Source-linked AI summary
Reading.help: Supporting EFL Readers with Proactive and On-Demand Explanation of English Grammar and Semantics
Sunghyo Chung, Hyeon Jeon, Sungbok Shin, Md Naimul Hoque
TL;DR
EFL 독자는 복잡한 영어 텍스트를 이해하는 데 필요한 저렴한 온디맨드 지원을 받기 어렵다. Reading.help는 해석 가능한 탐지와 온디맨드 및 선제적 설명을 결합하며, 평가에서 차원별로 세 가지 요소를 추천했을 때 평균 recall 87%를 기록했다.
문제
EFL 독자는 영어 텍스트의 어려운 부분을 식별하고 이해하는 데 필요한 저렴한 온디맨드 및 상황 맞춤형 지원을 받기 어렵다.
방법
Reading.help는 어려운 단어와 문장을 탐지하는 해석 가능한 모델을 어휘, 문법, 맥락 및 문단 요약에 관한 설명과 결합한다.
결과
차원별로 세 가지 요소를 추천했을 때 평균 recall 87%를 달성했으며, 평가에는 EFL 독자 5명과 영어교육 전문가 2명이 참여했다.
시사점 및 한계
Reading.help는 외부 지원을 이용할 수 없을 때 EFL 독자의 독립적인 영어 학습을 잠재적으로 지원할 수 있다.
시사점 및 한계
이 도구는 전체 문서가 아니라 사용자가 선택한 텍스트에 대해서만 이해를 지원했으며, 사용자가 도움이 필요한 위치를 식별할 수 있다고 가정했다.
Abstract
from arXiv · showhide
A large portion of texts is written in English, but readers who see English as a Foreign Language (EFL) often struggle to read texts accurately and swiftly. EFL readers seek help from professional teachers and mentors, which is limited and costly. In this paper, we explore how an intelligent reading tool can assist EFL readers. We conducted a case study with EFL readers in South Korea. We at first developed an LLM-based reading tool based on prior literature. We then revised the tool based on the feedback from a study with 15 South Korean EFL readers. The final tool, named Reading.help, helps EFL readers comprehend complex sentences and paragraphs with on-demand and proactive explanations. We finally evaluated the tool with 5 EFL readers and 2 EFL education professionals. Our findings suggest Reading.help could potentially help EFL readers self-learn English when they do not have access to external support.
1 서론
Reading.help는 EFL 독자가 텍스트를 독립적으로 해석할 수 있도록 필요할 때 상황에 맞는 지원을 제공하여 정확하고 효율적인 영어 읽기의 필요에 대응한다. 이 도구는 해석 가능한 탐지 모델과 LLM이 생성한 설명을 결합하며, 한국에서 수행한 연구를 통해 개선되고 평가되었다.
- 동기와 문제: 영어 읽기는 영어가 전 세계 학술적·전문적·사회적 텍스트의 소통과 생산을 지배하기 때문에 여전히 중요하다.
- 동기와 문제: 온라인 강좌, 전자사전, 번역기는 EFL 독자가 글을 읽는 동안 필요로 하는 즉각적이고 상황에 맞는 지원을 충분히 제공하지 못한다.
- 도구의 기여: Reading.help는 이해하기 어려운 단어와 문장을 탐지하고 설명과 문단 요약을 제공하여 EFL 독자의 독립적인 읽기를 지원한다.사용자는 설명을 요청하기 위해 텍스트를 직접 강조 표시할 수도 있으며, 보조 LLM이 정보를 평가하고 개선한다.
- 도구의 기여: 이 도구는 영어 텍스트를 독립적으로 해석하려는 대학 교육을 받은 EFL 독자를 대상으로 하며 자연어 처리 기법을 사용한다.
- 평가 맥락: 한국에서 연구진은 15명의 EFL 독자를 대상으로 Reading.help를 시범 적용하고 이들의 피드백을 반영해 수정했으며, 5명의 독자와 2명의 영어교육 전문가를 대상으로 평가했다.
2 배경 및 관련 연구
EFL 읽기의 어려움은 어휘, 문법, 텍스트 복잡성, 읽기 전략, 유창성, 영역 지식에서 비롯되지만, 기존 지능형 읽기 도구는 언어 학습보다 읽기 속도를 대체로 우선시한다. Reading.help는 NLP 휴리스틱과 LLM을 활용해 어휘, 문법, 이해를 위한 proactive 및 on-demand 지원을 통합함으로써 이러한 공백을 해소한다.
