1. 서론: AI 디지털교과서(AIDT) 시대의 거대한 딜레마 — 즉시 피드백과 학생 데이터 유출

2026년 대한민국 공교육 현장에 전면 도입된 AI 디지털교과서(AIDT)는 학생 맞춤형 교육과 실시간 형성평가를 가능하게 하는 교육 혁신의 상징입니다. 교사는 학생 개개인의 서술형 답안과 사고 과정을 분석하여 즉각적인 맞춤 피드백을 제공해야 하지만, 1개 학급당 25~30명의 서술형 과제를 수업 시간 내에 일일이 첨삭하는 것은 물리적으로 불가능에 가깝습니다.

이를 해결하기 위해 시중의 상용 SaaS AI 서비스(ChatGPT, Claude 등)를 교실에 도입하려는 시도가 있었으나, 이는 개인정보보호법과 교육기본법 위반이라는 거대한 법적·윤리적 암초에 부딪혔습니다. 미성년자인 학생의 작문, 사고 과정, 학습 이력, 그리고 성명과 학번이 빅테크 기업의 클라우드 데이터센터로 무단 전송되어 모델 재학습 데이터로 흡수되는 '학습 데이터 착취' 위험이 현실화되었기 때문입니다.

ZeliDesk 팀은 이러한 국가적 난제를 해결하기 위해, 인터넷 연결이 전무한 교실 PC 환경에서도 로컬 sLM(소형 언어 모델)을 기반으로 작동하는 완전 격리 온디바이스 루브릭 채점 엔진(On-Device Rubric Grading Engine)을 구축했습니다.

2. 온디바이스 루브릭(Rubric) 4단계 평가 매트릭스 설계: 정답성·논리성·어휘력·창의성

단순한 점수 매기기를 넘어 학생의 학업 성취도를 정밀 진단하기 위해, ZeliDesk는 교육학 표준에 입각한 4단계 루브릭 매트릭스(4-Tier Rubric Matrix)를 온디바이스 엔진에 내재화했습니다.

📊 ZeliDesk AIDT 4대 평가 차원 (Dimension)

  • 개념 정답성 (Accuracy, 40%): 교과서 핵심 성취기준 및 필수 개념 키워드의 포함 여부와 과학적/역사적 사실관계의 무결성을 검증합니다.
  • 논리적 전개 (Coherence, 30%): 전제와 결론의 인과 관계, 주장과 근거의 타당성, 그리고 문단 간 접속어의 유기적 연결성을 평가합니다.
  • 학술적 어휘력 (Vocabulary, 15%): 초·중·고 학년별 교육과정에 적합한 교과 전문 어휘 및 풍부한 표현력의 구사 수준을 측정합니다.
  • 사고 확장 및 창의성 (Creativity, 15%): 판에 박힌 모범 답안을 넘어선 학생 고유의 비판적 시각 및 일상 사례로의 전이 능력을 분석합니다.

이 4대 차원은 각각 4단계(탁월·우수·보통·노력요함) 척도로 정밀 세분화되어, 학생에게는 구체적인 개선 방향을, 교사에게는 학생부 기록용 정성 평가 문장을 자동으로 제안합니다.

3. 외부 클라우드 통신 0%의 로컬 sLM 인메모리 프롬프트 체이닝 파이프라인

ZeliDesk의 채점 엔진은 외부 네트워크 소켓을 일체 생성하지 않습니다. 컴퓨터실 PC의 로컬 메모리에 상주하는 경량 sLM(Qwen2.5-3B 또는 Llama-3.2-3B Instruct 양자화 모델)을 활용하여, 2단계 프롬프트 체이닝(Two-Stage Prompt Chaining)을 수행합니다. 

// ZeliDesk AIDT 인메모리 온디바이스 채점 파이프라인
public async Task<GradingResult> GradeStudentAnswerAsync(
    string assignmentRubric, 
    string anonymizedAnswer, 
    CancellationToken ct)
{
    // 1단계: 온디바이스 모델 상주 세션(-cnv) 확보
    var session = await EnsureLocalInferenceSessionAsync(ct);

    // 2단계: 엄격한 시스템 프롬프트 및 단일 진실 평가 기준 주입
    string systemPrompt = 
        "You are an expert educational assessor. Evaluate the student's submission " +
        "strictly based on the provided rubric. Output MUST conform to the exact JSON schema.";

    // 3단계: JSON 가드레일 강제 인젝션
    string evaluationPrompt = 
        $"[RUBRIC]\n{assignmentRubric}\n\n" +
        $"[STUDENT_ANSWER]\n{anonymizedAnswer}\n\n" +
        "[INSTRUCTION]\nProvide scores (0-100), dimension levels, and formative feedback in JSON.";

    // 4단계: Stdin UTF-8 스트리밍 전송 및 0ms 토큰 디코딩
    string rawJson = await session.SendPromptAndCollectJsonAsync(systemPrompt, evaluationPrompt, ct);
    return JsonSchemaGuardrail.ValidateAndParse(rawJson);
}

이 방식은 1인당 0.2초 이내에 채점을 완료하며, 학생의 답안이 하드디스크의 임시 파일로도 남지 않고 RAM 내에서 즉시 처리된 후 소멸되므로 기술적인 데이터 유출 가능성을 원천 배제합니다.

