Organizer 정리 산출물(From_RawData) + 이사 체크리스트 + 인덱스 갱신

- Raw_Data 자동 정리 산출물이 각 도메인 From_RawData/ 로 편입, 00_INDEX 연결 갱신
- 컴퓨터_이사_체크리스트.md 추가 (두뇌-상대 경로 규약 v2.2.304 — 새 컴퓨터에서
  바꿀 절대 경로는 localBrainPath 1개)
- Astra 세션 산출물(에피소드 기억·기능 인벤토리) 갱신

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>

10_Wiki/Topics/_Common/Math/From_RawData/안내형 해결 예제 (Guided Examples).md

@@ -0,0 +1,113 @@
+---
+id: 안내형-해결-예제-(guided-examples)
+title: "안내형 해결 예제 (Guided Examples)"
+category: "Education_and_Learning"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["Guided Worked Examples", "부분완성 문제", "Completion tasks", "Completion problems", "안내형 예제", "부분완성 과제"]
+duplicate_of: ""
+source_trust_level: "A"
+confidence_score: 0.95
+created_at: 2026-07-11
+updated_at: 2026-07-11
+review_reason: ""
+merge_history: []
+tags: ["research", "풀이 과정이 담긴 워크드 예제 (worked examples)"]
+raw_sources: ["[S1] Exploring the Design and Impact of Interactive Worked Examples for Learners with Varying Prior Knowledge - arXiv", "[S2] 인지 아키텍처와 교수 설계: 20년의 역사(Educational Psychology Review, 2019)", "[S3] 해결된 예제(Worked Examples)의 인지부하 이론적 규명과 다학제적 적용 실태", "[S4] Cognitive Load Theory in practice: Worked examples & Completion tasks | InnerDrive"]
+applied_in: ["Intelligent logic tutoring system (propositional logic problems)", "Python Grids 및 WebEx 시스템"]
+github_commit: ""
+---
+
+# [[안내형 해결 예제 (Guided Examples)]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+학습자의 인지부하를 적절히 조절하기 위해 문제 풀이 과정의 일부를 비워두고 서브골(Subgoal)과 힌트를 제공하여 능동적인 지식 재구성을 유도하는 중간 단계의 스캐폴딩(Scaffolding) 전략.
+
+## 🧠 핵심 개념 (Core concepts)
+- **부분완성 과제 (Completion Tasks):** 문제의 초기 상태, 목표 상태와 함께 '부분적인 해결책'을 제시하고 학습자가 나머지를 완성하게 하는 방식. 완전한 예제와 독립적 문제 풀이 사이의 가교 역할을 함 [S2].
+- **적성-처치 상호작용 (Aptitude-Treatment Interaction):** 사전 지식이 낮은 초심자(Low Prior Knowledge) 집단에 특히 탁월한 학습 효율을 보이며, 이들의 문제 풀이 완수 시간 단축 및 규칙 이해도를 크게 향상시킴 [S1].
+- **능동적 인지 참여 (Active Engagement):** ICAP 프레임워크에 따라, 단순히 정보를 수용하는 수동적 모드(Passive)를 넘어 누락된 연결 고리를 완성하기 위해 도메인 지식을 연역하는 능동적(Active) 참여를 촉진함 [S1], [S3].
+- **서브골과 스캐폴딩 (Subgoals & Scaffolding):** 복잡한 풀이 과정을 의미 있는 덩어리(Chunk)로 나누고 단계별 힌트(Step-specific hints)를 제공하여 불필요한 인지적 부담을 덜어줌 [S1], [S3].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+- **완수 전략 (Completion Strategy):** 지식 습득 과정에서 온전한 [[풀이 과정이 담긴 워크드 예제 (worked examples)]]로 시작하여, 점진적으로 지원이 줄어드는 '부분완성 문제'를 거쳐, 완전히 독립적인 '전통적 문제'로 이행하는 가이드 페이딩(Guidance-Fading) 패턴 [S2], [S4].
