예비교사의 창의적 문제해결 지원을 위한 단계별 적응형 창의적 메타인지 스캐폴딩 에이전트 개발 연구

Abstract

오늘날 사회는 급속한 기술 발전과 예측 불가능한 변화 속에서 복잡하고 불확실한 문제 상황에 대응할 수 있는 역량을 요구하고 있다. 이에 따라 인간에게 요구되는 역량은 단순한 지식 습득을 넘어 문제를 새롭게 해석하고 적절한 해결안을 구성하는 고차적 사고 능력으로 확장되고 있으며（Thornhill-Miller et al., 2023）, 창의성은 변화하는 사회에서 새로운 문제를 해결하고 가치를 창출하기 위한 핵심 자질로 강조되고 있다（OECD, 2019; Oppert et al., 2023）. 창의적 문제해결은 이러한 창의성이 실제 문제 상황에서 발현되는 과정으로, 학습자가 문제를 이해하고 다양한 아이디어를 탐색하며 독창적이고 효과적인 해결안을 구성하는 사고 과정으로 볼 수 있다（Newell et al., 1962; Noller, 1977; Treffinger ＆ Isaksen, 2005）. 창의적 문제해결은 단순히 많은 아이디어를 산출하는 과정이 아니라, 발산적 사고를 통해 여러 가능성을 확장하고 수렴적 사고를 통해 아이디어의 적절성과 실행 가능성을 검토하는 과정이다（Barbot et al., 2011; Cropley, 2006; Dygert ＆ Jarosz, 2020）. 특히 창의적 문제해결은 문제의 구조가 명확하지 않고 해결 경로가 다양하기 때문에（Mumford et al., 2020; Romero et al., 2022）, 학습자는 자신의 문제 이해, 아이디어 탐색, 해결안의 독창성과 적절성을 지속적으로 점검하고 조절할 필요가 있다. 이러한 점에서 창의적 메타인지는 창의적 문제해결을 이해하고 지원하기 위한 핵심 개념으로 주목된다（Kaufman ＆ Beghetto, 2013; Lebuda ＆ Benedek, 2023）. 이러한 창의적 문제해결의 특성은 학교 현장에서 교사가 마주하는 문제 상황을 이해하는 데에도 유용한 관점을 제공한다. 학교 현장의 문제는 학생, 교사, 교육과정, 물리적 환경, 관계 등이 복합적으로 얽혀 있어 단일한 정답이나 고정된 해결 절차를 적용하기 어려운 비구조화된 문제의 성격을 지닌다（Choi ＆ Lee, 2009）. 따라서 교사는 상황을 해석하고 문제를 재구성하며, 여러 대안 중 교육적으로 적절하고 실행 가능한 해결안을 판단해야 한다. 그러나 실제 교직 경험이 충분하지 않은 예비교사는 새로운 해결안을 생성하거나, 여러 대안 중 무엇이 적절하고 실행 가능한지 판단하고 정교화하는 데 어려움을 경험할 수 있다（강정찬, 2018; 김국현 외, 2020）. 이에 예비교사 교육에서는 실제적이고 복합적인 교육 문제를 다루는 창의적 문제해결 경험을 제공하고, 이 과정에서 자신의 사고를 점검하고 조절할 수 있도록 지원할 필요가 있다. 한편, 최근 대규모 언어모델（Large Language Model, LLM）을 활용한 AI 에이전트는 학습자와의 자연어 상호작용을 통해 개인화된 학습 지원과 대화형 스캐폴딩을 제공할 수 있다는 점에서 주목받고 있다（Exintaris et al., 2023; Zheng et al., 2025）. 특히, LLM 기반 에이전트는 학습자의 반응과 문제해결 단계에 따라 질문의 초점과 수준을 조정할 수 있어 메타인지적 스캐폴딩을 제공하는 데 활용될 가능성이 있다（Fan et al., 2025）. 그러나 기존 생성형 AI 활용 창의성 연구는 주로 아이디어 생성, 정보 탐색, 산출물 개선 등 창의적 산출 지원에 초점을 두어 왔으며（Bouschery et al., 2024; Guzik et al., 2023; Haase ＆ Hanel, 2023）, 창의적 문제해결 과정에서 학습자의 사고 점검과 조절을 어떻게 지원할 것인지에 대한 논의는 상대적으로 제한적이다. 이에 본 연구는 예비교사의 창의적 문제해결 과정에서 창의적 메타인지를 촉진하기 위한 LLM 기반 대화형 AI 에이전트를 설계·개발하고, 그 효과와 상호작용 과정을 분석하고자 하였다. 본 연구의 에이전트는 창의적 문제해결 단계를 문제 이해, 아이디어 생성, 실행 준비로 구분하고, 각 단계에서 학습자의 상태와 어려움을 파악하여 창의적 메타인지의 구성요소인 지식, 점검, 조절을 촉진하는 질문 중심 스캐폴딩을 제공하도록 설계되었다. 또한, 에이전트와의 상호작용 과정에서 나타난 예비교사의 발화를 분석함으로써 창의적 문제해결 과정에서 창의적 메타인지 활동이 어떠한 양상으로 나타나는지를 탐색하고자 하였다. 이를 통해 예비교사가 창의적 문제해결 과정에서 자신의 사고를 점검하고 조절하도록 지원하는 과정 중심 AI 에이전트 설계의 가능성과 교육적 효과를 제시하고자 하였다. 이를 위해 설정한 구체적인 연구 문제는 다음과 같다. 연구문제 1. 예비교사의 창의적 문제해결 과정에서 단계별 적응형 메타인지 스캐폴딩을 제공하는 AI 에이전트의 설계 원리와 작동 구조는 어떠한가? 연구문제 2. AI 에이전트 활용은 예비교사의 창의적 메타인지와 창의적 문제해결 수행에 어떠한 효과를 보이는가? 연구문제 3. AI 에이전트와의 상호작용 과정에서 예비교사의 창의적 메타인지 활동과 사고 변화는 어떠한 양상으로 나타나는가? 3-1. 창의적 메타인지 활동은 창의적 문제해결 단계에 따라 어떠한 빈도, 분포, 전이 양상을 보이는가? 3-2. 예비교사가 경험한 어려움 유형에 따라 창의적 메타인지 활동, 사고 전환, 사고 정체는 어떠한 양상으로 나타나는가? 이를 위해 본 연구는 Richey와 Klein（2013）의 설계·개발 연구（Type 1）에 따라 분석, 설계, 개발, 평가의 절차로 수행되었다. 먼저 선행문헌 분석과 현직 교사의 창의적 문제해결 어려움 및 메타인지 지원 요구를 바탕으로 에이전트 설계 방향을 도출하였다. 이후 창의적 문제해결 단계, 학습자의 어려움 유형, 창의적 메타인지 구성요소를 연결하여 질문 중심의 메타인지적 스캐폴딩을 설계하였다. 개발된 에이전트는 학습자의 현재 문제해결 단계와 응답 상태를 바탕으로 사고를 진단하고, 이에 적합한 질문을 제공하도록 구성하였다. AI 에이전트의 효과를 검증하기 위해 전국 4년제 사범대학 및 교육대학원에 재학 중인 예비교사 40명을 대상으로 실험을 실시하였다. 참여자는 실험집단과 통제집단에 20명씩 배정되었으며, 실험집단은 창의적 문제해결 과제를 수행하는 과정에서 AI 에이전트와 상호작용하였고, 통제집단은 동일한 과제를 에이전트 없이 수행하였다. 이후 창의적 메타인지 사전·사후 검사와 창의적 문제해결 수행 평가를 실시하였다. 또한 AI 에이전트와의 상호작용 과정에서 나타난 창의적 메타인지 활동을 탐색하기 위해 대화 기록과 사후 성찰일지를 분석하였다. 연구 결과, AI 에이전트와 상호작용한 실험집단은 통제집단에 비해 사후 창의적 메타인지 점수가 유의하게 높게 나타났다（F（1, 37） = 37.45, p 〈 .001）. 창의적 문제해결 수행에서도 실험집단이 통제집단보다 유의하게 높은 점수를 보였으며（p 〈 .05）, 하위 요소 중 독창성과 유용성에서 유의한 차이가 나타났다. 