생성형 AI, 학습자의 ‘메타인지적 나태함’을 부르는가?
1. 연구의 목적
(1) 교육 현장에서 인공지능(AI) 기술, 특히 챗GPT와 같은 생성형 AI의 역할이 점증함. 인간-AI 협업은 학습자에게 다양한 지원을 제공하고 잠재적으로 능력을 확장할 수 있으나, 이 새로운 ‘혼합 지능(hybrid intelligence)’ 환경에서 학습자의 동기, 학습 과정, 그리고 실제 학습 성과가 어떻게 변화하는지에 대한 실증적 이해는 부족함. 특히 AI 의존성 증가가 학습자의 자기조절학습(SRL) 능력을 저해하고 ‘메타인지적 나태함’을 유발할 수 있다는 우려가 커짐.
(2) 이 연구는 다양한 학습 보조 에이전트(챗GPT, 인간 전문가, 글쓰기 분석 도구, 무지원)를 활용하는 학습자들이 과제 수행 중 내재적 동기, 자기조절학습 과정, 그리고 학습 성과(작문 점수 향상, 지식 습득 및 전이) 측면에서 어떤 차이를 보이는지 정량적으로 비교 분석함을 목표로 함. 이는 혼합 지능 환경에서 학습자와 AI 간의 상호작용 메커니즘과 그 결과에 대한 깊이 있는 통찰을 제공함.
2. 연구의 방법
(1) 이 연구는 무작위 실험 설계를 활용함. 117명의 대학생(영어를 제2외국어로 사용하는 학습자)을 네 그룹으로 무작위 배정하여 영어 작문 및 수정 과제를 수행하게 함. 학습자의 동기, 자기조절학습 과정, 학습 성과를 다각도로 측정하여 그룹 간 차이를 비교 분석함. 학습 흔적 데이터(trace data)를 수집하여 자기조절학습 행동의 빈도와 시간적 시퀀스를 프로세스 마이닝(process mining) 기법으로 분석함.
(2) 주요 분석 대상과 비교 조건은 아래 표와 같음. 학습자의 동기는 내재적 동기 설문(IMI)으로, 자기조절학습 과정은 학습 흔적 데이터 기반의 SRL 프로세스(방향 설정, 계획, 모니터링, 평가, 읽기, 구체화/조직화 등)로, 학습 성과는 작문 점수 향상, 지식 습득(사전-사후 지식 테스트), 지식 전이(타 분야 지식 테스트)로 측정함.
| 그룹 명칭 | 제공되는 지원 도구 | 주요 상호작용 방식 |
|---|---|---|
| 통제군 (CN) | 없음 | 스스로 과제 수행 |
| 챗GPT 그룹 (AI) | 챗GPT 4.0 | 과제 관련 질문에 대한 조언(직접 에세이 생성 금지), 채팅 프레임을 통한 상호작용 |
| 인간 전문가 그룹 (HE) | 인간 전문가(전문 연구원, 에디터, 학술 작문 교사) | 실시간 일대일 채팅을 통한 과제 내용 수정 및 피드백 |
| 체크리스트 그룹 (CL) | 체크리스트(글쓰기 분석 도구) | 맞춤법, 문법, 학술 스타일, 독창성, 통합/상세화 관련 자동화된 피드백 제공 버튼 |
3. 주요 발견
이 연구는 ‘메타인지적 나태함(metacognitive laziness)’이라는 개념을 제시함. 이는 학습자가 AI 지원에 과도하게 의존하여 인지적/메타인지적 부하를 AI에 위임하고, 그 결과 학습 과제와 관련된 필수적인 메타인지 과정을 덜 효과적으로 연결하는 현상을 의미함. 이는 인지 부하 오프로딩(cognitive offloading) 및 인지적 비유창성(cognitive disfluency) 이론과 맥락을 같이 함.
