MAIC-UI: Making Interactive Courseware with Generative UI

Shangqing Tu; Yanjia Li; Keyu Chen; Sichen Zhang; Jifan Yu; Daniel Zhang-Li; Lei Hou; Juanzi Li; Yu Zhang; Huiqin Liu

Source-linked AI summary

MAIC-UI: Making Interactive Courseware with Generative UI

Shangqing Tu, Yanjia Li, Keyu Chen, Sichen Zhang, Jifan Yu, Daniel Zhang-Li, Lei Hou, Juanzi Li, Yu Zhang, Huiqin Liu

arXiv:2604.25806v12026년 4월 28일cs.CLcs.AIcs.HC

TL;DR

대화형 STEM courseware를 제작하려면 programming 전문성이 필요하지만, 기존 generative-AI 도구는 정적 콘텐츠를 생성하고 긴 자료 처리에 어려움을 겪으며 pedagogical accuracy 메커니즘도 부족한 경우가 많다. MAIC-UI는 structured analysis, 검증된 generation, 신속한 incremental editing을 활용한 zero-code authoring을 제공하며, 3개월간의 deployment에서 pilot class는 control classes의 -2.32점에 비해 STEM에서 9.21점 향상을 달성했다.

문제
인터랙티브 STEM courseware 제작에는 전통적으로 상당한 programming expertise가 필요하지만, 기존 generative-AI 도구는 정적 콘텐츠를 생성하고 긴 자료를 처리하는 데 어려움을 겪으며 pedagogical accuracy mechanisms도 부족한 경우가 많다.
방법
MAIC-UI는 structured multimodal knowledge analysis, two-stage generate-verify-optimize pipeline, 그리고 Unified Diff 기반 incremental generation을 활용한 Click-to-Locate editing을 결합한다.
결과
53명의 고등학생이 참여한 3개월간의 교실 배포에서 pilot class는 STEM에서 9.21점 향상을 보인 반면 control classes는 -2.32점을 기록했다.
시사점 및 한계
MAIC-UI의 교실 적용 효과에는 learning agency 향상과 outcome disparities 감소가 포함되었으며, pilot class의 낮은 성취도 학생에서 더 큰 향상과 더 낮은 gain variance가 나타났다.
시사점 및 한계
MAIC-UI는 single-page simulations에 초점을 두며, 연구에서 proxy instructors와 중국의 단일 공립 고등학교를 사용했기 때문에 generalizability가 제한된다.

Abstract

from arXiv · show

Creating interactive STEM courseware traditionally requires HTML/CSS/JavaScript expertise, leaving barriers for educators. While generative AI can produce HTML codes, existing tools generate static presentations rather than interactive simulations, struggle with long documents, and lack pedagogical accuracy mechanisms. Furthermore, full regeneration for modifications requires 200--600 seconds, disrupting creative flow. We present MAIC-UI, a zero-code authoring system that enables educators to create and rapidly edit interactive courseware from textbooks, PPTs, and PDFs. MAIC-UI employs: (1) structured knowledge analysis with multi-modal understanding to ensure pedagogical rigor; (2) a two-stage generate-verify-optimize pipeline separating content alignment from visual refinement; and (3) Click-to-Locate editing with Unified Diff-based incremental generation achieving sub-10-second iteration cycles. A controlled lab study with 40 participants shows MAIC-UI reduces editing iterations (4.9 vs. 7.0) and significantly improves learnability and controllability compared to direct Text-to-HTML generation. A three-month classroom deployment with 53 high school students demonstrates that MAIC-UI fosters learning agency and reduces outcome disparities -- the pilot class achieved 9.21-point gains in STEM subjects compared to -2.32 points in control classes. Our code is available at https://github.com/THU-MAIC/MAIC-UI.

1 서론

MAIC-UI는 교육자가 교과서, PPT, PDF에서 interactive STEM courseware를 제작하도록 지원하는 zero-code authoring system으로, 정확성, 편집, 참여, 시각화 과제를 해결한다. 구조화된 분석, 검증을 거친 two-stage generation, incremental editing을 통해 더 빠른 저작과 향상된 교육 성과를 지원한다.

