수업 맥락에서 교사와 생성형 AI의 네트워크 형성 과정 및 교사 역할 탐색

Abstract

생성형 AI의 등장은 교육 분야에 전반적인 변화를 가져오고 있다. 생성형 AI는 학습지원, 평가, 교수설계 등 다양한 실천적 영역에서 교수자의 역할과 교수학습 구조를 재구성하는 데 기여하며 교육 맥락에 적극적으로 개입하는 행위자로 기능하고 있다는 것을 확인할 수 있다（Huang ＆ Chang, 2024）. 특히 교사의 관점에서 생성형 AI는 수업 설계, 학습자료 개발, 피드백 제공, 평가 등 실천적 맥락 전반에 걸쳐 활용되고 있으며 교사의 역할과 실천 방식에 실질적인 변화를 가져오는 것으로 나타났다（Zhai, 2025）. 이러한 변화 속에서 생성형 AI를 교수학습의 협력적 파트너로 바라보는 관점이 확산되며（조영환 외, 2023; Ouyang ＆ Jiao, 2021）, 교사와 생성형 AI의 상호작용을 새로운 방식으로 이해해야 할 필요성을 제기한다. 그러나 기존 연구들은 생성형 AI를 교사의 교육적 목표를 달성하기 위한 도구로 설정하고 교사가 이를 효과적으로 활용하는 방법과 전략을 탐구하는 데 집중해왔다（Becerra ＆ Cobos, 2025; Bonner et al., 2023）. 이러한 접근은 교사와 생성형 AI의 역할을 분석의 전제로 설정함으로써 상호작용 과정 속에서 역할이 어떻게 구성되어 가는지에 대한 탐색을 충분히 다루지 못하였다는 한계가 있다. 생성형 AI가 교육 실천에 본격적으로 개입하는 상황에서 교사의 역할은 생성형 AI와의 상호작용 속에서 새롭게 구성될 수 있다. 따라서 역할이 형성되는 과정을 탐색하기 위해서는 역할을 분석의 전제가 아닌 결과로 바라볼 수 있는 이론적 틀이 필요하다. 이에 본 연구는 Latour（1987/2016）가 제시한 행위자 네트워크 이론（Actor-Network Theory: ANT）을 분석의 이론적 기반으로 삼는다. ANT는 인간뿐 아니라 비인간도 행위자로 간주하여 다양한 행위자들이 네트워크를 형성해가는 과정을 통해 현상을 이해한다. ANT에서 행위자의 기준은 네트워크 내에서 다른 행위자의 행동을 변화시키는 가의 여부이다. 교사와 생성형 AI의 상호작용은 실제 교사의 실천을 재구성한다（Koraishi, 2023; Jeon ＆ Lee, 2023）. 이는 생성형 AI가 교사의 행동을 변화시킨다는 점에서 앞서 정의한 ANT의 행위자 기준을 충족하는 비인간 행위자임을 보여준다. ANT는 네트워크의 형성 과정을 번역（translation）이라는 개념으로 설명한다. 번역은 행위자들이 서로의 이해를 조정하며 네트워크 안에서 특정한 위치와 역할을 부여받는 과정이며, 번역의 과정은 네 단계로 구분되었다（Callon, 1986）. 문제제기 단계에서는 특정 행위자가 다른 행위자들이 해결해야 할 문제를 정의하고, 문제해결을 위한 필수적인 경유지가 무엇인지 설정한다. 관심끌기 단계에서는 다른 행위자들이 기존의 관계에서 벗어나 새롭게 제시된 문제와 행위자에 관심을 갖도록 유도하는 과정이 전개된다. 등록하기 단계에서는 관심을 갖게 된 행위자들이 네트워크 안에서 구체적인 역할과 정체성을 부여받아 네트워크에 포함된다. 마지막으로 동원하기 단계에서는 등록된 행위자들이 네트워크 밖의 다른 행위자들을 끌어들임으로써 네트워크가 확장되고 안정화된다. 본 연구는 이러한 번역의 네 단계를 분석 틀로 삼아 행위자들이 네트워크에 어떻게 참여하고 역할을 구성해가는지 추적한다（Callon, 1986）. 아울러 교사와 생성형 AI의 상호작용은 수업 전·중·후라는 시간적 맥락 속에서 유기적으로 전개된다. 선행 연구에서도 수업 전 맥락에서는 수업 설계와 준비를 위한 상호작용이（Dogan, 2025; Kwan et al., 2025）, 수업 중에는 실시간 교수 지원을 위한 상호작용（Kasepalu et al., 2022）, 수업 후에는 성찰 및 평가와 관련된 상호작용이 주로 나타나는 것이 확인된다（안솔뫼 외, 2024; Celik et al., 2022）. 이는 수업 전·중·후가 단순한 시간적 구분이 아니라 행위자 간 관계와 번역의 방식이 달라지는 맥락적 단위임을 시사한다. 이에 본 연구에서는 수업 맥락에서 교사와 생성형 AI의 상호작용을 통해 행위자 네트워크가 어떻게 형성되는지 탐색하고, 수업 전·중·후 맥락에 따라 네트워크가 보이는 공통점과 차이점을 비교·분석한다. 나아가 이러한 네트워크 형성 과정에서 교사의 역할이 어떻게 나타나는지를 심층적으로 분석한다. 본 연구는 교사의 역할을 고정된 것이 아닌 네트워크 형성 과정에서 구성되는 것으로 바라보는 분석 관점을 제안하며 생성형 AI라는 새로운 행위자 앞에서 ANT의 행위자 개념이 교육 실천에 어떻게 적용될 수 있는지 살펴본다는 점에서 이론적 의의를 가진다. 또한 생성형 AI가 교육 맥락에 본격적으로 개입하는 현재 상황에서 교사의 역할과 상호작용 방식에 관한 실천적 함의를 제시할 수 있을 것으로 기대한다. 본 연구의 연구 문제는 다음과 같다.

