K-12 AI 교육, 컴퓨팅 사고를 어떻게 통합할 것인가?
1. 연구의 목적
(1) 이 연구는 K-12 인공지능(AI) 교육의 현존하는 문제점을 해결함이 목적임. 현재 AI 교육은 파편화된 커리큘럼, 도구 중심의 교수법, 불균형한 교사 준비, 그리고 학습 과정, 학습 전이, 윤리적 AI 활용에 대한 제한된 관심 등 여러 한계를 가짐. 특히 AI가 빠르게 발전하고 교육의 디지털 전환이 가속화됨에 따라, 컴퓨팅 사고가 K-12 학습자에게 필수적인 역량으로 부상함에도 불구하고, 이러한 역량 함양을 위한 교육은 미흡함이 현실임. 학생들은 단순히 프로그래밍 지식을 넘어 문제 분석, 데이터 및 모델 추론, 지능형 시스템 책임감 있게 평가하는 능력을 필요로 함.
(2) 이러한 배경에서 연구의 핵심 목표는 K-12 AI 교육에 컴퓨팅 사고를 통합하기 위한 개념적이고 통합적인 프레임워크를 개발함임. 특히 중국의 컴퓨팅 사고 2.0(Computational Thinking 2.0) 논의를 기반으로, 규칙 기반 알고리즘 추론을 데이터 및 모델 중심 AI 문제 해결과 연결하는 확장된 관점을 채택함. 이를 통해 교사-학생-AI 협력 프레임워크와 다단계 구현 경로(계층화된 커리큘럼 설계, 인간-AI 블렌디드 교수, 비계 설정된 프로젝트 기반 학습, AI 에이전트 지원 피드백, 교사 개발, 과정 지향적/전이 민감성/윤리적 평가)를 제안함. 궁극적으로 AI 교육이 도구 시연이나 코드 생성에서 벗어나 실제 문제 해결, 모델 이해, 책임감 있는 인간-AI 협력, 그리고 성찰적 혁신으로 나아가야 함을 입증함.
2. 연구의 방법
(1) 이 연구는 개념적이며 통합적인 프레임워크 연구임. 특정 중재 데이터를 보고하거나 체계적인 문헌 검토를 수행함이 아님. 대신 정책 지침, 최신 교육학 연구, 그리고 인간-AI 협력에 대한 새로운 학술 연구를 종합하여, K-12 AI 교육에 컴퓨팅 사고를 통합하기 위한 이론적 근거를 개발함. 전통적인 컴퓨팅 사고에서 컴퓨팅 사고 2.0으로의 개념적 확장을 명확히 하고, 이전에 분산되어 있던 학술 연구를 통합하며, 미래 경험적 연구, 커리큘럼 설계, 교육 실천에 활용 가능한 구현 경로를 도출함.
(2) 프레임워크 개발은 목적 지향적 개념 샘플링과 통합적 종합을 통해 이루어짐. Web of Science, Scopus, ERIC, Google Scholar, CNKI를 포함한 국제 및 중국 데이터베이스와 교육부 및 국제 기구의 공식 정책 자료를 참조함. 연구 기간은 AI 및 생성형 AI 애플리케이션의 급속한 발전을 포착하기 위해 주로 2017년부터 2026년까지의 문헌을 중심으로 함. 분석 절차는 다음 세 단계로 구성됨. 첫째, K-12 AI 교육의 반복적인 문제점(커리큘럼 파편화, 도구 중심 교수법, 교사 준비 부족, 과정 중심 및 윤리적 평가 소홀)을 식별함. 둘째, 전통적 컴퓨팅 사고를 컴퓨팅 사고 2.0으로 확장하는 문헌, 인간-AI 협력 학습에서 교수 역할 재구성, 그리고 일관된 커리큘럼-교수법-평가 연계의 필요성을 종합함. 셋째, 이러한 연구들을 교사-학생-AI 협력 프레임워크와 다단계 구현 경로로 통합함.