- EFL 독자의 어려움: EFL 읽기는 유창성, 어휘 폭, 영역 지식의 영향을 받으며, 텍스트 복잡성과 읽기 전략은 오해나 느린 읽기를 초래할 수 있다.텍스트 복잡성에는 어려운 어휘, 복잡한 문법, 긴 문장 구조가 포함되며, 읽기 전략에는 맥락, 주제, 핵심 내용 추론이 포함된다.
- 학술 읽기를 지원하는 컴퓨테이셔널 접근법: Reading.help는 잠재적 문제를 proactive하게 추천하고 EFL 독자가 문제에 직면했을 때 on-demand 도움을 제공함으로써 어휘, 문법, 이해 지원을 통합한다.이 설계는 즉각적인 읽기 지원뿐 아니라 self-learning도 목표로 한다.
- 학술 읽기를 지원하는 컴퓨테이셔널 접근법: 기존 지능형 읽기 도구는 읽기 경험을 향상시키지만, 일반적으로 EFL 독자가 syntax와 semantics를 학습해야 한다는 요구를 다루지 않아 읽기 지원과 언어 학습 사이에 공백이 남는다.기존 연구에는 AI 생성 질문, 비판적 사고 프롬프트, 하이라이팅, 시각화 기반 지원, 혼란이나 mind wandering을 분석하는 안구 움직임 분석이 포함된다.
- 학술 읽기를 지원하는 컴퓨테이셔널 접근법: 기존 영어 학습 도구는 숙련도에 맞춘 이해 질문, 실시간 어휘 통합, 또는 비판적 읽기를 다루며, Reading.help는 proactive explanations를 통해 이를 확장한다 [71].인용된 도구에는 ChatPRCS [71], VocabEncounter, CriTrainer 가 포함된다.
- 쓰기를 증강하는 연구: 읽기와 쓰기는 서로 관련되어 있으므로 지능형 쓰기 도구는 이 연구에 동기를 부여하지만, NLP와 LLM이 EFL 독자를 어떻게 지원할 수 있는지는 여전히 largely unknown이다.이 연구는 신중하게 설계된 NLP 휴리스틱을 LLM과 결합하면 광범위한 독자 문제를 포착하고 proactive 및 on-demand 설명을 제공할 수 있다고 주장한다.
3 설계 요구사항
저자들은 선행 문헌에 근거한 예비 설계 요구사항에서 출발해 Reading.help를 반복적으로 개발했다. 이러한 요구사항은 EFL 독자를 위해 사전적·요청 기반 안내, 설명, 계층적 세부 정보, 적응형 지원, 시각적 강조를 규정한다.
- DR1 사전적·요청 기반 안내: 도구는 잠재적으로 어려운 텍스트를 사전에 식별하는 동시에 요청에 따라 안내를 제공하여, 독자가 복잡한 내용을 놓치거나 잘못 해석하는 일을 방지해야 한다.
- DR2 어휘, 문법, 의미 설명: 이해를 향상하기 위해 도구는 낯선 어휘, 복잡한 문법, 핵심 주제, 주요 요점을 설명해야 한다.
- DR3 세부 내용으로 단계적 탐색: 피드백은 계층적으로 제공되어야 하며, 처음에는 상위 수준의 요약을 제시한 뒤 사용자가 세부 내용으로 단계적으로 들어갈 수 있어야 한다 [62] [63].
- DR4 사용자 중심의 적응형 지원: 지원은 독자마다 다른 영어 숙련도, 정규 교육 수준, 영어에 대한 사회적 노출 정도에 맞게 조정되어야 한다.
- DR5 시각적 강조: 단어 하이라이트와 같은 시각적 강조는 중요한 텍스트로 주의를 유도하고 특정 키워드를 찾는 데 필요한 시간을 줄여야 한다 [29].
4 Reading.help-lite
Reading.help-Lite는 사용자가 선택한 텍스트에서 어휘, 문법, 이해의 어려움을 분석하는 초기 LLM 기반 프로토타입이다. 최종 도구의 설계를 위해 사전 예방적 추천과 상호작용형 설명, 숙련도 민감형 지원을 결합한다.
- 구현 근거: 프로토타입은 예비 사용자 연구를 지원하고 최종 도구의 개발을 이끌기 위해 LLM 분석 파이프라인을 사용한다.저자들은 접근성과 분석 역량을 고려해 LLM을 선택했다.
