컴공·AI 세특, 5가지 탐구 설계로 학종 역량 완성하기

SW·데이터 계열 진학을 꿈꾸는데 세특에 무엇을 써야 할지 막막하신가요? "파이썬 코드를 짜봤다"는 한 줄로 끝난 세특, 입학사정관 눈에는 어떻게 보일까요. 이 글에서는 컴퓨터·AI 계열 학생이 교과 세특에서 실제로 적용할 수 있는 탐구 설계 전략을 단계별로 안내합니다.

1. 세특이 학종에서 왜 결정적인가 — 평가 기준부터 이해하기

학생부 종합전형의 평가 기준을 이해하지 못한 채 세특을 쓰면 방향을 잃기 쉽습니다.

한국대학교육협의회는 학종 공통 평가요소로 학업역량, 진로역량, 공동체역량을 제시합니다. 세특은 이 가운데 학업역량과 진로역량을 동시에 드러낼 수 있는 핵심 항목입니다.

학업역량: 교과 내용을 깊이 이해하고 스스로 확장·적용하는 능력
진로역량: 관심 분야와 연결된 탐구 경험, 전공 적합성
공동체역량: 협력·소통 과정에서 드러나는 태도

컴공·AI 계열 지원자는 수학·정보·과학 교과의 세특에서 이 세 요소가 유기적으로 연결되도록 탐구를 설계해야 합니다.

출처: 한국대학교육협의회, 학종 공통 평가요소, kcue.or.kr

2. 세특 기재 원칙 — 교육부 기재요령이 허용하는 범위 파악하기

탐구를 설계하기 전에, 기재요령이 정한 원칙을 먼저 확인해야 합니다. 원칙을 모르면 아무리 좋은 탐구를 해도 기록에 담을 수 없습니다.

교육부 기재요령(2026.3.1. 시행, 교육부 훈령 제555호)에 따르면, 세부능력 및 특기사항은 교과 수업 중 학생이 보인 학습 활동·태도·발전 과정을 구체적으로 기재하는 항목입니다. 이 항목에는 수업 연계 탐구 활동, 과제 수행 과정, 교사가 직접 관찰한 사실이 담겨야 합니다.

기재 시 유의해야 할 점은 다음과 같습니다.

학교 외부 스펙(사교육 결과물, 외부 대회 수상 등)을 세특에 직접 기재할 수 없습니다.
수업 내 활동으로 확인되지 않은 역량을 과장 기술해서는 안 됩니다.
교사가 직접 관찰·확인한 사실을 기반으로 작성해야 합니다.

컴공·AI 세특에서 흔히 발생하는 실수는 수업 시간과 무관하게 혼자 만든 프로젝트를 세특에 적으려 하는 것입니다. 탐구 설계 단계부터 교과 수업과의 연결 고리를 명확히 해야 합니다.

출처: 교육부, 「학교생활기록부 기재요령」 2026, star.moe.go.kr

3. 탐구 주제 설정 — 교과 개념에서 SW·AI 문제의식으로 확장하기

좋은 세특 탐구는 교과서 개념을 단순히 반복하지 않고, 그 개념을 현실 문제에 적용하는 데서 출발합니다. 컴공·AI 계열 탐구 주제를 설정할 때 가장 효과적인 방법은 "교과 개념 → 현실 문제 → 데이터·알고리즘 적용"의 3단계 흐름을 따르는 것입니다.

예시: 수학 교과 연계

교과 개념: 행렬과 선형변환
현실 문제: 이미지 데이터를 어떻게 수치로 표현하는가
적용: 행렬 연산이 합성곱 신경망(CNN)의 필터 동작 원리와 어떻게 연결되는지 탐구

예시: 정보 교과 연계

교과 개념: 정렬 알고리즘(버블·퀵·병합 정렬)
현실 문제: 대용량 데이터를 다룰 때 알고리즘 선택이 왜 중요한가
적용: 시간복잡도 비교 실험 설계 후 데이터 크기별 성능 측정

나쁜 예: "파이썬으로 인공지능 프로그램을 만들어 보았다."

좋은 예: "수학 시간에 학습한 행렬 곱셈 개념을 바탕으로, 이미지 분류 모델에서 필터가 입력 행렬과 어떻게 연산되는지 직접 계산하며 검증하였다. 3×3 필터를 수작업으로 적용한 결과와 코드 출력값을 비교하여 오차를 분석하고, 그 원인을 발표함."

4. SW 탐구 설계 — 문제 정의·구현·검증의 3단계 구조 갖추기

입학사정관이 세특에서 주목하는 것은 결과물이 아니라 사고 과정입니다. SW 탐구에서 이 사고 과정을 보여주는 가장 효과적인 구조는 문제 정의 → 구현 → 검증입니다.

문제 정의

단순한 흥미가 아닌, 교과 학습 중 생긴 구체적인 질문을 제시해야 합니다.
예: "정렬 알고리즘 수업에서 데이터 크기가 커질수록 퀵 정렬이 항상 빠른지 의문이 생겼다."

