653 ／ 660
AI는 의료 교육에서 임상 추론 능력을 어떻게 만드는가?
1. 연구의 목적
(1) AI, 특히 생성형 AI가 의료 교육에 빠르게 들어오며 학습자의 과도한 의존, 오용, 기초 임상 역량 약화에 대한 우려가 커짐. 기존의 제도적 대응(규제, 커리큘럼 도입)은 주로 코호트 전체 수준에 초점 맞춤. 하지만 학습자는 개별 과제마다 AI를 어떻게 쓸지 순간적으로 결정함. 이러한 개별적 의사결정을 다루는 이론적 틀이 부족한 상황임. 의료 현장에서 AI 활용이 학습에 해로운지 이로운지를 판단하는 기준이 명확하지 않음.
(2) 이 연구는 AI 오용 문제를 메타인지적 평가 실패로 인한 ‘오분류(Misclassification)’ 문제로 재정의함. 비고츠키의 근접 발달 영역(ZPD)과 메타인지를 바탕으로 AI 과제 할당을 위한 인간 중심 의사결정 프레임워크인 ‘SCAN’을 제안함. 이 프레임워크를 통해 임상 추론 발달에서 AI의 역할을 설명하고, 오분류를 감지하고, 줄이며, 나아가 예방하는 방법을 제시함. 궁극적으로 AI 시대에 완전한 임상 역량 형성을 위한 검증 가능한 메커니즘적 교육론을 제공함.
2. 연구의 방법
(1) 이 연구는 사회 구성주의적 관점으로 AI 시대의 의료 교육을 접근함. 지식은 전문가, 동료, 그리고 생성형 AI와 같은 ‘더 지식 있는 타자(More Knowledgeable Other, MKO)’와의 협력적 참여로 함께 구성된다는 관점임. 비고츠키의 근접 발달 영역(ZPD)과 메타인지 개념을 통합하여 ‘SCAN’ 프레임워크를 구축함.
(2) SCAN 프레임워크의 두 가지 핵심 요소인 ‘과제 패러다임(Task Paradigm)’과 ‘메타인지(Metacognition)’를 중심으로 AI와의 상호작용 방식을 네 가지 하위 영역(Substitute, Complement, Aid, Non-Negotiable)으로 분류함. 이러한 분류가 학습자의 인지적 참여에 미치는 영향과 임상 추론 발달 과정을 이론적으로 분석함. 나아가 이러한 개념적 틀을 바탕으로 임상 교육 과정 설계, 감독, 평가에 적용할 수 있는 구체적 방안을 제안함.
3. 주요 발견
이 연구는 AI 시대 의료 교육의 핵심 과제인 학습자의 임상 추론 능력 발달을 위한 SCAN 프레임워크를 제안함. 기존의 ‘AI 오용’ 개념을 ‘메타인지적 오분류’로 재정의하며, 과제 수준에서 학습자의 AI 활용을 세밀하게 분석하는 틀을 제공함.
(1) SCAN 프레임워크: AI 시대의 근접 발달 영역 재해석
SCAN 프레임워크는 비고츠키의 근접 발달 영역(ZPD)을 AI 시대에 맞게 확장한 개념임. 학습자가 과제를 수행하는 과정에서 AI, 인간 전문가, 그리고 학습자 본인 사이에 인지적 책임이 어떻게 분배되어야 하는지를 제시함. 이 프레임워크는 학습자의 과제별 지식 수준과 AI가 인지적 책임을 적절히 맡을 수 있는 정도를 바탕으로 과제를 네 가지 하위 영역으로 분류함. 학습자가 AI 도구를 열기 직전, 과제와 자신의 현재 발달 단계에 맞는 AI 활용 방식을 스스로 결정하도록 돕는 인지적 프레임워크임.
(2) SCAN의 네 가지 하위 영역
SCAN 프레임워크는 과제 패러다임을 다음 네 가지 하위 영역으로 구분함. 이는 학습자의 과제별 지식 수준에 따라 AI의 역할이 달라짐을 보여줌.
- Substitute (대체): AI가 과제를 자동화함.
- 역할: 학습자가 과제에 대한 지식이 전혀 없어 스스로 완수할 수 없는 경우, AI가 전적으로 과제를 수행함. 학습자의 판단이 필요 없으며, 결과물을 스스로 검증할 수 없음.
- 예시: 초보 학습자가 생소한 임상 증상에 대해 AI에게 초기 감별 진단을 요청하는 상황. 학습자가 비판적 검토 능력이 없는 상태에서 AI가 대부분의 인지적 부담을 덜어줌.