- 상호작용형 인터페이스: 사용자는 추천 도움을 요청하거나 도구를 수동으로 실행한 뒤, 어휘·이해·문법에 대한 상세한 설명을 확인할 수 있다.기능에는 한국어 번역이 포함된 맥락 관련 정의, 핵심 내용과 바꿔 쓴 예시, 구문 기반 문법 분석, 분야별 키워드 툴팁이 포함된다.
- 핵심 분석: Reading.help-Lite는 업로드된 텍스트의 어휘, 문법, 이해를 분석해 잠재적인 어려움의 원인을 식별하고 제안한다.어휘 분석은 익숙하지 않은 키워드나 구를 대상으로 하며, 이해 분석은 더 넓은 지문 맥락 속에 텍스트를 배치하고, 문법 분석은 문법적 문제를 다룬다.
- 프롬프트 설계와 개인화: 시스템은 사용자 숙련도와 정확한 응답 형식을 반영한 역할 기반의 구조화된 프롬프트를 통해 OpenAI’s GPT-4o로 설명을 제공한다.프롬프트 설계는 설명 및 추천 템플릿을 지원하면서 예측 불가능한 응답, 환각, 장황함을 다룬다.
5 파일럿 연구
파일럿 연구에서는 한국인 EFL 독자 15명을 대상으로 Reading.help-Lite를 평가하여 효과와 한계를 파악했다. 전반적으로 피드백은 긍정적이었으며, 사용 패턴, 모듈 선호도, 신뢰와 이해의 격차를 바탕으로 도구를 수정했다.
- 참여자: 이 연구는 영어 읽기에 어려움을 겪는다고 보고한 학사 학위 소지 한국인 성인 15명을 모집하여 안내 과제와 사후 인터뷰를 진행했다.세션은 약 60분간 진행되었고, 참여자에게 약 KRW 15,000의 보상을 지급했다.
- 결과: 참여자들은 전반적으로 긍정적인 피드백을 제공했으며, Reading.help-Lite가 개인의 성장과 향상에 가치 있다고 보았다.파일럿 연구에서는 도구의 효과를 평가하고 개선을 위한 한계를 파악하기 위한 probe로 Reading.help-Lite를 사용했다.
- 사용 패턴: 참여자들은 어휘에 가장 자주 도움을 요청했으며, 지문당 설명을 평균 4.2회 사용했다. 그다음은 이해 2.1회, 문법 0.9회였다.참여자들은 문제를 파악하기 위해 선택한 텍스트마다 일반 도움말 버튼을 1.6회 사용했다.
- 연구 후 인터뷰: 모든 참여자는 가끔 오류가 발생할 것으로 예상했음에도 LLM 추천이 유익하다고 평가했다. 선호된 모듈은 이해와 어휘였으며, 각각 9/15명과 8/15명이 선택했다.이해 모듈은 참여자들이 길고 복잡한 문장을 해석하는 데 도움을 주었다.
- 한계: 참여자들은 LLM 응답이 통찰력 있다고 보았지만 신뢰하기는 어렵다고 평가했으며, 도구는 선택한 텍스트를 넘어선 이해 지원이 충분하지 않았다.이러한 문제는 § 6에서 설명하는 수정 도구에 반영되었다.
6 Reading.help: 업데이트 버전 · 6.1 해석 가능한 CEFR 예측 모델
Reading.help는 어려운 단어와 문장을 위한 해석 가능한 CEFR 기반 예측기를 도입해 투명성과 난이도 보정 문제를 해결하도록 개정되었다. 이 특화 모델들은 두 분류 과제 모두에서 GPT-4o를 능가하면서 인스턴스별 설명을 제공하고 추론도 훨씬 빠르다.
- 6 Reading.help: 업데이트 버전: Reading.help는 어려운 단어와 문장의 표준으로 CEFR 를 채택해 불투명한 추천과 추천 난이도 판단의 어려움에 관한 파일럿 연구의 우려를 해결한다.개정된 시스템은 Reading.help-Lite에서 확인된 문제를 해결하기 위해 개발되었다.
- 6.1.1 Lexical Complexity Estimator: Lexical Complexity Estimator는 빈도, 문자 길이, 의미 수, Qwen3-0.6B [72] 임베딩을 사용해 단어를 분류하며, 전용 expert network, dynamic gating, feature fusion, classifier가 CEFR 수준을 산출한다.언어적으로 의미 있는 네 가지 feature는 선행 연구 [17]에서 영감을 얻었다.