(1) 내재적 동기: 그룹 간 유의미한 차이 없음 과제 후 학습자의 내재적 동기(흥미/즐거움, 인지된 역량, 노력/중요성, 압박/긴장)는 네 그룹 간에 통계적으로 유의미한 차이가 없음. 이는 외부 학습 지원 유무가 동기에 미치는 영향이 크지 않음을 의미함. 하지만 통계적으로는 유의미하지 않더라도, 통제군(CN)은 가장 낮은 흥미/즐거움과 가장 높은 압박/긴장을 보고함. 반면 체크리스트 그룹(CL)은 가장 높은 흥미/즐거움, 인지된 역량, 노력도를 보이며 가장 낮은 압박/긴장을 경험함. 이는 체크리스트 도구가 명확한 목표 제시와 불안감 감소를 통해 동기 향상에 기여했을 가능성을 시사함.
(2) 자기조절학습(SRL) 과정: 수정 단계에서 극명한 차이 초기 작문 단계에서는 그룹 간 SRL 과정 빈도에 유의미한 차이가 없었으나, 지원 도구가 도입된 수정 단계에서는 다음과 같은 극명한 차이가 나타남.
SRL 과정 빈도 비교 (수정 단계)
| SRL 과정 | 통제군 (CN) | 챗GPT (AI) | 인간 전문가 (HE) | 체크리스트 (CL) | 유의미한 차이 여부 (vs CN) | 주요 특징 |
|---|---|---|---|---|---|---|
| 구체화/조직화 (HC.EO) | 낮음 | 높음 | 높음 | 높음 | AI, HE, CL 모두 높음 (**) | AI/HE/CL 그룹의 작문 활동이 활발함 |
| 읽기 (LC.FR) | 높음 | 낮음 | 낮음 | 높음 | AI, HE 그룹 낮음 (**) | AI/HE 그룹은 챗GPT/인간 전문가와 상호작용으로 수정, CN/CL 그룹은 읽기 자료 활용 |
| 평가 (MC.E) | 낮음 | 낮음 | 낮음 | 높음 | CL 그룹만 높음 (**) | CL 그룹의 체크리스트 도구 활용이 평가 활동을 증대시킴 |
| 방향 설정 (MC.O) | 낮음 | 높음 | 높음 | 높음 | AI, HE, CL 모두 높음 (**) | AI/HE/CL 그룹은 과제 지시 및 채점 기준을 재확인하는 활동 빈번함 |
| 계획 (MC.P) | 낮음 | 낮음 | 낮음 | 낮음 | 유의미한 차이 없음 (ns) | - |
| 모니터링 (MC.M) | 중간 | 중간 | 중간 | 중간 | 유의미한 차이 없음 (ns) | - |
| 기타 (Other) | 낮음 | 높음 | 높음 | 낮음 | AI, HE 그룹 높음 (**) | AI/HE 그룹은 에이전트(챗GPT/인간 전문가)와 상호작용 빈번함 |
주: ****p<0.0001, **p<0.01; ns=유의미하지 않음. 데이터는 Figure 3 기반으로 해석함.
(3) SRL 과정 맵: 챗GPT의 루프와 메타인지적 나태함 프로세스 마이닝 분석 결과, 챗GPT 그룹(AI)은 ‘Other(챗GPT 상호작용)-구체화/조직화-평가’ 간의 강한 반복적 루프를 보임. 이는 학습자들이 챗GPT에 과도하게 의존하여 에세이를 수정하고 평가했음을 의미함. 즉, 챗GPT를 주요 전략으로 삼아 메타인지적 노력을 챗GPT에 위임하는 양상이 관찰됨. 반면, 인간 전문가 그룹(HE)은 구체화/조직화와 읽기, 방향 설정, 평가 간의 상호작용이 더 활발함. 이는 인간 전문가와의 상호작용이 학습자의 메타인지 과정을 억제하기보다 오히려 강화했음을 시사함. 챗GPT 그룹은 계획(MC.P)에서 읽기(LC.FR)로의 전환이 더 강해 목표 지향적 읽기를 했음.
