Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 사용 시 학습자가 인지적 노력을 생략하는 문제를 해결하기 위해, 생산적 고군분투와 평가적 판단을 유도하는 프롬프트 패턴 프레임워크를 제안합니다. 디자인 과학 연구를 통해 9가지 프롬프트 패턴을 도출하고 보안 코딩 교육 모듈에 적용하여 그 효용성을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (Large language models)은 학생들이 작성, 분석, 문제 해결을 자동화된 시스템에 위임하기 쉽게 만들어, 지속적인 이해를 생성하는 데 필요한 노력 어린 참여를 우회하게 만듭니다. 우리는 교육자들이 학습의 가치를 만드는 인지적 요구 사항을 제거하지 않으면서도 생성형 AI (GenAI)를 강의에 유지할 수 있도록 돕는 실용적인 프레임워크를 소개합니다. 우리는 디자인 과학 연구 (Design Science Research, DSR)를 적용하여 컴퓨터 과학 문헌의 기존 카탈로그로부터 9가지 프롬프트 엔지니어링 (Prompt engineering) 패턴 분류 체계를 합성 및 조정하였으며, 이를 두 가지 교육적 구성 요소인 생산적 고군분투 (Productive Struggle)와 평가적 판단 (Evaluative Judgement)에 매핑했습니다. DELTA 프레임워크를 사용하여 구조화된 고급 보안 코딩 (Advanced Secure Coding) 모듈을 위한 강의 설계는 이 산출물의 적용 가능성을 입증합니다. 각각 특정 교육적 기능에 매핑된 9가지 프롬프트 패턴은 강사에게 학생들이 AI와 상호작용하는 방식에 대한 세밀한 제어권을 제공합니다. 보안 코딩 설계는 세 가지 패턴(Flipped Interaction, Alternative Approaches, Cognitive Verifier)이 어떻게 학생들을 추론 역할에 머물게 하면서 취약점 발견 및 교정 (Remediation)을 위한 비계 (Scaffold)를 제공하는지 보여줍니다. 이 프레임워크는 학생의 추론을 보존하는 AI 증강 학습 경험을 설계하기 위한 복제 가능한 접근 방식을 제공하며, 실제 강의 환경에서의 향후 실증적 평가를 위한 구조적 기반을 구축합니다.