510 ／ 512
AI 활용 학습에서 메타인지 역량 강화, 경험적 학습이 더 효과적인가?
1. 연구의 목적
(1) 이 연구가 해결하려는 문제와 배경
- 생성형 AI(GenAI)가 교육 현장에 깊이 자리 잡음. 2024년 기준 대학생 86%가 학업에 AI를 적극 활용함.
- AI 활용 학습은 개인화된 지원, 시의적절한 피드백 등 이점이 있지만, 편향, 책임 문제, 비판적 사고 저해, 인지적 오프로딩 같은 우려도 큼.
- 특히 무비판적 AI 사용은 학습을 저해하고 ‘메타인지적 해이’를 유발함.
- 메타인지(자신의 사고를 모니터링하고 조절하는 능력)는 효과적인 학습의 핵심이며, AI와 협업 시 더욱 중요함.
- 메타인지 역량 향상을 위한 교수법에 대한 체계적인 비교 연구가 부족함. 특히 경험적 학습과 강의식 학습의 장기적 효과 비교는 더욱 그러함.
(2) 연구의 핵심 목표
- AI 활용 학습에서 메타인지 인식(Metacognitive Awareness)을 이끌어내는 데 어떤 교수법이 더 효과적인지 규명함.
- 경험적 학습 접근 방식이 순수 강의식 접근 방식보다 메타인지 인식 증진에 더 효과적인지 확인하고, 메타인지 구성 요소들이 시간 경과에 따라 어떻게 상호작용하고 발달하는지 탐색함.
- 단기 종단 설계로 메타인지 인식의 즉각적 효과와 5주 후의 장기적 지속성, 변화 양상을 관찰함.
2. 연구의 방법
(1) 연구 접근 방식
- 준실험 연구 설계를 따름. 공학 계열 1학년 대학생 126명(최초 모집 138명 중 응답 품질 선별 후 잔존)을 두 그룹(강의식 61명, 경험적 65명)으로 나누어 비교함.
- 두 시간의 AI 활용 학습 세션을 진행하고, 메타인지 인식(MAI-AI 설문지)을 세 차례(사전, 사후 즉시, 5주 후) 측정하는 단기 종단 연구 방식을 활용함.
- MAI-AI는 인공지능에 특화된 메타인지 인식 척도임. 이는 메타인지 지식(Metacognitive Knowledge of Cognition, MKC)과 메타인지 조절(Metacognitive Regulation of Cognition, MRC)을 핵심 구성 요소로 측정함.
(2) 주요 분석 대상 또는 비교 조건
- 강의식 그룹(Instructional Group, G1): AI를 활용한 학습에서 생산적·비생산적 활용 사례에 대한 전통적인 강의를 들음. 직접적인 실습 없이 설명만 들음.
- 경험적 그룹(Experiential Group, G2): 동일한 내용의 간략한 강의를 들은 후, 네 가지 구조화된 실습 활동에서 생산적·비생산적 AI 협업을 직접 체험함. 이 활동에는 생성 효과 활성화(Generation Effect Activator), 소크라테스식 AI 챌린저(Socratic AI Challenger) 같은 생산적 활용 사례와 문제 해결 우회(Problem Solution Bypass), 수동적 요약 트랩(Passive Summary Trap) 같은 비생산적 활용 사례가 포함됨.
3. 주요 발견
이 연구는 AI 활용 학습 환경에서 경험적 학습이 메타인지 인식에 미치는 영향을 강의식 학습과 비교하며, 메타인지의 두 핵심 요소인 지식과 조절이 상이한 시간 스케일로 발달함을 보여줌.
(1) 즉각적 효과: 경험적 학습의 압도적 우위
- 세션 직후(T1) 평가에서 AI 참여도(AI Engagement, AIE)와 메타인지 지식(MKC) 측면에서 경험적 그룹이 강의식 그룹보다 통계적으로 유의미하게 높은 증가를 보임.
