인공지능, 인지 오프로딩, 그리고 교육에 주는 함의
호주 ‘Network for Quality Digital Education’가 2026년 3월에 펴낸 보고서 Artificial intelligence, cognitive offloading and implications for education(Jason M. Lodge·Leslie Loble 저, University of Technology Sydney 발행)를 한국어로 옮겨 정리한 글이다. 원문의 논지와 근거를 가능한 한 그대로 살렸다.
이 보고서가 다루는 문제는 한 문장으로 요약된다. AI가 정보를 빠르게 가져오고 ‘사고하는 듯한 외양’을 제공하는 능력 때문에, 학생이 학교 성공과 평생 학습 능력을 떠받치는 ‘사고의 기반 구조’를 세우는 데 결정적인 인지 작업을 너무 많이 AI에 떠넘기게 될 위험이다.
들어가며
AI, 특히 생성형 AI는 호주 교육에 새로운 동력을 만들어 내고 있다. 매력적인 기회와 만만찮은 도전을 동시에 풀어 놓는다. 교사와 학생은 “학습을 위해 AI를 어떻게 가장 잘 쓸 것인가”라는 질문을 실시간으로 헤쳐 나가며 이 역설의 최전선에 서 있다.
오늘날 호주에서는 학생의 약 80퍼센트가 인공지능을 쓴다고 응답하며(Thomas et al. 2025), 중등 저학년 교사의 3분의 2가 AI를 사용한다. 이는 OECD 국가 중 네 번째로 높은 사용률이다(OECD 2025). ChatGPT가 등장한 지 겨우 3년 만의 일이다. AI가 호주 교육의 거의 보편적인 특징이 된 지금, AI에 관한 논의는 “무엇이 호주 교육을 가장 효과적이고 공평하게 만드는가”라는 논의와 떼어 놓을 수 없다.
긍정적인 쪽에는 분명한 근거가 있다. 가장 강력한 증거 일부는 AI 기반 적응형 튜터링 시스템이 지속적인 학습 향상을 가져온다는 점을 가리킨다(Loble & Hawcroft 2022). 에듀테크는 장애 학생을 도울 수 있고(OECD 2026), 이들은 현재 호주 학급의 4분의 1을 차지한다(ACARA 2024). AI는 교사의 업무 부담을 줄여 더 가치 있는 교육적 상호작용에 쓸 시간을 확보해 준다(NSW 2024). 그러나 이 기술의 이점을 확보하는 일은 양질의 자원 접근, 디지털 포용, 기능과 이해, 그리고 학생 학습 향상을 극대화하도록 AI를 효과적으로 결합하는 교사 전문성에 달려 있다.
핵심 요약
AI(특히 생성형 AI)의 빠른 도입은 초·중등(K–12) 교육에 새로운 도전을 던진다. AI는 상호작용하는 인지 파트너로 기능할 수 있으며, 이로써 ‘인지 오프로딩’(정신적 작업을 외부에 떠넘기는 일) 개념이 전면에 떠올랐다.
보고서는 이 현상을 인간의 인지 구조(인지부하이론)라는 렌즈로 분석하고, 핵심 문제를 하나의 충돌로 규정한다. AI는 전문성과 비판적 사고를 떠받치는 깊고 장기적인 지식을 쌓는 데 필요한 인지적 노력을 우회할 수 있다는 것이다.
보고서의 중심 발견은 두 가지 오프로딩을 가르는 결정적 구분이다.
| 구분 | 이로운 오프로딩 | 해로운 오프로딩(아웃소싱) |
|---|---|---|
| 무엇을 떠넘기나 | 외재적 부하(예: 문법 검사) | 내재적 인지 노력 그 자체 |
| 작업기억에 미치는 효과 | 제한된 작업기억을 본질적·내재적 과제에 집중하도록 풀어 줌 | 장기기억 스키마를 쌓는 데 필요한 ‘바람직한 어려움’을 우회함 |
| 학습에 미치는 결과 | 깊은 학습을 촉진 | 학습을 손상시키며, 메타인지·자기조절학습 역량까지 잠식 |
축적되는 데이터는 구조화되지 않은 AI 사용이 해로운 오프로딩 쪽으로 기우는 경향을 뒷받침한다. 이는 ‘수행 역설’을 만든다. 학생의 단기 수행은 좋아지지만, 지속 가능한 장기 학습은 손상된다. 이 경향은 AI가 생성한 결과물의 유창함이 만들어 내는 ‘역량 착각’에서 비롯되며, 이것이 메타인지적 게으름을 부추겨 학습자가 깊은 지식을 쌓는 데 필요한 생성적 노력을 포기하게 만든다.
