Executive Summary
어떤 모델을 팀에 붙일지 정할 때 우리가 보는 표는 대개 한 종류입니다. 모델이 과제를 혼자 끝까지 해냈을 때의 순위표입니다. 그런데 현장에서 모델이 실제로 맡는 일은 남의 작업을 거들어 주는 쪽에 가깝습니다. 8월 19일 arXiv에 올라온 CentaurBench는 그 두 가지를 같은 과제, 같은 모델 세트에서 나란히 재어 본 벤치마크입니다. UC 버클리 하스 경영대학원 연구진이 만들었습니다.
결과는 두 순위표가 서로 잘 맞지 않는다는 것입니다. 일곱 과제 가운데 다섯에서 직접 수행 1위와 코칭 1위가 다른 모델이었습니다. 더 곤란한 대목은 그다음입니다. 운영연구와 세무 준비, 여행 계획 세 과제에서는 아무 보조도 받지 않은 작업자 모델이 아홉 개 보조 조건을 전부 눌렀습니다. 평균을 내도 아무것도 붙이지 않은 쪽보다 나은 보조 모델은 아홉 개 가운데 하나뿐이었습니다.
연구진은 이 숫자를 조심스럽게 읽습니다. 보조의 형태를 과정 안내로만 좁혀 놓았고, 워커도 한 모델로 고정했으니 증강이 낼 수 있는 최대치가 아니라 보수적인 하한선이라는 것입니다. 실제로 일곱 과제 전체 평균 1위는 두 모드 모두 같은 모델이었습니다. 뒤집힌 것은 평균이 아니라 과제별 순위이고, 도입 결정이 실제로 걸려 있는 자리도 그쪽입니다.
주요 수치
출처: Wongchamcharoen 외, arXiv:2608.18554 (2026-08-19)
7개 중 5개
두 모드의 1위가 다른 과제
같은 과제를 직접 수행시켰을 때와 코칭시켰을 때 1위 모델이 바뀐 경우이며, 메뉴 계획과 튜터링 둘만 같았습니다
2.05 → 8.15
Claude-Opus-4.8의 시장 동향 과제 순위
같은 과제에서 직접 쓰면 평균 2.05위였고 워커를 코칭하게 하면 8.15위였습니다
ρ = 0.48
자동화 순위와 보조 순위의 상관
보조 모델 아홉 개 기준 스피어만 상관계수로, 양측 p는 0.187이라 0과 구별되지 않습니다
3.79 vs 3.66
무보조 작업자와 그보다 나았던 유일한 모델
일곱 과제 평균 순위로, 나머지 여덟 개 보조 모델은 아무것도 안 붙인 조건보다 아래였습니다
같은 모델을 선수와 코치 두 자리에 세웠다
벤치마크의 이름은 사람과 기계가 한 팀으로 묶인 상태를 가리키는 센타우르에서 왔습니다. 지난해 하웁트와 브리뇰프슨은 AI 평가가 사람의 산출물을 얼마나 그럴듯하게 흉내 내는지 겨루는 모방 게임에 머물러 있다고 지적하면서, 사람과 기계가 함께 과제를 푸는 상태를 재는 쪽으로 옮겨 가자고 제안했습니다. 그 제안을 실제 측정 절차로 옮긴 것이 이 연구입니다.
잘하는 선수가 잘 가르치지는 않는다는 생각 자체는 사람을 대상으로 한 연구에서 먼저 나왔습니다. 전문가일수록 무언가를 모르는 상태를 상상하지 못해 초보자가 어디서 막힐지 잘못 짚는다는 결과가 있고, 아는 것이 오히려 저주가 되어 상대가 가진 정보를 과대평가하게 만든다는 오래된 실험도 있습니다. 연구진이 공개한 재현 코드 저장소의 이름도 best-player-not-best-coach입니다.
벤치마크가 대개 재는 것은 모델 혼자만의 실력입니다. 프롬프트를 읽고, 제약을 지키고, 최종 산출물까지 스스로 만들어 내는 능력이지요. 논문은 이것을 자동화 모드라고 부릅니다. 여기에 증강 모드를 하나 더 붙인 것이 이 연구의 설계입니다. 증강 모드에서 평가 대상 모델은 산출물에 손대지 않습니다. 대신 다른 모델이 그 과제를 어떻게 풀어야 할지 안내하는 글만 씁니다.
