AI와 교육자 협력, 교육 설계를 어떻게 변모시키는가?

1. 연구의 목적

(1) 공학 분야에서 학생 역량을 키우는 경험 학습 활동을 설계하는 일은 늘 난관임. 특히 졸업생이 독립적 연구 역량을 갖춰야 하는 복잡한 최종 학년 과정에서 이런 어려움이 증폭됨. 최근 대규모 언어 모델(LLM) 발전은 학습 활동 설계에 새로운 가능성을 열지만, 교육 현장에서의 실제 적용과 이론적 기반 정립은 여전히 미미한 수준임.

(2) 이 연구는 이론에 기반한 AI-인간 협력 방식을 통해 공학 교육 현장에 맞는 교수학적으로 건전한 경험 학습 활동을 설계하는 과정을 문서화함. 대화적 상호작용으로 교육 설계가 어떻게 발전하고, 교육 이론이 AI 협력 설계에 어떻게 통합되는지를 보여줌.

2. 연구의 방법

(1) 교육자(인간)와 대규모 언어 모델(클로드 3.5 소네트)의 지속적이고 다단계 대화를 활용하는 질적 사례 연구 방식을 채택함. AI를 사회문화적 학습 패러다임에서 매개 도구로 활용함. 교육자는 도메인 전문성, 교수학적 판단, AI 출력물의 비판적 평가 역할을 맡아, AI 제안을 확립된 학습 이론 및 실제 제약 조건에 맞춰 조정함.

(2) 스텔렌보스 대학교 기계 및 메카트로닉스 공학과 최종 학년 메카트로닉스 실험 실습(Practical 3) 설계를 분석 대상으로 함. 5년간의 졸업 프로젝트 보고서에서 나타난 학생들의 반복적 오류(실험 동기, 설계 정당화, 결과 해석의 미흡)를 설계 초기 단계부터 반영함.

3. 주요 발견

(1) AI-인간 협력의 본질과 제약

AI는 방대한 아이디어를 생성하고, 체계적 초점을 유지하며, 개념을 종합적으로 문서화하는 데 강점을 지님. 반면 교육자는 맥락적 이해, 교수학적 전문성, 실제 구현 가능성 평가에서 결정적 역할을 수행함. 이 연구에서 AI는 ‘생성 능력’으로 아이디어의 폭을 넓히고, 교육자는 ‘의도성, 평가, 판단’으로 설계의 깊이와 질을 담보함.

AI의 ‘아첨(sycophancy)’ 경향은 인간-AI 협력의 중요한 제약임. AI는 사용자(교육자)의 입장에 동조하며 비판적 대안을 제시하기보다 의견을 강화하는 경향을 보임. 이 때문에 AI가 독립적인 교수학적 검증 역할을 수행할 수 없음. 교육자의 비판적 판단과 ‘인간 참여(human-in-the-loop)’ 구조는 AI 활용 설계 과정에서 필수적인 요소임.

AI와 교육자 협력의 통합적 요소

(2) 진화하는 문서화 프레임워크

실습 활동 설계를 위한 문서화 프레임워크는 초기부터 주어지지 않고, 교육자와 AI의 대화 속에서 점진적으로 진화함. 처음 AI가 제안한 포괄적 템플릿은 브레인스토밍 단계에 너무 상세하다는 교육자의 피드백을 받아 간소화됨. 이후 교육학 이론(과정/결과 프레임워크)의 중요성을 인지한 교육자가 ‘실험 요소’와 ‘보고서 요소’를 과정(Process)과 결과(Product)로 구분하도록 요청함.

이 과정을 거쳐 완성된 최종 템플릿은 단순히 아이디어를 기록하는 것을 넘어, 교육자가 제안을 평가하고 사고 과정을 구조화하는 매개 도구로 기능함. 이는 설계 이해가 대화를 통해 공동 구성됨을 보여주는 사례임.

구성 요소	설명
Concept Title	실습 과제의 제목
Technical Core	- 핵심 기술적 측면 - 주요 필요 장비 - 기본 측정 초점
Experimental Elements	- 과정(Process): 계획 수립 및 방법론 구성 요소 - 결과(Product): 실험 구현 및 도출된 결과물
Reporting Elements	- 과정(Process): 이해도 및 분석 능력 발전 측면 - 결과(Product): 최종 보고서 구성 요소
Learning Goals	- 주요 도입 기술 및 기법 - 불확도 분석 관련 측면 - 핵심 스캐폴딩 기여 내용
Format	- 폐쇄형(Closed): 고정된 장비와 절차 사용 - 개방형(Open): 학생이 구성 요소 및 절차를 자유롭게 선택

(3) 불확도 분석의 핵심 개념화

교수는 5년간의 졸업 프로젝트 오류 분석을 바탕으로 ‘불확도 분석(uncertainty analysis)’을 Practical 3의 중심 기술 주제로 식별함. 불확도 분석은 변혁적 (측정을 단일 ‘정확한’ 값이 아닌 정량화된 한계 내 추정으로 이해하게 함), 통합적 (측정 기술, 통계 추론, 센서 특성, 실험 설계를 유기적으로 연결), 어려움 (학생들이 전파 방법과 결과 해석에 어려움을 겪음)이라는 특성을 지님.