4. 환각(Hallucination) 방어와 정량화: 엄격한 JSON Schema 가드레일과 불변 파서

생성형 AI 모델을 교육 평가에 적용할 때 가장 위험한 요소는 환각(Hallucination)과 일관성 없는 점수 부여입니다. 동일한 답안에 대해 실행할 때마다 점수가 바뀌거나, 엉뚱한 미사여구를 출력하면 공교육 평가의 공정성이 훼손됩니다.

ZeliDesk는 모델의 탐욕적 디코딩(Greedy Decoding, --temp 0.0 --top-p 0.1)을 강제하여 재현율 100%를 보장하고, 출력 형식을 강타입 JSON Schema(Strict JSON Schema)로 묶어 파싱 오류를 원천 차단했습니다. 

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "totalScore": { "type": "integer", "minimum": 0, "maximum": 100 },
    "accuracy": { "type": "string", "enum": ["Exemplary", "Proficient", "Developing", "Beginning"] },
    "coherence": { "type": "string", "enum": ["Exemplary", "Proficient", "Developing", "Beginning"] },
    "vocabulary": { "type": "string", "enum": ["Exemplary", "Proficient", "Developing", "Beginning"] },
    "creativity": { "type": "string", "enum": ["Exemplary", "Proficient", "Developing", "Beginning"] },
    "strengths": { "type": "array", "items": { "type": "string" }, "maxItems": 3 },
    "improvements": { "type": "array", "items": { "type": "string" }, "maxItems": 3 },
    "teacherFeedback": { "type": "string", "maxLength": 300 }
  },
  "required": ["totalScore", "accuracy", "coherence", "strengths", "improvements", "teacherFeedback"]
}

만약 모델의 출력이 단 1개의 쉼표라도 누락하거나 정해진 열거형(Enum) 값을 벗어날 경우, System.Text.Json 기반의 2단계 자가 치유 파서(Self-Healing Fallback Parser)가 작동하여 불완전한 출력을 거부하고 안전 기본값을 적용합니다.

5. 학생 식별자(학번·성명) 영구 비식별화 및 단방향 솔트 해시 거버넌스

아무리 온디바이스 환경이라 할지라도, 모델 프롬프트 컨텍스트에 학생의 실명(예: "3학년 2반 15번 김철수")이 포함되는 것은 교육 데이터 거버넌스 규정상 허용되지 않습니다.

ZeliDesk는 답안이 채점 파이프라인에 들어가기 전, 메모리 상에서 정규식 기반 3중 비식별화(De-Identification)를 선제 수행합니다.

🔒 ZeliDesk 3단계 학생 정보 비식별화 파이프라인

  1. 개인식별정보(PII) 마스킹: 학번, 이름, 전화번호, 이메일, 생년월일 패턴을 정규식으로 감지하여 [STUDENT_TOKEN]으로 치환합니다.
  2. 단방향 솔트 HMAC-SHA256 해싱: 학생의 고유 식별자는 교사 PC에만 보관된 마스터 키와 결합하여 비가역적 해시값(예: e8b1...)으로 변환되어 통계 집계용으로만 사용됩니다.
  3. 메모리 제로화(Zeroization): 채점이 완료된 원본 텍스트 버퍼는 가비지 컬렉터의 수거를 기다리지 않고 Array.Clear()를 통해 0바이트로 덮어씌워 메모리 덤프 공격을 방어합니다.

6. 컴퓨터실 40대 PC 분산 채점: 네트워크 트래픽 0바이트와 교사용 HUD 연동

전통적인 클라우드 기반 솔루션의 가장 큰 문제는 40명의 학생이 동시에 [제출] 버튼을 누를 때 발생하는 학교 회선 대역폭 고갈(DDoS 상태)입니다. 40대의 PC가 일제히 외부 서버로 고화질 이미지나 긴 텍스트를 쏘아 올리면 학내망 방화벽이 차단되거나 지연율이 급상승합니다.

ZeliDesk의 분산 온디바이스 아키텍처는 채점 연산 자체를 각 학생 PC의 로컬 프로세서(Edge Device)에서 100% 분산 처리합니다. 외부 인터넷 전송량은 정확히 0바이트이며, 오직 교내 로컬 서브넷(LAN)을 통해서만 암호화된 채점 요약 메트릭(2KB 미만의 초경량 JSON)이 교사용 통합 대시보드 HUD로 전송됩니다.

교사는 자신의 모니터에서 학급 전체 30명의 성취도 분포, 공통적으로 취약한 개념 키워드, 그리고 도움이 시급한 학생을 실시간으로 확인하며 진정한 의미의 'AI 기반 맞춤형 개별 지도'를 실현할 수 있습니다.

7. 결론: 교육 공공성과 데이터 주권을 수호하는 온디바이스 에듀테크의 미래

인공지능이 교육에 가져올 혜택은 무궁무진하지만, 그것이 학생들의 소중한 개인정보와 국가 교육 데이터 주권을 희생한 대가여서는 안 됩니다.

ZeliDesk의 AIDT 온디바이스 평가 엔진은 "가장 안전하고 완벽한 프라이버시는 데이터가 애초에 기기 밖을 나가지 않는 것"이라는 철학을 기술적으로 구현해 냈습니다.

우호성 교수 랩실과 전국 초·중·고 정보 교사, 그리고 국방 AI 교육 담당자들에게 ZeliDesk는 단순한 유틸리티를 넘어, 미래 교실을 지탱하는 가장 신뢰할 수 있는 디지털 안보 인프라가 될 것입니다.