생성형 AI 시대, 교육 현장의 ‘에이전시’는 어떻게 재편되는가?

1. 연구의 목적

(1) 이 연구는 생성형 AI(GenAI)가 교육 현장에서 지식 생성과 평가 방식을 근본적으로 변화시키는 배경에 주목함. GenAI는 학습자 맞춤형 접근 방식과 새로운 협력 학습 기회를 제공하지만, 동시에 AI 생성 콘텐츠에 대한 과도한 의존, 인간 지식과 기계 지식 간의 불평등, 저작권 및 책임 소재와 같은 윤리적 문제들을 야기함. 기존 연구들이 GenAI의 유용성과 활용성에 주로 초점을 맞춘 반면, 교육의 핵심인 ‘에이전시(agency)’의 재배분, 즉 누가 지식의 주인이 되는가에 대한 근본적인 변화는 제대로 다루지 못하는 상황임.

(2) 이러한 문제의식 아래, 이 연구의 핵심 목표는 생성형 AI가 학생과 교사의 학습/교수 환경에서 에이전시에 미치는 영향을 개념적으로 분석함. 이를 바탕으로, 교육의 인식론적 토대를 유지하면서 생성형 AI를 공정하고 책임감 있게 교육에 통합하기 위한 이론적 모델을 구축함. 궁극적으로 인간과 AI 시스템 간에 에이전시가 재분배되는 현상에 대한 명확한 이해를 제공함.

2. 연구의 방법

(1) 이 연구는 실증적 데이터 생성보다는 기존 이론을 종합하고 새로운 개념적 프레임워크를 구축하는 개념 연구(conceptual research) 방식을 사용함. 분포된 에이전시(Distributed Agency), 자기결정 이론(Self-Determination Theory), 자기조절학습(Self-Regulated Learning), TPACK 및 SAMR과 같은 기술 통합 패러다임을 포함한 다양한 이론적 관점을 활용함. 이러한 이론적 자원을 종합해 기존 이론을 테스트하거나 확장하는 것이 아닌, 완전히 새로운 개념 모델을 개발함.

(2) 연구의 주요 분석 대상은 Scopus, Web of Science, ERIC, Google Scholar 등 4개 데이터베이스에서 체계적이고 반복적인 인용 연결(citation chaining) 방식으로 선별된 문헌들임. 2018년 이후 출판된 문헌을 우선적으로 포함하되, 반두라(Bandura), 라이언과 데시(Ryan & Deci), 짐머만(Zimmerman)과 같은 영향력 있는 선행 이론들도 함께 검토함. 특정 포함/제외 기준이나 품질 평가 도구를 엄격하게 적용하지 않고, 에이전시, 인식론적 권위, AI 통합 관련 쟁점을 이해하는 데 기여할 수 있는 문헌을 선별함. 이러한 선택적 접근은 연구 결과의 일반화 가능성을 제한하지만, 빠르게 진화하는 GenAI 분야의 지식을 종합하는 데 적합함.

3. 주요 발견

이 연구는 기존 이론 모델들이 생성형 AI 통합 시 에이전시, 자기조절, 교수학적 역할, 그리고 명시적인 윤리적 경계 조건 간의 관계를 통합적으로 설명하지 못하는 한계에 주목함. 이러한 간극을 메우기 위해 생태학적 공동 에이전시 프레임워크(Ecological Co-Agency Framework)를 제안함. 이 프레임워크는 공동 에이전시를 ‘인간의 인식론적 책임성’이라는 비협상적 경계 조건 내에서 상호 의존적인 세 가지 차원, 즉 관계적, 규제적, 교수학적 공동 에이전시의 관계로 정의함.

그림 1. 생태학적 공동 에이전시 프레임워크

(1) 프레임워크의 핵심 정의: 공동 에이전시와 인간 인식론적 책임성

생태학적 공동 에이전시 프레임워크는 생성형 AI 환경에서 에이전시가 단순히 인간의 고유한 속성이 아니라, 인간과 AI, 그리고 맥락 간의 복합적인 상호작용 속에서 형성되는 개념으로 이해함. 이는 기존의 기술 통합 모델들이 주로 기술의 활용 가능성이나 교사의 기술 역량 강화에 초점을 맞추던 방식과 근본적으로 다름. 이 프레임워크는 공동 에이전시를 세 가지 상호 연결된 차원, 즉 관계적, 규제적, 교수학적 에이전시로 구성하며, 이 모든 차원은 ‘인간의 인식론적 책임성(human epistemic accountability)’이라는 강력한 윤리적 경계 조건 안에 놓여있음. 이 경계 조건은 AI가 고품질의 결과물을 생성하더라도, 지식의 진실성과 윤리적 판단에 대한 최종 책임은 전적으로 인간에게 있음을 명확히 함.

