연구문제와 실험설계 검토

2026-10-23 조사 제안. 사용자 후속 요청을 반영한 연구 논리 초안이며 제목·연구문제·가설·기반 모형을 확정하거나 발표 덱을 변경한 문서가 아니다. 후보10개의 상세 비교는 같은 폴더 README.md, 원문별 검토는 분야별 report.md와 evidence.json을 따른다.

1. 이번 연구의 출발점

핵심 질문은 학생이 AI와 함께 인터랙티브 작품을 만들면서 어떤 창작 판단과 기술적 이해를 실제로 배우도록 할 것인가다. 먼저 이 목표를 정하고, 그 목표를 지원할 활동과 모형을 선정해야 한다. 모형 이름에 맞춰 문제를 뒤늦게 만드는 순서는 피한다.

현재 ‘코딩 초보 창작자’는 후보의 적합성을 검토하기 위한 대상 가정이며 실제 참여자의 전공·코딩/예술/AI 경험은 아직 조사·확정하지 않았다. 또한 ‘바이브 코딩’은 자연어로 코드 생성을 이끌고 반복 제작하는 교육적 사용을 우선 검토 중이다. 코드 이해를 의도적으로 생략하는 사용까지 같은 처치로 볼지는 조작적 정의에서 결정해야 한다.

예술·코딩·AI를 함께 가르친 선행연구가 전혀 없다는 주장은 성립하지 않는다. Fiebrink의 창작자 대상 ML 교육은 이미 대학·대학원에서 예술적 목표와 기술적 판단, 도구의 실험적 사용을 연결했다. 다만 지도학습/인터랙티브 ML의2019 수업이므로 현재 LLM 공동코딩의 효과 검증과는 구분해야 한다. Fiebrink, 2019 ↗

2. 사회적·산업적·학술적 배경의 연결

위 마지막 열은 선행연구를 우리 맥락에 옮길 때의 경계다. ‘사회가 변했다→AI가 필요하다’만으로 특정 수업모형의 우월성이나 특정 가설이 자동 도출되지는 않는다.

3. 세 영역의 학습목표와 융합 시 생기는 긴장

이 표의 ‘장치’는 문헌에서 도출한 설계 후보이며 검증된 새 모형으로 이름 붙인 것이 아니다. 예술적 의도·기술적 이해·AI 조율에 관한 주장은 arts, computing, learning_sciences, cps 보고서의 긍정·무효·상충 결과와 함께 판단해야 한다. AI 사용의 고착 위험을 보여 준 시각발상 실험도20분·특정 도구·제시 예시라는 조건을 가진다. Wadinambiarachchi et al.2024 ↗

예컨대 ‘관객의 거리와 움직임에 반응하는 빛·소리 작품’에서 예술 수업은 어떤 경험을 만들지 묻고, 코딩 수업은 거리 입력·상태 변화·반응을 다루며, AI 활용 수업은 생성된 코드를 어떤 기준으로 확인하고 수정할지 다룬다. 세 과목을 연달아 소개하는 것보다 같은 창작 판단을 세 관점에서 다루는 구성이 연구할 만한 통합 방식이다.

4. 모형을 융합할 때의 원칙

1. 수업 전체를 조직하는 틀을 먼저 고른다. 예: SBL의 반복 제작·크리틱, 프로젝트 기반 학습의 프로젝트 운영, TMSI의 제작·공유·개선.
2. 초보자의 특정 학습을 지원하는 과정을 필요한 구간에 배치한다. 예: PRIMM이나 UMC를 기능 탐구·수정 시간에 사용한다.
3. AI 사용에 관한 지원을 공통 또는 비교 조건으로 명시한다. 설명 요청, 대안 탐색, 검증, 도움의 점진적 축소 등이 여기에 해당한다.
4. 평가틀을 선택한다. Studio Thinking의 습관, Arts PROPEL의 과정기록, CT의 개념·실천·관점은 각기 측정·관찰을 돕는다. 이들을 모두 학생이 거치는 연속 단계로 만들지 않는다.

