대규모 언어 모델 (LLMs)은 영어 제2언어 (ESL) 학습자들에게 대화 연습을 제공하기 위해 점점 더 많이 사용되고 있습니다. 그러나 효과적인 ESL 튜터링은 유창한 응답 생성 그 이상을 요구합니다. 튜터는 학습자의 행동과 대화 맥락을 기반으로 적절한 교육학적 행동 (pedagogical action)을 선택해야 합니다. 인간 튜터링 연구는 적응형 지원을 위한 원칙들을 제공하지만, 이러한 원칙들은 종종 특정 작업에 국한되어 있으며 LLM 기반 ESL 튜터 학습 및 평가에 충분히 통합되지 않은 상태로 남아 있습니다. 우리는 교육학적으로 적응 가능한 ESL 튜터를 사후 학습 (post-training)하고 평가하기 위한 인간 기반 프레임워크인 TACT (Taxonomy-Aligned Conversational Tutor)를 제시합니다. 기존 문헌을 바탕으로, 우리는 두 가지 상호 보완적인 분류 체계 (taxonomies)를 개발했습니다: 13가지 튜터 응답 전략을 포함하는 튜터 전략 분류 체계 (Tutor-Strategy Taxonomy)와 학습자 행동을 행동 유형 및 상태로 특징짓는 학생 행동 분류 체계 (Student-Move Taxonomy)입니다. 이러한 분류 체계를 사용하여, 우리는 260개의 실제 교사-학생 대화에 32,379개의 주석 (annotations)과 품질이 제어된 증강 학습 데이터를 결합하여 풍부하게 만든 TACTCorpus를 구축했습니다. 그런 다음 우리는 지도 미세 조정 (supervised fine-tuning)에 이어 분류 체계 정렬 그룹 상대 정책 최적화 (taxonomy-aligned Group Relative Policy Optimization)를 통해 Qwen3.5-4B를 사후 학습시켜, 단순한 참조 모방 (reference imitation)이 아닌 스캐폴딩 (scaffolding) 품질에 최적화된 TACTutor를 생성했습니다. 78개의 실제 튜터링 맥락으로 구성된 전략 균형 진단 벤치마크인 TACTBench에서, TACTutor는 백본 (backbone) 모델 대비 20.30% 향상된 성능을 보였으며, 동일한 프로토콜 하에서 평가된 모든 폐쇄형 (proprietary) 베이스라인 모델들을 능가하는 동시에, 기존 외부 교육 벤치마크에서는 백본의 성능을 유지했습니다. 50명의 학습자를 대상으로 한 블라인드 테스트에서도 TACTutor는 평가된 튜터들 중 가장 높은 전체 평균 평점을 받았습니다. 우리는 데이터, 벤치마크, 그리고 모델 가중치를 공개하여 교육학적으로 적응 가능한 ESL 튜터 개발을 위한 개방형 기반을 제공합니다.