반면 생산성과 유연성에서는 유의한 차이가 나타나지 않았다. 이는 AI 에이전트 활용이 예비교사의 창의적 메타인지와 창의적 문제해결 수행, 특히 해결안의 독창성과 유용성 측면과 관련될 가능성을 보여준다. AI 에이전트와의 상호작용 기록을 분석한 결과, 예비교사의 창의적 메타인지 활동은 창의적 문제해결 단계와 어려움 유형에 따라 다르게 나타났다. 전체적으로는 점검 활동이 가장 높은 빈도를 보였으며, 문제 이해 단계에서는 메타인지 지식, 아이디어 생성 단계와 실행 준비 단계에서는 점검 활동이 상대적으로 두드러졌다. 또한 지식, 점검, 조절 활동은 분절적으로 나타나기보다 창의적 문제해결 과정 안에서 순환적으로 연결되는 양상을 보였다. 어려움 유형별로는 과제 목표의 불명확성이나 정보 부족 상황에서는 지식 활동이, 아이디어 생성의 어려움이나 윤리적·실천적 적절성 판단의 어려움에서는 점검 활동이, 심층적 사고 부족과 평가 및 의사결정의 어려움에서는 점검 및 조절 활동이 상대적으로 많이 나타났다. 어려움 이후의 사고 변화 분석에서는 다수의 사례에서 문제 이해, 아이디어 생성, 판단 기준, 실행 방향을 조정하거나 구체화하는 양상이 확인되었으나, 일부 사례에서는 사고 정체 양상도 나타났다. 성찰일지 분석에서도 일부 학습자는 AI 에이전트와의 상호작용을 통해 자신의 사고를 점검하고 아이디어를 정리·확장하는 경험을 한 것으로 보고하였다. 본 연구는 다음과 같은 시사점을 갖는다. 첫째, 예비교사의 창의적 문제해결 과정에서 창의적 메타인지를 촉진하기 위한 LLM 기반 대화형 AI 에이전트를 개발하고, 그 효과를 실증적으로 검토하였다는 점에서 의의가 있다. 둘째, 창의적 문제해결 단계와 학습자의 어려움 유형을 고려한 적응적 메타인지 스캐폴딩의 중요성을 확인하였다. 셋째, 예비교사가 실제 교육 현장에서 요구되는 문제 재정의, 아이디어 평가, 실행 가능성 판단, 윤리적 고려 등을 연습하고 성찰할 수 있는 AI 기반 창의적 문제해결 훈련의 가능성을 제시하였다. 본 연구의 제한점과 후속 연구를 위한 제언은 다음과 같다. 첫째, 본 연구는 여성과 중등 예비교사의 비율이 높은 표본을 대상으로 하였으므로, 후속 연구에서는 성별, 전공, 학교급 등을 보다 균형 있게 고려한 표본을 구성할 필요가 있다. 둘째, 실험집단과 통제집단이 각각 20명으로 표본 수가 제한적이므로, 보다 큰 규모의 표본을 대상으로 반복 검증할 필요가 있다. 셋째, 본 연구에서 개발한 AI 에이전트는 초기 형태의 시스템으로, 후속 연구에서는 서버 안정성, 응답 속도, 로그 저장 체계 등을 개선할 필요가 있다. 넷째, 본 연구는 제한된 시간 안에서 단일한 창의적 문제해결 과제를 중심으로 효과를 검증하였으므로, 장기간에 걸쳐 다양한 과제를 활용한 검증이 요구된다. 다섯째, 본 연구는 대화 로그에 나타난 발화를 중심으로 창의적 메타인지 활동을 분석하였기 때문에 학습자의 내적 사고 과정을 모두 포착하는 데에는 한계가 있다. 따라서, 후속 연구에서는 성찰일지 뿐만 아니라 면담 등 다양한 자료를 함께 수집하여 창의적 메타인지 과정을 보다 심층적으로 분석할 필요가 있다. 이러한 제한점에도 불구하고 본 연구는 예비교사의 창의적 문제해결 과정에서 창의적 메타인지를 촉진하기 위한 LLM 기반 대화형 AI 에이전트를 설계·개발하고, 그 효과와 상호작용 과정을 실증적으로 분석하였다는 점에서 의의가 있다. 본 연구는 AI 에이전트를 예비교사의 창의적 문제해결에서 자신의 사고를 점검하고 조절하도록 돕는 과정 중심의 학습지원 도구로 활용할 수 있는 가능성을 제시하였다. 나아가 창의적 문제해결 단계와 예비교사의 어려움을 고려한 적응적 스캐폴딩의 필요성을 확인함으로써, AI 기반 교사교육 프로그램 설계에 대한 기초 자료를 제공하였다. 이를 바탕으로 향후 예비교사의 창의적 문제해결 역량과 창의적 메타인지를 체계적으로 지원하는 AI 활용 교육 설계가 확장되기를 기대한다.;Rapid technological advancement and unpredictable social change have increased the need for competencies that enable individuals to respond to complex and uncertain problems. Accordingly, the competencies required of individuals have expanded beyond the acquisition of knowledge to include higher-order thinking abilities, such as reinterpreting problems and constructing appropriate solutions （Thornhill-Miller et al., 2023）. In this context, creativity has been emphasized as a key competence for solving new problems and creating value in a changing society （OECD, 2019; Oppert et al., 2023）. Creative problem solving can be understood as a process through which creativity is enacted in real-world problem situations, as learners understand a problem, explore diverse ideas, and construct original and effective solutions （Newell et al., 1962; Noller, 1977; Treffinger ＆ Isaksen, 2005）. These characteristics of creative problem solving also provide a useful perspective for understanding the problem situations teachers encounter in schools. Problems in school settings often involve complex interactions among students, teachers, curricula, physical environments, and relationships, making it difficult to apply a single correct answer or a fixed solution procedure. Such problems have the characteristics of ill-structured problems （Choi ＆ Lee, 2009; Jonassen, 2011）. Therefore, teachers need to interpret situations, reframe problems, and judge which among several