넷플릭스에는 "이것"이 없다!

교육 추천이 엔터 추천과 본질적으로 다른 이유

안녕하세요, 코드넛입니다.

요즘 교육 콘텐츠 추천 시스템 의뢰를 받다 보면 거의 빠지지 않고 등장하는 한 문장이 있습니다. "넷플릭스처럼 추천해주세요." 가장 직관적인 요청이지만, 사실 가장 신중하게 다뤄야 하는 요청이기도 해요.

이 한 문장 안에는 보이지 않는 가정이 깔려 있습니다. 추천이라는 문제가 본질적으로 한 종류이고, 엔터테인먼트에서 잘 작동한 알고리즘을 학습 콘텐츠에 그대로 가져오면 똑같이 작동할 것이라는 가정이죠.

하지만 현장에서 부딪혀보면 이야기가 달라집니다. 넷플릭스의 추천 로직을 학습 콘텐츠에 그대로 옮기는 순간, 학습자는 자기가 잘하는 영역만 반복해서 만나게 되고 정작 약점은 영원히 보강되지 않는 루프에 갇혀버려요. 추천이 잘 작동할수록 학습이 더 망가지는, 다소 역설적인 상황이 벌어집니다.

1. 사용자의 즐거움이 아니라 학습자의 성취를 우선해야 합니다

엔터테인먼트 추천 시스템의 목적은 명료합니다. 사용자가 더 오래 머물고, 더 자주 돌아오고, 더 많이 만족하게 만드는 것. 시청 시간, 이탈률, 좋아요 같은 만족 지표가 곧 KPI입니다.

교육 콘텐츠 추천은 다른 질문에 답해야 합니다. "지금 약간 불편하더라도 학습자가 성장하고 있는가." 이게 핵심이에요. 그리고 여기에서 가장 중요한 역설이 발생합니다.

학습자가 좋아하는 콘텐츠만 추천하면 교육은 실패합니다.

그래서 좋은 교육 추천 시스템은 때로 학습자가 즐거워하지 않을 콘텐츠를 의도적으로 밀어 넣어야 합니다. 단, 포기하지 않을 만큼의 적절한 도전 수준에서 말이에요. 이 균형 "너무 쉽지도 너무 어렵지도 않은 지점에서 학습자를 다음 한 걸음 앞으로 이끌어내는 것" 이 교육 추천의 본질적인 어려움이고, 엔터 추천에는 존재하지 않는 고민이에요.

2. 학습에는 "순서"와 "단계"가 있어요

넷플릭스에서 어떤 영화를 먼저 봐도 문제가 없습니다. 콘텐츠 사이에 선후 의존이 거의 없거든요. 어제 스릴러를 봤든 SF를 봤든, 오늘 어떤 영화를 추천받아도 감상에는 지장이 없습니다.

학습은 다릅니다. 분수를 모르면 약분을 배울 수 없고, 약분을 모르면 분수의 곱셈으로 넘어갈 수 없어요. 모든 학습 콘텐츠 뒤에는 보이지 않는 선수학습 그래프(prerequisite graph)가 깔려 있습니다. 어떤 콘텐츠를 추천한다는 건 단지 "이 사람이 좋아할 만한 것"을 찾는 게 아니라, "이 사람이 지금 배울 준비가 되어 있고, 동시에 다음 단계로 나아갈 수 있는 것"을 찾는 일입니다.

이게 알고리즘 구조 자체를 바꿉니다. 엔터 추천의 가장 강력한 무기인 협업 필터링 - "비슷한 사람들이 본 것을 추천한다" 을 교육에서는 1차 필터로 쓸 수 없어요. 비슷한 학습자가 좋아했던 콘텐츠라도, 그 학습자가 아직 선수 개념을 모르면 그 콘텐츠는 추천 대상에서 제외되어야 합니다. 협업 필터링이 작동하기 전에, 선수학습 그래프라는 더 단단한 제약조건이 먼저 깔려야 한다는 뜻이에요.

3. 학습자를 "선호"로 판단할 수는 없습니다

엔터테인먼트 추천 시스템에서 사용자 프로파일은 본질적으로 취향 벡터입니다. SF를 좋아한다, 로맨틱 코미디를 좋아한다, 다큐를 좋아한다. 사용자가 누구든 추천이 풀어야 할 문제의 형태는 같습니다. "이 사람의 취향에 가장 잘 맞는 콘텐츠를 찾아라."

교육에서는 학습자를 선호로 판단할 수 없습니다. 학습자 프로파일은 성취도, 약점, 학습 목적, 현재 단계, 학습 환경의 조합이에요. 그리고 이 프로파일에 따라 추천이 풀어야 할 문제 자체가 달라집니다.

같은 진단 평가 결과를 받은 두 학습자를 생각해볼게요. 한 명은 입시를 앞둔 고3, 다른 한 명은 선행학습 중인 중2라면, 두 사람에게 추천될 콘텐츠는 완전히 갈라져야 합니다. 고3에게는 약점을 빠르게 메우는 문제 풀이 중심의 추천이 필요하고, 중2에게는 개념을 깊이 있게 확장하는 심화 콘텐츠가 필요해요. 같은 콘텐츠 풀에서, 같은 성취도 데이터에서, 전혀 다른 추천이 나와야 합니다.