안내문의 형식은 모든 모델에게 똑같이 강제됩니다. 200~250 단어 분량으로, 요구사항 점검과 구조 계획, 제출 전 자기검토 체크리스트 세 단계를 담아야 합니다. 정답 내용을 알려 주거나 최종 답안에 그대로 복사해 넣을 만한 문장을 쓰는 것은 금지됩니다. 실제 산출물은 GPT-3.5-Turbo가 만듭니다. 워커를 한 모델로 고정해 두었기 때문에, 조건마다 달라지는 것은 팀 전체의 실력이 아니라 안내문의 품질뿐입니다.
아래 도식이 두 모드의 차이입니다. 위쪽에서는 평가 대상이 직접 답을 내고, 아래쪽에서는 같은 모델이 안내문만 쓰고 답은 고정된 워커가 냅니다.
과제는 일곱 개입니다. 메뉴 계획과 여행 계획, 시장 동향 분석은 GDPval에서, 운영연구 분석과 상담, 튜터링 수업 설계는 Anthropic Economic Index에서 가져왔습니다. 세무 준비는 연구진이 직접 설계했습니다. 정답이 규칙으로 확정되는 과제를 하나 넣기 위해서였습니다. 과제마다 채점 항목이 따로 있고, 지시 이행과 정확성, 실용성, 구성, 톤 다섯 가지는 공통으로 봅니다.
채점은 심사위원 모델 네 개가 맡습니다. 이름을 가린 두 산출물을 맞대 놓고 더 나은 쪽을 고르는 방식이며, 자기와 같은 제조사의 산출물은 심사하지 않습니다. 이 판정이 얼마나 믿을 만한지도 논문이 따로 재 두었습니다. 무승부가 아닌 비교의 99.7%에서 심사위원이 고른 쪽이 자기가 매긴 세부 점수도 더 높았습니다. 둘 이상의 심사위원이 본 비교 6,265건에서 승자가 일치한 비율은 71.0%였는데, 자동화가 74.5%, 증강이 67.8%였습니다. 코칭의 품질을 가리는 일이 산출물의 품질을 가리는 일보다 어려웠던 셈입니다.
일곱 과제 중 다섯에서 승자가 갈렸다
자동화 모드의 결과부터 보면 상식에 크게 어긋나지 않습니다. GPT-5-Mini가 평균 1위, Claude-Opus-4.8이 그다음이고, GPT-O4-Mini와 Claude-Sonnet-4.6이 다음 층을 이룹니다. 워커로 쓰인 GPT-3.5-Turbo는 맨 아래입니다. 과제별로도 순위가 비교적 모여 있습니다. 강한 모델이 대체로 이기는 익숙한 그림입니다.
다만 이 순위표를 다른 자리에 옮겨 붙일 때는 조건을 함께 봐야 합니다. 여기서 잰 것은 도구를 쓰지 않고 한 번에 끝내는 문서 산출물입니다. 여러 단계를 밟으며 도구를 부르고 외부 환경과 주고받는 에이전트 벤치마크의 순위와 같지 않을 수 있다는 단서를 논문이 두 번에 걸쳐 붙여 두었습니다. 자동화 순위는 모델 능력의 보편적 서열이 아니라 이 과제 형태에서의 서열입니다.
증강 모드로 넘어가면 이 응집이 흩어집니다. 모든 과제를 통틀어 1위를 지키는 보조 모델이 없습니다. 상담은 GPT-4.1, 시장 동향은 GPT-O4-Mini, 메뉴 계획과 튜터링은 GPT-5-Mini가 이겼습니다. 운영연구와 세무 준비, 여행 계획에서는 1위 자리를 보조 모델이 아예 가져가지 못했습니다. 아래 표가 과제별로 두 모드의 승자를 나란히 놓은 것입니다.
