목록으로
교육·학습을 위한 AI 활용
AI에게 배우고, AI로 가르치다 — 동아리 EDA 강의 준비기
AI로 배우고, AI로 가르치다 — 강의를 준비하며 자기주도학습과 수업준비 두 단계에 AI를 각각 다르게 활용한 기록
🤖 활용 AI 도구
Gemini, Google Scholar, Moonlight AI, Claude/Claude Code, NotebookLM
① 어떤 상황에서 AI를 활용했나
데이터 분석 동아리 TOBIG's에서 신입 부원들에게 EDA(탐색적 데이터 분석)를 가르치는 강의를 맡았다. 준비하다 보니 "설명할 수 있는 것"과 "정말 아는 것" 사이에 간극이 있다는 걸 깨달았다. Simpson's Paradox 같은 개념을 슬라이드에 넣으려는데, 처음 배우는 사람 입장에서 왜 이런 현상이 생기는지 직관적으로 설명할 자신이 없었다.
그래서 이번 강의 준비를 실험으로 삼아, AI를 "슬라이드 만들어주는 도구"로만 쓰지 않고 두 단계 모두에 활용했다. 내가 먼저 확실히 이해하는 자기주도학습 단계, 그 이해를 학생에게 전달하는 수업준비 단계. 배우는 사람과 가르치는 사람의 입장이 다르면 AI에게 요구해야 하는 것도 달라진다는 걸 이번에 알게 됐다.
② 어떤 AI를 어떻게 활용했나
[탐색 - 자기주도학습] Gemini에게 인용수·저널 조건을 걸고 데이터 구조화 분야의 고전 논문을 추천받았다. 추천을 그대로 믿지 않고 Google Scholar에서 실제 인용수를 확인한 뒤, Moonlight AI로 원문을 열어 애매한 표현("mundane data manipulation chores")의 정확한 의미를 다시 캐물었다.
[검증 - 자기주도학습→수업준비] 이해했다고 느끼는 것과 정말 이해한 것은 다르다고 생각해, 왜도(skewness)와 분포 모양의 관계를 슬라이더로 직접 조작하며 확인하는 인터랙티브 HTML 도구를 Claude에게 프롬프팅으로 제작했다. 타이타닉 fare 실측 분포(왜도 4.79)와 겹쳐볼 수 있는 기능까지 넣어, 나를 위한 검증 도구가 학생을 위한 실습 도구로 확장됐다.
[이미지 제작 - 수업준비] Simpson's Paradox처럼 말로 설명하기 어려운 개념을 위해 전용 삽화를 Gemini로 생성했다. 초안의 텍스트가 너무 빽빽하고 x축이 잘려 보이는 문제를 발견해, 키워드 중심으로 텍스트를 줄이고 축 눈금을 수정하는 프롬프트로 다시 요청했다.
[적용 - 수업준비] Claude Code로 Ames Housing 기반 실습 노트북(TODO 빈칸 구조)을 만들었다. 직접 정답을 채우던 중 파생변수 Total_Area가 원본 3개 변수와 상관관계가 심상치 않다는 걸 발견해, 다른 AI에게 교차검증을 요청했다. 다중공선성 문제를 지적받고, VIF를 직접 계산해 무한대 값으로 재확인했다.
[자가진단 - 수업준비] 완성된 강의자료 PDF를 Gemini NotebookLM에 올려 6개 토픽으로 자동 정리받고, 객관식·서술형 자가진단 퀴즈를 생성했다. 초안 문항을 그대로 쓰지 않고 강의 의도에 맞게 다듬어 최종 퀴즈로 완성했다.
③ 활용 결과 어떤 변화가 있었나
60장 안팎의 슬라이드, Colab 실습 노트북, Ames Housing 기반 과제가 완성됐다. 특히 적용 단계에서 발견한 다중공선성 문제는 조용히 코드만 고치지 않고, 노트북 서술형 질문("파생변수와 원본을 함께 넣으면 어떤 문제가 생기는지 설명하라")으로 바꿔 넣었다.
