프로테제 효과: 가르치며 배우기의 증거

프로테제 효과란 무엇인가?

프로테제 효과("protégé effect"로도 표기합니다)는 어떤 자료를 자기 자신만을 위해 공부할 때보다 다른 사람에게 가르칠 준비를 할 때 더 철저하게 배우게 된다는 발견입니다. 이 용어는 2009년 Catherine Chase, Doris Chin, Marily Oppezzo, Daniel Schwartz가 만들었으며, 이들은 학생들이 "make greater effort to learn for their TAs than they do for themselves"(자기 자신을 위해서보다 자신이 가르치는 에이전트를 위해 더 큰 노력을 기울인다)라고 썼습니다. 수십 건의 실험을 통합하면 그 이득은 중간 정도로, 어떤 종합 연구를 읽느냐에 따라 대략 g = 0.17에서 0.56 사이입니다. 그리고 이 이득은 자신이 가르치게 되리라는 사실을 미리 아는지에 크게 좌우됩니다.

메커니즘 자체는 신비롭지 않습니다. 다른 누군가가 내 설명에 의존하게 된다는 것을 알면 공부하는 방식이 달라집니다. 더 세심하게 조직하고, 빈틈을 찾아 나섭니다. 독자가 어디서 헷갈릴지 미리 예상해야 하기 때문입니다. 수동적인 읽기는 그 수준에 좀처럼 도달하지 못합니다.

대부분의 사람은 이를 직관적으로 느낍니다. 동료에게 어떤 개념을 설명해 본 적을 떠올려 보세요. 설명하는 행위는 자신의 이해에서 흐릿한 지점을 직면하게 만들었습니다. 그 불편함이 바로 작동 중인 프로테제 효과입니다.

이것을 다른 학습 전략과 구분 짓는 것은 사회적 차원입니다. 단지 지식을 재구성하는 것이 아니며, 그쪽은 파인만 기법에 더 가깝습니다. 프로테제 효과는 다른 사람을 위해 지식을 재구성하는 것입니다. 다만 그 사회적 층위가 재구성 이상의 무언가를 더해 주는지는 이 문헌에서 진짜로 열려 있는 질문이며, 정직한 답은 아래의 한계 섹션에 있습니다.

---

연구가 보여주는 것: 개별 연구와 메타분석

Chase et al. (2009): 최초의 "가르칠 수 있는 에이전트" 연구

Chase와 동료들은 Journal of Science Education and Technology에 "Teachable Agents and the Protege Effect: Increasing the Effort Towards Learning"을 발표했습니다. 이 연구는 Betty's Brain을 사용했는데, 학생이 과학 주제에 대한 개념도를 만들며 가상 에이전트를 가르치는 시스템입니다.

자신이 Betty를 가르치고 있다고 믿은 학생들은 학습 활동에 더 많은 시간을 썼고, 같은 시스템을 자기 자신을 위해 사용한 학생들보다 높은 점수를 받았습니다. 설계에 대해 알아 둘 점이 있습니다. 첫 번째 연구에서 두 집단은 동일한 소프트웨어를 사용했고 오직 어떤 안내를 받았는지만 달랐으며, 표본은 8학년 62명이었습니다. 두 번째 연구는 5학년 24명으로 과제 수행 시간 효과를 재현했고, 그 이유를 살피기 위해 발화 사고 프로토콜을 사용했습니다. 실재하는 발견이지만 기반이 작으며, 확정된 수치는 아닙니다.

Nestojko et al. (2014): 기대만으로 충분할 수 있다

John Nestojko, Dung Bui, Nate Kornell, Elizabeth Bjork는 가르칠 기대라는 변수를 따로 떼어 냈습니다. 한 집단은 시험을 예상하며 지문을 공부했고, 다른 집단은 그것을 가르치게 되리라 예상했습니다. 실제로는 아무도 가르치지 않았습니다.

실험 1에서 가르칠 기대 집단은 지문을 더 많이 회상했고(d = 0.56), 더 효율적으로 회상했으며(d = 0.79), 회상 내용을 지문 자체의 문단 구조에 더 가깝게 묶었고(d = 0.65), 단답형 시험에서 더 높은 점수를 받았습니다. 보통 빠뜨리는 부분은 실험 2입니다. 거기서는 기대의 주효과가 유의하지 않았고(p = .389), 지문의 핵심 논점에 대한 이점도 한계적 수준에 그쳤습니다(p = .083). 같은 논문 안에 영향력 있는 실험 하나와, 그것을 대체로 재현하지 못한 실험 하나가 함께 들어 있는 셈입니다.

Kobayashi (2019, 2024): 그래서 얼마나 큰가?

개별 연구는 방향을 보여주고, 메타분석은 크기를 알려줍니다. Keiichi Kobayashi가 2019년 Japanese Psychological Research에 발표한 종합 연구는 28개 연구를 통합해, 가르칠 기대 없이 공부한 경우와 비교했을 때 가르칠 준비만으로 g = 0.35, 준비 후 실제로 가르치면 g = 0.56이라는 결과를 얻었습니다.

2024년 Educational Psychology Review에 실린 그의 메타분석은 39개 연구를 통합해 전체 g = 0.27을 보고했고, 이 글에서 다른 무엇보다 중요한 조절 변수를 찾아냈습니다. 사전에 가르칠 기대를 가지고 공부한 뒤 가르친 경우는 g = 0.48이었습니다. 그런 기대 없이 공부한 뒤 가르친 경우는 g = -0.02로, 통계적으로 0과 구분되지 않았습니다. 일을 하는 것은 수행이 아니라 준비입니다.

2019년 Frontiers in Psychology에 실린 그의 별도 논문은 상호작용성을 살펴, 대면 가르침을 녹화 강의나 서면 설명 같은 간접 형식과 비교했습니다. 대면으로 가르치리라는 기대는 g = 0.50으로, 간접 형식의 g = 0.27보다 높았고, 실제로 실행까지 했을 때는 직접 가르침이 g = 0.84, 간접이 g = 0.48에 이르렀습니다. 다만 0.84는 조심해서 다뤄야 합니다. 집단 비교 4건에 기대고 있으며, Kobayashi 본인이 그 증거를 "still inadequate and subject to some exceptions"(여전히 불충분하고 몇 가지 예외가 따른다)라고 표현했습니다.

