THE BEST 교육
통합지원 서비스

원문: AI Copilots are changing how coding is taught - Professors are shifting away from syntax and emphasizing higher-level skills by Rina Diane Caballar (2 May 2024)

링크: https://spectrum.ieee.org/ai-coding?utm_source=chatgpt.com 

생성적 AI는 소프트웨어 개발 산업을 변화시키고 있습니다. AI 기반 코딩 도구는 프로그래머의 일의 흐름을 원활하게 하며, AI 분야의 일자리는 계속 증가하고 있습니다. 하지만 이러한 변화는 대학에서도 분명하게 나타납니다. 

컴퓨터 과학을 전공하는 학생들은 생성적 AI를 복잡한 개념을 이해, 복잡한 연구 논문 요약, 문제를 해결하는 방법을 브레인스토밍 등에 활용하고 있습니다. 또한 AI를 통해 새로운 연구 방향을 생각하고, 코딩하는 방법을 배우는 데 도움이 되는 기술을 받아들이고 있습니다.

"학생들은 얼리 어답터(early adopters)이며 이러한 도구(AI)를 적극적으로 테스트하고 있습니다." 스탠포드 대학에서 컴퓨터 과학 석사과정에 재학하며 조교로 일하고 있는 Johnny Chang은 이렇게 답변했습니다. 그는 또한 2023년에 AI x Education 컨퍼런스를 창립했는데, 이는 학생과 교육자들이 교육에 미치는 AI의 영향에 대해 논의하는 온라인 모임(virtual gathering)입니다.

이러한 흐름에 뒤처지지 않기 위해 교수들도 생성적 AI를 도입하여 실험하고 있습니다. 하지만 그들은 학생들이 컴퓨터 과학의 기초를 배우도록 보장하면서도 기술을 도입하는 기법을 고심하고 있습니다.

싱가포르 국립대학교 컴퓨터학과의 교수 오이 웨이 창(Ooi Wei Tsang) 은 AI를 활용한 코딩 교육을 "어려운 균형 잡기"에 비유합니다. "대규모 언어 모델이 빠르게 진화하고 있기 때문에 우리는 여전히 이를 수행하는 방법을 배우고 있습니다." 

코딩에 대한 기초와 기술 자체가 진화하고 있습니다. 대부분의 입문 컴퓨터 과학 과정은 코드 Syntax(컴퓨터의 문법)과 프로그램 실행에 초점을 맞추고 있으며, 코드를 읽고 쓰는 방법을 아는 것은 여전히 필수적이지만, 일반적으로 교과과정에 포함되지 않는 테스트와 디버깅은 이제 더 명확하게 가르쳐야 합니다.

뉴욕 포츠담에 있는 클락슨대학교 컴퓨터 과학과의 교수인 Jeanna Matthews는 "학생들이 (코드의) 정확성을 테스트하기 위해 생성 AI로부터 code snippets (코드 조각)을 받는 등 (학생들의 AI 활용) 기술이 향상되고 있는 것을 보고 있습니다."라고 말했습니다.

학생들이 AI를 활용한 코딩 교육에서 배워야 할 중요한 전문 기술 중 하나는 문제 분해 능력입니다. 캘리포니아 대학교의 컴퓨터과학과 교수 Leo Porter는 "거대언어모델(Large Language Models-LLM)이 해결할 수 있도록 큰 문제를 작은 조각으로 분해해야 하기 때문에 코딩교육 초기부터 알아야 할 기술입니다."라고 말합니다. "커리큘럼에서 이런 내용을 어디에서 가르치는지 찾기 어렵습니다. 알고리즘이나 소프트웨어 엔지니어링 수업일 수도 있지만, 그런 수업은 심화 수업(Advanced classes)입니다. 지금은 (LLM이 이해할 수 있도록 코딩을 작은 조각으로 나누는 방법을 배우는 것이) 입문 수업에서 우선순위가 됩니다."

그 결과, 교육자들은 코딩교육 전략을 수정하고 있습니다. 토론토 대학 컴퓨터 과학과의 교수인 Daniel Zingaro는 "저는 과거에는 학생들이 제출한 코드에만 집중했고, 그런 다음 코드에 대한 테스트 사례를 실행하여 성적을 확인했었습니다."라고 말합니다. "과거의 방식은 소프트웨어 엔지니어가 되는 것이 무엇을 의미하는지에 대한 매우 좁은 관점이었고, 생성 AI를 통해 그 제한적인 관점을 극복할 수 있었다고 느꼈습니다."

