docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거

Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를
Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류.

- 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로
  자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거,
  동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거.
- 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming,
  Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business,
  Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로,
  나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는
  title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백).
  원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지.
- 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서.
- 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는
  지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지.
- Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경.
- 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.

10_Wiki/Topic_General/From_Thinking & Reasoning/Artificial Intelligence.md

@@ -0,0 +1,93 @@
+---
+id: artificial-intelligence
+title: "Artificial Intelligence"
+category: "10_Wiki/Topics"
+status: "draft"
+verification_status: "conceptual"
+canonical_id: ""
+aliases: ["AI", "인공지능"]
+duplicate_of: ""
+source_trust_level: "B"
+confidence_score: 0.85
+created_at: 2026-05-23
+updated_at: 2026-05-23
+review_reason: ""
+merge_history: []
+tags: ["research", "cognitive skills", "AI"]
+raw_sources: ["NotebookLM Synthesis"]
+applied_in: ["Ms. Chen's Year 8 Mathematics Lesson (Metacognitive Analytics System)"]
+github_commit: ""
+---
+
+# [[Artificial Intelligence]]
+
+## 🎯 한 줄 통찰 (One-line insight)
+인간의 신경 연결성 및 인지 프로세스를 모델링하여 학습자의 인지적 제어와 메타인지적 자기 조절을 지원하는 지능형 스캐폴딩 기술 [1-3].
+
+## 🧠 핵심 개념 (Core concepts)
+1.  **신경망 모델링 (Neural Connectivity Modeling):** 뉴런 네트워크가 정보를 처리하고 통신하는 방식을 모델링하여 인간 인지를 모방하는 알고리즘을 개발함 [1, 4].
+2.  **인지적 스캐폴딩 (Cognitive Scaffolding):** 학습자가 인지적 한계에 부딪혔을 때 해결책을 직접 제시하는 대신, 전략적 질문을 통해 스스로 사고 과정을 모니터링하도록 돕는 지원 구조 [2, 3].
+3.  **학습 분석 (Learning Analytics):** 다중 모드 및 다중 채널 데이터를 통해 학습자의 인지적, 정의적, 메타인지적 과정을 분석하고 패턴을 파악함 [5-8].
+4.  **적응형 피드백 (Adaptive Feedback):** 학습자의 행동 패턴(예: 반복 시도, 자신감 판단 등)을 기반으로 개별화되고 구체적인 메타인지 프롬프트를 제공함 [9, 10].
+
+## 🧩 추출된 패턴 (Extracted patterns)
+*   **실시간 모니터링 및 개입 패턴:** 학습자가 특정 과제에 머물러 있는 시간을 감지하여 "이전 문제에서 어떤 전략을 사용했나요?"와 같은 반성적 질문을 던지는 개입 방식 [2, 3].
+*   **전문적 판단 기반의 보조 패턴:** AI 도구의 분석 결과를 교사의 전문적 판단과 결합하여 학습자와의 메타인지적 대화를 시작하는 트리거로 활용함 [9, 10].
+*   **점진적 프롬프트 제거 (Fading):** 학습자의 자기 조절 능력이 향상됨에 따라 AI 프롬프트를 점차 줄여 독립적인 학습을 유도하는 전략 [11, 12].
+
+## 📖 세부 내용 (Details)
+*   **인지적 모델링:** 인공지능은 뇌의 가소성과 신경 연결성에 대한 이해를 바탕으로 발전하며, 특히 뉴런 네트워크의 정보 처리 방식을 모델링함으로써 인간의 고등 사고 과정을 시뮬레이션하고자 함 [1, 4].