| 과제 | 자동화 1위 | 보조 1위 |
|---|---|---|
| 상담 | GPT-OSS-120B | GPT-4.1 |
| 시장 동향 분석 | Claude-Opus-4.8 | GPT-O4-Mini |
| 메뉴 계획 | GPT-5-Mini | GPT-5-Mini |
| 운영연구 분석 | Gemini-3.1-Pro / GPT-OSS-120B | GPT-3.5-Turbo (무보조) |
| 세무 준비 | GPT-5-Mini | GPT-3.5-Turbo (무보조) |
| 여행 계획 | GPT-5-Mini | GPT-3.5-Turbo (무보조) |
| 튜터링 수업 설계 | GPT-5-Mini | GPT-5-Mini |
▲ 10회 반복의 평균 순위 기준 과제별 최상위 모델(논문 Table 4) — 색을 입힌 다섯 칸이 자동화 승자와 다른 경우입니다
승자가 흩어진 자리에도 나름의 결은 있습니다. 상담에서 앞선 GPT-4.1은 조심스러운 응답의 뼈대를 잡아 주는 쪽에 강했고, 시장 동향에서 앞선 GPT-O4-Mini는 짧게 압축하고 실행 가능한 해석을 붙이라고 요구하는 채점 항목과 맞았습니다. 메뉴 계획과 튜터링에서 이겼고 세무 준비에서도 보조 모델 중에서는 가장 나았던 GPT-5-Mini는 제약을 끝까지 추적하고 구조를 갖춰 설명하는 과제에서 강했습니다. 무보조가 1위를 가져간 나머지 두 과제에서도 보조 모델끼리의 1위는 있었습니다. 운영연구에서는 최적화 관점과 절충 판단을 보는 GPT-OSS-120B가, 여행 계획에서는 동선과 예산 감각을 보는 Claude-Sonnet-4.6이 그 자리였습니다. 모델마다 잘하는 안내의 종류가 다릅니다.
모델 하나를 따라가 보면 이 갈림이 더 또렷해집니다. Claude-Opus-4.8은 시장 동향 분석을 직접 쓰게 하면 평균 2.05위로 가장 잘했는데, 같은 과제에서 워커를 코칭하게 하자 8.15위로 내려앉았습니다. GPT-4.1은 정확히 반대 방향입니다. 상담 과제를 직접 쓰면 7.40위로 하위권이지만, 코칭을 맡기면 3.80위로 보조 조건 중 가장 높습니다. 열 번을 독립적으로 반복한 뒤의 평균이니 한 번 잘 나온 결과는 아닙니다.
모델 아홉 개의 평균 순위로 두 모드를 맞대면 스피어만 상관계수가 0.48입니다. 양측 p는 0.187이라 관례적인 유의수준에는 못 미칩니다. 두 능력이 무관하다고 단정할 근거는 아니지만, 한쪽 순위표로 다른 쪽을 대신 읽어도 된다고 볼 근거도 못 됩니다. 연구진의 표현대로 자동화 성적은 보조 성적의 불완전한 대리 지표입니다.
치우침의 방향은 모델마다 정해져 있습니다. 평균 순위로 아홉 개를 흩어 놓으면 Claude-Opus-4.8과 Claude-Sonnet-4.6, Gemini-3.1-Pro, GPT-O4-Mini 넷은 보조보다 직접 수행 쪽이 좋습니다. GPT-4.1은 반대편에 혼자 서 있고, GPT-OSS-120B는 두 축이 얼추 맞아떨어지는 자리에 있습니다. 두 모드 모두에서 보조 모델 중 평균 1위인 것은 GPT-5-Mini 하나입니다. 일곱 과제를 통틀어 평균을 내면 두 순위표의 맨 위는 같은 모델인 셈이고, 갈리는 것은 그 아래와 과제별 배치입니다.
순위가 갈린 것이 채점 항목의 편향 때문일 가능성도 확인했습니다. 지시 이행부터 톤까지 공통 다섯 항목의 점수 분포를 보면 대부분의 모델이 특정 항목만 유난히 잘하거나 못하지 않고 비슷한 상대 점수를 받았습니다. 구성 점수가 높아서 이긴 것이 아니라, 워커를 안내하는 방식 자체가 달랐습니다.
아무 도움도 받지 않은 쪽이 세 과제에서 이겼다
증강 모드의 후보 목록에는 보조 모델 아홉 개 말고 하나가 더 들어 있습니다. 안내문 없이 혼자 과제를 수행한 GPT-3.5-Turbo입니다. 이 조건을 같은 표에 넣어 둔 덕분에 안내가 실제로 보탬이 되었는지를 바로 읽을 수 있습니다. 운영연구 분석과 세무 준비, 여행 계획 세 과제에서 이 무보조 조건이 1위였습니다. 어떤 모델의 안내문을 받아도 혼자 하느니만 못했다는 이야기입니다.