Ribosa and Duran (2022): 가장 낮고 가장 보수적인 추정치

Jesus Ribosa와 David Duran은 Educational Research Review에서 23개 연구, 62건의 비교를 통합해 g = 0.17에 도달했고, 출판 편향은 검출되지 않았습니다. 두 가지 단서가 중요합니다. 이들이 다룬 연구에서 학습자는 사람을 가르친 것이 아니라 영상 강의, 시험 문제, 교육용 텍스트 같은 교수 자료를 생성했는데, Kobayashi는 이를 겹치지만 구별되는 범주라고 부릅니다. 또한 그 이득은 도움이 될 것으로 기대되지 않은 처치와 비교했을 때 나타나며, 도움이 기대되는 다른 처치와 비교한 것이 아닙니다. 진짜로 능동적인 통제집단과 견주면 그 이점은 통계적으로 유의하지 않습니다.

Koh, Lee, and Lim (2018): 실제로 일을 하는 것은 인출이다

Aloysius Koh, Sze Chi Lee, Stephen Lim은 Applied Cognitive Psychology에서 가르침의 어느 부분이 이득을 만들어 내는지 검증했습니다. 이들은 네 집단을 비교했습니다. 기억에서 꺼내 가르치기, 준비한 노트를 읽으며 가르치기, 가르치지 않고 자료를 인출하기, 그리고 산수 과제 통제집단입니다.

일주일 뒤 이해도 시험에서 기억에서 꺼내 가르친 집단과 순수 인출 연습 집단이 나머지 둘을 앞섰고, 노트를 손에 든 채 가르친 것은 통제집단보다 나을 것이 없었습니다. 책을 덮고 나서 설명하십시오. 출처를 펼쳐 놓고 가르치면 인출을 건너뛰게 되고 그 이득을 잃습니다. 이 결과의 나머지 절반도 함께 보아야 합니다. 가르침이 전혀 없는 단순 인출 연습도 똑같이 잘했습니다.

증거 한눈에 보기

---

한계와 조절 변수: 가르침이 도움이 되지 않을 때

이 문헌을 제대로 다루는 리뷰라면 실패 사례도 보고해야 하며, 그 실패는 이 기법을 어떻게 쓸지 바꿀 만큼 충분히 많습니다.

가르칠 기대는 지연 시험에서 안정적으로 살아남지 못합니다. Fiorella와 Mayer(2013)는 대학생에게 도플러 효과를 가르쳤습니다. 가르칠 준비를 한 학생들은 즉시 이해도 시험에서 통제집단을 앞섰지만, 일주일 뒤 지연 시험에서는 가르칠 기대가 통제집단 대비 아무 이득도 내지 못했습니다. 2014년 후속 연구에서는 실제로 가르친 학생들이 지연 시험에서 가장 잘했습니다.

Renkl(1995)은 확률 예제를 가르칠 준비를 하는 데서 아무런 이득도 찾지 못했습니다. 반대편에서 가장 강력한 논문은 Guerrero와 Wiley(2021)로 실험당 참가자가 약 210명이지만, 효과가 작고(두 실험 모두 부분 에타 제곱 .02) 지연 효과에 대한 주장은 유의하지 않은 상호작용에 기대고 있습니다. Lachner와 동료들은 2022년 Educational Psychology Review의 리뷰를 여러 최근 연구가 왜 "did not replicate this effect"(이 효과를 재현하지 못했는지)를 묻는 것으로 시작합니다.

실제 청중이 상상 속 청중보다 분명히 낫다고 말할 수 없습니다. 이는 직관적인 이야기와 어긋납니다. Wang, Lin, Chen(2021)은 중등학생 597명을 대상으로 가르칠 기대를 또래 가르침, 상상 가르침, 가르치지 않음과 교차시켰습니다. 상상 가르침은 즉시 이해도와 지연 이해도를 모두 향상시켰고, 또래 가르침은 즉시 이해도만 향상시켰습니다. 저자들은 어느 쪽으로든 신중할 것을 권합니다. Kobayashi의 상호작용성 분석은 반대 방향을 가리킵니다. 이 문제는 아직 결론이 나지 않았고, 따라서 실제 청중이 반드시 필요하다고 말하는 사람은 증거보다 앞서 나간 것입니다.

잘 설계된 여러 연구가 아무것도 찾지 못했습니다. Jacob, Lachner, Scheiter(2021)는 참가자 137명을 대상으로 소리 내어 설명하기, 편집기에 쓰기, 메신저 채팅에 쓰기, 인출 통제 조건을 비교했고 학습에는 차이가 없었습니다. 차이가 난 부분이 오히려 시사적입니다. 설명하기는 인출하기보다 더 힘들고, 더 즐겁고, 더 흥미롭다고 평가되었지만 결과는 같았습니다. 노력과 즐거움은 학습의 증거가 아닙니다. Lachner, Jacob, Hoogerheide(2021)는 한 실험(N = 147)에서 설명의 효과를 전혀 찾지 못했고, 두 번째 실험(N = 51)에서는 자기설명이 가상의 학생에게 설명하기를 앞섰습니다.

초보 교사는 설명하기보다 그냥 말해 주는 경향이 있습니다. Roscoe와 Chi(2007)는 Review of Educational Research에서 이들이 지식 전달 편향이라 부른 현상을 기록했습니다. 튜터들은 "simply revealed answers, summarized facts, or described procedures with little elaboration"(정교화 없이 그저 답을 알려주고, 사실을 요약하고, 절차를 서술했다)고 하며, 초보 튜터는 자신이 가르치는 내용에 대한 자기 이해를 제대로 판단하지 못합니다. 인지적 이득은 정교화에서 나오는데, 기본 행동은 바로 그 정교화를 건너뜁니다.

