LXP 추천 로직 설계: AI 추천보다 먼저 필요한 것들

LXP 추천은 AI 기능이 아니라 학습 행동 설계의 문제다

LXP를 LMS와 구분하는 대표적인 요소 중 하나는 추천이다.

 

LMS에서는 보통 관리자가 강의를 배정한다.
학습자는 배정된 강의를 듣고, 진도를 채우고, 수료하면 된다.

 

반면 LXP에서는 학습자가 스스로 콘텐츠를 탐색하고, 플랫폼은 다음 학습을 제안한다.

이때 중요한 질문은 다음과 같다.

• 이 학습자에게 지금 어떤 콘텐츠를 추천해야 하는가?

하지만 여기서 주의할 점이 있다.
LXP라고 해서 처음부터 AI 추천을 넣어야 하는 것은 아니다.

오히려 초기 LXP에서는 규칙 기반 추천부터 시작하는 것이 더 현실적이다.
추천 근거가 명확하고, 운영자가 제어할 수 있으며, 데이터가 충분히 쌓이기 전에도 적용할 수 있기 때문이다.

 

기획 관점에서 추천은 알고리즘의 문제가 아니라,
사용자의 다음 행동을 어떤 기준으로 제안할 것인가의 문제다.

---

추천은 강제 배정이 아니라 제안이어야 한다

LXP 추천을 설계할 때 가장 먼저 정해야 할 원칙이 있다.

• 추천은 강제 배정이 아니라 제안이어야 한다.

LMS에서는 관리자가 특정 강의를 필수로 배정할 수 있다.
하지만 LXP에서는 학습자의 선택권이 중요하다.

 

따라서 추천 문구도 단정적으로 쓰는 것은 적절하지 않다.

피해야 할 표현은 다음과 같다.

• 이 콘텐츠를 반드시 학습해야 합니다.
• 부진 학생이므로 이 콘텐츠를 학습해야 합니다.
• AI가 판단한 필수 보충 콘텐츠입니다.

대신 다음처럼 제안형으로 표현하는 것이 좋다.

• 최근 학습한 주제와 연결되는 콘텐츠입니다.
• 다음 학습으로 살펴볼 수 있습니다.
• 최근 기초 개념 콘텐츠의 미완료가 있어, 관련 개념을 복습할 수 있는 콘텐츠를 추천합니다.

특히 교육 서비스에서는 학습자를 단정적으로 분류하거나 자동 처방하는 방식은 조심해야 한다.

핵심은 학습자에게 낙인을 찍지 않고, 관찰 가능한 학습 활동을 근거로 추천하는 것이다.

---

추천 로직 1단계 : 규칙 기반 추천

가장 먼저 적용하기 좋은 방식은 규칙 기반 추천이다.

규칙 기반 추천은 관리자가 정한 조건에 따라 콘텐츠를 추천하는 방식이다.

 

예를 들어 다음과 같은 규칙을 만들 수 있다.

• 완료한 콘텐츠의 후속 콘텐츠 추천
• 미완료 콘텐츠 이어학습 추천
• 같은 단원의 다음 콘텐츠 추천
• 같은 난이도의 관련 콘텐츠 추천
• 교사가 지정한 콘텐츠 우선 추천
• 관심 주제와 연결된 콘텐츠 추천

예시는 다음과 같다.

- 조건: 사용자가 ‘분수의 의미 이해하기’를 완료했다.
- 추천: ‘분수의 덧셈 이해하기’를 추천한다.
- 추천 이유: 최근 완료한 콘텐츠의 다음 학습 단계입니다.

 

규칙 기반 추천의 장점은 설명이 쉽다는 것이다.
왜 추천되었는지 명확하게 말할 수 있다.

 

초기 LXP에서는 이 방식만으로도 충분히 개인화된 느낌을 만들 수 있다.

특히 교육 플랫폼에서는 추천 근거를 설명할 수 있는지가 중요하기 때문에, 규칙 기반 추천은 MVP 단계에서 적합하다.

---

추천 로직 2단계 : 행동 기반 추천

두 번째 단계는 행동 기반 추천이다.

행동 기반 추천은 학습자의 실제 사용 데이터를 활용한다.

 

예를 들어 다음과 같은 행동 데이터를 볼 수 있다.

• 최근 학습한 콘텐츠
• 자주 보는 주제
• 저장한 콘텐츠
• 클릭한 추천 콘텐츠
• 완료한 콘텐츠
• 중간에 이탈한 콘텐츠
• 반복 학습한 콘텐츠

이 데이터를 활용하면 다음과 같은 추천이 가능하다.

• 최근 학습한 주제와 유사한 콘텐츠 추천
• 자주 학습한 콘텐츠 유형 기반 추천
• 저장한 콘텐츠와 유사한 콘텐츠 추천
• 많이 완료한 주제의 심화 콘텐츠 추천
• 중간에 멈춘 콘텐츠 이어학습 추천

예를 들어 사용자가 시각 자료 기반 콘텐츠를 자주 학습한다면 다음과 같이 추천할 수 있다.

