01 2025. 05호

디지털 인재 양성을 위한 맞춤형 교원 연수 지원 챗봇 개발

작성자 | SW·AI인재양성팀 김종범 선임연구원 편집 | 정책기획실 발행 | 한국과학창의재단

3. 맞춤형 인공지능 챗봇 서비스 개발

1) 데이터의 수집과 가공 2) GPTS 세팅 및 기본 작업 3) 프롬프트 기반 튜닝 4) 테스트 및 피드백 5) 서비스 배포 및 공유

4 결론

1) 개발한 챗봇의 기대효과

5. 참고문헌

1. 서론 - 디지털 전환과 디지털 인재 양성

1) 디지털 전환과 교육의 변화 2) 디지털 인재 양성과 인공지능·데이터 과학

2. 맞춤형 인공지능 서비스의 개발 배경

1) 맞춤형 인공지능 서비스와 정보 제공의 한계 극복 2) 교원 연수를 위한 인공지능 챗봇 개발

2) 연구의 한계와 극복 방안

표 목차

그림 목차

[표 1] 체계에 따른 디지털 기술의 교육현장 활용 분석 [표 2] 교육 분야 디지털 전환에 대한 국외 사례 [표 3] 기존 프로세스의 어려운 점과 연수봇을 활용한 개선 방안 [표 4] 챗봇 개발에 활용한 데이터와 형태 [표 5] 한글 데이터의 전환 결과 [표 6] 인공지능 기반 맞춤형 챗봇의 지침 전문 [표 7] 연수 콘텐츠 제작을 위한 원고의 적합성 평가 결과 [표 8] 교육과정 학습 성능 테스트

[그림 1] 인공지능 기반 챗봇 서비스의 개발 단계 [그림 2] 한글 문서의 전환 저장 옵션 [그림 3] 기본 작업 적용 결과 화면 [그림 4] 프롬프트를 활용한 튜닝 과정 [그림 5] 인공지능 기반 맞춤형 챗봇의 구성 화면 [그림 6] 인공지능 기반 맞춤형 챗봇 “연수봇”의 서비스 화면 [그림 7] 연수 적합성 평가를 위한 프롬프트 [그림 8] 원격연수 콘텐츠 내용 심사 시뮬레이션을 위한 프롬프트 [그림 9] 원격 콘텐츠 내용심사 시뮬레이션 결과 [그림 10] 연수 기획 초안을 추천받기 위한 프롬프트 [그림 11] ‘연수봇’이 추천한 연수 커리큘럼 사례(10차시 분량) [그림 12] 연수 내용의 차시별 추천 예시 [그림 13] GPTS의 공유 설정 [그림 14] ‘연수봇’의 설명 페이지

1. 서론 - 디지털 전환과 디지털 인재 양성

디지털 인재 양성을 위한 맞춤형 교원 연수 지원 챗봇 개발

1) 디지털 전환과 교육의 변화

SW·AI인재양성팀 김종범 선임연구원

디지털 전환은 우리의 삶 속으로 스며들고 있다. 우리 주위의 모든 곳에서 디지털을 쉽게 만날 수 있다. 이 변화는 교육 현장에도 다가오고 있으며, 교육의 디지털 전환은 교육 환경과 교수·학습 방법에도 큰 변화를 몰고 왔다. 정보통신기술의 발전으로 인한 교육 현장의 디지털화는 가르치고 배우는 것이 더 이상 전통적인 지식 전달에만 머무르지 않고 새로운 형태로 변화하고 있다는 것을 의미한다(김승재, 조규락, 2024). 이런 변화는 학습자 중심의 학습, 상호작용, 개인별 맞춤 학습 경로를 제공하는 디지털 교육 도구를 활용하면서 자연스럽게 다가오고 있다. 이 과정에서 학생들은 더욱 개인에게 맞춰진, 구체적으로는 자신의 학습 속도와 수준에 맞추어 배울 수 있는 환경이 갖춰지고 있다는 뜻이다(금선영, 2024).

디지털 기술 발전에 기인한 교육의 변화는 교사와 학생의 상호작용을 돕고, 교육 자료의 접근성을 높이며, 선언적

지식을 단순히 전달하는 한계를 넘어 문제 해결과 창의적 문제 해결, 협업을 중시하는 방향성을 가진다(노진규, 강현석

2024). 디지털 도구를 사용하게 함으로써 학생은 실시간으로 학습 자료를 검색할 수 있으며, 교사는 맞춤형 콘텐츠를 제공함으로써 학생의 이해를 돕는다(조영주, 박인우, 2024). 이 방법으로 전통적인 주입식 교육의 한계를 뛰어넘을 수 있고, 학생이 좀 더 능동적으로 수업에 참여하도록 지원할 수 있다(강민수 외, 2023, 이종승, 이재진, 2024). 교육의 디지털 전환으로 야기되는 긍정적인 변화는 접근성과 포용성에서 시작될 가능성이 높다. 교육 소외 계층인 학생이 디지털 학습 도구나 온라인 플랫폼을 활용하면 변화의 가능성이 높아진다. 온라인 교육은 시간과 지역에 상관없이 양질의 교육을 제공할 수 있다. 특히 AI 디지털 교과서의 도입으로 인해 이러한 변화가 가속될 것으로 예상된다. AI 디지털 교과서는 학습자에게 맞춤형 학습 콘텐츠를 제공하고, 즉각적인 피드백을 통해 학습 효과를 극대화하며, 학업 성취도를 향상시키는 데 중요한 역할을 할 것이다(최서연 외, 204, 이승현, 이영호, 2024, 정영식, 유정수, 2024). 하지만 우리는 디지털 교육의 적용 시 발생할 수 있는 역기능에 대해서도 고려해야 한다. 황재운 등(2024)은 디지털 기술의 교육적 활용에서 나타날 수 있는 순기능과 역기능을 체계에 따라 구분하였다. 미시 체계에서 중간 체계, 외체계에 이르는 부분은 학교 현장의 디지털 전환과도 직접적인 관계가 있으므로 주목해 볼 만하다.

순기능 · 맞춤형 교육 제공

미시 체계

· 학부모와의 소통 촉진 중간 체계 · 학습지원의 다양화 및 맞춤화

· 교육목표 설정, 성취도 향상 외체계 · 맞춤형 교육 가능성 증대

역기능 · 스트레스, 주의력 결핍 · 학습 스타일과 속도에 맞는 콘텐츠 · 신체적 부작용 · 유대관계 형성 문제 제공 · 개별화 교육 제공 · 교사-학생 간 상호작용

· 사고력 향상 저해 · 개인정보 보안 및 데이터 수집 · 가정 배경에 따른 교육적 활용 성과 차이

· 자원 확보 여부에 따른 성과 차이 · 디지털 기술 관련 특정 서비스의 의존 심화

[표 1] 체계에 따른 디지털 기술의 교육현장 활용 분석(황재운 등, 2024, [표 3] 재구성)

역기능의 해소방안 · 미디어 리터러시, 디지털 시민의식 교육 실시 · 디지털 기술의 교육적 가치에 부합하기 위한 교사의 자율적 노력 · 디지털 기기 사용에 관련해 학부모의 적극적 지도

· 교사와 학부모 간 소통 촉진 · 교육과정 개정 및 교수학습 자료 개발 보급 · 디지털 교육 관련 지침 개발 · 디지털 역량 강화 교사 연수 제공 · 국가 수준의 플랫폼 구축 · 교실의 디지털 인프라 확충

