CIT의 AI 교육은 AI가 왜 그렇게 답하는지 원리를 이해하고 학생이 직접 모델을 설계하고 검증해 보는 데 집중합니다. 프로그래밍 경험 없이 시작할 수 있지만 프로젝트에 필요한 코딩 수준은 질문에 따라 달라지고 최종 작업에 쓴 도구·코드·데이터·분석은 학생이 직접 설명합니다. 생물·인문·예술 등 비(非)CS 관심 분야도 AI + X 융합 트랙으로 독립 확장할 수 있습니다.
국제학교 학생은 AP·IB·IGCSE 학업을 먼저 지키며 압구정 대면 또는 전국 온라인으로 프로젝트를 확장합니다. 국제학교 AI 교육·EC 포트폴리오 보기 →
과학고·영재학교 준비 학생은 프로젝트를 공통 제출물로 가정하지 마세요. 2027 공식 자료와 10문항 탐구 증거 체크리스트 보기 →
최종 검토: 2026년 8월 30일
고등학생 AI+X 프로젝트 한 과정의 뼈대입니다. 자세한 연구 주제, 진행 단계, 결과물은 아래에서 이어집니다.
국제학교(IB·AP·IGCSE·A-Level) 학생과 국내 일반고·과학고·영재학교를 준비하는 고등학생이 중심입니다. 중학생은 준비도에 따라 데이터 분석·머신러닝 단계에서 먼저 시작합니다.
프로그래밍 경험은 없어도 됩니다. 대신 생명과학·인문·경제·예술·환경 가운데 관심 교과 하나와 거기서 나온 질문이 필요합니다. 질문을 검증하는 데 드는 코딩·통계는 수업에서 단계적으로 배우고, 최종 작업에 쓴 도구·코드·데이터는 학생이 직접 설명합니다.
레벨 테스트와 상담 뒤 관심 분야(X)와 수준에 맞는 멘토를 배정합니다. 압구정 대면 또는 전국·해외 온라인 1:1 개인·1:n 소수 그룹으로 주 1~2회 세션에서 프로젝트 설계, 코드 리뷰, 결과 해석, 발표 연습을 합니다. 수업 녹화본은 따로 보관하지 않습니다.
날짜·역할·질문·방법·데이터 출처·결과·한계를 적은 연구 노트와, 같은 내용을 재현할 수 있게 정리한 GitHub 또는 포트폴리오 문서입니다. 자격이 맞을 때 KSEF 형식 연구 자료, 교내 발표, 서비스 프로토타입으로 이어집니다.
AI + X는 학생이 관심 있는 분야(X)와 AI가 만나는 지점에서 프로젝트를 설계하는 접근법입니다. 아래는 실제 수업에서 다루는 조합입니다. 교육과정·관심 교과·결과물·준비 수준으로 걸러 볼 수 있습니다.
| 관심 분야 (X) | AI 프로젝트 방향 | 활용 기술 |
|---|---|---|
| 생명과학 | 승인된 공개 데이터로 의료 이미지 분류 또는 생물학적 패턴 비교 | PythonTensorFlow공개 데이터 |
| 인문·사회과학 | 공개 텍스트 감성 분석, 교육 도구 또는 정책 데이터 탐색 | NLPPandasscikit-learn |
| 경제·경영 | 공공 경제 데이터 모델링 또는 인터랙티브 정책 시뮬레이터 | 데이터 분석회귀 모델 |
| 예술·음악 | 저작권·데이터 출처를 기록한 음악 패턴 분류 또는 접근성 도구 | MIDI 데이터설명 가능한 AI 도구 |
| 환경·지구과학 | 위성·기후·지자체 공개 데이터로 지역 문제 모델링 | CNNGIS공개 데이터 |
선택한 조건의 예시가 없습니다. 조건을 넓히거나 진단에서 맞춤 방향을 요청해 주세요.