AI의 영향은 기술적으로 결정되는 것이 아니라 교육적으로 결정된다. 구조화되지 않은 사용은 인지 위축을 부르지만, 명시적 교수, 부하 감소 교수법(LRI), 통합된 메타인지 프롬프트 같은 교육적으로 구조화된 개입은 자기조절학습·비판적 사고·깊은 몰입을 성공적으로 길러 낼 수 있다.
도전에 어떻게 응답할 것인가
최근 포럼에서 네트워크는 AI와 해로운 인지 오프로딩의 도전을 검토했고, 두 가지 결정적 지렛대가 떠올랐다.
- 교사가 AI를 가장 효과적으로 배치하도록 돕는 전략. 교수·학습에서 이미 가장 잘 통한다고 알려진 방대한 증거를 끌어오고, 학생의 AI 사용을 명시적으로 구조화·비계화하는 것.
- AI 도구를 교육적으로 설계해, 지속 가능한 지식에 필요한 학생의 인지 노력을 포기하게 만드는 대신 키우도록 교사 전문성을 증폭하는 것.
보고서가 제시하는 유망한 경로는 다음과 같다.
- 학생이 하위 과제를 떠넘기면서도 자기조절학습 역량과 비판적 사고를 키우도록 돕는 명시적 교수 전략 사용
- 더 깊은 탐구와 성찰을 유도하는 명확한 메타인지 프롬프트를 학습 과정에 도입
- 복잡한 내용을 이해·평가·숙고하도록 돕는 비판적 사고 역량을 영역 지식 안에서 명시적으로 교수
- 효과적인 교수법을 지원하는 AI 도구를 교사가 빚고 선택할 권한을 유지하도록 보장
- 학생의 학습 노력·숙달·인지 주체성을 떠받치도록 설계된 AI 도구용 국가 교육 설계 표준 초안의 채택 가속
20년 전 디지털 기술의 인지적 영향에 관한 초기 증거(Fogg 2003)는 오늘날 소셜미디어에 대한 우려와 호주의 대응을 예고했다. 이제 학교에서 쓰이는 AI 역시 안전을 위해서뿐 아니라 도구 자체에 대한 신뢰와 효과적 교수 전략으로 교사를 잘 지원하기 위해 면밀히 통치·지도되어야 한다는 증거가 점점 강해지고 있다. AI는 교육에 들어온 새로운 기술 경로일 수 있으나, 그 성공적 통합 전략은 강력한 교육적 응답을 요구한다. 교사의 중심 역할 강화, 양질의 교수·학습에 대해 잘 연구된 접근의 활용, 그리고 형평성에 대한 면밀한 주의가 그것이다.
주요 용어
보고서가 정의하는 핵심 용어를 정리한다.
| 용어 | 정의 |
|---|---|
| 인지 오프로딩 | 인지 부담을 줄이려고 과제의 정보 처리 요구를 바꾸는 물리적 행위. 정신적 작업을 외부 자원에 떠넘기는 것. 할 일 목록 작성이 단순한 예라면, AI는 분석·종합·창작 같은 복잡한 과제의 오프로딩을 가능케 한다. |
| 이로운 인지 오프로딩 | 학습자가 도구로 외재적 부하(예: 문법 검사)를 떠넘겨, 제한된 작업기억을 학습의 내재적 작업(논증 구성, 자료 종합)에 쓰도록 풀어 주는 경우. |
| 해로운 인지 오프로딩(아웃소싱) | 학습자가 내재적 인지 작업 자체를 떠넘기는 경우. 학습의 과업을 우회하려는 시도다. “에세이를 써 줘”라고 AI에 요청하는 것이 예로, 생성·인출·분석·종합으로 이뤄지는 스키마 구축 과정 전체를 건너뛴다. |
| 인지부하이론(CLT) | 인간 기억 구조에 기반한 교수 이론. 장기기억의 스키마 구축을 최적화하기 위해 작업기억의 심각한 한계를 존중하는 교수 설계 틀을 제공한다. |
| 작업기억 | 새 정보를 능동적으로 처리하는 의식적 부분. 전화를 걸며 번호를 외워 두는 식. 가장 중요한 특징은 심각하게 제한되어 있다는 점으로, 한 번에 처리할 수 있는 새 정보 요소가 넷 정도에 불과하다. 한계를 넘으면 인지 과부하가 학습을 방해한다. |
| 장기기억 | 습득한 모든 지식·경험·절차의 방대하고 조직된 저장고. 용량은 사실상 무제한이다. 학습은 새 정보를 작업기억에서 처리해 스키마를 쌓아 장기기억에 통합하는 과정이다. |
| 스키마 | 정보를 쓰임새에 따라 조직하는 장기기억 속 복잡한 지식 구조. 전문가는 장기기억에 방대하고 복잡한 스키마를 쌓고, 언제 어떻게 적용할지 아는 사람이다. |
