The future of practice: Enabling teachers to create learning interactives with generative UI

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Google Research는 교사가 승인한 학습 목표와 교육적 가드레일을 바탕으로 GenUI가 맞춤형 학습 시뮬레이션을 생성하는 연구를 공개했으며, 초기 교사 평가는 긍정적이지만 실제 학습 효과는 후속 연구로 검증할 예정이다.

📌 핵심 요약

• Google Research는 2026년 9월 17일 생성형 사용자 인터페이스(GenUI)를 활용해 교사의 교육과정과 학습 목표에 맞춘 안내형 학습 시뮬레이션인 learning interactives를 동적으로 생성하는 연구 실험을 소개했다.
• 공개 라이브러리는 중·고등학교 중심의 영어 STEM 학습 시뮬레이션 30개 이상을 제공하며, 모두 AI가 생성하고 교사가 검토·승인했다.
• 교사가 수정·승인한 학습 목표를 기준으로 난도가 높아지는 단계별 과제와 도입 설명, 공식·이론 도구함, 단계별 힌트, 맞춤형 피드백, 풀이 예시를 구성해 능동적 탐구를 지원한다.
• 생성 과정의 자기 수정 루프는 교육적 적합성, 작동 여부, 해결 가능성, 시각적 방해 요소를 점검한다. 영국 STEM 교사 평가에서는 전반적으로 좋음 또는 우수 평가를 받았고, 미국 교사 12명이 각자 요청한 맞춤형 시뮬레이션 3개씩에 대한 품질 평가는 평균 10점 만점에 8점이었다.
• Google Workspace for Education을 사용하는 학교는 Google for Education Pilot Program에 참여 신청할 수 있다. 새 시뮬레이션의 공개에는 교사 승인이 필요하며, 교실에서의 학습 성과와 학생 참여도는 향후 UX 연구와 현장 연구로 평가할 예정이다.

🧩 주요 포인트

1. 고정된 시뮬레이션에서 GenUI 기반 맞춤 생성으로 전환 → 교사가 교육과정과 학습 목표에 맞춰 학습 경험을 조정할 가능성 확대.
2. 단계별 과제·학습 지원과 자기 수정 루프 결합 → 능동적 탐구와 생성물의 품질을 함께 추구하되 생성 시간은 증가.
3. 초기 교사 품질 평가와 실제 학습 성과 검증의 구분 → 긍정적 수용성은 확인했지만 교육적 효과 판단에는 후속 현장 연구가 필요.

🧠 상세 정리

1. 수동적 디지털 학습에서 맞춤형 연습으로

Google Research의 Gal Elidan과 Yael Haramaty는 2026년 9월 17일, 교사가 맞춤형 학습 시뮬레이션을 만들 수 있도록 지원하는 연구 실험을 소개했다. 온라인 교과서와 동영상 라이브러리는 정보 접근성을 높였지만, 디지털 학습은 여전히 수동적인 경험에 머무는 경우가 많다는 문제의식에서 출발한다. 학생이 스스로 생각하고 해결 과정을 탐색하도록 돕는 상호작용적·다중양식 연습은 잠재력이 크지만, 제작 비용이 높고 수가 제한적이며 교사의 추가 노력도 요구한다. 연구진은 학습에 맞게 최적화한 생성형 사용자 인터페이스인 GenUI를 활용해 교사의 목표와 교육과정에 맞는 안내형 시뮬레이션을 동적으로 생성했다. 초기 시험 참여 교사들의 긍정적 의견을 바탕으로, AI가 생성하고 교사가 검토한 중·고등학교 중심의 영어 STEM 학습 시뮬레이션 30개 이상을 공개했다.

2. 능동적 학습을 뒷받침하는 이론과 선행 연구

연구진은 학생이 직접 활동할 때 더 잘 배운다는 학습과학 원리를 이번 실험의 출발점으로 제시한다. 1916년 학생에게 할 일을 주어야 한다고 주장한 John Dewey와 학습자의 지식 구성을 탐구한 Jean Piaget의 연구를 통해 능동적 참여의 중요성을 설명한다. 현대 인지 연구인 ICAP 프레임워크도 상호작용적 행동이 수동적인 듣기나 읽기보다 깊은 스키마 구성과 장기 기억에 도움이 된다는 근거로 소개한다. 학생이 실험하고 가설을 검증하며 문제를 해결하면 더 완전한 정신 모형을 형성한다는 것이 이 논리의 핵심이다. 능동적 학습은 2024년 공개된 교육용 생성형 AI 모델 계열 LearnLM의 핵심 원리이며, 2025년에는 교과서를 생성형 AI로 재구성하는 Learn Your Way 실험에서도 탐구됐다. 이번 연구는 이러한 흐름을 이어 교사가 더 능동적이고 몰입도 높은 디지털 학습 경험을 만들 수 있는지 살핀다.