- Aid (보조): AI가 학습자의 인지적 소유권을 유지하며 보강함.
- 역할: 학습자가 과제에 대한 부분적인 지식을 가졌을 때, AI가 ‘디지털 비계(digital scaffold)’ 역할을 함. 학습자의 판단이 필요하며, AI는 이를 확장하는 도구임. 학습자는 AI의 결과물을 비판적으로 평가하고 통합함.
- 예시: 흉통을 호소하는 환자를 진료하는 3년차 학생이 AI의 제안을 참고하여 자신의 추론을 보강하고, 임상 소견과 상충하는 AI의 답변에 질문하는 상황.
- Complement (보완): AI가 학습자의 역량을 확장하는 파트너 역할을 함.
- 역할: 학습자가 충분한 전문성을 가졌을 때, AI가 자신의 역량을 넘어서는 부분을 보완해 협력하는 영역임. 과제는 학습자의 전문성과 AI의 능력이 동시에 필요하며, 어느 하나만으로는 부족함.
- 예시: 숙련된 전공의가 복잡한 퇴원 계획서 초안 작성을 AI에 지시하고, AI의 결과물을 자신의 임상적 판단에 따라 비판적으로 평가하며 최종 문서에 대한 모든 책임을 지는 상황.
- Non-Negotiable (필수): 인간 전문가가 필수적인 영역.
- 역할: AI가 복제할 수 없는 관계적, 윤리적, 또는 체화된 판단이 요구되거나, AI 자동화가 발달에 허용할 수 없는 비용을 초래하는 과제임. AI 대신 인간 전문가(MKO)의 보강이 필수적인 영역임. 이는 비고츠키의 전통적인 ZPD에 해당함.
- 예시: 환자와의 심리적 교감, 윤리적 딜레마 해소 등 AI가 대신할 수 없는 인지적 상호작용이 필요한 과제.
(3) 메타인지: SCAN 작동의 핵심 메커니즘
메타인지는 학습자가 자신의 인지 과정을 인식하고 조절하는 능력으로, SCAN 프레임워크의 중요한 구성 요소이자 주요 작동 메커니즘임. 메타인지가 없으면 과제 분류가 무너짐. 학습자가 자신의 지식 상태를 정확히 평가하지 못하면 SCAN의 올바른 하위 영역에 과제를 배정할 수 없음. AI 환경에서 이러한 메타인지 실패는 더욱 심화됨. AI 의존도가 높아질수록 AI 오류 탐지 정확도는 떨어지는 반면, 사용자 자신감은 유지되는 현상이 관찰됨. SCAN은 이 메타인지적 영역 식별 능력을 중요하게 봄.
-
메타인지적 지식 (Metacognitive Knowledge): 학습자 자신, 당면 과제, 활용 가능한 전략에 대한 지식임. AI 환경에서는 AI의 능력과 한계, 실패 모드에 대한 지속적인 이해가 포함됨. 이는 초기 과제 하위 영역을 식별하는 선행 조건임. 예를 들어, 숙련된 임상의는 감별 진단의 어떤 요소는 스스로 생성하고(Complement), 어떤 요소는 AI의 도움을 받아 더 넓은 증거 기반을 검색해야 할지(Aid) 빠르게 판단함.
-
메타인지적 모니터링 (Metacognitive Monitoring): 과제 수행 중 이해도와 성과를 실시간으로 추적하는 과정임. SCAN에서는 현재 과제가 적절한 하위 영역에 있는지 지속적으로 평가하고, 필요하면 즉시 재배정하는 실시간 평가를 의미함. AI 환경에서 AI 오류 탐지 실패는 바로 이 모니터링의 실패를 의미함.
-
메타인지적 통제 (Metacognitive Control): 모니터링 결과에 따라 인지 전략과 자원 할당을 조절하는 능력임. 과제 수행 전에는 하위 영역을 선택하고(위임, 비계 설정, 독립적 수행), 과제 수행 후에는 할당된 영역이 적절했는지, AI 생성 결과물에 오류는 없었는지 반성하여 미래 과제에 대한 조정을 수행함.
(4) 임상 추론 발달의 두 가지 경로
SCAN은 AI 시대 임상 추론 발달에 두 가지 상보적 경로가 존재함을 제시함.
-
내재화 경로(Internalization Trajectory): 인간 전문가(MKO)와의 상호작용을 통해 비고츠키의 ZPD 원형을 보존함. 견습 모델처럼 인간 전문가의 비계가 점진적으로 사라지며 학습자의 독립성이 성장하는 전통적 경로임. ‘Non-Negotiable’ 하위 영역과 연결됨.