시스템 동기와 기여: MAIC-UI는 프로그래밍 전문 지식 없이도 교육자가 교과서, PPT, PDF에서 interactive courseware를 제작할 수 있도록 한다.이 시스템은 지식 정확성, 편집 정밀도, 수동적 학습, 절차적 지식 시각화에 대한 교육자들의 우려에 대응하여 개발되었다.
설계 목표: 네 가지 설계 목표는 교수학적 정확성과 시각적 전문성, 정밀한 zero-code editing, 능동적 개인화 탐색, 절차적 지식 시각화를 지향한다.이 목표들은 교수 경험이 있는 6명의 참여자를 대상으로 한 formative study에서 확인된 과제에 직접 대응한다.
기술적 접근: MAIC-UI는 최대 50페이지 문서를 대상으로 하는 multimodal structured knowledge analysis와 two-stage generate-verify-optimize pipeline을 결합한다.Stage 1에서는 콘텐츠에 정렬된 interactive simulations를 생성하고, Stage 2에서는 layout verification과 optimization을 통해 시각적 품질을 향상한다.
평가: 평가에는 40명의 참여자가 포함된 controlled user study와 53명의 고등학생이 참여한 3개월간의 classroom deployment가 포함되었다.이 연구들은 저작 효율, 편집 반응성, 학생 참여, 학습 성과를 평가했다.
결과: MAIC-UI는 저작 시간을 days에서 minutes로 단축하고, full-regeneration baselines보다 편집 응답을 가속했으며, 학생 참여와 학습 성과를 향상했다.교사들은 프로그래밍 없이 interactive content를 제작할 수 있다는 역량 강화를 경험했다고 보고했으며, 학생들은 개인화된 자기 주도 학습의 혜택을 얻었다.

2 관련 연구

기존 educational LLM 및 공동 창작 시스템은 콘텐츠 생성, 상호작용, 영감을 향상하지만, 과학적 엄밀성, 국소 편집 가능성, learning-by-doing 메커니즘이 부족한 경우가 많다. MAIC-UI는 2단계 workflow, 증분 코드 업데이트, click-to-locate 편집을 통해 이러한 공백을 해소한다.

Educational LLM 시스템: Educational LLM 도구는 몰입형 내러티브, 교육학적 질문 생성, 동적 프로젝트 기반 학습, 멀티모달 창작을 지원한다.이러한 시스템은 정적인 안내를 넘어 교육 콘텐츠 제작과 상호작용의 범위를 확장한다.
Educational LLM 시스템: 기존 educational LLM 도구는 환각, 학습 목표 불일치, 제한적인 파라미터 상호작용으로 인해 과학적 엄밀성과 시각적 전문성이 부족한 경우가 많다 [37] [47] [58].많은 시스템은 개인화된 learning-by-doing을 지원하기보다 여전히 프레젠테이션 중심에 머문다.
Educational LLM 시스템: MAIC-UI는 실시간 피드백을 제공하는 2단계 workflow와 인터랙티브 컴포넌트 생성을 사용해 교육학적 신뢰성, 시각적 품질, 학습자 주도 탐색을 향상한다.이 workflow는 조작 기반 탐색을 지원하면서 교육학적 신뢰성과 시각적 품질을 분리한다.
Human-AI 공동 창작: 공동 창작 framework는 AI의 영감과 인간의 권한 사이에서 균형을 이루지만 [38], 제한적인 국소 편집 가능성과 느린 피드백으로 인해 세밀한 수정에 큰 비용이 든다.한 가지 변경이 전체에 영향을 미치는 동작과 느린 반복은 교육자의 창작 흐름을 방해한다.
End-User Programming: MAIC-UI는 Unified Diff 기반 증분 업데이트와 click-to-locate 편집을 결합해 DOM 또는 CSS 전문 지식 없이도 정밀한 자연어 수정을 가능하게 한다.이 접근법은 파일 수정 지연 시간을 수분에서 수초로 줄이고 불안정한 전체 재생성을 방지한다.

3 형성 연구

형성 연구는 AI로 생성된 interactive courseware를 제작하고 통합하는 교육자들의 경험을 조사했으며, MAIC-UI의 네 가지 설계 목표에 반영된 정확성, 편집 제어, 학생 참여에 관한 우려를 밝혀냈다.

