Generative AI는 소프트웨어 개발 산업을 변혁하고 있습니다. AI 기반 코딩 도구는 프로그래머들이 작업하는 데 도움이 되고 있으며, AI 관련 직업도 계속해서 늘어나고 있습니다. 그러나 이러한 변화는 학계에서도 명백하게 나타나고 있습니다. 다음 세대의 소프트웨어 엔지니어가 코드 작성 방법을 배우는 주요 수단 중 하나입니다.
컴퓨터 과학 학생들은 이 기술을 환영하며, 생성적 AI를 사용하여 복잡한 개념을 이해하고 복잡한 연구 논문을 요약하며 문제를 해결하는 방법을 고안하고 새로운 연구 방향을 모색하며 물론 어떻게 코딩을 배울 것인지에 대해 합니다. 이번 포스팅에서는 IEEE Spectrum에 소개된 관련 내용을 전달합니다.
개요
스탠포드 대학에서 컴퓨터 과학 석사 학위를 취하고 있는 조니 창(Johnny Chang)은 “학생들은 초기 채택자이며 이러한 도구들을 적극적으로 테스트하고 있습니다”라고 말합니다. 또한 그는 2023년 AI x 교육 컨퍼런스를 개최했는데, 이는 학생들과 교육자들이 교육에 미치는 AI의 영향을 논의하기 위한 가상 모임입니다.
뒤처지지 않기 위해 교육자들도 생성적 AI를 실험하고 있습니다. 그러나 그들은 여전히 학생들이 컴퓨터 과학의 기초를 배우는 동안 기술을 도입하는 기법에 대해 고민하고 있습니다.
“이것은 어려운 균형 잡기입니다” 싱가포르 국립 대학 컴퓨팅 학부의 Ooi Wei Tsang 부교수는 말합니다. “대형 언어 모델이 빠르게 발전하고 있기 때문에, 우리는 아직 이를 어떻게 할지 배우고 있습니다.”
구체적인 문법 대신 아이디어를 강조
기초와 기술 자체가 발전하고 있습니다. 대부분의 초급 컴퓨터 과학 과목은 코드 문법과 프로그램 실행에 초점을 맞추고 있습니다. 코드를 읽고 쓰는 것은 여전히 중요하지만, 시험 및 디버깅 – 교육과정의 일부가 아닌 것들 – 이제 명시적으로 가르쳐져야 합니다.
“학생들이 정확성을 확인해야 하는 생성적 AI에서 코드 스니펫을 받는 기술이 약간 상승하는 것을 보고 있습니다,” 뉴욕 포츠담의 클락슨 대학의 컴퓨터 과학 교수 인 Jeanna Matthews는 말합니다.
또 다른 중요한 전문 기술은 문제 분해입니다. “이것은 큰 문제를 LLM이 해결할 수 있는 작은 조각으로 나누는 기술입니다,” 캘리포니아 대학 샌디에고 캠퍼스의 컴퓨터 과학 부 교수 인 Leo Porter는 말합니다. “어디에서 그것을 가르치는지 찾기가 어렵습니다 – 아마도 알고리즘이나 소프트웨어 공학 수업에서, 그러나 그것들은 고급 수업입니다. 이제 초급 수업에서 우선 순위가 됩니다.”
결과적으로, 교육자들은 자신의 교육 전략을 수정하고 있습니다. “이전에는 학생들이 제출한 코드를 작성하는 데에만 주안점을 두었으며, 그런 다음 코드에 대한 테스트 케이스를 실행하여 그들의 성적을 결정했습니다,” 토론토 대학 미시사우가 캠퍼스의 컴퓨터 과학 부 교수 인 Daniel Zingaro는 말합니다. “이것은 소프트웨어 엔지니어가 되는 것의 좁은 시각이었고, 생성적 AI로 그 제한적인 시각을 극복한 것 같습니다.”
Porter와 함께 AI 지원 Python 프로그래밍에 대한 책을 공동 저술한 Zingaro는 이제 그의 학생들에게 그룹으로 작업하고 코드가 어떻게 작동하는지 설명하는 비디오를 제출하도록 요청합니다. 이러한 walk-through를 통해 학생들이 AI를 사용하여 코드를 생성하는 방법, 어떤 문제로 고민하는지, 설계, 테스트 및 팀워크에 어떻게 접근하는지에 대한 감을 얻습니다.