3. 주요 발견
(1) 컴퓨팅 사고 2.0의 재개념화: 규칙에서 데이터와 모델 중심으로
이 연구는 컴퓨팅 사고를 기존의 프로그래밍 중심 역량에서 AI 교육을 위한 더 넓은 인지적 프레임워크로 재개념화함. 특히 ‘컴퓨팅 사고 2.0’ 개념을 도입하며, AI가 풍부한 학습 환경에서 데이터 추론, 모델 이해, 피드백 최적화, 윤리적 판단이 전통적인 알고리즘 추론을 어떻게 확장하는지를 명확히 함. 이는 K-12 AI 교육이 단순한 코딩을 넘어 실제 AI 시스템의 작동 원리와 사회적 함의를 이해하는 방향으로 나아가야 함을 주장함.
| 차원 | 컴퓨팅 사고 1.0 | 컴퓨팅 사고 2.0 |
|---|---|---|
| 적합한 문제 | 명확한 규칙과 정밀한 정의가 있는 문제 | 수동으로 인코딩하기 어려운 모호하고 복잡하며 데이터가 풍부한 문제 |
| 문제 해결 논리 | 인간이 설계한 절차와 명시적 규칙 | 데이터 학습과 모델 기반 추론 |
| 핵심 과정 | 분해 → 패턴 인식 → 추상화 → 알고리즘 설계 → 평가 | AI 해결 가능한 문제 정의 → 데이터 준비 → 모델 훈련 → 배포 및 모니터링 |
| 핵심 과제 | 알고리즘 설계 및 절차적 구현 | 데이터 준비, 모델 훈련, 추론, 피드백 최적화 |
| 학생 학습 초점 | 프로그램 논리 이해 및 단계별 솔루션 설계 | 데이터, 모델, 훈련, 평가, 배포가 지능형 행동을 어떻게 지원하는지 이해 |
| K-12 AI 교육 관련성 | 프로그래밍, 로봇 공학, 규칙 기반 자동화 작업에 적합 | 머신러닝, 생성형 AI, 지각 시스템, 추천 및 분류 작업에 적합 |
이 표가 시사하는 바는 명확함. 컴퓨팅 사고 2.0은 학생들이 AI 기반 솔루션에 적합한 문제를 식별하고, 데이터를 수집 및 해석하며, 모델 훈련과 추론을 이해하고, 실제 맥락에서 AI 애플리케이션을 평가하고, 지능형 시스템의 사회적 결과에 대해 성찰하는 능력을 포함함.
(2) 교사-학생-AI 협력 프레임워크: AI를 인지적 파트너로
이 연구는 컴퓨팅 사고를 K-12 AI 교육에 통합하기 위한 교사-학생-AI 협력 프레임워크를 제안함. 이 프레임워크에서 교사, 학생, AI 시스템은 상호 연관된 차원으로서 협력적 학습 공동체를 형성함.
- 교사 역할: 교육 설계자, 학습 촉진자, 윤리적 가이드로서의 역할을 수행함. AI 지식 전달을 넘어 실제 문제 식별, 복잡한 과제 분해, 적절한 AI 도구 선택, AI 애플리케이션의 사회적 함의 성찰을 지도함.
- 학생 역할: 능동적인 문제 해결자, 설계자, 창조자임. 이미지 분류, 음성 인식, 스마트 기기 개발, 데이터 기반 의사 결정과 같은 실제 AI 프로젝트에 참여하여 추상화, 분해, 알고리즘 사고, 데이터 추론, 반복적 최적화 기술을 함양함.
- AI 시스템 역할: 학습 진단, 학습 자원 추천, 실시간 피드백, 프로그래밍 지원, 모델 디버깅, 개인화된 학습 경로를 지원하는 인지적 파트너 역할을 함.
