한 줄로
임상 실습 현장에는 인수인계(handover)를 반복 연습할 기회가 부족합니다. SBAR 프레임워크를 축으로, 정답을 그대로 알려주지 않고 학생이 스스로 임상적 추론의 빈틈을 찾도록 질문하는 소크라테스식 튜터를 만들었습니다.
핵심 설계 — 평가와 응답의 분리
단일 LLM 호출로 채점과 피드백을 함께 처리하면 정답이 노출되거나, 학생의 이해 수준을 잘못 진단하는 문제가 생겼습니다.
- 그래서 내부 평가(학생 비노출) → 소크라테스식 질문 생성(학생 노출) 두 단계로 구조를 분리했습니다.
- 그래도 채점 정밀도가 부족해 평가자 → 상태머신 → 튜터 3단계로 한 번 더 세분화했습니다.
이 구조는 동료 연구자의 교육학적 요구사항(“정답을 주지 말고, 빈틈을 스스로 보게 하라”)을 아키텍처 원칙으로 옮긴 결과입니다.
역할 분담
- 기술 고문 — 도메인 전문가의 교육학적 요구사항을 아키텍처 원칙으로 번역
- 백엔드 / AI 엔진 — 채점 엔진 설계·구현, LLM 프로바이더(OpenAI / Gemini) 추상화, 배포 파이프라인 자동화. 백엔드는 GCP Cloud Run 서울 리전, 0~3 인스턴스로 비용을 맞췄습니다.
배운 점
도메인 전문가의 요구사항은 한 번에 아키텍처로 옮겨지지 않습니다. 여러 차례 논의와 재설계를 거쳐야 했고, 그 과정 자체가 설계의 일부였습니다.
한계와 다음 단계
파일럿 단계로 정량적 학습 효과 지표는 아직 없습니다. 파일럿 결과로 튜터링 전후 인수인계 품질 변화를 측정하는 것이 다음 과제입니다.