교육의 디지털 전환과 관련하여 여러 나라들은 다양한 혁신적인 사례를 보여주고 있다. 국외 사례는 정부 주도와 민간 주도로 나눌 수 있으며, 주도하는 주체에 따라서 다른 특징을 나타낸다. 정부 주도 방식으로 싱가포르의 Student Learning Space(SLS), 프랑스의 ENT(TNE), 덴마크의 Ultra:Bit 등이 있으며, 민간 주도로 추진된 사례로 영국의 LendED, 미국의 MATHIA와 Roblox의 가상현실 교육, 에스토니아의 eKool과 Studium 등이 있다(김일주, 2024). (세부 내용 [표 2] 참조) 이러한 국가들의 사례는 디지털 전환을 통한 교육 혁신이 어떻게 이루어지고 있는지를 잘 보여주며, 우리나라에서도 이를 벤치마킹하여 더욱 발전된 교육 환경을 만들어 나가야 할 필요성을 시사한다. 분류

특징

국가 주도로 디지털 전환 정책 및 인프라 운영, 통합 플랫폼 개발과 관리

정부 주도

학교와 민간 기업 간의 민간 기술 적용 자유도 증가, 주도 디지털 기술 및 콘텐츠 개발의 민간 주도

국가

예시 Student Leaning Space(SLS) 공유가능

싱가포르

프랑스

덴마크

Ultra:bit

영국

LendED

미국 에스토니아

[표 2] 교육 분야 디지털 전환에 대한 국외 사례(김일주, 2024)

세부 특징 · 대부분의 학교에 적용되는 원격수업 시스템 · 학생 맞춤형 콘텐츠 제공, 교사 간 교육정보

· 학생과 교사, 가정을 연결하는 플랫폼 구축 ENT(TNE) · 디지털 기술 공유 및 연구 지원사업을 통한 다양한 기술 개발 · 마이크로컴퓨터와 블록프로그래밍 언어를 이용한 창의적 코딩 학습과 과목 원리 학습

· 민간과 학교의 연결 플랫폼으로 에듀테크 제품 무료 체험 및 구매 지원, 학교와 민간 기업 간 소통 증대 MATHIA, · AI와 가상현실 활용 학습 프로그램, 학교 자율적으로 Roblox 선택 및 도입, 맞춤형 학습 지도 가능 eKool, · 스타트업 기반 기술, 학교에서 디지털 기술 활용 Stuudium 자유도가 높으며 정부의 창업 및 기술 지원

교육 디지털 전환이 성공하기 위해서는 새로운 형태의 환경을 도입할 수 있는 인프라와 시스템이 필요하다. 특히 교사가 디지털 기술을 활용할 수 있도록 역량을 강화하는 연수의 제공이 중요하며, 학생들은 디지털 리터러시를 갖춰야 한다(임유진 외, 2024). 교육 현장의 변화를 통해서 디지털 기술을 적용할 준비를 하고 변화를 유연하게 받아들이도록 준비하는 논의가 적극적으로 시작되어야 한다.

2) 디지털 인재 양성과 인공지능·데이터 과학

디지털 인재의 양성을 위해 핵심 기술인 인공지능과 데이터 과학을 활용하는 것은 필수적이다. 데이터는 현대 사회의 가장 중요한 자원이며 데이터를 수집·분석하여 현상에 대한 정보와 인사이트를 도출해 낼 수 능력은 경쟁력을 좌우하는 중요한 요소로 자리 잡았다(문승혁, 2019). 인공지능과 데이터 과학 기술이 한 단계 높아진 2020년대 이전에 데이터의 수집, 분석은 특정 전문가만 할 수 있는 고도의 기술이었다. 하지만 생성형 AI를 필두로 인공지능 기술이 발전하면서 누구나 쉽게 데이터를 수집·분석·처리하고, 이를 활용하여 복잡한 실생활의 문제를 해결하며, 미래를 예측할 수 있게 되었다(신보미 외, 2024, 정천수, 2023). 이런 관점은 교육 분야에서도 비슷하게 적용된다. 인공지능을 통해 데이터 분석과 적용을 교육에 접목하게 되면 우리는 미래 교육에 한 걸음 더 다가가게 된다. 인공지능을 활용한 학습자 맞춤형 교육을 활용하면 개별 학습자의 성취도와 요구에 따라 학습 경로를 최적화할 수 있다(범은애 외, 2023, 장지원 외, 2023). 데이터 기반의 학습 분석 도구를 활용하면 학생의 학습 패턴을 실시간으로 분석하고 분석 결과를 기반으로 취약한 부분을 진단할 수 있으며 나아가 부족한 부분을 보완하기 위한 맞춤형 처방을 제공할 수 있다(임유진 외, 2024). 맞춤형 교육은 결국 학습의 효율성을 극대화하고 성취도를 향상하는 것에 중요한 역할을 한다. 인공지능을 활용함으로써 디지털 시대에 필수적인 창의적 문제해결 능력과 자기 주도 학습 능력을 높일 수도 있다.

데이터 과학 역시 교육에서 중요한 역할을 한다. 교육 데이터는 학생들의 학습 경향, 학업 성취도, 사회적 환경과의 상관관계를 파악하는 데 중요한 정보를 제공한다(김상우, 이명숙, 2024). 데이터를 기반으로 얻을 수 있는 통찰은 교육정책의 수립과 학습 개선에 있어서 유용하게 쓰일 수 있다. 동시에 학습자의 학습 경로와 성과를 분석함으로써 교사들은 학생 개개인의 학습 요구에 부합하는 교육 전략을 수립할 수 있다(최현희 외, 2023). 이를 통해 교육의 질을 높이고, 학습자가 잠재력을 발휘할 수 있는 교육 환경을 만들 수 있게 된다. 인공지능과 데이터 과학은 디지털 기반 사회에서 요구되는 새로운 직무 능력을 갖춘 인재를 양성하는 데도 중요한 역할을 한다(구교준 외, 2024). 업무 자동화와 인공지능 기술의 발전은 기존의 직업 구조를 변화시키고 있으며, 이에 대응하기 위해서는 새로운 기술을 습득하고 창의적 문제해결 능력을 갖춘 인재가 필요하다(김종호, 2022). 인공지능과 데이터 과학을 교육에 활용함으로써 학생은 첨단 기술을 직접 경험할 기회를 제공받게 되며, 미래의 인재가 직업 세계에서 경쟁력을 갖추는 것에 도움을 줄 수 있다.

인공지능과 데이터 과학은 교육 혁신을 이끌고 미래 사회가 요구하는 인재를 양성하는 데 필수불가결한 도구로 활용될 수 있다. 학생은 자신에게 맞춰진 효율적이고 최적화된 학습 경험을 할 수 있으며, 변화하는 사회와 직업 세계에 빠르게 대응할 수 있는 역량을 갖출 수 있다. 인공지능과 데이터 과학의 중요성을 인식하고 교육정책과 프로그램에 적극적으로 도입하는 것은 디지털 인재 양성을 위한 도약 포인트이다.