3 형성 연구: 이 연구는 교육자들이 AI-assisted courseware creation을 어떻게 수행하고, 수업 요구사항을 어떻게 구체화하며, AI로 생성된 interactive materials의 교실 통합을 어떻게 인식하는지 조사했다.이 질문들은 교육자들의 제작 과정, 인지적 어려움, 교실 통합에 관한 우려를 다뤘다.
3.1 과정: 교육 경험이 있는 대학 고학년 학생 6명이 MAIC-UI 초기 버전을 사용한 1시간 hands-on 세션을 수행한 뒤 semi-structured interview에 참여했다.인터뷰에서는 제작 경험, 학습 비용, 창의성 증폭, 교실 통합, 절차적 지식 시각화를 탐색했다.
3.2.1 F1: AI로 생성된 콘텐츠의 지식 정확성 우려: 참가자들은 잘못된 지식과 지정한 입력 내용 및 생성된 출력 간 불일치를 우려했으며, 이에 따라 정확성과 content alignment를 보장하는 메커니즘이 필요해졌다.참가자들은 특히 시스템이 지식을 어떻게 표현하는지 질문했으며, 생성된 지식이 부정확하거나 지정된 내용을 누락할 수 있다고 지적했다.
3.2.2 F2: 현재 편집 메커니즘의 한계: 참여자들은 코딩 없이 국소적이고 세분화된 편집이 필요하다고 답했다. 편집 실패와 세네 차례의 반복 작업 때문에 정밀한 수정이 어려웠기 때문이다.반복적인 regeneration cycle 없이 특정 요소를 대상으로 하는 “보이는 대로 결과가 나오는” 제어를 요청했다.
3.2.3 F3: 수동적 courseware는 능동적 탐색을 유도하지 못한다: 참가자들은 전통적인 고정 콘텐츠 courseware를 수동적이고 지루한 것으로 보았지만, interactive tools는 hands-on, self-paced exploration을 통해 참여를 높이는 실행 가능한 선택지를 제공할 수 있다고 보았다.이 발견은 학생을 수동적 수용에서 능동적 탐색으로 전환하는 interactive experience의 필요성을 뒷받침한다.
3.2.3 F3: 수동적 courseware는 능동적 탐색을 유도하지 못한다: 참가자들은 교과서 개념과 실제 적용 사이의 격차를 지적했으며, 추상적인 절차 단계를 구체적이고 가시적으로 만드는 dynamic visualizations의 필요성을 제기했다.이러한 시각화는 실제 학습의 격차를 연결하고 인지 부하를 줄이는 것을 목표로 했다.
3.3 설계 목표: 연구 결과는 네 가지 설계 목표를 도출했다: 교육학적 scientificity와 시각적 전문성, 피드백을 제공하는 hands-on interaction, localized editing, procedural-knowledge visualization.이 목표들은 structured knowledge analysis, generate-verify-optimize pipeline, customizable interaction, low-cost dynamic visualizations에 각각 대응한다.

4 MAIC-UI 시스템

MAIC-UI는 PDF, PPT, 언어 지시 또는 구조화된 교육학적 입력을 interactive courseware로 변환하는 웹 기반 no-code authoring system이다. 구조화된 분석, two-stage generation, incremental Click-to-Locate editing을 통해 교육학적 정확성과 교사가 신속하게 제어하는 refinement를 연결한다.

시스템 개요: MAIC-UI는 structured knowledge analysis, two-stage validated generation, Click-to-Locate editing을 통합해 교육학적으로 타당하고 시각적으로 전문적인 interactive courseware를 생성한다.이처럼 상호 연결된 단계는 formative study에서 확인된 지식 정확성, 시각적 품질, code-free editing의 과제를 해결한다.
입력 및 지식 분석: 교사는 PDF를 업로드하거나 구조화된 콘텐츠를 직접 입력할 수 있으며, 두 방식 모두 후속 생성을 위해 공유 knowledge representation을 채운다.PDF 처리는 최대 50페이지의 문서를 지원하며 multimodal analysis를 통해 개념, 학습 목표, 선수 지식, 절차적 지식을 추출한다.
2단계 생성: two-stage pipeline은 먼저 콘텐츠에 맞는 simulations를 생성한 뒤, 구조를 검증하고 테마, 타이포그래피, 레이아웃, 애니메이션을 정교화한다.Stage 1은 단계별 process panels와 interactive simulations를 결합하고, Stage 2는 시각적 refinement와 HTML validation을 적용한다.
Click-to-Locate 편집: Unified Diff editing은 generated output을 approximately 90% 줄이고 incremental edits를 under 10 seconds에 완료해 200-600-second full regeneration을 대체한다.Fuzzy context matching은 주변 맥락을 최소화한 상태에서 변경된 줄을 적용하므로, 프로그래밍 없이도 세밀한 자연어 조정이 가능하다.
Click-to-Locate 편집: Under-10-second iteration은 교사가 creative flow를 유지하고 technical friction 없이 courseware를 반복 개선하도록 돕는다.시스템의 rapid editing capability는 full regeneration에 수반되는 수 분의 대기를 없애 교육학적 창의성을 지원한다.

