619 ／ 625
AI 기반 교육, 깊이 있는 학습을 위한 조건은 무엇인가?
1. 연구의 목적
(1) AI가 고등 교육에 빠르게 통합되고 있지만, 그 효과가 단편적이고 모호하다는 문제 의식이 있음. 지능형 튜터링 시스템, 적응형 학습 플랫폼, 생성형 AI 등이 개인화 학습 기회를 늘림에도 불구하고, 학습자의 참여(engagement)와 비판적 사고(critical thinking)에 미치는 영향은 복합적임. 특히 AI 사용량이 많다고 해서 반드시 깊이 있는 학습으로 이어지지 않으며, AI에 인지적 과제를 위임하는 인지적 오프로딩(cognitive offloading) 위험이 상존함. 이러한 격차를 해소하는 데 이 연구의 배경이 있음.
(2) 고등 교육에서 AI 기반 교육학이 학습자 참여와 비판적 사고에 미치는 관계를 체계적으로 검토하는 목표가 있음. 또한 AI 리터러시, 교사 역량, 디지털 인프라, 제도적 준비성 등 다양한 조건이 AI 학습 효과에 미치는 역할을 규명하고자 함. 이를 바탕으로 AI–Pedagogy–Engagement–Critical Thinking (AI-PECT) 프레임워크를 제안하여 AI 역량이 교육 성과로 이어지는 과정을 개념화함.
2. 연구의 방법
(1) 체계적인 비판적 문헌 검토(systematic critical review) 방식을 제안함. 이는 단순히 문헌을 목록화하는 것이 아니라, 다양한 형태의 AI가 교육학, 학습자 과정, 교육 성과와 어떻게 상호작용하는지 비판적으로 검토하는 접근 방식임. 특히 AI 기반 교육학과 학습자 참여, 비판적 사고 간의 관계에 주목함. 이 연구는 실제로 문헌 검색, 기록 수, 선별 과정을 보고하지 않음. 대신 제안된 검토 프로토콜을 제시하는 성격이 강함.
(2) 주요 분석 대상으로는 AI 기반 개인화, 적응형 학습, 지능형 튜터링, 생성형 AI 등이 포함됨. 이 기술들이 학습자 참여, 비판적 사고, AI 리터러시, 교사 역량, AI-TPACK (AI-기술 교육 내용 지식), 디지털 인프라, 제도적 준비성 등과 맺는 관계를 심층적으로 다룸. 연구의 핵심 키워드 조합은 “artificial intelligence,” “generative AI,” “ChatGPT,” “higher education,” “student engagement,” “critical thinking,” “AI literacy” 등 다양함. 검색 데이터베이스로 스코퍼스(Scopus), 웹 오브 사이언스(Web of Science), 에릭(ERIC), 사이언스 다이렉트(ScienceDirect), 스프링거링크(SpringerLink), IEEE 익스플로어(IEEE Xplore), 구글 스칼라(Google Scholar)를 추천함.
위 그림은 이 연구에서 제안하는 PRISMA 2020 프레임워크에 따른 문헌 선별 과정을 시각화함. 초기 데이터베이스 식별부터 중복 제거, 제목 및 초록 선별, 전문 평가, 최종 연구 포함까지의 단계를 구체적인 수치와 함께 제시함. 하지만 이 수치들은 이 논문이 실제로 수행한 결과가 아닌, 향후 진행될 연구의 계획에 해당함. 이 점은 이 논문을 해석할 때 매우 중요한 고려 사항임.
3. 주요 발견
이 섹션은 논문이 기존 문헌을 통해 종합하여 제시하는 주요 통찰과 자신이 제안하는 AI-PECT 프레임워크에 대한 설명임. 논문은 실제 체계적 문헌 검토의 결과를 보고하기보다, 기존 논의를 바탕으로 새로운 개념적 틀을 제시하는 데 주력함.
(1) AI-PECT 프레임워크의 핵심 정의: 기술을 넘어선 교육적 가치 실현 이 프레임워크는 AI의 교육적 가치가 기술 자체의 존재가 아닌, AI가 얼마나 의도적이고 비판적이며 책임감 있게 교육 과정에 통합되는가에 달려 있음을 역설함. AI 역량이 교육 성과로 이어지기 위해서는 교육학적 중재(pedagogical mediation)와 학습자 주도성(learner agency)이 핵심적 역할을 수행함. 이는 AI 기술이 학습에 미치는 영향을 단순한 기술 채택을 넘어 복합적인 생태계로 파악하는 시각임.