3. 교육 목적에 맞춘 GenUI와 교사의 목표 승인

GenUI는 사용자 인터페이스를 미리 코딩하는 대신 AI 모델이 동적으로 구성하는 연구 분야다. 연구진은 이를 짧은 상호작용을 넘어 깊이 있는 학습 과정에 활용하기 위해 교수 설계와 교육적 가드레일을 적용했다. 핵심 원칙은 교육과정 및 교사가 승인한 학습 목표와의 정렬, 동기와 안내를 갖춘 능동적 탐구 학습, 그리고 시뮬레이션의 사실적 정확성이다. 생성 과정에서는 교사가 먼저 다룰 주제를 제안하고, 시스템이 구체적이고 일관된 학습 목표를 생성한다. 교사는 이 목표를 교육과정에 맞게 수정할 수 있으며, 반드시 승인된 목표가 시뮬레이션 생성의 기준이 된다. 지구과학의 경우 구름의 양에 따른 지역 기온 변화 비교나 풍속·풍향이 날씨에 미치는 영향 예측처럼, 학생이 수행해야 할 활동을 명확히 표현하는 방식이다.

4. 단계별 도전과 학습 지원의 결합

학습 시뮬레이션은 복잡한 주제를 명확한 목표가 있는 여러 단계로 나누고, 학습 목표에 따라 과제의 난도를 점차 높이는 게임 기반 설계를 채택한다. 지구과학 사례에서는 기온을 다루는 첫 단계에서 출발해 급격한 온난화와 폭풍에 관한 더 어려운 과제로 진행한다. 학생이 실험을 반복하고 점점 복잡한 개념을 익히면서 역량이 향상된다는 감각을 얻도록, 의도적인 연습과 조정된 난도를 결합한다. 지원 요소에는 사전 지식을 떠올리게 하는 도입 설명, 관련 공식과 이론을 담은 도구함, 여러 수준의 힌트, 특정 응답이 효과적인지 설명하는 맞춤형 피드백이 포함된다. 학생이 직접 탐색한 뒤 이해를 강화할 수 있도록 풀이 예시도 제공하며, 이러한 요소는 교사와 학생의 시험 사용을 거쳐 반복적으로 개선됐다. 연구진은 맥락에 맞는 실시간 안내를 통해 학생이 비판적으로 사고하고 스스로 해결책을 찾도록 돕는 데 초점을 둔다.

5. 자기 수정 루프로 생성 품질 점검

연구진은 생성물의 품질을 관리하기 위해 교육적 가드레일에 따라 결과를 반복적으로 평가하고 수정하는 자기 수정 루프를 구축했다. 이 과정은 최종 시뮬레이션을 생성하는 시간을 늘리지만, 정해진 품질 기준을 더 충실히 따르게 하기 위한 선택이다. 교육적 기준에서는 각 단계가 학습 목표를 제대로 다루고 난도가 점진적으로 높아지는지 확인하며, 작동 기준에서는 버튼의 정상 작동과 단계의 해결 가능성을 살핀다. 시각적 기준에는 주의를 분산시킬 수 있는 불필요한 인터페이스 객체가 있는지도 포함된다. 일부 자동 평가는 에이전트 방식으로 수행되며, 해결 가능성 평가의 경우 Chrome 인스턴스를 열어 실제 사용자처럼 시뮬레이션과 상호작용한다. 특정 풀이의 유효성뿐 아니라 조절값을 극단으로 이동하는 등의 적대적 조작도 시험하고, 생성 결과가 요구 기준을 모두 충족할 때까지 수정 루프를 반복한다.

6. 교사 검토를 거친 공개 자료와 영국 평가

연구진은 기술이 교육자와 그 목표를 지원해야 한다는 원칙 아래, 교사를 학습 시뮬레이션의 적합성을 판단하는 중심에 둔다. 어떤 시뮬레이션이 학생의 관심을 끌고 교육과정의 어느 시점에 들어가야 하는지는 교사가 가장 잘 이해한다는 설명이다. 공개 시점에 라이브러리에서 제공되는 모든 자료는 교사의 검토와 승인을 거쳤으며, 케플러의 행성 운동 법칙, 데이터 시각화, 포물선 운동 같은 학교 교육과정 주제를 포함한다. 별도로 영국 STEM 교사들이 학습 시뮬레이션 모음을 평가했으며, 본문에 제시된 도표는 전문가 교사가 40개 STEM 시뮬레이션에 부여한 교육적 기준별 평균 평점을 다룬다. 연구진은 전반적인 평가가 좋음 또는 우수였고, 물리와 화학이 시뮬레이션 제작에 특히 적합했다고 보고한다. 상세 평가 방법과 결과는 기술 보고서에 제시되어 있으며, 이 본문에는 기준별 구체적인 점수가 열거되지 않는다.

