Skip to content
←

Split View: AI로 공부하는 법 — LLM을 최고의 튜터로 만드는 8가지 기법

|

AI로 공부하는 법 — LLM을 최고의 튜터로 만드는 8가지 기법

들어가며 — 2시그마 문제와 AI 튜터의 약속

1984년 교육심리학자 벤저민 블룸(Benjamin Bloom)은 유명한 관찰을 발표했습니다. 1:1 튜터링을 받은 학생은 일반 강의식 수업을 받은 학생보다 평균 2 표준편차(2시그마) 높은 성취를 보였다는 것입니다. 상위 2%가 아니라, 강의실 평균이었을 학생이 상위 2% 수준으로 올라간다는 뜻입니다. 문제는 비용이었습니다 — 모두에게 개인 튜터를 붙일 수는 없으니까요. 블룸은 이것을 "2시그마 문제"라 불렀고, 이후 40년간 교육공학의 성배로 남았습니다.

LLM은 이 성배에 지금까지 나온 것 중 가장 가까운 도구입니다. 무한한 인내심으로, 내 수준에 맞춰, 언제든 질문을 받아주는 상대가 생긴 것입니다. 하지만 여기엔 함정이 있습니다. 잘못 쓰면 AI는 공부를 도와주는 것이 아니라 공부를 대신해 버립니다. 이 글은 그 함정을 먼저 짚고, 학습과학에 근거한 8가지 사용법을 프롬프트와 함께 정리합니다. 직무 지식 지도와 면접 플레이북에 이어지는 3부작의 마지막 편입니다.

함정 먼저 — AI가 공부를 망치는 세 가지 방식

유창성 착각. 기억력의 비밀 편에서 봤듯, 잘 쓰인 설명을 읽으면 "안다"는 느낌이 들지만 그 느낌은 기억이 아닙니다. AI의 설명은 유난히 매끄럽기 때문에 이 착각이 더 강해집니다. 읽고 이해한 것과 스스로 재생산할 수 있는 것 사이의 간극은, 시험장이나 면접장에서야 드러납니다.

생성 의존. 로디거와 카픽의 연구가 보여준 테스트 효과(testing effect)의 핵심은, 기억을 만드는 것은 입력이 아니라 인출(retrieval) 이라는 것입니다. AI에게 답을 만들게 하면 인출 연습의 기회가 통째로 사라집니다. 코드를 AI가 다 짜주면 코드를 짜는 근육이 늘지 않는 것과 같습니다.

환각과 무비판 수용. LLM은 그럴듯하게 틀립니다. 특히 숫자, 최신 정보, 세부 API, 논문 인용에서 그렇습니다. 검증 습관 없이 흡수하면 오개념이 확신과 함께 쌓입니다.

세 함정의 공통 해독제는 하나입니다. AI에게 답을 시키지 말고, 나에게 질문하게 하라.

기법 1 — 소크라테스식 튜터

가장 기본이 되는 설정입니다. AI에게 "정답을 말하지 않는 튜터" 역할을 명시적으로 부여합니다.

당신은 소크라테스식 튜터입니다. 규칙:
1. 절대 정답을 직접 말하지 마세요.
2. 내 답이 틀리면, 어디가 틀렸는지 스스로 발견하도록 유도 질문을 하나씩 던지세요.
3. 내가 두 번 연속 막히면 그때만 작은 힌트를 하나 주세요.
4. 내가 정답에 도달하면, 내 설명에서 빠진 부분을 지적해 주세요.
주제: [예: 쿠버네티스의 파드 스케줄링]
첫 질문부터 시작하세요.

이 설정의 힘은 인출 연습을 대화 구조 자체에 강제로 심는다는 데 있습니다. 읽는 공부가 묻고 답하는 공부로 바뀝니다.

기법 2 — 파인만 역할극

파인만 기법(단순하게 설명해 보기)의 최대 약점은 혼자 하면 빈틈을 스스로 못 본다는 것입니다. AI를 "집요한 초보자"로 캐스팅하면 이 약점이 사라집니다.

