시험지 한 장으로 다음 시험 전략 세우기 — PlanA AI 임베딩 분석

기말이 끝나자마자 원장님이 묻습니다. "이번 시험, 어떤 유형이 많이 나왔어요?" 예전 같으면 시험지를 펼쳐 유형마다 손으로 체크하고 지문을 읽으며 경향을 가늠해야 했습니다. 이제 PlanA AI에 스캔 파일 하나를 올리면, 몇 초 안에 지문별 출제 패턴이 정리됩니다.

이 글은 그 과정이 어떻게 작동하는지를, 기술 용어 없이 선생님의 눈높이에서 풀어 보려 합니다. PlanA AI 시스템을 한 편의 지도처럼 조망한 이전 글에서 이어지는 첫 번째 심화편입니다.

학교마다 '출제 DNA'가 있습니다

같은 교과서를 쓰더라도, 학교마다 출제 경향은 놀랍도록 다릅니다. 어떤 학교는 해마다 어순 배열과 요약문 완성에 집중하고 다른 학교는 도표 독해와 어법성 판단을 즐겨 냅니다. 지문을 고르는 방식도 다릅니다. 철학·과학 소재를 반복해서 활용하는 학교가 있는 반면, 시사 에세이 계열을 선호하는 학교도 있습니다.

이 패턴을 꿰뚫고 있는 선생님은 남다른 내신 대비 수업을 할 수 있습니다. 문제는 그 패턴을 파악하는 데 시간이 너무 많이 든다는 점입니다. 직전 시험지 세 장, 네 장을 꺼내 유형별로 표시하고 출제된 지문의 소재와 난이도를 기록해 그것을 다음 수업 계획에 반영하는 일 — 경험 많은 원장님이라면 감각으로 해내시겠지만, 그 감각을 만들어 내기까지 얼마나 많은 시간이 녹아 있었을지를 생각하면 쉽지 않은 일입니다.

“

시험 준비의 시작은 문제 만들기가 아니라, 그 학교가 어떤 시험을 내는지 이해하는 것입니다.

PlanA AI의 시험지 분석은 그 '이해' 단계를 시스템이 맡아 주는 기능입니다.

시험지 분석, 이렇게 작동합니다

실제 데이터 기반 예시

시험지 분석 예시: 10쪽짜리 영어 기말고사

실제 사용 패턴을 합성·익명화했고, 문항 내용은 식별되지 않도록 재구성했습니다.

완료된 영어 시험지 분석 사례를 바탕으로 재구성해 보겠습니다. 한 학교의 기말고사 형식 PDF를 업로드하자, 첫 페이지 문항들이 지문·문항·해설 단위로 분리되었습니다.

• 1번 유형: 글의 요지 파악. 사회적 갈등을 다룬 지문에서 핵심 주장과 뒷받침 근거의 흐름을 분석했습니다.
• 2번 유형: 글의 제목 추론. 교육·심리 소재 지문에서 중심 비유와 결론 문장의 관계를 정리했습니다.
• 분석 결과: OCR로 추출한 문장·보기·배점 요소를 바탕으로 문항을 나누고, 각 문항마다 정답 해설을 별도 구조로 저장했습니다.

선생님이 보시는 화면에서는 이런 내부 구조가 복잡하게 드러나지 않습니다. 중요한 것은 시험지 한 장이 다음 수업 전략을 세울 수 있는 데이터로 바뀐다는 점입니다.

큰 흐름을 먼저 말씀드리겠습니다.

선생님이 학교 시험지를 이미지나 PDF 파일로 업로드하시면, PlanA AI는 먼저 그 파일에서 텍스트를 추출합니다. 스캔 품질이 다소 불균일하더라도, OCR 처리 과정에서 지문·문제·선택지를 구분하고 지문 단위로 분리합니다.

분리된 지문은 이어서 의미 단위의 표현으로 변환됩니다. 이것이 임베딩이라고 불리는 단계입니다. 각 지문이 수치로 이루어진 고유한 좌표 같은 형태로 바뀌면 그 좌표를 PlanA AI가 이미 보유한 방대한 지문 데이터베이스와 비교합니다. 중학교 지문과 고등학교 지문을 별도로 관리하는 색인이 이 비교를 더 정확하게 만들어 줍니다.

이 비교를 통해 두 가지를 알아냅니다. 하나는 "이 지문이 어떤 유형의 문제로 자주 출제되어 왔는가"이고, 다른 하나는 "이 시험지 전체에서 어떤 유형의 비중이 높은가"입니다.

임베딩이 뭔지 몰라도 됩니다 — 결과만 이해하면 됩니다

'임베딩'이라는 단어가 낯설게 느껴지실 수도 있습니다. 기술 개념을 하나 비유로 설명하겠습니다.