1. 수업 맥락에서 교사와 생성형 AI의 행위자 네트워크는 어떤 행위자들로 구성되어있으며, 어떠한 과정을 통해 형성되는가?

2. 수업 전·중·후 맥락에 따라 교사와 생성형 AI의 행위자 네트워크는 어떠한 특징을 보이며 맥락 간에 어떠한 공통점과 차이점이 나타나는가?

3. 수업 맥락에서 교사와 생성형 AI의 행위자 네트워크가 형성되는 과정에서 교사의 역할은 어떻게 구성되고 변화하는가?

본 연구는 수업 맥락에서 교사와 생성형 AI의 상호작용을 통해 형성되는 행위자 네트워크와 교사의 역할을 탐색하기 위해 질적 다중사례연구 방법으로 수행하였다. 다중사례연구는 복수의 사례에서 나타나는 패턴을 확인하는 방법이다（Yin, 2014）. ANT의 번역 과정 분석 틀을 결합하여 행위자 네트워크의 형성 과정을 체계적으로 분석하였으며, 네트워크 형성과정에서 포착되지 않는 교사의 역할을 심층적으로 탐색하기 위해 주제분석법을 병행하여 적용하였다. 연구 참여자는 수업과 관련된 맥락에서 생성형 AI를 활용한 경험이 있는 국내 중·고등학교 교사 6명을 의도적 표집（purposive sampling）을 통해 선정하였다. 참여자는 학교급, 지역, 성별, 경력, 교과, 생성형 AI 활용 정도 등을 고려하여 다양한 수업 맥락을 포괄할 수 있도록 구성하였다. 아울러 네트워크 형성과정을 분석하기 위한 보완적 자료로 해당 교사의 수업을 수강한 학생 2명, 동료 교사 2명, 관리자 2명을 인터뷰를 수행한 교사를 통해 추가로 모집하였다. 자료 분석은 연구문제에 따라 세 단계로 구분하여 진행하였다. 먼저 연구문제 1에서는 Callon（1986）이 제시한 번역의 4단계（문제제기, 관심끌기, 등록하기, 동원하기）를 분석 틀로 설정하여 각 사례별 네트워크 형성과정을 기술하였다. 분석 과정에서 관심끌기와 등록하기 단계 내에 성공과 실패의 양상이 귀납적으로 확인되어 각각 하위 범주로 세분화하였다. 연구문제 2에서는 Yin（2021）의 사례통합（cross-case synthesis） 기법을 적용하여 수업 전·중·후 맥락에 따른 네트워크의 공통점과 차이점을 비교 분석하였다. 주요 번역 단계의 분포, 등록하기 실패의 양상과 대응 방식, 네트워크의 안정화 수준, 교사의 주요 행위 양상의 네 가지 준거를 설정하여 비교 매트릭스를 구성하였다. 마지막으로 연구문제 3에서는 Braun과 Clarke（2006）의 주제분석법 6단계 절차를 적용하여 네트워크 형성 과정에서 나타나는 교사의 역할을 귀납적으로 도출하였다. 교사와 생성형 AI의 행위자 네트워크 형성 과정을 Callon（1986）의 번역 4단계를 분석틀로 적용하여 분석한 결과 여섯 교사의 행위자 네트워크는 공통적으로 외부조건 행위자, 핵심 상호작용 행위자, 연결된 행위자, 네트워크 작동 방식을 규정하는 행위자의 네 범주로 구성되었다. 문제제기 단계에서 교사들은 기존 수업 실천의 구조적 한계（예: 매년 새로운 평가자료 개발, 개별화 수업의 어려움, 대량의 과목별 세부능력 및 특기사항 작성 부담 등）를 인식하고 수업 맥락에서 생성형 AI와 상호작용하는 것을 의무통과점으로 설정하였다. 관심끌기 단계에서는 교육청 정책과 관리자의 독려에 의한 하향식 흐름과 교사 개인의 자발적 탐색에 의한 상향식 흐름이 공존하였으며, 일부 교사에서는 관심끌기에 실패한 행위자도 확인되었다. 등록하기 단계에서는 생성형 AI가 수업 설계, 실행, 산출물 생성 등 다양한 역할로 네트워크 안에 배치되었으나 할루시네이션, 산출물 품질 미달 등으로 실패가 반복되었다. 교사들은 실패 이후 프롬프트를 정교화하거나 대체 행위자로 전환하거나 관련 자료를 직접 제공하여 재요청하는 방식으로 네트워크를 능동적으로 재구성하였다. 동원하기 단계에서는 생성형 AI와의 상호작용이 교사 개인의 반복적 실천으로 정착되거나 동료 교사와의 프롬프트 공유, 연수 강의 등을 통해 외부로 확산되는 양상이 나타났다. 