- 특히 AI 참여도 변화 점수는 경험적 그룹이 강의식 그룹의 두 배 이상이었으며, MKC 또한 경험적 그룹은 큰 폭으로 증가했지만 강의식 그룹은 거의 변화 없음이 관찰됨.
- 이는 직접적인 경험이 AI 활용 전략에 대한 지식 습득을 촉진하고, 학습자의 AI 도구 사용 의지를 즉각적으로 높임을 의미함.
(2) 장기적 효과: 수렴과 지연된 조절 능력 향상
- 5주 후(T5) 추적 평가에서는 AI 참여도와 메타인지 지식 측면에서 두 그룹 간의 유의미한 차이가 사라짐. 이는 강의식 그룹이 시간이 지남에 따라 경험적 그룹과 유사한 수준에 도달했음을 의미함.
- 그러나 메타인지 조절(MRC) 측면에서는 중요한 차이가 관찰됨. 강의식 그룹이 5주 후에도 MRC 수준이 정체된 반면, 경험적 그룹은 세션 직후의 초기 상승 이후에도 지속적으로 MRC가 증가하는 양상을 보임.
- 비록 그룹 간 통계적 유의미성은 달성되지 못했으나, 경험적 그룹 내에서만 MRC의 지속적인 성장이 나타난 점은 경험적 학습이 조절 능력 개발에 더 긴 시간을 필요로 함을 시사함.
(3) 메타인지 구성 요소의 시간적 분리
- 이 연구는 메타인지의 지식(Knowledge of Cognition)과 조절(Regulation of Cognition)이 시간적으로 다르게 발달함을 강력히 시사함.
- 즉각적인 실습은 효과적인 AI 사용 전략에 대한 지식을 빠르게 심어주지만, 이 지식을 실제 학습 행동으로 옮기는 조절 능력은 성찰과 반복 적용이 쌓이면서 서서히 발달함.
- 이는 메타인지적 지식 습득이 곧 메타인지적 조절 능력 향상으로 직결되지 않음을 명확히 보여줌.
(4) 경험적 학습 활동의 구체적 설계
- 경험적 그룹에서 사용된 활동은 AI를 그냥 써 보는 수준이 아니라, 특정 학습 원리(생성 효과, 소크라테스식 질문)를 적용하거나 비생산적 행동(인지적 오프로딩, 수동적 요약)을 직접 체험하도록 설계됨.
- 이러한 설계가 학습자가 AI 사용의 ‘결과’를 직접 목격하고 성찰하도록 유도하여 메타인지 지식과 조절의 발달에 기여함. 다음은 생산적 및 비생산적 경험 학습 활동의 구체적 내용이다.
| 활동 유형 | 생산적 활동 1: 생성 효과 활성화 (Generation Effect Activator) | 생산적 활동 2: 소크라테스식 AI 챌린저 (Socratic AI Challenger) |
|---|---|---|
| 목표 원리 | 생성 효과(직접 생성 시 기억력 향상) 및 생산적 실패(초기 어려움이 학습 촉진) 원리 적용함. 초기 기억 인코딩 후 AI 사용을 지연하여 기억 형성 지원함. | AI를 소크라테스식 튜터로 활용하여 비판적 사고 개발함. |
| 절차 | (1) AI 없이 기술 문서 요약 -> (2) AI에 요약 제출, 놓친 핵심 질문 -> (3) AI 피드백 바탕으로 요약 수정 -> (4) 분산 과제 후 5가지 시나리오에 개념 적용 | (1) 논쟁적 주제에 대한 3가지 주장 작성 -> (2) AI에 소크라테스식 튜터 역할 요청, 주장 질문 -> (3) AI와의 대화 바탕으로 주장 개선 -> (4) 분산 과제 후 3가지 반론 독립적으로 생성 |
| 활동 유형 | 비생산적 활동 1: 문제 해결 우회 (Problem Solution Bypass) | 비생산적 활동 2: 수동적 요약 트랩 (Passive Summary Trap) |
| 목표 원리 | 학습에 필요한 노력 제거, 인지적 오프로딩 조장하여 능동적 문제 해결 방해함. | 얕은 인코딩을 유발하여 의미론적 기억력 손상하고, 전이 가능한 개념적 이해 발달 방해함. |
| 절차 | (1) 계산적 사고 문제 받기 -> (2) 즉시 AI에 완전한 해결책 요청 -> (3) 해결책 복사 -> (4) 분산 과제 후 유사한 전이 문제 독립적 시도 | (1) 복잡한 학술 논문 받기 -> (2) AI에 요약 요청 -> (3) 요약 수동적으로 검토 -> (4) 분산 과제 후 비전문가 대상 핵심 개념 설명 |
4. 결론 및 시사점
(1) 이 연구가 입증하거나 주장한 핵심 결론
- AI 활용 학습에서 메타인지 역량 함양에는 경험적 교수법이 강의식 교수법보다 즉각적인 AI 참여도와 메타인지 지식 향상에 훨씬 효과적임이 입증됨.