일곱 과제를 평균으로 눌러도 그림이 크게 나아지지 않습니다. 무보조 조건의 평균 순위는 3.79위입니다. 이보다 나은 보조 모델은 3.66위의 GPT-5-Mini 하나뿐이었습니다. 나머지 여덟 개는 평균적으로 아무것도 붙이지 않은 쪽보다 아래에 있었습니다.
이 대목이 뜻밖이라면, 사람을 놓고 한 연구에서는 이미 여러 번 나온 결과입니다. 실험 106건을 모은 2024년 메타분석은 사람과 AI를 묶은 조합이 사람만 있을 때와 AI만 있을 때 가운데 나은 쪽에도 못 미치는 경우가 잦다고 보고했습니다. 수학 튜터 역할을 맡은 모델들을 평가한 벤치마크에서도 문제를 잘 푸는 능력이 잘 가르치는 능력으로 곧장 이어지지는 않았습니다. 이번 결과는 그 관찰을 모델과 모델 사이로 옮겨 놓고, 어느 모델의 안내가 얼마나 보탬이 되는지까지 순위로 만든 것에 가깝습니다.
여기서 조심할 지점이 하나 있습니다. 이 결과는 안내가 쓸모없다는 뜻이 아니라 안내의 가치가 과제에 달려 있고 음수가 될 수도 있다는 뜻입니다. 잘 맞지 않거나 지나치게 복잡한 안내는 워커의 주의를 흩고, 쓸 만한 실행을 제약하고, 요구사항에서 멀어지게 만듭니다. 논문의 문장을 그대로 옮기면 잘못 보정된 보조는 아예 없는 것보다 나쁜 경우가 잦습니다.
이 숫자를 그대로 현장에 옮기기 전에 설계의 범위를 같이 봐야 합니다. 안내문은 한 번만 전달되고 워커는 되묻지 못합니다. 안내하는 쪽은 정답 내용을 줄 수 없고 과정만 짚어 줄 수 있습니다. 워커도 GPT-3.5-Turbo 하나로 고정돼 있습니다. 연구진은 이 조건들을 증강의 보수적인 하한선이라고 부르며, 여러 차례 주고받는 실제 업무 흐름으로 넓히는 것을 다음 과제로 남겨 두었습니다.
세무 준비에서만 두 순위가 같이 움직였다
두 순위가 얼마나 어긋나는지는 과제마다 다릅니다. 논문은 일곱 과제 각각에서 모델 아홉 개의 자동화 순위와 증강 순위를 맞대 상관계수를 냈습니다. 값은 0.85에서 -0.04까지 벌어집니다.
| 과제 | 스피어만 ρ | p |
|---|---|---|
| 세무 준비 | 0.85 | 0.004 |
| 메뉴 계획 | 0.64 | 0.066 |
| 튜터링 수업 설계 | 0.50 | 0.166 |
| 상담 | 0.25 | 0.516 |
| 운영연구 분석 | 0.17 | 0.668 |
| 시장 동향 분석 | 0.10 | 0.798 |
| 여행 계획 | -0.04 | 0.915 |
▲ 과제별 자동화-증강 순위 상관(논문 Table 1) — 과제마다 모델이 아홉 개뿐이라 p값은 참고용 기술 통계입니다
통계적으로 0과 구별되는 것은 세무 준비 하나뿐입니다. 일곱 번 비교한 것을 감안해 기준을 보수적으로 조정해도 남습니다. 그리고 이 과제는 연구진이 직접 설계한 것으로, 규칙이 정해져 있고 불일치를 찾아내면 맞고 틀림이 확정되는 종류입니다. 정답으로 가는 길이 하나뿐인 과제에서는 잘 푸는 모델이 잘 안내하기도 한다는 이야기가 됩니다.
반대쪽 끝은 여행 계획입니다. 상관계수가 -0.04로, 자동화 순위와 증강 순위 사이에 남는 관계가 사실상 없습니다. 예산을 맞추고 동선을 짜고 불확실한 부분을 어떻게 다룰지 정하는 일에는 정답이 하나가 아닙니다. 이런 과제에서는 직접 잘 쓰는 능력과 남이 잘 쓰도록 안내하는 능력이 서로 다른 곳을 향합니다. 시장 동향 분석 0.10, 운영연구 0.17, 상담 0.25도 비슷한 구간에 있습니다.
도입 결정에 옮겨 놓으면 이렇게 됩니다. 규칙이 명확한 업무라면 기존 리더보드 상위 모델을 코치 자리에 앉혀도 크게 어긋나지 않습니다. 판단과 구성이 개입하는 업무일수록 그 표는 근거가 되지 못하고, 우리 일에 맞춰 따로 재 보는 수밖에 없습니다.