수업 맥락별 행위자 네트워크의 특징을 비교 분석한 결과 수업 전·중·후 맥락에서 공통적으로 등록하기 단계가 나타났으나 번역 단계의 분포, 등록하기 실패의 양상, 안정화 수준, 교사의 주요 행위 양상에서는 맥락 간 차이가 확인되었다. 수업 전 맥락에서는 기존 수업 실천의 한계 인식에서 비롯된 문제제기 단계가 다른 맥락에 비해 두드러졌으며, 등록하기 실패가 모든 교사에서 공통적으로 발생하였으나 재구성을 통해 번역이 지속되었다. 수업 중 맥락에서는 등록하기가 중심 번역 단계로 작동하였으며 생성형 AI를 수업 설계 단계에서부터 구조화한 교사일수록 높은 안정화에 도달하였다. 등록하기 실패에 대한 대응에서는 대체 행위자로의 전환이 두드러졌으며, 교사가 학생과 생성형 AI 사이를 매개하는 상호작용이 수업 중 맥락의 핵심 행위 양상으로 나타났다. 수업 후 맥락에서는 동원하기 단계가 가장 두드러졌다. 과목별 세부능력 및 특기사항이라는 제도적 과업이 반복적 상호작용을 구조화하는 의무통과점으로 작동하면서 세 맥락 중 안정화 수준이 가장 높게 나타났다. 교사들은 학생 자료를 원자료로 생성형 AI에 투입하고 산출물을 원자료와 대조하여 검토·조정하는 방식을 공통적으로 수행하였다. 네트워크 형성 과정에서 교사의 역할을 귀납적으로 분석한 결과, 12개의 역할 코드가 도출되었으며 의미적 층위에 따라 6개의 역할 범주로 통합되었다. 첫째, 교사와 생성형 AI의 직접적인 상호작용에서는 원하는 산출물을 처음부터 설정하여 요청하는 요구자와 상호작용 과정에서 결과물의 방향을 함께 만들어가는 협력자 역할이 나타났다. 둘째, 생성형 AI 산출물의 선택적 수용에서는 교과 적합성, 사실 여부, 현장 실현 가능성 등을 기준으로 산출물을 검토하는 검토자와 이후 전체 또는 일부를 수업 맥락에 적용하는 활용자 역할이 나타났다. 셋째, 생성형 AI의 수업 내 위치 결정에서는 수업 전반의 흐름을 기획하며 생성형 AI를 배치하는 설계자와 특정 맥락에서 생성형 AI의 활용 여부를 결정하는 결정자 역할이 나타났다. 넷째, 학생과 생성형 AI의 상호작용 조율에서는 전체 상황을 전략적으로 모니터링하는 관찰자, 오류나 이탈 발생 시 반응적으로 개입하는 보조자, 상호작용의 질을 높이기 위해 선제적으로 이끄는 촉진자 역할이 나타났다. 다섯째, 교사의 네트워크 확장에서는 새로운 도구와 활용법을 능동적으로 수집하여 실험적으로 적용하는 탐색자와 학생 또는 동료 교사를 생성형 AI와 연결하는 연결자 역할이 나타났다. 마지막으로 생성형 AI와의 상호작용에 대한 의미화에서는 생성형 AI 활용의 교육적 가치와 한계를 스스로 질문하고 재구성하는 성찰자 역할이 나타났다. 이러한 12개의 역할은 교사에게 고정된 유형이 아니라 번역 과정과 맥락에 따라 유동적으로 재구성되는 실천적 행위의 양상으로 교사는 여러 역할을 동시에 수행하거나 전환을 반복하며 생성형 AI와의 네트워크를 능동적으로 구성해 나간 것으로 나타났다. 본 연구는 수업 맥락에서 교사와 생성형 AI의 행위자 네트워크 형성 과정을 탐색하고, 수업 전·중·후 맥락에 따른 공통점과 차이점을 비교 분석하였으며, 네트워크 형성 과정에서 나타나는 교사의 역할을 탐색하였다. 네트워크 형성 과정에서 등록하기 실패는 번역의 중단이 아니라 네트워크를 재구성하는 계기로 작동하였다. 교사들은 프롬프트 정교화, 대체 행위자 전환, 자료 직접 제공 등의 방식으로 상호작용을 지속하였으며, 이는 번역이 저항과 상호작용을 포함하는 비선형적 과정이라는 선행연구와 일치한다（이수한, 소경희, 2022）. 수업 맥락별로는 문제제기와 등록하기는 수업 전 맥락에서, 등록하기는 수업 중 맥락에서, 동원하기는 수업 후 맥락에서 집중적으로 나타났다. 세 맥락 중에는 수업 후 맥락의 안정화 수준이 가장 높게 나타났는데, 과목별 세부능력 및 특기사항이라는 제도적 과업이 반복적 상호작용을 구조화하는 의무통과점으로 기능했기 때문이다. 수업 중 맥락에서는 교사, 학생, 생성형 AI의 삼각 구조가 중심적으로 나타났으며 구조 안에서 관찰자, 보조자, 촉진자라는 역할이 새롭게 도출되었다. 역할 분석 결과 도출된 12개 역할이 고정된 것이 아니라 생성형 AI, 학생, 제도적 조건 등 다른 행위자들과의 관계 속에서 지속적으로 재구성됨을 보여주었다. 이상의 결과를 바탕으로 다음과 같은 시사점을 도출하였다. 첫째, 등록하기 실패는 네트워크 재구성의 계기로 작동하므로 교사의 생성형 AI 상호작용 과정에서 실패 경험을 저해 요인이 아닌 성장의 과정으로 이해하는 관점이 필요하다. 