농촌 학생이 도시를 이긴 것은 콘텐츠가 아니었다

56%에서 89%로. 기간은 한 달이었다. 중국 허난성 칭타이현의 농촌 중학생들이 AI 학습 시스템을 사용한 뒤 나온 수학 숙달도 변화다. 같은 기간 동안 도시 학생 평균을 앞질렀다. 이 결과를 만든 것은 추가 수업 시간도, 유명 강사도, 고가 교재도 아니었다. 격차는 보통 조건의 문제로 설명된다. 더 좋은 환경, 더 많은 자원, 더 나은 접근성. 그러나 이 수치는 다른 질문을 던진다. 격차는 처음부터 방법의 문제였던 것은 아닌가.

격차를 조건의 언어로만 읽을 때 놓치는 것

한국에서 교육 격차는 주로 자원의 언어로 설명된다. 학원 수강 여부, 학교 소재지, 가구 소득 수준, EBS 강의에 접근할 수 있는 인터넷 환경. 이 프레임 안에서 농촌은 구조적으로 불리하고, 격차 해소는 곧 자원 재분배의 문제다. 더 나은 교재를, 더 많은 보조 교사를, 더 빠른 인터넷을 열악한 지역에 보내면 된다는 논리가 여기서 나온다.

칭타이현의 실험은 이 프레임에 균열을 낸다. 학생들에게 주어진 것은 추가 인프라가 아니었다. AI 시스템이 각 학생의 오답 패턴을 추적하고, 그 학생이 아직 숙달하지 못한 개념에서 다음 문제를 연결했다. 흔히 '적응형 학습'이라 불리는 방식이다. 그 결과가 56%에서 89%였다. 도시 학생 평균을 넘기는 데 걸린 시간이 한 달이었다.

한국 내신 체계와 나란히 놓으면 이 수치의 무게가 다르게 읽힌다. 중학교 수학 수업에서 강사가 1시간짜리 수업을 설계할 때, 그 수업은 학급 평균을 향한다. 이미 이해한 학생에게는 지루하고, 아직 이해하지 못한 학생에게는 버겁다. 그 간격은 학원을 한 번 더 다니거나, EBS 강의를 밤에 한 번 더 보는 것으로 메워진다. 하지만 메워지지 않는 경우가 훨씬 많다. 자원을 추가하는 방식으로 학습 격차를 좁히는 것에는 명확한 물리적 한계가 있다. 그 한계를 다른 각도에서 건드린 것이 칭타이현의 실험이었다.

숙달이 속도를 대신할 때 일어나는 일

적응형 학습의 핵심은 콘텐츠가 아니다. 순서다. 같은 문제를 다시 주는 것이 아니라, 이 학생이 지금 이 순간 풀어야 할 문제를 고르는 것. 이 차이는 작아 보이지만 결과의 차이를 만든다.

구체적인 장면으로 들어가보자. 중학교 2학년 학생이 수학 '일차방정식의 활용' 단원을 공부하고 있다. 이 학생은 방정식 풀이 자체는 익숙하지만, 문장제에서 미지수를 설정하는 단계에서 자꾸 막힌다. 학원 수업은 진도를 빠르게 나가기 때문에, 이 학생은 미지수 설정 오류를 그냥 통과하고 다음 단원으로 넘어간다. 시험에서 그 오류가 다시 나온다. 틀린다. '나는 수학이 약하다'는 자기 평가가 반복된다. 이 과정은 한 번으로 끝나지 않는다. 선행 개념의 구멍이 메워지지 않은 채로 다음 학기, 다음 학년으로 이어진다.

적응형 시스템은 이 흐름을 끊는다. 학생이 미지수 설정 단계에서 오류를 낼 때, 시스템은 다음 단원으로 넘어가지 않는다. 그 오류 패턴을 분석하고, 오류가 발생한 선행 개념으로 되돌아간다. '문장을 수식으로 변환하는 훈련'을 먼저 쌓는다. 그 훈련이 충분히 누적됐을 때 다음 단계로 이동한다. 이 과정에서 진도는 느릴 수 있다. 하지만 숙달도는 오른다. 칭타이현에서 일어난 일이 바로 그것이다.

