SSAT Analogy에 출제되는 단어 쌍들을 55-Logic 관계 유형에 따라 분류하고, 검색 가능한 데이터베이스로 구축합니다. 전체 시스템의 원재료 창고 역할입니다.

구체적 작업 내용

기존 55-Logic 관계 유형 분류 체계를 디지털 스키마로 변환합니다. "유사(Synonym)", "반의(Antonym)", "부분-전체(Part-Whole)", "도구-기능(Tool-Function)" 같은 관계 유형 각각에 고유 코드와 정의, 예시를 부여합니다.

SSAT 기출 및 기존 축적 데이터에서 단어 쌍을 추출하고 각 쌍에 관계 유형 태그를 부여합니다. 콘텐츠/데이터 전문가가 주도하고, AI 개발자가 반자동 태깅 도구를 만들어 속도를 높입니다.

목표 데이터 규모

MVP 단계에서는 전체 55개 유형 중 핵심 15~20개 유형에 집중하고, 유형당 30~50개 단어 쌍, 총 500~800개 단어 쌍을 확보합니다.

데이터 저장 구조

그래프 DB(Neo4j)는 4명 팀에 과도한 인프라입니다. PostgreSQL + JSON 필드 조합으로 관계 데이터를 저장하고, 의미적 거리 계산은 임베딩 벡터(OpenAI Embedding API 등)의 코사인 유사도로 처리합니다.

Layer 1에서 추출한 단어 쌍을 바탕으로, LLM이 정해진 규칙 안에서만 SSAT Analogy 문항을 생성하도록 만드는 엔진입니다.

구조적 프롬프트 설계

단순히 "문제 만들어줘"가 아니라, Logic Type, Stem Pair, 난이도, 제약조건을 명시한 구조적 프롬프트 템플릿을 설계합니다.

[입력 예시]
- Logic Type: Part-Whole (부분-전체)
- Stem Pair: Petal → Flower
- 난이도: 중
- 제약조건: 오답 선택지는 동일 Logic Type이
  아닌 다른 관계 유형에서 추출할 것

Few-shot 예시(정상 문항 3~5개)를 함께 제공해서 LLM이 패턴을 학습하게 하고, 출력은 사전 정의한 JSON Schema를 반드시 통과해야 합니다.

LLM 선택

MVP에서는 GPT-4o 또는 Claude API를 활용합니다. 자체 파인튜닝은 하지 않습니다. 데이터도 부족하고 4명이 파인튜닝까지 하면 일정이 무너집니다. 구조적 프롬프트 + JSON Schema 검증만으로 품질을 통제할 수 있는지 먼저 확인하는 게 이 단계의 핵심입니다.

생성된 문항이 논리적으로 맞는지 자동으로 검사합니다. "전문가에게 보내기 전에, 명백한 결함은 기계가 먼저 걸러내자"는 목적입니다.

3단계 자동 검증

검증 1단계 — 형식 검증. 선택지 개수, 정답 포함 여부, 중복 선택지 등 기본적인 구조를 확인합니다.

검증 2단계 — 관계 일관성 검증. 정답 쌍과 stem 쌍의 관계 벡터 코사인 유사도를 계산하고, 임계값(0.7) 이하이면 "관계 불일치"로 판정합니다.

검증 3단계 — 75-Trap 오류 패턴 매칭. MVP에서는 빈도가 높고 탐지가 용이한 핵심 20~30개 패턴을 먼저 구현합니다.

검증 실패 시 실패 사유를 태깅하고 재생성을 요청하는 루프가 작동합니다. 최대 3회로 제한하고, 3회 실패 시 "수동 검토 필요"로 분류합니다.

각 문항의 난이도를 자동 추정합니다. MVP에서는 "정교한 예측"이 아닌 "대략적 3단계 분류"가 목표입니다.