둘째, 교사의 행위자 네트워크는 교사의 실천적 필요를 생성형 AI가 해결할 수 있을 때 안정화되므로 생성형 AI 도입 설계시 교사의 실천적 필요와 맥락을 반영하는 것이 필요하다. 셋째, 교사의 역할은 네트워크 형성 과정의 결과로 귀납적으로 구성되므로 역할을 사전에 규정하기보다 어떤 조건에서 특정한 역할이 출현하는지를 탐색하는 접근이 요구된다. 넷째, 교사의 전문적 판단이 네트워크 형성의 중요한 요인으로 작동하였으므로 생성형 AI 관련 교육에서는 산출물의 교과 적합성과 맥락 적절성을 선별하는 전문적 판단 능력의 함양에 초점을 둘 필요가 있다. 다섯째, 본 연구는 생성형 AI와의 상호작용을 어떻게 해야 하는가라는 처방적 관점이 아니라 실제로 어떠한 상호작용이 발생하는가라는 기술적 관점에서 접근하고 있어 동일한 행위자라도 실천 맥락에 따라 등록 유무가 달라질 수 있음을 보여주는 이론적 기여를 제공한다. 본 연구의 제한점 및 후속 연구를 위한 제언은 다음과 같다. 첫째, 본 연구는 자기보고와 인터뷰 자료에 기반하여 네트워크 형성 과정을 탐색하였기 때문에 수업 중 맥락에서 발생하는 교사, 학생과 생성형 AI 간의 실시간 상호작용을 직접 관찰하지 못하였다는 한계가 있다. 따라서 추후 연구에서는 교실 관찰이나 영상 녹화를 통한 후속 연구가 필요하다. 둘째, ANT의 관계 중심적 틀은 동일한 입력에도 매번 다른 산출물을 생성하는 생성형 AI의 변동성을 충분히 설명하지 못하기 때문에 생성형 AI와 같은 확률적 비인간 행위자를 설명할 수 있도록 ANT의 행위자 개념을 보완하는 이론적 시도가 요구된다. 셋째, 본 연구는 중·고등학교 교사 6명을 대상으로 한 학기 단위에서 수집된 자료에 기반하므로 결과의 전이 가능성에 한계가 있으며 교사의 역할이 장기간에 걸쳐 어떻게 변화하는지를 포착하지 못하였다. 후속 연구에서는 다양한 학교급과 교과목을 대상으로 교사와 생성형 AI의 상호작용 및 역할 변화를 종단적으로 탐색하는 연구가 필요하다.;The emergence of generative AI is bringing about pervasive change across the field of education. Generative AI contributes to reconfiguring instructors' roles and the structure of teaching and learning across various practical domains—including learning support, assessment, and instructional design—functioning as an actor that actively intervenes in educational contexts（Huang ＆ Chang, 2024）. From teachers' perspective in particular, generative AI is being used across instructional design, the development of learning materials, feedback provision, and assessment, and has been shown to bring substantive change to teachers' roles and practices（Zhai, 2025）. Amid these changes, a view of generative AI as a collaborative partner in teaching and learning is gaining ground（Cho et al., 2023; Ouyang ＆ Jiao, 2021）, raising the need to understand teacher–generative AI interaction in new ways. However, existing studies have largely treated generative AI as a tool for achieving teachers' educational goals, focusing on the methods and strategies through which teachers use it effectively （Becerra ＆ Cobos, 2025; Bonner et al., 2023）. By setting the roles of teachers and