듀오링고 앱을 켤 때마다 묘하게 딱 맞는 문제가 나온다고 느낀 적 있나요?
너무 쉽지도, 너무 어렵지도 않게. 그리고 어제 배운 단어를 오늘 복습하라고 알림이 오는 타이밍이 기가 막히게 맞는 경험. 이게 우연이 아니에요. AI 기반 맞춤형 교육 플랫폼의 핵심 알고리즘이 실시간으로 작동하고 있기 때문이죠.
글로벌 에듀테크 시장은 2025년 1,813억 달러 규모에서 2037년 6,468억 달러로 성장이 예상됩니다. 시장이 이렇게 빠르게 커지는 이유는 단순해요. 사람마다 다른 학습 속도와 약점을 기계가 정밀하게 추적하기 시작했기 때문입니다.
이 글에서는 듀오링고의 Birdbrain 시스템과 콴다의 OCR·NLP 기술이 어떤 원리로 당신의 학습을 최적화하는지 구체적으로 뜯어볼게요.
듀오링고 AI의 핵심, Birdbrain이 '언제·무엇을' 결정하는 방식
듀오링고의 AI 개인화 엔진 이름은 Birdbrain입니다. 매일 12.5억 건의 연습 문제를 개인화하는 시스템인데, 사실 Birdbrain은 두 개의 서로 다른 모델이 맞물려 돌아가요.
첫 번째는 HLR(Half-Life Regression, 반감기 회귀)입니다. 쉽게 말하면 '이 단어가 당신 머릿속에서 얼마나 빨리 사라지는지'를 계산하는 모델이에요. 에빙하우스의 망각 곡선을 개인별로 AI가 측정하는 거죠. Duolingo 연구팀이 2016년 ACL 학회에서 발표한 논문에 따르면, 이 모델은 학생 회상률 예측에서 기존 모델 대비 오류율을 45% 이상 낮췄습니다.
두 번째가 Birdbrain 딥러닝 모델입니다. HLR이 '언제 복습할지'를 정한다면, Birdbrain은 '무엇을 복습할지'를 결정해요. 학습자의 전문성 수준을 실시간으로 추론하고, 너무 쉬우면 난이도를 올리고 막히면 쉬운 문제를 내려주는 동적 조정이 여기서 일어납니다.
근데 여기서 중요한 디테일이 있어요.
듀오링고는 Scala로 세션 생성기를 재작성하면서 문제 제공 시간을 750ms에서 14ms로 줄였습니다. 50배 가까이 빠른 거예요. 이게 왜 중요하냐면, 학습자가 틀린 직후 0.5초 안에 다음 문제를 맞춤화해 제공할 수 있어야 진짜 실시간 개인화가 가능하거든요.
리더보드 하나를 추가했을 때 전체 학습 시간이 17% 늘고, 고참여 학습자의 학습량은 3배가 됐다는 것도 흥미로운 데이터예요. 게임화가 단순한 재미 요소가 아니라 알고리즘으로 최적화한 행동 유도 장치인 셈입니다.
콴다가 수학 문제 사진 한 장으로 할 수 있는 것들
에듀테크 커뮤니티에서 콴다(QANDA)를 처음 접한 학부모들이 가장 많이 묻는 게 있어요. "AI가 이 복잡한 수식을 어떻게 읽는 거예요?" 분수 안에 제곱수가 들어 있는 식도 정확하게 인식한다는 게 쉽게 납득이 안 된다는 거죠.
매스프레소(Mathpresso)가 자체 개발한 OCR(광학문자인식) 기술은 바로 이 지점에서 출발했습니다. 일반 OCR이 문자를 인식한다면, 수학용 OCR은 수식의 구조와 계층 관계까지 파악해야 해요. 분모·분자 구분, 상첨자(지수), 루트 기호 안쪽 식 — 이런 것들을 2차원 레이아웃으로 읽어내야 합니다.
그다음은 NLP(자연어 처리) 기반 문제 분류입니다.
