교육용 게임 플레이 중 학습 경험을 방해하지 않고 금융 이해력을 은닉 평가(stealth assessment)하는 멀티에이전트 LLM 아키텍처 'Agentic BKT'를 제안한 연구다. OECD/INFE 금융 이해력 프레임워크에 맞춘 2D 플랫포머 게임에서 모든 플레이어 결정을 이벤트 로그로 수집하고, LLM 분류기가 4점 루브릭으로 라벨링(전문가 3인 대비 Fleiss kappa 0.624)한 뒤, 위험 관리·투자·지출·신용 관리 4개 도메인 에이전트가 세션 수준 추론과 베이지안 지식 추적(BKT)으로 숙련도를 추정하고 심판 에이전트가 종합 점수를 산출한다. K-12 참가자 193명, 264개 세션 평가에서 학습 향상(r=0.276) 및 사후 시험 점수(r=0.333)와 유의하게 상관됐고, 단일 LLM 베이스라인 대비 예측 타당도를 약 3배 높였다. IEEE CoG 2026 채택작이다.

• •게임 플레이 이벤트만으로 금융 이해력을 은닉 평가하는 4단계 Agentic BKT 파이프라인
• •LLM 이벤트 분류기가 전문가 3인 대비 Fleiss kappa 0.624(상당한 일치)로 검증된 4점 루브릭 적용
• •위험·투자·지출·신용 4개 도메인 에이전트 + 베이지안 지식 추적 + 심판 에이전트 종합
• •K-12 193명·264세션에서 학습 향상(r=0.276)·사후 점수(r=0.333)와 유의한 상관
• •단일 LLM 베이스라인(r=0.095, 비유의) 대비 예측 타당도 약 3배 — 도메인 분해의 효과 입증