| 바람직한 어려움 | 지속적인 장기 학습은 노력 없이 이뤄지지 않으며 어느 정도의 인지적 노력·도전을 요구한다는 개념. AI의 위험은 이 본질적 분투를 학생이 건너뛰도록 부추길 수 있다는 데 있다. |
| 유창성 | 학습 자료가 처리되기 쉬운 정도(예: 고품질 영상 시청). AI는 결과물이 일관되고 자신만만하고 또렷하기에 ‘주문형 유창성’으로 불린다. 이는 처리의 쉬움을 학습의 깊이로 착각하게 만드는 역량 착각을 일으킬 수 있어 위험하다. |
| 역량 착각 | 학습자가 자신이 얼마나 배웠는지 크게 과대평가하는 인지 편향. AI 텍스트·멀티미디어의 유창함이 이 착각을 만들어, 깊은 인지적 몰입이 더는 필요 없다는 잘못된 신호를 보낸다. |
| 메타인지 | 자신의 사고에 대해 사고하는 과정. 계획·점검·수정 같은 자기조절학습 과정을 포함한다. |
| 메타인지적 게으름 | Fan et al.(2024)이 만든 용어. AI의 편리함이 학습자의 핵심 자기조절 과정 참여를 잠식하는 현상. 학습자는 사실상 메타인지적 책임을 도구에 넘기고, 그 기능을 키울 기회를 스스로 박탈한다. |
| 자기조절학습(SRL) | 자기 학습을 관리하는 능력. 계획·점검·수정이 포함된다. SRL에 참여하는 일 자체가 인지 부하를 만들기에, 효율을 좇는 학생은 이 과정을 AI에 떠넘기고 싶은 유혹을 받는다. |
| 평가적 판단 | 자신과 타인의 작업 품질에 대해 판단하는 능력(Tai et al. 2017). 무엇이 품질인지 이해하는 것과 그 이해를 적용해 작업을 평정하는 것, 두 요소로 이뤄진다. |
| 수행 역설 | AI가 즉각적 과제 수행은 끌어올리면서 동시에 교육의 목표인 지속적 학습은 감소시키는 역설. AI가 사라지면 학습이 무너지는데, 비계화된 수행이 지속적 지식으로 옮겨가지 못했기 때문이다. |
| 생성 효과 | 학생이 단서로부터 답을 직접 생성하도록(바람직한 어려움) 강제될 때, 단어를 수동적으로 복습한 학생보다 장기 어휘 파지가 훨씬 낫다는 인지 원리. |
| 제자 효과 | 사람이 설명과 성찰이라는 노력 어린 생성적 행위로 떠밀릴 때 생기는 학습 이득. ‘인지 거울’ 교수법이 촉발하는 기제. |
| 검증 파트너 | AI를 ‘정답 신탁’에서 벗어나도록 재구성하는 교육 모델. 인간 학습자가 일차적 인지 주체성을 유지하고 AI 출력을 끊임없이 평가·교정하는, 검증 마인드셋을 채택한다. |
| 마태 효과(AI 맥락) | AI가 매개하는 세계의 메타인지 형평성 격차를 가리키는 말. 이미 높은 영역 지식과 강한 메타인지를 갖춘 학생은 AI로 학습을 가속하고, 그렇지 못한 학생은 해로운 오프로딩에 빠져 더 뒤처진다. |
서론
코로나19 팬데믹의 세계적 충격 이전부터 디지털 학습 환경·도구의 사용 증가라는 분명한 흐름이 전 세계 교육 시스템에 나타나고 있었다. 이 흐름은 디지털 기술이 교육에 체계적으로 영향을 미치기 시작한 30여 년 전으로 거슬러 올라간다. 팬데믹 기간 온라인 학습으로의 강제 이동이 이 흐름을 가속했다. 그러나 이전 기술들처럼, 새 디지털 도구가 주는 유연성과 몰입에는 인지적 비용이 따르며(Lodge 2023), AI가 학습과 교수에 점점 영향을 미치면서 그 비용이 점차 뚜렷해지고 있다(Horvath 2026).
2022년 말 ChatGPT의 공개는 더 깊은 가속을 촉발해, 논쟁을 블렌디드 러닝을 넘어 인간 인지의 토대 자체로 옮겼다. 새 기술은 흔히 그렇듯 양극화된 논쟁을 낳았다. AI를 교육의 구원자로 보는 ‘부스터’ 서사와, 독창적 사고의 종말로 보는 ‘둠스터’ 서사가 자주 지배한다. 저명한 학자들은 인류가 ‘AI가 인지 발달·주체성·미래에 근본적 위험을 던지는 정점의 인간성(peak humanity)’에 와 있을지 모른다고 경고했다(Hamilton et al. 2023).
