목록으로
교육·학습을 위한 AI 활용
공고 읽기부터 검증까지: AI와 함께 운영한 자기주도 학습 관제실
AI는 공식 공고를 구조화하고 산출물을 검사하며, 사람은 학습 목표·민감정보·외부 전송을 통제하는 경진대회 자기주도 학습 루틴
🤖 활용 AI 도구
ChatGPT Codex(공식 자료 조사, 정보 구조화, 코드·문서·파일 검사, 읽기 전용 브라우저 보조)
① 어떤 상황에서 AI를 활용했나요?
AI·데이터 경진대회를 자기주도 학습 프로젝트로 삼았지만, 대회마다 참가 자격, 마감 시각, 제출 형식, AI 사용 제한, 중복 수상 조건이 달랐습니다. 공고를 읽는 일과 실제로 코드를 만들고 검증하는 일이 한곳에서 관리되지 않으면, 아직 준비 중인 작업을 제출 완료로 착각하거나 최신 규정을 놓칠 수 있었습니다.
그래서 공개된 공식 공고와 제 개인 학습 산출물만 다루는 ‘AI 경진대회 관제실’을 만들었습니다. 목표는 많은 대회에 자동 지원하는 것이 아니라, 어떤 대회를 왜 학습할지 근거를 남기고, 결과물을 외부에 보내기 전에 형식·재현성·개인정보 위험을 확인하는 것이었습니다.
② 어떤 AI를 어떻게 활용했나요?
먼저 제가 비교 기준을 정했습니다. AI에는 공식 출처에서 참가 자격, 마감, 제출물, AI·외부자료 제한, 중복 수상 조건을 찾아 같은 항목으로 정리하게 했습니다. 확인되지 않은 값은 추정하지 않고 ‘미확인’으로 남기고, 점수는 수상 확률이 아니라 학습 시간을 배분하기 위한 지표라고 명시했습니다.
다음으로 AI가 구조화된 기록을 바탕으로 후보를 정렬하고, 선택한 프로젝트의 코드·문서·영상 파일을 검사했습니다. ZIP 내부 구성, 표의 열 수, 테스트 결과, 영상 길이·해상도·코덱, 문서 페이지 렌더링, OCR 개인정보 노출 여부처럼 기계적으로 확인할 수 있는 항목은 자동 검사에 맡겼습니다.
반대로 개인정보 입력, 필수 약관 동의, 외부 전송, 업로드, 최종 제출은 자동화 범위에서 분리했습니다. 실시간 평가나 제3자 도움을 제한한 구간에서는 AI를 답안 작성에 사용하지 않고, 사전 학습과 종료 후 복기에만 사용했습니다.
③ 활용 결과 어떤 변화가 있었나요?
2026년 9월 17일 17:49 KST의 로컬 기록에는 공식 공고 후보 19건이 남아 있습니다. 현재 실행 후보 15건, 장기 모니터링 3건, 이미 제출되어 우선순위에서 제외한 1건으로 상태를 구분했습니다. 우선순위 계산기는 입력 항목 대응, 가중치 합계, 경계값, 목표별 정렬을 확인하는 내부 검사 4개를 다시 실행해 모두 통과했습니다.
한 코드 경진대회에서는 패키지 무결성·필수 파일·49열 결과 형식을 검사한 뒤 실제 채점 결과와 실행 시간이 표시된 것을 확인했습니다. 이후 개선 패키지 제출 시도가 일일 제한으로 거절됐을 때도 ‘제출 완료’로 바꾸지 않고 신규 접수 행이 없다는 사실을 실패 기록으로 남겼습니다.