generative AI as a premise of analysis, such an approach has not sufficiently examined how roles come to be constructed in the course of interaction. As generative AI intervenes substantively in educational practice, teachers' roles may be newly constituted through interaction with generative AI rather than given in advance. A theoretical framework is therefore needed that allows roles to be examined as an outcome of analysis rather than as its premise. Accordingly, this study adopts Actor-Network Theory（ANT）, as proposed by Latour （1987/2016）, as its theoretical foundation. ANT regards both humans and non-humans as actors and understands phenomena through the process by which heterogeneous actors form networks. Within ANT, an actor is defined by whether it changes the behavior of other actors within a network. The interaction between teachers and generative AI has been shown to reconfigure teachers' actual practice（Koraishi, 2023; Jeon ＆ Lee, 2023）, indicating that generative AI, insofar as it changes teachers' behavior, satisfies the criterion for actorhood defined above and thus qualifies as a non-human actor. ANT explains the process of network formation through the concept of translation: the process through which actors negotiate one another's interests and are assigned specific positions and roles within a network. This process has been described as unfolding across four stages（Callon, 1986）. In the stage of problematization, an actor defines the problem that other actors must resolve and establishes what constitutes an indispensable point of passage for resolving it. In the stage of interessement, other actors are induced to detach from their existing relations and become interested in the newly defined problem and actor. In the stage of enrolment, actors who have become interested are assigned concrete roles and identities and thereby incorporated into the network. Finally, in the stage of mobilization, enrolled actors draw in further actors from outside the network, expanding and stabilizing it. This study adopts these four stages of translation as its analytic framework to trace how actors participate in the network and how