콴다는 약 185만 개 수학 문제에 1,795개의 유형 태그를 붙인 데이터셋을 보유하고 있어요. 이 데이터로 학습한 딥러닝 모델이 Top3 Accuracy 83.59%를 기록했습니다. 문제를 찍으면 AI가 유형을 분류하고, 해당 유형에 가장 적합한 풀이를 리스트로 제공하는 구조죠.
2024년에는 여기서 한 단계 더 나아갔어요.
매스프레소가 업스테이지, KT와 공동 개발한 수학 특화 LLM MathGPT가 MATH 벤치마크에서 GPT-4를 능가하고 마이크로소프트의 이전 세계 기록을 경신했습니다. 단순 문제 인식을 넘어, AI가 수학적 추론 자체를 하는 단계로 넘어간 거예요. 현재 콴다는 전 세계 50개국 이상, 등록 사용자 9,000만 명 규모로 운영되고 있습니다.
AI 학습 최적화의 공통 원리, 지식 추적이 뭘 바꾸는가
듀오링고와 콴다, 그리고 칸 아카데미까지 AI 에듀테크 플랫폼들이 공통으로 기대는 기술이 있어요. 바로 지식 추적(Knowledge Tracing)입니다.
학생이 문제를 풀 때마다 데이터가 쌓이고, 모델은 이 패턴을 분석해 "지금 이 학생의 이차방정식 이해도는 몇 퍼센트인가"를 추정합니다. 초기엔 베이지안 지식 추적(BKT)이라는 은닉 마르코프 모델 방식이 주류였지만, 딥러닝이 접목된 DKT(Deep Knowledge Tracing)가 나오면서 패턴 인식 정밀도가 크게 높아졌어요.
2025년 Nature Scientific Reports에 실린 연구는 지식 추적과 인지 부하 추정을 통합한 시스템이 학습자의 좌절감 감소, 참여도 향상, 지식 보유율 향상 세 가지를 동시에 달성했다고 보고했습니다.
칸 아카데미는 마이크로소프트와 협력해 AI 도구 Khanmigo를 개발하고, 2024년부터 미국 K-12 교사 전원에게 무료 접근권을 제공 중이에요. 에듀테크 개인화가 학생 참여도를 최대 30%까지 향상시킨다는 수치가 실제 현장에서 검증되고 있는 셈입니다.
단, 조심해야 할 부분도 분명해요.
학습 데이터를 대량으로 수집한다는 건 그만큼 프라이버시 리스크가 따른다는 의미고, DKT 같은 딥러닝 모델은 교육자가 결과를 해석하기 어렵다는 신뢰성 문제도 남아 있습니다. AI가 '무엇을 가르칠지'는 점점 잘 결정하고 있지만, '왜 그렇게 결정했는지'를 설명하는 능력은 아직 개발 중입니다.
기준이 바뀌었어요, 나쁜 교육이 아니라 맞지 않는 교육이 문제였던 거예요
맞춤형 교육이라는 개념 자체는 새로운 게 아니에요.
옛날부터 과외 선생님이 학생 한 명 한 명을 보며 틀리는 유형을 파악하고 그에 맞춰 가르치는 게 최고라는 건 다 알았죠. 다만 그걸 수십만 명에게 동시에 할 방법이 없었을 뿐이에요.
듀오링고는 2026년 1분기 기준 DAU 5,650만 명을 기록하면서도 AI 비용 절감으로 총이익률을 73%까지 끌어올렸습니다. AI로 개인화하면서 동시에 단위 비용은 줄어드는 구조가 작동하고 있다는 증거예요.
콴다가 일반 GPT-4보다 수학 문제를 더 잘 푸는 자체 MathGPT를 만든 것도, 결국 범용 AI보다 특화된 AI가 교육 현장에서 더 유용할 수 있다는 방향을 보여줍니다.
AI가 바꾼 건 교육의 목적이 아니에요.
학생 각자에게 맞는 난이도와 타이밍을 실시간으로 찾아내는 방법이 바뀐 거예요. 그리고 그 방법의 정밀도가 지금 이 순간에도 계속 높아지고 있습니다.
참고: Duolingo Research(research.duolingo.com), Mathpresso Team QANDA 블로그, Nature Scientific Reports 2025