SAT시험 준비는 Questionbank 문제로 시작해야 합니다

이런 분들에게 도움을 드리고자 썼습니다.

• SAT시험 대비를 위해 어떤 문제집을 골라야 할지 고민 중인 학생과 학부모님

• 기출문제를 다 풀고 나서 새로운 고퀄리티 연습 문제가 부족하다고 느끼는 고득점 목표 학생

목차

• Collegeboard가 공개한 4,055개 문제

• SuperfastSAT의 쌍둥이 문제 생성 원리

• 완전 자동화 검수 시스템 구축을 향하여

바쁘시면 이것만 보세요!

• SAT 고득점은 Collegeboard 공개한 4055 문제를 완벽히 체득하는 것에서 시작됩니다.

• AI 기술을 이용한 문제 생성과 시퀀스 모델링은 학생의 약점을 정교하게 공략하는 문제를 생성하게 되고, 이 문제들을 풀면서 약점을 보완하게 됩니다.

• 이렇게 생성하는 문제를 검수하는 과정에서도 AI를 사용할 때 검수의 완성도가 96.44%에 달하는 수준에 올라왔습니다.

Collegeboard가 공개한 4055개 문제

SAT 고득점을 위한 가장 기본적인 출발점은 Collegeboard가 제공하는 4055개의 공식 문제를 완벽하게 장악하는 것입니다. Collegeboard는 Questionbank를 통해 RW 1,590문제와 Math 1,681문제를 제공하고 있으며, 여기에 8세트의 Full-length Practice Test를 더해 총 4,055문제라는 방대한 가이드라인을 제시하고 있습니다. 나아가 이 문제들을 Bluebook에 전략적으로 배치하여 실제 시험 상황을 완벽히 시뮬레이션할 수 있도록 구조화했습니다. 이는 단순한 연습 문제의 나열이 아니라, "시험은 반드시 이 범위와 원리 안에서 출제된다"는 강력한 메시지이자 우리가 반드시 정복해야 할 표준 데이터셋입니다.

현실적으로 학생들은 시간이 부족하여 기출 데이터의 이면을 파악하기 어렵지만, 본질적인 실력 향상을 위해서는 Collegeboard가 Skills Insight와 Assessment Framework 문서를 통해 공개한 출제 원리를 이 4,055문제에 투영해 보아야 합니다. 이 문서들은 SAT 시험의 모든 정수를 담고 있으며, 어떤 인지 능력과 개념을 측정할지, 그리고 어떤 논리적 단계를 거쳐 매력적인 오답이 설계되는지를 명확히 보여줍니다.

정답과 오답을 가르는 결정적인 경계선은 결국 Collegeboard가 설정해 놓은 Assessment Standards를 충족했느냐에 달려 있습니다. 많은 학생이 문제를 풀 때 "이 문제는 유독 헷갈리네"라고 느끼는 지점은 사실 우연이 아니라, 정교하게 설계된 난이도와 문제 구조에 의해 발생하는 필연적인 현상입니다. 만약 여러분이 특정 문항에서 오답을 골랐다면, 그것은 단순한 실수가 아니라 출제자가 의도적으로 설계한 논리적 함정에 빠진 것일 가능성이 큽니다.

그래서 단순히 정답을 맞혔다고 해서 그 개념을 완벽히 안다고 착각해서는 안 되며, Skills Insight에서 정의한 숙달도에 내가 실제로 도달했는지를 반드시 확인해야 합니다. 여기서 많이 헷갈리십니다. "맞혔으니 넘어간다"는 생각이 고득점으로 가는 길을 가로막는 가장 큰 장애물입니다. 다만 이를 너무 어렵게 생각하실 필요는 없습니다. 상위 1%의 고득점 학생들이 무의식적으로 도달했던 이 영역을 데이터로 체계화하여 학습하면 여러분도 충분히 해낼 수 있습니다. 저희 SuperfastSAT는 결국 아주 소수의 학생만이 누렸던 이 성취의 비밀을 보다 많은 학생이 경험할 수 있도록 돕기 위해 존재합니다.

SuperfastSAT의 쌍둥이 문제 생성 원리

학생들이 기출문제를 반복해서 풀다 보면 정답의 '위치'나 문항의 '표면적인 시나리오'를 암기해버리는 경우가 많습니다. 저희 SuperfastSAT는 이러한 패턴 암기에서 벗어나, 학생들이 출제자의 의도를 완벽히 관통할 수 있도록 하는 쌍둥이 문제생성 알고리즘을 지속적으로 연구하고 있습니다.

저희가 가장 관심을 갖고 있는 부분은 Collegeboard에서 공개한 문제들에서 Knowledge Components를 정밀하게 추출하는 기술입니다. CMU(카네기 멜런 대학) 연구에 따르면, 최신 인스트럭션 튜닝(Instruction-tuned) 모델을 통해 추출된 지식 구성 요소(KC)는 인간 전문가가 태깅한 라벨을 효과적으로 대체할 수 있을 만큼 정교합니다. 특히, AI가 생성한 KC를 활용했을 때 학생의 실력을 예측하는 정확도가 인간의 것과 대등하거나 오히려 높은 수준(PFA 모델 등에서 확인)을 보였습니다.