기초 학습 기간은 학생의 출발점과 프로젝트 범위에 따라 달라집니다. 최종 결과에서는 검증된 라이브러리를 포함해 사용한 코드와 도구를 학생이 설명합니다. 포트폴리오 쪽 안내는 AI 포트폴리오 프로그램 페이지에 있습니다.
레벨 테스트와 상담으로 출발점을 정하고 멘토를 배정한 뒤, 아래 여섯 단계로 진행합니다. AI 프로젝트는 학생이 언제, 어떤 역할로, 무엇을 새로 했는지 기록이 남아야 의미가 있어서 날짜·역할·질문·새 기여·방법·데이터 출처·결과·한계·반복 과정·멘토 지원 범위가 남도록 설계합니다.
프로젝트를 몇 개, 몇 달 하고 어떤 대회 실적이 있어야 한다는 대학 공식은 없습니다. 자기 교과에서 나온 질문, 새로 찾은 증거, 학생이 맡은 역할, 스스로 설명할 수 있는 결과물이면 됩니다.
한 주제를 학생의 일정에 맞춰 반복·검증하고 논문·대회·발표 같은 여러 결과물로 정리하면, 같은 프로젝트의 발전 과정과 실제 기여를 일관되게 설명할 수 있습니다. KSEF 같은 프로젝트 대회·발표 일정과 USAAIO 같은 현장 감독 시험 일정은 별도 로드맵으로 나눠 조율합니다. 고급 트랙에 관심 있다면 에이전틱 엔지니어링 과정도 참고하세요.
아래는 실제 학생 성과나 입시 공식이 아니라, 관심 분야와 준비도에 맞춰 설계할 수 있는 예시 학습 방향입니다. 좋은 결과물은 구체적인 질문, 학생의 새 기여, 기준선 비교, 오류·한계와 정확한 역할을 함께 보여 줍니다.
프로젝트 경험은 학생이 직접 만들고 설명할 수 있을 때 학습·활동·포트폴리오 증거가 됩니다. Common App 등 지원서가 허용하는 활동란에 기재할 때는 학생의 정확한 역할, 기간, 결과와 멘토 지원 범위를 정직하게 표현하고 외부 링크 검토를 가정하지 않습니다.
AI 교육에서 익힌 데이터 분석, 통계, 논리적 추론과 과학적 방법론은 관련 교과를 더 깊게 이해하는 데 활용할 수 있습니다. 성적이나 입시 결과를 약속하지는 않습니다. 학교 과제 마감이 먼저이고 제출물은 학생이 직접 씁니다.
프로그래밍 경험 없이 시작할 수 있습니다. 필요한 코딩 수준은 프로젝트에 따라 다르며, 학생은 최종 작업에 사용한 도구, AI 출력, 코드와 분석을 이해하고 설명할 수 있어야 합니다. 학생이 설명할 수 없는 코드나 출력을 제출물로 사용하지 않습니다.
시작할 수 있습니다. 생물·인문·경영·예술 등 교과 관심에서 질문을 정하고 프로젝트에 필요한 코딩, 데이터 수집·분석, 결과 해석과 발표를 단계적으로 배웁니다. 필요한 코딩 수준은 프로젝트에 따라 다르며 최종 작업의 모든 도구와 결과를 학생이 직접 설명해야 합니다.
① 관심 교과와 AI의 교차점 탐색 → ② 기존 평가 과제와의 경계 기록 → ③ 새 질문·데이터·사용자·방법 정의 → ④ 학생 주도 구현·분석 → ⑤ 결과·한계·데이터 출처 문서화 → ⑥ 해당 연도 규정과 지원 전형이 허용하는 대회, 학교 활동, 서비스 또는 포트폴리오로 연결합니다.