+- **파슨스 문제 (Parsons Problems) 패턴:** 프로그래밍이나 논리 증명 도메인에서 코드나 논리적 절차를 뒤섞어 놓거나 일부를 비워두고 올바르게 재배열·완성하도록 요구하여, 문제의 분해 및 재구성 역량을 기르는 설계 패턴 [S1].
+- **힌트 요청 기반의 오류 최소화 패턴 (Help-Seeking Behavior):** 안내형 해결 예제를 수행하는 초심자들은 무작위 오류를 반복하기보다는 막히는 즉시 힌트를 요청하는 패턴을 보여, 생산적 실패의 좌절감을 피하고 올바른 궤도로 빠르게 복귀함 [S1].
+
+## ⚖️ 비교 및 선택 기준 (Comparison & decision criteria)
+
+| 항목 (Option) | 장점 | 단점 | 언제 선택 |
+|---|---|---|---|
+| **안내형 예제 (Guided Examples)** | 인지부하를 제어하면서도 능동적 참여 유도. 초심자의 규칙 이해도와 속도를 높임. | 사전 지식이 높은 학습자에게는 불필요한 지원으로 전문성 역전 효과를 유발하거나 힌트 의존성을 키울 수 있음. | 기초 개념이 갓 형성되어 독립적 문제 해결로 넘어가기 전의 중간 단계 (초심자 대상) |
+| **버그형 예제 (Buggy Examples)** | 고의적 오류를 식별/수정하는 과정을 통해 비판적 사고와 깊은 디버깅 역량 강화. | 올바른 멘탈 모델이 없는 초심자에게는 오히려 잘못된 스키마를 고착화하거나 과도한 인지부하 초래. | 이미 높은 사전 지식(High Prior Knowledge)을 갖춘 숙련된 학습자의 오개념을 교정할 때 |
+| **수동적 예제 (Passive WE)** | 전문가의 풀이 전체를 제공하여 내재적/외재적 인지부하를 극도로 최소화. | 능동적 사고나 지식의 재구성을 강제하지 않아, 피상적 읽기에 그칠 위험 존재. | 도메인 지식이 전혀 없는 완전 초심자가 새로운 개념에 처음 노출될 때 |
+| **독립적 문제 해결 (Problem Solving)** | 실제적이고 복잡한 과제 해결 역량을 극대화하며, 자율적 스키마 적용을 자동화함. | 초심자에게는 탐색, 실행, 이해를 동시 요구하여 작업기억의 과부하(Overload)를 초래. | 스캐폴딩 단계를 모두 마치고 지식 구조가 견고하게 정립된 전문가 수준 |
+
+## 📖 세부 내용 (Details)
+안내형 해결 예제(Guided Examples)는 학습자가 문제의 전체 해답을 단순히 수동적으로 읽는 것을 넘어, 문제 해결 과정의 핵심적인 부분을 스스로 채워 넣도록 유도하는 교수 설계 방식이다 [S1], [S3]. 이는 인지부하 이론의 관점에서 '부분완성 문제(Completion problem)'로 불리며, 힌트와 서브골 구조를 통해 내재적 인지부하(Intrinsic Cognitive Load)를 통제 가능한 수준으로 낮추는 동시에, 본유적 인지부하(Germane Cognitive Load)를 촉발하여 의미 있는 스키마 구축을 돕는다 [S1], [S2].
+
+**ICAP 프레임워크 관점의 작동 원리**
+수동적인 전통적 워크드 예제(Passive WE)와 달리, 안내형 예제는 부분적으로 비어 있는 구조를 제시함으로써 ICAP 프레임워크의 '능동적(Active)' 인지 모드를 활성화한다 [S1]. 학습자는 전체 해결책의 흐름을 이해하면서도, 누락된 연결 고리나 규칙을 연역적으로 찾아내어 채워야 하므로 수동적 관찰자에서 능동적 재구성자로 변모하게 된다 [S1]. 