possible alternatives may be educationally appropriate and practically feasible. However, preservice teachers, who have not yet accumulated sufficient teaching experience, may experience difficulties in generating new solutions, judging which alternatives are appropriate and feasible, and elaborating their ideas （Kang, 2018; Kim et al., 2020）. Accordingly, teacher education needs to provide opportunities for preservice teachers to engage with authentic and complex educational problems and to support them in monitoring and regulating their own thinking throughout this process. Recently, AI agents based on large language models （LLMs） have received increasing attention for their potential to provide personalized learning support and conversational scaffolding through natural language interaction （Exintaris et al., 2023; Zheng et al., 2025）. In particular, LLM-based agents may be used to provide metacognitive scaffolding because they can adjust the focus and level of questions according to learners’ responses and problem-solving stages （Fan et al., 2025）. However, previous studies on the use of generative AI for creativity have mainly focused on support for creative outputs, such as idea generation, information search, and product improvement （Bouschery et al., 2024; Guzik et al., 2023; Haase ＆ Hanel, 2023）. Relatively limited attention has been paid to how learners can be supported in monitoring and regulating their thinking during the creative problem-solving process. Therefore, this study aimed to design and develop an LLM-based conversational AI agent to foster creative metacognition in preservice teachers’ creative problem-solving processes and to analyze its effects and interaction processes. The AI agent developed in this study divided the creative problem-solving process into three stages: understanding problem, idea generation, and preparing for action. At each stage, the agent was designed to identify the learner’s state and difficulties and to provide question-based scaffolding that promotes the three components of creative metacognition: knowledge, monitoring, and control. In addition, by analyzing preservice teachers’ utterances during their interactions with the agent, this study explored how creative metacognitive activities appeared in the creative problem-solving process. Through this, the study sought to present the possibility and educational effects of a process-oriented AI agent design that supports preservice teachers in monitoring and regulating their own thinking during creative problem solving. The specific research questions were as follows. Research Question 1. What are the design principles and operational structure of an AI agent that provides stage-adaptive metacognitive scaffolding in preservice teachers’ creative problem-solving processes? Research Question 2. What effects does the use of the AI agent have on preservice teachers’ creative metacognition and creative problem-solving performance? Research Question 3. What patterns of creative metacognitive activities and changes in thinking emerge during preservice teachers’ interactions with the AI agent? 3-1. What frequencies, distributions, and transition patterns do creative metacognitive activities show according to the stages of creative problem solving? 