Porter와 함께 AI 지원 파이썬 프로그래밍에 대한 책을 공동 집필한 Zingaro는 이제 학생들이 (과제로) 그룹으로 작업하고 코드가 어떻게 작동하는지 설명하는 비디오를 제출하게 합니다. 이러한 연습을 통해 강의자는 학생들이 AI를 사용하여 코드를 생성하는 방법, 어려움을 겪는 부분, 디자인, 테스트 및 팀워크에 접근하는 방식을 파악합니다.

Zingaro는 "코드뿐만 아니라 전체 소프트웨어 개발에 대한 학습 과정을 평가할 수 있는 기회입니다."라고 말합니다. "그리고 제 수업을 통해 소프드웨어 개발이 더 개방적이고 예전보다 훨씬 더 광범위해졌다고 느낍니다. 저는 제 수업에서 학생들이 더 규모가 크고 심화된 프로젝트를 진행하도록 하게 할 수 있습니다."

싱가포르 대학교 컴퓨터학과 교수 Ooi는 생성형 AI가 "우리가 더 높은 수준의 사고를 가르칠 시간을 확보하게 해줄 것"이라며 이러한 의견에 동의한다고 말합니다. 예를 들어, 소프트웨어를 설계하는 방법, 해결해야 할 적절한 문제는 무엇인지, 그리고 가능한 해결책에 대해 가르치는 것에 집중할 수 있다는 것입니다. 학생들은 코드 문법에 집중하기보다는 최적화, 윤리적 문제, 그리고 시스템의 사용자 친화성에 더 많은 시간을 투자할 수 있게 될 것입니다.

AI 코딩의 함정 피하기

그러나 교육자들은 대규모 언어 모델(LLM)이 발생시키는 "Hallucination-환각"(사실이 아닌 정보를 생성하는 경향)에 대해 신중한 태도를 보입니다. 클락슨대학교의 Matthews는 "학생들에게 결과를 회의적으로 바라보고, 그것을 검증하고 확인하는 책임감을 가르쳐야 한다"고 말합니다.

Matthews는 "학생들이 생성형 AI에 지나치게 의존할 경우 (필요한) 학습의 과정을 단축시킬 수 있다"고 덧붙입니다. 스탠포드 대학교의 Chang 역시 이러한 과도한 의존이 하나의 함정이 될 수 있다고 동의하며, 동료 학생들에게 문제에 대한 가능한 해결책을 스스로 탐구하라고 조언합니다. 이렇게 해야 비판적 사고나 효과적인 학습 과정을 잃지 않을 수 있다는 것입니다. 그는 "AI는 학습을 위한 '공동 조종사(copilot)'로 활용해야 하며, '자동 조종사(autopilot)'가 되어서는 안 된다"고 강조합니다.

다른 단점으로는 저작권 문제와 편향이 있습니다. "저는 학생들에게 윤리적 제약에 대해 가르칩니다. 이는 다른 사람들의 코드를 기반으로 구축된 모델이므로, 우리는 그 소유권을 인정해야 합니다."라고 캘리포니아 대학교의 Porter는 말합니다. "또한, 이러한 LLM이 이미 사회에 존재하는 편향을 반영할 수도 있다는 점도 인식해야 합니다.“

생성형 AI 활용의 중요도를 받아들이는 일에는 학생들과 교육자들이 함께 노력하며 서로에게 배우는 것이 포함합니다. Matthews는 동료들에게 "학생들이 이러한 도구를 언제, 어떻게 사용하는지 말할 수 있도록 격려하는 환경을 조성하려고 노력하세요."라고 조언합니다. "궁극적으로, 우리는 학생들을 실제 세상에 대비시키고 있으며, 실제 세상은 변화하고 있습니다. 따라서 항상 해오던 방식만 고수하는 것이 이 변화 속에서 학생들에게 가장 잘 도움을 줄 수 있는 방법이 아닐 수 있습니다.“

Porter는 현재 적용 중인 변화들이 미래에 학생들에게 큰 도움이 될 것이라는 점에 낙관적입니다. 그는 이렇게 말합니다. "우리가 학문적으로 가르치는 것과 학생들이 산업에 진출했을 때 실제로 필요한 기술 간에는 오랜 기간 동안 간극이 존재해 왔습니다. 저는 우리가 대규모 언어 모델(LLM)을 수용한다면 그 간극을 좁힐 수 있을지도 모른다는 희망을 가지고 있습니다."