나는 지금부터 [주제]를 설명하겠습니다. 당신은 두 역할을 동시에 합니다:
1. 호기심 많은 초보자: 내 설명에서 이해 안 되는 부분마다 "왜?"라고 물으세요.
2. 엄격한 심사자: 내가 얼버무리거나 부정확하게 말한 부분을 끝나고 목록으로 지적하세요.
준비됐으면 "설명을 시작하세요"라고 답하세요.

설명하다 막히는 지점이 바로 내 지식의 구멍입니다. 그 구멍만 다시 공부하면 되므로, 복습 범위가 극적으로 줄어듭니다.

기법 3 — 퀴즈 생성기와 간격 반복

배운 내용을 AI에게 시험 문제로 바꾸게 하면, 인출 연습을 무한 생성할 수 있습니다.

방금 공부한 내용: [노트 붙여넣기]
이 내용으로 5문제를 만들어 주세요. 조건:
- 4지선다 3문제(그럴듯한 오답 포함), 서술형 2문제
- 한 번에 한 문제씩, 내가 답한 뒤에 채점과 해설
- 해설에는 내 답의 어떤 부분이 부족했는지 반드시 포함

여기에 간격 반복을 결합하세요. "3일 전에 공부한 X를 다시 테스트해 달라"고 요청하거나, 오답을 Anki 카드 형식으로 변환시켜 내보내면 됩니다. 잊어버리기 직전의 복습이 기억을 가장 강하게 만든다는 원리 그대로입니다.

기법 4 — 오답 분석기

틀렸다는 사실보다 왜 틀렸는지의 유형이 중요합니다. AI는 이 진단에 탁월합니다.

문제: [문제]
정답: [정답]  /  내 답: [내 답]
내 답을 채점하지 말고, 내가 어떤 오개념 때문에 이렇게 답했는지 추정해 주세요.
그 오개념을 검증할 수 있는 확인 문제를 2개 만들어 주세요.

이 사이트의 JLPT 실전 퀴즈나 TOEFL 독해 연습처럼 오답 해설이 붙은 도구로 연습한 뒤, 반복해서 틀리는 유형만 AI에게 가져가 뿌리를 진단받는 조합이 특히 효과적입니다.

기법 5 — 난이도 사다리 (i+1)

유창함이란 무엇인가 편에서 다룬 크라센의 "이해 가능한 입력" 원리는 언어 밖에서도 통합니다. 학습이 일어나는 지점은 현재 수준보다 살짝 위, i+1입니다. AI는 이 난이도 조절을 정확하게 해 줍니다.

[주제]를 공부 중입니다. 내 현재 수준: [아는 것 요약].
지금 수준에서 딱 한 단계 어려운 연습 과제를 하나 주세요.
내가 풀면 난이도를 한 칸 올리고, 두 번 막히면 반 칸 내려 주세요.

교재는 모두에게 같은 계단을 주지만, AI는 나만의 계단을 실시간으로 깎아 줍니다. 이것이 튜터링이 강의를 이기는 바로 그 지점입니다.

기법 6 — 대조 학습

헷갈리는 개념 쌍(프로세스와 스레드, 인증과 인가, RAG와 파인튜닝)은 각각 따로 공부하면 계속 헷갈립니다. 나란히 놓아야 경계가 보입니다.

A: [개념 A], B: [개념 B]
1. 이 둘을 구분하는 결정적 질문 3개를 만들어 주세요.
2. A가 맞고 B가 틀리는 상황, B가 맞고 A가 틀리는 상황을 하나씩 예로 들어 주세요.
3. 사람들이 이 둘을 혼동하는 가장 흔한 이유를 설명해 주세요.

면접 플레이북에서 본 것처럼, 면접 질문의 상당수가 바로 이 "구분 능력"을 겨냥합니다.

기법 7 — 리뷰어로 쓰기 (생성은 내가, 검토는 AI가)

코드·글·설계는 순서가 전부입니다. 내가 먼저 만들고, AI에게 검토를 맡기세요. 순서를 뒤집으면 생성 효과(스스로 만들 때 기억이 강해지는 효과)를 잃습니다.