이러한 협력 학습 과정은 수업 전 문제 분석, 수업 중 AI 모델링, 수업 후 성찰의 세 단계로 진행되며, 학생들은 분해, 추상화, 알고리즘 사고, 데이터 추론, 모델 평가, 반복적 최적화 역량을 점진적으로 발달시킴.
(3) AI 에이전트 지원 프레임워크: 동적인 교수적 파트너
AI 시스템은 단순히 수동적인 도구가 아님. ‘인지-결정-행동-최적화’의 폐쇄 루프를 통해 작동하는 AI 에이전트로서 교육적 역할을 수행함.
- 인지 단계: AI 에이전트는 과제 기록, 상호작용 데이터, 코딩 흔적, 프로젝트 결과물 등 다양한 학습 신호를 포착함.
- 결정 단계: 학생들의 학습 난이도, 인지적 병목 현상, 과제별 필요성을 분석함.
- 행동 단계: 디버깅 힌트, 적응형 자원 추천, 프로젝트 제안, 과정 지향적 피드백 등 맞춤형 지원을 제공함.
- 최적화 단계: 학생들의 반응과 학습 결과에 따라 후속 지원 전략을 정교화함.
이러한 AI 에이전트는 실시간 디버깅 튜터, 시나리오 및 프로젝트 생성기, 개인화된 학습 코치, 상호작용 촉진자, 과정 기반 평가 보조자로서 기능함. 이 에이전트들은 문제 분해, 알고리즘 추론, 데이터 추론 및 모델 기반 사고, 디버깅 및 반복, 협력적 문제 해결 및 창조, 윤리적 AI 활용 역량 함양에 기여함. 가장 중요한 점은 AI 에이전트가 학생들의 독립적 추론을 대체하는 것이 아니라, 교사의 지도를 보완하는 교수적 파트너로 자리매김한다는 것임.
(4) 계층화된 커리큘럼 시스템: 발달 단계에 맞는 점진적 설계
K-12 AI 커리큘럼은 컴퓨팅 사고 2.0 관점에서 데이터 및 모델 중심 AI의 문제 해결 논리를 반영하도록 설계함. 교육 목표, 내용 구성, 교수 활동, 평가 메커니즘을 AI 기반 솔루션에 적합한 문제 식별, 데이터 준비, 모델 훈련, AI 애플리케이션 배포/평가/모니터링의 네 가지 AI 학습 과정과 연계함. 이는 다음 세 가지 점진적 수준으로 구성됨.
| 계층 수준 | 대상 학습자 | 교육적 초점 | 기술 도구 | 컴퓨팅 사고 매핑 |
|---|---|---|---|---|
| 입문 | 모든 학생 | 기초 AI 지식 및 지각 | 언플러그드 활동, 블록 코딩 | 데이터 표현, 패턴 인식 |
| 심화 | 중급 학습자 | 알고리즘 추론 및 물리 시스템 모델링 | 텍스트 기반 코딩(예: Python), 오픈 소스 하드웨어 | 문제 분해, 알고리즘 설계 |
| 심화탐구 | 혁신 학습자 | 시스템 개발 및 최적화 | 경량 머신러닝 모델, 엣지 컴퓨팅 장치 | 시스템 추상화, 솔루션 최적화 |
이 계층화된 커리큘럼은 데이터 표현과 패턴 인식에서 시작하여 알고리즘 추론 및 문제 분해, 최종적으로 시스템 추상화 및 최적화로 이어지는 연속적인 발달 궤적을 지원함.