숙달 기반 진도 이동은 새로운 개념이 아니다. 교육심리학자 벤저민 블룸은 1968년에 이미 이 방식의 효과를 기록했다. 학생이 80% 이상 숙달한 뒤 다음 단계로 넘어갈 때, 학업 성취의 분포가 좁아진다. 상위권과 하위권의 격차가 줄어든다는 것이다. 블룸이 '2 시그마 효과'라고 이름 붙인 결과다. 문제는 이것을 사람이 직접 실행하기 너무 어려웠다는 점이다. 교사 한 명이 학생 30명의 숙달 수준을 개별 추적하면서 수업을 동시에 조정하는 것은 현실적으로 불가능에 가깝다. AI가 그 병목을 처음으로 실용적으로 뚫었다. 칭타이현은 그것이 실험실 밖에서도 작동한다는 것을 보여준 사례였다.

수능 체계와 상대평가가 만드는 구조적 충돌

그러나 이 실험을 한국 교실에 그대로 이식하면 작동하지 않는 지점이 있다. 평가 구조의 문제다.

칭타이현의 실험에서 성공 지표는 '숙달도'였다. 학생이 특정 개념을 실제로 이해하고 적용할 수 있는가의 여부. 하지만 한국 중·고등학교 내신 성적은 상대평가다. 내가 89%를 달성해도, 반 친구도 89%를 달성하면 내 등급은 그대로다. 숙달도가 높아진다고 내신 등급이 오르지 않는다. 이 구조 안에서 학생의 동기는 자연스럽게 '내가 이 개념을 이해했는가'가 아니라 '내가 이 시험에서 남보다 많이 맞혔는가'로 세팅된다. 적응형 학습의 논리와 정면으로 충돌하는 지점이다.

더 직접적인 충돌이 있다. 수능 체계는 출제 범위 전체와 시간 내 풀이 속도를 동시에 요구한다. 적응형 학습이 특정 개념에 충분한 시간을 투자하도록 설계돼 있다면, 범위 전체를 일정 기간 내에 커버해야 하는 수능 준비 일정과 긴장을 일으킨다. 고등학교 3학년 학생이 수능 수학 2단원에서 숙달 훈련을 하다가 6단원에 도달하지 못한다면, 그것은 적응형 학습의 성공인가 실패인가. 현행 입시 구조는 이 질문에 명확하게 실패라고 답한다.

학원가에서 AI 학습 도구를 도입할 때 부딪히는 현실적 저항도 여기서 나온다. 강사들이 AI 도구 도입을 꺼리는 이유 중 하나가 '진도가 안 나간다'는 것이다. 숙달 기반으로 설계된 시스템은 학생이 이해할 때까지 기다린다. 하지만 학원 커리큘럼은 학기 단위로 끊겨 있고, 학부모는 이번 달 모의고사 결과를 본다. 그 긴장은 AI 시스템의 설계 원리가 아니라 한국 교육 현장의 시간표가 만드는 것이다. 칭타이현의 농촌 학생들에게는 상대평가라는 압박이 상대적으로 덜했다. 그들이 이겨야 할 기준은 도시 학생의 평균이었지, 같은 반 친구의 점수가 아니었다. 이 맥락의 차이가 동일한 시스템의 효과를 전혀 다르게 만든다.

AI가 바꾼 것은 문제 수가 아니라 학습의 경로였다

그렇다면 칭타이현 실험이 한국 교육에 남기는 것은 무엇인가. 'AI 학습 도구를 쓰면 성적이 오른다'는 단순한 메시지가 아니다. 더 정확한 독해는 이것이다. 개인화된 피드백 루프가 작동할 때, 교육 격차는 조건이 아니라 방법에서 생긴다는 것.