정확한 난이도 예측에는 학습자 반응 데이터가 필요하지만, Phase 1에는 사용자가 없습니다. 초기에는 규칙 기반으로 시작하고, Phase 3에서 실제 데이터로 고도화합니다.

규칙 기반 난이도 추정 변수

어휘 희소성: 단어 빈도 데이터(COCA corpus 등)를 활용하여 희귀도를 점수화합니다.

오답 유인력: 오답과 정답 간 의미 유사도를 계산합니다. 유사할수록 난이도 상승.

관계 유형 복잡도: 55-Logic 유형별 기본 난이도 가중치를 부여합니다.

이 변수들을 가중합하여 쉬움/보통/어려움 3단계로 분류합니다.

4개 Layer를 하나로 연결하고 끝에서 끝까지 돌려봅니다. 핵심 15~20개 Logic Type에 대해 각각 최소 10문항씩, 총 150~200문항을 자동 생성하고, 전문가가 표본 검수(50문항 이상)를 수행합니다.

학생에게 바로 정답을 알려주지 않고, 질문과 힌트를 단계적으로 제공해서 스스로 사고하고 답에 도달하게 유도하는 교수법입니다.

왜 간소 버전으로 시작하는가

완전한 소크라틱 대화는 학생의 답변을 실시간 분석하고 동적 후속 질문을 생성해야 합니다. 이건 별도 AI 대화 엔진이 필요한 수준입니다. MVP에서는 "고정형 3단계 힌트 시스템"으로 시작합니다.

3단계 힌트 구조

기술적 구현

Layer 2 프롬프트에 힌트 생성 지시를 추가하고, JSON Schema에 hint_level_1, hint_level_2, hint_level_3 필드를 추가합니다. 생성된 힌트도 Layer 3의 검증 대상에 포함합니다.

학생이 접속해서 문제를 풀 수 있는 웹 애플리케이션을 만듭니다. 화려한 디자인이 아니라 학습 흐름이 매끄럽게 작동하는 것이 핵심입니다.

기술 스택

프론트엔드: Next.js (React 기반) / 백엔드: Phase 1의 Python(FastAPI) 엔진 활용 / DB: PostgreSQL 계속 사용 + 사용자·학습 로그 테이블 추가 / 인증: 이메일+비밀번호 (소셜 로그인은 Phase 3) / 호스팅: Vercel + AWS/GCP

핵심 화면 구성

회원가입/로그인: 이메일+비밀번호 가입, 간단한 프로필 입력

학습 메인: 난이도 선택(쉬움/보통/어려움), "문제 풀기" 버튼, 간단한 요약 통계

문제 풀기: 문항 표시 → 선택 → 정답 여부 → 틀리면 힌트 단계별 열림 → 다음 문제

학습 결과: 정답률, 틀린 문제 목록, 약한 Logic Type 요약

모바일 웹 반응형 필수. 별도 앱은 만들지 않습니다.

학생들의 모든 행동 데이터를 자동으로 기록합니다. 이 데이터가 Phase 3에서 AI 엔진을 개선하는 핵심 연료가 됩니다.

수집 데이터

문항별: 선택한 답, 정답 여부, 소요 시간, 힌트 열람 단계, 힌트 후 답변 변경 여부

사용자별: 누적 정답률, Logic Type별 정답률, 학습 빈도, 세션당 풀이 수

문항 집계: 전체 정답률, 평균 소요 시간, 힌트 열람률, 최다 선택 오답

실시간 분석은 불필요하고, 배치 처리로 일 단위 집계하면 충분합니다.

팀 4명 + 외부 자문 전문가가 직접 서비스를 사용하고, 추가로 SSAT 준비 학생 5~10명에게 비공식 테스트를 진행합니다. 이 피드백이 Phase 3 베타 설계에 반영됩니다.

과금 모델

무료 체험: 가입 후 10문항까지 무료 (힌트 포함). 서비스 경험 후 결제 유도.