최근 그림과 예제로 구성된 콘텐츠를 자주 학습했습니다.
같은 방식으로 개념을 설명하는 콘텐츠를 추천합니다.

 

행동 기반 추천은 학습자의 실제 관심을 반영할 수 있다는 장점이 있다.

 

다만 행동 기반 추천을 적용하려면 이벤트 데이터가 안정적으로 수집되어야 한다.
클릭, 저장, 시작, 완료, 이탈 같은 데이터가 없으면 추천 기준이 모호해질 수 있다.

---

추천 로직 3단계 : 목표 기반 추천

세 번째 단계는 목표 기반 추천이다.

목표 기반 추천은 학습자의 목표나 역량을 기준으로 콘텐츠를 추천하는 방식이다.

 

예를 들어 학습자의 목표가 다음과 같다고 가정해보자.

목표 : 분수 연산 이해하기

 

그러면 LXP는 이 목표에 맞는 학습경로를 제안할 수 있다.

1단계. 분수의 의미 이해
2단계. 분모가 같은 분수의 덧셈
3단계. 분모가 다른 분수의 덧셈
4단계. 분수의 뺄셈
5단계. 응용 문제 풀이

 

목표 기반 추천은 단순히 콘텐츠 하나를 추천하는 것이 아니라,
학습 여정 전체를 설계하는 방식에 가깝다.

 

기업 교육에서는 목표가 다음처럼 설정될 수 있다.

목표 : 주니어 기획자의 데이터 기반 의사결정 역량 강화

 

이 경우 추천 경로는 다음처럼 구성할 수 있다.

1단계. 데이터 지표의 기본 개념
2단계. GA4 기본 리포트 읽기
3단계. 전환율과 이탈률 해석
4단계. A/B 테스트 기초
5단계. 서비스 개선안 작성 실습

 

목표 기반 추천은 학습자가 “왜 이 콘텐츠를 배워야 하는지” 이해하기 쉽다는 장점이 있다.

---

추천 로직 4단계 : AI 기반 개인화 추천

마지막 단계는 AI 기반 개인화 추천이다.

AI 추천은 학습자의 이력, 관심사, 수준, 목표, 유사 사용자 패턴 등을 종합해서 콘텐츠를 추천할 수 있다.

 

하지만 AI 추천을 적용할 때도 중요한 원칙이 있다.

• 추천 근거를 설명할 수 있어야 한다.

다음과 같은 표현은 부족하다.

• AI가 추천한 콘텐츠입니다.

사용자는 왜 이 콘텐츠가 추천되었는지 알 수 없다.

대신 다음처럼 보여주는 것이 좋다.

• 최근 ‘분수의 의미’ 콘텐츠를 완료했고,
  같은 단원의 다음 개념인 ‘분수의 덧셈’ 학습 이력이 없어 추천합니다.

또는 다음처럼 표현할 수 있다.

• 관심 주제로 설정한 ‘기초 수학’과 관련된 콘텐츠이며,
  최근 학습한 콘텐츠와 난이도가 유사합니다.

AI 추천이라고 해도 사용자가 이해할 수 있는 설명이 필요하다.

 

AI 추천은 마지막에 붙이는 장식이 아니다.
콘텐츠 메타데이터, 학습 활동 데이터, 추천 로그, 개인정보 보호 정책이 갖춰져야 의미 있게 작동한다.

---

추천 근거 문구 설계

LXP에서는 추천 근거 문구가 매우 중요하다.

 

추천 근거는 사용자가 추천을 신뢰하게 만드는 장치다.
또한 추천이 단순 노출이 아니라 학습자의 맥락과 연결되어 있다는 점을 보여준다.

 

추천 근거는 다음과 같은 기준으로 만들 수 있다.

추천 유형	추천 근거 예시
이어학습	이전에 학습하던 콘텐츠입니다.
후속 콘텐츠	최근 완료한 콘텐츠의 다음 단계입니다.
관심 주제	관심 주제로 설정한 항목과 관련된 콘텐츠입니다.
난이도 기반	최근 학습한 콘텐츠와 난이도가 유사합니다.
교사 추천	담당 교사가 추천한 콘텐츠입니다.
인기 콘텐츠	같은 학년 학습자들이 많이 학습한 콘텐츠입니다.
복습 추천	최근 미완료한 개념을 다시 확인할 수 있는 콘텐츠입니다.

 

추천 문구는 단정형보다 설명형, 제안형이 적절하다.

예시는 다음과 같다.

최근 학습한 ‘분수의 의미’와 연결되는 콘텐츠입니다.
다음 개념을 학습해보고 싶다면 이 콘텐츠를 살펴보세요.

 

또는 다음처럼 쓸 수 있다.

이전에 중간까지 학습한 콘텐츠입니다.
남은 예상 학습 시간은 약 5분입니다.

 

추천 근거가 구체적일수록 학습자는 더 쉽게 다음 행동을 결정할 수 있다.

