AI를
마지막에 놓습니다

순서가 뒤집히면 학습이 아니라 소비가 됩니다

혼자 하는 학습이 실패하는 지점은 대개 노력의 양이 아니라 결정의 순서입니다.

흔한 실패 경로는 이렇습니다. 무엇을 배울지 정하지 않은 채 강의를 고르고, 어떤 방식으로 익힐지 정하지 않은 채 AI를 켭니다. 그러면 AI는 가장 잘하는 일을 합니다: 내가 아직 만들어보지 않은 답을 먼저 만들어 주는 것. 결과는 매끄럽고, 진도는 빠르고, 남는 것은 없습니다.

세 단계는 각각 다음 단계의 판단 기준을 만들어 줍니다. 단계 1이 만든 관문 질문이 없으면 단계 2에서 무엇을 연습할지 고를 수 없고, 단계 2가 만든 루프가 없으면 단계 3에서 AI를 어디에 끼워 넣을지 정할 수 없습니다. 그래서 이 순서는 취향이 아니라 의존 관계입니다. 지형 · 경로 · 장비, 전제

세 개의 정거장

설계에 60분, 이후에는 루프마다 기록 5분. 학습 시간 자체는 늘지 않고 배치만 바뀝니다.

모르는 것에 이름을 붙입니다

이 단계의 목표는 커리큘럼을 완성하는 것이 아니라 검색할 수 있는 상태가 되는 것입니다.

모르는 것을 모르는 상태의 본질적인 문제는 검색이 이름을 요구한다는 데 있습니다. 개념의 이름을 모르면 질문을 만들 수 없고, 질문이 없으면 답을 평가할 수도 없습니다.

무지의 네 칸

모른다는 상태는 균질하지 않습니다. 종류마다 처방이 다르므로 반드시 나눕니다.

D는 스스로 발견되지 않습니다. 그래서 이 단계의 마지막 동작은 항상 “자료를 덮고 지금 아는 것을 다 써보기”여야 합니다. 여기서 안 써지는 것이 실제 출발선입니다.

지식과 판단은 다른 근육입니다

모든 항목을 같은 방식으로 공부하는 것이 두 번째 단계의 대표적 실패입니다.

네 박자 루프: 1회 25~50분, 관문 질문 1개

학습을 시간이 아니라 루프 횟수로 관리합니다. “3시간 공부했다”는 아무것도 말해주지 않지만 “루프 6회를 돌았고 그중 4회에서 예측이 빗나갔다”는 정확한 정보입니다.

예측 없이 정답부터 읽으면 뇌는 “그렇지, 알고 있었어”라는 신호를 만들어내고, 이 신호는 실제 인출 가능성과 거의 무관합니다. 예측은 정확할 필요가 없습니다. 존재하기만 하면 됩니다. 예측 단계를 건너뛰면 나머지가 전부 무너진다

같은 항목을 네 번 만납니다

• D+1 · 1차 인출, 자료를 덮고 백지에 재구성. 여기서 대부분 무너집니다. 정상입니다.
• D+3 · 2차 인출, 조건을 하나 바꿔서 다시 묻습니다.
• D+7 · 교차 배치, 다른 항목들과 섞어 무작위 순서로. 어떤 도구를 꺼낼지부터 판단하게 만듭니다.
• D+21 · 전이 확인, 실제 산출물 안에서 씁니다. 여기서 되면 학습은 끝난 것으로 봅니다.

질문은 “AI를 쓸 것인가”가 아닙니다

루프의 네 박자 중 어디에 꽂을 것인가입니다.

AI를 학습에 쓸 때 발생하는 손상은 대부분 한 가지 패턴에서 나옵니다. 예측 단계를 AI가 가져가는 것. 내가 답을 만들기 전에 AI가 답을 주면 루프의 나머지 세 박자가 전부 무의미해집니다. 대조할 내 답이 없기 때문입니다.