- 6.1.2 Sentence Readability Estimator: Sentence Readability Estimator는 문장 길이, 단어당 평균 음절 수, Qwen3 기반 문장 임베딩에 동일한 expert network, alpha prediction, fusion, classification 설계를 적용한다.세 feature는 선행 연구 [4] [53]에서 영감을 얻었다.
- 6.1.3 해석 가능성: Dynamic alpha weights는 각 개별 CEFR 예측에 어떤 언어적으로 의미 있는 feature가 기여했는지를 보여 줌으로써 두 예측기를 해석 가능하게 만든다.gating이 데이터에 의존하므로 feature 수준과 인스턴스별 설명을 모두 제공한다.
- 6.1.6 모델 평가: 65.2% vs. 51.8% 평균 F1과 64.8% vs. 52.9% 전체 정확도는 단어 수준 CEFR 예측에서 Lexical Complexity Estimator가 GPT-4o를 능가함을 보여 준다.그룹화 정확도도 71.1% vs. 62.3%로 더 높았다.
- 6.1.6 모델 평가: 75.0% vs. 59.6% 평균 F1과 87.4% vs. 64.0% 전체 정확도는 문장 수준 CEFR 예측에서 Sentence Readability Estimator가 GPT-4o를 능가함을 보여 준다.이 estimator는 6개 CEFR 수준 중 5개에서 더 높은 F1을 달성했으며, GPT-4o가 우세한 수준은 C2뿐이었다. 그룹화 정확도는 89.7% vs. 69.9%였다.
- 6.1.7 추론 효율: 단어에서는 0.05 s vs. 0.611 s, 문장에서는 0.052 s vs. 0.592 s로, 제안 모델은 GPT-4o보다 약 12× 및 11× 빠르다.측정은 단일 NVIDIA A100 GPU에서 batch size 1로 수행했으며, GPT-4o latency는 end-to-end API roundtrip time으로 측정했다.
6.2 자동 요약
업데이트된 시스템은 문서 업로드 시 문단에 맞춰 정렬된 짧은 요약을 자동으로 생성해 텍스트 이해를 돕는다. 이 요약은 주제문과 핵심 주장을 강조하면서도 원문 문단에 연결되어 있어 일관된 훑어읽기와 검토를 지원한다.
- 6.2 자동 요약: Reading.help는 문서가 업로드되는 즉시 문단에 맞춰 정렬된 짧은 요약을 자동으로 생성한다.이 기능은 DR2를 해결하고 텍스트 이해를 향상한다(Figure 5A).
- 6.2 자동 요약: 이 요약은 주제문과 핵심 주장을 전면에 제시해 EFL 독자가 자세히 읽기 전에 각 문단의 중심 내용을 빠르게 파악할 수 있도록 한다.
- 6.2 자동 요약: 각 요약은 원문 문단에 연결되어 있어 훑어읽기와 검토 중 맥락 전환을 최소화하고 국소적 일관성을 보존한다.
6.3 검증
Reading.help는 LLM이 생성한 설명의 신뢰성을 높이기 위해 검증 메커니즘을 추가한다. 두 번째 LLM이 인터페이스에서 시각적으로 검증하기 전에 각 설명이 근거에 충실한지, 지원 유형에 부합하는지, 언어적으로 정확한지를 확인한다.
- CEFR model이 식별 과제의 해석 가능성을 높이더라도 LLM이 문법 설명을 생성하기 때문에 검증 메커니즘을 추가했다.
- 검증 LLM은 각 설명이 선택한 텍스트에 근거하는지, 요청된 지원 유형과 일치하는지, 언어적으로 정확하며 모순되지 않는지를 확인한다.검증 LLM은 간단한 근거와 함께 이진 valid/invalid 판정을 반환한다.
- 검증된 설명은 사용자 인터페이스에서 시각적으로 표시된다 (Figure 6D).
6.4 UI 및 사용성 개선
Reading.help의 인터페이스는 다양한 숙련도 수준, proactive guidance, 조정 가능한 설명 상세도를 지원하도록 개선되었다. 또한 on-demand explanation을 유지하면서 grammar validation과 reading-support 구성 요소를 더 눈에 띄게 했다.
- UI 및 사용성 개선: 인터페이스는 권장 CEFR 난이도 설정과 조정 가능한 요약 상세도를 통해 다양한 숙련도 수준을 지원하며, 요약은 간결한 형태부터 상세한 형태까지 제공된다.
- UI 및 사용성 개선: 시스템은 EFL 학술 읽기를 위해 vocabulary, comprehension, grammar 구성 요소를 제공하며, keyword 의미, 문맥에 따른 중심 생각 분석, grammar 지원을 포함한다.