5 평가

MAIC-UI는 통제된 실험실 연구와 실제 교실 배포를 통해 평가되었으며, 전체 pipeline을 직접적인 Text-to-HTML 생성과 비교했다. 편집 효율성, 사용성, STEM 학습 향상도, 성과의 균등성을 개선했으며, 특히 성취도가 낮은 학생에게 큰 이점을 보였다.

실험실 사용자 연구: MAIC-UI 참가자는 일반적으로 약 3–7 iterations 만에 refinement를 완료한 반면, baseline은 5–9 iterations가 필요했으며, Click-to-Locate는 반복적인 전역 재생성을 줄였다.baseline은 중간 처리, structured decomposition, validation 없이 prompt와 수정 지시를 model에 직접 전달했다.
실험실 사용자 연구: MAIC-UI는 learnability 및 usability 4개 항목 중 2개에서 baseline보다 유의하게 높은 평가를 받았고, 나머지 2개에서는 유의한 차이가 나타나지 않았다.응답은 5점 Likert 점수를 사용했으며, 양측 Mann–Whitney U 검정, 조건별 n=20, 유의수준 p<0.05를 적용했다.
교실 배포: 9.21 points: C1의 STEM 평균 향상도는 다른 학급의 −2.32-point 향상도를 웃돌았고(p<0.001), 인문학 향상도는 6.43 points로 그 차이가 덜 두드러졌다.STEM 비교는 C1 (n=53)과 다른 학급 (n=493)을 대상으로 했으며, Mann–Whitney U=16691.5 및 r=0.14였다. 저자들은 더 큰 STEM 이점을 dynamic presentation과 interactive manipulation의 효과로 설명한다.
교실 배포: 562: C1은 점수 향상도의 분산이 가장 낮았고, 다른 학급은 598–1054로 나타나 향상이 더 고르게 분포되었음을 시사했다.저자들은 이 기술통계적 패턴을 성과 격차가 완화되었을 가능성의 근거로 해석했으며, animated demonstration이 절차적 지식을 외재화한다는 점과 일치한다.
교실 배포: 15.46 vs. 12.42: C1의 하위 사분위 학생은 STEM에서 더 크게 향상되었고, 긍정적 향상을 보인 비율도 더 높았으며(78.6% vs. 63.5%), 향상도 분산은 더 낮았다(251.02 vs. 671.34).이 결과는 이미 더 높은 성취도나 자기동기를 가진 학습자를 넘어선 이점을 보여준다.
교실 배포: C1 학생과 교사는 interactive visualization과 manipulation이 참여를 증가시키고 과정 및 parameter 변화에 대한 직관적 이해를 지원했다고 보고했다.학생들은 질문하려는 의지가 높아졌고, 교사들은 온라인 학습 환경에서 이전에는 조용했던 학생들이 의견을 표현하기 시작했다고 관찰했다.

6 논의

MAIC-UI는 교육적 통제와 시각적 자동화를 균형 있게 결합하고, 10초 이내의 증분 반복을 통해 저작 방식을 전환한다. 교실에서의 이점은 성취도가 높은 학생을 넘어 확장되었지만, 적용 가능성과 일반화 가능성은 여전히 제한적이다.

자동화와 교육적 통제의 균형: MAIC-UI는 콘텐츠 검증과 시각적 완성도를 분리하여, 미적 요소를 적용하기 전에 교육적 내용이 검증되도록 한다.이 설계는 AI의 강점과 약점을 투명하게 전달하여 교사가 교육적 통제권을 유지할 수 있도록 지원한다.
신속한 반복 주기의 중요성: Unified Diff 기반 증분 생성은 10초 이내의 반복 주기를 가능하게 하여, 저작을 일괄 처리에서 상호작용적 대화로 전환한다.약 10초를 초과하는 지연은 인지적 단절을 일으켜 창작의 흐름을 방해한다.
STEM 학습의 형평성 제고: 파일럿 학급의 낮은 성취도 학생들은 통제 학급의 학생들보다 더 큰 점수 향상을 보였으며, 향상도 분산도 상당히 낮았다.이러한 결과는 상호작용형 courseware가 여러 진입점을 통해 추상적 개념에 접근할 수 있게 함으로써 성취 격차를 완화하는 데 기여할 수 있음을 시사한다.
한계: MAIC-UI는 단일 페이지 시뮬레이션에 초점을 두므로, 확장된 내러티브에 대한 적용 가능성이 제한된다.실험실 연구에서는 현직 K-12 교사가 아닌 대리 강사를 사용했으며, 교실 배포는 중국의 한 공립 고등학교에서만 이루어졌으므로 추가적인 일반화 가능성 연구가 필요하다.

