클래스팅 AI

플랫폼은 두 가지 평가 모드를 나란히 돌린다. 적응형 평가는 각 답에 따라 문제 유형과 난이도를 실시간으로 바꾸므로, 학생은 더 적은 문항으로 신뢰할 만한 결과에 닿는다. 고정 평가는 모두에게 같은 세트를 주므로, 통제되고 비교 가능한 기준을 원하는 교사에게 맞는다. 시험마다 고르면 된다.

진단 평가는 현재 단원을 넘어선다. 이전 학년에서 빠진 선수 지식을 추적해 목표까지의 최단 경로를 보여 주는 학습 지도에 그린다. 교사는 이 보고서로 새 주제를 시작하기 전에 누구에게 추가 지원을 줄지 정한다.

추천 엔진은 문제 더미를 쏟아 내는 대신, 학생의 수준을 가장 빠르게 끌어올릴 가능성이 큰 순서로 문제를 배열한다. 이것은 실천으로서의 맞춤형 학습이며 꼬리표가 아니다. 오답은 모여 다시 출제되고, 취약 개념은 정리될 때까지 돌아온다. 회사는 이를 속성 연습이라고 부른다.

Jello라는 이름의 튜터는 검색 그라운딩이 붙은 사설 LLM 위에서 돈다(RAG는 답을 열린 기억이 아니라 정해진 자료에 묶는 기법이다). 덕분에 답변이 출처 내용에 고정되고 만들어 낸 답의 위험이 줄어든다. 학생에게는 학습 경로를 제안하고 끝나지 않은 과제를 알린다. 교사에게는 수업 준비와 일상 업무를 돕는다.

실시간 대시보드가 교사 경험의 핵심이다. 학생 개별 보고서, 단원별 성취 분석, 학급 전체 분포 보기, 일간·주간 활동 요약을 얻는다. AI 요약이 생숫자 위에 쉬운 말 피드백을 더한다. 1분이면 훑어볼 만큼 단순하다.

학습 콘텐츠는 모든 교과와 모든 학년에 걸친다. 문제와 영상 뱅크는 한국 교육과정을 위해 만들어졌으므로, 학교는 교과마다 별도 도구를 둘 필요가 없다. 교과별 깊이는 다를 수 있다.

순위표, 퀴즈 대전, 진도 지도, 배지, 아이템 상자가 학습을 학생이 스스로 확인하는 것으로 바꾼다. 목표는 습관 형성이지 점수만이 아니다. 학생은 자신이 어디에 서 있고 어디가 나아졌는지 정확히 본다.

학교와 큰 기관은 싱글 사인온, 화이트 라벨 브랜딩, 플랫폼 연동, 학습 데이터 API를 추가한다. API가 있어야 두 개의 대시보드를 돌리는 대신 결과를 기존 학교 시스템으로 끌어올 수 있다.