(4) 학습 성과: 단기 작문 점수 향상은 뛰어나지만, 지식 습득/전이는 제자리걸음 작문 점수 향상 측면에서 챗GPT 그룹(AI)은 다른 세 그룹(통제군, 인간 전문가 그룹, 체크리스트 그룹)보다 통계적으로 유의미하게 높은 향상 폭을 보임. 특히 챗GPT 그룹의 점수 향상이 인간 전문가 그룹(평균 차이 2.120, p-조정값=0.025)보다도 큼. 이는 AI가 단기적인 과제 수행, 특히 명확한 채점 기준이 있는 작문 과제에서 탁월한 효율성을 발휘함을 명확히 보여줌. 그러나 지식 습득(사전-사후 지식 테스트)과 지식 전이(타 분야 지식 테스트)에서는 네 그룹 간에 유의미한 차이가 발견되지 않음. 이는 챗GPT가 단기 성과를 높일지라도, 지식의 깊이 있는 이해와 새로운 맥락으로의 적용 능력까지는 향상시키지 못함을 의미함.
작문 점수 향상 비교
| 비교 그룹 | 평균 차이 | 95% 신뢰 구간 (하한) | 95% 신뢰 구간 (상한) | p-조정값 |
|---|---|---|---|---|
| CL - AI | -2.200 | -4.033 | -0.367 | 0.012 |
| CN - AI | -1.970 | -3.858 | -0.083 | 0.037 |
| HE - AI | -2.120 | -4.049 | -0.191 | 0.025 |
| CN - CL | 0.230 | -1.725 | 2.184 | 0.990 |
| HE - CL | 0.080 | -1.915 | 2.075 | 1.000 |
| HE - CN | -0.150 | -2.195 | 1.895 | 0.998 |
주: 음수 값은 AI 그룹의 향상 폭이 더 큼을 의미함. p-조정값 < 0.05는 유의미한 차이를 나타냄.
4. 결론 및 시사점
(1) 이 연구는 챗GPT가 작문 점수 향상에 매우 효과적임을 입증함. 심지어 인간 전문가의 지원을 능가하는 성과를 보임. 하지만 이러한 단기적 성과가 학습자의 내재적 동기, 지식 습득, 지식 전이로 이어지지 않음을 명확히 보여줌. 이는 챗GPT에 대한 과도한 의존이 학습자의 메타인지 과정을 약화시키는 ‘메타인지적 나태함’을 유발할 수 있음을 강력히 시사함.
(2) 교육 현장에서 AI를 활용할 때 학습자에게는 단순히 효율적인 과제 완수를 넘어, 지식의 깊이 있는 이해와 능동적인 메타인지 과정(자기평가, 모니터링, 방향 설정)에 참여하도록 독려해야 함. 이는 AI가 제공하는 피드백을 맹목적으로 따르기보다 비판적으로 검토하고, 자신의 학습 전략을 점검하는 능력을 길러야 함을 의미함.
(3) AI 설계자 및 교사는 AI의 강점(명확한 기준 기반 피드백)을 활용할 수 있는 적절한 학습 과제를 신중하게 선별해야 함. 특히, AI가 학습자의 내재적 동기를 자극하고 능동적인 학습을 돕도록 ‘비계(scaffolding)’ 역할을 수행할 수 있는 AI 기반 학습 시스템 및 교육 방안을 개발해야 함. 이는 AI가 단지 지시된 작업을 수행하는 도구가 아니라, 학습자가 스스로 배우고 성장하는 과정을 돕는 협력적 에이전트가 되어야 함을 뜻함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 챗GPT가 경험 많은 인간 전문가의 지원보다 작문 점수 향상에 유의미하게 더 효과적이었다는 결과임. 이는 AI가 특정, 명확한 기준(채점 기준표)에 기반한 피드백 제공 및 결과물 최적화에서 인간의 역량을 넘어설 수 있음을 직접적으로 보여줌. 전통적인 학습 도구는 물론 인간의 전문성마저 뛰어넘는 AI의 ‘표면적 성과 최적화’ 능력에 대한 냉정한 시선이 필요함을 의미함. 동시에 이 ‘향상된 성과’가 내재적 동기, 지식 습득, 전이와는 무관하다는 점은 AI가 ‘무엇을 학습시킨다’고 말할 때, 우리가 그 ‘무엇’을 어떻게 정의하고 측정할 것인지에 대한 근본적인 질문을 던짐. 이처럼 AI의 ‘가시적 효율성’ 뒤에 숨겨진 ‘메타인지적 나태함’의 개념화는 단순한 사용성 연구를 넘어 학습의 본질적 가치를 재탐색해야 할 이유를 명확히 제시함.