보고서의 목적은 그 논쟁에 참여하는 것이 아니라 그것을 넘어서는 것이다. AI는 계산기나 검색엔진 같은 단순한 도구가 아니다. AI는 상호작용하고 유창하며 반응하는 인지 파트너로 기능할 수 있다(Lodge et al. 2023). 요약·분석·창작·비평·설명을 하도록 프롬프트할 수 있다. 그렇게 함으로써 우리가 전통적으로 학습 과정과 연결해 온 인지 과제(생성·인출·종합·평가)를 수행하거나 적어도 흉내 낸다.
학습이 AI 때문에 얼마나 극적인 전환을 겪는지 가늠하는 한 가지 방법은, 학생이 AI라는 파트너를 학습에 두는 것이 무엇을 뜻하는지 생각해 보는 것이다. 이제 모든 과제와 학습 활동은 본질적으로 모둠 활동이 된다. 다만 다른 모둠원이 사실상 인류의 거의 모든 지식을 손끝(데이터베이스·알고리즘 가중치)에 쥔 기계일 뿐이다. 다른 모든 모둠 활동처럼, 학생은 그 협업에서 이득을 얻을 수도 있고, 똑똑한 친구에게 일을 다 떠넘길 수도 있다.
지식의 지속적 우위
수십 년간 교육 담론은 지식과 기능 사이의 긴장으로 활기를 띠었다. ‘21세기 기능’ 옹호자들은 빠른 변화와 즉각적 정보 접근의 시대에는 정보를 아는 것(지식 저장고)보다 정보를 찾는 것(기능)이 더 중요하다고 흔히 주장해 왔다.
그러나 인지과학의 통찰은 이 가정에 도전한다. 증거는 고차 기능, 특히 비판적 사고가 일반적이지 않다는 점을 압도적으로 가리킨다(Willingham 2019; Tricot & Sweller 2014). 오히려 그것은 장기기억에 저장된, 잘 조직된 영역별 지식의 토대와 깊이 얽혀 있고 그것에 의존한다. Willingham(2019)의 말처럼 “사고 과정은 사고되는 대상과 얽혀 있다.” 비판적으로 사고할 대상이 없으면 비판적 사고에 참여할 수 없다. 과학자는 실험 설계에 관한 방대한 지식을 끌어와 결함 있는 방법론을 비판적으로 사고하고, 역사가는 사료의 사회적·정치적·역사적 맥락에 관한 지식을 끌어와 일차 자료를 비판적으로 사고한다.
문제의 심층 구조는 필요한 영역 지식을 가진 사람에게만 보인다. 반면 초보자는 문제의 ‘표면 구조’에 정신이 팔려 근본 원리를 보지 못한다(Willingham 2019). Tricot와 Sweller(2014)는 진화해 왔고 대체로 가르칠 수 없는 ‘생물학적으로 일차적인’ 일반 기능(말하기 등)과, 학교 교육의 목적 전체이며 명시적 교수를 요구하는 ‘생물학적으로 이차적인’ 문화 지식을 구분한다. 이들은 “장기기억에 보유된 영역별 지식이… 습득된 인지 수행을 결정하는 가장 중요한, 어쩌면 유일한 요인”이라고 주장한다.
이 틀에서 비판적 사고에 참여하려고 ‘그냥 구글에서 찾으면 된다’고 할 수는 없다. 검색엔진에서 인출한 자료는 인출된 환경 안에만 존재한다. 그 정보는 복잡한 추론에 필요한 장기기억 구조(스키마)에 통합되지 않았다.
이 논쟁에는 풀어 둘 만한 미묘함도 있다. 21세기 기능에 관한 긴 연구사는 기능의 전이가 얼마나 어려운지 보여 주지만, 일부는 전이된다. 예컨대 자신이 어떤 영역에 충분한 전문성이 없다는 것을 아는 데에는 그 영역의 깊은 지식이 필요 없다. 자신이 초보임을 인식·수용하는 일은 학습 여정의 출발에서 결정적이다. 자기 점검 같은 학습 전략도 여러 맥락에서 학습을 높이는 것으로 나타났다(Trumbo et al. 2021). 형식·비형식 논리, 논증 분석, 추론 기능의 일부도 전이되는 듯하다(Leibovitch et al. 2024). 즉 많은 인지 기능이 깊은 영역 지식을 요구하지만, 모든 인지 기능이 그런 것은 아니다.
