Python 입문자를 위한 TDD 환경에서 AI 기반 테스트 케이스의 교육 효과 분석

Evaluating the Educational Impact of AI-Generated Test Cases in a Test-Driven Development Environment for Python Beginners

최근 소프트웨어 개발에서는 테스트 자동화와 TDD(Test-Driven Development)가 코드 품질 확보와 학습 효과 향상의 핵심 전략으로 주목받고 있으며, GPT와 같은 인공지능을 활용한 테스트 케이스 자동 생성이 교육 현장에 도입되고 있다. 그러나 단순한 테스트 수의 확대만으로는 충분하지 않으며, 입문자를 대상으로 한 교육적 효과에 대한 실증적 근거도 부족하다. 본 연구는 Python 입문자를 대상으로 TDD 기반 실습 환경을 마련하여, 연구자 설계, GPT 자동 생성, GPT+전략 지시, 학생 작성 테스트 케이스를 비교 분석하고, 테스트 구성 전략의 질이 오류 검출과 교육적 효과에 미치는 영향을 검증하였다. 실험 결과, 연구자 설계 원칙을 반영한 GPT+전략 지시 케이스가 연구자 설계보다 더 높은 오류 검출 성능과 효율을 보였다. TDD 기반 실습은 단순한 코드 검증을 넘어 학습자의 사고력과 오류 인지 역량을 강화하는 데 기여하였다. 이러한 결과는 프로그래밍 교육과정 설계, AI 기반 학습 도구 개발, 그리고 소프트웨어 품질 보증 교육 현장에 활용될 수 있을 것이다.

Test automation and Test-Driven Development (TDD) have emerged as key strategies for improving code quality and learning effectiveness, while artificial intelligence tools such as GPT are increasingly applied to automated test case generation. However, simply increasing the number of test cases or relying on automation tools does not guarantee sufficient fault detection performance, and empirical evidence of their educational effectiveness for novices remains limited. This study implements a TDD-based practice environment for Python beginners and compares researcher-designed cases, GPT-generated cases, GPT with strategy-guided prompts (GPT+Strategy), and student-written cases. Results show that GPT+Strategy cases achieved higher fault detection and efficiency than even the researcher-designed cases. TDD-based practice strengthened learners’ logical thinking and error recognition skills. These findings provide practical implications for programming curriculum design, AI-assisted learning tool development, and software quality assurance education.