교육 분야 RAG 활용: 체계적 고찰
대규모 언어 모델(LLM)은 AI 기반 교육에 혁신을 가져왔지만, 환각 현상 및 정적인 지식 등의 문제로 교육 환경에서의 신뢰성 한계가 있습니다. 검색 증강 생성(RAG)은 외부 지식 기반에서 관련 정보를 검색하여 LLM의 생성 과정에 통합함으로써 이러한 문제를 해결합니다. 이는 사실 정확도를 높이고 동적인 지식 업데이트를 가능하게 하여 LLM을 교육 애플리케이션에 더욱 적합하게 만듭니다. 본 연구는 교육 시나리오에 RAG를 통합한 기존 연구들을 종합적으로 검토합니다. 먼저 RAG의 정의와 워크플로우를 명확히 하고, RAG의 색인 메커니즘에 따라 다양한 유형의 검색기(retriever)와 생성 최적화 방법을 소개합니다. 주요 초점으로서, 본 연구는 교육 분야에서 RAG의 실제 적용 사례를 탐구합니다. 여기에는 대화형 학습 시스템, 교육 콘텐츠 생성 및 평가, 그리고 교육 생태계 내에서의 대규모 배포가 포함됩니다. 이러한 포괄적인 검토를 바탕으로, 기존의 도전 과제와 미래 방향을 논의합니다. 미래 연구 방향으로는 환각 현상 완화, 검색된 지식의 완전성 및 적시성 보장, 계산 비용 절감, 그리고 RAG 기반 교육 애플리케이션을 위한 멀티모달 지원 강화 등이 제시됩니다. 이 연구는 교육 분야에서 RAG의 잠재력을 이해하고 활용하는 데 중요한 통찰을 제공합니다.