AI Agent 기반 교육지원 연구동향 분석 아이디어

지난 글에서는 AI Agent 활용 경험을 논문 주제로 연결하는 방법을 생각해 보았습니다. 매일 원고를 준비하고, 파일을 만들고, 이미지와 링크를 정리하는 과정도 그냥 사용기가 아니라 연구 자료가 될 수 있다는 이야기였습니다. 그러고 나니 자연스럽게 다음 단계가 떠올랐습니다. 내 경험만 들여다볼 것이 아니라, 이미 교육 분야에서는 AI Agent를 어떻게 연구하고 있는지 살펴보는 일입니다.

 

교육공학을 공부하다 보면 새로운 기술이 등장할 때마다 비슷한 흐름을 보게 됩니다. 처음에는 도구 소개와 가능성 논의가 많고, 조금 지나면 수업 적용 사례와 효과 검증이 나오며, 그 뒤에는 윤리, 교사 역할, 제도적 조건 같은 질문이 따라옵니다. 생성형 AI도 그랬고, AI Agent도 비슷한 길을 갈 가능성이 큽니다.

 

다만 AI Agent는 단순한 챗봇보다 업무 흐름과 더 가깝습니다. 사용자가 질문을 던지면 답을 주는 수준을 넘어, 파일을 읽고, 도구를 호출하고, 여러 단계를 이어서 처리합니다. 그래서 교육지원 연구에서도 “수업에 썼다”라는 말만으로는 부족합니다. 어떤 교육지원 업무에서, 어떤 도구 사용이 일어났고, 사람이 어디에서 판단했는지를 함께 보아야 합니다.

 

1. 먼저 검색어를 넓게 잡아 보기

 

연구동향을 보려면 검색어부터 정해야 합니다. 그런데 AI Agent라는 표현은 아직 논문마다 다르게 쓰일 수 있습니다. 어떤 논문은 autonomous agent라고 쓰고, 어떤 논문은 generative AI agent, LLM agent, intelligent tutoring agent, pedagogical agent 같은 표현을 쓸 수 있습니다. 교육 분야에서는 학습지원 에이전트라는 오래된 표현도 함께 섞여 있습니다.

 

그래서 처음에는 검색어를 좁게 잡기보다 넓게 잡는 편이 좋습니다. 예를 들어 “AI agent education”, “LLM agent learning”, “generative AI agent teacher support”, “autonomous agent educational support” 같은 조합을 생각해 볼 수 있습니다. 국내 자료라면 “AI 에이전트 교육”, “생성형 AI 에이전트”, “교육지원 AI”, “교사 업무 지원 AI” 같은 표현을 함께 볼 수 있습니다.

 

Hermes Agent 같은 도구를 활용한다면 이 단계에서 검색어 후보를 표로 정리해 달라고 요청할 수 있습니다. 다만 Agent가 만들어 준 검색어를 그대로 믿기보다, 실제 데이터베이스에서 검색해 보고 너무 넓거나 좁은 표현을 조정해야 합니다. 문헌 검색은 자동화할 수 있지만, 연구자가 범위를 정하는 일은 여전히 사람의 판단이 필요합니다.

 

2. ‘수업지원’과 ‘업무지원’을 구분해서 보기

 

AI Agent 기반 교육지원 연구를 볼 때 저는 먼저 두 갈래로 나누어 보고 싶습니다. 하나는 학생 학습과 수업을 직접 돕는 수업지원입니다. 예를 들면 학습자 질문 응답, 개별 피드백, 튜터링, 학습자료 추천, 과제 안내 같은 영역입니다. 이쪽은 기존의 지능형 튜터링 시스템이나 챗봇 연구와 연결됩니다.

 

다른 하나는 교사와 교육전문직의 업무를 돕는 업무지원입니다. 수업자료 초안 작성, 평가 문항 검토, 회의록 정리, 연수 기획, 정책자료 요약, 보고서 초안 작성 같은 영역입니다. 제가 블로그에서 계속 다루고 있는 부분은 이쪽에 더 가깝습니다. 학교 현장에서는 수업만큼이나 행정과 협의, 문서 업무가 큰 비중을 차지하기 때문입니다.