3-2. What patterns of creative metacognitive activities, shifts in thinking, and stagnation in thinking appear according to the types of difficulties experienced by preservice teachers? This study followed the procedures of Type 1 design and development research proposed by Richey and Klein （2013）, including analysis, design, development, and evaluation. In the analysis phase, design directions were derived from a review of prior literature and an analysis of in-service teachers’ difficulties in creative problem solving and their needs for metacognitive support. In the design and development phases, question-based metacognitive scaffolding was developed by mapping creative problem-solving stages, learner difficulty types, and the components of creative metacognition. The developed agent was structured to diagnose learners’ thinking based on their current problem-solving stage and responses and to provide scaffolding questions suited to their needs. To examine the effects of the AI agent, an experiment was conducted with 40 preservice teachers enrolled in four-year colleges of education and graduate schools of education in Korea. Participants were assigned to an experimental group and a control group, with 20 participants in each group. The experimental group interacted with the AI agent while performing a creative problem-solving task, whereas the control group performed the same task without the agent. Pre- and post-tests of creative metacognition and an assessment of creative problem-solving performance were then conducted. In addition, conversation logs and post-activity reflection journals were analyzed to explore the creative metacognitive activities that appeared during interactions with the AI agent. The results showed that the experimental group that interacted with the AI agent had significantly higher post-test scores for creative metacognition than the control group （F（1, 37） = 37.45, p 〈 .001）. In creative problem-solving performance, the experimental group also scored significantly higher than the control group （p 〈 .05）. Among the subcomponents, significant differences were found in originality and usefulness, whereas no significant differences were found in productivity and flexibility. These results suggest that the use of the AI agent may be related to preservice teachers’ creative metacognition and creative problem-solving performance, particularly in terms of the originality and usefulness of their solutions. The analysis of interaction records with the AI agent indicated that preservice teachers’ creative metacognitive activities differed depending on the stages of creative problem solving and the types of difficulties they experienced. Overall, monitoring activities appeared with the highest frequency. Metacognitive knowledge was relatively prominent in the problem understanding stage, whereas monitoring activities were relatively prominent in the idea generation and implementation preparation stages. In addition, knowledge, monitoring, and regulation did not appear as fragmented activities but were connected cyclically within the creative problem-solving process. By difficulty type, knowledge activities appeared relatively frequently in situations involving unclear task goals or insufficient information. Monitoring activities appeared relatively frequently in situations involving difficulties in idea generation or in judging ethical and practical appropriateness. Monitoring and regulation activities were relatively frequent in situations involving a lack of