그런 단서에도 불구하고, 유창한 오류와 자신만만한 ‘환각’ 성향을 지닌 AI는 깊은 지식을 낡은 것으로 만들지 않는다. 오히려 더 중요하게 만든다(Yan et al. 2024). AI가 매개하는 세계에서 일차적 비판적 사고 과제는 검증 또는 판단이 된다. AI가 만든 텍스트를 비판적으로 평가하고, 미묘한 편향·논리적 결함·사실 오류를 짚어 내는 능력은 거의 전적으로 사용자 자신의 영역별 지식 저장고에 달려 있다. Bearman과 동료들(2024)은 평가적 판단이 AI 시대의 핵심 기능이라고 본다. AI의 진정한 교육적 위험은 단지 학생이 에세이 부정행위에 쓴다는 것이 아니다. 훨씬 더 심대한 위험은, AI가 지식 구축과 검증의 인지 과정 자체에 근본적으로 간섭할 수 있다는 점이다. 이는 비판적 사고 대부분이 의존하는 장기기억 저장고와 그에 따른 기능을 쌓는 바로 그 과정이다.
인간의 인지 구조와 목표 지향적 학습자
AI가 학습에 어떻게 영향을 미치는지 이해하려면, 학습이 어떻게 일어나는지에 대한 명료한(단순화된) 모형이 먼저 필요하다. 교수·학습 목적에서 인간 인지 구조는 서로 상호작용하는 두 핵심 요소로 이해된다.
- 작업기억: 새 정보를 능동적으로 처리하는 의식적 부분. 심각하게 제한되어 있어(Baddeley 1986) 한 번에 새 정보 요소를 넷 정도밖에 처리하지 못한다는 견해가 널리 받아들여진다. 한계를 넘으면 인지 과부하가 학습을 막는다.
- 장기기억: 습득한 지식·경험·절차의 방대하고 조직된 저장고로 용량은 사실상 무제한이다. 학습은 새 정보를 작업기억에서 처리해 ‘스키마’를 쌓아 장기기억에 통합하는 과정이다. 전문가가 전문가인 까닭은 작업기억이 더 좋아서가 아니라 장기기억에 방대하고 복잡한 스키마를 쌓았기 때문이다.
인지부하이론(CLT)은 이 인지 구조 이해에 기반한, 교수에 적합한 이론이다. 최근 Kalyuga와 Plass(2025)의 재정식화는 두 가지 주요 수정을 제안한다.
- 두 부하 모형: ‘본질적 인지 부하(germane load)’를 별도 구성개념으로 폐기하고 두 부하 모형으로 돌아간다. 스키마 구축의 노력 어린 과정은 내재적 부하의 일부로 이해된다. 따라서 부하는 둘뿐이다. 피할 수 없는 내재적 부하와 비본질적인 외재적 부하.
- ‘목표 지향적’ 접근: 가장 결정적인 수정. 교수 설계만이 아니라 학습자의 활동·동기·목표가 분석의 중심 초점이 되는 통합 틀을 제안한다.
이 목표 지향적 틀이 AI가 학습에 던지는 도전을 이해하는 열쇠다. 학습자는 같은 도구로 매우 다른 두 목표를 좇을 수 있다.
AI 학습의 ‘수행 역설’
축적되는 데이터는 구조화되지 않은 AI 사용이 해로운 오프로딩으로 기우는 경향을 보여 준다. 이때 수행 역설이 생긴다. 단기 과제 수행은 좋아지지만, 교육의 목표인 지속적 학습은 손상된다. AI가 비계로 작동하는 동안의 수행은 그것이 사라지면 무너진다. 비계화된 수행이 지속적 지식으로 옮겨가지 못했기 때문이다. 이 역설의 핵심에는 학습자가 ‘바람직한 어려움’을 우회한다는 사실이 있다. 지속적 학습에 필요한 인지적 분투를 AI가 대신 처리해 버린다.
메타인지적 게으름과 역량 착각
해로운 오프로딩의 가장 곤혹스러운 면은 학생이 그것을 자발적으로 한다는 점이다. 이는 중심 문제가 메타인지와 자기조절학습, 곧 자신의 사고를 사고하고 자신의 학습을 관리하는 과정에 있음을 드러낸다.
AI의 편리함은 Fan et al.(2024)이 ‘메타인지적 게으름’이라 부른 것을 부추긴다. 무작위 연구에서 이들은 AI의 편리함이 학습자의 핵심 자기조절학습 과정(계획·점검·수정) 참여를 잠식할 수 있음을 발견했다. 학습자는 사실상 메타인지적 책임을 도구에 넘긴다. 그 동기는 Wang과 Lajoie(2023)가 설명한다. 자기조절학습에 참여하는 일 자체가 인지 부하를 만들기에, 효율에 대한 합리적 욕구에 떠밀린 학생(Zhai et al. 2024)은 SRL의 즉각적 비용을 AI에 떠넘겨 우회하고, 그 결과 자기주도 학습의 장기 이득을 얻지 못한다.