운동 기능에서는 해를 입힌 사례가 기록되어 있습니다. Daou와 동료들(2019)은 사람들에게 골프 퍼팅을 배우게 하되 한쪽은 그것을 가르치리라 예상하게 하고 다른 쪽은 시험을 예상하게 했습니다. 가르침 조건은 압박이 낮을 때는 더 잘했지만, 압박이 높아지자 시험 조건 수준으로 떨어졌습니다. 참가자 156명의 등록 보고서 재현 연구가 이를 확인했습니다. 압박 속에서 실행해야 할 기능을 배우는 중이라면, 가르칠 준비가 중립적이지 않을 수 있습니다.

중요하지 않아 보이는 것: 학습자 연령과 과목 영역입니다. Ribosa와 Duran은 이 효과가 교육 단계와 내용 영역을 가로질러 안정적으로 보인다고 서술하며, Chang et al.(2025)은 32건의 이질 연령 튜터링 연구에서 회기 수, 튜터 유형, 과목에 따른 조절 효과를 찾지 못했습니다.

그래서 방어 가능한 주장은 대중적인 주장보다 좁습니다. 무언가를 설명하겠다고 미리 약속한 뒤 기억에서 꺼내 설명하는 것은 공부 시간을 잘 쓰는 방법입니다. 하지만 그것이 그냥 스스로 시험을 보는 것보다 안정적으로 낫지는 않으며, 사회적 요소는 이야기가 시사하는 것보다 적은 일을 하고 있습니다.

---

가르침이 효과적인 이유: 인지 메커니즘

가르침은 여러 과정을 한꺼번에 활성화하며, 각각은 독립적으로 학습을 향상시킵니다. 그중 무엇이 실제 원인인지는 아직 논쟁 중입니다.

인출 연습

Koh, Lee, Lim은 인출 연습 가설을 제안했습니다. 가르침이 도움이 되는 이유는 자료를 기억에서 끌어내도록 강제하기 때문이고, 가르침 자체가 더하는 것은 적다는 주장입니다. 인출을 없애고 가르침만 남긴 노트 소지 조건이 깔끔한 검증이었고, 거기서는 아무 이득도 나오지 않았습니다.

다만 이를 너무 강하게 진술하지는 마십시오. Kobayashi는 2022년 Frontiers in Psychology에서 이 가설을 평가한 뒤 "the currently available evidence is inadequate to assess the hypothesis"(현재 이용 가능한 증거는 이 가설을 평가하기에 불충분하다)라고 결론지었습니다. Lachner와 동료들의 2022년 리뷰도 인출을 확정된 답이 아니라 여러 후보 메커니즘 중 하나로 다룹니다.

메타인지적 점검

가르침은 자신의 이해를 실시간으로 평가하도록 강제합니다. 설명하는 동안 그것이 앞뒤가 맞는지 계속 확인하게 됩니다. 이런 자기점검은 자기조절 학습의 핵심입니다(Dunlosky and Metcalfe, 2009).

자신을 위해 공부할 때는 흐릿한 이해를 대충 넘어갈 수 있습니다. 가르치려고 공부할 때는 흐릿함이 반드시 풀어야 할 문제가 됩니다.

정교화 인출

가르칠 준비는 단순히 사실을 회상하는 대신 추론을 재구성하고, 예시를 만들고, 비유를 세우게 만듭니다. Fiorella와 Mayer(2016)가 생성적 학습으로 묶은 활동군입니다. 여기서 흔히 인용되는 증거에는 한 가지 주의가 필요합니다. Karpicke와 Blunt(2011)는 Science에서 인출 연습이 개념도를 활용한 정교화 학습을 앞섰음을 보여주었고, 이들 자신의 결론은 오히려 정교화 프레임과 어긋나 그 이득을 "retrieval-specific mechanisms rather than by elaborative study processes"(정교화 학습 과정이 아니라 인출 고유의 메커니즘)에 돌립니다.

책임감, 다만 단서를 달아서

대중적인 설명은 다른 사람이 나에게 의존한다는 사실이 판돈을 바꾼다고 말하고, Biswas, Leelawong, Schwartz, Vye와 밴더빌트대학교 Teachable Agents Group(2005)은 책임감을 가르칠 수 있는 에이전트의 설계 원리로 다루었습니다. 정직하게 달아야 할 단서가 둘 있습니다. "responsibility effect"(책임감 효과)라는 표현은 그 논문에 등장하지 않으며 이 문헌에서 확립된 용어도 아닙니다. 그리고 Chase et al.은 학생들이 자신의 에이전트에 대해 책임감을 느끼게 되었다는 관찰을 일화적 증거로 인용하는데, 그것이 이 개념이 문헌에 들어온 경로입니다.

측정된 버전의 주장은 더 약하고 더 흥미롭습니다. Kobayashi의 상호작용성 분석은 실제 청중이 도움이 된다는 쪽과 일관되지만, Wang, Lin, Chen의 597명 실험은 반대를 가리킵니다. 책임감은 입증된 메커니즘이 아니라 그럴듯한 메커니즘으로 다루십시오.

조직적 처리

무언가를 가르치려면 무엇이 먼저 오고, 무엇이 무엇에 의존하며, 무엇을 건너뛸 수 있는지 정해야 합니다. Nestojko et al.은 그 한 형태를 관찰했습니다. 가르칠 것으로 기대한 참가자들은 시험을 기대한 집단보다 지문의 문단 구조를 더 가깝게 따라가는 순서로 회상했습니다. 다만 이것이 무엇이고 무엇이 아닌지에 주의하십시오. 이는 원문의 조직 쪽으로 재구조화했다는 증거이지 더 깊은 위계를 세웠다는 증거가 아니며, 같은 실험의 두 번째 조직화 지표에서는 차이가 없었습니다.

---

학습 피라미드: 90%라는 수치가 신화인 이유

학습 피라미드를 본 적이 있을 것입니다. 각 활동에 기억 유지 비율을 배정한 깔끔한 삼각형으로, "남을 가르치기"가 90%로 정점에 오르고 읽기는 10%에 머뭅니다. 보통 메인주 베델의 National Training Laboratories에 그 공로가 돌아갑니다. 널리 퍼진 버전은 다음과 같습니다.