-
공생 경로(Symbiosis Trajectory): 생성형 AI와 협력하여 학습자의 과제별 지식이 점진적으로 발달하는 경로임. ‘Substitute’에서 ‘Aid’를 거쳐 ‘Complement’로 이동함. AI 자체가 지속적인 비계의 일부가 되고, 학습자의 독립성은 AI와의 신중하고 자기 주도적인 참여로 표현됨. 이는 AI를 ‘확장된 자아(extended self)’로 활용하는 메타인지적 정교함을 요구함.
두 경로 모두 필수적이며, 한쪽이 다른 쪽을 대체할 수 없음. 완전한 임상 역량 형성은 이 두 경로 모두로 이루어짐. 학습자의 인식 주체성(epistemic agency)과 인식 책임(epistemic responsibility)이 점진적으로 증가해야 한다는 규범적 요구를 공유함.
(5) 오분류(Misclassification): 임상 추론 발달을 방해하는 핵심 요인
이 연구는 AI 과의존이나 오용을 단순히 행동적 문제로 보는 대신, 메타인지적 평가 실패로 인한 ‘오분류’로 정의함. 오분류는 학습자의 발달 단계에서 특정 과제에 부적절한 AI 상호작용 모드를 선택하는 것을 의미함. 이는 임상 추론 발달에 필수적인 인지적 참여를 제거함.
오분류에는 두 가지 주요 경로가 있으며, 각각 다른 심리적 메커니즘으로 인해 다른 유형의 학습 실패를 초래함. 두 경로 모두 Aid 하위 영역에서 발생함.
- 생산적인 인지적 참여 우회:
- 상황: Aid 과제(생산적 노력이 가능하고 필요함)를 Substitute 과제(자동화)로 취급하는 경우임.
- 원인:
- 노력 최소화: 최소 저항의 길을 따라 AI 자동화에 의존함. ‘시스템 1’(직관적 사고)이 과제 식별에 필요한 ‘시스템 2’(숙고적 사고)를 우회함.
- 권위 휴리스틱: AI 시스템의 결과물이 자신의 판단보다 더 신뢰할 수 있다는 인식에 사로잡힘. Aid 과제에 대한 부분적 지식 때문에 휴리스틱에 취약해짐.
- 결과: 관련 임상 기술이 형성될 수 있는 인지적 상호작용 자체가 사라짐. 학습자의 발달을 막음.
- 역량에 대한 환상 조장:
- 상황: Aid 과제를 Complement 과제(협력, 스스로 감독 가능)로 잘못 분류하여, 충분한 과제별 지식 없이 AI를 능숙하게 위임하는 ‘감독자’처럼 행동함.
- 원인: 더닝-크루거 효과로 인한 과신임. 불충분한 지식 때문에 자신의 메타인지적 한계를 인식하지 못하고 능력을 과대평가함.
- 결과: AI가 그럴듯한 오류를 생성해도 이를 감지할 지식이 없어 오류가 통과됨. 피상적으로는 학습한 것처럼 보이지만, 실제로는 결함 있는 역량을 습득하는 ‘가짜 역량(pseudo-competence)’을 만듦.
오분류는 ‘오용’과 달리 단순히 규율 위반이 아닌 역량 부족의 문제임. 따라서 처벌보다는 메타인지적 교육, 과제 설계, 감독하의 실습이 해결책이 됨.
(6) 기술 습득과 실패의 삼중주 (The Triad of Skill Failure)
SCAN 프레임워크는 AI 보조 임상 훈련에서 발생할 수 있는 기술 습득 실패를 세 가지 유형으로 분류함. 이는 학습자의 올바른 ‘하위 영역 이동(subzone migration)’이 방해받을 때 발생함.
이 세 가지 유형의 기술 실패는 각각 다른 메커니즘을 가지고 있으며, 회복 가능성과 필요한 개입 방식이 다름.