좋은 코칭과 나쁜 코칭은 세 군데에서 갈렸다
순위표는 누가 잘 안내했는지를 알려 주지만 무엇이 잘한 안내인지는 알려 주지 않습니다. 연구진은 일곱 과제 전부에서 상위 두 산출물이 받은 안내문과 하위 두 산출물이 받은 안내문을 직접 대조했습니다. 판단의 틀은 교육학의 스캐폴딩 개념에서 가져왔습니다. 갈린 곳은 세 군데였습니다.
스캐폴딩은 1976년 우드 연구진이 붙인 이름으로, 혼자서는 닿지 못할 과제에 배우는 쪽이 닿게 하는 도움을 뜻합니다. 전문가가 대신 해 주는 것이 아니라 하도록 이끈다는 점이 핵심입니다. 2010년 판 더 폴 연구진은 여기에 세 가지 조건을 붙였습니다. 도움이 배우는 쪽의 현재 수준에 맞아야 하고, 실력이 붙는 만큼 걷어내야 하며, 끝에 가서는 책임이 배우는 쪽으로 넘어가 있어야 한다는 것입니다. 이번 실험은 안내가 한 번뿐이라 걷어내기는 적용할 수 없고, 수준 맞추기와 책임 이양 둘만 잣대가 됩니다. 아래 세 갈림은 정확히 그 둘이 지켜졌는지를 보는 항목입니다.
5.1프롬프트에 이미 있는 말을 되풀이하지 않는가
시장 동향 분석에서 1위 안내문은 이렇게 지시합니다. 추세마다 핵심 관찰과 주요 동인, 시장 함의를 두세 개 불릿으로 짝지어 쓰고, 방법론과 데이터 기준시점을 짧게 앞에 두라는 것입니다. 같은 과제 9위 안내문은 프롬프트에 이미 나열돼 있는 요인 목록을 다시 한번 읊습니다. 워커도 그 프롬프트를 읽고 있으니, 되풀이는 아무것도 보태지 않습니다.
5.2순서를 정해 주는가, 떠넘기는가
여행 계획에서 3위 안내문은 임시 일정에 앞서 전제와 확인 질문을 먼저 놓게 하고, 도입과 예산 분해, 일별 일정, 결론이라는 순서를 이름까지 붙여 못박습니다. 9위 안내문은 명확성과 흐름을 위해 정보의 순서와 위계를 정하라고 적었습니다. 무엇을 하라는 말처럼 보이지만 결정은 그대로 워커에게 넘어갑니다. 여기에 각 항목을 중립적인 자리표시자로 채우라는 지시까지 붙었습니다.
5.3과제가 요구하는 것을 하지 말라고 하지 않는가
가장 해로운 사례는 운영연구 과제에서 나왔습니다. 이 과제는 실행 가능한 해법 두 개를 절충점과 함께 제시하라고 명시적으로 요구합니다. 그런데 9위 안내문은 구체적인 해법이나 분석에는 들어가지 말고 지표와 위험을 통합하는 업무 흐름만 세우라고 지시했습니다. 과제의 핵심 산출물을 금지한 셈입니다. 같은 과제 3위 안내문은 정반대로, 뚜렷이 구분되는 실용적 전략 두 가지를 제시하고 각각의 기대 효과와 단점, 수반되는 위험을 명시하라고 적었습니다. 스캐폴딩 연구에서 방향 유지라고 부르는 기능, 그러니까 배우는 쪽이 목표에서 흘러갈 때 도로 붙잡아 주는 역할이 여기서는 아예 반대로 작동한 셈입니다.
세 가지를 모아 보면 나쁜 안내문의 공통점이 드러납니다. 셋 다 문장만 놓고 보면 흠잡을 데 없이 그럴듯합니다. 순서와 위계를 정하라거나 균형 잡힌 절충을 고려하라는 말은 어느 회의록에나 들어갈 법합니다. 문제는 그 말들이 워커가 이미 아는 것을 반복하거나, 결정을 되돌려 주거나, 과제가 시킨 일을 하지 말라고 한다는 데 있습니다. 사내 프롬프트나 에이전트 지침을 손볼 때 바로 대 볼 수 있는 잣대이기도 합니다.