과제 노트북 끝에는 "생성형 AI 활용 방법" 기록 섹션을 필수 항목으로 배치해, 학생들도 AI를 어디에 어떻게 썼는지 스스로 기록하도록 만들었다. 실제로 이 과제의 제출률은 98%로, 과정을 기록하게 만든 구조가 부담으로 작용하지 않았다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요
다섯 단계(탐색, 검증, 이미지 제작, 적용, 자가진단)를 관통한 원칙은, AI가 준 결과를 그대로 쓰지 않고 매 단계마다 직접 검증하거나 재구성했다는 것이다. 논문 요약은 원문과 대조했고, 통계 수치는 직접 코드를 돌려 재현했고, 이미지는 강의 메시지에 맞는지 기준으로 다시 생성했고, 실습 코드는 다른 AI에게 검토를 맡겨 교차검증했고, 퀴즈는 내 강의의 빈틈을 찾는 데 거꾸로 활용했다.
이 원칙은 배우는 사람일 때와 가르치는 사람일 때 다르게 작동했다. 자기주도학습 단계에서는 "내가 정말 이해했는가"를 확인하는 데, 수업준비 단계에서는 그 이해를 "학생이 직접 체감하고 스스로 점검할 수 있는 형태"로 바꾸는 데 AI를 썼다.
⑤ 다른 사람도 따라 할 수 있나요
이 방식은 특정 도구나 과목에 묶여있지 않다. 탐색(자료 조사) → 검증(직접 확인) → 시각화(이미지·자료 제작) → 적용(교차검증) → 자가진단(퀴즈화)이라는 5단계 루틴은, 어떤 주제를 누군가에게 가르쳐야 하는 상황이라면 그대로 옮겨 쓸 수 있다.
앞의 두 단계는 혼자 공부하는 학생에게, 뒤의 세 단계는 과외 선생님, 조교, 사내 스터디 리더에게도 똑같이 적용된다. 핵심은 도구가 아니라 순서다. AI에게 물어보고 끝내는 게 아니라, 매 단계마다 "이걸 어떻게 확인할 것인가"를 한 번씩 더 거치는 습관이다.
데이터 분석 동아리 TOBIG's에서 신입 부원들에게 EDA(탐색적 데이터 분석)를 가르치는 강의를 맡았다. 준비하다 보니 "설명할 수 있는 것"과 "정말 아는 것" 사이에 간극이 있다는 걸 깨달았다. Simpson's Paradox 같은 개념을 슬라이드에 넣으려는데, 처음 배우는 사람 입장에서 왜 이런 현상이 생기는지 직관적으로 설명할 자신이 없었다.
그래서 이번 강의 준비를 실험으로 삼아, AI를 "슬라이드 만들어주는 도구"로만 쓰지 않고 두 단계 모두에 활용했다. 내가 먼저 확실히 이해하는 자기주도학습 단계, 그 이해를 학생에게 전달하는 수업준비 단계. 배우는 사람과 가르치는 사람의 입장이 다르면 AI에게 요구해야 하는 것도 달라진다는 걸 이번에 알게 됐다.
② 어떤 AI를 어떻게 활용했나
[탐색 - 자기주도학습] Gemini에게 인용수·저널 조건을 걸고 데이터 구조화 분야의 고전 논문을 추천받았다. 추천을 그대로 믿지 않고 Google Scholar에서 실제 인용수를 확인한 뒤, Moonlight AI로 원문을 열어 애매한 표현("mundane data manipulation chores")의 정확한 의미를 다시 캐물었다.
[검증 - 자기주도학습→수업준비] 이해했다고 느끼는 것과 정말 이해한 것은 다르다고 생각해, 왜도(skewness)와 분포 모양의 관계를 슬라이더로 직접 조작하며 확인하는 인터랙티브 HTML 도구를 Claude에게 프롬프팅으로 제작했다. 타이타닉 fare 실측 분포(왜도 4.79)와 겹쳐볼 수 있는 기능까지 넣어, 나를 위한 검증 도구가 학생을 위한 실습 도구로 확장됐다.