7 결론 … A.2.3 STEM 학습의 형평성 문제 다루기

MAIC-UI는 zero-code 방식으로 interactive STEM courseware를 제작하고 신속하게 편집하는 동시에 pedagogical rigor, teacher control, creative flow, procedural learning, agency, equity를 다룬다. 교실 배포 결과는 learning engagement와 보다 공정한 STEM outcomes 모두에 이점이 있음을 시사한다.

7 결론: MAIC-UI는 structured knowledge analysis, generate-verify-optimize generation, Click-to-Locate Unified Diff editing을 결합해 엄밀하고 신속한 zero-code interactive courseware authoring을 지원한다.이 시스템은 교육자가 programming 없이 courseware를 제작할 수 있게 하며 sub-10-second iteration cycles를 지원한다.
A.1 교사 대상 GenUI Systems에 대한 시사점: content-aligned simulation creation과 visual polish를 분리함으로써 pedagogical accuracy를 훼손하지 않고 AI assistance를 제공해야 하는 교사의 요구를 충족한다.formative study는 educational GenUI systems에서 workload reduction과 pedagogical accuracy가 상충하는 요구임을 확인했다.
A.1.1 Automation과 Pedagogical Control의 균형: 시스템의 structured content analysis를 이해한 교사들은 그 강점을 더 효과적으로 활용했으며, AI capabilities and limitations를 투명하게 소통하는 데 도움이 되었다.향후 시스템은 extraction 및 analysis 과정을 시각화해 교사가 약점을 보완하도록 지원할 수 있다.
A.1.2 Rapid Iteration Cycles의 중요성: Sub-10-second incremental updates는 creative flow를 유지하는 반면, 200–600-second modifications는 교사가 사고의 흐름을 잃고 refinement를 포기하게 만들 수 있다.더 긴밀한 feedback loops는 authoring을 batch process에서 interactive conversation으로 전환하며, 다른 iterative GenUI domains에도 시사점을 제공한다.
A.1.3 End-User Programming으로서의 Zero-Code Editing: Click-to-Locate는 교사가 rendered elements를 선택하고 자연스럽게 변경 사항을 설명할 수 있게 하여, DOM이나 CSS 지식 없이 visual interfaces와 underlying code를 연결한다.이 설계는 비전문가가 code를 작성하지 않고 원하는 바를 지정하면서도 정확한 의도를 유지할 수 있게 해 end-user programming을 지원한다.
A.2 STEM Education에서 Procedural Knowledge Learning에 대한 시사점; A.2.1 Procedural Thinking의 외재화: Interactive simulations는 procedural knowledge를 외재화하여 dynamic processes를 가시적이고 조작 가능하게 만들며, 추상적 STEM 개념에 대한 working-memory demands를 줄인다.배포 결과는 성취도가 낮은 학생에게 특히 큰 이점이 있음을 시사했으며, 이들은 더 큰 gains와 더 고른 outcomes 분포를 보였다.
A.2.2 Interactive Exploration을 통한 Learning Agency 촉진: Interactive courseware는 교실 활동을 student-centered exploration으로 전환했으며, 학생들은 더 많은 질문을 하고 교사들은 일방적으로 제시하기보다 학생들과 함께 knowledge points를 탐색했다.이러한 전환은 active knowledge construction 을 반영하지만, underlying procedural structure에 부합하는 interactions에 달려 있다. 잘못 설계된 interactions는 학습을 방해할 수 있다.
A.2.3 STEM Learning의 Equity 문제 다루기; A DETAILED DISCUSSION: pilot-class의 성취도가 낮은 학생들은 control classes의 counterpart보다 더 큰 score gains를 얻었고, gain variance도 substantially lower하여 benefits가 더 고르게 분포되었음을 보여주었다.외재화된 procedural knowledge와 multiple engagement entry points는 STEM achievement gaps를 해소하는 데 도움이 될 수 있으며, adaptive scaffolding과 personalized interaction pathways의 필요성을 뒷받침한다.

A.3 한계 · A.3.1 시스템 한계.

MAIC-UI의 한계는 단일 페이지 범위, 멀티모달 콘텐츠 추출에서 발생할 수 있는 오류, 그리고 실험실 연구에서 proxy instructor를 사용한 데 있다. 실제 고등학교 교사와 학생을 대상으로 한 교실 배포는 후자의 한계를 일부 보완한다.