(2) 구성 요소 1: 관계적 공동 에이전시 (Relational Co-Agency)

• 정의 및 역할: 관계적 공동 에이전시는 에이전시가 개인이나 기계와 독립적으로 존재하는 것이 아니라, 학생, 도구(AI), 학습 맥락 간의 상호작용을 통해 발생한다고 정의함. 역량, 창의성, 판단력 등은 이 관계에서 형성되는 속성임. 효과적인 관계적 공동 에이전시를 위해서는 두 가지 요건이 충족되어야 함. 첫째, 어떤 과업을 AI에 위임하고 어떤 과업을 학생이 수행할 것인지에 대한 결정이 투명하게 기술되어야 함. 둘째, ‘윤리적 공동 에이전시’가 존재해야 하며, 이는 교육적 결과에 대한 인간과 AI 간의 공동 책임을 의미함. 인간이 AI 생성 결과물에 대한 일차적인 책임과 설명을 가지지만, AI를 모니터링하고 그 결과물을 사용하는 방식에 대해 책임을 지는 것을 포함함.
• 논문 예시: 학부생 그룹이 문학 리뷰를 작성하고 생성형 AI 글쓰기 도우미를 활용하는 과제가 주어졌을 때, 관계적 공동 에이전시는 과제 지침에 어떤 작업을 AI에 위임할 수 있는지(개별 자료 요약 등), 그리고 어떤 작업은 위임할 수 없는지(개별 자료들을 연구 질문과 연결하는 논증 구성 등)를 명확히 명시하는 상황임. 학생 개인이 작업 분담 방식을 임의로 결정하는 대신, 과제 지침 자체가 노동의 분배를 명확히 하는 것임.

(3) 구성 요소 2: 규제적 공동 에이전시 (Regulatory Co-Agency)

• 정의 및 역할: 이 차원은 짐머만(Zimmerman)의 자기조절학습(Self-Regulated Learning, SRL) 3단계(사전 숙고, 수행, 반성) 이론을 AI 매개 환경에 적용한 것임. 이는 학생이 학습 과정에서 AI를 어떻게 활용하여 스스로 학습을 조절하고 통제하는지에 초점을 맞춤.
  • 사전 숙고(Forethought) 단계: 생성형 AI는 목표 설정과 자료 탐색을 지원할 수 있으나, 학생이 학습 목표에 대한 통제권을 항상 유지해야 함.
  • 수행(Performance) 단계: AI는 학생이 과업을 진행할 때 피드백과 프롬프트를 제공하여, 인지적 부담을 덜고 학생이 더 복잡한 과업에 몰입하도록 돕는 ‘증강 지능(Augmented Intelligence)’ 또는 ‘비계(Scaffolding)’ 역할을 함.
  • 반성(Self-reflection) 단계: AI는 학생의 학습 진행 상황에 대한 요약 보고서를 생성할 수 있지만, 학생과 교사는 AI가 생성한 데이터를 기반으로 스스로의 발전 과정을 평가하고 다음 학습 단계를 결정해야 함. 의도적인 인지적 부담 경감(cognitive off-loading)은 변혁적 학습으로 이어질 수 있으나, 이는 루틴한 결정이 아닌 의도적인 선택일 때에만 가능함.
• 논문 예시: 문학 리뷰 과제에서 학생들은 AI를 사용하기 전에 논문 주제와 간략한 개요를 명시해야 함. 이후 AI 도구를 활용하여 문장 구조가 아닌 논증의 구조적 측면에 대한 피드백을 받음. 초고 완성 후에는 AI가 제안한 변경 사항에 동의, 수정, 거부한 지점과 그 이유를 상세히 기술한 자기 성찰 보고서를 제출해야 함. 이는 AI가 단지 글을 쓰는 도구가 아니라, 학생의 자기조절학습 과정에서 중요한 비계 역할을 하도록 설계하는 방식임.