이 구분이 왜 사회적으로도 쟁점인지는 논문이 따로 짚어 둡니다. 대체하는 쪽으로 쓰이는 AI와 거드는 쪽으로 쓰이는 AI는 노동시장에 남기는 자국이 다르고, 한 사람의 일을 자동화한 것이 다른 자리에서 거들 여지를 만들어 내기도 합니다. 미국 노동자 1,500명에게 104개 직종에 걸쳐 물은 조사에서는 절반에 가까운 직종 범주에서 대체가 아니라 대등한 협업이 가장 많이 꼽힌 답이었습니다. 그런데 지금 나와 있는 순위표 대부분은 그 두 축 가운데 하나만 잽니다. 연구진이 평가 기관과 모델 개발사를 향해 두 축을 나란히 두라고 요구하는 이유입니다. 한 축만 재는 평가는 설계 단계에서 이미 절반이 빠져 있다는 것입니다.
Editor's Note: 페블러스가 데이터 품질 현장에서 반복해 보는 장면과 겹칩니다. 도입 검토가 대개 어떤 모델이 제일 좋은가에서 출발하는데, 정작 팀이 겪는 문제는 잘한다는 모델을 붙였더니 결과가 나빠지더라는 쪽입니다. 이 논문이 보탠 것은 그 경험이 재현 가능하다는 확인과, 순위표 하나로는 그 일이 예측되지 않는다는 근거입니다. 프레임워크가 모듈식이라는 점도 눈여겨볼 만합니다. 워커 자리에 자기 팀의 주니어 분석가나 사내 모델을 넣으면, 같은 방식으로 우리 업무에 맞는 코치를 고를 수 있습니다.
논문은 자기 한계도 적어 두었습니다. 최종 판정을 사람이 아니라 모델이 내렸으니 이 결과는 규모를 갖춘 시뮬레이션 증거이지 전문가의 판단이 아니며, 상담이나 세무처럼 전문성이 걸린 과제일수록 사람의 검증이 필요하다는 것입니다. 과제도 일곱 개뿐이고 워커도 하나로 고정돼 있습니다. 연구진은 이 작업을 완결된 지도가 아니라 초기 시험 적용이라고 부릅니다. 원문은 arXiv:2608.18554에서 볼 수 있고, 과제별 판정 기록은 연구진이 공개한 인터랙티브 대시보드에서 확인할 수 있습니다.
참고문헌
1차 자료
- 1.Wongchamcharoen, P. K., Gulati, K., Fong, M. M., & Nagaraj, A. (2026). "CentaurBench: Benchmarking LLM Capabilities on Augmenting vs. Automating Real-World Work Tasks." arXiv:2608.18554.
인용된 선행 연구
- 2.Haupt, A., & Brynjolfsson, E. (2025). "Position: AI Should Not Be an Imitation Game: Centaur Evaluations." Proceedings of the 42nd International Conference on Machine Learning.
- 3.Hinds, P. J. (1999). "The Curse of Expertise: The Effects of Expertise and Debiasing Methods on Predictions of Novice Performance." Journal of Experimental Psychology: Applied, 5(2), 205–221. doi:10.1037/1076-898X.5.2.205
- 4.Camerer, C., Loewenstein, G., & Weber, M. (1989). "The Curse of Knowledge in Economic Settings: An Experimental Analysis." Journal of Political Economy, 97(5), 1232–1254. doi:10.1086/261651
- 5.Vaccaro, M., Almaatouq, A., & Malone, T. (2024). "When Combinations of Humans and AI Are Useful: A Systematic Review and Meta-Analysis." Nature Human Behaviour, 8. doi:10.1038/s41562-024-02024-1
- 6.Macina, J., Daheim, N., Hakimi, I., Kapur, M., Gurevych, I., & Sachan, M. (2025). "MathTutorBench: A Benchmark for Measuring Open-Ended Pedagogical Capabilities of LLM Tutors." arXiv:2502.18940.
- 7.Wood, D., Bruner, J. S., & Ross, G. (1976). "The Role of Tutoring in Problem Solving." Journal of Child Psychology and Psychiatry, 17(2). doi:10.1111/j.1469-7610.1976.tb00381.x
- 8.Van de Pol, J., Volman, M., & Beishuizen, J. (2010). "Scaffolding in Teacher–Student Interaction: A Decade of Research." Educational Psychology Review, 22. doi:10.1007/s10648-010-9127-6