AI 시대에도 교사는 왜 자동화에 저항하는가?
1. 연구의 목적
(1) 최근 인공지능, 특히 대규모 언어 모델(LLM)의 발전은 교사의 업무를 자동화하거나 기술에 위임할 수 있다는 주장을 강화함. 이러한 주장은 교직을 개별적으로 분해 가능한 절차적 작업으로 보는 관점에 기반함.
(2) 이 연구는 교직이 실제로는 분리할 수 없는 특성을 지니며, 본질적으로 해석적이고 관계적이며 전문적 판단에 뿌리를 두고 있어 의미 있는 방식으로 자동화하기 어렵다는 점을 논증함.
2. 연구의 방법
(1) 이 연구는 대규모 언어 모델(LLM)과 검색 증강 생성(RAG) 시스템에 대한 최신 문헌 및 경험적 연구 결과를 바탕으로 교직 자동화 주장의 한계를 비판적으로 분석하는 개념적 논증 방식을 사용함.
(2) 연구는 AI 시스템이 수행할 수 있는 제한적인 기능과 교육 활동의 본질적 특성, 즉 인간의 인지, 행동, 동기, 사회적 상호작용이 교육에 미치는 영향을 비교 분석함.
3. 주요 발견
(1) 교육 자동화 주장은 교직을 실제보다 더 모듈형으로 잘못 규정함.
- 모듈형 작업은 복잡한 시스템을 설계할 때처럼, 전체 작업을 개별 구성 요소로 분해하고 각 요소를 독립적으로 최적화할 수 있다고 가정하는 관점임.
- 그러나 교사의 업무는 이러한 모듈형 분해가 어렵다는 점이 핵심임.
(2) 교직은 본질적으로 비모듈적이고 상호 연결적임.
- 수업 계획, 설명, 피드백, 평가와 같은 겉보기에는 분리 가능한 작업들도 실제로는 학습자, 상황, 타이밍, 교사-학생 관계 등 다양한 맥락 속에서 지속적인 해석을 통해 교육적 가치를 얻음.
- 예시: 한 학생 집단에 효과적인 수업 계획이 다른 집단에서는 실패할 수 있음. 이는 학생들의 사전 지식, 동기, 교실 역학, 오해 등이 다르기 때문임.
- 예시: 채점 기준에 따라 적절해 보이는 피드백도 학생의 자신감, 학습 궤적, 감정 상태를 고려하지 않으면 비효과적일 수 있음.
- 교사는 예측 불가능한 변화에 직면하며, 특정 학생들에게 특정 제약 조건하에서 무엇이 중요한지 진단하고, 절차적이거나 일반화하기 어려운 결정으로 대응함.
(3) 대규모 언어 모델(LLM) 및 검색 증강 생성(RAG) 연구는 AI의 한계를 명확히 보여줌.
- LLM은 방대한 텍스트 데이터에서 통계적 패턴을 학습하여 인간과 유사한 언어를 생성하지만, 사실 신뢰성, 환각, 과도한 자신감 등의 문제를 가짐.
- RAG 시스템은 검증된 출처에서 정보를 검색한 후 답변을 생성하여 사실 기반을 강화하지만, 교육적 판단과 관련된 깊은 한계는 해결하지 못함.
- LLM 기반의 평가 및 피드백 연구는 AI가 표면적 특성(유창성, 구조적 일관성)은 잘 처리하지만, 미묘한 추론이나 맥락 의존적 해석이 필요한 경우 인간의 판단과 체계적으로 불일치함을 보여줌.
- AI 시스템은 검증 가능한 정확성, 구조적 일관성, 정보 검색이 요구되는 작업에는 신뢰할 수 있는 성능을 보임.
- 그러나 학생이 특정 방식으로 반응한 이유, 피드백이 어떻게 받아들여질지, 동기적/정서적 조건에 따라 언제 개입할지 등 맥락적 판단이 필요한 작업에서는 여전히 한계가 있음.
(4) 교직은 인간 요소에 깊이 뿌리내린 복잡성 때문에 자동화에 저항함.
- 교육적 성공은 학습자의 관심, 소속감, 역량 인식, 불안, 신뢰 등 부분적으로만 관찰 가능한 내적 상태에 크게 의존함.
- 교사는 이러한 내적 상태와 사회적 역학, 맥락적 제약을 해석하고 대응해야 함.
- 교사는 불확실성 속에서 언제 더 탐색하고, 기다리고, 도전하고, 존엄을 보호할지 등 고위험 결정을 일상적으로 내림.
- 상황적 기대-가치 이론(Situated Expectancy-Value Theory, SEVT)은 학습자의 동기가 특정 맥락에서 역동적으로 형성되며, 성공 기대감과 과제 가치에 의해 변화함을 설명함.
- 학습자의 의도와 행동은 비합리적이거나 일관되지 않을 수 있으며, 이는 해석적 판단과 관계적 지원을 필요로 함.