이런 빈약한 메타인지 선택은 강력한 역량 착각으로 가능해진다(Lodge 2023). 고품질 영상 같은 유창한 학습 자료가 사람들로 하여금 처리의 쉬움(유창성)을 학습의 깊이로 착각해 자신이 얼마나 배웠는지 크게 과대평가하게 만든다는 점은 오래전부터 알려져 있다(Carpenter et al. 2013). AI, 특히 생성형 AI는 주문형 유창성이다. 일관되고 자신만만하고 또렷한 텍스트(점점 멀티미디어까지)를 만들어 낸다. 이 유창성은 강력하지만 오도하는 메타인지 단서로 작동한다. Zhang과 Xu(2025)가 짚은 자기효능감 역설이 바로 이것이다. AI 사용은 학생의 과제 관련 자신감·자기효능감을 높였지만, 동시에 기술 의존을 심화했다. Lee et al.(2025)은 AI 역량에 대한 더 큰 확신이 사용자의 비판적 사고 감소와 직접 연결된다는 증거를 찾았다.
Patac과 Patac(2025)의 질적 연구는 학생들이 ChatGPT가 ‘좋은’(내재적) 부하를 포함한 모든 형태의 인지 부하를 줄여 준다고 지각한다는 점을 보여 준다. OECD(2026)의 추가 증거도 유럽 표본의 학생들이 주로 학습을 더 쉽고 효율적으로 만들려고 AI를 쓴다는 사실로 이를 뒷받침한다. 학생의 목표가 학습에서 과제 완수로 옮겨갔다면 이는 비합리적 선택이 아니라 합리적 선택이다. 이 상황은 악순환을 만든다. 학생이 효율을 좇는다 → AI 응답의 유창함이 역량 착각을 만든다 → 착각이 메타인지적 게으름을 촉발한다 → 더 많은 아웃소싱으로 이어진다 → 학생의 실제 지식 기반이 침식되어 도구에 더 의존하고 그 출력을 판단할 능력은 더 떨어진다.
교육적 해법 — 인지 위축에서 증강으로
해로운 오프로딩의 증거는 설득력 있지만 결정론적이지 않다. 기술 자체가 결과를 봉인하지 않는다. Kalyuga와 Plass(2025)가 인지부하이론 갱신에서 주장하듯 학생의 목표와 동기가 중요하다. Weidlich et al.(2025)은 방법론적 비판에서 AI 연구 대부분이 매체(AI 도구)와 교수 방법(교육)을 뒤섞기 때문에 ‘원인을 찾는 효과’에 머문다고 본다. 이들은 인과 요인이 교육이라고 주장한다.
경로 1 — 이로운 오프로딩과 부하 감소 교수법
AI는 외재적 부하를 관리해 내재적 학습에 자원을 풀어 주는 이로운 오프로딩에 쓸 수 있다. 이는 명시적 교육 틀을 요구한다. Martin et al.(2025)은 명시적 교수 원리를 차용한 ‘부하 감소 교수법(LRI)’을 제시한다. 이 모형을 끌어와 AI로 비계·구조화된 연습·피드백을 제공하면 학습자의 인지 부담을 관리하면서 점진적 독립을 가능하게 한다. Hong et al.(2025)이 검증한 바, 이 인지 오프로딩 교수 모형(하위 글쓰기 과제를 떠넘기는)을 명시적으로 배운 학생은 비판적 사고에서 유의하게 큰 향상을 보였다.
경로 2 — 게으름에 맞서 메타인지를 비계화하기
더 심대한 해법은 메타인지적 게으름이라는 핵심 문제를 직접 다룬다. 문제가 AI의 편리함이 학습자로 하여금 메타인지적 책임을 포기하게 한다는 것이라면, 해법은 그 책임을 명시적으로 요구하고 비계화하는 AI 상호작용을 설계하는 것이다. 기술이 반드시 필요한 것은 아니며, 교사가 이런 접근을 쓰는 데 도구가 꼭 있어야 하는 것은 아니다.
- Xu et al.(2025): 메타인지 프롬프트를 AI 환경에 통합하자 학습자 역량, 특히 자기조절학습이 유의하게 높아졌다.
- Singh et al.(2025): 멈추고 성찰하고 자기 이해를 점검하게 만드는 메타인지 프롬프트가 AI 기반 검색 중 더 능동적인 몰입, 더 넓은 주제 탐색, 더 깊은 탐구로 이어졌다.
- Li et al.(2025): 비계가 점차 사라지는 점진적 프롬프트 개입이 학습 성취와 비판적 사고를 모두 유의하게 향상시켰다.
Darvishi et al.(2024)은 단순히 SRL 프롬프트를 더하는 것은 AI의 우세가 그것을 압도해 실패했음을 발견했다. 성공한 개입은 통합되고 선택 불가능한 것이어서 메타인지적 멈춤을 강제했다.