+
+**적성-처치 상호작용 (Aptitude-Treatment Interaction)**
+안내형 예제의 학습 효과는 학습자의 사전 지식수준에 따라 강하게 조절된다. 통제된 실험에 따르면, 사전 지식이 낮은 학습자(Low Prior Knowledge) 집단은 안내형 예제 훈련을 통해 논리 규칙 적용의 정확도가 크게 향상되었고, 사후 문제 해결 속도 역시 뚜렷하게 단축되었다 [S1]. 반면 사전 지식이 높은 학습자에게는 안내형 예제의 상세한 힌트와 구조화가 오히려 학습 효율을 정체시키는 '전문성 역전 효과(Expertise Reversal Effect)'의 위험이 관찰되었으며, 이들에게는 오류를 직접 고치도록 하는 '버그형 예제(Buggy Examples)'가 더 강력한 학업 성취 상승을 이끌어냈다 [S1], [S2]. 
+
+**마르코프 모델 분석을 통한 학습자 행동 궤적**
+안내형 예제를 푸는 학습자의 행동을 마르코프 모델 기반의 상태 전이 다이어그램으로 분석한 결과, 이들은 오류의 늪에 빠지기보다는 즉시 힌트를 요청하는 '도움 구하기(Help-seeking)' 행동 패턴을 강하게 보였다 [S1]. 이는 초심자가 막막함과 좌절에 빠져 인지 자원을 고갈시키는 상황을 예방하지만, 동시에 높은 힌트 의존도(Over-reliance)를 야기할 수 있어 후속 단계에서 점진적인 가이드 페이딩(Fading)이 필수적임을 시사한다 [S1], [S2].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+최신 인공지능 및 거대 언어 모델(LLM)을 지능형 튜터 시스템(ITS)에 접목하여 안내형 예제의 힌트를 자동 생성하려는 시도가 있으나, 현재의 LLM은 종종 교육적 맥락(Pedagogical appropriateness)에 맞지 않는 장황한 힌트를 제공하여 오히려 학습자의 인지부하를 가중시키는 역효과를 내기도 한다 [S1]. 즉, 기계적으로 생성된 빈칸이나 힌트가 아닌, 신중하게 설계된 '교육적 의미 단위(Subgoal)' 기반의 힌트가 보장되어야만 진정한 안내형 예제의 효과를 발휘할 수 있다는 한계점과 도전 과제가 지적된다 [S1].
+
+## 🛠️ 적용 사례 (Applied in summary)
+- **지능형 논리 튜터 시스템(Intelligent Logic Tutoring System):** 북미 대학의 컴퓨터 공학 학부생 155명을 대상으로 한 2025년 봄 학기 이산수학 과정에서, 명제 논리 증명 문제를 Parsons Problem 형식의 '안내형 해결 예제(Guided Examples)'로 변형하여 적용하였다. 서브골 기반의 힌트 팝업과 연결 고리를 채워 넣는 UI를 통해 저성취 학생들의 문제 해결 시간 단축과 규칙 이해도 향상을 달성함 [S1]. (Frontmatter `applied_in`에 추출됨)
+- **웹 기반 프로그래밍 탐색 엔진 (Python Grids 등):** 입문용 파이썬 루프나 조건문 코드의 실행 궤적을 단계별로 나누어, 비워진 일부 코드를 완성하며 실시간 런타임 정보와 전문가 주석을 확인하도록 설계하여 기초 코딩 스키마를 정착시킴 [S3]. (Frontmatter `applied_in`에 추출됨)
+
+## 💻 코드 패턴 (Code patterns)
+소스에 코드 예시 없음.
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual
+- **출처 신뢰도:** A
+- **신뢰 점수:** 0.95
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 🔗 관련 문서 링크 (Related document links)
+
+### 상위/유사 개념
+- [[풀이 과정이 담긴 워크드 예제 (worked examples)]] — 전체적인 문제 해결 전략을 제시하여 초기 인지부하를 통제하는 최상위 교수 전략.
+- [[부분완성 문제 (Completion Tasks)]] — 완전히 풀이된 예제와 독립적 문제풀이 사이의 가교 역할을 하는 본 개념의 핵심 메커니즘.
+- [[인지부하 이론 (Cognitive Load Theory)]] — 외재적 부하를 줄이고 본유적 부하를 높이는 안내형 예제의 이론적 근거.