A.3 한계: MAIC-UI는 현재 종합적인 다중 페이지 courseware가 아니라 단일 페이지 interactive simulations를 생성한다.이 범위는 집중적인 절차적 지식 시각화를 지원하지만, 확장된 서사나 순차적 수업 구조가 필요한 주제에는 적용 가능성을 제한한다.
A.3 한계: 단일 페이지 중심 설계는 확장된 서사나 순차적 수업 구조에 대한 MAIC-UI의 적용 가능성을 제한한다.향후 연구에서는 빠른 iteration cycle을 유지하면서 Click-to-Locate editing을 다중 페이지 경험으로 확장하는 방안을 검토해야 한다.
A.3.1 시스템 한계.: Vision-language models는 콘텐츠 추출 과정에서 전문 표기나 복잡한 도표를 간혹 잘못 해석할 수 있다.이 한계는 다양한 STEM 분야 전반에서 관련된다.
A.3.1 시스템 한계.: Structured analysis prompting은 추출 오류를 줄이지만, 최적의 성능을 위해 domain-specific fine-tuning이나 OCR–visual-understanding hybrids가 필요할 수 있다.이러한 접근법은 다양한 STEM 분야에서 robustness를 향상하기 위해 제안된다.
A.3.1 시스템 한계.: 실험실 사용자 연구에서는 현직 K-12 교사 대신 교육 경험이 있는 대학원생인 proxy instructors를 사용했다.이 통제된 비교는 목표 사용자의 기술적 편안함, 교육학적 훈련, 또는 실제 교실의 압박을 반영하지 못할 수 있다.
A.3.1 시스템 한계.: 실제 고등학교 교사와 학생을 대상으로 한 3개월간의 교실 배포는 실험실 연구의 proxy-instructor 한계를 보완하는 데 도움이 된다.이 대목은 이 배포를 보완적인 평가 맥락으로 제시하지만, 남아 있는 격차의 정도는 명시하지 않는다.

A.3.2 평가의 한계 · A.3.3 기술적 제약 · B 형성적 연구 방법론

평가는 단일 학교에서의 단기 사용과 안정적인 코드 구조 및 인터넷 연결에 대한 기술적 의존성으로 제한된다. 형성적 연구에는 대학과 연계된 경험 많은 예비 교사 6명이 참여했으며, hands-on 프로토타입 세션 후 반구조화 인터뷰를 진행했다.

A.3.2 평가의 한계: 연구 결과는 중국의 한 공립 고등학교나 해당 학교의 물리·화학·생물 학생 집단을 넘어 일반화되지 않을 수 있으며, 장기적인 교실 통합은 아직 검토되지 않았다.효과는 국가, 교과, 학생 인구통계, 교수 관행, 학생 기대에 따라 달라질 수 있다.
A.3.3 기술적 제약: Unified Diff 패치 적용에는 안정적인 코드 구조가 필요하며, 광범위한 편집 후 상당한 구조적 변경이 발생하면 전체 재생성이 필요할 수 있다.Fuzzy context matching은 경미한 불일치를 처리하지만 모든 주요 구조적 변경을 처리하지는 못한다.
A.3.3 기술적 제약: AI 모델에 접근하려면 인터넷 연결이 필요하므로, 연결 상태가 불량하거나 엄격한 데이터 프라이버시 요구사항이 있는 환경에서는 사용이 제한된다.저자들은 향후 local-model 또는 hybrid deployment를 제안하지만, 해당 passage는 hybrid approach를 구체적으로 설명하기 전에 중단된다.
B.1 참여자 모집: 참여자 6명은 지역 대학 네트워크에서 목적 표집되었으며, 모두 공식적인 교수 경험이 있었고 MAIC-UI 또는 유사 시스템에 사전 노출된 적이 없었다.참여자들은 중국 최상위권 대학의 학부 고학년생 또는 대학원생이었다.
B.1 참여자 모집: 모집에는 학과 mailing list, 교수학습센터 공지, snowball sampling이 사용되었으며, 이후 교수 경험, 전공 배경, 교육기술 친숙도를 기준으로 스크리닝했다.표본에는 컴퓨터과학, 물리학, 수학, 화학, 생물학, 공학 전공 학생들이 포함되었다.
B.1 참여자 모집: 참여자들은 서면 사전 동의서를 제출하고 200 RMB의 보상을 받았으며, 이는 약 $28 USD에 해당한다.이 passage는 연구의 동의 및 보상 절차를 기록한다.
B.2 인터뷰 프로토콜: 각 참여자는 초기 프로토타입을 사용한 1시간 hands-on 세션과 약 45분간의 반구조화 인터뷰를 완료했다.인터뷰에서는 생성 경험, 인지된 학습 비용, 창의적 증폭 등을 비롯한 여러 영역을 다루었다.