- UI 및 사용성 개선: 업로드된 문서는 고정된 사이드바에 문단과 정렬된 요약을 자동으로 생성하며, 잠재적으로 어려운 단어와 문장에는 색상으로 구분된 grammar, vocabulary 또는 comprehension 하이라이트가 표시된다.
- UI 및 사용성 개선: Grammar 설명은 간결하게 유지되도록 프롬프트되었으며, second-LLM 검증은 초록색 아이콘으로 표시되고 아이콘에 마우스를 올리면 판단 근거가 나타난다.
- UI 및 사용성 개선: Reading.help-Lite 기능도 계속 사용할 수 있으며, 텍스트 범위를 하이라이트하면 상세한 설명을 on demand로 얻을 수 있다.
6.5 시스템 아키텍처 및 구현
Reading.help는 웹 기반 읽기 인터페이스와 CEFR 모델 및 LLM으로 구성된 백엔드를 결합한다. 파이프라인은 문서를 전처리하고, batched CEFR 추론을 수행하며, target level에 따라 예측을 필터링하고, 가능한 경우 rationale과 함께 검증된 주석을 렌더링한다.
- 6.5 시스템 아키텍처 및 구현: Reading.help는 웹 기반 읽기 지원 인터페이스와 CEFR 모델 및 LLM을 포함하는 백엔드로 구성된다.아키텍처와 분석 파이프라인은 Figure 7에 설명되어 있다.
- 6.5 시스템 아키텍처 및 구현: LCE는 단어 수준의 복잡도를 추정하고 SRE는 문장 수준의 가독성을 추정하여 업로드된 문서 전반에 CEFR levels를 할당한다.두 해석 가능한 모델은 PyTorch로 구현되며 FastAPI server를 통해 제공된다.
- 6.5 시스템 아키텍처 및 구현: five-stage workflow는 문서를 구획하고, 문장과 토큰을 분할하며, batched LCE 및 SRE 추론을 실행하고, 문서 구조를 재구성한 뒤, target CEFR level에 따라 예측을 필터링한다.target level은 사용자가 지정하거나 기록으로부터 추론할 수 있다.
- 6.5 시스템 아키텍처 및 구현: 인터페이스는 indicator를 사용해 검증된 주석을 표시하고, 가능한 경우 validator’s rationale도 함께 표시한다.validator는 valid 및 rationale 필드를 포함하는 JSON object를 반환하며, decision logic이 이를 파싱한다.
7 평가
5명의 한국인 EFL 독자를 대상으로 Reading.help의 사용 양상과 CEFR 기반 추천, LLM 검증을 평가하고, 2명의 EFL 교육 전문가 의견을 보완적으로 수집했다. 참가자들은 어휘 모듈을 가장 많이 사용했으며, CEFR 게이팅은 어려운 항목에 주의를 집중시켰다. 인간 검증과 LLM 검증은 일부 오류에도 불구하고 유사한 양상을 보였다.
- 사용 양상: 5명의 참가자가 표시한 101개의 어려운 텍스트 구간에서 어휘 모듈이 가장 많이 사용되었고, 이해 모듈과 문법 모듈이 그 뒤를 이었다.참가자들의 의견은 이해 모듈이 불확실한 문장의 이해를 도왔다고 시사했다.
- CEFR 기반 추천: B2 ≥에서는 재현율 평균이 87.64%, 정밀도가 18.47%, F1이 30.38%였으며, C1 ≥에서는 정밀도 평균이 37.77%, F1이 40.82%로 상승했다.B2 ≥ 임계값은 커버리지를 선호한 반면, C1 ≥는 더 높은 특이성을 제공했다. C1 ≥에서 F1의 최고값은 R4에서 72.22%였다.
- CEFR 기반 추천: CEFR 추천은 희귀한 용어와 관용구를 포착했지만, nonce 형태와 문맥상 해석이 까다로운 낮은 CEFR 수준의 단어를 놓쳤으며, 이는 의미 인식 단서가 필요함을 보여준다.분석에서는 희귀하거나 새로 만들어진 용어, 관용적 또는 비유적 표현, 다의적인 일반 단어가 세 가지 주요 혼동 양상으로 확인되었다.
- 검증: 인간 전문가는 어휘를 88% 유효, 이해를 93% 유효, 문법을 90% 유효로 평가한 반면, LLM 자기 검증에서는 각각 93%, 97%, 96%로 평가했다.이해 모듈이 인간의 판단과 가장 높은 일치도를 보였으며, 전반적으로 유사한 검증 양상이 나타났다.