+- [[적성-처치 상호작용 (ATI)]] — 학습자의 사전 지식 유무에 따라 최적의 예제 형태(안내형 vs 버그형)가 달라지는 원리.
+- [[스캐폴딩 (Scaffolding)]] — 학습자가 혼자서는 도달할 수 없는 과제를 힌트와 서브골을 통해 달성하게 돕는 뼈대.
+
+### 심층 후속 질문 (Deeper Research Questions)
+- 안내형 해결 예제에서 제공되는 힌트의 구체성 수준(Granularity)은 학습 성과 및 인지부하에 어떤 차이를 발생시키는가?
+- 학습자가 안내형 예제의 힌트 시스템에 과도하게 의존하는 '시스템 게임(Gaming the system)' 현상을 방지하기 위한 UI/UX 설계 기법은 무엇인가?
+- 고도로 복잡하고 비구조화된(Ill-structured) 과제 영역에서도 서브골 기반의 안내형 해결 예제가 초심자에게 동일한 효력을 지니는가?
+- LLM을 활용하여 안내형 예제의 빈칸(Chunk)과 힌트를 동적으로 생성할 때 발생하는 할루시네이션 및 교육적 오류를 어떻게 제어할 수 있는가?
+
+### 실무 적용 맥락 (Practical Application Contexts)
+- **Implementation:** 지능형 튜터링 시스템(ITS)에서 학습자의 사전 지식(Pre-test 점수)에 따라 안내형 예제 혹은 버그형 예제를 적응적으로 매칭 및 제공.
+- **System Design:** 문제 풀이 UI 설계 시 전체 풀이를 서브골(Subgoal) 단위의 청크(Chunk)로 시각적 분리 처리하고, 누락된 노드에 마우스를 올리면 단계적 힌트가 제공되도록 레이아웃 구성.
+- **Operation / Maintenance:** 학습자 로그 데이터(마르코프 전이 모델 등) 분석을 통해, 오답 후 힌트 탐색으로 이어지지 못하고 이탈하는 '무의미한 루프' 구간을 찾아 힌트 로직을 유지보수.
+- **Learning Path:** '완수 전략(Completion Strategy)'에 따라 초기에는 완전한 예제를 배치하고 단계가 거듭될수록 빈칸의 비중을 늘려 최종적으로 독립적 문제 해결로 진입하는 커리큘럼 난이도 곡선 수립.
+
+### 인접 주변 주제 (Adjacent Topics)
+- [[오류 기반 학습 (Productive Failure)]] — 안내형 예제와 대조적으로 고의적 실패나 버그형 예제를 통해 인지적 마찰을 유발하여 학습하는 방향.
+- [[가이드 페이딩 (Guidance Fading)]] — 안내형 예제 내에서 제공되는 지원(Support)을 시간 경과나 성취 수준에 따라 서서히 제거해 나가는 메커니즘.
+
+## 🔗 지식 그래프 (Knowledge Graph)
+- **상위/루트:** [[풀이 과정이 담긴 워크드 예제 (worked examples)]]
+- **관련 개념:** [[부분완성 과제 (Completion Tasks)]], [[적성-처치 상호작용 (ATI)]]
+- **참조 맥락:** 교육 프로그램이나 시스템 설계 시 초심자에게 가해지는 작업기억의 과부하를 막고, 자발적인 지식 구성을 유도하는 중간 단계 스캐폴딩 기법을 도입하고자 할 때 참조.
+
+## 📚 출처 (Sources)
+- [S1] Exploring the Design and Impact of Interactive Worked Examples for Learners with Varying Prior Knowledge - arXiv
+- [S2] 인지 아키텍처와 교수 설계: 20년의 역사(Educational Psychology Review, 2019)
+- [S3] 해결된 예제(Worked Examples)의 인지부하 이론적 규명과 다학제적 적용 실태
+- [S4] Cognitive Load Theory in practice: Worked examples & Completion tasks | InnerDrive
+
+## 📝 변경 이력 (Change history)
+- 2026-07-11: Initial draft generated via Datacollector_MAC P-Reinforce engine.