한국 학생들이 겪는 학습 실패의 상당수는 선행 개념이 불완전한 상태에서 다음 개념으로 넘어가는 데서 비롯된다. 중학교 2학년 2학기 내용이 약한 학생이 3학년 1학기 내용을 배우다가 막히면, 그것은 3학년 1학기 내용의 문제가 아니다. 2학년 때 메우지 못한 구멍이 3학년에서 드러난 것이다. 학원 진단고사나 EBS 단원별 테스트가 이 구멍을 찾아내긴 한다. 하지만 그다음 처방이 '그 단원 다시 봐라'로 끝나면 피드백 루프가 완성되지 않는다. 진단 이후의 경로가 없다는 것이 문제다.

AI가 실질적으로 기여하는 지점은 이 루프의 자동화다. 오답 수집 → 원인 개념 진단 → 보완 문제 제공 → 재시도 → 숙달 확인 → 다음 단계 이동. 이 사이클을 사람이 설계할 수는 있지만, 학급 단위에서 각 학생마다 다른 버전으로 동시에 실행하는 것은 사람 혼자서는 불가능하다. 칭타이현에서 1개월 만에 33%포인트가 오른 것은 콘텐츠가 우수해서가 아니었다. 이 루프가 각 학생마다 별도로 작동했기 때문이다. 결국 이 실험이 가리키는 것은 하나다. 격차의 원인 진단을 방법의 문제로 바꾼다면, 그다음에는 평가 구조도 함께 바뀌어야 한다는 것. 숙달 기반 학습이 상대평가 안에 그대로 놓이는 순간, 효과의 절반은 사라진다.

오늘 틀린 문제 한 개가 열어주는 다른 길

중학교 3학년이든 고등학교 2학년이든, 지금 AI 학습 도구를 쓰고 있다면 한 가지 습관을 다시 살펴볼 수 있다. 틀린 문제를 어떻게 처리하는가의 문제다.

대부분의 학생은 틀린 문제의 정답을 확인하고, 해설을 읽는다. 거기서 끝난다. 다음 날 같은 유형을 다시 풀었을 때 또 틀리는 경우가 많다. 이유는 간단하다. 해설을 읽는 것은 정답을 이해하는 과정이지, 내가 왜 틀렸는지를 이해하는 과정이 아니기 때문이다. 이 두 가지는 완전히 다르다. 전자는 정보를 수신하는 것이고, 후자는 자신의 판단 오류를 역추적하는 것이다.

칭타이현 실험의 핵심은 이 지점에 있었다. AI가 오답을 수집하고, 그 오답 패턴으로 선행 개념을 역추적했다. '이 문제를 다시 보세요'가 아니라, '이 오류는 세 단계 앞 개념에서 왔습니다'라는 경로를 제시했다. 그 경로를 따라가는 것이 숙달도를 33%포인트 올린 방법이었다. AI 도구 없이도 이 방식을 부분적으로 실행할 수 있다. 틀린 문제 하나를 골라, 정답을 확인하기 전에 내가 어느 판단 단계에서 방향이 달라졌는지를 먼저 적는다. 어디서 틀린 가정을 했는지, 어떤 개념을 혼동했는지. 그 단계를 확인한 다음, 그 단계의 선행 개념이 무엇인지 한 번 찾는다. 그 한 번의 역추적이, 다음 시험에서 같은 유형을 또 틀리지 않는 가장 확실한 경로다. AI가 있다면 그 역추적이 훨씬 빠를 뿐, 방향 자체는 동일하다.

칭타이현의 수치는 한 가지를 분명하게 보여준다. 격차는 자원의 함수가 아닐 수 있다. 그렇다면 한국 교육이 지금 가장 많이 투입하고 있는 것, 더 많은 문제, 더 긴 수업 시간, 더 비싼 교재가 실제로 어떤 격차를 좁히고 있는지 다시 물어야 한다. AI 시스템이 농촌 학생에게 준 것은 더 많은 콘텐츠가 아니라 지금 이 학생에게 맞는 순서였다. 그 순서를 한국 교실에서 만들 수 있는 조건은 무엇인가.