이다. 허용되는 경우 AI는 준비 과정에 참여할 수 있다. 평가는 여전히 수업이 길러 주겠다고 약속한 역량을 입증해야 한다.

대학에 이는 양방향의 일률적 가정을 버린다는 뜻이다. 광범위한 사용이 광범위한 부정행위를 입증하지 않으며, AI 친화적 정책이 평가의 신뢰성이 유지된다는 사실을 입증하지도 않는다.

평가 변화, 규제 증거, 교직원 지원을 주시해야 한다

다음 시험대는 대학이 재설계된 평가가 이전 방식보다 학습을 더 명확히 보여 준다는 점을 입증할 수 있는지 여부다.

향후 몇 달 동안 첫 번째로 주시할 신호는 평가별 변화다. 기관은 어떤 과제가 독립적 수행을 요구하는지, 어떤 과제가 AI를 허용하는지, 각 구성 요소가 무엇을 입증하는지를 설명해야 한다.

책임 있는 AI에 관한 일반적 발표는 진전을 보여 주는 증거로는 제한적이다. 개정된 과제, 명확한 기준, 그리고 그 목적에 관한 설명은 판단을 위한 더 확실한 근거를 제공할 것이다.

대학이 학생 기여에 관한 불확실성을 해소하면서 의미 있는 교과 과제를 보존한다면, 이 신호는 효과적인 적응의 근거를 강화할 것이다. 단순한 시험 증가는 교육적 질문을 열린 채로 남긴다.

두 번째 신호는 규제 당국이 기관의 증거를 어떻게 평가하는지다. 공개된 규제 후속 조치에서는 새로운 규제를 도입하기보다 기존 도구를 활용하겠다고 밝힌다.

OfS는 제안된 미래 품질 접근법에 따른 기대 사항도 제시한다. 이러한 기대는 최종 실행 일정이나 발표된 집행 결과와 구분되어야 한다.

충분한 증거가 어떤 모습인지에 대한 더 명확한 사례를 주시해야 한다. 기관은 특정 형식이 전통적으로 보이는지 여부에서 준수를 추론하기보다, 평가가 어떻게 성취를 입증하는지 이해할 필요가 있다.

증거 기반의 검토는 개입을 강화할 것이다. 학습을 검토하지 않은 채 눈에 보이는 제한에만 초점을 맞추면 변화가 자격의 질을 보호한다는 주장은 약해질 것이다.

세 번째 신호는 교직원을 위한 실질적 지원이다. Advance HE는 2027년 초 회원 기관을 위한 AI 중심 Change Academy를 발표했다.

그 중요성은 기관 차원의 계획이 수업 설계와 교육 실천까지 이어지는지에 달려 있다. 공동 원칙은 강사가 이를 실제 과제에 적용하고 학생에게 설명할 수 있을 때 유용해진다.

지원은 수업 전반의 기대도 연결해야 한다. 학생은 한 과제에서는 지원이 장려되고 다른 과제에서는 제한되는 이유를 이해해야 한다. 일관성은 어디서나 동일한 규칙이 아니라 명확한 교육적 목적에서 나온다.

Office for Students의 AI 평가 지침은 AI 정책을 성적의 신뢰성과 연결한다는 점에서 주목할 가치가 있다. 그 성공은 여전히 경험적 질문이다. 개정된 평가는 학생 성취에 관한 더 나은 증거를 제공하는가?

학생, 강사, 교육 분야 구매자에게 다음 단계는 발표 뒤에 있는 평가 세부 사항을 검토하는 일이다. 과제가 독립적으로 무엇을 입증하는지, 지원과 함께 무엇을 입증하는지, 그리고 그러한 판단이 어떻게 연결되는지를 물어야 한다.

도입 통계를 읽거나 새 도구를 평가할 때 유용한 구분을 유지해야 한다. AI 지원, 생성된 제출물, 부정행위, 취약한 학습은 서로 다른 것을 의미한다. 신뢰할 수 있는 대응에는 각각에 관한 증거가 필요하다.

대학이 접근법을 수정하는 동안 과제 규정을 채점 기준과 함께 읽어야 한다. 학생은 무엇을 충분히 이해하여 설명하고, 검증하고, 수행해야 하며, 평가는 실제로 그 역량을 어디에서 보여 주는가?

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page