이 개념은 학생들이 실험의 유효성과 한계를 근본적으로 이해하고 독립적 조사로 나아가는 데 필수적인 ‘문턱 개념(threshold concept)’임. AI는 이 아이디어의 범위를 확장하고 구체화하는 데 기여했지만, 이를 문턱 개념으로 인지하고 선택한 것은 전적으로 교육자의 전문적 판단이었음.

(4) 실습 활동의 점진적 스캐폴딩 및 구현 스펙트럼

실험 기술 모듈은 4단계의 실습으로 구성됨. Practical 1은 기본 측정, Practical 2는 측정 계획, Practical 3는 이 연구의 초점이며, Practical 4는 학생들의 독립적 조사를 요구함. Practical 3는 초반의 구조화된 경험과 최종 독립적 조사 사이의 중요한 다리 역할을 함.

실험 시퀀스의 점진적 스캐폴딩

설계 과정에서 ‘닫힌(structured)’ 실습과 ‘열린(exploratory)’ 실습을 별도로 구상할 필요가 없다는 통찰이 나옴. 대신 각 실습 개념이 학생의 자율성 수준에 따라 조절될 수 있는 ‘구현 스펙트럼’으로 존재함을 발견함. 이 통찰은 교육자가 특정 집단이나 학습 목표에 맞춰 학생의 자율성과 안내 수준을 유연하게 조절할 수 있게 함.

실험 실습 구현 스펙트럼

(5) 8가지 적응 가능한 실습 개념 도출

불확도 분석을 핵심으로, 다음의 8가지 실습 개념이 도출됨. 이 개념들은 스캐폴딩 원칙, 실제 자원 제약, 불확도 분석 초점에 부합함.

• 신호 체인 설계/분석: 측정 시스템 구성 요소, 신호 컨디셔닝
• 센서 시스템 특성화: 센서 성능 평가, 교정
• 디지털 필터 구현: 디지털 신호 처리
• 동적 측정 시스템: 동적 응답 특성
• 데이터 획득 시스템 분석: 데이터 수집 및 처리
• 센서 융합: 다중 센서 데이터 통합
• 신호 처리 시스템: 신호 분석 및 조작
• 실시간 처리 분석: 실시간 데이터 처리 및 제어

이러한 개념들은 교육자의 전문적 판단과 AI의 아이디어 생성 능력이 결합되어 만들어진 결과물임.

AI-교육자 설계 과정 및 문서화 프레임워크 진화

4. 결론 및 시사점

(1) 이 연구는 AI와 교육자의 대화적, 이론 기반 협력이 효과적인 실습 경험 설계에 기여함을 입증함. 특히, 졸업생 역량과 교육 목표에 부합하는 적응 가능한 학습 활동 개발, 불확도 분석과 같은 핵심 개념 식별, 유연한 구현 프레임워크 개발에 직접적인 영향을 미침.

(2) AI는 교육 설계의 효율성과 창의성을 높이는 강력한 도구임. AI는 아이디어 탐색 및 체계적 문서화에 탁월한 성능을 보이지만, 교육자의 전문성이 그 결과를 정교하게 다듬는 데 필수적임. 맥락 이해, 교수 이론 적용, 윤리적 판단은 인간 교육자의 고유 영역임. AI 시스템 설계 시 교육자의 비판적 개입을 촉진하는 ‘인간 참여(human-in-the-loop)’ 구조를 반드시 내재화해야 함.