B.3 데이터 분석 · C 참여자 인용문 확장

데이터 분석에는 높은 평가자 간 신뢰도를 보인 반복적 주제 코딩을 사용했으며, 확장 인용문 섹션에는 본문에서 축약되거나 지면 제약으로 생략된 형성 연구 발췌문을 수록했다.

B.3 데이터 분석: 두 연구자가 연역적 및 귀납적 주제 분석을 사용해 인터뷰 전사본을 독립적으로 코딩했다.
B.3 데이터 분석: 예비 코딩 체계는 연구 질문을 바탕으로 수립했으며 반복적 코딩을 통해 정교화했다.
B.3 데이터 분석: 20%의 전사본에서 Cohen’s kappa가 0.82에 도달했으며, 이는 보고된 평가자 간 신뢰도를 나타낸다.
B.3 데이터 분석: 코딩 불일치는 합의에 도달할 때까지 논의를 통해 해결했다.
C 참여자 인용문 확장: 확장 인용문 섹션은 지면 제약으로 인해 본문에서 축약되거나 생략된 형성 연구 발췌문을 제시한다.
C 참여자 인용문 확장: 이 발췌문은 형성 연구에서 가져온 확장된 축어 인용문으로 제시한다.

C.1 지식 정확성 우려 … C.4 이론-실천 간극

교육자들은 지식 정확성, 콘텐츠 정렬, 세밀한 편집을 신뢰할 수 있는 인터랙티브 courseware의 장벽으로 지적했다. 또한 인터랙티브하고 시각적인 학습이 능동적 탐색, 직관, 추상 이론과 실제 적용 간의 연결을 촉진할 수 있다고 강조했다.

C.1 지식 정확성 우려: 교사들은 생성된 설명이 과학적 뉘앙스를 놓치거나 오류를 포함할 수 있어 세심한 검증과 때때로 재작성이 필요하다고 보고했다.한 사례에서는 Newton의 법칙을 정확히 설명했지만 학생들이 흔히 어려워하는 뉘앙스를 생략했다.
C.1 지식 정확성 우려: 생성된 courseware가 교사가 제공한 예시를 일반적인 설명으로 대체하는 경우가 있어, 수업 자료 및 학생 요구와의 정렬이 약화되었다.교육자들은 시스템이 중요한 내용을 추론하기보다 제공된 PDF 콘텐츠를 존중해야 한다고 강조했다.
C.2 편집 경험: 시스템이 요청된 변경 사항을 잘못 이해하는 경우가 많아 편집에는 반복적인 상호 조정이 필요했으며, 여러 번의 iteration이 수작업보다 느려질 수 있었다.참여자들은 결과를 사용할 수 있게 되기까지 세세 번의 시도가 필요했으며, 매번 재생성할 때마다 대기 시간이 추가되었다고 설명했다.
C.2 편집 경험: 시스템은 세밀한 레이아웃 및 시각적 위계 편집에도 어려움을 보였고, 때로는 잘못된 요소를 변경해 교사가 결과물을 그대로 받아들여야 했다.상세한 절차 재구성과 섹션별 조정은 특히 제어하기 어려웠다.
C.3 수동적 학습과 능동적 학습: 전통적인 프레젠테이션은 고정적이고 수동적인 것으로 묘사된 반면, 인터랙티브 도구는 학생들이 변수를 조작하고 무작위화된 사례를 탐색하며 이해에 주도권을 갖게 할 수 있었다.교사들은 독특하고 실행 가능한 상호작용이 더 높은 집중도와 능동적 참여로 이어진다고 보았다.
C.4 이론-실천 간극: 교과서는 이상화된 상황을 제시하는 경우가 많아 학생들이 암기한 원리를 복잡한 실제 상황이나 유연한 적용과 연결하지 못하게 한다.이 간극을 능동적으로 메우지 않으면 학생들은 지식을 기억하면서도 진정으로 이해하거나 적용하지 못할 수 있다.
C.4 이론-실천 간극: 시각화는 원리와 현상을 관찰 가능하고 조작 가능하며 더욱 직관적으로 만들어 추상적 기호와 복잡한 문제 서술 사이의 간극을 메울 수 있다.예로는 힘 벡터와 운동을 직접 보거나, v = d/t를 암기하는 것을 넘어 속도 변화가 어떻게 느껴지는지 경험하는 것이 있었다.