내가 작성한 [코드/설계/답안]입니다: [붙여넣기]
1. 치명적 문제 → 개선 여지 → 스타일 순으로 나눠 리뷰해 주세요.
2. 각 지적마다 "왜 문제인지"를 원리 수준에서 설명해 주세요.
3. 고친 버전을 바로 주지 말고, 내가 스스로 고치도록 방향만 알려 주세요.

3번 조건이 핵심입니다. 고친 버전을 받는 순간 학습은 끝나고 복사가 시작됩니다.

기법 8 — 모의 면접관

면접 플레이북의 8주 계획에서 약속한 프롬프트입니다.

당신은 [회사 유형]의 시니어 면접관입니다. [직무] 포지션의 기술 면접을 진행하세요.
규칙:
- 실제 면접처럼 한 번에 한 질문. 내 답에 follow-up을 2번까지.
- 내가 모호하게 답하면 구체적인 예를 요구하세요.
- 45분 분량(질문 4~5개) 후 종료하고, 채점표를 주세요:
  문제 해결 / 의사소통 / 깊이 / 협업 신호, 각 5점 만점 + 근거.
- 마지막에 내가 가장 우선 보완해야 할 것 한 가지를 꼽아 주세요.

혼자서는 만들 수 없던 실전 압박과 즉각 피드백을 무한 반복할 수 있습니다. 스토리 은행(행동 면접)도 같은 방식으로 리허설이 됩니다.

검증 루프 — 환각에 잡아먹히지 않기

여덟 기법 전체에 걸치는 안전장치입니다.

  • 출처를 요구하세요: "이 주장의 근거가 되는 공식 문서나 논문을 알려줘. 확실하지 않으면 확실하지 않다고 말해."
  • 사실과 판단을 분리하세요: 버전 번호, API 시그니처, 수치, 인용은 반드시 공식 문서로 교차 확인. 개념 설명과 연습 문제 생성은 상대적으로 안전한 영역입니다.
  • 거꾸로 검증: 중요한 내용은 "방금 네 설명에서 틀렸을 가능성이 가장 높은 부분이 어디야?"라고 되물으세요. 의외로 잘 찾아냅니다.
  • 개인정보·회사 코드는 넣지 마세요: 학습 도구로 쓰더라도 입력의 경계는 지켜야 합니다.

하나의 워크플로로 묶기 — 새 기술 4주 학습 예시

여덟 기법을 실제 순서로 엮으면 이렇습니다. 예: 쿠버네티스 입문.

  1. 1주차 — 지도와 입력: AI에게 학습 로드맵 생성(기법 5로 수준 진단) → 공식 문서·튜토리얼 읽기 → 매일 끝에 퀴즈 생성(기법 3).
  2. 2주차 — 인출과 실습: 쿠버네티스 놀이터에서 직접 조작 → 막히면 소크라테스 튜터(기법 1) → 오답 분석(기법 4).
  3. 3주차 — 생성과 검토: 작은 프로젝트를 스스로 구축 → AI 리뷰(기법 7) → 헷갈리는 개념 쌍 대조 학습(기법 6).
  4. 4주차 — 설명과 시험: 파인만 역할극(기법 2)으로 전체 설명 → 배운 것을 블로그에 정리(가시성!) → 모의 면접(기법 8)으로 마무리.

읽기 → 인출 → 생성 → 설명의 순환이며, 각 단계에서 AI의 역할이 다르다는 점이 요점입니다. AI는 답안지가 아니라 질문 기계, 심사자, 리뷰어, 면접관일 때 가장 강력합니다.

마치며

블룸이 2시그마 문제를 제기한 지 40년, 개인 튜터는 마침내 모두의 주머니에 들어왔습니다. 하지만 튜터가 있다는 것과 튜터를 잘 쓰는 것은 다릅니다. 좋은 학생이 좋은 튜터를 만났을 때 일어나는 일 — 끊임없이 질문받고, 스스로 설명하고, 틀린 지점을 정확히 진단받는 것 — 을 프롬프트로 재현하는 것이 이 글의 전부입니다. 답을 받는 사람이 아니라 질문을 받는 사람이 되세요. 그것이 AI 시대에 실력이 쌓이는 쪽입니다.

