고1-고3수학·정보·사회·영어AI·소프트웨어

AI·소프트웨어 계열 교과 연계 심화 탐구 주제 5선과 3개년 로드맵

어려운 모델 이름보다 질문·계산·코드·한계를 직접 설명하는 3개년 탐구 설계

탐구가이드 편집팀발행 2026-09-30수정 2026-09-30

AI·소프트웨어 전공을 희망한다면 어려운 모델을 많이 실행하는 것보다, 교과서 개념으로 질문을 세우고 계산·코드·자료를 통해 답의 범위를 확인하는 과정이 중요합니다. 이 글은 과목 선택, 3개년 연계 탐구, 심화 주제 5선, 세특을 위한 과정 기록, 면접 설명을 하나의 흐름으로 연결합니다.

2028학년도 대입과 고교학점제에 대응할 때 특정 대학의 평가 비중이나 권장 과목을 모든 대학에 동일하게 적용하면 안 됩니다. 내신 체계 변화만으로 성적의 중요성이 사라지거나, 모든 교과·정시전형이 서류 정성평가를 20~40% 반영한다고 단정할 수 없습니다. 지원 대학·학과의 공식 전형 시행계획과 모집요강, 권장 이수 과목 안내를 확인하고 학교의 개설 과목과 자신의 준비 수준을 함께 고려하세요.

1. 과목 선택: 교과 기초와 탐구 질문을 함께 설계하기

아래 과목은 AI·소프트웨어 탐구에 활용할 수 있는 예시이지, 모든 대학이 요구하는 필수 조합은 아닙니다. 학년별 배치는 학교 교육과정과 선수 학습에 따라 달라집니다. 학교에 없는 과목을 이수하지 않았다는 사실만으로 평가 결과를 단정하지 마세요.

• 수학: 대수, 미적분Ⅰ·Ⅱ, 확률과 통계, 기하에서 함수·변화율·확률·벡터 등 탐구에 필요한 기초를 쌓습니다.
• 정보·과학: 정보, 물리학을 통해 알고리즘, 데이터 표현, 측정과 오차를 연결합니다.
• 진로·융합 확장: 학교 개설 여부를 확인한 뒤 인공지능 수학, 실용통계, 수학과제탐구, 융합과학 탐구 등을 선택할 수 있습니다.
• 인문·사회 확장: 윤리문제 탐구, 사회문제 탐구, 독서와 영어 관련 과목에서 데이터 편향, 설명 책임, 언어와 기술의 관계를 살펴봅니다.

탐구의 자체 점검 기준은 세 가지입니다. 교과 원리로 식과 코드를 설명할 수 있는가, 과적합·데이터 누출·표본 편향 등 한계를 구분하는가, 기술의 결과를 사회·윤리적 맥락에서 과장 없이 해석하는가입니다. 이는 공식 대학 평가표가 아니라 학습 과정 정리를 위한 기준입니다.

2. AI·소프트웨어 계열 3개년 꼬리물기 로드맵

후속 탐구를 연결하는 브릿지(Bridge)는 전공 이름을 반복하는 문장이 아닙니다. 이번 탐구에서 확인한 것, 확인하지 못한 것, 다음에 바꿀 조건을 적은 연결 문단입니다. 관심사가 바뀌어도 질문이나 방법의 발전으로 연결할 수 있습니다.

고1: 공통교과에서 작은 질문과 한계를 찾기

공통수학 1·2, 공통국어 1·2, 공통영어 1·2, 통합사회 1·2, 통합과학 1·2 등에서 배운 내용과 학교의 정보 수업을 출발점으로 삼습니다. 함수, 데이터 분류, 정보 접근성 같은 개념에서 작은 질문을 만드세요. 아직 배우지 않은 조건부확률이나 미분을 필수 성취처럼 요구할 필요는 없습니다.

탐구 예시: 가상 이용자 자료로 간단한 추천 규칙을 만들고, 자료 수나 집단별 비율을 바꾸었을 때 추천 결과가 어떻게 달라지는지 비교합니다. 실제 개인정보 대신 직접 만든 자료를 사용하고, 가상 자료임을 표시합니다.

브릿지 문장 예시: “이번 연습에서는 특정 집단의 자료가 적을 때 추천 결과가 달라짐을 관찰했다. 실제 이용자 선호를 확인한 것은 아니므로 일반화할 수 없다. 다음에는 확률과 통계에서 배운 개념으로 자료 분포와 결과의 관계를 비교하고자 한다.” 실제 수행한 경우에만 자신의 과정에 맞게 기록합니다.