[이미지 제작 - 수업준비] Simpson's Paradox처럼 말로 설명하기 어려운 개념을 위해 전용 삽화를 Gemini로 생성했다. 초안의 텍스트가 너무 빽빽하고 x축이 잘려 보이는 문제를 발견해, 키워드 중심으로 텍스트를 줄이고 축 눈금을 수정하는 프롬프트로 다시 요청했다.
[적용 - 수업준비] Claude Code로 Ames Housing 기반 실습 노트북(TODO 빈칸 구조)을 만들었다. 직접 정답을 채우던 중 파생변수 Total_Area가 원본 3개 변수와 상관관계가 심상치 않다는 걸 발견해, 다른 AI에게 교차검증을 요청했다. 다중공선성 문제를 지적받고, VIF를 직접 계산해 무한대 값으로 재확인했다.
[자가진단 - 수업준비] 완성된 강의자료 PDF를 Gemini NotebookLM에 올려 6개 토픽으로 자동 정리받고, 객관식·서술형 자가진단 퀴즈를 생성했다. 초안 문항을 그대로 쓰지 않고 강의 의도에 맞게 다듬어 최종 퀴즈로 완성했다.
③ 활용 결과 어떤 변화가 있었나
60장 안팎의 슬라이드, Colab 실습 노트북, Ames Housing 기반 과제가 완성됐다. 특히 적용 단계에서 발견한 다중공선성 문제는 조용히 코드만 고치지 않고, 노트북 서술형 질문("파생변수와 원본을 함께 넣으면 어떤 문제가 생기는지 설명하라")으로 바꿔 넣었다.
과제 노트북 끝에는 "생성형 AI 활용 방법" 기록 섹션을 필수 항목으로 배치해, 학생들도 AI를 어디에 어떻게 썼는지 스스로 기록하도록 만들었다. 실제로 이 과제의 제출률은 98%로, 과정을 기록하게 만든 구조가 부담으로 작용하지 않았다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요
다섯 단계(탐색, 검증, 이미지 제작, 적용, 자가진단)를 관통한 원칙은, AI가 준 결과를 그대로 쓰지 않고 매 단계마다 직접 검증하거나 재구성했다는 것이다. 논문 요약은 원문과 대조했고, 통계 수치는 직접 코드를 돌려 재현했고, 이미지는 강의 메시지에 맞는지 기준으로 다시 생성했고, 실습 코드는 다른 AI에게 검토를 맡겨 교차검증했고, 퀴즈는 내 강의의 빈틈을 찾는 데 거꾸로 활용했다.
이 원칙은 배우는 사람일 때와 가르치는 사람일 때 다르게 작동했다. 자기주도학습 단계에서는 "내가 정말 이해했는가"를 확인하는 데, 수업준비 단계에서는 그 이해를 "학생이 직접 체감하고 스스로 점검할 수 있는 형태"로 바꾸는 데 AI를 썼다.
⑤ 다른 사람도 따라 할 수 있나요
이 방식은 특정 도구나 과목에 묶여있지 않다. 탐색(자료 조사) → 검증(직접 확인) → 시각화(이미지·자료 제작) → 적용(교차검증) → 자가진단(퀴즈화)이라는 5단계 루틴은, 어떤 주제를 누군가에게 가르쳐야 하는 상황이라면 그대로 옮겨 쓸 수 있다.
앞의 두 단계는 혼자 공부하는 학생에게, 뒤의 세 단계는 과외 선생님, 조교, 사내 스터디 리더에게도 똑같이 적용된다. 핵심은 도구가 아니라 순서다. AI에게 물어보고 끝내는 게 아니라, 매 단계마다 "이걸 어떻게 확인할 것인가"를 한 번씩 더 거치는 습관이다.
