Learning Log · Prompt Journal

학습 로그 & 프롬프트 기록, 이렇게 쓰세요

수업에서 쓰는 학습 로그는 단순한 과제 제출물이 아니라
여러분의 생각과 AI 활용을 기록해 되돌아보기 위한 도구입니다.

01 — WHY

왜 기록해야 하나요?

학습 로그는 '정답'을 적는 곳이 아닙니다. 문제를 풀 때 내가 무엇을 시도했고, 어디서 막혔고, 어떤 판단을 내렸는지를 남겨두면 다음 번 같은 유형의 문제를 훨씬 빠르게 해결할 수 있습니다.

🧠 메타인지 — "내가 아는 것"과 "안다고 착각한 것"을 구분합니다
코드가 돌아갔다고 해서 이해한 것은 아닙니다. 로그를 쓰면서 "왜 이렇게 했지?"라고 스스로에게 설명하는 순간, 모호한 부분이 드러납니다. 이 틈을 메우는 것이 진짜 학습입니다.
🤖 AI 활용 기록 — 프롬프트가 곧 실력입니다
AI에게 질문하는 방식을 기록하면, 다음에 더 나은 질문을 던질 수 있습니다. "코드 짜줘"와 "지금 내가 만든 함수에서 X 케이스가 실패하는 이유를 설명해줘"는 전혀 다른 결과를 만듭니다. 어떤 프롬프트가 쓸 만했고 어떤 건 헛돌았는지 남겨두면 나만의 프롬프트 사전이 됩니다.
📈 회고 — 학기 말에 "무엇을 배웠는가"를 설명할 수 있게 됩니다
한 학기가 끝나면 기억은 흐려집니다. 로그는 여러분이 통과해 온 사고의 흔적이고, 포트폴리오/자기소개서/면접 때 "이런 문제를 이렇게 풀어봤다"라고 구체적으로 말할 수 있는 증거입니다.
02 — TYPES

두 가지 기록 유형

학습 로그는 크게 두 종류입니다. 성격이 다르므로 구분해서 적어주세요.

💭 내 생각 (Reflection)

내 머리에서 나온 사고 과정을 적습니다.
  • 시도한 접근과 왜 그 방향을 택했는지
  • 막힌 지점과 그때 떠올린 가설
  • 결국 어떤 판단으로 풀었는지, 혹은 무엇을 포기했는지
  • 다음에 비슷한 문제를 만나면 어떻게 다르게 할지

🤖 AI 프롬프트 (AI Prompt)

AI(ChatGPT, Gemini, Claude 등)와의 상호작용을 적습니다.
  • 실제로 던진 프롬프트 (그대로 복사)
  • AI가 준 답의 핵심 요약 (전체 복사 금지)
  • 그 답에서 내가 실제로 채택한 부분과 버린 부분
  • 답을 받고 바뀐 내 이해 — "아, 사실은 이런 거였구나"
03 — EXAMPLES

좋은 예 vs 아쉬운 예

실제 제출 사례를 바탕으로 간추린 예시입니다. 핵심은 분량이 아니라 '무엇을 시도했고 무엇을 배웠는가'가 글에 드러나는가입니다.

A. 💭 내 생각 — 트레이딩 전략 회고 (YCS1009)

✓ 좋은 예
"단순 이동평균 크로스 전략(MA5 / MA20)을 백테스트했더니 전체 수익률은 +15%였지만, 횡보 구간에서 크로스가 자주 터져 위쏘(whipsaw)로 연속 손실이 났다. ATR 기반 변동성 필터를 추가해 '변동성이 평균 이상일 때만 진입'하도록 바꿨더니 거래 횟수는 약 30% 줄었지만 최대 드로다운이 −18% → −9%로 개선됐다. 다음엔 시장 국면(추세 / 횡보)을 먼저 분류하는 로직을 붙여봐야겠다."
#lab4 #moving-average #backtest
— 지표 수치로 결과를 비교하고, 원인 가설과 다음 액션까지 이어집니다.
△ 아쉬운 예
"이번 과제는 어려웠다. 열심히 했다. 결국 풀었다."
— 무엇이 어려웠는지, 어떻게 풀었는지가 없어 나중에 다시 읽을 때 아무 정보도 남지 않습니다.

B. 🤖 AI 프롬프트 — 강화학습 하이퍼파라미터 (YCS1003)

✓ 좋은 예
프롬프트: "DQN 학습이 200 에피소드쯤부터 평균 reward가 오히려 떨어지는데, 원인 가설과 점검 순서를 알려줘. 현재 설정은 lr=1e-3, γ=0.99, replay=10k, target update=매 1k 스텝."
요약: AI가 가능성 세 가지를 제시 — ①learning rate가 높아 Q값이 발산, ②replay buffer가 너무 작아 최근 경험에 과적합, ③ε-greedy 감쇠가 빨라 탐험 부족. 우선순위로 lr을 먼저 낮춰 보라고 권고.
채택: lr을 1e-3 → 5e-4로 낮춰 재학습했더니 reward 곡선이 안정됨. 버림: AI가 "reward shaping을 바꾸라"고도 제안했지만 과제 조건상 shaping은 고정이어서 반영하지 않음."
#lab3 #DQN #hyperparam
— 현재 설정값까지 구체적으로 붙였고, AI의 제안 중 과제 조건에 맞는 것만 골라냈습니다.
△ 아쉬운 예
프롬프트: "코드 짜줘"
요약: (AI 응답 전문 붙여넣기 500줄)
— 내 생각의 흔적이 없고, 복붙된 코드만 남아 학습 근거로 쓰기 어렵습니다.

💡 분량 팁: 좋은 로그는 보통 3~6 문장이면 충분합니다. 길이보다 '구체성'이 중요합니다.

04 — RULES

태그 — 어떻게 분류하나요

태그를 통해 과제/프로젝트 혹은 어떤 주제에 대한 기록인지 구분하도록 합니다.

#태그
프로젝트, 과제 번호, 혹은 주제에 대해서 자유롭게 입력할 수 있습니다. 특정 랩·라운드에 속하지 않는 기록은 자유 기록으로 남기세요.
05 — EVALUATION

평가는 어떻게 이뤄지나요

구체적인 점수 기준은 과목 운영에 따라 조정될 수 있습니다. 대신 평가가 어떤 방향을 보는지 공유합니다.

  • 진정성 — 제출된 과제의 실제 작업 과정이 로그에 드러나는가. 결과만이 아니라 중간 실패와 판단이 보이는 로그를 우선 봅니다.
  • 메타인지 — "이걸 왜 했는지"와 "다음엔 어떻게 다르게 할지"가 있는가. 자기 사고에 대한 반성이 들어간 글을 가치 있게 봅니다.
  • AI 활용 질 — AI의 답을 맹목적으로 수긍하지 않고, 의심하고 검증하며 내 상황에 맞게 취사선택하는 주도적인 활용이 보이는가.
  • 일관성 — 학기 내내 꾸준히 쌓였는가, 아니면 마감 직전에 몰아 썼는가. 적은 분량이더라도 꾸준한 기록을 더 가치 있게 봅니다.

※ 분량이나 개수가 많다고 점수가 비례해 올라가지는 않습니다.

이제 첫 로그를 써 볼 준비가 되셨나요?

학습 로그 쓰러 가기