이 숫자들은 실재하지 않습니다. Kåre Letrud와 Sigbjørn Hernes는 Cogent Education(2018)에서 이 피라미드의 역사를 추적해, 그 변형들이 160년 넘게 교육 논쟁에서 돌아다녔음을 밝혀내고 이 모형들이 "did not originate from empirical research"(실증 연구에서 유래하지 않았다)고 결론지었습니다. 수치에 대해 직접 묻자 NTL은 이렇게 답했습니다. "Yes, we believe it to be accurate, but no, we no longer have, nor can we find, the original research that supports the numbers"(네, 정확하다고 믿습니다. 하지만 아니요, 그 숫자를 뒷받침하는 원 연구를 더는 가지고 있지도 않고 찾을 수도 없습니다. Lalley and Miller, 2007에서 재인용). 주장의 정확한 내용에 주목하십시오. NTL은 그 연구를 찾을 수 없다고 했지, 애초에 수행되지 않았다고 말하지는 않았습니다. 어느 쪽이든 확인할 대상이 없습니다.

수상쩍게 딱 떨어지고 균등하게 벌어진 수치가 결정적 단서입니다. 진짜 기억 데이터는 결코 10, 20, 30, 50으로 정렬되지 않습니다.

그렇다면 왜 피라미드를 보여줄까요? 그것이 함의하는 순위, 즉 능동적 산출이 수동적 소비를 이긴다는 점은 백분율이 허구임에도 대체로 뒷받침되기 때문입니다(Dunlosky et al., 2013; Karpicke and Blunt, 2011). 이득을 말할 때는 90%가 아니라 대략 0.17에서 0.56 사이의 효과 크기로 진술하십시오. 피라미드가 확실한 데이터인 양 인용되는 것을 본다면, 그 출처에 대한 신호로 받아들이십시오.

---

혼자 배우기 vs. 가르치려고 배우기: 직접 비교

"이건 나 자신을 위해 공부하는 것"에서 "이건 다른 사람을 가르치려고 공부하는 것"으로 옮겨 가면 무엇이 달라질까요?

가르치려고 배우는 사고방식이 더 많은 시간을 요구하지는 않습니다. 읽기 시작하기 전에 형성되는 다른 의도를 요구할 뿐입니다. 그 순서는 취향의 문제가 아닙니다. Kobayashi의 2024년 데이터에서 g = 0.48과 g = -0.02를 가르는 차이입니다.

---

프로테제 효과 vs. 파인만 기법

파인만 기법과 프로테제 효과는 관련이 있지만 구별되며, 그 비교는 보통 제시되는 것만큼 한쪽으로 기울어 있지 않습니다.

파인만 기법은 초보자를 가르치듯 개념을 쉬운 언어로 설명할 것을 요구합니다. 개념을 고르고, 평이하게 설명하고, 빈틈을 찾고, 다시 단순화합니다. 보통 실천되는 방식으로 보면 혼자 하는 연습이며, 그 결과에 의존하는 실제 사람은 없습니다.

프로테제 효과는 사회적 층위를 더합니다. 하지만 익숙한 서열을 누그러뜨려야 할 결과가 있습니다. 혼자 하는 사촌인 자기설명은 69개 효과 크기에 걸쳐 g = 0.55로 통합되는데(Bisra et al., 2018), 이는 가르치며 배우기의 범위 최상단이자 그 대부분의 추정치보다 높습니다. 청중이 더해 주는 것은 프레임이 시사하는 것보다 적을 수 있습니다.

실용적으로 읽으면 이렇습니다. 둘 다 하되, 효과를 내는 것이 청중이라고 단정하지 마십시오. 두 방법이 공유하는 두 가지, 즉 기억에서의 인출과 강제된 정교화가 가장 강력한 근거를 가진 부분입니다. 실제 청중은 약속 장치로 이해하는 것이 가장 정확한데, 이는 결코 작은 일이 아닙니다. 공개적으로 배우기야말로 설명을 실제로 하게 만드는 장치이기 때문입니다.

---

학생이 AI라면 프로테제 효과는 작동할까?

최초의 가르칠 수 있는 에이전트가 스크립트 기반이었던 만큼, 대규모 언어 모델이 더 나은 프로테제가 되는지는 자연스러운 질문입니다. 2024년부터 2026년까지의 증거가 말하는 답은 이렇습니다. 아직 아니며, 그 이유는 구체적입니다.

가장 깔끔한 검증은 무효과입니다. Xu, Zhang, Tang, Lee(2026)는 참가자 96명을 네 조건에 무작위 배정했습니다. 학생 역할을 맡은 LLM, 또래 역할, 도전자 역할, 그리고 거의 수동적인 통제 조건에 설명하는 조건입니다. 사후 시험에서 어느 조건도 통제집단을 이기지 못했습니다(F(3,91) = 1.54, p = .21). 노력은 분명히 늘어, 학생 역할 조건은 평균 353.8단어를 썼고 통제집단은 121.3단어였습니다. 다만 그것이 지식으로 전환되지 않았을 뿐입니다. 학생 역할 조건은 세 가지 에이전트 역할 가운데 압박을 가장 많이 느꼈다고 보고했는데, 4.02로 또래 역할 2.49와 도전자 역할 2.93보다 높았고, 4.06을 기록한 수동적 통제집단보다 나을 것도 없었습니다. 이는 Chase et al.(2009)이 기술한 자아 보호 완충 효과, 즉 에이전트를 가르치는 것이 틀렸을 때의 따끔함으로부터 학습자를 지켜 주리라던 기대와 정반대입니다.