(4) 구성 요소 3: 교수학적 공동 에이전시 (Pedagogical Co-Agency)

• 정의 및 역할: 이 차원은 AI 통합 과정에서 교사의 진화하는 역할을 자이(Zhai)의 ‘관찰자-채택자-협력자-혁신가(Observer-Adopter-Collaborator-Innovator)’ 연속체와 TPACK/XK(Contextual knowledge) 모델의 틀 안에서 설명함. 교사는 AI로 기존 과업을 대체하는 수준(채택자)에 머무르지 않고, 새로운 교수법을 창안하는 수준(혁신가)으로 나아갈 수 있음. 이러한 교사의 발전은 시간, 훈련, 기술, 행정 지원 등 기관의 구조적 지원 수준에 크게 의존함. 즉, 교수학적 공동 에이전시는 개별 교사의 노력뿐만 아니라, 학교 차원의 구조적 책임성을 포함함. 지원이 부족하면 교사 연속체는 역량 개발 도구보다는 이미 자원을 가진 교사를 식별하는 수단에 그치게 됨.
• 논문 예시: 문학 리뷰 과제에서 교수학적 공동 에이전시는 강사가 완성된 에세이를 단순히 내용과 문법으로만 평가하지 않고, 글쓰기 과정 전반에 걸친 ‘결정 과정(decision trail)’을 고려해야 함을 의미함. 기관은 학생의 작업 결과물뿐만 아니라, 그 작업물을 만들어내는 과정에서 학생이 사용한 의사결정 과정을 평가할 수 있도록 평가 시스템에 추가 자원을 할당해야 함.

(5) 윤리적 경계 조건 (Ethical Boundary Condition)

생성형 AI가 고품질의 결과물을 생산하더라도, 특정 그룹에 대한 편향을 만들고 인간의 의사결정 책임을 감소시킬 수 있음. 이 프레임워크는 인간 인식론적 책임성(human epistemic accountability)을 앞선 세 차원에 대한 비협상적인 경계 조건으로 간주함. 이는 AI 활용의 긍정적 또는 부정적 영향을 판단하는 데 필수적인 제약 조건이 됨.

다음 표는 인간 인식론적 책임성을 위한 세 가지 핵심 조건을 보여줌.

조건명	정의 및 역할	예시 및 의미
논쟁 가능성	학습자와 교사가 AI 생성 결과를 의문시하고 교차 검증할 수 있어야 함. AI 시스템의 설명 가능성 요구됨.	AI가 제시한 정보가 항상 옳지 않음을 인지하고, 비판적으로 평가하며, 필요시 반박할 수 있는 역량. AI의 ‘블랙박스’에 갇히지 않고 투명한 이해를 지향함.
출처 투명성	기관은 AI 훈련 데이터의 출처와 내재된 편향을 학생들이 이해할 수 있도록 설명해야 함.	AI가 특정 관점이나 편향된 정보를 기반으로 학습되었을 수 있음을 인지하고, 그 배경을 이해함. 이는 정보의 공정성과 신뢰성을 판단하는 기초가 됨.
도덕적/지적 위임 불가	학생 복지, 학업 성적, 중요한 피드백 등 인간의 결정을 AI 결과에 전적으로 의존하지 않아야 함. AI를 공동 저자/창작자로 간주하지 않음.	AI가 학생의 최종 성적이나 징계와 같은 중대한 판단에 결정적 영향력을 행사해서는 안 됨. 저작권과 책임은 오롯이 인간에게 있음.

4. 결론 및 시사점

(1) 이 연구는 생성형 AI가 교육 현장에서 단순한 도구에 그치지 않고 인간과 기계 간의 에이전시와 책임성을 재배분하는 근본적인 변화를 가져옴을 입증함. 기존의 기술 중심 또는 기술 채택 중심 문헌들은 이러한 인식론적 전환을 효과적으로 포착하지 못하는 한계가 있음. 본 연구가 제시하는 생태학적 공동 에이전시 프레임워크는 에이전시를 관계적, 규제적, 교수학적 관점에서 바라보면서, 인간 인식론적 책임성이라는 명확한 경계 조건을 통해 AI 시대 교육의 복잡한 딜레마를 다룰 수 있는 언어를 제공함. 이는 AI의 교육적 효용성과 잠재적 문제점 사이의 ‘균형’이라는 모호한 개념 대신, 의도적인 설계와 심도 있는 논의를 가능하게 함.