경로 3 — AI를 인지 거울이자 검증 파트너로 설계하기
가장 진전된 설계 해법은 AI의 근본 역할을, 수동적 아웃소싱을 부르는 정답 신탁에서 내재적 부하를 유발하는 도구로 옮긴다.
- 인지 거울로서의 AI: Tomisu et al.(2025)은 AI를 가르칠 수 있는 초보자로 공학적으로 설계한다. AI가 혼란을 가장하고 명료화 질문을 던져, 인간 학습자를 설명과 성찰이라는 노력 어린 생성적 행위(제자 효과)로 떠밀고 생성 효과를 촉발한다.
- 소크라테스적 파트너로서의 AI: Monzon과 Hays(2025)는 AI로 바람직한 어려움을 만들 것을 제안한다. 노력을 우회하는 대신, AI를 인지 파트너로 써서 인출 연습 문항·사례 연구·소크라테스적 대화를 생성해 지속적 학습에 필요한 노력 어린 처리를 강제한다.
- 검증 파트너로서의 AI: Grace(2025)는 인간이 일차적 인지 주체성을 유지하며 AI 출력을 검증 마인드셋으로 끊임없이 평가·교정하는 지능 평형 모델을 제안한다.
Helal과 동료들(2025)이 종합하듯, AI의 영향은 전적으로 교육적 설계에 달려 있다. 기본값인 구조화되지 않은 정답 신탁은 자동화 편향, 빠른 해답 의존 같은 인지 억제 요인을 활성화한다. 반대로 의도적이고 교육적으로 탄탄한 설계는 자기조절학습, 메타인지적 비판 같은 인지 매개 요인을 활성화한다.
교육과정·실천·형평성에 주는 함의
인지 위험 분석은 중대하고 새로운 형평성 위험을 가리킨다. 기본값인 구조화되지 않은 학생 대면 AI 사용은 거의 확실히 기존 형평성 격차를 넓혀 디지털 격차를 악화시킨다(Loble & Hawcroft 2022).
새로운 메타인지 형평성 격차
이 보고서가 짚은 인지 위험(수행 역설, 메타인지적 게으름, 역량 착각)은 고르게 분포하지 않는다. 연구는 이 부정적 영향이 초보자, 곧 AI 출력을 비판적으로 평가하는 데 필요한 영역 지식이 부족한 이들에게 불균형하게 미친다는 점을 분명히 한다(Bastani et al. 2025; Singh et al. 2025). 더구나 AI의 편리함에 가장 유혹받기 쉬운 학생은 자기조절·메타인지 기능이 더 약한 채로 과제에 들어오는 이들이다(Darvishi et al. 2024). Gerlich(2025)는 더 어린 참가자가 더 높은 의존과 더 낮은 비판적 사고를 보였다는 점도 발견했다.
이는 AI가 매개하는 세계의 강력하고 우려스러운 마태 효과를 시사한다. 이미 높은 영역 지식과 강한 메타인지 기능을 가진 학생은 AI를 이로운 오프로딩에 활용해 학습을 가속한다. 반대로 그런 기능이 없는 학생, 흔히 이미 불리한 처지의 학생은 해로운 오프로딩에 취약해 역량 착각에 빠지고 정작 필요한 학습을 건너뛴다. 구조화하지 않으면 AI는 거의 확실히 기존 형평성 격차를 넓힌다. AI의 위험을 관리하는 법에 대한 명시적 교수는 도움이 될 수 있으나, 대규모로 이 문제를 다루기엔 충분치 않을 가능성이 크다. 이른바 ‘AI 리터러시’는 유용하지만 인지 아웃소싱에 대한 탄탄한 교육적 응답으로 의도된 것이 아니다.
교사를 증강해 전문성을 확장하기
학생 대면 AI의 위험이 큰 반면, 연구는 더 유망하고 공평한 길을 시사한다. K–12 교육에서 가장 강력한 AI 활용은 AI 튜터로 교사를 대체·우회하는 것이 아니라 교사 자신을 증강하는 것일 수 있다. 강력하고 고위험인 도구를 초보 학습자에게 주는 대신 전문가 교사에게 주어 실천을 증강한다.