그리고 결정적으로, 교육에는 엔터에 없는 차원이 하나 있습니다. 객관적인 성취도 데이터예요. 정답률, 오답 패턴, 학습 시간, 재학습 빈도. 이 모든 신호가 다음 추천의 1차 제약조건으로 작동합니다. 특히 같은 오답이라도 어떻게 틀렸는지가 중요해요. 분수 덧셈에서 분자끼리·분모끼리 더한 학생과, 통분 후 분모도 함께 더한 학생은 똑같이 "오답"이지만 완전히 다른 보강 콘텐츠가 필요합니다. 단순한 정답률 숫자 하나로는 진단이 되지 않고, 어떻게 틀렸는지까지 봐야 의미 있는 다음 한 장을 골라줄 수 있어요.

4. 교육 콘텐츠는 다양한 형식과 목적성을 가지고 있습니다

앞의 세 가지가 학습자 측면의 차이였다면, 마지막 하나는 콘텐츠 자체의 차이입니다.

넷플릭스에서 비슷한 두 SF 영화는 사실상 교환 가능합니다. 하나가 마음에 안 들면 비슷한 다른 걸 추천하면 됩니다. 교육에서는 그렇지 않아요. "이차방정식 근의 공식 설명 영상" 두 개가 표면적으로 비슷해 보여도, 한쪽은 시각적 유도를 중심에 두고 다른 쪽은 수식 전개를 중심에 둔다면 학습자에 따라 효과가 정반대로 갈립니다.

개념 설명 영상, 예제 풀이, 연습 문제, 형성평가, 단원 평가, 프로젝트 과제, 토론 활동, 시뮬레이션. 각 형식은 학습 여정에서 서로 다른 역할을 합니다. 추천 시스템은 "이 학습자에게 지금 필요한 것이 새로운 개념 설명인가, 반복 연습인가, 평가인가"를 먼저 결정한 뒤에야 비슷한 형식 안에서 콘텐츠를 고를 수 있습니다.

목적성도 마찬가지예요. 같은 단원의 콘텐츠라도 어떤 것은 동기 부여용이고, 어떤 것은 개념 학습용이며, 어떤 것은 실력 점검이 목적입니다. 이 목적성은 단순한 키워드 태깅으로는 잡히지 않아요. 콘텐츠 메타데이터를 깊이 있게 설계해야 비로소 드러나는 차원입니다.

결국 교육 콘텐츠 추천은 콘텐츠 메타데이터의 깊이가 추천 품질의 8할을 결정합니다. 학습자 프로파일과 콘텐츠 구조가 맞물려야 비로소 의미 있는 추천이 나오거든요.

코드넛이 최근 진행하고 있는 싱가포르 myGooRoo LMS 개발 사례와 공공 부문 HRD AX 사례에서도 같은 결론에 도달하고 있어요. 두 프로젝트 모두 학습자 프로파일과 콘텐츠 메타데이터를 어떻게 설계할 것인가에서 가장 많은 시간을 쓰고 있고, 그 설계가 추천 품질의 대부분을 결정한다는 점을 실무에서 다시 확인하고 있습니다. 이 두 사례는 다음 글에서 좀 더 자세히 풀어볼 예정이에요.

다시 처음 질문으로

처음으로 돌아가 보겠습니다. "넷플릭스처럼 추천해주세요"라는 요청이 왜 위험한지, 이제 좀 더 분명해졌을 거예요.

엔터테인먼트 추천은 사용자의 취향을 학습합니다. 교육 추천은 학습자의 약점을 학습해요. 그리고 그 약점은 학습자가 누구냐, 지금 어느 단계에 있느냐, 무엇을 향해 가느냐에 따라 매번 다르게 정의됩니다. 같은 콘텐츠라도 학습자에 따라 의미가 달라지고, 같은 학습자라도 시점에 따라 다음 한 걸음이 달라집니다.

그렇다면 우리는 왜 이 어려운 문제를 풀려고 하는 걸까요.

1984년, 교육심리학자 벤저민 블룸(Benjamin Bloom)은 한 가지 발견을 발표합니다. 완전학습 기법으로 일대일 개인 지도를 받은 학생이, 전통적인 교실에서 교육받은 학생보다 평균 표준편차 2배만큼 더 높은 성취를 보였다는 결과였어요. 평균적인 튜터링 학생이 같은 반 학생의 98%를 능가했습니다. 이게 그 유명한 "2 시그마 문제(2 Sigma Problem)"입니다.

문제는 일대일 지도가 너무 잘 작동했다는 게 아니었어요. 그것을 모든 학생에게 줄 방법이 없다는 것이 문제였습니다. 블룸 자신도 논문에서 이를 "대부분의 사회가 대규모로 감당하기에는 너무 비싸다"고 인정하면서, 동시에 연구자들과 교사들에게 도전 과제를 던졌습니다. "일대일 튜터링만큼 효과적인 집단 교수법을 찾아라."

40년이 지난 지금, 우리에게는 새로운 도구가 생겼습니다. 바로 인공지능입니다.

학습자 한 명 한 명의 성취도를 읽고, 학습의 순서와 단계를 이해하고, 콘텐츠의 형식과 목적성에 따라 다음 한 장을 골라주는 추천 알고리즘. 이것이 정말로 작동할 때, 우리는 비로소 모든 학습자에게 가상의 일대일 튜터를 줄 수 있게 됩니다.

코드넛이 교육 콘텐츠 추천 시스템에 집중하는 이유는 단순히 더 좋은 추천을 만들기 위해서가 아닙니다. 40년 동안 풀리지 않았던 2 시그마 문제, 한 명의 학습자에게 한 명의 튜터를 어떻게 줄 것인가라는 교육학의 오래된 질문에, 추천 알고리즘이라는 우리 시대의 방식으로 답해보려는 것입니다.

한 명의 학습자에게 한 명의 튜터를.
코드넛이 추천 시스템에 집중하는 이유입니다.