D 전체 설문 문항 · E 상세 구현

부록은 MAIC-UI의 실험실 연구 설문지 전체, 인터뷰 질문, 기술적 구현 범위를 보고한다. Likert 척도로 평가한 사용성 및 지각된 품질 문항, 참가자 인구통계, 인터뷰 주제, 구현 세부 사항을 명시한다.

D 전체 설문 문항: 부록은 실험실 사용자 연구에서 사용한 전체 설문 문항을 제공한다.문항은 사용성, 편집 경험, 지각된 품질, 인구통계, 연구 후 인터뷰를 다룬다.
D.1 과업 후 설문(RQ2: 사용성 및 편집 경험): 참가자들은 학습 용이성, 소요 시간, 편집 제어 가능성, 사용 선호도를 5점 Likert 척도로 평가했다.척도 범위는 1 = 전혀 동의하지 않음부터 5 = 매우 동의함까지였다.
D.1 과업 후 설문(RQ2: 사용성 및 편집 경험): MAIC-UI 전용 지각된 품질 문항은 레이아웃 직관성, 주의 유도, 개념 정확성, 내용 포괄성, 언어 명료성, 개념 직관성을 평가했다.이 문항들은 프레젠테이션 품질과 원 teaching content와의 정렬을 평가했다.
D.2 인구통계 설문: 인구통계 설문은 학업 상태, 전공 배경, 교육 경험, 프로그래밍 경험, AI 도구 경험, 이전 courseware 제작 경험을 물었다.응답 선택지에는 undergraduate, beginner, intermediate, advanced, yes/no 경험과 같은 범주형 수준이 포함되었다.
D.3 연구 후 인터뷰 가이드(실험실 연구): 실험실 연구 인터뷰 가이드는 도움이 된 측면과 불편했던 측면, 편집 결정, 기대, 최종 품질, 희망 기능, 교육 활용에 대해 물었다.질문은 courseware 제작 중과 제작 후의 사용성 및 지각된 품질을 모두 다뤘다.
E 상세 구현: 기술 부록은 MAIC-UI 시스템의 구현 세부 사항을 제공한다고 밝힌다.제공된 본문은 구체적인 메커니즘을 열거하지 않고, Section E의 범위가 구현 세부 사항임을 제시한다.

E.1 시스템 아키텍처 … E.8 오류 처리 및 Fallbacks

구현은 client-server stack, structured multimodal analysis, staged generation, targeted incremental editing을 결합한다. 성능 최적화와 계층형 fallback이 신속하고 복원력 있는 courseware 저작을 지원한다.

E.1 시스템 아키텍처: client는 Zustand, React Query, Tailwind CSS, Monaco Editor, sandboxed iframe과 함께 React 18/TypeScript 5.0을 사용하고, server는 Python 3.11/FastAPI, SQLite/SQLAlchemy, Celery/Redis, local 또는 CDN-backed storage를 사용한다.
E.2 AI 모델 설정: 설정된 모델은 temperature=0.2 및 max_tokens=4096을 사용하는 GLM-4.6V이며 GLM-4.5V로 fallback하고, temperature=0.3 및 max_tokens=8192를 사용하는 GLM-4.7이며 GLM-4.6으로 fallback한다.
E.3 Structured Analysis Prompt: structured prompt는 topics, key concepts, objectives, prerequisites, adjustable parameters가 포함된 procedures, subject area, grade level, interactive visualization에 적합한 content를 추출해 valid JSON으로 구성한다.
E.4 Two-Stage Generation Pipeline: two-stage pipeline은 먼저 process panels, controls, coupling, tooltips를 포함하는 scientifically accurate하고 responsive한 HTML/JavaScript simulations를 생성한 뒤, functionality를 보존하면서 themed visual polish를 적용한다.
E.5 Click-to-Locate 구현: Click-to-Locate는 XPath, CSS selectors, truncated HTML, bounding boxes를 사용해 선택된 DOM elements를 추적한 뒤, selector, instruction, document context를 포함하는 edit request를 streaming한다.
E.6 Unified Diff 처리: Unified Diff processing은 line-level HTML changes를 계산하고, context drift에 대응하도록 fuzzy matching을 사용해 removals, additions, context lines를 적용한다.
E.8 오류 처리 및 Fallbacks: Graceful degradation은 analysis failure 후 metadata 또는 manual input을 반환하고, stage failures에는 reduced-validation 또는 CSS fallbacks를 사용하며, expanded context로 edits를 재시도하고 3 failures 후에는 전체를 재생성한다.두 stage가 모두 실패하면 system은 user-friendly error message가 포함된 emergency template을 반환한다.