사용자 의도 분석 ⑦ — 한국어 자원과 교육 분야 적용

지금까지의 문헌은 대부분 영어권 이야기였다. 한국어로 의도 분석을 하려면, 그리고 그것을 교육(에듀테크) 분야에 적용하려면 무엇이 있는가? 생각보다 많다 — 정부가 만든 대규모 라벨 데이터부터, 학생 질문 분류의 교육학적 전통까지. 이번 글은 한국어 × 교육의 자원 지도다.

한국어 공개 자원

• AI Hub 용도별 목적대화 데이터 — 상담·주문·예약·문의응답 등 목적 지향 한국어 대화 대규모 코퍼스. 각 질문 턴에 메인 의도/서브 의도 계층 라벨과 화행(주장·지시·약속·표현) 라벨이 붙어 있다. 계층형 의도 분류 체계를 한국어로 학습·평가할 수 있는 가장 가까운 공개 자원. (한국 거주 연구자 무료, 신청 승인 필요)
• AI Hub 감성 AI 튜터 데이터 — 중학생이 국어·수학을 챗봇으로 학습하며 남긴 질문-응답 데이터. 수학 질문이 정답 여부·이해도·감정의 하위 상태로 분해되어 라벨링되어 있다. 실제 한국 학생의 질문 코퍼스라는 점에서 희귀하다.
• KLUE + 3i4K — 시리즈 ③에서 다룬 한국어 기본기. KLUE-RoBERTa가 분류기 백본의 사실상 표준이고, 3i4K는 한국어 어말어미의 의도 미결정성을 보여주는 근거 데이터다.
• KoBERT + LLaMA2 역사교육 챗봇 (2024, KCI) — 학생 질문의 의도를 KoBERT로 먼저 분류한 뒤, 파인튜닝된 LLaMA2로 답을 생성하는 국내 연구. "경량 분류기가 생성 모델 앞을 지킨다"는 이 시리즈의 핵심 패턴이 한국 교육 도메인에서 환각 억제 목적으로 구현된 사례.
• 비대면 강의평 토픽 모델링 + 분류기 (2021, KCI) — LDA로 강의평에서 만족 요인 토픽을 발견하고, 그 토픽을 라벨로 삼아 KoBERT 분류기(F1 ≈ 0.84)를 학습시킨 국내 연구. "비지도 토픽 발견 → 라벨 체계화 → 지도 분류기"라는 파이프라인의 한국어 실증.

교육 분야: 학생 질문 분류의 전통

• Bloom 분류 자동화 (2021, ACE) — 프로그래밍 시험 문제를 Bloom의 교육목표분류(기억-이해-적용-분석-평가-창조)로 분류하는 BERT 모델이 kappa 0.93에 도달. 교육학 이론에 근거한 분류체계도 트랜스포머로 자동화된다는 것을 보인 기준점.
• Cross-Dataset Bloom 분류 (2026) — 지도학습 분류기와 프롬프트 LLM을 Bloom 분류에서 데이터셋 교차 비교. 학습 분포 밖에서 어느 쪽이 잘 버티는지를 다룬다 — 분류기를 실서비스에 내보낼 때 반드시 부딪히는 질문.
• "How Do I ...?" (2026) — 실제 학습 맥락에서 학생이 LLM 챗봇에 보낸 6,113개 메시지를 4개 기존 질문 분류체계로 분류한 연구. 발견 둘: 절차적(procedural) 질문이 압도적이고, 기존 분류체계들은 여러 의도가 섞인 복합 프롬프트에서 무너진다. 다음 글(복합 의도)의 예고편이기도 하다.
• StudyChat (2025) — 대학 AI 수업 한 학기 동안의 학생-ChatGPT 대화 로그를 의도 라벨과 함께 공개. 실서비스 로그를 만지기 전에 분류체계를 파일럿할 수 있는 공개 학생 질문 코퍼스이자, 라이브 서비스 로그를 윤리적으로 공개한 선례.

정리

한국어 의도 분류는 "KLUE-RoBERTa 백본 + AI Hub 계층 의도 데이터"라는 실무 조합이 성립해 있고, 교육 분야는 Bloom 분류라는 이론적 전통이 트랜스포머·LLM 시대로 이식되는 중이다. 그리고 2026년의 최신 발견 — 학생 질문은 절차적이고 복합적이라 기존 분류체계가 깨진다 — 은 다음 글의 주제로 이어진다: 한 질문에 여러 의도가 섞여 있을 때 어떻게 하는가?

— 사용자 의도 분석과 LLM 라우팅 시리즈 ⑦ / 다음 글: 복합 의도 탐지와 다중 라벨 평가