(3) 교사는 AI를 단순히 ‘내용 생성기’가 아닌, 교육적 통찰을 얻는 ‘생산적 협력자’로 인식하고 활용해야 함. 콜브의 경험 학습 주기, 비고츠키의 근접 발달 영역, 상황 학습 이론 등 확립된 학습 이론을 AI와의 대화 과정에 적극적으로 통합하는 역량은 교사에게 새로운 전문성을 요구함. 교육 현장은 AI의 가능성을 환영하되, 인간의 주도적 역할을 명확히 하는 전략을 수립해야 함.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) 이 논문의 가장 주목할 지점은 AI가 교사의 ‘심층적 성찰을 유도하는 촉매’로 기능했음을 구체적으로 보여준다는 사실임. 대부분의 AI 교육 연구가 AI의 ‘생성 능력’이나 ‘효율성’에 초점을 맞추지만, 이 연구는 AI가 교사의 ‘실천 속 성찰(reflection-in-action)’과 ‘실천 후 성찰(reflection-on-action)’을 어떻게 촉진하는지 섬세하게 드러냄. AI가 초기 아이디어를 제안하면, 교사는 교육 이론과 실제 제약을 적용해 AI를 ‘교정’하고 ‘재정의’하도록 유도함. 이 상호작용적 대화 과정에서 교사 자신도 기존의 고정관념(예: 닫힌/열린 실습의 이분법)에서 벗어나 스펙트럼 개념과 같은 새로운 교육적 통찰을 얻어냄. 이는 AI가 인간의 인지 부하를 줄여주는 것을 넘어, 인간의 창의적 문제 해결 능력과 이론적 깊이를 심화시킬 수 있는 고차원적 협력 모델을 제시함. AI는 단순히 답을 내놓는 기계가 아니라, 교육적 사고를 확장하는 ‘사고 도구(thinking tool)’인 셈임.

(2) 이 연구는 인지과학적 관점에서 ‘확장된 인지(extended cognition)’ 개념을 교육 설계 영역으로 확장함. AI는 단순한 외부 정보 처리 장치가 아니라, 인간 인지 과정의 한 부분으로 기능하며 문제 해결 및 개념 구성에 적극적으로 기여함. 또한 교육철학적으로는 구성주의(constructivism)의 원칙을 AI 협업 맥락에 성공적으로 적용함. 지식(여기서는 교육 설계물)은 상호작용적 대화를 통해 공동 구성됨을 명확히 함. HCI(Human-Computer Interaction) 측면에서 AI의 ‘아첨(sycophancy)’ 특성은 단순한 기술적 결함으로 볼 수 없음. 오히려 AI의 무비판적 동조는 인간에게 ‘판단 주체’로서의 책임을 상기시키며, AI 활용 시 교육적 주도권을 유지해야 함을 강조하는 윤리적 지침을 제공함. AI의 부족함이 역설적으로 인간의 비판적 사고를 강화하는 기회가 되는 지점임.

(3) 이 연구를 발전시킬 구체적인 아이디어를 제안함. 첫째, AI-인간 협력 교육 설계를 위한 ‘교사 역량 모델’을 개발할 필요가 있음. 이는 단순히 프롬프트 엔지니어링을 넘어, 이론 기반 평가, 맥락 적응, 반성적 실천 능력 등을 포함해야 함. 이 모델을 기반으로 교사 연수 프로그램을 설계해 현장 교사들이 이 방법론을 실제 수업에 적용하도록 지원함. 둘째, 텍스트 기반 LLM을 넘어, 멀티모달 AI(예: 시뮬레이션 환경 생성, 데이터 시각화, 물리적 시스템 설계 제안)를 교육 설계에 통합하는 연구를 진행함. 예를 들어, AI가 실습 장비의 3D 모델을 생성하고 상호작용 가능한 시뮬레이션을 제공하여, 교사가 실습 개념의 물리적 제약을 더 직접적으로 탐색할 수 있도록 함. 셋째, 이 연구에서 개발된 문서화 프레임워크와 스캐폴딩 스펙트럼을 바탕으로, AI가 교육 설계 초안에 대해 학습 이론 및 교육 목표와의 정합성, 실현 가능성 등에 대한 자동화된 피드백을 제공하는 에이전트를 개발함. 이를 통해 교육 설계 과정의 효율성을 더욱 높일 수 있음.

6. 추가 탐구 질문

(1) 이 대화적 AI-인간 협력 방법론이 공학 교육 외의 다른 전공이나 학문 분야(예: 인문학, 예술 교육)에서 창의적 학습 활동을 설계하는 데 어떻게 변형되고 적용될 수 있는가? (2) 교사가 아닌 학생이 AI와 협력하여 자신만의 학습 경험을 설계하는 ‘학생 주도 AI-인간 협력 학습’ 모델이 학생의 자기 주도 학습 능력 및 메타 인지 능력 향상에 어떤 영향을 미치는가? (3) AI의 ‘아첨(sycophancy)’ 경향을 인지적으로 활용하여, 교육 설계 과정에서 고의적으로 반대 의견을 유도하거나 특정 관점을 강화하는 프롬프트 전략을 개발하여 비판적 사고를 촉진할 수 있는가?

출처

DOI: 10.1002/cae.70238

• McGregor, C. (2026). Generative Artificial Intelligence and Human Collaboration in Educational Design. Computer Applications in Engineering Education, 34(4), e70238. https://doi.org/10.1002/cae.70238