- 하지만 이러한 즉각적 이점은 시간이 지남에 따라 강의식 교수법과 수렴하는 경향이 있음.
- 가장 중요한 발견은 메타인지 조절 능력의 발달은 경험적 학습에서 지연된 형태로, 지속적으로 상승하며, 이는 메타인지 지식 발달과는 다른 시간 궤적을 보인다는 점임.
(2) 교육 현장 또는 AI 설계에 주는 시사점 1
- AI 시대 교육자는 학습자의 메타인지 역량 강화를 위해 실습 위주의 경험적 활동을 우선시해야 함. 단순히 AI의 장점을 설명하는 강의는 효과적인 전략 지식과 즉각적인 참여 유도에 한계가 있음.
- 특히 생산적인 AI 협업(예: 생성 효과, 소크라테스식 질문)과 비생산적인 AI 사용(예: 인지적 오프로딩)의 결과를 직접 체험하도록 설계된 활동은 학습자가 AI를 효과적으로 활용하는 방법을 체득하는 데 필수적임.
(3) 시사점 2
- 경험적 학습 활동이 메타인지 조절 능력을 즉각적으로 높이지 못한다고 해서 실망할 필요 없음. 조절 능력은 지식 습득 후 성찰과 반복 연습이 쌓이면서 점진적으로 발달하는 경향을 보임.
- 교육자는 학습자가 독립적으로 AI를 사용하며 자신의 학습 전략을 점검하고 조정할 수 있는 기회를 꾸준히 제공해야 함. 이는 숙련된 AI 사용자가 되기 위한 비판적 사고와 자기조절 능력을 장기적으로 강화하는 핵심임.
- 또한, 메타인지 연구에서 사후 즉시 측정만으로는 조절 능력의 장기적 발달 효과를 놓칠 수 있으므로, 종단적 측정의 중요성이 부각됨.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점 이 논문의 가장 날카로운 통찰은 메타인지 지식과 메타인지 조절의 시간적 분리를 경험적 학습 맥락에서 실증했다는 점이다. 우리는 흔히 어떤 지식을 알면 행동이 따라올 것이라 기대하지만, AI 활용 학습에서는 그렇지 않다는 증거를 보여준다. 즉각적인 핸즈온 경험은 “무엇이 효과적인가”에 대한 지식(MKC)은 빠르게 심어주지만, 그 지식을 “어떻게 적용하고 조절할 것인가”(MRC)는 더 오랜 성찰과 반복 연습을 거쳐야 비로소 체화된다는 것이다. 이는 ‘경험적 학습이 좋다’는 상투적인 주장에서 멈추지 않고, 메타인지 구성 요소의 복잡한 발달 궤적을 밝혀내 교육 설계에 정교한 시간 개념을 도입해야 함을 강력히 주장한다. 교육 현장은 즉각적 성과에 일희일비하기보다, 학습자의 내면화 과정을 위한 ‘기다림’의 가치를 재인식해야 한다.