(2) AI 역량: 기술적 토대
- AI 역량은 지능형 튜터링 시스템, 적응형 학습 플랫폼, 학습 분석, 자동화된 피드백, 대화형 에이전트, 생성형 AI 등 고등 교육에 적용되는 다양한 AI 기술적 기능 일체를 포함함.
- 이 역량은 개인화된 학습 경험, 즉각적인 피드백, 동적인 학습 자원 제공 등을 가능하게 함.
- 오해 금지: AI의 존재만으로 교육의 질이 자동적으로 향상되는 것이 아니며, 이는 단지 교육 혁신의 ‘잠재력’을 제공하는 기술적 토대에 불과함.
(3) 교육학적 중재: AI와 학습 경험 연결
- 교육학적 중재는 AI의 기술적 역량을 실제 학습 활동으로 전환하는 핵심 기제임.
- AI가 생성하는 설명, 예시, 질문, 요약, 피드백 등 다양한 콘텐츠를 어떻게 수업 설계에 통합하는지에 관한 교수 전략 및 접근 방식을 의미함.
- 예시: 챗GPT가 생성한 자료를 비판적으로 분석하도록 과제를 설계하거나, AI를 활용해 다양한 관점의 주장을 비교하고 평가하는 활동을 유도하는 것 등이 해당됨.
- 이 중재가 없으면 AI는 단순한 정보원이나 대리인이 되어 인지적 오프로딩으로 이어질 수 있음.
(4) 학습자 주도성과 AI 리터러시: 능동적 참여의 필수 조건
- 학습자 주도성은 학습자가 AI를 학습 과정의 주체로서 능동적으로 활용하고 자신의 학습을 조절하는 능력을 뜻함.
- AI 리터러시는 AI 시스템의 기본 원리, 한계, 잠재적 편향, 정보 평가 능력, 윤리적 사용 등을 이해하는 광범위한 역량을 의미함.
- 이 두 가지는 학습자가 AI 지원 학습 환경에서 유용한 도움과 부적절한 인지적 대체 사이를 분별하는 데 결정적인 역할을 함. AI 리터러시가 부족하면 학생들은 AI가 제공하는 정보에 무비판적으로 의존하거나, 복잡한 문제 해결 과정을 AI에 전적으로 위임할 위험이 커짐.
(5) 주요 교육 성과: 참여와 비판적 사고
- 학습자 참여(Student Engagement): 행동적 참여(과제 수행), 정서적 몰입(흥미, 동기), 인지적 투자(깊이 있는 사고)의 다차원적 구성 개념임. AI는 개인화된 자원, 즉각적 피드백으로 참여 기회를 늘리지만, 챗GPT의 경우 참여와 비참여를 동시에 유발할 수 있음이 보고됨.
- 비판적 사고(Critical Thinking): 해석, 분석, 평가, 추론, 설명, 반성적 판단을 포함함. AI는 대안적 설명, 반론 제시, 복잡한 문제 해결 지원 등으로 비판적 사고를 지원할 수 있음. 하지만 AI에 분석이나 평가를 위임하면 오히려 독립적 추론 능력을 저해하는 인지적 오프로딩 위험이 커짐.
- 결론: AI의 교육적 효과는 자동적이지 않음. 기술적 활동량보다는 상호작용의 질과 학습자의 주도적 참여가 중요하며, AI가 평가, 성찰, 독립적 판단을 장려하는 방식으로 사용될 때 비판적 사고에 긍정적 영향을 미침.
(6) 맥락적 조건: 효과적인 AI 통합의 필수 요소 AI-PECT 프레임워크는 다음 조건들을 AI 지원 학습의 효과를 강화하거나 약화할 수 있는 맥락적 조건으로 제시함. 이 조건들이 충족되지 않으면 아무리 좋은 AI 기술과 교육학적 설계도 그 효과를 발휘하기 어려움.