(2) 교육 현장에 주는 시사점은 명확함. 학생들은 AI에 미리 정해진 답을 의존하는 수동적 소비자가 아니라, AI와 협력하여 새로운 아이디어를 발견하는 지식의 창조자로 역할이 전환됨. 교사 또한 지식의 유일한 전달자에서 벗어나, 학생이 AI를 책임감 있게 사용하도록 돕는 교수법을 고안하고 실행하는 촉진자로 변화해야 함. 이러한 전환은 저절로 일어나지 않음. 학교 시스템과 교육자는 이 프레임워크가 제시하는 개념들을 반영한 과제를 의도적으로 설계하고, 이러한 변화에 시간이 필요하다는 인식을 공유하는 시스템적 문화를 조성해야 함.

(3) AI 설계 및 정책 수립에도 중요한 시사점이 있음. 규제적 공동 에이전시의 관점에서 보면, 생성형 AI가 자기조절학습 주기 중 어느 시점에 개입하는지가 학생의 에이전시 인식에 결정적인 영향을 미침. 과업 시도 전 정보를 제공하여 사전 숙고 단계를 생략하게 하면 학생의 에이전시 인식을 저해함. 반대로 과업 수행 중 피드백 제공이나 과업 후 반성을 돕는 방식으로 개입하면 에이전시 인식을 증진함. 따라서 교육 기관은 GenAI 기반 도구 채택 시 도구의 정확성과 안전성뿐 아니라, 기본 개입 시점이 학생의 학습 통제권에 어떤 영향을 미치는지 면밀히 검토해야 함.

(4) 나아가 투명성 요구는 AI 도구 조달 방식에 큰 변화를 가져옴. 기관들은 이제 효율성만을 이유로 AI를 구매할 수 없음. GenAI 훈련 데이터의 출처와 내재된 편향에 대한 정보를 학습자가 이해할 수 있는 방식으로 제공해야 하는 책임이 뒤따름. 이는 조달 과정이 인식론적 거버넌스 행위로 전환됨을 의미함. 문제는 이러한 요구가 디지털 격차와 AI 리터러시 수준이 고르지 않은 저소득 지역에서 AI 접근성을 더욱 제한하고 기존의 격차를 심화시킬 수 있다는 점임. 따라서 정책 입안자들은 프레임워크가 제시하는 구체적인 질문들(과업 분담의 명확성, AI 개입 시점, 교사 지원 투자 여부, AI 출력물에 대한 이의 제기 가능성, AI 구성 방식 공개 여부 등)을 통해 “AI를 책임감 있게 사용한다”는 추상적인 원칙을 실질적인 실행 방안으로 전환해야 함.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) 이 논문에서 가장 주목할 지점은 생성형 AI를 단순히 ‘기술’이나 ‘도구’로 접근하는 데 그치지 않고, 교육의 근본적인 ‘인식론적 권위’와 ‘에이전시’가 어떻게 재배분되는가라는 철학적 질문을 던지는 데 있음. 기존의 TPACK이나 SAMR 같은 기술 통합 모델들이 주로 기술의 효과적인 활용 방식이나 교사의 역량 강화에 초점을 맞춘 것과 달리, 이 연구는 “누가 지식의 주인이 되는가?”라는 본질적인 질문을 정면으로 다룸. 생성형 AI가 그럴듯하고 설득력 있는 콘텐츠를 자율적으로 생성할 때, 인간의 판단은 기존에 없던 압력에 직면하며, 이는 단순히 디지털 리터러시나 프롬프트 작성 기술 향상만으로 해결될 수 없는 문제임. AI가 진실을 가장하는 기술이 아니라, 진실을 만드는 주체에 혼란을 야기하는 기술이라는 점을 날카롭게 짚는 통찰이 돋보임.