(5) 블렌디드 인간-AI 협력 교수 모델: 온라인과 오프라인의 시너지
블렌디드 인간-AI 협력 교수 모델은 온라인 AI 학습 시스템과 오프라인 실제 프로젝트를 연결하는 이중 트랙 환경을 중심으로 구성됨. 이를 통해 지식 습득이 실제 역량으로 전환됨을 촉진함. 세 가지 단계(기초 학습, 통합 프로젝트 구현, 혁신적 탐구)를 통해 학생들이 발전하며, 6단계 반복 교수 주기가 학습 과정을 구체화함.
| 교수 단계 | 주요 교육 목표 | AI 지원 역할 | 컴퓨팅 사고 강조점 |
|---|---|---|---|
| 문맥 생성 | 실제적이고 의미 있는 문제 제시 | 문제 시나리오 및 학습 프롬프트 생성 또는 풍부화 | 문제 인식 및 추상화 |
| 지능형 진단 | 학생의 사전 지식 및 학습 격차 식별 | 사전 테스트, 과제 응답, 행동 데이터 분석 | 인지적 준비 상태 및 맞춤형 비계 |
| 동적 그룹화 | 차별화된 협력 학습 조직 | 진단 데이터 기반 그룹화 전략 추천 | 협력적 문제 해결 |
| 인간-AI 협력 | 프로젝트 구현 및 반복적 탐구 지원 | 알고리즘 논리, 코드 생성, 디버깅, 최적화 지원 | 알고리즘 추론, 디버깅, 정교화 |
| 다차원 평가 | 과정 및 결과 증거 모두 포착 | 프로젝트 기록, 상호작용 로그, 평가 데이터 종합 | 성찰, 평가, 자기 조절 |
| 지식 그래프 구성 | 학습 진행 상황 시각화 및 후속 학습 지도 | 숙달 및 미개발 지식 노드 매핑 | 메타인지 및 컴퓨팅 사고의 전이 |
이 6단계 순환 주기는 AI 지원을 전체 교육 과정에 체계적으로 내재화하며, 블렌디드 학습을 온라인-오프라인 활동의 단순한 결합이 아닌 컴퓨팅 사고의 점진적 발달을 위한 일관된 경로로 전환함.
(6) AI 지원 사다리식 육성 전략: 구체적인 사고 발달 경로
AI 지원은 지능형 실습 환경 구축, 구체적 지각에서 추상적 모델링 및 전이로의 점진적 비계 설정, 데이터 기반 평가 루프 구축의 세 가지 상호 연결된 수준에서 컴퓨팅 사고 발달을 지원함.
| 전략 차원 | 핵심 교육 논리 | AI 지원 기능 | 대표적인 교실 적용 사례 | 컴퓨팅 사고 발달 강조점 |
|---|---|---|---|---|
| 지능형 실습 플랫폼 | 개인화되고 정밀한 사고를 가능하게 하는 대화형 환경 구축 | 적응형 자원 추천, 실시간 피드백, 과제 난이도 조정, 논리 시각화 | AI 지원 QR 코드 디자인 플랫폼, 코딩 논리 및 시각적 훈련 흐름도 수정에 대한 동적 피드백 | 문제 추상화, 모델 구성, 반복적 최적화 |
| 사다리식 교수 설계 | 구체적 지각에서 추상적 모델링 및 전이로의 인지적 발전 | 시각화된 예시, 반개방형 과제 비계, 실제 시나리오 과제 생성, 적응형 추론 프롬프트 | 스마트 세탁기 흐름 설계, 과정 인식에서 지능형 조명 알고리즘 설계로 전환 | 문제 분해, 논리적 조직, 알고리즘 전이 |
| 다차원 평가 루프 | 과정 추적 및 결과 평가를 통합하여 교육-평가-개선 주기 형성 | 학습 추적 분석, 작업 비교, 개인화된 평가 보고서, 후속 과제 추천 | 스마트 식물 관리 시스템 평가, 센서 논리, 비정상 조건 처리 및 시스템 확장성 평가 | 성찰, 자기 조절, 최적화, 전이 |
이 전략은 프로젝트 기반 학습(PBL)이 문제 해결 과정을 안내하고, 맥락화, 과제 분해, 솔루션 설계, 프로토타입 구현, 결과 검증, 반복적 최적화 등을 통해 학생들이 문제 분해, 알고리즘 추론, 시스템 수준 최적화 역량을 체계적으로 개발하도록 지원함.