+*   **교육적 활용 및 지원:** 현대 교실에서 AI는 단순히 정보를 전달하는 도구가 아니라 학습자의 [[Metacognition]]을 지원하는 '인지적 거울' 역할을 수행함 [13, 14]. 예를 들어, 생성형 AI와 지능형 분석 시스템은 학습자가 자신의 사고 과정을 명시적으로 설명하도록 유도하는 프롬프트를 제공함 [2, 3].
+*   **데이터 기반 인지 연구:** 학습 분석 데이터는 학습자가 전략을 어떻게 선택하고, 자신의 이해도를 어떻게 평가하며(Calibration), 언제 인지적 제어를 적용하는지를 연구하는 중요한 수단이 됨 [5-8].
+*   **주의사항 및 한계:** AI 도구는 교사가 제어하는 스캐폴드로 취급되어야 하며, 학습자가 기술에 과도하게 의존하지 않도록 설계되어야 함 [2, 3, 11, 12]. AI는 교사의 전문적 판단을 대체할 수 없으며, 학습자의 사생활 보호와 데이터 오용 방지가 전제되어야 함 [5-8].
+
+## ⚖️ 모순 및 업데이트 (Contradictions & updates)
+*   **독립적 증거 vs 스캐폴드:** AI 도구의 사용 결과가 반드시 인지 능력의 향상을 직접적으로 증명하는 것은 아니며, 이는 사회적 스캐폴딩(Vygotsky, 1978)의 연장선에서 이해되어야 함 [2, 3].
+*   **자동 진단 vs 전문적 해석:** 적응형 플랫폼의 분석 신호는 자동화된 진단이 아니라 교사의 전문적 질문을 시작하기 위한 단서로 사용될 때 가장 효과적임 [9, 10].
+
+## 🛠️ 적용 사례 (Applied in summary)
+*   **대수 방정식 수업 (Ms. Chen's Year 8 Mathematics):** 학습 분석 시스템이 4분 동안 진척이 없는 학생(James)을 식별하여, 이전 전략의 적용 가능성을 묻는 메타인지 프롬프트를 실시간으로 제공함 [2, 3].
+*   **디지털 자기 조절 학습 도구:** 학습자의 읽기 건너뛰기, 어려운 과제 회피 등의 행동 패턴을 시각화하여 교사가 개별화된 지원을 할 수 있도록 돕는 플랫폼 활용 [6, 8].
+
+## ✅ 검증 상태 및 신뢰도
+- **상태:** draft
+- **검증 단계:** conceptual (실제 교육 현장의 메타인지 분석 사례 발견됨)
+- **출처 신뢰도:** B (고등 교육 및 신경과학 Mini Review 기반)
+- **중복 검사 결과:** 신규 생성 (New discovery)
+
+## 🔗 관련 문서 링크 (Related document links)
+
+### 상위/유사 개념
+#### [관계 유형 A: 기반 기술 및 이론]
+- [[Brain plasticity]]
+  - 연결 이유: 신경망 모델링의 기초가 되는 뇌의 적응 메커니즘을 제공함 [1].
+- [[Executive functions]]
+  - 연결 이유: AI 시스템이 모방하고 강화하고자 하는 핵심 인지 제어 프로세스 [5, 7].
+
+#### [관계 유형 B: 교육적 적용]
+- [[Metacognition]]
+  - 연결 이유: AI 도구가 학습자에게 지원하고자 하는 핵심 타겟 능력 [2, 3].
+- [[Cognitive skill]]
+  - 연결 이유: AI가 학습자의 기초 및 고등 인지 기술 습득을 보조함 [5, 7].
+
+### 심층 후속 질문 (Deeper Research Questions)
+- AI 프롬프트의 점진적 제거(Fading)가 학습자의 독립적인 [[Executive functions]] 발달에 미치는 장기적 효과는 무엇인가? [11, 12]
+- 학습 분석 데이터(Multimodal data)에서 추출된 인지 패턴은 실제 학습자의 '사고 과정'과 얼마나 일치하는가? [6, 8]
+- AI 기반 적응형 피드백이 초심자(Novice)의 인지 부하(Cognitive Load)에 미치는 영향은 어떠한가? [15, 16]
+- 교사의 전문적 판단과 AI의 분석 신호가 상충할 때, 어떤 의사결정 프레임워크를 적용해야 하는가? [9, 10]
+- 특정 과목(수학 vs 언어)에 따라 AI가 제공해야 하는 인지적 스캐폴딩의 유형은 어떻게 달라져야 하는가? [17, 18]
+
+### 실무 적용 맥락 (Practical Application Contexts)
+- **Implementation:** 실시간 학습 데이터 분석을 통한 적시(Just-in-time) 메타인지 프롬프트 시스템 구축 [2, 3].
+- **System Design:** 학습자의 의존성을 방지하기 위한 점진적 지원 감소(Scaffold fading) 알고리즘 설계 [11, 12].
+- **Operation / Maintenance:** AI 분석 결과에 대한 교사의 피드백 루프 및 데이터 해석 교육 프로그램 운영 [9, 10].
+- **Learning Path:** 기초 인지 기술 습득 단계에서 고등 메타인지적 자기 조절 단계로 나아가는 학습 경로 지원 [2, 19].
+
+### 인접 주변 주제 (Adjacent Topics)
+- [[Neuroscience]]
+  - 확장 방향: 신경 연결성 모델링의 최신 알고리즘 적용 가능성 탐구 [1].
+- [[Self-regulated learning]]
+  - 확장 방향: AI가 학습자의 목표 설정 및 모니터링 순환 고리를 어떻게 강화하는지 조사 [6, 8].
+
+## 📝 변경 이력 (Change history)
+- 2026-05-23: Initial draft generated via Datacollector_MAC P-Reinforce engine. (Source references 62, 326, 355-357, 362-363 applied)