① 어떤 상황에서 AI를 활용했나요?
서술형·논술형 채점 보조: 수십~수백 명 분량의 학생 서술형 답안을 빠르게 1차 판별할 때.
대량 리포트·분포 분석: 유사도 분포, 정답률, 경계 답안 목록 등 리포트 자동 생성(엑셀/CSV).
장애·오프라인 대비 운영: 외부 API 장애 시에도 서비스가 멈추지 않도록 TF‑IDF 폴백 제공.
② 어떤 AI를 어떻게 활용했나요? (구체적 방법)
의미 임베딩 + 코사인 유사도: 주된 방법은 문장(모범답안·학생답안)을 임베딩(ko‑sroberta 계열 모델 사용을 목표)한 뒤 코사인 유사도로 의미 유사도 산출.
형태소(키워드) 검증: KoNLPy(Okt)로 핵심 개념어(형태소)를 추출해 임베딩 유사도와 병행 검사. 핵심 개념 미포함 답안은 경고 표기.
하이브리드 백엔드(장애 대비): 1) Hugging Face Serverless API(우선) → 2) 로컬 Transformer(사전 다운로드 시) → 3) TF‑IDF 문자 n‑gram(최종 폴백). 자동 전환 로직을 적용.
규칙 기반 보조: 정규표현식·부정어 검사(예: “~아니다” 포함 시 재검토 플래그) 및 키워드 매칭을 여전히 함께 사용.
파일 출력: 채점 결과와 유사도·검토 대상 리스트를 CSV/XLSX로 출력.
모니터링·운영 보조: UptimeRobot으로 서비스 휴면·가용성 모니터링, GitHub+Streamlit로 배포·버전관리.
③ 활용 결과 어떤 변화가 있었나요?
업무 시간 단축: 서술형 채점의 반복적 확인·분류 시간이 크게 단축(문헌·설명서 기준 약 70–80% 단축 기대).
일관성 향상: 동일한 모범답안 기준으로 일관된 1차 후보 추출이 가능해 교사 간 편차 감소에 기여.
빠른 진단 피드백 제공: 유사도·핵심개념 누락 등 지표로 약점 진단이 빨라져 수업 환류 속도 개선.
운영 안정성 확보: 외부 API 장애 시에도 TF‑IDF 폴백으로 서비스 중단을 방지하여 수업·시연에서의 체감 불편을 낮춤.
한계·부작용 파악: 부정어·논리적 반전, 창의적 자유서술, 문장 길이·표현 다양성에 따른 오차가 존재 — 이들에 대해서는 교사 재검토가 필요.
④ 나만의 방식 또는 개선 포인트는 무엇인가요?
하이브리드 판단 엔진(의미+핵심개념) 설계: 코사인 유사도(문장 레벨)와 형태소 기반 핵심개념 체크를 결합하여 장점은 살리고 단점은 보완.
경계 답안 워크플로우 정의: 유사도 임계값(예: 상/중/하)과 핵심개념 포함여부를 조합해 ‘자동합격 후보 / 교사검토 대상 / 자동불합격 후보’로 3분류하고, 교사 인터페이스에서 빠르게 재검토할 수 있도록 설계.
설명 가능한 결과 제공: 단순 점수보다 “유사도가 높은 모범문장·누락 핵심어·부정어 존재” 같은 근거를 함께 보여줘 교사의 신뢰 확보.
샘플 기반 문항별 보정: 교과·문항별로 기준 임계값을 샘플 답안으로 튜닝(교사가 검증한 샘플로 모델/임계값 보정).
로컬 배포 옵션 강화: 실행파일 + 로컬 임베딩 모델을 배포해 인터넷/크레딧 의존도를 줄임.
운영 자동화: Uptime 알림, 크레딧 임계값 경보, 토큰 만료 알림 등을 추가해 시연·시험 직전 장애를 최소화.
⑤ 다른 사람도 따라 할 수 있나요?
https://grading-app-lsj.streamlit.app/
위 링크에 접속하면 사용 가능합니다.