2. 맞춤형 인공지능 에이전트의 개발 배경

1) 맞춤형 인공지능 서비스와 정보 제공의 한계 극복

정보를 획득하기 위해서 사용되었던 데이터베이스 기반 정보 탐색과 웹검색, 챗봇 등은 여러 분야에서 활용되고 있지만 동시에 한계가 존재한다. 우선, 데이터베이스 기반의 정보 탐색은 구조화된 데이터에만 의존하므로, 정형화되지 않거나 저장되지 않은 정보를 탐색하는 것에는 적절하지 않다. 웹검색은 방대한 양의 인터넷 정보 중에서 원하는 것을 찾기 위해서 사용자가 많은 시간과 노력을 들여야 하며, 동시에 그 과정에서 정보의 신뢰성을 스스로 판단해야 하는 부담도 존재한다. 전통적인 규칙 기반의 챗봇은 특정한 목적을 가진 규칙 기반 혹은 정해진 답변만을 제공하므로 복잡한 질의나 창의적인 문제해결을 요구하는 상황에서는 한계가 나타날 수밖에 없다(정고은 외, 2021). GPTS와 같은 맞춤형 인공지능은 이러한 전통적 검색의 한계를 극복하기 위한 대안이 될 수 있다(권미선, 2024). 사용자는 필요한 경우 서비스를 직접 설계하거나 데이터를 학습시켜 인공지능 서비스를 개발할 수도 있다. 사전에 정의된 기능의 단순 수행을 넘어, 사용자의 요구와 피드백에 따라 지속적 진화와 학습을 거듭하는 능동적 서비스를 만들 수 있다. 특히 학교에서는 학생의 학습 환경과 흥미, 수준에 맞춰 인공지능 튜터를 개발하고 진단과 상황을 바탕으로 최적화된 학습 경험을 제공할 수 있다(이선복, 2024). 인공지능 튜터는 학습 패턴을 분석하여 학습 내용을 조정하거나 추가 자료를 제시함으로써 학습 효과를 극대화한다.

OJT(On the Job Training)와 같은 직장 내 직무 교육 및 훈련 과정에서도 맞춤형 인공지능은 유용하다. 특정 산업군에 종사하는 직원들을 대상으로 적용할 수 있는 맞춤형 AI 트레이너를 개발하면, 직원의 업무 특성과 경력 등의 자료를 반영하여 필요한 지식과 스킬을 맞춤 제공할 수 있게 된다(천재성, 문일영, 2024). 이는 전통적인 직무 교육에서 이뤄지는 일률적인 강의나 훈련 프로그램과는 달리, 학습자의 요구와 능력에 따른 맞춤형 교육을 제공함으로써 교육의 효과성과 효율성을 높일 수 있다(임경화 외, 2020). 맞춤형 인공지능 에이전트는 데이터 과학의 측면에서도 활용도가 높다. 자동화된 인공지능 에이전트를 통해, 자신에게 필요한 데이터를 수집하고 분석하도록 만들 수 있으며, 이를 바탕으로 증거 기반의 통찰력을 확보할 수 있다. 일례로 연구자가 특정 주제에 대한 최신 논문들을 빠르게 정리하고 분석하려는 상황을 가정해보자. 전통적인 방법으로 수행하려면 논문 데이터베이스에서 관련 논문을 찾고 스스로 읽으면서 정리해야 한다. 맞춤형 인공지능 에이전트를 활용하게 되면, 연구자는 자동으로 수집된 주제 관련 논문에 대해서 요약과 주요 키워드를 빠르게 확보할 수 있다(임태형 외, 2023). 이 방법을 활용하면 전통적인 방법에 비해서 시간과 노력을 절감할 수 있다.

정리하면, 맞춤형 인공지능 에이전트는 기존 방식의 한계를 극복하며, 사용자의 필요와 상황에 맞춘 정보 및 통찰을 제공해 디지털 인재 양성에 전략 수립 및 프로그램 개발 등의 업무에 도움을 줄 수 있다.

2) 교원 연수를 위한 인공지능 챗봇 개발

교원 연수는 공교육의 교원 역량 강화를 위해 중요성이 강조되고 있지만 교원 연수 프로그램을 기획하고 운영하기 위해서는 많은 어려움을 극복해야 한다. [표 3]은 연수의 기획 및 제작 과정에서 연수 기획자가 경험하는 어려움을 정리한 것이다. 연수를 기획할 때, 여러 요소를 종합적으로 고려해야 하므로 많은 시간과 자원이 필요하다. 교육 대상 교원의 수요 파악, 정책적 중요성, 연수 내용의 설계, 연수 자료 준비, 강사의 선정 등에 대한 다각적인 고려가 필요하며, 이는 연수 기획자에게 부담으로 작용한다. 특히, 원격연수 콘텐츠를 제작할 때에는 관련 내용을

충분히 반영해야 할 뿐 아니라, 제작된 콘텐츠가 연수 콘텐츠 심사 기관인 한국교육학술정보원(KERIS)이 실시하는 내용심사를 통과해야 한다. 심사 과정의 복잡한 절차는 교원 연수 기획자 및 개발자에게 난관으로 다가올 수 있으며, 이로 인하여 연수 기획의 품질이 낮아지거나 연수 개발 단계 및 운영 준비가 원활하지 못할 수도 있다. 기존의 어려운 점

연수봇을 활용한 개선 교육 과정에 대한 이해를 바탕으로 교육 과정을 사전 학습한 연수봇을 활용하여 목차나 원고의 내용이 제대로 반영되었는지 연수 커리큘럼에 해당 내용 반영

연수 주제의 선정

확인할 수 있음 다른 과정의 주제와 겹치지 않고, 교육 과정에 적합하면서 최신 트렌드를 반영한 연수 주제를 추천받을 수 있음

전체 목차 설정 후 세부 차시 내용의 연수 주제, 대상, 과목, 난이도, 담당자의 방향성 등을 고려하여 차시별 강의계획을 구성 전문가가 작성한 원고의 적절성 판단

KERIS 내용 심사 합격 여부의 불확실성

추천받을 수 있음 교육 과정과 제안요청서에 기반한 원고 기초 평가가 가능하고 결과와 의견을 표 형태로 제공받을 수 있음

사전 학습된 KERIS 심사 기준과 GPT 데이터세트를 활용하여 내용심사에 대한 시뮬레이션 가능 [표 3] 기존 프로세스의 어려운 점과 연수봇을 활용한 개선 방안 기존 문제의 해결과 교원 연수의 효과적인 기획, 개발, 운영을 위해, 맞춤형 인공지능 기반의 자동화 시스템을 활용할 수 있다. 자동화 시스템은 연수 기획자가 직면하는 여러 업무를 효율적으로 처리할 수 있도록 돕는다. 예를 들어, 연수 기획에 필요한 정보를 자동으로 수집하며, 연수 콘텐츠의 기획 단계에서 필요한 자료나 교과 내용을 보완할 수 있는 기능을 제공한다. 콘텐츠 제작 후의 내용심사 과정도 자동화된 인공지능 기반의 시스템을 통해 표준화된 기준에 맞춰 진행함으로써 기획자와 제작자 모두의 부담을 줄일 수 있다.

교원 연수 지원 챗봇의 구현 및 배포는 이러한 자동화 시스템의 핵심적인 요소 중 하나이다. 이 챗봇의 목표는 특정 도메인과 작업에 최적화할 수 있는 GPTS의 장점을 활용하여 교원 연수 기획 및 내용 검토를 자동화하는 것이다. 이를 위해 GPTS에 2015·2022 개정 교육과정의 성취 기준, 평가 등 세부 내용을 학습시켰으며 프롬프트 엔지니어링을 통해서 연수 원고 및 콘텐츠를 평가하고 개선 방향을 제시하도록 설계하였다. 훈련된 GPTS는 콘텐츠의 내용 적합성 및 효과성을 분석하고, 사용자에게 개선이 필요한 부분에 대한 구체적인 피드백을 제공함으로써 연수의 질적 향상을 도모한다. 이 챗봇은 교원 연수 기획자가 새로운 아이디어를 구상할 때도 중요한 도구로 활용될 수 있다. 기존에 없던 새로운 연수의 초안을 작성하거나, 교육적 목표에 맞는 다양한 연수 아이디어를 제안함으로써 기획자들의 창의적 발상을 지원한다. 또한, 용역 제안요청서 및 KERIS의 내용심사 기준에 근거하여 연수 원고를 사전에 확인하고 보완할 수 있는 기능을 제공함으로써, 연수 콘텐츠가 내용심사 과정을 원활하게 통과할 수 있도록 돕는다. 이 챗봇은 교원 연수의 기획 및 운영 과정에서 발생하는 다양한 문제를 해결하고, 연수 목표를 달성하는 데 중요한 역할을 할 수 있을 것이다.

