컴퓨팅 교육에서 명령줄(command-line) 시험의 확장 가능하고 신뢰할 수 있는 채점은 여전히 과제로 남아 있습니다. 등록 학생 수가 증가함에 따라 수동 채점은 어려워지고 있으며, 규칙 기반의 자동 채점기(autograders)는 부분 점수, 동등한 해결책 또는 구문적 변형(syntactic variation)을 처리할 수 없기 때문입니다. 본 논문은 4개의 최첨단 대규모 언어 모델(Large Language Models; GPT, Claude Opus, Gemini, GLM)이 짧은 Linux/bash 명령 응답을 채점할 때 전문가의 판단을 근사할 수 있는지 평가합니다. 본 연구는 정보 검색(L1) 및 기본 파일 조작(L2)부터 구조적 작업(L3) 및 고급 시스템 관리(L4)에 이르기까지, 인지적 복잡성과 운영적 영향력을 결합한 4단계 인지 분류 체계(four-level cognitive taxonomy)를 채택합니다. 모델들은 최소한의 베이스라인(minimal baseline)과 루브릭 강화 버전(rubric-enhanced version)이라는 두 가지 프롬프트 변형을 사용하여, 3명의 전문가 강사가 독립적으로 채점한 컴퓨터 공학 2학년 학생들의 실제 응답 1,200개를 대상으로 테스트되었습니다. 루브릭 가이드 프롬프팅(rubric-guided prompting)을 사용한 Gemini~3.0 Pro가 가장 높은 인간-AI 일치도(ICC(3,1) = 0.888, MAE = 0.10, Bland-Altman bias = -0.014)를 달성했습니다. 일치도는 분류 체계 수준이 높아짐에 따라 지속적으로 감소했으며, 높은 수준에서 가장 큰 불일치가 나타났습니다. 모든 모델에 걸쳐 루브릭의 품질이 제공업체(provider)의 선택보다 더 큰 영향을 미쳤으며, 구조화된 프롬프트가 일치도를 지속적으로 향상시켰습니다. 이러한 결과는 문제의 복잡성이 LLM이 정확하게 채점하는 데 직면하는 어려움을 예측하는 신뢰할 수 있는 지표임을 보여주며, 어떤 문제가 AI 보조 채점에 적합하고 어떤 문제가 인간의 검토를 필요로 하는지 결정하기 위한 원칙적이고 분류 체계 기반의 프레임워크를 구축하는 동시에, 전이 가능한 평가 프로토콜과 프롬프트 템플릿을 제공합니다.