- 전문가 피드백: 2명의 EFL 교육 전문가는 Reading.help가 텍스트 복잡성을 완화하고, 세부 내용과 전체 구조의 이해를 지원하며, 도전적인 주제를 추천했다고 보고했다.또한 이 도구는 의욕이 높은 자기주도 학습자에게 주로 적합하며, 의욕이 낮은 사용자에게는 접근성을 높일 필요가 있다고 지적했다.
8 논의
논의는 EFL 독자가 읽는 동안 어휘 도움을 자주 필요로 하고, 때때로 이해·문법·요약 지원도 필요로 한다는 점을 보여준다. 이는 선제적 안내의 필요성을 뒷받침하는 동시에 검증에 대한 우려를 제기한다. 또한 생산적인 어려움을 보존하고 몰입형 읽기를 지원하며 교사를 대체하기보다 보완하는 적응형·경량 지원을 제안한다.
- 8.1 결과 해석: 독자들은 400단어 스크립트를 읽는 동안 평균 5–6회 어휘 도움을 요청했으며, 때때로 이해·문법·문단 요약 지원도 요청했다. 이는 맥락에 기반한 유창한 이해에 필요한 노력을 보여준다.이러한 사용 양상은 낯선 언어와 이해의 어려움에 대한 선제적 안내를 뒷받침한다.
- 8.1 결과 해석: 도구가 몇 개의 항목을 추천할 때 약 37.77% precision을 달성했지만, 전문가와 참가자들은 추천 검증과 응답의 사실성에 대한 우려를 여전히 제기했다.시스템은 인간의 추천을 따르는지와 사실적으로 정확한지를 평가받았다. 본문은 더 많은 항목을 추천하면 포착률이 향상될 수 있음을 시사하지만, 전체 결과를 제시하지는 않는다.
- 8.2 얻은 교훈: 더욱 적응적인 지원은 누적된 학습자 능력에 따라 설명 언어, 구성, 피드백 유형과 시점을 개인화하여 읽기를 가속하고 자신감을 높일 수 있다.전문가들은 낯선 단어의 의미, 문법과 이해에 대해 더 빠른 선제적 안내를 구상했다.
- 8.2 얻은 교훈: 과도한 설명은 mental load를 높이고 사용자가 상세한 문법 정보에서 이탈하게 할 수 있으므로, 안내는 기본적으로 간결하고 가벼워야 한다.참가자들은 문법 텍스트의 양에 압도되었고 이후 해당 절을 다시 살펴보지 않았다.
- 8.2 얻은 교훈: 과도한 의존을 막으려면 읽기 도구가 사용자의 노력을 최소화하기보다 어느 정도의 productive struggle을 보존해야 한다. 도구의 목표는 영어 능력이 향상됨에 따라 도구 의존도가 감소하는 것이기 때문이다.제안된 정책 중 하나는 일부 용어에 대한 힌트를 제공하지 않는 것이지만, 본문은 구체적인 예를 완전히 설명하기 전에 중단된다.
- 8.3–8.4 향후 방향: 읽기 보조 도구는 적응형 지원을 언제든 제공하여 교사를 보완하되, 학습 진도·동기·격려·돌봄과 언어 학습의 사회적 측면에 대한 책임은 인간에게 남겨야 한다.논의는 또한 적시에 설명을 제공하는 몰입형·방해 없는 환경을 구상하며, 향후 관심 유발과 방해 없는 몰입을 평가할 것을 제안한다.
9 결론
Reading.help는 EFL 독자의 읽기 과정을 지원하기 위해 개발된 LLM 및 해석 가능한 신경망 기반 도구다. Reading.help-Lite에 대한 파일럿 연구를 바탕으로 개발되었으며, 실험 결과 CEFR 모델은 익숙하지 않은 콘텐츠를 추천할 수 있지만 LLM의 능력은 여전히 제한적인 것으로 나타났다.
- 9 결론: Reading.help는 EFL 독자의 읽기 과정을 지원하기 위해 LLM과 해석 가능한 신경망으로 개발되었다.
- 9 결론: Reading.help-Lite에 대한 파일럿 연구를 통해 Reading.help 도구가 개발되었으며, 이 도구는 EFL 독자에게 효과적으로 도움을 준다.
- 9 결론: CEFR 모델은 EFL 독자가 알지 못하는 텍스트의 일부를 효과적으로 추천할 수 있지만, LLM의 능력은 제한적이다.