이 기술이 중요한 이유는 개별 학생마다 필요한 학습 요소가 무수히 많기 때문입니다. 수많은 학생을 위해 선생님이 매번 개인화된 문제를 직접 만드는 것은 현실적으로 불가능합니다. 따라서 AI가 문제의 핵심 개념을 학습하여 선생님이 해야할 일을 함께 해줄 수 있어야 모든 학생에게 '진짜 필요한 문제'를 즉시 제공할 수 있게 됩니다. 그런 의미에서 이 연구는 맞춤형 학습에 있어서 AI를 도입하는 이유에 근간이 되는 연구인 셈입니다.

이렇게 생성하는 문제들을 학생의 약점을 공략하는 데 최적화된 시점에 Intervention 여부를 결정하는 연구를 통해 문제를 제공합니다. 시퀀스 모델링 기법을 참조하여, 단순히 문제를 던져주는 것이 아니라 학습자의 오답 시퀀스를 분석해 인지적 부하를 최적화할 수 있는 문항을 배치합니다. 학생들이 단순한 패턴 암기만으로는 풀 수 없는 문제를 통해 자신의 논리적 결함을 스스로 깨닫게 만듭니다.

완전 자동화 검수 시스템 구축을 향하여

SuperfastSAT는 생성된 모든 문항이 College Board의 엄격한 표준과 논리적 정합성을 충족하는지 검증하기 위해 독자적인 시스템을 구축하고 있습니다. 연구 논문인 'Generative AI-Expert Hybrid Model for Automated'에 따르면, WSA-CNBIRN 모델의 핵심은 AI 단독 판단에 의존하기보다 교육 전문가의 식견을 결합한 '전문가 하이브리드(Expert Hybrid)' 방식의 탁월한 효과성을 입증한 데 있습니다.

이 모델은 교육 전문가들이 중요하게 여기는 Principles, 학습 목표, 그리고 학습자의 Needs와 Environment을 설계의 근간으로 삼고 있습니다. 즉, AI가 문제를 검수하거나 커리큘럼을 만 때 전문가의 교육적 가이드라인이 판단 로직의 절대적인 기준이 되도록 한 것입니다.

기술적으로는 학습 데이터의 핵심 특징을 추출하기 위해 TF-IDF 벡터화 방식을 채택했으며, 모델 성능을 극대화하고자 양자 컴퓨팅 개념을 도입한 QWSA(Quantum Water Strider Algorithm)로 최적화를 진행했습니다. 여기에 문장의 특징을 포착하는 CNN과 문맥의 전후 관계를 정밀하게 파악하는 BiRNN을 결합한 하이브리드 신경망에 전문가의 교육 지식을 통합했습니다.

실제 성능 테스트 결과는 놀라웠습니다. Coursera, Udacity 등 글로벌 온라인 교육 플랫폼의 데이터를 바탕으로 실험한 결과, 이 모델은 96.44%라는 압도적인 정확도로 교육 콘텐츠를 검수해냈습니다. 이는 기존의 일반적인 CNN(83.24%)이나 RNN(89.94%) 모델과 비교했을 때 확연히 우수한 수치로, 전문가의 지식 체계와 최적화 알고리즘이 결합되었을 때 얼마나 큰 시너지를 낼 수 있는지를 잘 보여준 것입니다.

이러한 연구 성과를 바탕으로, 저희 SuperfastSAT는 College Board의 학습 가이드라인, 현장 선생님들의 교수법, 그리고 실제 학생들의 학습 데이터를 집약한 하이브리드 모델을 통해 완벽에 가까운 문항 검수 시스템을 구축해 나가고 있습니다.

이런 연구에 관심을 갖고 서비스에 반영하려고 하는 이유는 저희의 목표가 글로벌한 교육 기업으로 나가기 위함입니다.

유니클로는 일본 내에서도 아직 무명이나 다름없었다. 간토 지역은 물론 간사이에서도 이름이 전혀 알려지지 않은 회사였다. 아직 매장이 30곳에도 미치지 못하는 시골의 중소기업이었다. 그런 회사의 젊은 사장이 세계 최고를 향한 길을 진지하게 꿈꾸기 시작했다.

지금의 SuperfastSAT 또한 그 길 위에 서 있습니다. 데이터와 기술로 교육의 본질을 바꾸려는 저희의 진지한 꿈, 그리고 세계를 향한 담대한 도전을 따뜻한 시선으로 지켜봐 주시기 바랍니다.

레퍼런스

• https://satsuite.collegeboard.org/media/pdf/digital-sat-test-spec-overview.pdf

• https://arxiv.org/abs/2508.14755

• https://www.researchgate.net/publication/393577958_Deep_knowledge_tracing_and_cognitive_load_estimation

• https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1697554/full