(7) 생성형 AI 지원 전략: 병목 현상 해소 및 윤리적 인식 함양
생성형 AI는 단순히 빠른 코드 생성을 위한 생산성 도구가 아님. 오히려 학생들이 추론을 명확히 하고, 지식을 맥락 간에 전이하며, 블록 기반과 텍스트 기반 프로그래밍 간의 표현적 격차를 해소하고, AI의 윤리적 문제에 대한 비판적 인식을 개발하도록 돕는 인지적 비계 역할을 함.
| 교수적 병목 현상 | K-12 학습에서 나타나는 현상 | 생성형 AI 지원 전략 | 컴퓨팅 사고 기여 | 예시 교실 적용 |
|---|---|---|---|---|
| 사고보다 조작 과잉 강조 | 소프트웨어 단계나 코딩 구문에만 집중하고 추론 과정에 소홀 | 지속적인 사고 피드백 제공 (정답 여부뿐 아니라 실패 원인 설명) | 논리적 추론, 디버깅 인식, 메타인지 성찰 강화 | AI가 학생의 프로그래밍 흐름 분석, 논리적 격차 식별, 시각적 피드백 생성 |
| 이론과 실제 적용 간 약한 연결 | 개념은 이해하지만 실제 맥락에 적용하기 어려움 | 시나리오 기반 프로젝트 생성 및 과제 분해, 모듈 계획, 프로젝트 스케줄링 안내 | 추상화, 분해, 맥락적 모델링, 지식 전이 촉진 | AI가 실제 객체 관리 또는 캠퍼스 서비스 프로젝트 생성 및 하위 과제로 분해 안내 |
| 블록 기반에서 텍스트 기반으로 전환 어려움 | 시각적 모듈에서 추상적 코드 구조로 전환 시 인지적 과부하 경험 | 그래픽 프로그래밍 블록과 해당 텍스트 기반 코드 간 개념 매핑 제공, 점진적 비계 설명 | 표현 전이, 구조적 이해, 알고리즘 사고 지원 | AI가 블록 기반 루프가 Python 코드와 어떻게 상응하는지 설명, 시각적 논리에서 텍스트 논리로의 점진적 연습 제공 |
| 제한된 윤리적 인식 | AI 결과물을 비판 없이 수용하거나 프라이버시, 편향 문제를 간과 | AI 지원 학습 중에 AI 윤리 프롬프트 및 성찰적 질문 포함 | 책임감 있는 AI 사용, 비판적 판단, 사회적 책임 개발 | AI가 생성한 제안이 신뢰할 수 있는지, 개인 정보 보호를 지키는지, 공정한지 평가하도록 함 |
생성형 AI는 이러한 교육적 병목 현상을 해소하고, K-12 AI 교육에 컴퓨팅 사고를 통합하는 데 중요한 역할을 수행함.
4. 결론 및 시사점
(1) 이 연구는 컴퓨팅 사고가 프로그래밍 기술을 넘어 K-12 AI 교육의 근본적인 인지 프레임워크임을 주장함. ‘컴퓨팅 사고 2.0’ 관점에서 AI 학습은 규칙 기반 알고리즘 추론을 넘어 데이터 준비, 모델 이해, AI 관련 문제 공식화, 시스템 최적화, 책임감 있는 인간-AI 협력을 포함해야 함. 이러한 개념적 토대 위에 교사, 학습자, 지능형 시스템의 상호보완적 역할을 명확히 하는 교사-학생-AI 협력 프레임워크를 제안함. 궁극적으로 이 연구는 교육 목표, 커리큘럼 논리, 교수 방법, 교사 역할 및 평가 시스템의 포괄적인 재구성을 통해 K-12 AI 교육에 컴퓨팅 사고를 통합하는 체계적인 구현 경로를 제시함.