한 가지 정답은 없습니다. 생명과학·인문·경제·예술 등 자신의 관심에서 구체적인 질문을 정하고, 적법하게 사용할 수 있는 데이터와 AI 없는 기준선을 먼저 확인합니다. 학생의 새 기여, 코드·실험 기록, 결과·오류·한계, 데이터 출처와 멘토·AI 지원 범위를 함께 남기고 모든 선택을 직접 설명할 수 있어야 합니다.
생성형 AI 도구(ChatGPT, Claude 등)를 활용하되, AI의 원리를 이해하고 비판적으로 평가하는 능력을 키웁니다. "AI가 말하는 것이 왜 옳은가, 왜 틀릴 수 있는가"를 스스로 판단할 수 있는 사고력이 목표입니다.
데이터 분석, 통계, 논리적 사고와 실험 설계 개념은 수학·과학 교과를 이해하고 관련 문제를 탐구하는 데 활용할 수 있습니다. 성적 향상을 보장하지 않으며 IB·AP 평가 과제는 학생이 직접 작성하고 별도의 프로젝트와 분리합니다.
KSEF (Korea Science & Engineering Fair), Technovation Girls, CAC (Congressional App Challenge)와 일부 AI 해커톤은 프로젝트 결과물을 평가하는 선택지입니다. 지원 전에 해당 연도 공식 요강에서 ① 나이·학년, ② 거주지·국적·지역 요건, ③ 개인·팀 구성, ④ 기존 작업 재사용과 진출 규칙을 확인해야 합니다. USAAIO (USA AI Olympiad)는 별도의 이론·코딩 시험 트랙입니다. 2027 Round 1은 학교 또는 공식 시험장에서 현장 감독을 받아 치르는 3시간 시험이며 코딩 과제는 Google Colab에서 수행합니다. 집에서 보는 온라인 예선이 아닙니다. 참가 자격과 Team USA 선발 자격도 별도로 확인하세요. USAAIO 대회 준비 페이지에서 경계를 확인할 수 있으며 참가나 수상을 보장하지 않습니다.
가능합니다. 다만 두 기록은 분리합니다. 2027 USAAIO Round 1은 학교 또는 공식 시험장에서 현장 감독을 받아 치르는 3시간 시험이며 코딩 과제는 Google Colab에서 수행합니다. 집에서 보는 온라인 예선이 아닙니다. 공식 시즌 페이지는 Round 1을 “open to everyone”이라고 안내하지만 Contest Rules에는 미국·캐나다 시민권·영주권 또는 현지 학교 재학 등 참가 자격 범주가 적혀 있으므로, 그 범주 밖 학생은 등록 전에 주최 측에 직접 확인해야 합니다. Team USA 선발 자격도 별도입니다. AI 포트폴리오 프로젝트와 올림피아드 수학·ML 이론 준비는 병행할 수 있지만, 각 대회와 학교 규정에 따라 별도 증거로 관리합니다.
교과 학습 → 독립 확장 → 검증 가능한 EC
성적과 학교 필수 제출물을 먼저 지킨 뒤, 새로운 질문의 학생 주도 프로젝트로 분기하고 해당 전형이 허용하는 증거만 기록합니다.
교과 지식 + 새로운 질문 + 새로운 증거 + 학생 주도성 + 검증 = 설명 가능한 EC
배운 내용은 확장하고 평가 제출물은 복제하지 않습니다
CIT는 학생이 배운 내용을 새로운 작업으로 확장하도록 돕습니다. 평가 과제를 복제하거나 학생 대신 학교 과제를 작성하거나 기존 작업을 새 대회 프로젝트로 제시하지 않습니다. 학생이 결정을 내리고 작업을 만들며 모든 부분을 설명할 수 있어야 합니다.
CIT는 평가 제출물을 복제하거나 학생 대신 과제를 작성하지 않으며 수상·국제대회 선발·합격을 보장하지 않습니다.
어디서 시작할지 막막하시면 레벨 테스트 뒤 무료 상담에서 학생에게 맞는 출발점을 잡아 드립니다. 해외 거주 가정도 온라인으로 똑같이 상담합니다.