교육적 의사소통 내에서 교육적 의도(pedagogical intent)를 추론하는 거대 언어 모델(LLMs)의 능력은, 특히 번역 교수법(translation pedagogy)과 같은 교육 영역에서 여전히 충분히 탐구되지 않았습니다. 이를 해결하기 위해, 우리는 의도 추론을 통해 학습을 최적화하기 위한 적응형 메커니즘으로 의사소통적 경계(communicative vigilance)를 재구성하는 새로운 계산 형식론인 extbf{Adaptive Pedagogical Vigilance (APV)} 프레임워크를 제안합니다. APV는 베이지안 교육적 의도 추론 엔진(Bayesian Pedagogical Intent Inference Engine, PIIE)을 통해 문제를 공식화하며, 이는 교수자가 교육적 효용을 극대화하기 위해 콘텐츠를 선택하는 방식과, 경계심을 가진 학습자가 장르, 태도(stance), 인센티브를 포함하는 잠재적 교육 구성(instructional configurations)에 대해 역으로 추론해야 하는 방식을 모델링합니다. 우리는 세 가지 계층 구조를 통해 APV를 평가합니다: 교육적 장르(instructional genre) 구분, 구조화된 교육적 설정(pedagogical setups)에 대한 추론, 그리고 실제 교육적 담화(authentic educational discourse)로의 일반화입니다. 주요 LLM(예: GPT-4o, Claude 3.5)을 대상으로 한 실험 결과, APV가 모델의 경계심(vigilance)을 실질적으로 향상시킨다는 것을 보여줍니다. APV는 교육적 콘텐츠와 단순 노출 기반 콘텐츠 사이에서 가장 강력한 식별력을 달성하였고, 인간의 판단과 높은 상관관계($r=0.958$)를 보였으며, 베이스라인 방법들이 성능이 저하되는 자연스러운 데이터에서도 견고한 성능을 유지했습니다. 본 연구는 교육적 동기에 대한 LLM의 이해를 평가하고 향상시키기 위한 통합된 프레임워크를 구축함으로써, 더욱 신뢰할 수 있는 AI 지원 학습 시스템의 발전을 촉진합니다.