이렇게 결합한 교육과정을 적용하는 연구도 가능하다. 새로운 모형 개발이라고 주장하려면 왜 그 결합이 필요한지, 요소 사이의 관계와 운영 규칙이 무엇인지, 어떤 검토와 적용 증거로 개선했는지를 보여 주어야 한다. 모형을 여러 개 인용하거나 새 약어를 붙이는 것만으로 개발의 기여가 되지는 않는다.

5. 현재 근거에서 도출할 수 있는 연구 공백

이번 검색은 ‘관련 연구 없음’을 지지하지 않는다. 기존 연구에는 창작자 대상 컴퓨팅·ML 교육, AI 미술/디자인 수업, PRIMM·UMC, 국내 TMSI 및 AI 창작 수업이 이미 존재한다.

대신 이번에 확인한 자료만으로는 충분히 답하기 어려운 질문은 다음과 같다.

• 대학의 코딩 초보 창작자가 LLM과 인터랙티브 작품을 만드는 맥락에서, 어떤 지원 조합이 창작의 주도성과 기능 이해·수정을 함께 돕는가.
• 공통 AI 도구·내용·시간 아래 서로 다른 학습 활동을 비교했을 때 작품 성취와 학습 성취가 어떻게 달라지는가.
• 결과물의 높은 점수·만족도·자기효능감과 실제 설명·수정 능력이 일치하는가.
• 예술적 판단, 코드/상호작용의 판단, AI 제안의 채택·검증이 어느 제작 순간에서 연결되거나 끊기는가.

특정 모형 조합·대학 대상·인터랙티브 아트·LLM 공동코딩·독립 수행 평가가 모두 겹치는 직접 비교 근거는 이번 검색에서 확인하지 못했다. 이것은 모든 언어·모든 학술 DB의 부재 증명이 아니다. 최종 모형과 비교 변인을 정한 뒤 그 조합에 대한 후속 검색으로 신규성을 다시 확인해야 한다.

6. 연구문제와 가설 후보

연구문제 후보

• RQ1 요구·원리: 대학의 바이브 코딩 기반 인터랙티브 아트 창작에서 예술적 판단·기능 이해·AI 조율을 지원해야 하는 활동과 어려움은 무엇인가?
• RQ2 적용·비교: 선택한 수업 운영 및 학습지원 조건에 따라 작품의 성취와 학습자의 설명·수정 수행은 어떻게 달라지는가?
• RQ3 과정: 이러한 차이는 제작·크리틱·AI 상호작용·검증 과정에서 어떻게 나타나며, 어떤 조건에서 지원이 충분하거나 부족한가?

RQ1은 제작 과정·결과물 유형을 보편 분류하는 독립 연구를 의무화하지 않는다. 실제 수업설계에 필요한 차이—입력 방식, 상태/시간 구조, 관객 개입, 필요한 검증—를 분석하는 범위에서 사용할 수 있다. ‘모형 개발’ 경로를 택하면 RQ2에 설계·전문가 검토·개선 질문을 추가하고, ‘모형 비교’ 경로를 택하면 비교 효과와 적용 조건을 중심으로 다시 정리한다.

한 모형 적용 경로의 RQ2는 ‘선택한 모형을 적용한 수업에서 작품 성취와 학습자의 설명·수정 수행은 어떻게 나타나며 어떤 개선이 필요한가?’로 쓸 수 있다. 이 문구는 비교집단의 존재나 인과효과를 미리 요구하지 않는다.

예시: 공통 스튜디오 수업 안에서 PRIMM 지원과 UMC 지원을 비교한다면

아래 H1은 코드 설명·수정 능력을 주 결과로 선택했을 때의 예시다. 예술적 판단이나 창작 자율성을 주 결과로 정한다면 가설의 방향과 비교 조건도 다시 검토해야 한다.

H1 후보: 사전 수준을 고려했을 때, PRIMM 지원 조건은 UMC 지원 조건보다 새로운 짧은 상호작용 코드의 동작 설명·오류 수정 과제에서 높은 수행을 보일 것이다.