(2) 논문이 명시하지 않은 더 넓은 의미 이 연구는 인지과학의 깊은 통찰과 연결됨. 인간의 인지 시스템은 지식의 선언적 획득(declarative knowledge)과 절차적 지식의 숙달(procedural knowledge) 사이에 명확한 간극을 지닌다. AI 맥락에서는 이 간극이 ‘메타인지적 오프로딩(metacognitive offloading)’이라는 새로운 형태로 증폭될 위험이 있다. 학습자가 AI의 ‘답’에 쉽게 의존하면, ‘생각하는 과정’을 건너뛰게 되면서 지식과 조절의 연결 고리가 약화된다. 따라서 이 연구는 교수법 비교에서 그치지 않고, 인간-AI 협업 시대에 학습자의 ‘인지적 주체성(cognitive agency)’을 어떻게 보존하고 강화할 것인가에 대한 교육 철학적 질문으로 확장된다. AI가 인지적 도구 역할에 머물지 않고 학습자의 사고 방식 자체를 재편할 수 있음을 경고하며, 교육은 이 변화에 대한 깊은 성찰을 담은 윤리적 프레임워크를 마련해야 함.
(3) 이 연구를 발전시킬 구체적 아이디어 이 연구의 후속으로, 메타인지 조절 능력의 ‘지연된 발달’을 촉진하기 위한 구체적인 “성찰 중심 AI 학습 프레임워크” 개발을 제안한다. 이 프레임워크는 다음 단계로 구성함:
- 초기 단계: 생산적 AI 활용 경험 + 비생산적 AI 활용 경험(이 연구에서 사용).
- 중기 단계: 경험 후 즉각적이고 구조화된 자기 성찰 프롬프트를 AI에 제공하도록 유도함. “내가 AI를 어떻게 사용했나? 목표 달성에 도움이 되었나? 어떤 대안이 있었나?” 등의 질문을 AI와 주고받게 함. AI는 튜터 역할에 집중하고 답을 주지 않음.
- 후기 단계: 정기적인 ‘메타인지 점검 주간’ 도입. 이 기간 동안 학습자는 AI 사용 로그를 분석하고, 동료 또는 교사와 함께 자신의 AI 활용 전략을 평가하고 개선 계획을 수립함. 이는 메타인지 조절의 내면화와 전이를 가속할 것임. 이러한 설계는 AI를 학습 도구로만 쓰는 방식에서 벗어나, AI를 ‘성찰의 촉매제’로 활용하는 방안을 모색한다.
6. 추가 탐구 질문
(1) AI 보조 학습에서 메타인지 지식과 조절 능력 간의 시간적 격차를 줄이기 위한 ‘촉진자(accelerator)’ 역할의 교육적 개입은 무엇인가?
(2) 이 연구는 대학생을 대상으로 했으나, 중등 교육 또는 AI 리터러시가 낮은 성인 학습자에게 동일한 경험적 접근 방식을 적용할 경우, 메타인지 발달 궤적은 어떻게 달라질까?
(3) 메타인지 조절의 ‘지연된 발달’이 관찰된 배경에는 자기 보고식 설문지의 한계가 있었을 수 있음. 학습자의 실제 AI 사용 데이터(프롬프트 내용, 사용 시간, 수정 횟수 등)를 분석하는 ‘디지털 흔적’ 기반의 측정 방식이 메타인지 조절 능력의 발달을 더 정확하게 포착할 수 있을까?
출처
- Benazet i Montobbio, P., Rotter, J., & Hernández-Leo, D. (2026). Experiential Versus Instructional Approaches for Eliciting Metacognitive Awareness in AI-Assisted Learning: A Short-Term Longitudinal Study. arXiv preprint arXiv:2607.20047.