한 영상형 사례 제출물에서는 58초, 1080×1920, H.264/AAC 규격을 확인하고, 공개용·합성·최종 프레임 36개의 OCR 개인정보 검사와 3페이지 문서 렌더링 검사를 통과한 뒤에만 상태를 제출 완료로 바꿨습니다. 이 공모전에는 그 영상이나 신청서를 다시 내지 않고, 위 검사 결과를 새 문장과 비식별 도표로만 재구성했습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
차별점은 AI에게 결론만 묻지 않고 ‘근거-상태-검사-사람 승인’을 한 묶음으로 관리한 점입니다. 공고마다 공식 URL과 확인 시각을 남기고, 준비 상태와 외부 전송 상태를 분리했습니다. 성공 기록뿐 아니라 제한 초과, 미확인 규정, 재제출 보류도 그대로 남겼습니다. 이 때문에 AI가 그럴듯한 완료 문장을 만들더라도 실제 접수 신호가 없으면 완료로 처리하지 않습니다.
또한 자동 검사와 사람의 책임을 구분했습니다. AI는 많은 문서의 형식을 맞추고 반복 검사를 수행하는 데 유용하지만, 개인정보 공개 범위, 약관의 의미, 규정상 허용 여부, 최종 전송은 대신 결정하지 못합니다. 이번 첨부물도 원본 화면을 쓰지 않고 검증된 숫자만 새로 시각화해, 실제성은 유지하면서 식별 위험을 줄였습니다.
⑤ 다른 사람도 따라 할 수 있나요?
네. 개발 도구가 없어도 메모장이나 스프레드시트로 시작할 수 있습니다.
1. 학습 목표를 한 문장으로 쓰고, 비교할 항목을 5개 안팎으로 정합니다.
2. 후보마다 공식 URL과 확인 날짜를 기록하고, AI 요약은 원문과 대조합니다.
3. ‘발견-검증-준비-사람 확인-완료’처럼 상태를 분리하고, 미확인은 비워 두지 말고 그대로 표시합니다.
4. 파일명, 형식, 용량, 페이지·열 수, 테스트, 개인정보 노출 여부를 체크리스트로 검사합니다.
5. 개인정보, 동의, 외부 전송, 최종 제출은 본인이 마지막 화면에서 직접 확인합니다.
6. 성공뿐 아니라 거절·실패도 남겨 다음 학습 계획의 근거로 사용합니다.
이 방식의 핵심은 AI에게 책임을 넘기는 것이 아니라, AI가 잘하는 구조화와 검사를 활용하면서 사람의 판단 지점을 더 분명하게 만드는 것입니다.
AI·데이터 경진대회를 자기주도 학습 프로젝트로 삼았지만, 대회마다 참가 자격, 마감 시각, 제출 형식, AI 사용 제한, 중복 수상 조건이 달랐습니다. 공고를 읽는 일과 실제로 코드를 만들고 검증하는 일이 한곳에서 관리되지 않으면, 아직 준비 중인 작업을 제출 완료로 착각하거나 최신 규정을 놓칠 수 있었습니다.
그래서 공개된 공식 공고와 제 개인 학습 산출물만 다루는 ‘AI 경진대회 관제실’을 만들었습니다. 목표는 많은 대회에 자동 지원하는 것이 아니라, 어떤 대회를 왜 학습할지 근거를 남기고, 결과물을 외부에 보내기 전에 형식·재현성·개인정보 위험을 확인하는 것이었습니다.
② 어떤 AI를 어떻게 활용했나요?
먼저 제가 비교 기준을 정했습니다. AI에는 공식 출처에서 참가 자격, 마감, 제출물, AI·외부자료 제한, 중복 수상 조건을 찾아 같은 항목으로 정리하게 했습니다. 확인되지 않은 값은 추정하지 않고 ‘미확인’으로 남기고, 점수는 수상 확률이 아니라 학습 시간을 배분하기 위한 지표라고 명시했습니다.
다음으로 AI가 구조화된 기록을 바탕으로 후보를 정렬하고, 선택한 프로젝트의 코드·문서·영상 파일을 검사했습니다. ZIP 내부 구성, 표의 열 수, 테스트 결과, 영상 길이·해상도·코덱, 문서 페이지 렌더링, OCR 개인정보 노출 여부처럼 기계적으로 확인할 수 있는 항목은 자동 검사에 맡겼습니다.