(2) 학교와 교육과정 설계자에게 이 연구는 고품질 K-12 AI 교육이 단순한 기술 노출이나 생성형 AI 도구 사용으로 축소되어서는 안 됨을 시사함. 대신 점진적인 커리큘럼, 실제 프로젝트, 비계가 설정된 문제 해결, 교사 주도의 성찰, 그리고 과정 중심 평가를 통해 체계적으로 조직되어야 함. 이러한 접근 방식은 학생들이 AI 기술을 이해하고, 평가하고, 창조하며, 복잡한 실제 맥락에서 책임감 있게 적용하는 능력을 개발하도록 지원함.
(3) 교사에게는 기술적 이해와 교육 설계 전문성, 데이터 기반 피드백, 그리고 윤리적 지침을 통합하는 역량의 필요성을 강조함. 교사는 지식 전달자에서 학습 설계자, 프로젝트 촉진자, 데이터 기반 의사 결정자, 윤리적 멘토로 변화해야 함. 정책 입안자와 학교 리더에게는 교사 연수, 자원 플랫폼, 공평한 접근성 등 지원적인 제도적 환경을 구축하는 것이 중요함을 역설함. 이는 AI 교육이 다양한 학교 맥락에서 컴퓨팅 사고 발달을 효과적으로 촉진하는 기반이 됨.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 단연 ‘컴퓨팅 사고 2.0’ 개념의 도입임. 기존의 컴퓨팅 사고는 주로 문제 분해, 패턴 인식, 추상화, 알고리즘 설계 등 프로그래밍과 밀접하게 관련된 규칙 기반의 사고 과정에 초점을 맞춤이 일반적임. 하지만 이 논문은 AI 시대에 맞춰 이 개념을 데이터 준비, 모델 훈련, 추론, 배포 및 모니터링, 윤리적 평가까지 확장하며, 이는 AI 리터러시 교육의 본질을 새롭게 정의함. 학생들이 단순히 코드를 작성하는 것을 넘어, AI 시스템이 어떻게 데이터를 통해 학습하고, 어떤 윤리적 고려 사항을 가지며 작동하는지 심층적으로 이해하도록 유도함. 이는 AI를 단순한 도구가 아닌, 사회적 맥락 속에서 작동하는 복합적인 시스템으로 바라보는 시각의 전환을 요구하며, 미래 교육이 나아가야 할 방향을 명확하게 제시함.
(2) 이 연구가 명시하지 않은 더 넓은 의미를 인접 분야와 연결해 보면, 교육 철학적 측면에서 AI 시대의 ‘앎’과 ‘배움’에 대한 근본적인 질문을 던짐이 있음. AI가 복잡한 문제를 해결하고 정보를 생성하는 능력이 고도화될수록, 인간이 무엇을, 왜 배워야 하는지에 대한 재정의가 필요함. 이 프레임워크는 AI를 도구가 아닌 인지적 파트너로 설정함으로써, 인간의 역할이 ‘문제 해결자’를 넘어 ‘문제 정의자’, ‘윤리적 심사관’, ‘협력적 창조자’로 진화해야 함을 역설함. 이는 인간 고유의 역량과 AI의 잠재력을 상호 보완적으로 활용하는 새로운 ‘인간 조건’에 대한 교육 철학적 성찰을 촉구함. 또한, 정책적 측면에서는 교육의 형평성 문제에 대한 깊은 고민을 유발함. 이 연구는 중국 교육 맥락에 기반하고 있으나, 제시된 프레임워크는 보편적 원칙을 포함함. 하지만 AI 교육에 필요한 자원(인프라, AI 도구, 데이터셋), 교사 역량, 지역별 지원 체계는 국가 및 지역별로 큰 격차를 보임. 따라서 이 프레임워크의 성공적 구현을 위해서는 교육 소외 지역에 대한 AI 인프라 확충, 교사 전문성 개발 기회 균등 제공, 그리고 디지털 격차 해소를 위한 정책적 노력이 필수적임을 강조함. AI 교육이 새로운 형태의 불평등을 초래하지 않도록 사회 전체의 교육적 책임을 다함이 시급함.