다섯 가지 배치, 그리고 상시 하나

• 지도 제작자단계 01 · 마음껏
  용어 목록, 하위 주제, 입문자가 흔히 놓치는 지점을 뽑아냅니다. 결과물이 답이 아니라 검증할 목록이라 AI가 틀려도 손해가 적고, 오히려 틀린 항목이 나중에 좋은 관문 질문이 됩니다.
• 힌트 제공자시도 · 막혔을 때만
  답이 아니라 다음 한 걸음만 요구합니다. “정답을 주지 말고, 내가 놓친 조건 하나만 지목해 달라.”
• 시험관대조 · 내 답 제출 후
  내가 쓴 답을 먼저 붙여 넣고 채점을 요청합니다. 제출 전에는 절대 켜지 않습니다.
• 반례 생성기대조 · 통과 직후
  맞았다고 판정된 순간이 가장 위험합니다. “내 설명이 깨지는 상황 3개”를 요구해 경계 조건을 강제로 노출시킵니다. 판단형 항목에서는 이 역할이 학습의 대부분을 담당합니다.
• 번역기수정 · 규칙으로 승격할 때
  새로 배운 것을 내가 이미 잘 아는 영역의 언어로 다시 진술하게 합니다. 어색한 번역은 내 이해가 얕은 지점을 정확히 가리킵니다.
• 접지기전 구간 · 상시
  주장마다 원문 · 문서 · 명세로 되돌립니다. AI의 요약을 원문의 대체물이 아니라 원문으로 가는 색인으로만 씁니다. 이 역할이 빠지면 나머지 다섯이 전부 오염됩니다.

왜 이렇게 배치했는가

새로 만든 절차가 아니라, 학습과학에서 반복 검증된 효과들을 순서대로 배열한 것입니다.

• 종착 산출물부터 역산: 백워드 디자인 · Wiggins & McTighe
• 관문 질문을 먼저 작성: Pretesting effect · Richland, Kornell & Kao (2009)
• 예측 → 대조: Generation effect · Self-explanation, Chi 외 (1989)
• 자료를 덮고 무자료 인출: Testing effect · Roediger & Karpicke (2006)
• D+1 / 3 / 7 / 21 간격, Spacing effect 메타분석 · Cepeda 외 (2006)
• D+7의 교차 배치: Interleaving · Rohrer & Taylor (2007)
• 예제 우선 → 문제 우선 전환: Expertise reversal · Kalyuga 외 (2003)
• “안다고 착각함” 칸을 분리: Illusion of fluency · Bjork, Dunlosky & Kornell (2013)

정직한 한계, 위 근거들은 각 구성 요소가 통제된 조건에서 효과를 보였다는 뜻이지, 이 세 단계를 묶은 절차 전체가 실험적으로 검증되었다는 뜻은 아닙니다. 성과를 보장하는 처방이 아니라 검증된 원리들과 어긋나지 않게 배열된 설계로 읽는 편이 정확합니다.

언제 쓰고, 언제 안 쓰나

설계 비용이 60분이므로 총 학습 시간이 10시간을 넘길 주제에서만 회수됩니다.

가장 큰 이득은 빨리 배우는 것이 아니라, 배우지 않아도 되는 것을 초반에 잘라내는 것입니다.

질문고리 학습과 무엇이 다른가

이 연습장에는 학습 프레임워크가 둘 있습니다. 쓰는 자리가 다릅니다.

두 프레임워크의 가설과 예측은 사실 같은 물건입니다. 자료를 보기 전에 내 답을 먼저 만들어 두는 것, 그리고 그것이 깨지는 순간을 학습의 증거로 삼는 것. 질문고리가 “깨지지 않는 가설은 경고 신호”라고 말하고, 지형·경로·장비가 “D+7에 무너지지 않았다면 간격이 너무 촘촘했던 것”이라고 말하는 것은 같은 이야기입니다. 차이는 누가 대조 상대인가

질문고리 학습도 혼자 돌릴 수 있습니다. 팀 층 자리에 내 산출물을 놓고, 동료 검증을 스터디나 기록으로 대체하면 되니까요. 두 프레임워크를 가르는 것은 혼자냐 팀이냐가 아니라 출발점입니다. 만들 것이 이미 정해졌다면 질문고리로 충분하고, 무엇을 배워야 할지부터 모르겠다면 지형 파악이 먼저 필요합니다.

그리고 대조해 줄 사람이 없을 때 그 자리를 AI로 메우되, 그냥 메우면 AI가 예측 단계까지 먹어버리므로 게이트 규칙으로 막습니다. 그래서 지형·경로·장비는 같은 엔진에 지형 파악 단계와 AI 배치를 더한 것으로 읽어도 좋습니다.

전체 문서 네 편

이 페이지는 요약입니다. 워크시트 · 스코어카드 · 타이머가 들어 있는 원문은 아래에 있습니다.

본편부터 읽기 →

팀 안에서 학습을 설계하려면 → 질문고리 학습 · 4주짜리 축소판은 → 학습 설계도