7. 미국 교사들의 초기 반응과 맞춤화의 가치

미국에서 진행한 초기 연구에는 교사 12명이 참여했으며, 각 교사는 자신의 교실에 필요한 서로 다른 맞춤형 시뮬레이션 3개를 요청했다. 생성된 시뮬레이션의 품질에 대한 교사 평가는 평균 10점 만점에 8점으로, 연구진은 반응이 매우 긍정적이었다고 설명한다. 교사들은 고정된 기성 시뮬레이션으로는 수업을 차별화하기 어렵다는 오랜 문제를 동적 생성이 해결할 수 있다는 점을 강조했다. 한 고등학교 과학 교사는 교육과정 주제를 입력해 시뮬레이션을 얻을 수 있는 가능성에 기대를 나타냈고, 중학교 과학 교사는 교수 목표와 학습 목표에 정확히 맞는 자료를 직접 구성할 수 있다는 점을 높이 평가했다. 단계별 힌트와 풀이 예시는 교사가 학생을 개별 지원할 때 제공하는 순차적 안내와 유사하다는 반응도 있었다. 또한 단계 진행이 실제 평가 및 연습 문항과 잘 맞는다는 의견이 제시됐지만, 이 초기 연구에서 보고한 수치는 학생의 학습 성과가 아니라 교사의 품질 평가다.

8. 학교 파일럿과 남아 있는 효과 검증

연구진은 라이브러리를 확대하면서 교실 교사들과 함께 개선점을 찾아가겠다고 밝혔다. Google for Education과 협력해 세계 여러 학교와 교실에서 파일럿을 진행할 계획이며, Google Workspace for Education을 사용하는 학교는 Google for Education Pilot Program을 통해 참여를 신청할 수 있다. 참여 교사는 교육과정, 학습 목표, 학년에 맞는 맞춤형 STEM 개념의 시뮬레이션을 요청할 기회를 갖게 된다. 새로 생성된 자료는 먼저 요청한 교사에게 전달해 검토받으며, 교사의 검증과 승인이 있어야 공개 라이브러리에 추가할 수 있다. 연구진은 이와 별도로 UX 연구와 현장 연구를 수행해 교실에서 시뮬레이션을 사용할 때의 학습 성과와 학생 참여도를 평가할 예정이다. 따라서 현재 발표는 초기 교사 반응과 제작·검토 방식의 가능성을 보여주는 단계이며, 실제 수업에서 얼마나 효과적인지는 후속 연구로 확인할 과제로 남아 있다.

🧾 핵심 주장 / 시사점

• 맞춤 생성의 핵심 가치는 시뮬레이션의 수를 늘리는 데 더해, 고정된 자료로 어려웠던 교육과정 정렬과 수업 차별화를 교사가 주도할 수 있게 하는 데 있다.
• 교육적 가드레일은 학습 목표 승인부터 단계별 안내, 자동 평가, 공개 전 교사 검토까지 이어진다. 생성 속도보다 교육적 적합성과 작동 품질을 확보하려는 설계다.
• 교사의 높은 품질 평가는 초기 수용 가능성을 뒷받침하지만, 학생의 학습 성과 향상을 직접 입증하지는 않는다. 예정된 현장 연구가 이 차이를 확인하는 데 중요하다.

✅ 액션 아이템

• 공개된 영어 STEM 학습 시뮬레이션 30개 이상을 교육과정과 학습 목표에 맞춰 검토.
• Google Workspace for Education 사용 학교의 Google for Education Pilot Program 참여 검토.
• 후속 UX 연구와 현장 연구에서 학습 성과와 학생 참여도 결과 확인.

❓ 열린 질문

• GenUI 기반 맞춤 생성은 다양한 교육과정과 학습 목표에 얼마나 일관되게 부합할 수 있을까?
• 자기 수정 루프로 늘어나는 생성 시간은 교사의 맞춤형 시뮬레이션 활용에 어떤 영향을 줄까?
• 초기 교사 품질 평가의 긍정적 결과가 후속 현장 연구에서도 학습 성과와 학생 참여도 향상으로 이어질까?