널리 인용되는 한 논문은 결함을 이름 붙였을 뿐 학습을 측정하지 않았습니다. Jin, Lee, Shin, Kim(CHI 2024)은 TeachYou와 LLM 학생 AlgoBo를 만들었고, "LLMs' expansive knowledge as tutees discourages learners from teaching"(학생 역할 LLM의 방대한 지식이 학습자가 가르치려는 의욕을 꺾는다)고 보고했습니다. 이들이 이 실패 양상에 붙인 이름은 under-teaching(과소 가르침)입니다. 에이전트가 이미 알고 있어서 학습자가 애쓰기를 멈춘다는 뜻입니다. 논문은 사전 사후 시험을 실시하지 않았음을 한계로 밝히고 있고, 메타인지 처치 역시 유의한 이득을 보이지 않았습니다.

긍정적인 결과도 있지만 각각 단서가 붙습니다. Chen, Wei, Le, Zhang(2025)은 ChatGPT 에이전트를 가르친 학생들이 프로그래밍 지식 시험에서 더 높은 점수를 받았다고 보고했지만(n = 41), 코드 정확도에는 유의한 차이가 없었고 저자들 자신의 설명이 시사적입니다. ChatGPT는 올바른 코드를 내놓는 경향이 있어서 디버깅 연습이 사라진다는 것입니다. 가장 큰 규모의 적용 사례인 Wang과 동료들의 EPFL 한 학기 연구(2026)는 분석 대상 학생 453명과 대화 3,809건을 다루었고, 가르침 집단이 읽기 기준 조건보다 퀴즈 시도 횟수가 약 4.9% 적었음을 발견했습니다. 성과 지표가 무엇인지 보십시오. 지식 시험이 아니라 퀴즈 시도 횟수이며, 그 대가로 3.4분 대비 14.4분의 작업 시간이 들었습니다. 대화의 약 4분의 1에는 외부에서 붙여 넣은 내용이 들어 있었고, 그것은 더 나쁜 성적을 예측했습니다.

믿을 만함은 장애물이 아닙니다. Rogers와 동료들(2025)은 학생 119명을 대상으로 네 개의 실험을 진행했고, 그중 하나는 LLM 학생과 초보자인 척하는 인간 협력자를 비교했습니다. 지각된 지능에는 유의한 차이가 없었습니다. 학생들은 그 연기를 믿습니다.

모델은 초보자로 남아 있지 않습니다. 이것이 진짜 걸림돌입니다. Song, Guo, Lin(2026)은 이를 직설적으로 말합니다. 초보자처럼 행동하라고 지시해도 LLM은 "can still produce expert-level explanations"(여전히 전문가 수준의 설명을 내놓을 수 있다)며 의도한 지식 수준을 벗어나 표류합니다. 더 나쁜 것은 쉽게 굴복한다는 점입니다. Do, Sonkar, Sachan(2026, 프리프린트)은 시뮬레이션된 학생이 오개념을 얼마나 자주 포기하는지 측정했고, 테스트한 모델 중 가장 작은 Qwen3-4B가 "틀렸다"는 말 외에 아무 근거도 없는 피드백에 92%의 경우 답을 뒤집는 것을 발견했습니다. 무슨 말을 하든 동의하는 학생은 내 설명이 실패했다는 것을 보여줄 수 없고, 바로 그 실패 신호가 핵심입니다.

이 문헌에는 인용할 만한 공백도 있습니다. 원래의 책임감 조작을 LLM 학생으로 재현한 사람이 아직 아무도 없습니다. LLM 기반 가르칠 수 있는 에이전트 논문들은 메커니즘을 검증하지 않은 채 Chase et al.에 기대고 있습니다.

그래서 어떻게 할 것인가. LLM을 프로테제가 아니라 연습 상대로 쓰십시오. 증거가 가장 탄탄한 부분, 즉 출처를 덮고 기억에서 꺼내 설명하기를 먼저 하고, 그다음에 방금 말한 내용의 빈틈을 찾아 달라고 요청하십시오. 내가 제대로 교정하기 전까지는 틀린 입장을 유지하라고 지시하고, 쉽게 동의하는 태도는 연습이 작동하지 않는다는 신호로 받아들이십시오. 프로테제 효과 본연을 원한다면, 증거는 여전히 사람을 가리킵니다.

---

교사가 아니어도 "가르치는" 다섯 가지 방법

프로테제 효과를 작동시키는 데 교실이나 학생은 필요 없습니다. 위의 모든 내용에 비추어 정말로 필요한 것은, 읽기 전에 이것을 누군가에게 설명하겠다고 정하고, 그다음에 보지 않고 설명하는 것입니다.

1. 하이라이트를 공개하세요

Glasp의 웹 하이라이터로 구절을 하이라이트하고 왜 그것이 중요한지 설명하는 노트를 더할 때, 여러분은 작은 가르침 행위를 수행하는 것입니다. 하이라이트는 공개 프로필에 나타나 다른 학습자들이 찾아볼 수 있습니다. 그 가시성은 처리를 "이건 나에게 흥미롭다"에서 "이건 다른 사람에게 충분히 명료해야 한다"로 옮깁니다.

도구보다 순서가 더 중요합니다. 기사를 다 읽은 뒤가 아니라 시작하기 전에 독자를 위해 주석을 단다고 정하십시오. 시간이 지나면 그 모음 자체가 가르침의 자원이 됩니다. 다른 사람이 따라갈 수 있는 맥락이 담긴 큐레이션 독서 목록이 되는 것입니다.

2. 블로그 글과 요약을 쓰세요

청중을 위해 요약을 쓰는 일은 정식 가르침과 같은 조직화와 정교화 작업을 강제합니다. 무엇이 핵심인지 정하고, 논리적 흐름을 만들고, 자기 말로 아이디어를 표현해야 합니다. 청중이 클 필요는 없습니다.

YouTube Summary로 강의와 강연에서 핵심을 뽑아내면 원재료가 생깁니다. 학습은 그것을 닫고 설명을 직접 쓸 때 일어납니다.

3. 스터디 그룹에 참여하거나 만드세요

가르침 순번이 있는 스터디 그룹은 이 효과를 체계적으로 작동시키지만, 모두가 조용히 읽기만 하는 그룹은 그렇지 않습니다. 각자가 며칠 전부터 자신이 맡은 개념을 알 수 있도록 미리 배정하십시오. 다른 사람들이 질문하는 동안 각자가 노트 없이 가르치게 하십시오. 질문은 실제로 일을 합니다. 교사가 암송하는 대신 정교화하도록 강제하기 때문입니다.