“나는 그들의 학습 과정을 평가할 기회를 가지고 있습니다 – 단지 코드만이 아니라 소프트웨어 개발 [생명 주기] 전체에 대한 것입니다,” Zingaro는 말합니다. “그리고 내가 가르치는 과목이 이전보다 훨씬 더 개방되고 그들이 예전보다 훨씬 더 넓은 범위의 작업을 할 수 있다고 느낍니다. 학생들에게 더 크고 고급 프로젝트를 수행하도록 할 수 있습니다.”
Ooi는 생성적 AI 도구가 “우리가 고차원적 사고를 가르치는 시간을 확보할 것입니다 – 예를 들어 소프트웨어를 설계하는 방법, 해결해야 할 올바른 문제는 무엇인지, 그리고 해결책은 무엇인지에 대해 더 많은 시간을 할애할 수 있을 것입니다. 학생들은 코드의 구문에 중점을 두는 대신 최적화, 윤리적 문제 및 시스템의 사용 편의성에 더 많은 시간을 할애할 수 있습니다.”
AI Copilot의 함정
하지만 교육자들은 LLM의 환각적인 경향에 대해 조심스럽습니다. Matthews는 “우리는 학생들에게 결과에 대해 회의적이고 확인하고 유효성을 검증하는 것을 직접 해야 한다는 점을 가르쳐야 합니다,”라고 말합니다.
Matthews는 생성적 AI가 “너무 의존하는 학생들의 학습 과정을 단축시킬 수 있다”고 덧붙입니다. Chang는 이 과도한 의존이 함정이 될 수 있으며, 동료 학생들에게 자신들만의 문제에 대한 가능한 해결책을 직접 탐색하도록 권고하여 그들이 중요한 사고 또는 효과적인 학습 과정을 잃지 않도록 합니다. “우리는 AI를 학습을 위한 자동 조종 장치가 아닌 공동 운전사로 만들어야 합니다,”라고 그는 말합니다.
저작권과 편향도 다른 단점입니다. “저는 학생들에게 윤리적 제약에 대해 가르치고 있습니다 – 다른 사람의 코드를 기반으로 한 모델임을 인식하고 그 소유권을 인정한다는 것입니다,” Porter는 말합니다. “또한 모델이 이미 사회에 존재하는 편견을 대표할 것이라는 것을 인식해야 합니다.”
생성적 AI의 부상에 대응하기 위해서는 학생들과 교육자들이 함께 일하고 서로 배우는 것이 필요합니다. 동료들을 위해, Matthews의 조언은 “학생들이 언제 어떻게 이러한 도구를 사용하는지를 알려주도록 장려하는 환경을 조성하려고 노력하십시오. 궁극적으로, 우리는 학생들을 현실 세계에 대비시키고 있으며, 현실 세계는 변화하고 있으므로 항상 해왔던 것을 고수하는 것이 이 전환에서 학생들을 가장 잘 도와주는 레시피일 수 없습니다.”
Porter는 그들이 지금 적용하고 있는 변화가 미래에 학생들에게 잘 봉사할 것이라고 낙관적입니다. “학계에서 가르치는 것과 산업에 도착한 학생들이 실제로 필요한 기술 간의 간극이 오랜 역사를 가지고 있습니다,”라고 그는 말합니다. “LLM을 받아들인다면 그 간극을 좁히는 데 도움이 될 수 있다는 희망이 있습니다.”
마무리
이번 포스팅에서는 생성적 AI의 부상에 대한 교육계의 대응과 함께, 학생들과 교육자들 간의 협력이 중요함을 강조하였습니다. 이러한 변화에 대응하여 교육 방법을 수정하고 새로운 기술에 대한 학습 과정을 적극적으로 통합함으로써, 우리는 학생들이 실제 세계에서 성공적으로 적응할 수 있도록 돕고자 합니다. 앞으로의 도전에 대한 준비와 학습 환경의 변화는 학생들이 산업에 진입할 때 필요한 실질적인 기술을 갖추도록 돕는 중요한 요소입니다.