참고 자료

How to Study with AI — 8 Techniques That Turn an LLM into Your Best Tutor

Introduction — The 2 Sigma Problem and the Promise of AI Tutors

In 1984 the educational psychologist Benjamin Bloom published a famous observation: students who received 1:1 tutoring performed on average two standard deviations (2 sigma) better than students in conventional classrooms. That does not mean the top 2% got better — it means an average classroom student rose to roughly the top 2% level. The problem was cost: you cannot give everyone a personal tutor. Bloom called this the "2 sigma problem," and for forty years it remained the holy grail of educational technology.

LLMs are the closest tool yet to that grail. You now have a partner with infinite patience, tuned to your level, available at any hour. But there is a trap: used wrongly, AI does not help you study — it studies instead of you. This article names the traps first, then lays out eight usage patterns grounded in learning science, each with a prompt. It is the final part of the trilogy, following the role knowledge map and the interview playbook.

The Traps First — Three Ways AI Ruins Studying

The fluency illusion. As the secrets of memory showed, reading a well-written explanation produces the feeling of knowing, but that feeling is not memory. Because AI explanations are unusually smooth, the illusion gets stronger. The gap between understanding-while-reading and being able to reproduce it yourself only reveals itself in the exam room or the interview.

Generation dependence. The core of the testing effect from Roediger and Karpicke's research is that memory is built not by input but by retrieval. When AI generates the answer, your retrieval practice disappears wholesale. It is the same reason your coding muscles do not grow when AI writes all the code.

Hallucination and uncritical absorption. LLMs are wrong in plausible ways — especially with numbers, recent information, API details, and paper citations. Absorb without a verification habit and you accumulate misconceptions bundled with confidence.

The common antidote to all three traps is one sentence: don't make the AI answer — make it question you.

Technique 1 — The Socratic Tutor

The foundational setup: explicitly cast the AI as a tutor who never gives the answer.

You are a Socratic tutor. Rules:
1. Never state the answer directly.
2. When my answer is wrong, ask one guiding question at a time so I
   discover the error myself.
3. Only if I get stuck twice in a row, give one small hint.
4. When I reach the answer, point out what my explanation still missed.
Topic: [e.g., pod scheduling in Kubernetes]
Start with your first question.

The power of this setup is that it hard-wires retrieval practice into the very structure of the conversation. Studying-by-reading becomes studying-by-answering.

Technique 2 — Feynman Role-Play

The biggest weakness of the Feynman technique (explain it simply) is that alone, you cannot see your own gaps. Casting the AI as a relentless beginner removes that weakness.

I will now explain [topic]. You play two roles at once:
1. A curious beginner: ask "why?" at every point my explanation
   doesn't hold up.
2. A strict examiner: afterwards, list every place I hand-waved
   or was imprecise.
Reply "start explaining" when ready.

The places you stumble while explaining are exactly the holes in your knowledge. You then restudy only those holes, which shrinks your review scope dramatically.

Technique 3 — Quiz Generator plus Spaced Repetition

Having the AI convert what you just learned into test items gives you unlimited retrieval practice.

What I just studied: [paste notes]
Create 5 questions from this. Conditions:
- 3 multiple-choice (with plausible wrong options), 2 short-answer
- One question at a time; grade and explain after I answer
- The explanation must include what was missing from MY answer

Combine this with spacing: ask it to "re-test me on X from three days ago," or have wrong answers exported as Anki-style cards. It is exactly the principle that review just before forgetting builds the strongest memory.

Technique 4 — The Error Analyzer

More important than the fact that you were wrong is the type of misconception behind it. AI is excellent at this diagnosis.

Question: [question]
Correct answer: [answer]  /  My answer: [my answer]
Do not grade me. Infer what misconception most likely led me to
this answer, then create 2 check questions that would verify
whether I hold that misconception.

A powerful combination: practice with tools that ship detailed explanations — like this site's JLPT mock quiz or TOEFL reading practice — then bring only your repeated error patterns to the AI for a root-cause diagnosis.