| 맥락적 조건 | 설명 | 교육적 중요성 |
|---|---|---|
| 교사 AI-TPACK | 교사의 AI 관련 기술, 교육학, 내용 지식의 통합적 이해 | AI를 활용한 수업 설계, 프롬프트 엔지니어링, 평가 및 윤리적 사용 지도에 필수적임 |
| 디지털 인프라 | 안정적인 인터넷 연결, AI 시스템 접근성, 학습 관리 시스템 | AI 학습 환경의 형평성 및 접근성 보장에 직접적 영향을 미침 |
| 제도적 준비성 | AI 도입 관련 정책, 지원 시스템, 교육 기관의 비전과 전략 | AI 기반 교육학의 성공적 확산을 위한 조직 문화 및 지원체계 구축 |
| 평가 설계 | 비판적 사고, 추론, 반영을 강조하는 평가 방식 | AI에 의한 인지적 오프로딩을 방지하고 학습자 책임감을 강화함 |
| 윤리적 거버넌스 | AI 사용의 투명성, 공정성, 책임감 있는 활용을 위한 규정 | 학업 무결성, 데이터 프라이버시, AI 편향 문제 해결에 중요함 |
이 조건들은 AI 지원 학습이 단순히 기술적 혁신을 넘어, 의미 있고 인간 중심적이며 지적으로 책임감 있는 학습으로 나아가는 데 필수적인 환경 요소를 구성함.
4. 결론 및 시사점
(1) 이 연구는 AI가 고등 교육에서 개인화된 지원, 적응형 학습, 피드백 등을 제공하며 새로운 가능성을 제시하지만, 의미 있는 학습을 자동적으로 만들어내지는 않는다는 핵심 결론을 내림. AI의 교육적 결과는 기술적 역량이 교육학적 중재를 통해 어떻게 발휘되는지, 학습자가 인지 과정에 얼마나 적극적으로 참여하는지, 교사가 AI를 얼마나 효과적으로 통합하는지, 그리고 제도가 인프라, 훈련, 책임감 있는 거버넌스를 얼마나 잘 제공하는지에 달려 있음.
(2) 교육 현장에서는 AI 채택을 넘어 교육학적 통합으로 전환하는 시사점을 가짐. 핵심 질문은 “AI를 사용하는가?”가 아니라, “AI 사용이 명확히 정의된 학습 성과에 기여하는가?”여야 함. 단순히 AI 도구를 도입하는 것을 넘어, AI가 학습자 참여와 비판적 사고를 심화하는 방향으로 수업을 재설계하는 노력이 필수적임.
(3) AI 설계 및 교육 정책에는 AI 리터러시 교육을 모든 학문 분야 커리큘럼에 포함하는 시사점이 있음. 또한 교사 역량 강화를 위해 AI 기반 수업 설계, 프롬프트 엔지니어링, AI 생성물의 검증, 평가 및 윤리적 사용에 대한 실질적인 연수 프로그램을 제공해야 함. 학생들에게는 AI를 탐색 및 피드백 도구로 활용하되, 지적 노력의 대체물이 아님을 명확히 하고, AI 생성 정보의 검증 및 오류 식별을 장려하는 교육을 제공해야 함. 궁극적으로 AI 거버넌스는 프라이버시, 학업 무결성, 투명성, 접근성, 형평성을 통합해야 함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 AI 기반 교육 연구의 현주소를 명확히 하고, 단순히 기술 적용을 넘어 교육학적, 맥락적 요인의 중요성을 강조하며 AI-PECT 프레임워크를 제안한 점임. 많은 논의가 AI 기술의 ‘잠재력’이나 ‘위협’이라는 이분법적 사고에 머무는 상황에서, 이 연구는 “AI는 그 자체로 변혁적이지도 해롭지도 않다. 그 교육적 결과는 기술 역량, 교육학적 설계, 학습자 주도성, 교사 역량, 제도적 조건 간의 상호작용에 달려 있다”는 비판적 낙관주의적 입장을 명확히 함. 이는 AI 활용 논의가 기술 중심에서 인간 중심의 교육 시스템 통합으로 전환되어야 함을 강력히 주장하는 전환점임. 다만, 이 논문은 실제 문헌 검토 결과가 아닌 프로토콜과 개념적 프레임워크 제안이라는 점을 잊지 말아야 함. 제시된 “발견”들은 저자들이 기존 문헌을 통해 종합한 통찰이지, 이 논문의 체계적 검토 과정에서 도출된 직접적인 결과가 아님. 따라서 프레임워크 자체의 타당성은 높이 평가하나, ‘증거’ 기반의 논의로는 보지 않는 주의가 필요함.