고2: 수리적 유도와 작은 알고리즘 구현

대수·미적분·확률과 통계·정보 등 실제 이수한 과목의 개념으로 고1의 질문을 좁힙니다. 시그모이드 미분이나 단일 뉴런의 가중치 갱신을 손으로 계산한 뒤 코드 결과와 대조합니다. L1/L2 규제 실험은 훈련·검증·시험 자료를 구분하고 같은 조건에서 비교합니다. 규제를 적용했다는 사실만으로 과적합을 해결했다고 쓰지 않습니다.

브릿지 문장 예시: “작은 모형에서 손계산과 코드의 기울기가 일치함을 확인했다. 그러나 예측 오차만으로 개별 판단의 이유와 집단별 성능 차이를 설명할 수 없었다. 다음에는 설명 방법과 집단별 오류를 별도로 비교하고자 한다.”

고3: 설명 가능성·검증·윤리로 확장하고 기록 정리하기

인공지능 수학, 실용통계, 수학과제탐구, 융합과학 탐구, 윤리문제 탐구, 사회문제 탐구 등의 학교 개설 과목에서 후속 질문을 다룹니다. SHAP이나 LIME으로 예측에 대한 입력 특성의 기여를 살펴보고, 집단별 성능과 데이터 대표성을 함께 검토합니다. 이 방법들은 예측 설명 도구이지 인과관계나 공정성을 자동으로 보장하는 장치는 아닙니다.

고3에는 새 모델을 계속 늘리기보다 기존 탐구의 자료·방법·수정 이력·한계를 정리하세요. 본인이 실제로 수행한 범위와 외부 코드·라이브러리에 맡긴 부분을 구분하면 면접 설명의 근거가 됩니다.

3. 교과서 연계 심화 탐구 주제 5선

① 지수함수와 미분으로 시그모이드·역전파 이해하기

연계: 대수, 미적분Ⅰ·Ⅱ, 인공지능 수학. 사용하는 교과서의 지수함수·합성함수 미분 단원을 확인합니다. 자연상수 e와 관련 미분은 실제 학습 범위에 맞춰 다룹니다.

질문: 시그모이드의 입력이 커지거나 작아질 때 기울기는 왜 작아지는가? σ(x)=1/(1+e^−x)에서 σ′(x)=e^−x/(1+e^−x)²=σ(x)(1−σ(x))를 유도하고, tanh의 도함수 1−tanh²(x)와 비교합니다.

방법: 단일 입력·단일 가중치 모형에서 z=wx+b, a=σ(z), L=½(a−y)²로 놓습니다. 연쇄법칙에 따라 ∂L/∂w=(a−y)·a(1−a)·x이며, w_new=w−η·∂L/∂w입니다. 편미분 표기는 확장 학습임을 밝히고 다른 변수를 고정했을 때 w의 변화가 손실에 미치는 영향을 설명하세요. 손계산을 작은 코드와 대조하고, 학습률과 입력 범위를 바꾸어 기울기 소실과 갱신의 불안정성을 관찰합니다.

한계: 단일 뉴런에서 확인한 결과를 모든 딥러닝 구조의 성능이나 학습 안정성으로 일반화하지 않습니다.

② 조건부확률 기반 센서 추론과 규제 비교하기

연계: 확률과 통계, 실용통계, 정보. 조건부확률에서 베이즈 추론으로 확장하되 실제 교과서의 학습 범위를 확인합니다.

질문: 센서의 오경보율과 사건의 발생 비율이 달라지면 경보 이후 사건 확률은 어떻게 달라지는가? P(A|B)=P(B|A)P(A)/P(B), P(B)>0를 적용하고 사전확률을 바꾸어 결과를 비교합니다.

방법: 스마트팜 등의 가상 센서 자료에 알려진 잡음을 넣어 경보 후 확률을 계산합니다. 별도 예측 실험에서는 제곱오차 손실에 λΣ|w_j| 또는 λΣw_j²를 더한 L1/L2 규제를 비교합니다. λ와 자료 수에 따른 훈련·검증 오차를 기록하고 변수의 단위 차이는 표준화 등으로 점검합니다.