반대로 개인정보 입력, 필수 약관 동의, 외부 전송, 업로드, 최종 제출은 자동화 범위에서 분리했습니다. 실시간 평가나 제3자 도움을 제한한 구간에서는 AI를 답안 작성에 사용하지 않고, 사전 학습과 종료 후 복기에만 사용했습니다.
③ 활용 결과 어떤 변화가 있었나요?
2026년 9월 17일 17:49 KST의 로컬 기록에는 공식 공고 후보 19건이 남아 있습니다. 현재 실행 후보 15건, 장기 모니터링 3건, 이미 제출되어 우선순위에서 제외한 1건으로 상태를 구분했습니다. 우선순위 계산기는 입력 항목 대응, 가중치 합계, 경계값, 목표별 정렬을 확인하는 내부 검사 4개를 다시 실행해 모두 통과했습니다.
한 코드 경진대회에서는 패키지 무결성·필수 파일·49열 결과 형식을 검사한 뒤 실제 채점 결과와 실행 시간이 표시된 것을 확인했습니다. 이후 개선 패키지 제출 시도가 일일 제한으로 거절됐을 때도 ‘제출 완료’로 바꾸지 않고 신규 접수 행이 없다는 사실을 실패 기록으로 남겼습니다.
한 영상형 사례 제출물에서는 58초, 1080×1920, H.264/AAC 규격을 확인하고, 공개용·합성·최종 프레임 36개의 OCR 개인정보 검사와 3페이지 문서 렌더링 검사를 통과한 뒤에만 상태를 제출 완료로 바꿨습니다. 이 공모전에는 그 영상이나 신청서를 다시 내지 않고, 위 검사 결과를 새 문장과 비식별 도표로만 재구성했습니다.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
차별점은 AI에게 결론만 묻지 않고 ‘근거-상태-검사-사람 승인’을 한 묶음으로 관리한 점입니다. 공고마다 공식 URL과 확인 시각을 남기고, 준비 상태와 외부 전송 상태를 분리했습니다. 성공 기록뿐 아니라 제한 초과, 미확인 규정, 재제출 보류도 그대로 남겼습니다. 이 때문에 AI가 그럴듯한 완료 문장을 만들더라도 실제 접수 신호가 없으면 완료로 처리하지 않습니다.
또한 자동 검사와 사람의 책임을 구분했습니다. AI는 많은 문서의 형식을 맞추고 반복 검사를 수행하는 데 유용하지만, 개인정보 공개 범위, 약관의 의미, 규정상 허용 여부, 최종 전송은 대신 결정하지 못합니다. 이번 첨부물도 원본 화면을 쓰지 않고 검증된 숫자만 새로 시각화해, 실제성은 유지하면서 식별 위험을 줄였습니다.
⑤ 다른 사람도 따라 할 수 있나요?
네. 개발 도구가 없어도 메모장이나 스프레드시트로 시작할 수 있습니다.
1. 학습 목표를 한 문장으로 쓰고, 비교할 항목을 5개 안팎으로 정합니다.
2. 후보마다 공식 URL과 확인 날짜를 기록하고, AI 요약은 원문과 대조합니다.
3. ‘발견-검증-준비-사람 확인-완료’처럼 상태를 분리하고, 미확인은 비워 두지 말고 그대로 표시합니다.
4. 파일명, 형식, 용량, 페이지·열 수, 테스트, 개인정보 노출 여부를 체크리스트로 검사합니다.
5. 개인정보, 동의, 외부 전송, 최종 제출은 본인이 마지막 화면에서 직접 확인합니다.
6. 성공뿐 아니라 거절·실패도 남겨 다음 학습 계획의 근거로 사용합니다.
이 방식의 핵심은 AI에게 책임을 넘기는 것이 아니라, AI가 잘하는 구조화와 검사를 활용하면서 사람의 판단 지점을 더 분명하게 만드는 것입니다.