4. 현실적인 기대를 가지고 AI에게 설명하는 연습을 하세요

Glasp의 AI 채팅을 쓰면 사람을 섭외하지 않고도 설명을 연습할 수 있습니다. 다만 이것으로 무엇을 얻는지 분명히 해 두십시오. 위 섹션에서 정리했듯 LLM 학생을 가르치는 것에 대한 무작위 증거는 현재 무효과이며, 안정적으로 얻을 수 있는 것은 사회적 메커니즘이 아니라 인출과 빈틈 찾기입니다.

그러니 그렇게 쓰십시오. 출처를 덮고 개념을 기억에서 꺼내 설명한 다음, 무엇을 빠뜨렸는지, 무엇을 틀렸는지, 헷갈리는 독자라면 무엇을 더 물을지 짚어 달라고 요청하십시오. 너무 쉽게 동의하면 반박하십시오. 여러분은 그것을 학생이 아니라 시험관으로 쓰는 것입니다.

5. 커뮤니티 플랫폼에서 공유하세요

커뮤니티 피드에 배운 것을 올리면 자신의 이해가 실제 사람들 앞에 놓입니다. 누군가 댓글을 달거나, 질문하거나, 다른 해석을 내놓으면 혼자 하는 공부로는 얻을 수 없는 피드백을 받습니다. 실제 청중이 설명하기 자체를 넘어 무언가를 더해 주는지는 한계 섹션에서 말했듯 결론이 나지 않았습니다. 다만 확실하게 해 주는 일이 하나 있습니다. 끝까지 하게 만든다는 것입니다.

---

공개적으로 배우기: 확장된 프로테제 효과

공개적으로 배우기는 프로테제 효과를 학습 실천 전체에 적용한 것입니다. 혼자 공부하다 가끔 가르치는 대신 읽은 것을 기본값으로 공유하면, 사전 기대가 억지로 떠올려야 하는 무언가에서 읽기 방식의 상시 조건으로 바뀝니다.

그것이 이 방식을 지지하는 가장 강력한 논거입니다. 이 문헌에서 가장 잘 뒷받침되는 단 하나의 조절 변수는 공부 전에 청중을 예상하는 것이며, 공유하는 습관은 청중 없이 공부하는 일이 아예 없게 만듭니다.

Glasp는 이 원리를 중심으로 만들어졌습니다. 하이라이트를 내보내 블로그 글로 만들거나, 공유하거나, 프로필에 보이도록 남길 때 그 주석은 그 자리에 없던 누군가에게도 말이 되어야 합니다. 여기에 능동적 회상을 더하면 가장 좋은 증거를 가진 두 메커니즘을 함께 훈련하게 됩니다.

이득은 개인의 기억 유지를 넘어섭니다. 공개적으로 배운 내용은 집단 지성에 대한 기여가 됩니다. 다른 사람들이 여러분의 하이라이트 위에 쌓아 올리고, 여러분은 그들의 것을 통해 새로운 관점을 찾습니다.

---

자주 묻는 질문

프로테제 효과를 쉬운 말로 하면 무엇인가요?

프로테제 효과는 어떤 자료를 자기 자신만을 위해 공부할 때보다 다른 사람에게 가르칠 준비를 할 때 더 잘 배우게 된다는 발견입니다. 가르칠 준비는 자료를 조직하고, 자신의 빈틈을 알아차리고, 기억에서 꺼내도록 밀어붙입니다. Nestojko et al.(2014)은 실제로 가르치지 않고 가르치리라 기대하는 것만으로도 한 실험에서 회상이 향상되었음을 보여주었지만, 같은 논문의 두 번째 실험에서는 전체적인 효과가 나타나지 않았습니다.

남을 가르치면 학습이 얼마나 향상되나요?

정직한 답은 백분율이 아니라 효과 크기의 범위입니다. Kobayashi의 2019년 메타분석(28개 연구)은 가르칠 준비에서 g = 0.35, 준비 후 실제 가르침에서 g = 0.56을 얻었습니다. 2024년 메타분석(39개 연구)은 전체 g = 0.27을 얻었습니다. 가장 보수적인 종합 연구인 Ribosa and Duran(2022)은 g = 0.17을 얻었고 능동적 통제집단 대비 유의한 이점은 없었습니다. 학습 피라미드의 "90% 기억 유지" 수치는 무시하십시오. Letrud와 Hernes(2018)는 그것에 실증적 출처가 없음을 보여주었습니다.

효과 여부를 가장 크게 좌우하는 한 가지는 무엇인가요?

결정적인 요인은 가르치게 되리라는 것을 미리 알고 있었는지입니다. Kobayashi의 2024년 메타분석에서 사전 가르침 기대를 가지고 공부한 뒤 가르친 경우는 g = 0.48이었고, 그런 기대 없이 공부한 뒤 가르친 경우는 g = -0.02였습니다. 자료를 펼친 뒤가 아니라 펼치기 전에 정하십시오.

가르치는 것이 그냥 스스로 시험을 보는 것보다 나은가요?

대개 그렇지 않으며, 이는 이 문헌에서 가장 덜 알려진 결과입니다. Koh, Lee, Lim(2018)은 일주일 뒤 이해도 시험에서 순수 인출 연습이 기억에서 꺼내 가르치기와 대등했고, 둘 다 노트를 들고 가르치기를 앞섰음을 발견했습니다. 자기설명의 통합 효과는 g = 0.55로(Bisra et al., 2018), 가르치며 배우기의 대부분 추정치보다 높습니다. 목표가 기억 유지뿐이라면 능동적 회상이 더 값싼 길입니다. 가르침은 동기와 청중, 그리고 끝까지 갈 이유를 더해 줍니다.

프로테제 효과는 파인만 기법과 어떻게 다른가요?