구현

수업 내 활동으로 연결 가능한 수준에서 직접 코드를 작성하거나 시뮬레이션을 설계합니다. 결과보다 과정에서 마주친 오류와 해결 방법이 더 중요한 서술 포인트입니다.
예: "데이터가 역순으로 정렬된 경우 퀵 정렬의 재귀 호출 깊이가 급격히 증가함을 발견하고, 피벗 선택 전략을 중앙값 방식으로 수정하여 재실험하였다."

검증

결과를 수치나 비교 자료로 제시하고, 한계와 추후 탐구 방향을 서술합니다.
예: "데이터 10만 개 기준 무작위 피벗 대비 중앙값 피벗의 실행 시간이 약 30% 단축됨을 확인하였으나, 중앙값 탐색 자체의 비용이 증가함을 인지하고 추가 탐구 필요성을 제언함."

이 세 단계를 갖추면, 대교협이 제시한 학업역량의 핵심 지표인 "탐구력과 문제해결 능력"을 자연스럽게 드러낼 수 있습니다.

출처: 한국대학교육협의회, 학종 공통 평가요소, kcue.or.kr

5. 데이터 탐구 설계 — 수집·분석·해석의 흐름으로 AI 역량 증명하기

AI·데이터 계열 탐구에서 가장 흔한 실수는 "머신러닝 모델을 돌려봤다"는 수준에서 멈추는 것입니다. 데이터 탐구를 의미 있게 만드는 것은 데이터 선정 이유와 해석 과정입니다.

효과적인 데이터 탐구 설계 흐름은 다음과 같습니다.

데이터 선정: 교과 내용과 연결된 사회적 맥락의 공개 데이터를 활용합니다. (예: 공공데이터포털 제공 대기오염 데이터 — 화학 교과 연계)
전처리 과정 기술: 결측값 처리, 이상값 제거 등 데이터를 다듬는 과정을 구체적으로 서술합니다.
분석 방법 선택 이유: 단순 회귀분석을 선택했다면, 왜 더 복잡한 모델이 아닌 이 방법을 택했는지 설명합니다.
해석과 한계: 분석 결과가 무엇을 의미하는지, 그리고 이 분석의 한계가 무엇인지 함께 서술합니다.

나쁜 예: "공기 오염 데이터를 파이썬으로 분석하여 미세먼지와 질소산화물의 상관관계를 확인하였다."

좋은 예: "화학 시간에 학습한 질소산화물의 광화학 반응 메커니즘을 바탕으로, 기온이 높은 날 오존 농도가 함께 상승한다는 가설을 설정하였다. 공개 대기오염 데이터에서 결측값을 보간한 후 피어슨 상관계수를 산출하여 가설을 부분적으로 지지하는 결과를 얻었고, 기온 외 강수량 변수를 포함하지 못한 점을 한계로 명시하였다."

6. 교과별 연계 전략 — 수학·과학·사회에서 컴공·AI 주제 뽑아내기

컴공·AI 세특의 강점은 거의 모든 교과와 연결할 수 있다는 점입니다. 교과별 연계 전략을 정리하면 다음과 같습니다.

수학: 확률과 통계(베이즈 정리와 스팸 필터), 수열(피보나치와 동적 프로그래밍), 미적분(경사하강법의 수학적 원리)
과학(물리): 역학 시뮬레이션, 전자기파와 무선통신 원리
과학(생명): 유전 알고리즘, 의료 데이터 분류 탐구
사회/경제: 경제 불평등 지표 데이터 분석, 알고리즘 편향성의 사회적 함의 탐구
국어/영어: AI 번역기의 언어 모델 원리 탐구, 자연어처리(NLP) 개념 소개 발표

이처럼 다양한 교과에서 AI·SW 주제를 연결하면, 단순히 정보 교과 세특만 채우는 것보다 훨씬 입체적인 역량을 보여줄 수 있습니다. 대교협 공통 평가요소 중 '학업역량'은 "여러 교과 지식을 통합하여 새로운 시각으로 문제를 바라보는 능력"을 포함합니다.

출처: 한국대학교육협의회, 학종 공통 평가요소, kcue.or.kr

7. 기재 시 반드시 피해야 할 표현 5가지

교육부 기재요령 기준으로, 컴공·AI 세특에서 자주 발생하는 위반 또는 감점 유형을 정리합니다.

외부 활동 성과 직접 기재 금지: "○○ 해커톤에서 ○위를 수상한 경험을 바탕으로" → 수업 내 연계 사실만 기술해야 합니다.
확인되지 않은 역량 과장 금지: "세계 수준의 알고리즘을 독자적으로 구현하였다" → 교사가 관찰·확인한 범위로 한정합니다.
추상적 자기 평가 금지: "인공지능의 무한한 가능성을 느꼈다" → 구체적 활동과 결과로 대체합니다.
타인 코드 무비판적 인용: 오픈소스 코드를 그대로 돌린 것을 탐구인 것처럼 기재하면 안 됩니다. 코드를 분석하고 수정한 과정을 서술해야 합니다.
**결과