연수의 기획, 개발, 심의 과정에서 발생할 수 있는 다양한 한계점을 사전에 파악하고 극복할 방안을 자동화 시스템을 통해 제공받을 수 있다. 자동화 시스템은 기획 단계에서 발생할 수 있는 자료 부족이나 내용 부적합성 문제를 해결할 수 있도록 지원하며, 개발 과정에서 필요한 정보를 신속히 제공하고 수정 방향을 제시해 콘텐츠의 질적 향상을 돕는다. 또한, 심의 과정에서 발생할 수 있는 기준 미달 문제를 미리 확인하고 보완할 수 있는 기능을 통해 연수 콘텐츠의 개발 지연을 예방한다. 이런 기능은 연수 기획자와 제작자들이 직면하는 여러 가지 문제를 사전에 해결하고, 연수의 전반적인 효율성을 높이는 데 기여할 것이다.

3. 맞춤형 인공지능 챗봇 서비스 개발

인공지능 에이전트 기반 서비스를 개발하는 과정은 단계별로 접근하는 것이 효율적이며 완성도를 높이는 것에도 도움이 된다. 복잡한 인공지능 시스템을 단계별로 나누어 개발하면 각 단계에서 구체적인 목표를 설정하고 문제를 해결해 나갈 수 있어, 전체적인 프로젝트의 품질을 향상시킬 수 있다. 특히 데이터 수집, 모델 세팅, 파인 튜닝, 테스트, 배포 등 각 과정이 서로 유기적으로 연결되어 있기 때문에, 체계적인 접근이 필수적이다. 이러한 단계적 접근은 개발 실패의 위험성을 줄이고, 사용자 요구에 맞춘 최적화된 결과물을 제공하는 데 도움이 된다.

이번 연구에서는 개발 과정을 다섯 단계로 나누었다. 첫 번째 단계는 데이터 수집 및 가공으로, 서비스에 필요한 데이터를 효과적으로 수집하고 이를 정제하는 과정이다. 두 번째 단계에서는 GPTS를 세팅하고 기본 작업을 수행하여, 모델의 초기 구성을 완료한다. 세 번째 단계에서는 프롬프트 기반의 튜닝을 통해 특정 목적에 맞게 모델을 최적화한다. 네 번째 단계는 테스트와 피드백 수집으로, 실제 사용자 경험을 통해 개선할 부분을 찾아낸다. 마지막으로, 다섯 번째 단계에서는 완성된 서비스를 배포하고 이를 사용자들과 공유하는 방법을 제시한다.

1단계

데이터의 수집과 가공

1) 데이터의 수집과 가공

2단계

3단계

4단계

GPTS 세팅 및 기본 작업

프롬프트 기반 튜닝

[그림 1] 인공지능 기반 챗봇 서비스의 개발 단계

5단계

테스트 및 피드백

서비스 배포 및 공유

예전 버전의 한글(hwp)이나 파워포인트(ppt) 형식으로 제작된 문서는 언어 모델의 학습에 적합하지 않다. 시스템이 문서를 읽을 수 없거나 비구조화되어 있어, 언어 모델이 이를 정확하게 이해하여 학습하는 것이 어렵기 때문이다. 이러한 원본 문서를 활용해야 하는 경우, 학습이 쉬운 텍스트(txt)나 워드(docx) 형태로 전환해야 한다. 데이터를 전환하여 학습시킴으로써 인공지능 모델이 명확하게 정보를 파악하고 성능을 높일 수 있게 된다.

이번 연구에서는 생산하거나 수집한 데이터를 시스템이 분석할 수 있도록 가공하였으며, 각 데이터의 특징을 고려하여 필요한 형식으로 변환하였다. 2015·2022 개정 교육과정(정보과)은 국가 교육과정 정보센터(NCIC)에서 제공된 한글 파일을 텍스트 파일로 변환하여 사용하였다. 연수 콘텐츠 제작 용역 사업의 제안요청서는 한국과학창의재단(KOSAC)에서 만든 한글 파일을 워드(docx) 형식으로 변환하였으며, 교원 연수 원고는 한글 파일과 파워포인트 파일 형태였는데 한글 파일은 변환하였지만, XML 기반의 파워포인트 파일(pptx)은 별도로 가공하지 않았다. 한국교육학술정보원(KERIS)의 내용심사 기준표는 텍스트 파일로 가공하여 사용하였고, 평가 결과 예시는 직접 제작한 이미지(png) 파일을 활용하였다.

사용 데이터 2015 개정 교육과정(정보과) 2022 개정 교육과정(정보과) 연수 콘텐츠 제작 제안요청서

교원 연수 원고

KERIS 내용심사 기준표 평가 결과 예시

출처

원본 데이터 형태

NCIC

한글(hwp)

NCIC

한글(hwp)

KOSAC

한글(hwp) 한글(hwp)

KOSAC

파워포인트(pptx)

KERIS

한글(hwp)

직접 제작

이미지(png)

[표 4] 챗봇 개발에 활용한 데이터와 형태

가공 데이터 형태 텍스트(txt) 텍스트(txt) 워드(docx) 워드(docx) - 텍스트(txt) -

특히 옛 버전인 한글 파일은 시스템이 직접 읽고 처리할 수 없으므로 몇 가지 단계를 거쳐서 처리하였다. 한글 파일을 열고 ‘다른 이름으로 저장’ 옵션을 선택하면 파일 형식을 변경할 수 있는 창이 열린다. 이후 파일 저장 창에서 ‘텍스트 문서 종류’ 옵션을 선택하는데, 여기서 문자 코드 선택을 ‘유니코드(UTF-8)’로 설정하고 줄바꿈 유지를 활성화한다. 유니코드 인코딩은 다양한 언어를 처리할 수 있어 인공지능 학습에 적합하다. 모든 설정이 완료되면 마지막으로 ‘저장’ 버튼을 눌러 텍스트 파일로 저장한다. [그림 2]는 한글 프로그램에서 구 버전의 한글 문서를 전환해 저장하는 옵션을 나타내는 화면이다.

[그림 2] 한글 문서의 전환 저장 옵션

데이터 변환 과정 결과, 원본 한글 파일의 구조화된 내용이 텍스트 파일로 변환되어 단순한 형태가 되었다. 특히 이 부분은 시스템이 직접 읽을 수 있는 한글의 표 안의 내용을 변환시키는 것에 효과적이다. 예를 들어, 원본 데이터의 ‘과정·기능’과 ‘가치·태도’ 항목은 변환된 텍스트 파일에서도 같은 항목의 제목으로 유지되었으며 각각의 내용 요소는 목록 형태로 나열되었다. 이를 통해 원본 데이터의 핵심 구조와 의미를 유지하면서도 인공지능 학습에 적합한 형태로 가공되었음을 확인할 수 있다. 표 안에 있는 내용도 구조화된 텍스트로 전환하여 인공지능 학습에 활용할 수 있게 만든다.

데이터 원본(hwp)

[표 5] 한글 데이터의 전환 결과

데이터 변환 후(txt)

표가 포함되지 않은 한글 문서는 ‘다른 이름으로 저장’ 기능을 이용하여 XML 기반의 워드(docx) 파일로 변환하였으며, 파워포인트(pptx) 파일의 경우에는 XML 형태로 저장되어 이미 구조화된 데이터를 포함하고 있으므로 추가적인 가공 없이 그대로 사용하였다.