Technique 5 — The Difficulty Ladder (i+1)

Krashen's "comprehensible input" principle from what fluency really is applies beyond language: learning happens slightly above your current level, at i+1. AI does this calibration precisely.

I am studying [topic]. My current level: [summary of what I know].
Give me one practice task exactly one step harder than my level.
If I solve it, raise the difficulty one notch; if I get stuck
twice, lower it half a notch.

A textbook gives everyone the same staircase; AI carves a staircase just for you, in real time. This is precisely the point where tutoring beats lectures.

Technique 6 — Contrast Learning

Confusable concept pairs (process vs. thread, authentication vs. authorization, RAG vs. fine-tuning) stay confusing if studied separately. The boundary only appears when they are placed side by side.

A: [concept A], B: [concept B]
1. Create 3 decisive questions that tell these two apart.
2. Give one scenario where A applies and B fails, and one where
   B applies and A fails.
3. Explain the most common reason people confuse them.

As the interview playbook showed, a large share of interview questions target exactly this discrimination ability.

Technique 7 — AI as Reviewer (You Generate, It Critiques)

For code, writing, and design, order is everything: you create first, then hand it to AI for review. Reverse the order and you lose the generation effect — the memory boost from producing something yourself.

Here is my [code/design/answer]: [paste]
1. Review in this order: critical problems → improvements → style.
2. For each point, explain WHY it is a problem at the level of
   principles.
3. Do not give me a fixed version — only point the direction so
   I can fix it myself.

Condition 3 is the crux. The moment you receive the fixed version, learning ends and copying begins.

Technique 8 — The Mock Interviewer

This is the prompt promised in the interview playbook's 8-week plan.

You are a senior interviewer at a [company type]. Run a technical
interview for a [role] position. Rules:
- One question at a time, like a real interview. Up to 2 follow-ups
  per answer.
- If I answer vaguely, demand a concrete example.
- After a 45-minute portion (4-5 questions), stop and give me a
  scorecard: problem solving / communication / depth / collaboration
  signals, each out of 5, with evidence.
- End by naming the single thing I should fix first.

You get the real-interview pressure and instant feedback that used to be impossible to produce alone — on infinite repeat. Your behavioral story bank can be rehearsed the same way.

The Verification Loop — Not Getting Eaten by Hallucination

A safety layer that spans all eight techniques.

  • Demand sources: "Give me the official docs or paper behind this claim. If you are not sure, say you are not sure."
  • Separate facts from judgment: version numbers, API signatures, figures, and citations must be cross-checked against official docs. Concept explanations and practice-question generation are comparatively safe territory.
  • Verify in reverse: for anything important, ask "which part of your explanation just now is most likely to be wrong?" It is surprisingly good at finding it.
  • Never paste in personal data or company code: even as a study tool, the input boundary stands.

Tying It into One Workflow — a 4-Week Example for a New Technology

Weaving the eight techniques into an actual sequence — say, learning Kubernetes:

  1. Week 1 — map and input: have AI generate a roadmap (diagnose your level with technique 5) → read official docs and tutorials → end each day with generated quizzes (technique 3).
  2. Week 2 — retrieval and practice: get hands-on in the Kubernetes playground → when stuck, the Socratic tutor (technique 1) → error analysis (technique 4).
  3. Week 3 — generation and review: build a small project yourself → AI review (technique 7) → contrast learning on the concept pairs that still confuse you (technique 6).
  4. Week 4 — explanation and exam: full explanation via Feynman role-play (technique 2) → write up what you learned on a blog (visibility!) → finish with a mock interview (technique 8).

The cycle is read → retrieve → generate → explain, with AI playing a different role at each stage. That is the point: AI is most powerful not as an answer sheet but as a question machine, examiner, reviewer, and interviewer.

Conclusion

Forty years after Bloom posed the 2 sigma problem, a personal tutor finally sits in everyone's pocket. But having a tutor and using a tutor well are different things. What happens when a good student meets a good tutor — being questioned constantly, explaining out loud, having errors precisely diagnosed — is exactly what these prompts recreate. Be the one who receives questions, not answers. In the AI era, that is the side where skill accumulates.

References