파인만 기법은 지식의 빈틈을 찾기 위해 개념을 쉬운 언어로 설명하는 것이며 보통 혼자 합니다. 프로테제 효과는 실제 청중 또는 예상되는 청중을 더합니다. 둘이 공유하는 메커니즘인 인출과 정교화가 가장 강력한 증거를 가지고 있고, 청중 자체가 얼마나 기여하는지는 여전히 논쟁 중입니다. Wang, Lin, Chen(2021)은 상상 가르침이 지연 이해도를 향상시킨 반면 실제 또래 가르침은 그렇지 않았음을 발견했습니다.

AI를 가르쳐도 프로테제 효과가 나타나나요?

현재 증거로는 안정적으로 나타나지 않습니다. 가장 깔끔한 무작위 실험(Xu et al., 2026, N = 96)은 참가자들이 분명히 더 열심히 일했음에도, LLM 학생에게 설명하는 것이 거의 수동적인 통제 조건보다 학습에서 낫다는 증거를 찾지 못했습니다. 주된 이유는 언어 모델이 초보자로 남아 있지 않기 때문입니다. 전문가 수준의 설명으로 표류하고, 어떤 교정이든 받아들입니다. AI는 가르칠 학생으로 쓰기보다, 기억에서 꺼내 한 설명을 두고 여러분을 시험하는 상대로 쓰십시오. 그쪽이 증거가 뒷받침하는 부분입니다.

남을 가르쳐서 이득을 보려면 전문가여야 하나요?

아닙니다. 그리고 반대 방향으로 실제 위험이 있습니다. Chase et al.(2009)은 어떤 기준으로도 전문가가 아닌 중학생에게서 학습 이득을 발견했습니다. 하지만 Roscoe와 Chi(2007)는 초보 튜터가 기본적으로 지식 전달에 머물러 정교화 없이 사실을 암송하고, 자신의 이해를 제대로 판단하지 못한다는 것을 기록했습니다. 이득은 정교화에 있으므로 무엇만이 아니라 왜를 설명하도록 자신을 밀어붙이십시오.

프로테제 효과는 능동적 회상과 어떤 관계인가요?

기억에서 꺼내 가르치는 것은 능동적 회상의 한 형태입니다. 인출하고, 정교화하고, 자신의 정확성을 점검합니다. 그 겹침이 아마 이 효과의 대부분일 것입니다. Koh, Lee, Lim의 인출 연습 가설이 이를 명시적으로 말하지만, Kobayashi의 2022년 리뷰는 아직 이를 결론짓기에는 증거가 충분하지 않다고 판단했습니다.

---

결론: 증거가 실제로 뒷받침하는 것

가르치며 배우기는 효과가 있습니다. 다만 대중적인 설명이 주장하는 것보다 덜 신비로운 이유로 효과가 있습니다. 좋은 연구들을 통합하면 g = 0.17에서 0.56 사이의 작거나 중간 정도의 이득이며, 그 거의 전부가 이것을 누군가에게 설명해야 한다고 미리 정해 두는 데 달려 있습니다. 노트를 보고 가르치면 아무것도 얻지 못합니다. 공부를 마친 뒤에 가르치라는 말을 들어도 아무것도 얻지 못합니다. 먼저 약속하고 그다음에 기억에서 꺼내 설명하면, 단순 인출 연습과 크게 겹치는 실질적인 효과를 얻습니다.

이는 "남을 가르치면 90%를 기억한다"보다 좁은 주장이고, 그래서 더 쓸모가 있습니다. 어느 부분을 남겨야 하는지 정확히 알려 주기 때문입니다.

실천하는 방법은 짧습니다. 무언가를 읽기 전에 누구에게 설명할지 정하십시오. Glasp의 웹 하이라이터로 그 사람을 위해 주석을 단다는 마음으로 하이라이트하십시오. 탭을 닫고 기억에서 꺼내 스터디 그룹이나 블로그 독자, 또는 커뮤니티 피드에 설명하십시오. Glasp의 AI 채팅은 이미 답을 아는 학생을 가르치는 데가 아니라 방금 한 설명을 추궁하는 데 쓰십시오. YouTube Summary는 전사본이 아니라 자기 글로 된 논증으로 바꾸십시오.

약속이 먼저입니다. 연구가 뒷받침하는 나머지 전부가 거기서 따라 나옵니다.

---

참고문헌

Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., and Winne, P. H. (2018). Inducing self-explanation: A meta-analysis. Educational Psychology Review, 30, 703-725. doi:10.1007/s10648-018-9434-x

Biswas, G., Leelawong, K., Schwartz, D., Vye, N., and The Teachable Agents Group at Vanderbilt (2005). Learning by teaching: A new agent paradigm for educational software. Applied Artificial Intelligence, 19(3-4), 363-392. doi:10.1080/08839510590910200

Chang, A., Mauer, E., Wanzek, J., Kim, S., Scammacca, N., and Swanson, E. (2025). Examining the academic effects of cross-age tutoring: A meta-analysis. Educational Psychology Review, 37. doi:10.1007/s10648-025-09997-z

Chase, C. C., Chin, D. B., Oppezzo, M. A., and Schwartz, D. L. (2009). Teachable agents and the protege effect: Increasing the effort towards learning. Journal of Science Education and Technology, 18(4), 334-352. doi:10.1007/s10956-009-9180-4

Chen, A., Wei, Y., Le, H., and Zhang, Y. (2025). Learning by teaching with ChatGPT: The effect of teachable ChatGPT agent on programming education. British Journal of Educational Technology, 57(1), 163-184. doi:10.1111/bjet.70001

Cabral, D. A. R., Daou, M., Bacelar, M. F. B., Parma, J. O., and Miller, M. W. (2023). Does learning a skill with the expectation of teaching it impair the skill's execution under psychological pressure if the skill is learned with analogy instructions? Psychology of Sport and Exercise, 66, 102323. doi:10.1016/j.psychsport.2022.102323

Daou, M., Hutchison, Z. J., Bacelar, M. F. B., Rhoads, J. A., Lohse, K. R., and Miller, M. W. (2019). Learning a skill with the expectation of teaching it impairs the skill's execution under psychological pressure. Journal of Experimental Psychology: Applied, 25(2), 219-229. doi:10.1037/xap0000191

Do, H., Sonkar, S., and Sachan, M. (2026). Simulating students or sycophantic problem solving? On misconception faithfulness of LLM simulators. arXiv:2605.12748 [preprint].