2) GPTS 세팅 및 기본 작업

다음으로 GPTS 세팅 및 기본 작업을 수행하였다. 먼저 맞춤형 GPTS 생성을 위해 GPTS 웹사이트(https://chatgpt.com/

gpts, Pro 버전 등을 쓰는 유료 사용자만 생성 가능)에 접속하고 구성 탭에서 기본 작업을 수행하였다. 먼저 1단계에서 변환한 학습용 데이터를 파일 형식으로 업로드하였으며 작업의 효율성을 높이기 위해 웹 브라우징, 코드 인터프리터, 데이터 분석 등의 기능을 선택하여 활성화하였다. 이러한 과정을 통해 프로젝트 수행에 필요한 환경을 구축하고, 데이터 처리를 위한 준비 작업을 하였다.

[그림 3] 기본 작업 적용 결과 화면

3) 프롬프트 기반 튜닝

이번 단계에서는 프롬프트 기반 튜닝 작업을 수행하였다. 이 작업은 GPTS의 ‘만들기’ 탭에서 진행했으며, 챗봇의 성능을 최적화하기 위한 프롬프트 엔지니어링을 실시했다. 먼저 챗봇이 사용할 기본 언어를 한국어로 지정했다. 이어서 특정 도메인에 대한 설명을 제공하고, 사용자 맞춤형 요소를 설정하여 챗봇의 응답을 더 적합하게 만들었다. 역할을 상세히 설명함으로써 챗봇이 응답할 때 상황에 맞는 행동을 하도록 정의하였고, 작업의 성격과 입력 및 출력에 대한 구체적인 조건을 지정하여 일관되게 결과가 제시되도록 하였다. 마지막으로, 주의 사항을 안내하여 챗봇이 생성하는 응답이 적절한 기준을 유지하도록 했다. 이러한 프롬프트 기반 튜닝 과정을 통해 챗봇의 성능을 효과적으로 조정하고 프로젝트 목적에 부합하는 대화형 AI로 구현할 수 있다.

[그림 4] 프롬프트를 활용한 튜닝 과정

다음으로, 프롬프트 엔지니어링 과정에서 챗봇의 프로필을 생성하였다. 이 단계에서는 챗봇의 정체성을 명확히 하기 위해 이름과 이미지를 설정하였다. 먼저, 챗봇의 이름은 ‘연수봇’으로 선정하여 교원 연수 과정에서의 역할을 직관적으로 나타내도록 하였다. 이어서 대표 이미지를 생성하는 과정에서는 ‘교원 연수 자문가’ 역할과 어울리도록 GPT가 자동으로 현명함을 상징하는 부엉이 캐릭터를 만들어 활용하였다. 부엉이는 지혜와 신뢰를 상징하기 때문에, 연수와 자문 역할을 수행하는 챗봇의 특성과 잘 부합하는 것으로 판단된다. GPTS의 자동 추천 기능을 활용하여 서비스용 프로필을 생성할 수 있으며 챗봇이 사용자에게 친숙하면서도 신뢰감을 줄 수 있는 이미지로 다가갈 수 있게 제작하였다. 전체적으로 완성된 인공지능 기반 맞춤형 챗봇의 구성과 지침 전문, 서비스 화면은 [그림 5], [표 6], [그림 6]과 같다.

[그림 5] 인공지능 기반 맞춤형 챗봇의 구성 화면

프롬프트 작성으로 자동 생성된 연수봇 지침 전문 (GPTS가 자동으로 만들어 낸 연수봇에 대한 규칙)

이 GPT는 한국어로 소통하며 교원 연수 자문 및 평가 위원으로서 역할을 합니다. 사용자는 한국과학창의재단에서 근무하는 교원 연수 담당자이며, 이 GPT는 연수 프로그램의 기획, 평가, 개선의 모든 과정에서 적극적으로 지원합니다. 주요 역할은 다음 세 가지로 나뉩니다. 1. 연수 적합성 평가 | 사용자가 적합성 평가를 요청하면, 평가할 연수 원고를 첨부하도록 안내합니다. 이후, GPT는 첨부된 자료를 바탕으로 제공된 '평가 결과' 예시 이미지를 참고하여 제안 요청서, 2022 교육과정, 2015 교육과정 각각에 대한 적합성을 '적합', '보통', '낮음' 척도로 표 형태로 평가합니다. '비고'란에는 '낮음'으로 평가된 차시에 대한 평가 근거를 작성합니다. 이때, 2015와 2022 교육과정의 차이점과 각 교육과정의 특징을 명확히 반영하여 판단합니다.

2. 케리스 심사 시뮬레이션 | 사용자가 케리스 심사 시뮬레이션을 요청하면, 평가할 교안 원고를 첨부하도록 안내합니다. 이후, GPT는 KERIS의 내용 심사 기준을 바탕으로 각 항목마다 P(합격)/CP(조건부 합격)/F(탈락)으로 평가하며, 표 형태로 제공합니다. CP와 F로 평가된 항목에 대해서는 '비고'란에 이유와 개선점을 작성합니다. 이때, 2015와 2022 교육과정의 차이점을 명확히 인식하고 그에 따라 심사 기준을 적용합니다. 3. 교원 연수 기획 | 사용자가 과목(예: 과학, 수학, 정보)과 대상(예: 초등 교사, 중고등 교사)을 알려주면 그에 맞는 연수 주제를 추천합니다. 이후, 15차시 강의계획서를 간단한 표 형태로 제공하며, 이때 2022 교육과정과 최신 트렌드를 반영합니다. 예시로, '1차시: 데이터 이해하기', '2차시: 데이터 수집하기'와 같은 형식으로 계획서를 작성합니다. 이 과정에서도 2015 교육과정과의 차이점을 반영합니다.

4. 2015와 2022 교육과정 차이 | 2015 교육과정은 컴퓨팅 사고력과 기본적인 프로그래밍 능력에 중점을 두었으나, 2022 교육과정은 디지털 리터러시와 AI 리터러시를 강화하며 AI와 데이터 과학을 포함한 보다 진보된 기술적 내용을 교육합니다. 학습 방법론에서도 프로젝트 기반 학습(PBL)과 문제 기반 학습을 통해 창의적 문제 해결 능력을 기르는 데 중점을 둡니다. 이 GPT는 사용자와 협력하여 프로그램의 효과를 분석하고, 구체적인 개선 방안을 제안하며, 창의적인 아이디어를 제공하여 연수의 질을 향상시키기 위해 노력합니다. 질문에 대한 명확하고 구체적인 답변을 제공하며, 필요 시 추가 정보를 요청합니다. 언제나 친근하고 전문적인 태도로 응대합니다.

[표 6] 인공지능 기반 맞춤형 챗봇의 지침 전문

[그림 6] 인공지능 기반 맞춤형 챗봇 ‘연수봇’의 서비스 화면

4) 테스트 및 피드백

교원 연수 과정을 기획하고 만드는 과정에서 자주 접할 수 있는 시나리오를 4가지로 정리하여 ‘연수봇’을 테스트하였다. 먼저 적합성 평가로 프로그램이 연수 과정의 목표에 부합하는지 확인하고, 교육과정 분석을 통해 학습된 지식 및 정보 처리 능력을 평가하였다. 내용심사 시뮬레이션을 통해 챗봇이 교원 연수 콘텐츠를 적절한 기준으로 평가할 수 있는지 확인하였으며, 교원 연수 기획 추천 기능을 활용하여 실제 연수 과정에서의 활용 가능성을 확인하였다. 테스트를 통해서 서비스의 실질적 적용 가능성을 점검하였다.

