대규모 언어 모델 (LLMs)은 대화 전략을 추론 시점에 체계적으로 조작할 수 있기 때문에, 언어가 탐구적 인지 (exploratory cognition)를 어떻게 형성하는지 연구할 수 있는 새로운 기회를 제공합니다. 우리는 Berlyne의 비교 변수(collative variables)인 새로움 (novelty), 복잡성 (complexity), 갈등 (conflict), 그리고 불확실성 (uncertainty)을 대화형 튜터링을 위한 적응형 언어적 개입 (linguistic interventions)으로 운용하는 프레임워크인 CURIOBOT을 소개합니다. 다양한 모델 제품군, 도메인 및 주제 복잡도 수준에 걸친 270개의 튜터링 대화를 통해, 호기심 지향적 개입은 탐구적 학습자 행동을 일관되게 증가시켰으며, 고정된 시간 예산 내에서 대화 턴 (conversational turns)을 최대 2.4배 더 많이 생성했습니다. 이러한 효과를 측정하기 위해, 우리는 탐구적 질문 (exploratory questioning), 대화 주도성 (conversational agency), 생산적 고군분투 (productive struggle), 그리고 관찰 가능한 호기심을 포착하는 학습자 중심의 평가 프레임워크를 추가로 도입했습니다. 튜터 측의 교수 품질이 변하지 않았을 때도 학습자 측의 이득이 지속되었으며, 이는 호기심이 부분적으로 독립적인 상호작용 수준의 메커니즘으로 기능함을 시사합니다. 더 넓게는, 우리의 결과는 LLM 매개 대화가 언어가 탐구적 학습 행동을 어떻게 형성하는지 연구하기 위한 확장 가능한 실험적 프레임워크 역할을 할 수 있음을 보여줍니다.