유료 구독: 월 단위 1가지만. 무제한 문항, 전체 난이도, 학습 통계 포함. 가격 $19.99~$29.99 범위에서 베타 중 테스트. 베타 테스터에게 50% 얼리버드 할인.

연간 구독, 학원 플랜은 Phase 4 이후 검토합니다.

기술적 구현

Stripe 사용. 해외 결제 기본 지원, 구독 관리 내장. 구독 생성/갱신/해지/재시도까지 Stripe가 처리합니다. 프론트에서 구독 상태별 접근 제어. 결제 이메일은 Stripe + SendGrid로 자동화합니다.

법적 체크

이용약관, 개인정보 처리방침 작성. 미성년자 주 사용자이므로 COPPA 확인 필요. 기본 약관 + 베타 동의서에 "베타 서비스임" 명시로 시작합니다.

테스터 모집 전략

채널 1 — 학원/컨설팅 제휴: SSAT 전문 학원에 학생 대상 베타 참여 제안. 학원에 추가 학습 도구 무료 제공이므로 거부 이유 적음.

채널 2 — 학부모 커뮤니티: 온라인 포럼, Facebook 그룹, 카카오톡 유학 준비 그룹에 모집 공고.

채널 3 — 기존 네트워크: 23년간의 교육 전문가 네트워크가 가장 빠른 채널.

인센티브: 베타 기간 무료 이용 또는 정식 출시 후 3개월 무료. 조건: 주 1회 피드백 설문 응답.

피드백 수집 체계

정량 데이터: Phase 2의 학습 데이터 수집 시스템이 자동 수집 (정답률, 힌트 열람률, 이탈 지점 등)

정성 데이터: 주 1회 간단한 설문(5~7문항), 테스터 중 5~10명 대상 격주 15분 인터뷰

주차별 운영 계획

Layer 3 검증 강화

"결함인데 검증을 통과한 문항"의 패턴을 분석하여 75-Trap 룰셋에 새 패턴을 추가합니다. MVP의 20~30개 → 40~50개로 확대가 목표입니다.

Layer 4 난이도 보정

규칙 기반 난이도와 실제 정답률을 비교하여 가중치를 보정합니다. 30~50명 데이터로 IRT 모델은 아직 어렵고, 규칙 기반 보정에 집중합니다.

문항 생성 품질 개선

피드백과 검수 결과를 바탕으로 Layer 2 프롬프트를 매주 반복적으로 개선합니다.

우선순위 분류 기준

예상 수정 작업

문항 품질: 특정 Logic Type의 프롬프트·Few-shot 집중 보강

힌트 품질: 1단계 힌트 구체성, 2단계 힌트 노출 수준 조정

UX: 학습 진행 표시(프로그레스 바), 세션 요약 화면 보강

타겟 고객

1차 타겟: 미국 사립학교 입학 준비 한국인 학부모·학생. 한국어 커뮤니케이션 가능, SSAT 수요 높음, 교육 투자 적극적.

2차 타겟: 미국 현지 SSAT 준비 학원·튜터 (B2B). 과제 기간 내 탐색 수준.

채널별 전략

마케팅 예산

월 50~100만 원 소액 온라인 광고(Facebook/Instagram 타겟) + 인적 네트워크 기반 무비용 채널 병행.

성장 지표 대시보드

기존 DB에서 핵심 쿼리를 돌려 시각화하는 수준의 간단한 대시보드를 구축합니다.

사용자 지표: DAU, 주간 리텐션, 유료 전환율 / 학습 지표: 일별 풀이 수, Logic Type별 정답률, 힌트 열람률 / 매출 지표: MRR, 구독자 추이, 해지율

과제 이후 로드맵 초안

소크라틱 스캐폴딩 고도화 (고정형 → 동적 힌트), Layer 4 IRT 모델 본격 도입 (사용자 500명+ 데이터 기반), SSAT 다른 영역 확장, 학원용 B2B 플랜, 모바일 앱 검토.