한계: 베이즈 추론과 규제는 목적이 다른 방법입니다. 한 식을 썼다는 이유로 노이즈와 과적합이 모두 해결되었다고 말하지 않습니다. 센서 분포가 변하면 가정도 다시 확인해야 합니다.

③ ARIMA·RNN·LSTM의 시계열 예측을 공정하게 비교하기

연계: 정보, 수학과제탐구, 융합과학 탐구. 공개 기상·경제 자료의 시간 순서, 자료 구조, 시각화에서 출발합니다.

질문: 같은 예측 구간에서 단순 기준 모형보다 복잡한 모형이 나은가? 먼저 직전 값 유지나 이동평균을 기준으로 두고, 여력이 있으면 ARIMA와 작은 RNN/LSTM을 비교합니다.

방법: 훈련 자료는 과거, 시험 자료는 이후 시점으로 나눕니다. 미래 정보가 전처리나 변수에 섞이지 않게 하고 예측 오차, 학습 비용, 설정값을 같은 조건에서 기록합니다. 반복 실행에 따른 차이는 난수 시드와 함께 공개합니다.

한계와 보완: 다중공선성은 설명 변수 사이의 강한 선형 관계 문제이며 과적합과 동일하지 않습니다. 변수 선택·중복 제거·규제 등으로 점검할 수 있습니다. 몬테카를로 방법은 불확실성이나 반복 모의실험에 활용할 수 있지만 다중공선성을 자동으로 해결하지 않습니다. 영상 객체 검출에 쓰이는 Haar Cascade를 시계열 다중공선성의 해결책으로 연결하지 않습니다.

④ 데이터 편향·디지털 불평등과 설명 가능한 AI 분석하기

연계: 통합사회, 윤리문제 탐구, 사회문제 탐구. 학교의 해당 단원에서 공정성·정보 접근·책임 문제를 찾아 연결합니다.

질문: 자료에 적게 나타난 집단에서 예측 오류가 커지는가? 가상 집단으로 표본 비율과 잡음을 조절하고, 집단별 오류를 분리해 비교합니다. 민감한 개인 정보를 직접 수집하는 실험은 피합니다.

방법: SHAP/LIME 설명과 집단별 오류를 별도 지표로 관찰합니다. 어떤 공정성 기준을 선택했는지, 다른 기준과 충돌할 수 있는지 기록하고 데이터 보완·사람의 검토·이의제기 절차를 포함한 운영 가이드라인을 제안합니다.

한계: 설명 가능성이 곧 공정성은 아닙니다. SHAP의 기여값은 일반적인 모델 내부 가중치와 같지 않으며, 설명의 안정성이나 상관된 특성의 영향도 점검해야 합니다. 가상 실험으로 실제 특정 집단의 차별을 입증했다고 쓰지 않습니다.

⑤ 영어 원문과 AI 번역의 맥락적 한계 비교하기

연계: 공통영어, 독서, 영어 발표·토론 관련 과목. 학교의 실제 과목명과 수업 목표를 확인합니다.

질문: AI 원리·윤리 관련 영문에서 다의어, 비유, 전문 용어를 번역할 때 어떤 맥락이 빠지는가? 짧은 발췌문을 직접 번역한 뒤 번역기의 결과와 비교합니다.

방법: 원문 출처·쪽수 또는 문단 위치·확인일, 도구 이름·사용일을 기록합니다. 용어 정확성, 문장 구조, 맥락 보존을 기준으로 차이를 분류하고 수정 번역과 근거를 제시합니다. 저작권을 확인하고 긴 원문이나 학생 개인정보를 외부 서비스에 입력하지 않습니다.

한계: 몇 개 사례의 오역으로 모든 번역 도구의 능력을 단정하지 않습니다. 직접 번역에도 오류가 있을 수 있으므로 사전과 다른 자료를 대조합니다.

4. 세특을 위한 4단계 과정 기록과 브릿지

세부능력 및 특기사항은 교사가 작성합니다. 학생은 교사의 기록을 대신 만들거나 하지 않은 활동을 꾸미는 것이 아니라, 수업에서 실제 수행한 과정과 근거를 정리해 정확한 소통과 자기 설명을 준비합니다.