(3) 이 연구를 발전시킬 구체적 아이디어로 다음 세 가지를 제안함. 첫째, AI 윤리 및 모델 해석력 강화를 위한 교사 연수 모듈 개발이 필요함. ‘컴퓨팅 사고 2.0’의 핵심인 모델 이해, 윤리적 판단 역량을 교사가 현장에서 지도할 수 있도록, AI 모델의 블랙박스 문제를 시각화하고, AI 생성물의 편향성을 분석하며, 데이터 프라이버시를 교육하는 구체적인 워크숍형 모듈을 설계함. 둘째, AI 에이전트의 ‘인지-결정-행동-최적화’ 루프를 위한 표준화된 교육 시나리오 라이브러리 구축을 제안함. AI 에이전트가 학생들의 학습 맥락을 정확히 인지하고 맞춤형 피드백을 제공할 수 있도록, 다양한 난이도와 주제의 프로젝트 시나리오, 예상되는 학생 오개념, 그리고 이에 대한 AI 에이전트의 효과적인 피드백 예시를 체계적으로 정리하여 교사들이 활용하도록 함. 셋째, K-12 학생들이 ‘컴퓨팅 사고 2.0’을 활용하여 사회적 문제 해결에 기여하는 ‘AI 메이커톤’ 또는 ‘AI 챌린지’ 프로그램의 정례화임. 지역사회 문제(예: 쓰레기 분리수거 효율화, 교통 체증 완화, 기후 변화 예측)를 AI로 해결하는 프로젝트를 기획하고, 학생들이 데이터 수집부터 모델 배포, 윤리적 영향 평가까지 전 과정을 경험하도록 지원하며, 이 과정에서 창출된 AI 솔루션을 실제 사회에 적용해 보는 기회를 제공함.
6. 추가 탐구 질문
(1) 이 프레임워크가 제시하는 컴퓨팅 사고 2.0의 요소(데이터 준비, 모델 훈련, 윤리적 평가 등)가 K-12 학생들의 학년별 인지 발달 단계에 따라 어떻게 구체적인 학습 목표와 활동으로 세분화되어야 하는가? 특히 추상적 사고가 미숙한 초등 저학년 학생들에게 AI 모델의 내부 작동 원리나 윤리적 책임감을 어떻게 효과적으로, 그리고 발달에 적합한 방식으로 가르칠 수 있을까?
(2) 이 연구의 프레임워크는 주로 중국의 교육 정책 및 맥락에 기반함. 이 프레임워크가 서구권 교육 시스템, 또는 디지털 인프라 및 교사 역량이 상대적으로 부족한 개발도상국 교육 현장에 적용될 때, 문화적, 제도적, 기술적 차이로 인해 어떤 수정과 적응이 필요하며, 특히 어떤 부분이 가장 큰 도전 과제가 될까?
(3) AI 에이전트가 학습 지원 역할을 수행할 때, 학생들의 데이터 프라이버시를 보호하고 AI에 대한 과도한 의존성을 방지하기 위한 기술적 안전장치와 윤리적 가이드라인은 어떻게 설계되어야 하는가? 또한, AI가 생성하는 피드백의 정확성과 공정성을 지속적으로 검증하고 교사의 개입 없이 AI가 학습자의 중요한 평가를 수행하도록 허용하는 것의 윤리적 한계는 어디까지인가?
출처
DOI: 10.3390/educsci16071065
- Zhong, M., Duan, S., & Wang, L. (2026). Integrating computational thinking into K-12 artificial intelligence education. Education Sciences, 16(7), 1065. https://doi.org/10.3390/educsci16071065