FieldClass AI: 교과서가 현장 실험이 되는 방식
요약
FieldClass AI는 학습 개념을 자연 속 현장 실험으로 변환하는 교육 도구입니다. 사용자는 과제를 읽고 휴대폰을 치우며, 실제 측정 활동을 통해 지식을 습득합니다. 이 앱은 학생들이 공식을 암기하기보다 실생활 경험을 통해 STEM 주제를 깊이 이해하도록 돕는 것이 목표입니다.
핵심 포인트
- 학습 개념을 현장 실험으로 변환하여 몰입도를 높임
- 삼각법, 통계학 등 다양한 STEM 분야에 적용 가능
- 학생들이 직접 측정하고 결과를 입력하며 문제 해결 능력을 기름
- 실제 활동과 디지털 피드백을 결합한 학습 경험 제공
This is a submission for the Hacktoberfest Open-Source AI Challenge Week 1: Touch Grass
제가 만든 것 (What I Built)
AI 교육 도구들은 여러분의 화면 공간을 많이 차지하지만, FieldClass AI는 그 필요가 적습니다.
나무의 높이를 계산하는 공식은 그 나무 앞에 서서야 추상적인 개념이 아닙니다. FieldClass는 학습하고 있는 개념을 가져와 자연 속 실험으로 변환합니다. 사용자는 과제를 1분 안에 읽고 휴대폰을 치우며, 실제로 무언가를 측정하러 나갑니다. 그 후에 결과를 입력하고, 이에 대한 자신만의 해결책을 제시합니다. FieldClass가 결과를 확인해주고, 힌트를 제공하며, 비로소 정확한 해답을 보여줍니다.
저 역시 학생이었기 때문에 교과서에서 배운 개념들을 실생활과 연결하는 것이 얼마나 어려운지 알고 있습니다. 우리는 실제로 어디에 적용되는지 깨닫지 못한 채 종종 공식을 암기합니다. 그래서 저는 FieldClass AI를 만들었습니다. 저는 학생들이 단순히 암기하기보다는, 안락한 영역을 벗어나 직접 경험하도록 학습을 더 실용적으로 만드는 것을 목표로 삼았습니다.
모든 것은 네 가지 실험으로 시작됩니다:
- 삼각법 (Trigonometry): 빨대, 각도기(protractor), 끈 등으로 만든 저렴한 경사계(clinometer)를 이용해 나무, 기둥 또는 건물의 높이를 추정합니다.
- 통계학 (Statistics): 1 m² 정사각형 안의 물체를 세고 분류한 다음, 그 빈도를 결정합니다.
- 식물 형태학 (Plant Morphology): 떨어진 나뭇잎 두 개를 측정하고 비교합니다.
- 평균 속도 (Average Velocity): 친구가 비어 있는 측정 경로 위를 걷는 시간을 재고 그의 평균 속도를 계산합니다.
이 앱은 STEM 주제를 구체적으로 파악하는 데 어려움을 겪는 고등학생 및 대학 1학년 학생, 그리고 빠르고 간편한 현장 실습을 원하는 교육자를 위해 설계되었습니다.
이 앱은 사람들이 화면에서 벗어나도록 돕습니다. 미션(Mission) 화면에는 파란색 상자에 하나의 지침이 있습니다: '이것을 읽으세요.' 그리고 휴대폰을 치우라는 내용입니다. 음성 읽기 버튼(read-aloud button)은 바라보는 대신 듣는 것을 도와줍니다. 측정값을 가지고 돌아오면 화면이 다시 나타납니다. 헤더의 단계 추적기(step tracker)는 현재 위치를 알려주며 (선택, 미션, 보고서, 피드백), "준비물 가져오기(Bring)" 화면은 가방을 싸기 위한 체크박스 목록이며, 피드백 화면에는 근접도 측정기(closeness meter)와 사용자의 답변과 자체 측정값으로 얻게 될 답변을 비교하는 그래프가 있습니다.
데모 (Demo)
저는 이 앱을 야외에서 사용해 보았습니다. 눈높이가 지면으로부터 1.5m일 때, 12m 떨어진 곳의 건물을 45° 각도로 추정하여 13.5m를 얻었습니다. 또한 20m 거리를 5초 만에 측정(4 m/s)했고, 학생 다섯 명의 키(평균 160cm)도 측정했습니다.
코드 (Code)
GitHub logo mukul9116 / fieldclass-ai
이 앱은 학생들이 실습 학습을 하도록 강제하며, 원하는 어떤 주제를 공부하든 실제 활동(practical)을 통해 배우도록 안내합니다.
FieldClass AI
교과서가 현장 실험실이 됩니다.