their roles are constructed（Callon, 1986）. In addition, the interaction between teachers and generative AI unfolds organically within the temporal context of before, during, and after class. Prior research likewise indicates that interaction before class is oriented mainly toward instructional design and preparation（Dogan, 2025; Kwan et al., 2025）, interaction during class toward real-time instructional support（Kasepalu et al., 2022）, and interaction after class toward reflection and evaluation（An et al., 2024; Celik et al., 2022）. This suggests that the before/during/after distinction is not merely temporal but a contextual unit within which the relations among actors and the mode of translation differ. Accordingly, this study explores how an actor-network between teachers and generative AI is formed through their interaction in classroom contexts, and compares the commonalities and differences this network exhibits across the before-, during-, and after-class contexts. It further examines in depth how teachers' roles emerge in the course of this network formation. This study proposes an analytic perspective that views teachers' roles not as fixed but as constituted through the process of network formation, and holds theoretical significance in examining how the ANT concept of the actor can be applied to educational practice in the face of generative AI as a new actor. It is also expected to offer practical implications for teachers' roles and modes of interaction at a time when generative AI is substantively intervening in educational contexts. The research questions of this study are as follows.

1. What actors constitute the actor-network between teachers and generative AI within classroom contexts, and through what process is this network formed?

2. What characteristics does the actor-network between teachers and generative AI exhibit across the before-, during-, and after-class contexts, and what commonalities and differences appear among these contexts?

3. In the process by which the actor-network between teachers and generative AI is formed within classroom contexts, how are teachers' roles constituted and how do they change?