---

추천 우선순위 설계

여러 개의 추천 후보가 있을 때 어떤 콘텐츠를 먼저 보여줄지도 설계해야 한다.

추천 우선순위 예시는 다음과 같다.

1. 이어학습 콘텐츠
2. 교사 또는 관리자가 지정한 추천 콘텐츠
3. 현재 학습경로의 다음 단계 콘텐츠
4. 최근 완료한 콘텐츠의 후속 콘텐츠
5. 관심 주제 기반 콘텐츠
6. 인기 콘텐츠
7. 신규 콘텐츠

서비스 성격에 따라 우선순위는 달라질 수 있다.

 

학교 교육 서비스라면 교사 추천과 교육과정 연결성이 중요할 수 있다.

기업 교육 서비스라면 직무 역량, 스킬 갭, 조직 목표와의 연결성이 더 중요할 수 있다.

 

기획자는 추천 목록을 단순히 “개인화 추천”이라는 하나의 영역으로 보지 말고,
추천 후보 간 우선순위와 노출 정책을 함께 설계해야 한다.

---

추천 제외 조건도 필요하다

추천은 무엇을 보여줄지뿐만 아니라, 무엇을 보여주지 않을지도 중요하다.

추천 제외 조건 예시는 다음과 같다.

• 이미 완료한 콘텐츠는 기본 추천에서 제외
• 사용자가 ‘관심 없음’을 누른 콘텐츠는 일정 기간 제외
• 권한이 없는 콘텐츠는 제외
• 공개 기간이 지난 콘텐츠는 제외
• 난이도가 지나치게 높은 콘텐츠는 제외
• 선수 학습을 완료하지 않은 심화 콘텐츠는 제외
• 동일 콘텐츠가 반복 노출되지 않도록 제한

추천 제외 조건이 없으면 사용자는 같은 콘텐츠를 반복해서 보거나, 자신에게 맞지 않는 콘텐츠를 추천받을 수 있다.

 

좋은 추천은 많이 보여주는 것이 아니라,
적절하지 않은 콘텐츠를 잘 걸러내는 것에서 시작한다.

---

추천 로그 설계

추천 기능은 한 번 만들고 끝나는 기능이 아니다.
운영하면서 계속 개선해야 한다.

 

이를 위해 추천 로그가 필요하다.

추천 로그에는 다음 정보가 포함될 수 있다.

• recommendation_id
• user_id
• content_id
• recommendation_type
• recommendation_reason
• exposure_time
• clicked
• started
• completed
• dismissed
• feedback

예를 들어 다음과 같은 질문에 답하려면 추천 로그가 필요하다.

어떤 추천 유형이 가장 많이 클릭되는가?
추천된 콘텐츠가 실제 학습 시작으로 이어지는가?
추천 콘텐츠의 완료율은 어느 정도인가?
사용자가 자주 무시하는 추천은 무엇인가?
추천 이유별 성과 차이가 있는가?

 

추천 로그가 없으면 추천 기능이 잘 작동하는지 판단하기 어렵다.

즉, 추천 기능을 설계할 때는 화면뿐 아니라 로그 구조까지 함께 설계해야 한다.

---

추천 성과를 보는 지표

추천 기능의 성과는 단순 클릭 수만으로 판단하면 안 된다.

다음 지표를 함께 봐야 한다.

• 추천 노출 수
• 추천 클릭률
• 추천 후 학습 시작률
• 추천 후 콘텐츠 완료율
• 추천 무시율
• 관심 없음 피드백률
• 추천 후 재방문율

예를 들어 클릭률은 높은데 완료율이 낮다면 콘텐츠 제목이나 썸네일은 매력적이지만 실제 내용이 기대와 다를 수 있다.

반대로 클릭률은 낮지만 완료율이 높다면 콘텐츠 자체는 좋지만 노출 위치나 추천 문구가 약할 수 있다.

추천 성과는 단일 지표가 아니라 “노출 → 클릭 → 시작 → 완료 → 재방문”의 흐름으로 봐야 한다.

---

정리하며

LXP의 추천 로직은 단계적으로 설계하는 것이 좋다.

처음부터 AI 추천을 목표로 하기보다, 규칙 기반 추천에서 시작해 행동 기반, 목표 기반, AI 기반으로 확장하는 방식이 현실적이다.

 

정리하면 다음과 같다.

단계	추천 방식	특징
1단계	규칙 기반 추천	설명 가능하고 운영 제어가 쉬움
2단계	행동 기반 추천	실제 사용자 행동을 반영
3단계	목표/역량 기반 추천	학습 여정과 연결
4단계	AI 기반 개인화 추천	데이터 기반 고도화 가능

 

그리고 추천에는 반드시 이유가 있어야 한다.

 

좋은 LXP 추천은 단순히 콘텐츠를 보여주는 것이 아니라,
왜 이 콘텐츠가 지금 필요한지 설명할 수 있어야 한다.