(2) 이 연구가 명시하지 않은 더 넓은 의미를 확장해 보면, 이는 인간의 고유한 능력과 역할에 대한 재정의를 요구하는 신호로 읽힘. AI가 지식 생성, 요약, 심지어 아이디어 발상까지 광범위하게 관여함에 따라, 인간은 더 이상 ‘정보를 생산하고 소비하는 주체’로만 머무를 수 없음. 오히려 AI가 생성한 정보의 진실성을 비판적으로 평가하고, 그 기저의 윤리적 편향을 분석하며, AI의 도움을 받아 더 복잡하고 인간적인 문제를 해결하는 ‘비판적 판단자와 윤리적 책임자’로서의 역할이 더욱 강조됨. 이는 교육의 목표가 단순히 지식 습득에 머무르지 않고, 인간만의 고유한 판단력, 윤리적 사고, 공감 능력, 그리고 비판적 성찰을 강화하는 방향으로 심화되어야 함을 강력하게 시사함. HCI(Human-Computer Interaction) 관점에서는 AI 시스템 설계 시 사용자 경험만이 아니라, ‘인간 주체성(Human Agency)’을 어떻게 유지하고 강화할지에 대한 고민을 설계 초기 단계부터 반영해야 함을 의미함.

(3) 이 연구를 발전시킬 구체적인 아이디어를 제안함. 첫째, ‘AI 협업 역할 명세표’ 개발 및 보급이 필요함. 이는 특정 과제 유형별로 AI가 수행할 수 있는 작업(예: 데이터 요약, 초안 작성, 문법 검토)과 교사 또는 학생이 반드시 수행해야 하는 핵심 작업(예: 논증 설계, 비판적 분석, 윤리적 판단, 최종 책임)을 명확히 구분하는 가이드라인임. 이는 관계적 공동 에이전시를 강화하고, 교사의 교수학적 공동 에이전시 발전을 촉진하는 실질적 도구가 됨. 둘째, ‘자기조절 학습 AI 프롬프트 점검 도구’의 도입을 제안함. 학생들이 AI에 프롬프트를 입력하기 전, 자신의 학습 목표를 명확히 하고, AI 사용 목적을 구체적으로 정의하며, AI 출력물에 대한 비판적 평가 기준을 스스로 설정하도록 돕는 디지털 도구임. 이는 규제적 공동 에이전시를 강화하고, 학생들이 AI를 주체적으로 활용하며 메타인지를 발달시키는 데 기여함. 셋째, 기관 차원의 ‘AI 투명성 및 책임성 위원회’ 설치를 고려할 필요가 있음. 이 위원회는 새로운 AI 교육 도구 도입 시 해당 AI의 훈련 데이터 출처, 잠재적 편향성, 알고리즘의 설명 가능성 수준, 그리고 기관 내에서의 책임성 분담 구조 등을 사전에 심층적으로 검토하고 그 결과를 투명하게 공개하는 역할을 수행함. 이는 특히 취약 계층의 접근성과 공정성 문제를 사전에 방지하며, 윤리적 경계 조건을 기관 운영에 실질적으로 통합하는 방안이 됨.

6. 추가 탐구 질문

(1) 이 생태학적 공동 에이전시 프레임워크가 K-12 교육 환경, 특히 유아 교육이나 특수 교육 환경에서 어떻게 작동하며, 발달 단계나 인지 능력에 따라 교사와 학습자의 에이전시 양상에 어떤 고유한 변형을 가져올까?

(2) 비서구권 또는 디지털 인프라와 AI 리터러시 격차가 큰 개발도상국 교육 환경에서 이 프레임워크의 ‘인간 인식론적 책임성’ 경계 조건은 어떻게 재정의되거나 적용되어야 할까? 특정 문화적, 사회경제적 맥락에서 AI의 책임성 개념은 어떻게 다르게 해석될까?

(3) AI 시스템 자체의 ‘설명 가능성(explainability)’과 ‘출처 투명성(provenance)’을 기술적으로 보장하기 위한 최소한의 표준은 무엇이며, 이 표준이 교육용 AI 개발자들에게 어떤 구체적인 기술적 요구 사항으로 작용해야 할까? 또한, 이러한 기술적 표준이 교육 현장의 윤리적 요구 사항을 충분히 충족시킬 수 있을까?

출처

• Poudyal, B. (2026). Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education. Journal of Learning and Teaching in Higher Education.