 

두 영역은 서로 이어져 있지만 연구 질문은 조금 다릅니다. 수업지원 연구는 학습 효과, 상호작용, 피드백의 질을 묻는 경우가 많습니다. 업무지원 연구는 시간 절감, 업무 흐름, 책임 소재, 자료 보안, 전문성 유지가 더 중요해집니다. 연구동향을 분석할 때 이 둘을 섞어 버리면 AI Agent가 실제로 무엇을 지원했는지 흐려질 수 있습니다.

 

3. 문헌을 읽기 전에 분류 틀을 작게 만든다

 

논문을 많이 모은 뒤에야 분류 기준을 만들 수도 있지만, 처음부터 작은 틀을 가지고 읽으면 훨씬 덜 헤맵니다. 예를 들어 연구 대상은 학생, 교사, 관리자, 교육전문직 중 누구인지 볼 수 있습니다. 지원 과업은 학습지원, 수업설계, 평가, 행정업무, 상담·생활지도, 전문성 개발 중 어디에 가까운지 나눌 수 있습니다.

 

또 AI Agent의 기능도 구분해 볼 수 있습니다. 단순 응답인지, 외부 자료 검색을 하는지, 파일을 읽고 요약하는지, 일정을 만들거나 문서를 생성하는지, 여러 도구를 이어서 쓰는지 보는 것입니다. AI Agent라는 이름을 붙였지만 실제로는 챗봇 수준인 경우도 있고, 반대로 작은 자동화 흐름까지 포함한 경우도 있을 수 있습니다.

 

연구 방법도 함께 봐야 합니다. 개념 논문인지, 사례연구인지, 실험연구인지, 설계기반연구인지, 문헌분석인지에 따라 해석이 달라집니다. 특히 초기 연구동향에서는 개념 논의와 가능성 탐색이 많을 수 있으므로, 효과가 입증된 것처럼 읽지 않도록 조심해야 합니다.

 

4. AI Agent에게 맡길 수 있는 일과 맡기면 안 되는 일

 

문헌분석 과정에서도 AI Agent는 꽤 유용합니다. 논문 목록을 정리하고, 초록을 표로 만들고, 연구 목적과 방법을 추출하는 작업은 반복적입니다. 사람이 하나씩 해도 되지만 시간이 오래 걸리고, 중간에 형식이 흐트러지기도 쉽습니다. Agent에게 일정한 표 형식을 주고 정리하게 하면 초벌 작업을 줄일 수 있습니다.

 

하지만 이 과정에도 선을 그어야 합니다. AI Agent에게 논문 원문을 다 읽고 결론까지 대신 내리게 하면 위험합니다. 특히 초록만 보고 연구 결과를 단정하거나, 실제 논문에 없는 내용을 그럴듯하게 보태는 문제가 생길 수 있습니다. 문헌분석에서는 출처 확인과 원문 대조가 매우 중요합니다.

 

저라면 Agent에게는 “정리”와 “검토 보조”를 맡기고, 연구자의 해석은 따로 남길 것 같습니다. 예를 들어 Agent가 초록에서 연구대상, 방법, 주요 키워드를 추출하게 한 뒤, 제가 원문을 확인하며 수정합니다. 그다음 분류 기준에 맞게 다시 묶어 보고, 애매한 논문은 별도 표시합니다. 자동화는 속도를 높이는 역할이고, 판단은 연구자가 맡는 구조입니다.

 

5. 교육전문직 관점의 질문을 따로 세워 보기

 

AI Agent 연구동향을 교육전문직 관점에서 본다면 조금 다른 질문이 생깁니다. 기존 연구가 학생 학습에 많이 치우쳐 있다면, 교사와 학교관리자, 교육청 업무를 지원하는 연구는 얼마나 있는지 궁금해집니다. 또 정책자료 요약, 연수 운영, 학교 지원 장학, 공문·보고 업무 같은 실제 업무가 연구에서 어떻게 다루어지는지도 볼 수 있습니다.

