AI-Simulated Training App for Novice Online English Tutors

1. 학습자 프로필 및 시나리오 설정

Step 1

모국어 (First Language · L1)

숙달도 수준 (Proficiency · 2 Levels)

학습 목표 (Goal)

교정 선호도 (Correction Preference · Schulz, 2001)

언어 불안 (Anxiety · Horwitz et al., 1986)

수업 시나리오 (V1: 3 Scenarios)

SLA 시뮬레이션 규칙: 덜 두드러지는 오류에 대한 단순 재진술(Recast)은 학습자가 인지하지 못하고 넘어갈 수 있으며, 유도(Elicitation)나 메타언어적 피드백은 학습자 능력 범위 내에서 자기 수정(Self-repair)을 이끌어냅니다(Lyster & Ranta, 1997; RQ2).

Minji Kim (김민지 · Adult Learner) L1: Korean Low Intermediate Anxiety: Low

현재 발화 목표 오류 (Target Error): Past tense irregular (go → went)

시뮬레이션 내부 상태 (Noticing & Uptake): 튜터의 피드백 또는 대화 응답 대기 중

① Learner Error "Yesterday I go to library."

② Tutor Move 교정 유형 선택 대기

③ Learner Uptake Noticing 모델링 대기

④ Repair / No Repair 자기 수정 결과 대기

튜터 교수 행동 선택 (Lyster & Ranta 6가지 오류 교정 유형 클릭 또는 직접 음성/채팅 입력)

Turn 1 / 3

실시간 AI 코치 분석 모니터

SLA Rubric

Lyster & Ranta (1997) 6대 피드백 분류:

Reformulations (재구성): Recast (재진술), Explicit Correction (명시적 교정)
Prompts (유도형): Elicitation (유도), Metalinguistic Feedback (메타언어적 피드백), Clarification Request (명료화 요청), Repetition (반복)

학습자의 첫 발화에 포함된 목표 오류를 확인하고, 학습자의 교정 선호도·불안 수준에 맞춰 피드백을 시도해 보세요.

세션 종료 후 AI 코치 피드백 리포트 (Post-Session AI Coach Evaluation)

튜터가 다룬 오류, 사용한 피드백 유형, 학습자의 반응(Uptake)·자기 수정(Self-Repair), 프레임워크 기반 코칭 제안

다룬 목표 오류 (Errors Addressed)

0 / 3

세션 중 포착한 목표 오류 비율

유도형 피드백 비율 (Prompts vs. Reformulations)

Ellis (2009); Lyster & Saito (2010)

학습자 자기 수정률 (Learner Self-Repair)

Uptake → Self-Repair 전환율

학습자 프로필 부합도 (Profile Alignment)

Schulz (2001) · Horwitz et al. (1986)

턴별 오류 교정 순서(Lyster & Ranta, 1997) 및 AI 코치 루브릭 평가
Turn	학습자 목표 오류 (Learner Error)	튜터 피드백 유형 (Tutor Move)	학습자 반응·수정 (Uptake & Repair)	프레임워크 기반 AI 코치 제안 (SLA Coaching)

오류 라이브러리(Error Library · 8개 목표 구문) 및 모듈형 커리큘럼 설계

V1 오류 라이브러리: 성인 학습자 공통 오류 및 모국어별(Korean / Spanish / Japanese) 전형적 오류 (Swan & Smith, 2001; 학습자 코퍼스)
목표 구문 (Target Structure)	모국어(L1) 배경	학습자 오류 발화 예시	목표 형태 (Target Form)	피드백 유형별 예측 반응 규칙 (SLA Response Rules)

계획된 7개 훈련 모듈 (Planned Modules) 및 이론적 프레임워크
모듈 (Module)	훈련 내용 및 핵심 교수 기술	이론적 프레임워크	구현 범위

RQ2 & RQ3 전문가 타당성 평정 (Expert Rater Validation)

Phase 2: n=2–3 Raters

전문가 평정자 ID (Rater ID)

RQ2a. 시뮬레이션 학습자 오류의 실제성 (Error Authenticity, 1–5)

RQ2b. 피드백 유형별 학습자 반응(Uptake/Repair)의 실제성 (1–5)

RQ3. AI 코치의 오류 교정 분류와 전문가 코딩 일치도

전문가 검토 코멘트 (Revision Suggestions)

Cloudflare 아키텍처 및 연구 데이터 내보내기 (CSV / JSON)

Cloudflare D1 + R2 + Workers AI

모든 연습 세션은 가명처리된 연구 ID(TUT-xxx)로 Cloudflare D1 (US Region: WNAM)에 기록되며, USD 연구팀이 RQ1–RQ7 분석을 위해 언제든 CSV/JSON으로 내보낼 수 있습니다.

Cloudflare 배포 및 보안 사양 (HECVAT 4.1.6 반영):

App & Edge API: Cloudflare Pages & Workers (TLS 1.3, WAF, DDoS 보호)
Relational DB: Cloudflare D1 SQLite (Location Hint: wnam US West, AES-256 저장 암호화)
Audio/Export Storage: Cloudflare R2 Object Storage (US Region, 30일 이내 운영 사본 파기)
AI Inference: Cloudflare Workers AI / AI Gateway (USD 연구 데이터 모델 학습 미사용)

Cloudflare D1 저장 세션 및 전문가 평정 로그 (Research Data Records)
Session ID / Study ID	학습자 프로필 (L1 · 수준 · 선호 · 불안)	시나리오	다룬 오류 / 자기수정	AI 코치 루브릭	기록 시각 (UTC)