(2) 이 연구가 명시하지 않은 더 넓은 의미를 보면, 이는 ‘학습의 주도권(agency)’과 ‘인지 부하(cognitive load)’의 역설에 대한 깊은 통찰을 제공함. 인지과학적 관점에서 AI는 학습자의 인지 부하를 줄여주는 ‘인지 부하 오프로딩’의 강력한 도구로 작용함. 하지만 인지 부하의 일부는 학습을 심화시키는 ‘바람직한 어려움(desirable difficulties)’으로 기능함. AI가 이 ‘어려움’마저 쉽게 제거할 때, 학습자는 깊이 사고하고 스스로 문제를 해결하는 경험을 상실하게 됨. 교육철학적 측면에서 보면, 학습자가 AI를 단순히 도구로 활용하는 것을 넘어 AI에 의존하여 ‘결정권’과 ‘판단권’을 넘겨줄 때, 학습 주체성은 어떻게 변화하고 재정의되는지 탐구해야 할 중대한 문제임. 이는 결국 인간과 AI가 공존하는 미래 사회에서 ‘진정한 학습’이란 무엇이며, 어떤 역량을 핵심 가치로 삼아야 할지에 대한 정책적, 교육적 방향성 설정에 결정적 영향을 미침.
(3) 이 연구를 발전시킬 구체적인 아이디어는 다음과 같음. 첫째, ‘메타인지적 나태함’의 다차원적 측정 도구 개발이 시급함. 학습 흔적 데이터만으로 ‘나태함’을 단정하기보다, 학습자의 안구 움직임(eye-tracking), 뇌 활동(EEG), 프롬프트 작성 전략, 피드백 활용 방식에 대한 질적 심층 인터뷰 등을 결합하여 나태함의 정도와 유형, 그리고 그 발생 원인을 보다 정교하게 분석해야 함. 둘째, AI의 ‘능동적 메타인지 촉진 비계’ 설계에 대한 연구가 필요함. AI가 단순히 정답이나 교정 피드백을 제공하는 것을 넘어, “이 부분을 왜 이렇게 수정해야 할까요?”, “이 피드백이 당신의 어떤 학습 목표에 기여할까요?”와 같이 학습자가 스스로 메타인지를 발휘하도록 유도하는 AI 프롬프트 및 상호작용 디자인을 개발하고 그 효과를 검증해야 함. 마지막으로, 장기 종단 연구를 통해 AI 활용이 자기조절학습 능력 발달에 미치는 영향을 추적 관찰해야 함. 단기적인 과제 성과를 넘어, AI와의 장기적 상호작용이 학습자의 독립적인 학습 능력과 고차원적 사고력에 긍정적 또는 부정적 영향을 미치는지 밝혀내야 함.
6. 추가 탐구 질문
(1) AI가 제공하는 피드백의 ‘질적 특성(예: 구체성, 설명의 깊이, 대안 제시 방식)’이 학습자의 메타인지적 나태함 유발에 어떤 차별적인 영향을 미치는가? 특정 유형의 AI 피드백이 학습자의 자기 성찰이나 비판적 사고를 오히려 촉진할 가능성은 없는가?
(2) 이 연구는 주로 작문 과제에 집중함. 복잡한 문제 해결, 과학 탐구, 창의적 디자인과 같이 인지적 요구가 더 높은 과제나, 초등/중등 학습자와 같은 다른 학습자 집단에게도 ‘메타인지적 나태함’ 현상이 동일하게, 혹은 다른 양상으로 나타나는가?
(3) AI가 학습자의 메타인지를 지원하는 동시에 나태함을 방지하려면, AI의 ‘인지적 개입 수준’은 어느 정도가 적절한가? 학습 과정의 윤리적 측면에서, AI가 생성한 결과물을 학습자의 것으로 인정하는 기준은 무엇이며, 학습자의 자율성과 책임감을 어떻게 보장할 수 있는가?
출처
DOI: 10.1111/bjet.13544
- Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544