1. 질문: 교과 개념에서 생긴 구체적 의문과 범위를 적습니다. “AI를 연구했다”보다 “입력 범위에 따라 시그모이드의 기울기가 어떻게 달라지는가”가 확인하기 쉽습니다.
2. 탐구와 유도: 손으로 유도한 식, 직접 작성한 코드, 외부에서 가져온 부분을 구분하고 자료·전처리·비교 조건을 공개합니다.
3. 오차 분석과 대응: 실패나 예상과 다른 결과를 기록하고 원인 가설, 수정 행동, 재검증 결과를 연결합니다. STAR의 상황·과제·행동·결과 틀은 정리를 위한 도구이지 문제 해결 알고리즘이 아닙니다.
4. 확장과 브릿지: 결론의 한계를 적고 다음 탐구에서 바꿀 조건을 제안합니다. 실행 전 계획은 완료한 연구와 분리해 표시합니다.

과정 노트에는 질문, 자료 출처, 코드 버전, 조건별 결과, 수정 전후 차이, 확인하지 못한 점을 남기세요. 보고서에서는 예측과 인과관계, 모형 설명과 윤리적 판단을 구분하는 것이 중요합니다.

5. 심층 구술면접: 개념·한계·전이를 설명하는 3단계 연습

다음 단계는 자체 연습용 분류이며 특정 대학의 공식 면접 체계가 아닙니다. 실제 면접 형식과 평가 기준은 해당 연도의 공식 안내를 확인하세요.

Level 1: 실제 이해와 수행 확인

예상 질문: “시그모이드 미분과 연쇄법칙을 설명하고, 직접 구현한 부분을 말해 보세요.” 기호의 의미부터 밝히고 손계산과 코드가 연결되는 위치를 설명합니다. 라이브러리 호출을 직접 유도한 알고리즘이라고 바꾸어 말하지 않습니다.

Level 2: 오류·한계·수정 근거 설명

예상 질문: “과적합과 다중공선성을 어떻게 구분했으며, 규제가 효과가 있었다는 근거는 무엇인가요?” 상황과 과제, 자신이 바꾼 조건, 검증 자료에서 관찰한 결과를 순서대로 답합니다. 시험 자료로 설정값을 반복 선택하지 않았는지와 데이터 누출 가능성도 설명합니다. 시도하지 않은 대안은 후속 계획으로 구분하세요.

Level 3: 윤리·사회적 전이

예상 질문: “모델의 설명이 제공되면 편향도 해결되나요? 실제 사용을 위해 무엇이 더 필요한가요?” 설명과 공정성의 차이, 표본 대표성, 집단별 오류, 개인정보, 책임과 이의제기 절차를 자신의 모델 한계와 연결합니다. “XAI로 공정성을 확보했다”는 단정 대신 확인한 지표와 미확인 영역을 나누어 답합니다.

추가 꼬리질문: 학습률을 바꾸면 무엇이 달라지는가? 표본이 늘면 결론이 그대로인가? 다른 난수 시드에서도 결과가 같은가? 선택한 공정성 기준은 누구에게 유리한가? 후속 탐구를 하나만 한다면 무엇을 바꿀 것인가?

6. 제출 전 점검: 어려운 이름보다 설명 가능한 근거

• 탐구 질문이 실제 이수한 교과 개념에서 출발했는가?
• 가상 자료·공개 자료·직접 수집 자료를 구분하고 출처와 이용 조건을 표시했는가?
• 손계산·코드·결과 표가 같은 조건을 사용하며 단위와 비교 기준이 일치하는가?
• 검증 자료와 시험 자료를 구분하고 미래 정보·개인정보의 유입을 막았는가?
• 자신의 기여와 외부 코드 사용, 실제 수행과 예정 활동을 분리했는가?
• 결론의 한계와 다음 질문을 학생 자신의 말로 설명할 수 있는가?
• 대학별 과목·전형 안내는 최신 공식 자료로 별도 확인했는가?

교과서에서 출발해 작은 질문을 검증하고 오류와 한계를 정직하게 기록하는 것이 이 로드맵의 핵심입니다. 모든 주제를 수행할 필요는 없습니다. 자신의 학교 교육과정과 준비 수준에 맞는 한 가지 질문을 선택하고, 다음 학년에는 확인하지 못한 조건을 이어서 탐구하세요.

관련 글

글 작성자

탐구가이드 편집팀

고교학점제, 탐구보고서 작성, 세특 연결, 서류기반면접 준비 흐름을 학생과 학부모 눈높이에 맞춰 정리합니다.