in-depth thinking and difficulties in evaluation and decision-making. The analysis of changes after difficulties showed that, in many cases, learners adjusted or specified their problem understanding, idea generation, judgment criteria, or implementation direction, although some cases also showed stagnation in thinking. The analysis of reflection journals also showed that some learners reported experiences of monitoring their thinking and organizing or expanding their ideas through interaction with the AI agent. This study has several implications. First, it contributes to research on AI-supported creativity education by developing an LLM-based conversational AI agent designed to support creative metacognition in preservice teachers’ creative problem-solving processes and by empirically examining its effects. Second, the study confirmed the importance of adaptive metacognitive scaffolding that considers both the stages of creative problem solving and the types of difficulties learners experience. Third, the study suggests the potential of AI-supported creative problem-solving training in teacher education, particularly as a way for preservice teachers to practice and reflect on problem reframing, idea evaluation, feasibility judgment, and ethical considerations in educational contexts. This study also has several limitations. First, the sample included a relatively high proportion of female and secondary-level preservice teachers; therefore, future research should include more balanced samples in terms of gender, subject area, and school level. Second, the sample size was limited, with 20 participants in each group, so larger-scale studies are needed to examine the robustness and generalizability of the findings. Third, the AI agent developed in this study was an initial system, and future research should improve its server stability, response speed, and log storage functions. Fourth, because this study examined the effects of the agent using a single creative problem-solving task within a limited time frame, future research should examine its long-term effects and transferability across diverse tasks. Fifth, because creative metacognitive activities were analyzed mainly based on conversation logs, learners’ internal thinking processes may not have been fully captured. Future studies should therefore incorporate additional data sources, such as interviews as well as reflection journals, to analyze creative metacognitive processes in greater depth. Despite these limitations, this study is meaningful in that it designed and developed an LLM-based conversational AI agent to foster creative metacognition in preservice teachers’ creative problem-solving processes and empirically analyzed its effects and interaction processes. The study suggests the possibility of using AI agents as process-oriented learning support tools that help preservice teachers monitor and regulate their own thinking during creative problem solving. Furthermore, by confirming the need for adaptive scaffolding that considers the stages of creative problem solving and preservice teachers’ difficulties, this study provides foundational insights for the design of AI-based teacher education programs. Based on these findings, future AI-supported educational designs are expected to further support preservice teachers’ creative problem-solving competence and creative metacognition in a systematic way.