This study was conducted as a qualitative multiple case study to explore the actor-network and teachers' roles formed through teacher–generative AI interaction in classroom contexts. A multiple case study is a method for identifying patterns that emerge across multiple cases（Yin, 2014）. This approach was combined with ANT's analytic framework of translation to systematically analyze the process of actor-network formation, and thematic analysis was additionally applied to examine in depth teachers' roles not captured within the translation framework. Participants were six secondary school teachers in Korea with experience using generative AI in instruction-related contexts, selected through purposive sampling. Participants were selected so as to encompass diverse classroom contexts, taking into account school level, region, gender, years of experience, subject area, and degree of generative AI use. In addition, as supplementary data for analyzing the network-formation process, two students who had taken the participating teachers' classes, two colleague teachers, and two administrators were further recruited through the interviewed teachers. Data analysis proceeded in three stages corresponding to the three research questions. For Research Question 1, Callon's（1986） four stages of translation—problematization, interessement, enrolment, and mobilization—were applied as an analytic framework to describe the process of network formation for each case; in the course of analysis, patterns of success and failure were inductively identified within the interessement and enrolment stages and accordingly subdivided into sub-categories. For Research Question 2, Yin's（2021） cross-case synthesis technique was applied to comparatively analyze commonalities and differences across the before-, during-, and after-class contexts, using a comparison matrix built on four criteria: the distribution of major translation stages, the patterns of and responses to enrolment failure, the level of network stabilization, and teachers' principal patterns of action. For Research Question 3, the six-phase procedure of thematic analysis（Braun ＆ Clarke, 2006） was applied to inductively derive teachers' roles emerging in the process of network formation. Analysis of the actor-network formation process between teachers and generative AI, using Callon's（1986） four stages of translation as the analytic framework, showed that the six teachers' actor-networks were commonly composed of four categories of actors: external-condition actors, core-interaction actors, connected actors, and actors that define how the network operates. In the problematization stage, teachers recognized structural limitations in their existing instructional practice（e.g., the annual need to develop new assessment materials, difficulties in individualized instruction, and the burden of writing extensive subject-specific records） and established interaction with generative AI in classroom contexts as an obligatory passage point. In the interessement stage, a top-down flow driven by district policy and administrators' encouragement coexisted with a bottom-up flow driven by teachers' own voluntary exploration, and some teachers were identified as actors for whom interessement had failed. In the enrolment stage, generative AI was positioned within the network in diverse roles—instructional design, implementation, and the production of outputs—but enrolment repeatedly failed owing to hallucination, inadequate output quality, and similar issues. Following such failures, teachers actively reconfigured the network by refining prompts, switching to alternative actors, or directly providing relevant materials and resubmitting requests. In the mobilization stage, interaction with generative AI became consolidated as teachers' individual, recurrent practice, or spread externally through the sharing of prompts with colleague teachers and through training sessions. Comparative analysis of the actor-network across the before-, during-, and after-class contexts showed that, while enrolment appeared commonly across all three contexts, clear contextual differences emerged in the distribution of translation stages, the patterns of enrolment failure, the level of stabilization, and teachers' principal patterns of action. In the before-class context, problematization—arising from teachers' recognition of limitations in existing practice—was more salient than in other contexts, and enrolment failure occurred commonly across all teachers but translation continued through reconfiguration. In the during-class context, enrolment functioned as the central stage of translation, and teachers who had structured generative AI into the network from the design stage onward reached higher levels of stabilization; in response to enrolment failure, switching to alternative actors was particularly salient, and teachers' mediation between students and generative AI emerged as the key pattern of action. In the after-class context, mobilization was the most salient stage: as the institutional task of writing subject-specific records functioned as an obligatory passage point structuring recurrent interaction, this context showed the highest level of stabilization among the three. Teachers commonly input student materials into generative AI as source data and reviewed and adjusted the resulting output against that source data. Inductive analysis of teachers' roles in the network-formation process yielded 12 role codes, integrated into six role categories by semantic level. First, in direct interaction with generative AI, the roles of requester—who specifies and requests a desired output from the outset—and collaborator—who works with generative AI over the course of interaction to jointly shape an