Special Issue
Abstract
References
Information
This study explores the potential of using generative artificial intelligence (AI) as an instructional tutor in geography education by analyzing its information-search patterns and problem-solving characteristics demonstrated while solving mock-exam items without any additional prompts or task-specific guidance. To this end, the study examined the problem-solving tendencies of generative AI using the World Geography items from the September 2026 CSAT mock examination. Two state-of-the-art models—GPT-5 and Gemini 2.5 Pro—were employed, and the items were categorized into three types: stimulus-based items, map-based items, and data-based items, to identify the distinctive characteristics of each category. The quantitative analysis showed that Gemini achieved higher accuracy and faster response times than GPT, demonstrating particularly strong performance on map-based items. In contrast, both models exhibited clear limitations in interpreting data-based items, particularly in tasks requiring complex data interpretation. The qualitative analysis further indicated that the models generally recognized and reasoned accurately with raw graphical information or simple statistical data; however, their accuracy tended to decline when processing graphs derived from transformed statistical data or texts with more complex logical structures. GPT also exhibited relatively frequent hallucinations and occasionally produced errors by confusing the given stimuli with the answer choices. In addition, both models tended to infer the correct answers based on real-world data rather than relying on the contextual framework of the geography curriculum when evaluating the options. Based on these findings, this study discusses the potential and limitations of applying generative AI as an assistant teacher in geography education and presents several educational implications along with directions for future research.
본 연구는 지리 수업에서 생성형 인공지능을 교수·학습 튜터로 활용할 가능성을 탐색하기 위해, 별도의 추가 지시 없이 모의고사 문항을 해결하는 과정에서 나타나는 정보 탐색 방식과 문제 해결 특성을 분석하였다. 이를 위해 2026학년도 대학수학능력시험 9월 모의평가 세계지리 문항을 대상으로 생성형 인공지능의 지리 문제 해결 경향을 분석하였다. 분석에는 최신 모델인 GPT-5와 Gemini 2.5 Pro를 활용하였으며, 문항을 ‘자료 제시형’, ‘지도 제시형’, ‘데이터 제시형’으로 구분하여 유형별 특성을 파악하였다. 정량적 분석 결과, Gemini는 GPT보다 높은 정답률과 빠른 풀이 속도를 보였으며, 특히 지도 제시형 문항에서 상대적으로 뛰어난 성능을 나타냈다. 반면 데이터 제시형 문항에서는 두 모델 모두 자료 해석 과정에서 뚜렷한 한계를 드러냈다. 정성적 분석에서는 원자료 형태의 그래프나 단순 통계 자료는 비교적 정확하게 판독하고 추론했으나, 논리 구조가 복잡한 텍스트나 가공된 통계 자료를 활용한 그래프에서는 정확도가 낮아지는 경향이 확인되었다. GPT는 상대적으로 잦은 환각 현상을 보였으며, 제시된 자료와 선택지를 혼동하여 판단하는 오류도 나타났다. 또한 두 모델 모두 선택지를 판단할 때 지리 교육과정의 맥락보다는 실제 세계의 데이터를 근거로 정답을 추론하는 경향을 보였다. 이러한 분석 결과에 기반하여 본 연구는 생성형 인공지능이 지리 수업에서 보조교사로 활용될 수 있는 가능성과 한계를 논의하고, 교육적 시사점과 향후 연구 방향을 제시하였다.
- 경기도교육청, 2022, 평가 문항 제작 방법: 지리, 경기도교육청.
- 고보경·임철일·신병철, 2024, “생성형 인공지능 챗봇을 활용한 수학과 인공지능 융합 수형 모형 개발”, 교육공학연구, 40(1), 1-40.10.17232/KSET.40.1.1
- 공은애·강창숙, 2016, “대학수학능력시험 지리 문항에서 제시되는 그래프의 유형과 특징”, 한국지리환경교육학회지, 24(1), 119-137.
- 교육부, 2024, 교사가 이끄는 교실혁명을 위한 디지털 기반 교육혁신 역량 강화 지원방안.
- 권오남·신병철·오세준, 2024, “생성형 인공지능의 수학적 성능 및 추론 과정 분석: 대학수학능력시험을 중심으로”, 한국학교수학회, 27(4), 617-638.10.30807/ksms.2024.27.4.007
- 권오남·오세준·윤정은·이경원·신병철·정원, 2023, “ChatGPT의 수학적 성능 분석: 국가수준 학업성취도 평가 및 대학수학능력시험 수학 문제 풀이를 중심으로”, 한국수학교육학회, 37(2), 233-256.
- 김민성, 2022, “목표기반시나리오를 활용한 인공지능 기반 지리 교수학습 전략 개발”, 한국지리학회지, 11(3), 271-286.10.25202/JAKG.11.3.1
- 김지서·정은영, 2023, “생성형 인공지능을 활용한 고등학교 미술수업의 실행과 분석: 인공지능 기술의 비판적 인식 및 창의적 활용을 중심으로”, 조형교육, 0(88), 55-84.10.25297/AER.2023.88.55
- 문혜림·김진혁·한경희·김시호, 2023, “대학입시 수능시험을 평가 도구로 적용한 ChatGPT의 학업 능력 분석”, 아이시티플랫폼학회, 11(5), 72-83.
- 민경모·유준희, 2022, “Doc2Vec을 이용한 중학교 과학 질문-답변 챗봇 개발 및 학생 질의 분석”, 서울대학교 교육종합연구원, 13(3), 115-145.
- 박지수, 2025, “AI가 생성하는 공간과 지리교육의 새로운 접점”, 사회과수업연구, 13(3), 49-68.10.34261/jssls.2025.13.3.49
- 서보억, 2025, “수학 문제유형별 최적의 생성형 인공지능 선별을 위한 사례 분석”, 한국수학교육학회, 39(1), 61-80.