근거는 PRIMM의 예측·탐구·대화 활동이 이해를 명시적으로 다룬다는 점이다. 기존 PRIMM 연구는 이 가설을 생각할 근거이며 PRIMM이 UMC보다 좋다는 직접 검증 결과는 아니다. 두 조건의 UMC/Modify/Make 중첩을 고려해 실제 차이를 정의해야 한다.

RQ2-추가 탐색: 두 조건은 예술적 의도의 구현, 관객 상호작용의 완성도, 탐색한 대안의 다양성에서 어떤 차이를 보이는가?

이 결과들에 일괄적인 우월 방향을 가정할 근거는 현재 충분하지 않다. 코드 이해를 지원하는 활동이 작품의 새로움이나 완성도를 항상 높인다고 미리 단정하지 않는다.

과정 명제 후보: 자신의 의도를 설명하고 AI 제안을 검증·수정한 흔적이 풍부한 학습자는 독립적인 설명·수정 과제에서도 높은 수행을 보일 가능성이 있다. 이는 과정의 관련성에 관한 후보이며25명 규모의 자료에서 매개 인과관계가 확정된다는 뜻이 아니다. 메시지 수·프롬프트 길이를 곧바로 비판적 활용 능력으로 취급하지 않는다.

질적 요구 분석·개발 원리 연구·실행 가능성 연구는 모두 방향성 가설이 필수인 것은 아니다. 비교 효과를 주장할 질문을 선택했을 때 사전 가설과 주 결과를 구체화한다.

7. 실행 가능한 설계 선택지

강원대 한 반 최대 약25명이라는 현장 제약만으로 B·C가 불가능하다고 단정하지 않는다. 다만 세 모형 이상으로 나누면 조건별 정보가 더 줄어든다. 실제 참여자·배정 단위·결석·팀 활동·평가 안정성과 예상 차이에 따른 민감도/검정력 검토 후 확정한다. 단순히 다른 논문의 큰 효과크기를 가져와 모집 수가 충분하다고 계산하지 않는다.

같은 학생에게 A→B를 순서대로 실시하면 앞 활동에서 배운 것이 다음 활동에 남는다. 순서를 나누어도 누적 학습이 사라지는 것은 아니다. 동일 작품의 버전 수·코드 수정 횟수·전문가 평정 수를 독립 학생 수로 늘려 분석하지 않는다. 팀 작품이면 팀 평가와 개인 이해 검사의 단위를 구분한다.

두 조건 비교에서 필요한 공통 요소는 창작 과제와 난도, 교수자·피드백 시간, 사용 가능한 AI/개발 도구와 버전, 제공 예시, 수업 시간, 제출물, 평가 시점이다. 실제 조건 차이는 활동 지침과 실행 기록으로 확인한다. 동료 공유 때문에 조건이 섞일 수 있으므로 공유 시점과 범위를 설계에 포함한다. 이러한 사항은 앞선 lab_application_comparison_20261023/design_options/report.md의 비교설계 검토와 연결된다.

8. 평가 자료는 최소 네 층으로 분리

주 결과 한 가지와 중요한 보조 결과를 사전에 정하고, 나머지는 탐색으로 표시하는 편이 해석에 유리하다. 실제 가설·척도·표본을 정한 뒤에 통계모형을 고른다. 유의확률만 제시하기보다 조건별 분포·차이 추정과 불확실성·과정 사례를 함께 보고한다. 수업 평가와 연구 참여 동의, 익명화 범위는 기관의 연구 절차에 맞춰 분리해 준비한다.

9. 다음 결정의 순서

학습목표 우선순위 → 기반 운영틀 → 비교할 핵심 활동 → 주 결과와 평가과제 → 실제 표본·배정/일정 → 가설과 분석 → 제목·RQ·덱 조정 순서가 타당하다.

현재 가장 먼저 토론할 것은 ‘예술적 창작 판단을 중심으로 볼지, AI와 함께 만들되 이해·수정 능력이 남는지를 중심으로 볼지, 둘을 연결한 과정 원리를 밝힐지’다. 이번 조사에서는 이를 결정할 수 있도록 모형과 논문의 근거를 제시하며 한 경로를 자동 채택하지 않는다.