- 학습은 단순한 정보의 축적이 아니라, 인지, 동기, 정서, 사회적 상호작용에 의해 형성되는 발현적 과정임.
- 교사는 학습자의 내적 상태와 사회적 맥락에 대한 불완전하고 진화하는 정보에 지속적으로 반응해야 하므로, 교육적 효과는 자동화로 보장될 수 없음.
4. 결론 및 시사점
(1) 교직은 개별 모듈로 나눌 수 없는 비모듈적이며 판단 중심적인 작업이므로, AI 시스템에 의한 의미 있는 자동화에는 본질적인 한계가 있음.
(2) 교육 현장에서 AI 시스템은 문자적 정확성과 구조적 일관성이 중요한 작업을 지원하는 데 가장 효과적임.
- 예시: 수업 자료 초안 생성, 관련 리소스 검색, 행정 정보 요약, 일상적인 소통 템플릿 준비 등.
- 이러한 지원의 교육적 가치는 교사가 이를 맥락에 맞춰 해석하고, 적응시키고, 활용하는 방식에 달려 있음.
- 반면, 학생의 추론 품질 평가, 교육적 개입 시점 결정, 학습 이탈 대응, 갈등 중재 등 해석이 필요한 작업은 교사의 통제 하에 유지해야 하며, AI는 보조적인 참고 자료 역할에 머물러야 함.
(3) 정책 결정자들은 AI 도구 제공을 넘어, 교사들이 AI 지원이 유용한 영역과 교육적 판단이 중심이 되어야 할 영역을 구분할 수 있도록 전문성 개발을 강조해야 함.
- 평가 및 피드백과 같은 중요한 맥락에서 AI를 지원 도구로 보고, 교사의 결정권을 명시적으로 보호해야 함.
- 시스템 수준에서는 AI 기반 결정에 대한 투명성, 근거 제시, 명확한 책임 소재를 우선시하여 교육적 판단의 책임이 궁극적으로 인간에게 있음을 보장해야 함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문이 가장 주목할 지점은 AI 교육 담론에서 기술의 잠재력과 효율성에만 초점을 맞추는 경향에 중요한 균형감을 제시한다는 점임. 단순히 AI의 현재 기술적 한계를 나열하는 것을 넘어, 교직이라는 전문 영역의 본질적 특성, 즉 인간의 인지적, 동기적, 사회적 복잡성을 근거로 자동화의 근본적인 한계를 논증한다는 점에서 그 중요성이 부각됨. 이는 교육의 가치와 교사의 역할에 대한 교육철학적 성찰을 동반한다는 점에서 의미가 깊음.
(2) 이 연구가 명시하지 않은 더 넓은 의미는 인간의 전문적 판단이 필요한 다른 영역들(예: 의료, 법률, 예술, 상담)에도 적용될 수 있다는 점임. AI가 정보를 처리하고 패턴을 인식하는 능력은 뛰어나지만, 불확실한 상황에서 맥락을 해석하고, 인간의 감정과 동기를 이해하며, 윤리적 책임을 지는 능력은 여전히 인간 고유의 영역이라는 메시지를 전달함. 이는 AI 시대에 인간이 어떤 역량을 강화해야 하는지에 대한 중요한 시사점을 제공하며, 인간-AI 협업의 궁극적인 방향을 제시함.
(3) 이 연구를 발전시킬 구체적 아이디어는 AI가 교사의 판단을 대체하는 것이 아니라 증강하는 방안에 대한 실증적 연구임. 예를 들어, AI가 교실 내 다양한 학생 데이터(학습 기록, 감정 상태, 상호작용 패턴)를 통합하여 교사에게 맥락적 통찰을 실시간으로 제공하고, 교사는 이를 바탕으로 보다 정교하고 시의적절한 교육적 판단을 내리는 ‘교사 판단 증강(Teacher Judgment Augmentation)’ 시스템을 개발할 수 있음. 이러한 시스템은 교사의 인지적 부하를 줄이면서도 인간 고유의 판단 영역을 강화하여 교육의 질을 높이는 데 기여할 수 있음.
6. 추가 탐구 질문
(1) 교사의 오랜 경험에서 비롯된 암묵지나 직관적 판단 능력은 AI 기반 시스템에서 어떤 방식으로 학습되거나 교사에게 지원될 수 있는가?
(2) 이 연구에서 제시된 교직의 비모듈성과 인간 중심 복잡성은 문화적 맥락(예: 동양의 유교 문화권 교육 vs. 서구의 개별주의적 교육)이나 교육 수준(예: 초등 교육 vs. 고등 교육)에 따라 다르게 나타날 수 있는가?
(3) AI가 교사의 보조적인 역할에서 벗어나 특정 상황에서 교육적 판단의 최종 책임을 지게 될 경우, 발생할 수 있는 윤리적 문제와 책임 소재는 어떻게 설정해야 하는가?
<출처> - Han, S. (2025). Why teaching resists automation in an AI-inundated era: Human judgment, non-modular work, and the limits of delegation. *Educational Technology Research and Development*.