| 실패 유형 | 발생 경로 | 해로운 유형 | 임상 증거 | 특징 및 개입 |
|---|---|---|---|---|
| Deskilling (기술 약화) | Complement 과제를 Aid로 잘못 인식하고, AI 의존으로 인해 기존에 숙달했던 기술이 퇴보함. | 회고적 (퇴화) | 있음 (Budzyń et al., 2025) | 과거에 숙달한 기술을 AI에 지속적으로 위임해 사용하지 않아 기능이 약화되는 현상임. 자율 규제에서 공유 규제로 퇴보함. 가장 눈에 띄는 실패 유형이며, displaced된 실습을 재개하는 것이 주된 개입 방법임. |
| Never-skilling (기술 미형성) | (1) Aid 과제를 Substitute로 오분류하여 인지적 노력이 시작되기 전에 차단됨 (오분류 경로). (2) Substitute 과제를 올바르게 식별했지만, 메타인지적 학습이 발생하지 않아 해당 영역에 무한정 머무름 (비-오분류 경로). |
예측적 (예방) | 개념적 위험 모델 (Ke et al., 2026) | 기술이 형성될 초기 단계에서 AI가 대체 역할을 하여 기술이 아예 발달하지 않는 현상임. 오분류 경로는 실시간 자기 평가의 정확도를 높이는 것이 중요함. 비-오분류 경로는 구조화된 하위 영역 이동 검토 지점을 설정하여 학습자의 지식 상태 재평가를 유도함. 초기 역량 평가에서 부재로 나타나므로, 기술 약화보다 덜 가시적일 수 있음. |
| Mis-skilling (기술 오형성) | (1) Aid 과제에 수동적으로 참여함 (인식 활동 실패). (2) Aid 과제를 Complement로 오분류하여 자신의 과도한 자신감으로 AI를 감독함 (오분류 경로). |
구성적 (구성) | 있음 (Teng et al., 2026) | AI 결과물로부터 부정확하거나 편향된 임상 지식을 내재화하여 결함 있는 임상 추론이 형성되는 현상임. 학습자가 일부 지식은 있지만 AI 결과물을 검증하기에는 불충분한 Aid 하위 영역에서 발생함. 잘못된 구조가 형성되어 나중에 바로잡기가 어려움. 가장 위험한 실패 유형 중 하나로, 학습된 것처럼 보이나 실제로는 결함 있는 지식임. |
이 연구는 ‘Mis-skilling’ 중에서도 올바르게 분류된 Aid 과제 내에서의 ‘수동적 참여’가 특히 은밀하고 감지하기 어려운 문제임을 지적함. 학습자가 AI 결과물을 평가 없이 받아들일 때, 잘못된 임상 구조가 형성될 수 있음. 이를 해결하기 위해 Aid 영역에서 Non-Negotiable 영역으로 ‘하위 영역 재식별’이 필요하며, 인간 전문가가 인식 감사자(epistemic auditors)로서 학습자의 참여 품질을 점검하는 역할이 중요하다고 강조함.
4. 결론 및 시사점
(1) 이 연구는 AI 시대 의료 교육에서 학습자의 AI 활용이 임상 추론 발달에 해로운 영향을 미치는 현상을 ‘오분류(Misclassification)’라는 새로운 개념으로 재정의함. 이는 단순한 행동적 ‘오용’이 아닌, 실시간 메타인지적 평가 실패에 기인함을 입증함. SCAN 프레임워크는 이러한 오분류를 예방하고 효과적인 AI 활용을 안내하는 체계적인 도구임을 주장함. 완전한 임상 역량 형성은 인간 전문가와의 ‘내재화 경로’와 AI와의 ‘공생 경로’라는 두 가지 상보적 발달 궤적을 모두 요구함.
(2) 이 연구의 가장 중요한 시사점은 AI의 오용을 단순히 규제나 금지의 문제로 볼 것이 아니라, 학습자의 메타인지 역량 강화를 통한 ‘교수학적 문제’로 다루어야 한다는 점임. SCAN 프레임워크는 커리큘럼 설계, 임상 감독, 평가 방식 전반에 걸쳐 학습자의 과제 분류 능력을 명시적으로 가르치고 훈련해야 함을 강조함. 이는 학습자가 자신의 지식 상태를 정확히 평가하고, AI와의 상호작용 방식을 능동적으로 조절하는 핵심 역량을 개발하는 데 필수적임.
