본 논문은 교육 평가의 자동 채점을 위한 연합 학습(Federated Learning, FL) 프레임워크를 제안한다. 기존의 방식처럼 원시 학생 데이터를 직접 공유하는 대신, 학생 응답을 개별 기기에서 처리하고 최적화된 모델 파라미터만 중앙 서버로 전송하는 방식을 사용하여 데이터 프라이버시를 보장한다. 특히, 이종 모델 업데이트를 효과적으로 집계하기 위해 클라이언트별 학습 특성에 따라 가중치를 동적으로 조정하는 적응적 가중 평균 전략을 도입하였다. 9개 중학교의 평가 데이터를 사용한 실험 결과, 연합 학습 기반 채점 모델의 정확도가 기존 중앙 집중식 모델과 통계적으로 유의미한 차이가 없음을 보여주었다 (paired t-test, $t(8) = 2.29, p = 0.051$). 이는 연합 학습이 데이터 프라이버시를 유지하면서 동등한 성능을 달성함을 의미하며, 데이터 수집, 처리 및 배포 오버헤드를 크게 줄여 AI 기반 교육 평가의 채택을 가속화할 수 있음을 시사한다.
