GemmaBridge: AI Bridging the Inclusion Gap for Neurodiverse Learners
This is a submission for the Gemma 4 Challenge: Build with Gemma 4 Note: This project is aimed at...
Gemma 4 Challenge 출품작 #
GemmaBridge는 신경다양성 학생 — 특히 자폐 스펙트럼 장애(ASD) 학생 — 을 위한 오프라인-퍼스트(offline-first) 멀티모달 AI 보조 도구다. 공교육 시스템 안에서 소통 격차를 줄이고 진짜 포용적 교육을 만들자는 취지로 만들었다.
2026년 기준 브라질 기초 교육에 등록된 ASD 학생 수는 약 100만 명이다. 그런데 전문 교사 부족, 경직된 물리적 의사소통 도구, 소외 지역의 인터넷 부재라는 "포용 격차(Inclusion Gap)" 문제로 실제 통합 교육은 제대로 굴러가지 않고 있다. 물리적으로 인쇄된 PECS(Picture Exchange Communication System) 카드 같은 기존 보완대체의사소통(AAC) 도구는 준비에 수 시간이 걸리고, 아이들이 즉각적이고 복잡한 필요를 표현하는 걸 막는다.
GemmaBridge는 교육자를 위한 실시간, 맥락 인식 보조 도구로서 이 문제에 접근한다. 어떤 환경에서도 쓸 수 있도록 오프라인-퍼스트 아키텍처로 구축했다.
MVP 주요 기능 #
스마트 PECS 생성기(Smart PECS Generator): 복잡한 교실 상황을 즉각적이고 맥락 인식 가능한 시각적 선택 보드로 바꿔준다. 음식, 감정, 전환, 수학, 사회성, 자기조절, 일상 루틴, 기본 요청 등 8가지 시나리오 카테고리를 지원한다.
동적 수업 적응기(Dynamic Lesson Adaptor): 읽기, 수학, 과학, 미술, 체육 5개 과목의 표준 수업 계획을 분석해 자폐 친화적 적응 방안을 우선순위에 따라 제안한다.
인터랙티브 학생 모드(Interactive Student Mode): 학생이 카드를 탭해 의사소통하는 전체 화면 터치 친화적 PECS 연습 환경이다. 텍스트 음성 변환(TTS) 오디오 피드백과 세션 로깅이 포함된다.
학생 프로필(Student Profiles): 감각 선호도, 필요 사항, 행동 메모를 포함한 학생 프로필을 관리한다. 3명의 데모 학생이 사전 등록돼 있다.
세션 기록(Session History): 모든 학생 상호작용을 추적해 참여도와 의사소통 패턴을 측정한다.
오프라인-퍼스트 & 개인정보 보호: 완전히 로컬에서 실행된다. 데이터는 localStorage에 저장되며 기기 밖으로 나가지 않는다.
Gemma 4 활용 방식 #
GemmaBridge는 Gemma 4 E2B 모델의 효율성과 추론 능력을 바탕으로 로컬-퍼스트 보조 기술을 구현한다. 모델이 교육자를 지원하는 애플리케이션의 핵심 역할을 맡는다.
로컬-퍼스트 개인정보 보호 & 디지털 격차 극복: 모바일 기기 보급률은 높지만 "의미 있는 연결성(meaningful connectivity)"은 여전히 특권에 가깝다. 저소득층 커뮤니티와 농촌 공립학교는 교실에서 안정적인 브로드밴드를 쓰기 어렵다. 클라우드 의존 AI 도구는 가장 취약한 계층을 처음부터 배제해버린다. 고도로 최적화된 E2B(Edge-to-Browser) 변형을 활용함으로써 GemmaBridge는 인터넷 없이도 동작한다. 모델이 전적으로 로컬에서 실행되기 때문에, 개별 교육 프로그램(IEP) 같은 민감한 미성년자 데이터가 기기 밖으로 빠져나갈 걱정이 없다.
맥락 인식 추론(Context-Aware Reasoning): 키워드 스코어링으로 교실 상황을 가장 관련성 높은 시각 지원에 매칭한다. Gemma 4가 학생의 행동 유발 요인을 분석할 때 발휘하는 심층적 맥락 인식 추론을 시뮬레이션하는 방식이다.
멀티모달 출력(Multimodal Output): 자연어 설명을 아이콘, 색상, 카테고리를 갖춘 구조화된 시각 보드로 변환한다. 텍스트와 시각적 교육 도구를 연결하는 모델의 능력을 활용하는 부분이다.
로컬 추론(Local Inference): MVP에서는 시뮬레이션된 지연 시간으로 모든 처리가 기기 내에서 수행된다. 프로덕션 환경에서 Ollama를 통해 Gemma 4를 활용하는 오프라인-퍼스트 아키텍처를 그대로 옮긴 구조다.
하드웨어 효율성(via PLE): 4~6GB RAM을 갖춘 일반 학교 노트북에서도 돌아가도록 설계했다. Gemma 4의 E2B 변형은 PLE(Per-Layer Embeddings)를 활용해 활성 파라미터(실제 추론에 사용되는 가중치)를 극도로 낮게 유지하기 때문에, 비싼 GPU 없이도 쓸 만한 AI 성능을 낼 수 있다.
코드 #
GitHub: https://github.com/vfcarida/Gemma-4-Challenge
이 글은 위 출처의 내용을 바탕으로 작성된 초안입니다. 원문의 의견과 정보를 그대로 전달하며, 별도의 견해를 포함하지 않습니다.