느린 사고를 활용한 투명한 AI 튜터링 프레임워크 SLOW

본 논문은 대규모 언어 모델(LLM)이 교육 대화에서 보여주는 높은 언어 유창성에도 불구하고, 학습자 상태 추론과 교수 전략 선택을 동일한 생성 과정에 압축함으로써 발생하는 구조적 문제점을 지적한다. 기존 LLM 기반 튜터는 ‘빠른 사고’(System 1) 방식으로 직관적인 응답을 즉시 생성하지만, 이 과정에서 인지 진단, 정서 파악, 교수 행동이 얽혀 있어 진단 근거를 검증하거나 전략을 교정하기 어렵다. 이러한 한계를 극복하고자 저자들은 인간 교사의 형성 평가 과정과 이중시스템 이론을 모델링한 ‘느린 사고’를 구현한 프레임워크 SLOW를 제안한다. SLOW는 네 개의 순차적 모듈로 구성된다. 첫 번째 모듈인 증거 파싱은 학습자의 발화에서 인지적 증거와 정서적 증거를 구분한다. 마코프 블랭킷 원리를 적용해 각 지식 구성요소(KC)에 대해 최소 충분한 특징 집합을 자동 추출하고, 이를 고차원 임베딩(z_k)으로 변환한다. 동시에 정서 극성(p), 강도(ι), 증거(E_e)를 추출해 정서 벡터(e)를 만든다. 두 번째 모듈인 인지 검증에서는 퍼지 인지 판별기를 사용해 각 KC에 대한 숙달 수준을 연속적인 멤버십 분포(Unknown, Insufficiently Known, Known, Learned)로 표현한다. 여기서 핵심은 반사실 시뮬레이션이다. 가상의 ‘학습자가 이미 K 단계에 있다’는 가정을 설정하고, 해당 가정 하에서 기대되는 특징 집합(F_sim_k)을 생성한다. 실제 관측 특징(F_orig_k)과의 차이 Δ_sim을 계산해 진단의 안정성을 정량화하고, Δ_cf(반사실 전이 비용)와 함께 퍼지 규칙에 입력해 진단 점수를 반복적으로 조정한다. 이 과정을 통해 최종 인지 상태 C_final이 안정화되고, 진단 과정이 투명하게 추적 가능해진다. 세 번째 모듈인 정서 예측은 초기 정서 상태(e_before)를 기반으로 후보 교수 행동별 정서 궤적을 전방 롤아웃한다. 정서 시뮬레이터는 사전 학습된 정서‑행동 매핑을 이용해 행동이 정서에 미치는 영향을 모델링하고, 각 행동에 대한 정서 위험 점수를 산출한다. 마지막 전략 통합 단계에서는 인지 이득과 정서 위험을 다중 목표 최적화 형태로 결합한다. 행동 a에 대한 기대 효용은 P(s_i, μ_I, E_k | a)·Reward_cognitive – λ·Risk_affective 로 정의되며, λ는 교사의 정서 민감도 파라미터이다. 최적 행동은 argmax_a 로 선택되고, 선택 과정과 근거는 시각화된 워크스페이스에 기록된다. SLOW의 효과를 검증하기 위해 인간‑AI 협업 평가와 소거 실험을 수행했다. 인간 평가자는 SLOW와 기존 단일패스 LLM 튜터의 응답을 비교해 개인화 정도, 정서 적합성, 명료성을 5점 척도로 평가했으며, SLOW가 모든 차원에서 통계적으로 유의미하게 우수함을 보고한다. 소거 실험에서는 각 모듈을 하나씩 제거했을 때 성능이 급격히 저하되는 것을 확인해 모듈 간 상호 의존성과 전체 시스템에서의 필수성을 입증했다. 본 연구는 LLM 기반 튜터링에 투명하고 검증 가능한 인지‑정서 모델링을 도입함으로써, 교사와 학습자가 시스템의 판단 근거를 이해하고 신뢰할 수 있는 기반을 제공한다. 특히, 반사실 시뮬레이션을 통한 진단 안정성 확보와 정서 시뮬레이션을 통한 감정 위험 관리가 기존 시스템에 비해 교육적 타당성과 사용자 만족도를 크게 향상시킨다. 앞으로 다양한 학습 도메인과 장기 학습 시나리오에 적용해 확장성을 검증하고, 실시간 인터랙션 효율성을 높이기 위한 테스트‑타임 스케일링 기법과의 통합 연구가 필요하다.