가. 연수 적합성 평가

‘연수봇’은 교육과정과 연수 콘텐츠 제작 용역 제안요청서를 기반으로 연수 원고의 적합성을 평가하여 제공하는 기능을 수행한다. [그림 7]과 같이 사용자가 15차시의 연수 교안을 제출하면, 챗봇은 이를 분석하고, 제안요청서 및 2015·2022 교육과정의 기준에 따라 적합성을 평가한다. 평가 과정에서 ‘낮음’으로 판정된 항목에 대해서는 그 이유를 비교하여 상세히 작성하고, 평가 결과는 표 형식으로 정리하여 엑셀 파일로 제공된다(세부 내용은 [표 7] 참조). 이러한 평가 결과는 사용자가 다운로드하여 확인할 수 있도록 하였으며, 이를 통해 연수 교안이 교육과정의 목표와 얼마나 부합하는지를 직관적으로 이해할 수 있도록 지원한다.

[그림 7] 연수 적합성 평가를 위한 프롬프트

“연수봇” 답변

· 평가 결과를 엑셀로 제공

나. 교육과정 분석

엑셀 결과

· 2022 개정 교육과정에 맞추어 제작한 교원 연수 원고 적합성 평가 결과 - 제안요청서와 2022 교육과정은 모두 ‘적합’으로 평가 - 2015 교육과정에 포함되지 않는 내용은 ‘낮음’으로 평가 - ‘낮음’으로 평가한 이유를 비고란에 작성

[표 7] 연수 콘텐츠 제작을 위한 원고의 적합성 평가 결과

교육과정 분석 및 내용에 대한 정확도를 테스트하기 위해서 ‘산포도를 배우는 과목과 학년은?’이라는 질문을 해 보았다. 일반적인 생성 AI 서비스인 ‘CHATGPT-4o’의 경우, 관련 자료를 사이트에서 검색하여 답변을 제시하였으나 정확도가 떨어졌다. 반면, ‘연수봇’은 학습된 교육과정 데이터에서 해당 부분을 직접 발췌하여 원본과 동일한 정보를 제공하였다. 이를 통해 ‘연수봇’이 교육과정에 대한 정확한 정보를 빠르고 신뢰성 있게 제공할 수 있음을 확인하였다.

내용(평가)

교육과정

Chat GPT-4

연수봇

다. 원격연수 콘텐츠 내용심사 시뮬레이션

> 사이트에서 검색된 자료를 제시하여 정확도가 낮음

> 교육과정(부분 발췌 원본)과 동일한 정보 제공

[표 8] 교육과정 학습 성능 테스트 <[질문] ‘산포도’를 배우는 과목과 학년은?>

원격연수 콘텐츠 내용심사 시뮬레이션은 심사 기준을 바탕으로 교안을 평가하기 위해 고안되었다. 테스트를 위한 시뮬레이션에서는 15차시의 연수 교안을 입력하고 각 차시의 내용이 평가 항목마다 적절한지 확인했다. 평가지표에 대해 각 차시의 평가를 P(합격), CP(조건부 합격), F(탈락)로 나누어 제시하였으며, CP와 F로 평가된 차시에 대해서는 개선점을 제시하도록 하였다. 테스트 결과 ‘연수봇’은 제공된 교안을 원격연수 콘텐츠의 내용심사 기준에 맞추어 체계적으로 분석하였다. 각 차시는 내용 적합성, 학습자 이해, 자료의 정확성 등을 기준으로 평가되었으며, 평가 결과는 표 형태로 정리되어 표출되었으며 필요한 경우 사용자가 엑셀 파일로도 만들 수 있다. CP와 F로 판정된 항목의 경우에는 비고란에 이유와 개선점을 상세히 작성하여 피드백의 명확성을 높였다. 이 시뮬레이션 과정을 통해 내용심사 과정에서 발생할 수 있는 문제를 사전에 발견하여 심사 기간을 단축할 수 있으며, 연수 콘텐츠의 품질을 향상시키고, 교육 효과를 높일 수 있을 것으로 예상된다.

[그림 8] 원격연수 콘텐츠 내용 심사 시뮬레이션을 위한 프롬프트

[그림 9] 원격 콘텐츠 내용심사 시뮬레이션 결과

라. 연수 기획

연수를 기획할 때 가장 어려운 점은 연수에 참여하는 선생님의 수준이 다양하다는 것과 각 선생님의 여러 요구를 동시에 충족시켜야 한다는 점이다. 교원의 디지털 교육 역량은 비교적 큰 편차가 있으므로 초급자와 중급자를 동시에 만족시키는 연수 프로그램을 기획하는 것은 어렵다. 특히 정보 교과에서 언플러그드 활동과 디지털 도구 활용 등과 같은 활동의 유형에 균형을 유지하면서도 각각의 선생님의 학습 속도와 이해 정도를 맞추려면 프로그램 구성이 복잡해질 수밖에 없다. 실습과 이론의 비율을 적절히 조정하고, 모든 참가자가 능동적으로 참여하는 학습 환경을 조성하는 것은 또 다른 숙제이다. 이러한 문제는 주로 연수 프로그램의 차시별 목표 설정과 실습 활동 계획 시 발생하며, 선생님의 배경 지식의 수준과 학습 동기가 다를 때 심화된다. ‘연수봇’은 이런 고민을 해결하기 위해 기획을 위한 힌트를 제공하는 기능을 갖추고 있다. 기획자가 제시한 조건에 맞춰서 학습된 데이터를 활용하여 연수 프로그램의 전반적인 기획과 차시별 내용을 추천하며 이 내용은 엑셀로도 다운받을 수 있어 활용도가 높다.

[그림 10] 연수 기획 초안을 추천받기 위한 프롬프트

[그림 11] ‘연수봇’이 추천한 연수 커리큘럼 사례(10차시 분량)

연수 기획의 추천 기능은 전체 프로그램을 구성하는 것에 머물지 않고 각 차시에 대한 세부적인 설계까지 자세하게 작성하여 제공함으로써 확장된 정보를 얻을 수 있다. [그림 11]에 제시된 전체 연수 과정 중 특정 부분인 ‘디지털 도구 활용 코딩 II: 조건문과 반복문’의 세부 설계를 요청할 수 있다. [그림 12]는 학습 목표와 내용, 학습 도구, 평가 방법 등이 구체적으로 명시된 기획 사례이다. 이 부분은 조건문과 반복문을 이해하고 실습하는 것을 목표로 한다. 6차시는 60분으로 구성되었으며 블록 코딩 도구인 스크래치와 엔트리를 활용하였다. 연수의 세부 활동은 이론과 실습 활동, 추가 과제 제시, 토론 및 피드백 네 단계로 나누어 진행하는 것으로 설계했다. 이론 단계에서는 조건문과 반복문의 기본 개념을 설명하고, 예제를 활용하여 프로그래밍 원리를 이해할 수 있게 한다. 실습에서는 코딩 실습을 통해 실제 프로그램을 짜보고 문제에서 제시된 구체적인 요구사항에 맞춰 조건문과 반복문을 활용한 문제 해결을 유도하였다. 버튼을 클릭할 때 특정 캐릭터가 움직이거나 소리를 내는 것을 구현하여 교사가 조건과 반복의 개념을 학생들과 직접 실습하는 것을 경험하도록 설계했다. 추가 과제는 학습자의 심화 이해를 돕기 위해 조건과 반복을 다양하게 설정해 문제를 해결하도록 구성되었으며, 마지막으로 토론 및 피드백 단계에서는 각 학습자가 작성한 코드를 공유하고 개선점을 논의하는 시간을 가졌다. 평가 방식은 실습 결과물 평가와 피드백을 통해 학습자의 이해도를 점검하도록 하였다. ‘연수봇’이 추천한 연수 기획은 전체적인 학습 내용뿐만 아니라, 세부 차시에 대한 구체적인 설계까지 포함하여 교원들이 효과적으로 정보 교과의 수업 역량을 함양할 수 있도록 지원한다. 이를 통해 사용자의 요구에 따른 맞춤형 연수 설계가 가능해졌으며, 실습과 피드백 과정을 통해 학습자들이 지속적으로 발전할 수 있는 환경을 제공한다.

