파인만 기법은 가르치기를 통해 이해의 공백을 찾는 학습법입니다. (1) 개념을 선택하고, (2) 쉬운 말로 초보자에게 가르치며, (3) 설명이 무너지는 지점을 찾고, (4) 원자료로 돌아가 공백을 채운 뒤 더 단순하게 설명합니다. 처음부터 끝까지 설명이 이어질 때까지 반복합니다.
하나의 한정된 개념을 선택하세요. ‘머신러닝’이나 ‘양자 컴퓨팅’처럼 넓은 것이 아니라 ‘경사 하강법의 원리’, ‘transformer 어텐션의 역할’, ‘연준이 인플레이션을 낮추려고 금리를 올리는 이유’처럼 머릿속에 담을 수 있는 것이 좋습니다. 구체적일수록 연습이 유용합니다.
이 단계에서 AI의 역할: 범위를 정하기 어렵다면 넓은 주제를 가르칠 수 있는 하위 개념으로 나눠 달라고 하세요. “검색 증강 생성을 배우고 싶어. 하나씩 설명할 수 있는 5개 하위 개념으로 나눠 줘.” 시작 전에 학습 구조를 잡을 수 있습니다.
청중이 분야 지식이 전혀 없다고 생각하고 설명을 쓰거나 말하세요. 약어는 정의하고, ‘모두 알다시피’라는 표현이나 당연해 보인다는 이유로 단계를 생략하지 마세요. 우아함이 아니라 처음 접한 사람이 처음부터 끝까지 따라갈 수 있는지가 시험입니다.
설명은 예측 가능한 곳에서 무너집니다. 연결 근거 없이 ‘따라서’를 쓴 두 아이디어 사이, 머릿속에서는 명확했지만 글에서는 얼버무림처럼 보이는 비유, 정의하지 않은 전문 용어입니다. 모두 표시하세요. 아직 이해하지 못한 영역의 지도입니다.
AI의 역할: AI가 공백을 찾아도 답을 채우게 하지 마세요. 직접 원자료로 돌아가 관련 부분을 다시 읽고 자신의 말로 설명을 재구성한 뒤 다시 시험합니다. AI는 치료제가 아니라 진단 도구입니다.
더 쉬운 말과 짧은 문장으로 다시 쓰세요. 역할이 없는 단어는 모두 제거하고 전문 용어를 일상어로 바꿉니다. 세 문장이 필요했다면 한 문장으로 시도하세요. 한 문장으로 정확성이 떨어진다면 개념에 필요한 최소 복잡성을 찾은 것입니다. 그 경계를 아는 것도 이해입니다.
처음부터 끝까지 설명이 이어질 때까지 반복합니다. 한 번이면 되는 개념도 있고 다섯 번 필요한 개념도 있습니다. 반복 횟수는 지능이 아니라 얼마나 많은 새 영역을 배우는지 보여줍니다.
위험은 AI가 목발이 되는 것입니다. 설명이 무너졌을 때 곧바로 정답을 제공하면 학습 기회를 잃습니다. 규칙은 간단합니다. AI가 묻고 사용자가 답합니다. 최선을 다한 뒤에만 원자료와 비교하거나 AI에 검증을 요청하세요. 고군분투 자체가 학습이며 AI의 역할은 올바른 지점에서 그 과정이 일어나게 하는 것입니다.
질문: 파인만 기법과 능동적 회상은 어떻게 다른가요?
답변: 서로 보완합니다. 능동적 회상은 정보를 기억에서 꺼낼 수 있는지 시험하고, 파인만 기법은 그 정보를 일관된 설명으로 조직할 수 있는지 시험합니다. 사실을 모두 기억해도 명확히 설명하지 못할 수 있으며 파인만 기법은 그 실패를 찾습니다. 회상으로 아는 것을 꺼내고 파인만 기법으로 이해의 구조를 만드세요.
질문: 정확성을 잃지 않고 개념을 단순화할 수 없다면 어떻게 하나요?
답변: 그것이 핵심입니다. 정확성의 손실은 개념 자체에 일정한 복잡성이 필요하거나 더 쉬운 설명을 찾을 만큼 깊이 이해하지 못했다는 뜻입니다. 첫 경우에는 경계를 배웠고 두 번째에는 공백을 찾았습니다. 둘 다 가치가 있습니다.