 

예를 들어 “AI Agent는 교사의 행정업무 부담을 줄이는가”라는 질문은 단순한 효율성 문제가 아닙니다. 줄어든 시간이 수업 준비와 학생 이해에 쓰이는지, 아니면 또 다른 업무로 채워지는지도 함께 보아야 합니다. 교육전문직 업무에서도 마찬가지입니다. 자료 요약이 빨라졌다고 해서 정책 판단이 자동으로 좋아지는 것은 아닙니다.

 

그래서 연구동향 분석에는 현장 맥락을 읽는 질문이 들어가야 합니다. 어떤 업무를 줄였는가, 어떤 책임은 여전히 사람에게 남는가, 학교 구성원은 AI Agent를 어떻게 받아들이는가, 자료 보안과 공정성 문제는 어떻게 다루는가 같은 질문입니다. 이런 질문이 있어야 교육지원 연구가 기술 소개에 머물지 않습니다.

 

6. 작은 분석표부터 만들어 보기

 

처음부터 완벽한 체계적 문헌고찰을 하려고 하면 부담이 큽니다. 저는 먼저 20편 정도의 논문이나 보고서를 대상으로 작은 분석표를 만들어 보는 방식이 현실적이라고 생각합니다. 제목, 연도, 국가, 대상, 지원 과업, 사용 기술, 연구 방법, 주요 결과, 한계, 교육현장 시사점을 열로 두고 정리해 보는 것입니다.

 

이 표를 만들면 연구동향이 조금씩 보입니다. 특정 연도 이후 논문이 늘어났는지, 학생 대상 연구가 많은지 교사 업무지원 연구가 많은지, 실제 학교 적용보다 개념 논의가 많은지 확인할 수 있습니다. 빈칸도 중요한 정보가 됩니다. 아직 연구가 부족한 영역이 어디인지 보여 주기 때문입니다.

 

Hermes Agent에게는 이 표의 초안을 만들게 할 수 있습니다. 예를 들어 논문 목록과 초록을 넣고, 정해진 열에 맞춰 1차 분류를 요청합니다. 이후 사람은 각 셀을 확인하고, 분류가 맞지 않는 부분을 고칩니다. 이렇게 하면 연구자는 반복 정리에 쓰는 시간을 줄이고, 해석과 논의에 더 많은 시간을 쓸 수 있습니다.

 

7. 블로그 연재와 연구동향 분석을 연결하기

 

이번 블로그 연재는 개인적인 AI Agent 사용 경험에서 시작했지만, 점점 연구와 강의로 이어질 수 있는 자료가 되고 있습니다. 매일 글을 쓰면서 교육현장 업무, 교사 지원, 교육전문직 업무경감, 학교관리자 업무 흐름 같은 주제가 반복해서 나타났습니다. 연구동향 분석은 이 경험을 더 넓은 학술 흐름 안에 놓아 보는 작업입니다.

 

블로그는 논문처럼 엄격한 형식을 요구하지 않지만, 좋은 질문을 남기기에는 좋은 공간입니다. “학교에서 AI Agent는 누구의 일을 줄이는가”, “어떤 업무는 자동화할 수 있고 어떤 업무는 사람이 붙잡아야 하는가”, “업무경감은 전문성 강화와 어떻게 연결되는가” 같은 질문을 계속 남길 수 있습니다. 나중에 논문이나 연수로 확장할 때 이 질문들이 방향을 잡아 줄 수 있습니다.

 

저는 앞으로 AI Agent 활용을 단순히 신기한 도구 사용기로만 보지 않으려 합니다. 교육공학 연구자로서, 그리고 교육전문직 업무를 경험하는 사람으로서 이 변화가 학교 업무와 교사의 삶에 어떤 의미를 갖는지 계속 살펴보고 싶습니다. 연구동향 분석은 그 길에서 한 번쯤 꼭 거쳐야 할 정리 작업입니다.

 

마무리하며

 

AI Agent 기반 교육지원 연구동향을 분석한다는 것은 논문 목록을 많이 모으는 일만은 아닙니다. 어떤 교육지원 장면을 보고 싶은지, 어떤 과업을 구분할 것인지, 사람의 판단과 Agent의 자동화를 어떻게 나누어 볼 것인지 정하는 일입니다. 그 기준이 있어야 문헌들이 하나의 흐름으로 읽힙니다.