(3) 특히 ‘기술 오형성(Mis-skilling)’ 중에서도 Aid 영역 내의 ‘수동적 참여’는 학습된 것처럼 보이지만 실제로는 결함 있는 지식을 형성한다는 점에서 가장 위험한 실패 유형임을 인지해야 함. 이는 감독자가 학습자의 AI 활용 결과물뿐만 아니라 ‘과정’을 평가해야 함을 역설함. 학습자가 AI의 추론 과정을 재구성하고, 오류를 식별하며, 이를 전체 임상 상황과 통합할 수 있는지 확인하는 ‘과정 평가’ 시스템 설계가 시급함. 이 설계가 갖춰지면 AI는 작업을 자동화하는 도구에 그치지 않고 학습자의 인지적 참여와 자기 성장을 촉진하는 비계 역할을 함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문이 가장 주목할 지점은 AI의 부작용을 ‘오용’에서 ‘오분류’로 개념화한 전환임. 이는 AI 시대 교육 현장의 오랜 고민인 학습자의 과도한 의존과 역량 저하 문제를 단순한 윤리나 통제 이슈가 아닌, 본질적인 학습 역량의 문제로 깊이 파고듦. ‘오용’이 ‘하지 말아야 할 것을 했다’는 행동적 비난에 가깝다면, ‘오분류’는 ‘자신과 과제를 제대로 이해하지 못했다’는 인지적 결함에 주목함. 이 시각 전환은 교사의 역할 또한 AI 사용 감시자에서 학습자의 메타인지 코치로 재정의함. AI를 쓰지 못하게 막는 데 그치지 않고, ‘어떻게 써야 학습에 이로운지’를 학습자 스스로 판단하게 하는 핵심 역량을 가르쳐야 한다는 명확한 방향을 제시함.
(2) 논문은 의료 교육에 초점 맞춤. 하지만 그 의미는 훨씬 넓은 영역에 걸쳐있음. AI가 모든 전문직 교육 현장에 침투하는 상황에서, 이 연구는 ‘전문가적 지식’의 본질적 변화를 예고함. 지식을 암기하고 적용하는 능력에 더해, ‘AI와의 협력적 지식 구성 능력’이 새로운 핵심 역량이 됨. 이는 인지과학적으로 ‘확장된 인지(extended cognition)’ 개념과도 연결됨. 인간의 인지 과정이 뇌 안에만 국한되지 않고 외부 도구와 환경까지 확장된다는 관점에서, AI는 이제 학습자의 인지 시스템에 통합된 일부가 됨. 따라서 교육 철학적 관점에서, AI를 단순한 도구가 아닌 ‘새로운 형태의 학습 파트너’로 인정하고, 이 파트너와 어떻게 건강한 ‘공생적 인식론(epistemic symbiosis)’을 구축할지에 대한 논의를 촉발함.
(3) 이 연구를 발전시킬 구체적 아이디어는 ‘SCAN 기반 AI 프롬프트 가이드라인’ 개발임. 학습자가 특정 과제를 시작하기 전, 자신의 지식 수준과 과제의 특성을 고려하여 어떤 SCAN 하위 영역에 해당하는지 자가 진단하는 단계가 필요함. 예를 들어, 챗GPT와 같은 AI 도구 사용 시, 프롬프트 입력 창 위에 “이 과제는 현재 당신의 지식 수준에서 ‘Aid’ 영역에 해당합니다. AI의 답변을 비판적으로 검토하고, 자신의 추론 과정을 설명할 준비를 하세요.”와 같은 동적 프롬프트 비계(dynamic prompt scaffolding)를 제공하는 방안임. 나아가, AI 자체에 메타인지적 질의 응답 기능을 내장하여, 학습자가 AI 답변을 맹목적으로 수용하려 할 때 “이 답변의 핵심 근거는 무엇이라 생각하는가? 당신의 임상적 판단과 일치하는가?”와 같은 질문을 던지도록 설계하는 것임. 이는 학습자의 수동적 참여를 능동적 메타인지 활동으로 전환시키는 실질적 개입이 됨.
6. 추가 탐구 질문
(1) SCAN 프레임워크가 제시하는 메타인지적 분류 능력이 문화적 배경이나 교육 시스템의 차이에 따라 다르게 발달하는가? 특히, 암기 위주의 교육 환경에서 자란 학습자들은 AI 활용 시 오분류 경향이 더 강한가?
(2) 의료 외 다른 전문직(법률, 공학, 교육 등) 분야에서 SCAN 프레임워크를 적용할 때, 각 하위 영역의 분류 기준과 ‘기술 실패 삼중주’의 발현 양상이 어떻게 달라지는가? 특정 전문성의 ‘Non-Negotiable’ 영역은 무엇인가?
(3) AI 시스템 자체를 학습자의 메타인지 능력을 향상시키는 도구로 설계할 기술적, 윤리적 방안은 무엇인가? AI가 학습자의 오분류 경향을 감지하고, 적절한 하위 영역으로의 전환을 유도하는 ‘메타인지 AI 에이전트’ 개발은 가능한가?
출처
- Tsim, F., Gutoreva, A., Weiss, A., & Dubosh, N. (2026). AI as Teammate: Rethinking Task Distribution in Medical Training. arXiv preprint arXiv:2608.28373.