(2) 이 연구가 명시하지 않은 더 넓은 의미는 교육 생태계 전반의 근본적 재설계 필요성을 암시함. AI-PECT 프레임워크는 단순히 AI 도구를 수업에 추가하는 문제를 넘어, 학습 목표, 교육 과정, 평가 방식, 교사 역할, 학습 환경, 정책 및 거버넌스 등 교육 시스템을 구성하는 모든 요소를 AI 시대에 맞게 재정의해야 한다는 철학적, 사회적 질문을 던짐. 특히, 인지과학 관점에서 AI가 인간의 인지적 노력(cognitive effort)을 ‘건강하게’ 줄여주는 ‘효율’과 ‘위험하게’ 줄여 학습을 저해하는 ‘오프로딩’ 사이의 미묘한 경계를 탐구하는 시사점을 제공함. HCI(Human-Computer Interaction) 관점에서는 AI와의 상호작용 디자인이 학습자의 인지 부하, 주도성, 참여 수준에 미치는 영향을 심층적으로 연구할 필요성을 강조함. 이는 단순히 기술을 잘 쓰는 것을 넘어, 기술과 인간 인지 간의 최적의 협업 모델을 찾아가는 과정임.
(3) 이 연구를 발전시킬 구체적 아이디어는 AI-PECT 프레임워크 기반의 실행 연구(action research) 프로그램 설계를 제안함. 첫째, 대학 단위에서 특정 교과목을 선정하여 AI-PECT 프레임워크의 각 요소를 체계적으로 적용하고 그 효과를 측정하는 파일럿 프로젝트를 진행함. 예를 들어, ‘AI 리터러시 향상’을 목표로 한 교사 연수 프로그램을 개발하고, 이에 참여한 교사가 AI를 활용한 새로운 수업 방식을 설계한 뒤, 해당 수업의 학생 참여도와 비판적 사고 변화를 다각적(설문, 면담, 학습 분석 데이터 등)으로 측정함. 둘째, AI가 제공하는 ‘인지적 오프로딩’의 유형을 세분화하고, 각 유형이 학습 성과에 미치는 영향을 정량적으로 분석하는 연구가 필요함. 예를 들어, 특정 과제에서 AI의 요약 기능을 활용한 집단과 직접 요약한 집단의 이해도, 기억력, 재구성 능력을 비교하여 ‘유익한 효율’과 ‘해로운 대체’의 경계를 실증적으로 밝혀내는 것임. 셋째, AI-PECT 프레임워크의 맥락적 조건 중 ‘윤리적 거버넌스’와 관련하여, AI 사용에 대한 대학 차원의 명확한 가이드라인(academic integrity policy)을 수립하고, 이 가이드라인이 학생들의 AI 활용 태도와 교수자의 교육학적 중재 방식에 어떤 변화를 가져오는지 종단적으로 추적 관찰하는 연구를 제안함. 이는 프레임워크의 현실적 적용 가능성과 실제적 효과를 검증하는 데 기여할 것임.
6. 추가 탐구 질문
(1) AI-PECT 프레임워크가 제시하는 각 맥락적 조건(교사 AI-TPACK, 디지털 인프라, 제도적 준비성, 평가 설계, 윤리적 거버넌스)들 간의 상호작용은 학습 성과에 어떤 복합적인 영향을 미치는가? 특정 조건이 다른 조건의 효과를 증폭시키거나 상쇄시키는 메커니즘은 무엇인가?
(2) AI-PECT 프레임워크가 개발도상국의 고등 교육이나, 기술 인프라가 미비한 지역의 원격 교육 맥락에 적용될 때, 각 구성 요소의 상대적 중요성이나 작동 방식은 어떻게 달라지는가? 문화적, 경제적, 사회적 차이가 AI 기반 교육학의 성공에 어떤 새로운 변수로 작용하는가?
(3) AI 모델의 급격한 발전 속도를 고려할 때, 현재의 AI-PECT 프레임워크가 미래의 ‘초지능(superintelligence)’ 또는 ‘자율형 AI 에이전트’ 등장 시에도 유효하게 적용될 수 있는가? AI의 자율성이 증대될수록 인간 학습자의 ‘주도성’과 ‘인지적 책임’을 어떻게 재정의하고 교육적 목표를 재설정해야 하는가?
출처
DOI: 10.48175/IJARSCT-29700B
- Bansal, S., & Lamba, V. K. (2025). From AI Adoption to Meaningful Learning: A Systematic Review of AI-Based Pedagogy, Student Engagement and Critical Thinking in Higher Education. International Journal of Advanced Research in Science, Communication and Technology, 5(1), 754–765. https://doi.org/10.48175/IJARSCT-29700B