| 연구 | 설계 | 핵심 결과 |
|---|---|---|
| Batt et al. (2024), n≈4,000 무작위 평가 | 대면 튜터 + 컴퓨터 보조 학습(Khan Academy) 결합 고강도 튜터링 | 자원 집약적 인간 전용 모형과 거의 같은 학습 향상(0.23 표준편차)을 30% 낮은 비용으로 달성 |
| Wang et al. (2024), 무작위 통제 시험 | 학생이 아닌 튜터를 돕는 ‘Tutor CoPilot’이 실시간 전문가형 교수 안내 제공 | 학생 합격률 유의 향상, 효과는 경험·평점이 낮은 튜터의 학생에게 가장 컸음. 전통적 연수 대비 165배 비용 절감으로 전문성을 확장 |
| LearnLM Team Google & Eedi (2025), 영국 고교 5곳 소규모 RCT | 교사 통제형 챗봇 튜터링 / 인간 튜터링 / 표준 사전작성 프롬프트 비교 | 교사 통제형 AI와 인간 튜터링이 비슷한 진전, 둘 다 일반 힌트보다 우수. 교사들은 더 깊은 성찰을 유도하는 질문 생성을 강점으로 꼽음 |
특정 개발된 AI 에이전트가 일종의 교사 보조로 기능하는 신흥 사용 사례에 추가 가능성이 있다. 집필 시점에서 AI 에이전트의 발전은 빠르고 예측 불가능하나, 지금까지의 제한된 작업은 이 형태의 교사 증강에 잠재력이 있음을 가리킨다.
가장 안전하고 공평하며 인지적으로 탄탄한 학교 내 AI 활용은, 증거 기반 교사 지원 및 잘 설계된 신뢰할 만한 AI 도구와 결합된 교사 대면 모델일 수 있다. 최근 수년의 모든 연구에도 한 가지 사실은 부인할 수 없다. 인간은 여전히 다른 인간으로부터, 다른 인간과 함께 더 효과적으로 배운다. 교사를 증강함으로써 우리는 학습의 공동 조절, 인지 부하 관리, 학생에게 필요한 평가적 판단·자기조절학습·메타인지 구축이라는 복잡한 관계적 작업을 가장 잘 다룰 수 있는 인간 전문가에게 힘을 실어 준다(Walton et al. 2025).
결론
AI의 도전은 근본적으로 기술적이 아니라 교육적이다(Weidlich et al. 2025). 학습에 미치는 효과는 교수 맥락과 학습자의 목표가 결정한다.
이 보고서가 제시한 증거는 유창성과 인지적 편안함이 이끄는 과신의 영역(Lodge 2023; Stadler et al. 2024)과, 노력 어린 바람직한 어려움을 요구하는 학습 극대화의 영역(de Bruin et al. 2023; Duplice 2025) 사이의 인지적 긴장을 부각한다. Hamilton et al.(2023)의 ‘탈교육’과 ‘인간의 대규모 격하’라는 경고는 어디에나 있고 마찰 없는 인지 아웃소싱의 궁극적 위험을 나타낸다. 그러나 이 보고서가 상술한 심리과학과 교육공학 연구는 그 결과를 피하는 명확한 교육적 길을 제공한다. 그 길은 이른바 ‘AI 리터러시’를 늘리는 것이 아니다. 그것은 교사가 AI를 효과적으로 쓰도록 지원하는 데 쓸 귀한 자원을 다른 데로 돌릴 수 있다.
교육적 명령은 인지·메타인지 오프로딩이 일상이 된 세계로부터 학생을 보호하는 것이 아니라 그 세계에 학생을 준비시키는 것이다. 이 준비의 핵심 요소는 기술 자체가 아니라 깊은 지식과 적응적·전이 가능한 기능에 있다. 준비에는 타협 불가능한 두 요소가 있다.
- AI가 만들어 내는 유창하고 신뢰할 수 없는 출력에 대해 비판적으로 사고하는 데 필요한 깊은 영역별 지식과 분석적 사고 역량으로 학생을 무장시키기(Willingham 2019; Tricot & Sweller 2014).
- 해로운 오프로딩과 책임 포기를 피하면서 AI와 함께 비판적으로 사고하는 데 필요한 견고한 메타인지적 판단과 자기조절학습 기능을 길러 주기(Xu et al. 2025; Walton et al. 2025).
명시적 부하 감소 교수법에서 AI 기반 메타인지 프롬프트, 그리고 교사 증강 모델에 이르는 전략은 명시적이고 실천적이며 희망적인 길을 제시한다. 물론 여러 전선에서 이미 큰 부담을 안은 교육 기관·시스템에서 이 제안을 구현하기가 간단하다는 말은 아니다. 많은 연구와 개념 증명 작업이 여전히 필요하다. 이 보고서가 제공하는 것은, AI가 인간 학습과 비판적 사고를 위축시키는 대신 증강하도록 보장하기 위한, 증거에 깊이 기반한 틀이다.
출처
Lodge, J. M., & Loble, L. (2026). Artificial intelligence, cognitive offloading and implications for education. University of Technology Sydney. https://doi.org/10.71741/4pyxmbnjaq.31302475
호주 Network for Quality Digital Education 발행. Paul Ramsay Foundation 지원(grant 5040). CC BY-NC-ND 4.0 라이선스.