5) 서비스 배포 및 공유

[그림 12] 연수 내용의 차시별 추천 예시

개발된 연수봇의 공유와 배포는 간단한 설정을 통해 이루어진다. 연수봇을 배포하기 위해 먼저 ‘GPT 공유’ 설정 화면에서 공유 범위를 선택할 수 있다. ‘나만 보기’, ‘링크가 있는 모든 사람’, ‘GPT 스토어’의 세 가지 옵션이 제공되며, 사용자는 필요에 따라 원하는 공유 범위를 설정할 수 있다. 이번 연구에서는 ‘연수봇’을 좀 더 널리 활용할 수 있도록 ‘링크가 있는 모든 사람’ 옵션을 선택하여 배포하였다. 이후, ‘링크 복사’ 버튼을 통해 생성된 공유 링크를 관련된 교원 연수 담당자나 교육 기관과 공유함으로써 쉽게 접근할 수 있도록 하였다.

[그림 13] GPTS의 공유 설정

[그림 14 ] ‘연수봇’의 설명 페이지

‘연수봇’의 설명 페이지에는 챗봇의 목적인 교원 연수 기획, 적합성 평가, 교육과정 분석 지원을 위한 역할과 기능이 소개되어 있다. ‘연수봇’의 주요 기능인 데이터 분석 및 찾아보기 기능, 대화 스타터 예시, 작성자 정보 등이 제시되어 있으므로 ‘연수봇’의 사용자는 챗봇이 제공하는 서비스의 구체적인 활용 방법과 특징을 쉽게 파악할 수 있다. 설명 페이지는 ‘연수봇’을 홍보하고 안내하는 목적으로도 활용될 수 있다. ‘연수봇’의 설명 페이지 링크를 교원 연수 담당자나 교육 관련 커뮤니티에 공유함으로써 ‘연수봇’의 기능을 알리고, 다른 사용자의 관심을 이끌어 낼 수 있다. 추가적으로 ‘연수봇’의 설명 페이지에 제시된 활용 예시를 공개함으로써 교원 연수 프로그램의 기획 및 개선을 돕는 중요한 도구라는 점을 알릴 수 있다.

4. 결론

1) 개발한 챗봇의 기대효과

'연수봇'의 활용은 온라인 연수 콘텐츠의 검증 효율성을 높일 수 있을 것이다. 이 챗봇은 연수 기획 과정에서 방향성을 설정하고 오류를 최소화할 수 있는 콘텐츠의 적합도 평가를 자동화하여 기획의 효율성을 높일 수 있다. 교육과정, 제안요청서, 연수 콘텐츠 원고 등 여러 자료를 동시에 분석하여 빠르고 정확한 피드백을 제공할 수 있으며, 콘텐츠에 대한 검증 속도를 높이고 품질을 향상시킬 수 있다. 아울러 원격연수 내용심사 시뮬레이션을 활용하여 콘텐츠에 발생할 수 있는 결함을 사전에 파악하고 보완할 수 있어 연수의 질적 향상을 가능하게 한다. 이러한 효율적인 검증 과정은 연수 기획자들이 반복적인 작업에서 벗어나 더 창의적인 연수 설계에 집중할 수 있도록 지원한다. 또한 연수 내용의 최적화에도 기여할 수 있을 것으로 기대된다. '연수봇'은 2015·2022 개정 교육과정의 차이로 발생할 수 있는 혼란을 막기 위하여 교육과정을 면밀히 분석하고 시기별 차이를 고려한 연수 기획을 할 수 있도록 지원하는 기능을 탑재하였다. 기획 단계의 이런 효율적인 지원은 교사가 교육과정의 변화에 맞춰 혼란 없이 연수 내용을 익힐 수 있도록 도와준다. 교육과정의 목표와 주제를 분석하여 연수 기획서를 제안함으로써 다른 연수 과정과 중복되지 않으면서도 수요가 높은 트렌드를 반영한 주제로 연수를 구성할 수 있다. 이런 도움을 받으면 연수의 전반적인 목적과 내용이 좀 더 효율적으로 구성되며, 교사에게 필요한 역량을 적기에 효과적으로 함양할 수 있는 연수를 제공할 수 있게 된다.

'연수봇'의 또 다른 기대 효과는 연수 콘텐츠의 품질 향상이다. 신속하게 구체적으로 연수 프로그램을 제안할 수 있고, 외부 전문가의 피드백이 있더라도 빠르게 대처할 수 있으므로, 연수 발주 기관과 운영 용역사와의 조정 및 커뮤니케이션이 원활하게 진행될 수 있어 협력이 원활해질 것으로 예상된다. 연수 기획 단계에서 고질적인 시간 소비 단계인 교육과정 파악과 문서 비교에 소요되는 시간을 단축하여 연수 기획자가 연수의 본질적 목표인 교육 성과 향상에 집중할 수 있게 할 수 있다.

2) 연구의 한계와 극복 방안

이번 연구에서 교원 연수 기획 및 검증을 위한 '연수봇'을 개발하고 이를 테스트하여 긍정적인 효과를 확인할 수 있었으나, 몇 가지 한계점을 가지고 있다. 각 한계점을 극복할 방안을 함께 제안하고자 한다. 첫째, 본 연구에서 개발된 '연수봇'이 특정 과목인 정보 교육에 국한되어 있다는 한계가 있다. 현재 '연수봇'은 정보 과목을 중심으로 개발되어 다른 과목에 대한 적용성이 제한적이다. 정보 과목에 국한된 이유는 모든 과목의 교육과정을 분석하고 처리하기에는 분석 도구의 한계가 있을 수 있기 때문이다. 그러나 교원 연수의 대상 과목은 매우 다양하고, 특히 융합 교육의 중요성이 커지고 있는 만큼 타 과목 연수에도 활용할 수 있도록 기능적 확장이 필요하다. '연수봇'이 정보 과목뿐만 아니라 다양한 과목의 특성을 반영한 연수 콘텐츠를 개발하고 기획할 수 있도록 범용적인 도구로 발전해야 한다.

한계를 극복하기 위해 ‘연수봇’을 여러 과목으로 확장할 수 있는 모듈형 구조를 구축해야 한다. 여러 과목을 반영한 데이터를 추가 수집하고 수집된 데이터를 학습하여, '연수봇'이 과목에 상관없이 맞춤형 피드백을 제공할 수 있도록 개선할 필요가 있다. 아울러 교사의 연수 경험과 연수 이수 후 의견을 수집하고 이를 반영하여 과목에 대한 전문성을 갖출 수 있도록 지속적인 업데이트와 튜닝을 해야 한다.

둘째, 이번 연구에서는 학습용 데이터베이스(DB)를 구축하지 않고, GPTS 기능만 활용하여 '연수봇'을 개발한 점은 또 다른 한계이다. GPT는 일반적인 텍스트 데이터를 다수 학습하여 만들어낸 생성형 인공지능으로서 정보를 처리하고 학습할 수 있는 능력이 있지만 특정 분야의 내용을 전문적으로 다루는 데는 한계가 있을 수밖에 없다. 특정 교육과정 자료나 교과서 콘텐츠를 데이터베이스로 직접 연결하여 답변을 전공 분야로 필터링할 수 없었던 점은 전문성이 제약되는 요소로 작용하였다고 예상된다. 이 한계를 극복하기 위해서는 RAG 모델과 같이 GPT 모델과 별도의 데이터베이스를 연계하는 기술적 개선이 필요하다(안해연, 2024). 교육과정이나 교과서처럼 연수 기획과 관련된 정보를 저장하고 검색할 수 있는 데이터베이스를 구축하고 '연수봇'이 이를 먼저 검색하고 이후 생성형 인공지능 모델과 연결할 수 있는 RAG 모델을 구축해야 한다. GPT 모델의 생성 능력과 데이터베이스 검색 능력을 결합하여 정확하고 체계적인 결과를 생성할 수 있다. 학습관리시스템(LMS) 등 교육 관련 시스템의 정보를 반영하고, 교사에게 필요한 정보에 쉽고 신속하게 접근 가능한 환경을 제공함으로써 '연수봇'의 신뢰성을 높일 수 있을 것이다.