Dunlosky, J., and Metcalfe, J. (2009). Metacognition. Thousand Oaks, CA: SAGE Publications.

Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., and Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4-58. doi:10.1177/1529100612453266

Fiorella, L., and Mayer, R. E. (2013). The relative benefits of learning by teaching and teaching expectancy. Contemporary Educational Psychology, 38(4), 281-288. doi:10.1016/j.cedpsych.2013.06.001

Fiorella, L., and Mayer, R. E. (2014). Role of expectations and explanations in learning by teaching. Contemporary Educational Psychology, 39(2), 75-85. doi:10.1016/j.cedpsych.2014.01.001

Fiorella, L., and Mayer, R. E. (2016). Eight ways to promote generative learning. Educational Psychology Review, 28(4), 717-741. doi:10.1007/s10648-015-9348-9

Guerrero, T. A., and Wiley, J. (2021). Expecting to teach affects learning during study of expository texts. Journal of Educational Psychology. doi:10.1037/edu0000657

Jacob, L., Lachner, A., and Scheiter, K. (2021). Does increasing social presence enhance the effectiveness of writing explanations? PLOS ONE, 16(4), e0250406. doi:10.1371/journal.pone.0250406

Jin, H., Lee, S., Shin, H., and Kim, J. (2024). Teach AI how to code: Using large language models as teachable agents for programming education. Proceedings of CHI 2024. doi:10.1145/3613904.3642349

Karpicke, J. D., and Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772-775. doi:10.1126/science.1199327

Kobayashi, K. (2019). Interactivity: A potential determinant of learning by preparing to teach and teaching. Frontiers in Psychology, 9, 2755. doi:10.3389/fpsyg.2018.02755

Kobayashi, K. (2019). Learning by preparing-to-teach and teaching: A meta-analysis. Japanese Psychological Research, 61(3), 192-203. doi:10.1111/jpr.12221

Kobayashi, K. (2022). The retrieval practice hypothesis in research on learning by teaching: Current status and challenges. Frontiers in Psychology, 13, 842668. doi:10.3389/fpsyg.2022.842668

Kobayashi, K. (2024). Interactive learning effects of preparing to teach and teaching: A meta-analytic approach. Educational Psychology Review, 36(1), Article 26. doi:10.1007/s10648-024-09871-4

Koh, A. W. L., Lee, S. C., and Lim, S. W. H. (2018). The learning benefits of teaching: A retrieval practice hypothesis. Applied Cognitive Psychology, 32(3), 401-410. doi:10.1002/acp.3410

Lachner, A., Hoogerheide, V., van Gog, T., and Renkl, A. (2022). Learning-by-teaching without audience presence or interaction: When and why does it work? Educational Psychology Review, 34(2), 575-607. doi:10.1007/s10648-021-09643-4

Lachner, A., Jacob, L., and Hoogerheide, V. (2021). Learning by writing explanations: Is explaining to a fictitious student more effective than self-explaining? Learning and Instruction, 74, 101438. doi:10.1016/j.learninstruc.2020.101438

Lalley, J. P., and Miller, R. H. (2007). The learning pyramid: Does it point teachers in the right direction? Education, 128(1), 64-79.

Letrud, K., and Hernes, S. (2018). Excavating the origins of the learning pyramid myths. Cogent Education, 5(1), 1518638. doi:10.1080/2331186X.2018.1518638

Nestojko, J. F., Bui, D. C., Kornell, N., and Bjork, E. L. (2014). Expecting to teach enhances learning and organization of knowledge in free recall of text passages. Memory and Cognition, 42(7), 1038-1048. doi:10.3758/s13421-014-0416-z

Renkl, A. (1995). Learning for later teaching: An exploration of mediational links between teaching expectancy and learning results. Learning and Instruction, 5(1), 21-36. doi:10.1016/0959-4752(94)00015-H

Ribosa, J., and Duran, D. (2022). Do students learn what they teach when generating teaching materials for others? A meta-analysis through the lens of learning by teaching. Educational Research Review, 37, 100475. doi:10.1016/j.edurev.2022.100475

Rogers, K., Davis, M., Maharana, M., Etheredge, P., and Chernova, S. (2025). Playing dumb to get smart: Creating and evaluating an LLM-based teachable agent within university computer science classes. Proceedings of CHI 2025. doi:10.1145/3706598.3713644

Roscoe, R. D., and Chi, M. T. H. (2007). Understanding tutor learning: Knowledge-building and knowledge-telling in peer tutors' explanations and questions. Review of Educational Research, 77(4), 534-574. doi:10.3102/0034654307309920

Song, J., Guo, Z., and Lin, J. (2026). Simulating novice students using machine unlearning and relearning in large language models. Proceedings of AIED 2026, Lecture Notes in Computer Science. doi:10.1007/978-3-032-29744-0_42

Wang, Y., Lin, L., and Chen, O. (2021). The benefits of teaching on comprehension, motivation, and perceived difficulty: Empirical evidence of teaching expectancy and the interactivity of teaching. British Journal of Educational Psychology, 91(4), 1275-1290. doi:10.1111/bjep.12416

Wang, C., Petrie, C., Stouras, M., Ettlin, N., George, A., Mejia-Domenzain, P., Swamy, V., Kaeser, T., and Svensson, O. (2026). Turning 500+ students into teachers: A semester-long study of an AI teachable agent in an undergraduate algorithms course. Proceedings of the Thirteenth ACM Conference on Learning @ Scale, 350-360. doi:10.1145/3774398.3811623

Xu, Z., Zhang, J., Tang, A., and Lee, Y.-C. (2026). Who you explain to matters: Learning by explaining to conversational agents with different pedagogical roles. Proceedings of CHI 2026. doi:10.1145/3772318.3790298