생성형 인공지능의 지리적 문제 해결 능력에 관한 분석 연구 - 2026학년도 대학수학능력시험 9월 모의평가 세계지리 문항을 중심으로-
An Analytical Study on the Geographical Problem-Solving Ability of Generative Artificial Intelligence -- Focusing on the 2026 September CSAT Mock Test in World Geography-
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 지리 수업에서 생성형 인공지능을 교수･학습 튜터로 활용할 가능성을 탐색하기 위해, 별도의 추가 지시 없이 모의고사 문항을 해결하는 과정에서 나타나는 정보 탐색 방식과 문제 해결 특성을 분석하였다. 이를 위해 2026학년도 대학수학능력시험 9월 모의평가 세계지리 문항을 대상으로 생성형 인공지능의 지리 문제 해결 경향을 분석하였다. 분석에는최신 모델인 GPT-5와 Gemini 2.5 Pro를 활용하였으며, 문항을 ‘자료 제시형’, ‘지도 제시형’, ‘데이터 제시형’으로 구분하여 유형별 특성을 파악하였다. 정량적 분석 결과, Gemini는 GPT보다 높은 정답률과 빠른 풀이 속도를 보였으며, 특히 지도 제시형문항에서 상대적으로 뛰어난 성능을 나타냈다. 반면 데이터 제시형 문항에서는 두 모델 모두 자료 해석 과정에서 뚜렷한 한계를 드러냈다. 정성적 분석에서는 원자료 형태의 그래프나 단순 통계 자료는 비교적 정확하게 판독하고 추론했으나, 논리 구조가 복잡한 텍스트나 가공된 통계 자료를 활용한 그래프에서는 정확도가 낮아지는 경향이 확인되었다. GPT는 상대적으로 잦은 환각 현상을 보였으며, 제시된 자료와 선택지를 혼동하여 판단하는 오류도 나타났다. 또한 두 모델 모두 선택지를 판단할때 지리 교육과정의 맥락보다는 실제 세계의 데이터를 근거로 정답을 추론하는 경향을 보였다. 이러한 분석 결과에 기반하여본 연구는 생성형 인공지능이 지리 수업에서 보조교사로 활용될 수 있는 가능성과 한계를 논의하고, 교육적 시사점과 향후 연구 방향을 제시하였다.
Abstract
This study explores the potential of using generative artificial intelligence (AI) as an instructional tutor in geography education by analyzing its information-search patterns and problem-solving characteristics demonstrated while solving mock-exam items without any additional prompts or task-specific guidance. To this end, the study examined the problem-solving tendencies of generative AI using the World Geography items from the September 2026 CSAT mock examination. Two state-of-the-art models—GPT-5 and Gemini 2.5 Pro—were employed, and the items were categorized into three types: stimulus-based items, map-based items, and data-based items, to identify the distinctive characteristics of each category. The quantitative analysis showed that Gemini achieved higher accuracy and faster response times than GPT, demonstrating particularly strong performance on map-based items. In contrast, both models exhibited clear limitations in interpreting data-based items, particularly in tasks requiring complex data interpretation. The qualitative analysis further indicated that the models generally recognized and reasoned accurately with raw graphical information or simple statistical data; however, their accuracy tended to decline when processing graphs derived from transformed statistical data or texts with more complex logical structures. GPT also exhibited relatively frequent hallucinations and occasionally produced errors by confusing the given stimuli with the answer choices. In addition, both models tended to infer the correct answers based on real-world data rather than relying on the contextual framework of the geography curriculum when evaluating the options. Based on these findings, this study discusses the potential and limitations of applying generative AI as an assistant teacher in geography education and presents several educational implications along with directions for future research.