- 성정원·신병철, 2023, “ChatGPT를 활용한 서·논술형 평가 자동 채점 가능성 탐색: 세계지리 서·논술형 평가를 중심으로”, 한국지리학회지, 12(3), 415-432.10.25202/JAKG.12.3.3
- 안유영, 2023, “Performance of ChatGPT 3.5 on CSAT: Its Potential as a Language Learning and Assessment Tool”, 한국영어교과교육학회, 22(2), 119-145.10.18649/JKEES.2023.22.2.119
- 유득순, 2024, “ChatGPT가 생성한 역사에 관한 텍스트와 학습자의 반응 - 거짓 정보에 대한 학생 인식을 중심으로”, 역사교육, 0(172), 67-109.10.18622/kher.2024.12.172.67
- 유재진, 2023, “인공지능을 활용한 지리교육 연구: ChatGPT 기반 질의·응답을 중심으로”, 한국사진지리학회지, 33(1), 162-173.
- 윤정은·권오남, 2024, “AI 기반 수학 교수·학습에 대한 체계적 문헌 고찰: AI의 역할과 교사의 역할을 중심으로”, 수학교육, 63(3), 573-591.
- 이명원·이예나·최희·최인철, 2023, “ChatGPT와 코퍼스 기반의 대학수학능력시험 모의평가 영어영역 실제 정답률 예측 가능성 모색”, 한국멀티미디어언어교육학회, 26(4), 29-50.
- 이소영, 2024, “중학교 지리 수업에서의 AI 챗봇 활용과 학습 데이터 분석: 학생들의 질문 유형 및 인식을 중심으로”, 한국지리학회지, 13(4), 335-352.10.25202/JAKG.13.4.2
- 이소영·이상일·박의현·최학모, 2023, “사회과 챗봇의 설계와 교육적 활용 방안에 관한 연구: 중학교 지리 영역을 중심으로”, 한국지리환경교육학회지, 31(1), 147-163.
- 이유나·손은지·이상수, 2024, “ChatGPT 피드백과 동료 피드백이 중학생 글쓰기 능력에 미치는 영향”, 교육방법연구, 36(2), 111-137.
- 장민기·강영호·이성득·임옥영, 2024, “챗지피티를 활용한 고등학교 물리 수업 개발 사례”, 새물리, 74(8), 779-787.
- 조민지·김미래·윤영집·신병철, 2024, “인공지능 리터러시를 위한 AI 융합 영어 쓰기 수업 모형 개발”, 학습자중심교과교육연구, 24(6), 135-157.10.22251/jlcci.2024.24.6.135
- 채민수, 2025, “인공지능 기반 디지털 스토리텔링을 활용한 지리수업의 효과성 연구, 디지털콘텐츠학회논문지”, 26(4), 885-895.10.9728/dcs.2025.26.4.885
- 최숙기, 2024, “국어 교사의 챗지피티(ChatGPT)를 활용한 작문 피드백 경험에 대한 사례 연구”, 교원교육, 40(1), 379-404.10.14333/KJTE.2024.40.1.16
- Abbasi, O. R., Welscher, F., Weinberger, G., and Scholz, J., 2025, The World As Large Language Models See It: Exploring the reliability of LLMs in representing geographical features,
arXiv preprint , arXiv:2506.00203. - Attali, Y. and Bar-Hillel, M., 2003, Guess where: The Position of Correct Answers in Multiple-Choice Test Items as a Psychometric Variable,
J. Educ. Meas , 40(2), 109-128. 10.1111/j.1745-3984.2003.tb01099.x - Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., Nori, H., Palangi, H., Ribeiro, M. T., and Zhang, Y., 2023, Sparks of artificial general intelligence: Early experiments with gpt-4,
arXiv preprint , arXiv:2303.12712. - Chiang, W. L., Zheng, L., Sheng, Y., Angelopoulos, A. N., Li, T., Li, D., Zhang, H., Zhu, B., Jordan, M., Gonzalez, J. E., and Stoica, I., 2024, Chatbot arena: An open platform for evaluating llms by human preference, URL https://arxiv. org/abs/2403.04132, 2(10).
- Giulia Polverini and Bor Gregorcic, 2024, Performance of ChatGPT on the test of understanding graphs in kinematics.
Physical review physics education research , 20(1), 010109.10.1103/PhysRevPhysEducRes.20.010109 - Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., and Polosukhin, I., 2017, Attention is all you need.
Advances in neural information processing systems , 30. - Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q., and Zhou, D., 2022, Chain-of-thought prompting elicits reasoning in large language models.
Advances in neural information processing systems , 35, 24824-24837. - 연합뉴스, 2025, “GPT-5가 2025 수능 풀자 ‘국·영 1등급’ 받았다”, 10월 2일, https://www.yna.co.kr/view/AKR20250808096700017
- Google, 2025, “Gemini API 문서”, https://ai.google.dev/gemini-api/docs/maps-grounding?hl=ko (2025년 10월 24일 검색).
- OpenAI, 2024, “Documentation”, https://openai.com/ko-KR/index/learning-to-reason-with-llms/ (2025년 10월 24일 검색).
- OpenAI, 2025, “System card”, https://openai.com/ko-KR/index/gpt-5-system-card (2025년 10월 24일 검색).
- Publisher :The Korean Association Of Geographic And Environmental Education
- Publisher(Ko) :한국지리환경교육학회
- Journal Title :The Journal of The Korean Association of Geographic and Environmental Education
- Journal Title(Ko) :한국지리환경교육학회지
- Volume : 33
- No :4
- Pages :111~129
- DOI :https://doi.org/10.17279/jkagee.2025.33.4.111
The Journal of The Korean Association of Geographic and Environmental Education