output—emerged. Second, in the selective acceptance of generative AI's outputs, the roles of reviewer—who reviews outputs against criteria such as curricular fit, factual accuracy, and feasibility in the field—and user—who subsequently applies all or part of an output to the classroom—emerged. Third, in determining generative AI's position within instruction, the roles of designer—who plans the overall flow of instruction and positions generative AI within it—and decision-maker—who determines whether to use generative AI in a given context—emerged. Fourth, in coordinating the interaction between students and generative AI, the roles of observer—who strategically monitors the overall situation—helper—who intervenes reactively when errors or disengagement occur—and facilitator—who intervenes proactively to enhance the quality of interaction—emerged. Fifth, in expanding the teacher's own network, the roles of explorer—who actively gathers and experimentally applies new tools and methods—and connector—who connects students or colleague teachers to generative AI—emerged. Finally, in making meaning of the experience of interacting with generative AI, the role of reflector—who independently questions and reconstructs the educational value and limitations of its use—emerged. These 12 roles are not fixed types attributed to teachers but practical patterns of action fluidly reconstituted according to the translation process and its context; teachers were found to perform multiple roles simultaneously or to repeatedly shift among roles, actively constructing their network with generative AI. This study explored the process by which an actor-network between teachers and generative AI is formed within classroom contexts, comparatively analyzed the commonalities and differences this network exhibits across the before-, during-, and after-class contexts, and examined teachers' roles emerging in this process. Enrolment failure functioned not as a disruption of translation but as an occasion for reconfiguring the network. Teachers sustained interaction through such means as refining prompts, switching to alternative actors, and directly providing materials, a finding consistent with prior research indicating that translation is a non-linear process that necessarily involves resistance and negotiation（Lee ＆ So, 2022）. Across classroom contexts, problematization and enrolment were salient before class, enrolment during class, and mobilization after class. Among the three contexts, the after-class context showed the highest level of stabilization, as the institutional task of writing subject-specific records functioned as an obligatory passage point structuring recurrent interaction. In the during-class context, a triadic structure among teacher, student, and generative AI emerged as central, and within this structure the roles of observer, helper, and facilitator were newly derived. The 12 roles and six superordinate themes derived from the role analysis showed that roles are not fixed but are continuously reconstituted through relations with other actors, including generative AI, students, and institutional conditions. On the basis of these findings, the following implications were drawn. First, because enrolment failure functions as an occasion for network reconfiguration, teachers' experiences of failure in interacting with generative AI should be understood not as an inhibiting factor but as part of a process of growth. Second, because teachers' actor-networks stabilize when generative AI can substantively address practical needs that teachers regard as meaningful, the design of generative AI implementation should take teachers' practical needs and contexts into account. Third, because roles are inductively constituted as an outcome of the network-formation process, an approach is required that examines the conditions under which particular roles emerge, rather than defining roles in advance. Fourth, because teachers' professional judgment operated as an important factor in network formation, education related to generative AI should focus on cultivating the professional judgment needed to select outputs appropriate to curricular fit and contextual relevance. Fifth, by approaching teacher–generative AI interaction from a descriptive standpoint—examining what interaction actually occurs—rather than a normative standpoint concerned with how such interaction ought to be conducted, this study offers a theoretical contribution showing that, even for the same actor, whether or not it becomes enrolled can vary across practical contexts. The limitations of this study and suggestions for future research are as follows. First, because this study explored the network-formation process on the basis of self-reports and interview data, it was unable to directly observe, in the during-class context, the real-time interaction among teachers, students, and generative AI. Future research employing classroom observation or video recording is needed to directly capture such real-time interaction. Second, because ANT's relation-centered framework does not fully account for the variability of generative AI, which can produce different outputs from the same input, theoretical work is needed to extend ANT's concept of the actor so that it can more adequately account for probabilistic non-human actors such as generative AI. Third, because this study is based on data collected over a single semester from six secondary school teachers, its findings have limited transferability, and it was unable to capture how teachers' roles change over a longer period of time. Future research is needed that longitudinally examines, across a wider range of subject areas and school levels, how teacher–generative AI interaction and teachers' roles change over time.