셋째, 이번 연구에서 기존 사례를 충분히 활용하지 못한 점도 한계로 작용할 수 있다. 연수 콘텐츠 개발 및 교원 연수 기획과 관련된 기존 연구나 사례 데이터는 유용한 참고 자료가 될 수 있지만, 이번 연구에서는 이런 데이터를 체계적으로 활용하지 못하였다. 즉 '연수봇'의 기획 및 설계 과정에서 다양한 기존 사례에서 얻을 수 있는 인사이트와 경험을 충분히 반영하지 못한 측면이 있다. 이러한 한계를 극복하기 위해서 기존의 연수 프로그램 계획서, 연구 자료, 피드백 등을 수집·분석하여 '연수봇'의 학습에 반영하여야 한다. 기존의 연구 자료를 바탕으로 교사가 요구하는 구체적이고 실용적인 연수 기획 방안을 모델에 추가한다면 더욱 좋은 서비스가 될 수 있을 것이다. 결국 '연수봇'의 한계는 특정 과목에 한정된 적용, 데이터베이스 미활용, 기존 개발 사례 활용의 부족으로 정리할 수 있다. 하지만 '연수봇'은 적용 범위를 확장하고 과목 맞춤형 정보를 보완한다면 연수 기획에 유효한 범용적인 도구로 발전할 수 있는 잠재력이 있다. 앞으로, 제시된 한계를 보완한다면 ‘연수봇’은 교원 연수 기획 단계의 지원 효과를 극대화할 수 있는 도구가 될 수 있을 것으로 예상된다.

5. 참고문헌

강민수, 김한솔, 김희규, 주영효. (2023). 교사의 AI·디지털 활용 교육정책 내실화 방안 탐색. 한국교원교육연구, 40(2), 111-140. 구교준, 김지원, 최영빈, 김규환, 홍지은. (2024). 인공지능과 로봇기술의 노동시장 파급효과 분석을 위한 일자리 대체가능성 지수의 개발. 행정논총, 62(3), 37-74.

권미선. (2024a). GPTS 기반 문제해결 맞춤형 챗봇 제작 및 수학적 성능 분석. 초등수학교육, 27(3), 303-320. 금선영. (2024). 데이터 기반 맞춤형 수업을 위한 교사 역량에 대한 교육요구도 분석. 교육정보미디어연구, 30(5), 1519-1539.

김상우, 이명숙. (2024). 학습자 중심의 맞춤형 교육을 위한 학습 경험 데이터 수집 및 분석체계 연구. 실천공학교육논문지, 16(2), 159-165. 김승재, 조규락. (2024). 교육부 디지털교육전환 정책 키워드 분석. 정보교육학회논문지, 28(4), 431-444. 김일주. (2024). 교육 분야 디지털 전환 사례 연구: 해외 사례를 중심으로. 벤처창업연구, 19(5), 111-124. 김종호. (2022). 인공지능 시대 패러다임 전환과 지속가능 교육. 법이론실무연구, 10(1), 9-53. 노진규, 강현석. (2024). 초등학교 디지털 기반 교육의 외재성 비판 및 시사점 탐색: 아이들의 흥미는 어디에서 오는가. 창의력교육연구, 24(3), 93-118.

문승혁. (2019). 빅데이터 환경 분석과 글로벌 경쟁력 확보 방안에 대한 연구. 문화기술의 융합, 5(2), 361-366. 범은애, 전인숙, 한지연. (2023). 인공지능(AI) 기반 맞춤형 학습의 효과검증: 기초 수학수업 사례 중심으로. 사물인터넷융복합논문지, 9(3), 35-43.

신보미, 류경민, 김경용, 강성모, 주재은. (2024). 생성형 AI를 활용한 디지털 리터러시 개발 방안 모색: CHATGPT 기반 수학 교수·학습 자료 개발을 중심으로. 한국학교수학회논문집, 27(2), 151-176. 안해연. (2024). 교원 업무경감을 위한 생성형 AI 질의응답 시스템의 개발 및 평가. 교육공학연구, 40(3), 719-751. 이선복. (2024). 맞춤형 학습을 위한 지능형 튜터링 시스템의 소개. 교육과학연구, 55(1), 161-223. 이승현, 이영호. (2024). AI 디지털교과서 도입에 대한 초등 교사 인식 연구. 정보교육학회논문지, 28(4), 377-386. 이종승, 이재진. (2024). 인공지능 맞춤형 교육을 위한 AI 디지털 교과서 선도학교의 기술 성숙도와 기술활용 사례연구. 초등교육연구논총, 40(3), 89-119.

임경화, 신정민, 이두완. (2020). AI 융합형 인재양성을 위한 학습자 맞춤형 훈련프로그램 모델 수립방안: 고용노동부의 STEP을 중심으로. 실천공학교육논문지, 12(2), 339-351. 임유진, 홍선주, 임지영. (2024). 교사의 AI·디지털 활용 현황 및 요구에 기반한 지원 방향 탐색. 교육정보미디어연구, 30(2), 303-323.

임태형, 양은별, 기수현, 김국현, 정유선, 이선옥, 류지헌. (2023). CHATGPT를 활용한 텍스트 데이터에서 키워드 추출: 수동방식과의 유사도 비교를 중심으로. 교육공학연구, 39(4), 1337-1368. 장지원, 박정수, 한옥영. (2023). 학습자 유형과 특성을 고려한 AI 교육 적응형 학습 시스템의 연구 및 설계. 한국컴퓨터교육학회 학술발표대회논문집

정고은, 이대기, 이현정, 심창용, 황필아. (2021). 초등영어 학습용 챗봇의 구성과 한계: AI 펭톡을 중심으로.

초등영어교육, 27(4), 95-121.

정영식, 유정수. (2024). 체제적 교수설계에 따른 AI 디지털교과서 기반의 교수학습 모형 개발. 정보교육학회논문지, 28(1), 37-46. 정천수. (2023). LLM 애플리케이션 아키텍처를 활용한 생성형 AI 서비스 구현: RAG모델과 LangChain 프레임워크 기반. 지능정보연구, 29(4), 129-164.

조영주, 박인우. (2024). 고등학교 교사의 디지털 리터러시 역량과 스마트기기 활용에 대한 인식 수준의 관계에서 TPACK의 매개효과에 관한 연구. 교육정보미디어연구, 30(1), 81-102. 천재성, 문일영. (2024). 인공지능(AI) 기반 직업 훈련 평가 데이터 분석 및 취업 예측프로그램 구현. 실천공학교육논문지, 16(4), 409-414.

최서연, 차나라, 정현서, 노한나, 김대권. (2024). 초등교사들의 AI 디지털교과서 도입에 대한 인식. 학습자중심교과교육연구, 24(18), 769-791. 최현희, 이윤지, 이하윤. (2023). 은닉 마르코프 모델을 이용한 적응형 학습경로 생성에 관한 연구. Journal of The Korean Data Analysis Society, 25(2), 585-597.

황재운, 정제영, 박지애, 정영식, 박주형, 김인재. (2024). 디지털 기술의 교육적 활용을 위한 비판적 고찰. 교육행정학연구, 42(1), 683-712.