거대한 도시 지도를 상상해 보시기 바랍니다. 지도 위에 지금까지 출제된 지문들이 점으로 찍혀 있습니다. 비슷한 주제를 다루거나 비슷한 구조를 가진 지문들은 지도 위에서 서로 가까운 곳에 모여 있고, 성격이 전혀 다른 지문들은 멀리 떨어져 있습니다.

이번 시험지의 지문을 이 지도 위에 올려 놓으면, 그 주변에 어떤 지문들이 밀집해 있는지 — 즉, 그 학교가 어떤 계열의 지문을 반복해서 선택해 왔는지 — 가 드러납니다. 그것이 임베딩 기반 유사 지문 검색의 핵심입니다.

PlanA AI는 이 과정에서 두 가지 임베딩 엔진을 병렬로 실행한 뒤 결과를 합산하는 방식을 씁니다. 하나의 엔진이 놓칠 수 있는 미묘한 유사성을, 다른 엔진이 보완하도록 설계한 것입니다. 정확도를 높이기 위한 구조적 선택입니다.

“

임베딩은 지문 사이의 '의미적 거리'를 측정합니다. 멀고 가까움이 곧 유사하고 다름입니다.

분석 결과 화면 한눈에 보기

분석이 끝나면 선생님이 바로 활용할 수 있는 형태로 결과가 정리됩니다.

가장 눈에 띄는 것은 유형별 출제 빈도입니다. 이 학교가 최근 시험들에서 어떤 유형을 얼마나 자주 냈는지가 한눈에 보입니다. 어순 배열이 세 번 연속 나왔다면, 다음 시험에서도 그 유형은 높은 확률로 등장할 것입니다.

그 옆에는 이번 시험에서 출제된 지문과 의미적으로 가까운 기존 지문들의 목록이 붙습니다. 같은 소재나 유사한 구조를 가진 지문들을 한데 볼 수 있어, 연계 학습 자료를 고르는 데도 바로 활용하실 수 있습니다.

모의고사 직후의 활용 장면을 떠올려 보시면 이 기능의 가치가 더 분명해집니다. 시험지가 아직 따끈따끈할 때 업로드하면, 그 자리에서 다음 내신 대비 방향이 잡힙니다.

이 정보로 무엇을 할 수 있나요?

분석 결과를 손에 쥐고 나면, 두 가지 방향으로 바로 이어집니다.

첫째, 다음 시험 대비 집중 훈련 계획을 세울 수 있습니다. 이 학교가 자주 내는 유형을 중심으로 수업 커리큘럼을 짜고, 출제 가능성이 낮은 유형에 쏟던 시간을 줄일 수 있습니다. 감이 아닌 데이터에 근거한 전략입니다.

둘째, 분석 결과에서 변형문제 생성으로 곧장 넘어갈 수 있습니다. 이번 시험의 지문 중 다음 시험에서도 유사하게 출제될 것 같은 지문을 골라, 거기서 바로 다양한 유형의 문제를 뽑아내는 것입니다.

PlanA AI는 39개(객관식 21 + 서술형 18)의 문제 유형을 지원합니다. 분석으로 파악한 학교의 출제 경향에 맞춰 유형을 골라 생성하면, 수업 준비와 시험 대비가 하나의 흐름으로 이어집니다. 이 생성 엔진이 어떻게 작동하는지는 다음 글 생성 엔진에서 자세히 다루겠습니다.

이렇게 분석과 생성이 연결되면, 시험지 한 장이 단순한 복기 자료로 끝나지 않습니다. 다음 수업을 준비하는 출발점이 됩니다.

수업 준비의 시작점을 바꿉니다

내신 대비에서 가장 많은 시간이 걸리는 것은 사실 문제 생성보다 앞 단계, 즉 이 학교가 어떤 시험을 내는지 이해하는 과정입니다. 이 분석 단계를 제대로 밟지 않으면, 열심히 만든 자료가 엉뚱한 방향을 향하기 쉽습니다.

PlanA AI의 시험지 분석은 이 준비 과정에서 가장 많은 시간이 드는 부분을 담당합니다. 선생님의 경험과 판단을 대체하는 것이 아니라, 판단의 재료를 빠르게 정리해 드리는 역할입니다. 데이터를 손에 쥐고 나면, 선생님의 경험은 훨씬 빠르게 올바른 방향을 가리킵니다.

PlanA AI를 직접 써 보고 싶으시다면 가입 시 3,000 크레딧을 무료로 드립니다. 지금 담당 학교의 시험지를 한 장 올려 보시면, 분석 결과가 어떻게 나오는지 직접 확인하실 수 있습니다.