FieldClass AI는 학습하는 주제를 짧은 야외 실험으로 바꾸어 주고, 돌아와서 발견한 것을 이해하도록 돕습니다. 이 시스템은 소형의 오픈 웨이트(open-weight) 모델을 사용자의 기기에서 구동하기 때문에, 입력하는 어떤 정보도 컴퓨터를 벗어나지 않습니다.
대부분의 AI 학습 도구는 스크린 타임만 늘립니다. FieldClass는 그 반대를 합니다. 1분 안에 읽을 수 있는 미션을 제공하고, 사용자가 밖에 나가서 실제 무언가를 측정할 때는 방해하지 않으며, 돌아오면 작업 내용을 점검해 줍니다.
Hacktoberfest 2026 Open-Source AI Challenge의 첫 주차 주제인 Touch Grass를 위해 제작되었습니다.
작동 방식 (What it does)
- 주제, 난이도, 그리고 할애할 시간을 선택합니다.
- FieldClass가 짧은 현장 미션을 작성해 줍니다: 무엇을 가져와야 하는지, 무엇을 해야 하는지, 무엇을 기록해야 하는지, 그리고 안전 주의사항까지 포함됩니다.
- 이 미션은 소리 내어 읽을 수 있습니다…
제작 과정 (How I Built It)
사용된 모델은 Gemma 3 1B, 오픈 웨이트(open weight) 버전이며, GPU 없이 8GB 로컬 기기에서 Ollama를 사용하여 구동했습니다. 주변 환경으로는 Python, Pydantic, Streamlit과 34개의 pytest 테스트가 있습니다.
처음에는 프롬프트로 모델에게 전체 미션을 스스로 작성하도록 지시했습니다. 그 결과는 유창하지만 잘못된 해결책이었습니다:
각 실험 카드에는 재료 및 절차 설명, 안전 수칙, 그리고 공식이 포함되어 있습니다. 모델은 학생이 제공한 측정값을 기반으로 정답을 계산하고, 판정(verdict)을 내리며, 일반적인 실수들을 식별합니다. 예를 들어, 답이 10.0이었지만 11.5여야 했다면, 힌트에는 "눈높이를 더하는 것을 잊었을 수 있습니다"와 같이 적혀 있습니다. 모델은 제목(title), 목표(objective), 힌트(hint), 그리고 다음 도전 과제를 위한 문장만 생성합니다.
모델에게 정답이 주어지지 않기 때문에, 절대 정답을 공개할 수 없으며 학생의 입력도 모델로 전송되지 않습니다.
모델의 작업 부하를 줄인 결과 속도가 빨라졌습니다. 이제 미션 하나는 초당 16 토큰으로 1017초가 걸리며, 이전에는 최대 50초까지 소요되었습니다. 또한 피드백은 510초가 걸립니다. 이는 저의 개인적인 평가이며 벤치마킹 결과가 아닙니다.
제가 할 수 없었던 것들: 모델이 종종 단어들을 연결합니다("degreesto"), 학생의 메모는 무시하며, 더 큰 Gemma를 테스트할 장비가 없었습니다. 이 모델은 단일 구성 파일 내에서 단일 프로파일로 작동하는 모델입니다.
Open Innovation이 중요한 이유?
프라이버시와 인터넷 연결 불필요. 모든 미션, 채점 및 피드백은 학생의 개인 기기를 사용하여 이루어집니다. 학생의 결과나 답은 다른 어떤 서버에도 도달하지 않으며, 초기 모델 다운로드 후에는 오프라인으로도 애플리케이션이 작동합니다. 또한 사용 횟수에 따른 비용이 전혀 들지 않습니다.
작동 방식을 직접 확인하는 것. 로컬 소형 모델은 그 과정을 쉽게 확인할 수 있습니다. 저는 이를 수백 번 테스트하여 실패의 정확한 방식을 보고, 그에 맞춰 설계할 것입니다. 폐쇄된 대규모 모델은 더 세련된 문장을 제공하겠지만, 저는 사실상의 오류를 알아차리지 못할 것입니다.
정직함이라는 트레이드오프(tradeoff). 폐쇄형 모델이 더 나은 문장을 제공할 것입니다. 저는 프라이버시, 무료 비용, 그리고 통제권을 위해 품질을 희생했고, 그 목적으로 Python을 사용했습니다.
시상 부문 (Prize Categories)
Gemma의 최적 활용법. Gemma 3 1B는 Ollama를 통해 로컬에서 실행되며, 파이썬(Python)이 사실을 소유하고 모델이 작성한 내용을 검사하는 전체 설계는 작은 Gemma가 어떻게 작동하는지 테스트하면서 나온 것입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기