보는 것과 배우는 것 사이: 뇌 과학이 이끄는 교실 혁신의 설계

교실에서 우리는 종종 기이한 순간을 경험한다. 학생들은 분명 우리를 바라보고, 고개를 끄덕이며, 심지어 질문에 답한다. 그러나 잠시 후, 그들이 방금 배운 것을 완전히 잊었음을 발견한다. 우리는 기술이 이 간극을 메워줄 것이라 기대하지만, 단순히 화면을 늘린다고 학습이 깊어지는 것은 아니다. 오히려 새로운 기술은 학습의 본질에 대한 더 근본적인 질문을 던진다.

1. 눈과 귀가 배움을 만드는가

“우리가 무언가를 본다고 해서 그것을 배운 것은 아니다. 진정한 배움은 그 너머에 있다.”

우리는 시각과 청각이 학습의 문이라 직관적으로 생각한다. 학생이 교사를 응시하고, 설명을 듣는다면 배움이 일어난다고 믿기 쉽다. 그러나 지난 수십 년간의 학습과학 연구는 이 단순한 믿음 뒤에 복잡한 진실이 숨어 있음을 명확히 보여준다. 배움은 뇌 안에서 선택적이고, 제한적이며, 적극적인 과정을 거쳐야만 비로소 일어난다.

우리 뇌는 주변의 모든 자극을 동시에 처리하지 못한다. 엄청난 양의 정보가 감각 기관을 통해 밀려들어오지만, 뇌는 이 중 극히 일부만을 선택적으로 받아들인다. 이 선택 과정이 바로 주의이다. 마치 강물에서 특정 물고기만 건져 올리는 것과 같다. 이른바 ‘보이지 않는 고릴라’ 실험은 우리가 주의를 기울이지 않는 한, 눈앞에서 벌어지는 명백한 사건조차 인식하지 못함을 극적으로 입증한다. 농구공 패스 횟수를 세는 데 집중한 사람들은 코트 중앙에 고릴라 의상을 입은 사람이 지나가는 것을 대부분 보지 못한다. 눈에 들어왔지만, 뇌는 그것을 처리하지 않은 것이다.

교실 현장에서 이 사실은 매우 중요한 의미를 지닌다. 학생이 우리를 바라본다고 해서, 우리의 목소리를 듣는다고 해서 그들이 학습 내용에 주의를 기울인다는 의미는 아니다. 그들의 주의는 창밖의 소리, 어제 있었던 사건, 혹은 저녁 메뉴에 대한 생각 등 온갖 곳으로 향할 수 있다. 교사의 입장에서는 학생이 집중하는 것처럼 보여도, 실제로는 학습 목표와 무관한 곳에 주의가 쏠릴 가능성이 항상 존재한다. 이는 교사가 아무리 열정적으로 설명해도, 학생의 뇌가 그 정보를 ‘선택’하지 않으면 아무런 소용이 없다는 냉정한 현실을 직시하게 만든다.

그렇다면 기술은 여기서 어떤 역할을 할까? 새로운 AI 기반 학습 도구들은 종종 ‘몰입형 경험’이나 ‘개인화된 콘텐츠’를 내세운다. 예를 들어, AI 플랫폼은 정적인 교과서 PDF를 비디오, 오디오 강의, 마인드맵 등 5가지 상호작용 가능한 형태로 변환하여 제공한다. Heldreth 등(2025)의 연구는 이러한 동적인 학습 경험이 학생들의 즉각적인 회상 능력과 학습 만족도를 높인다고 보고한다. 이는 학생들이 다양한 형태로 제시되는 정보에 더 쉽게 주의를 기울일 수 있음을 시사한다. 그러나 여기서 중요한 것은 기술 자체가 아니라, 그 기술이 어떻게 학생의 주의를 학습 내용으로 효과적으로 유도하고 유지하느냐의 문제이다. 단순히 화려한 시각 자료나 인터랙티브 요소는 잠시 시선을 붙잡을 수 있지만, 그것이 본질적인 학습에 대한 주의로 이어지지 않으면 또 다른 형태의 산만에 불과하다. 기술은 주의를 분산시킬 가능성도 똑같이 지닌다. 우리는 기술을 통해 학생의 주의를 ‘수집’하는 것이 아니라, 학습의 핵심으로 ‘안내’해야 한다. 이것이 기술이 배움을 돕는 첫 단추이다.

핵심 정리 배움은 단순한 시청각 정보 수용이 아니라, 뇌의 선택적 주의 과정에서 시작된다. 학생이 교사를 보고 듣는다고 해서 학습에 주의를 기울이는 것은 아니며, 기술은 주의를 유도하는 도구인 동시에 주의를 분산시키는 원인이 될 수 있다.

2. 병목 구간: 작업 기억의 한계와 인지 부하의 그림자

우리가 학습 내용에 주의를 기울였다면, 그 정보는 뇌의 ‘작업 기억’이라는 일시적인 공간으로 들어온다. 작업 기억은 우리가 당장 의식적으로 처리하고 있는 정보를 유지하는 곳이다. 그러나 이 공간은 우리가 생각하는 것보다 훨씬 좁다. 조지 밀러(George Miller)가 1956년 제시한 ‘7±2’개라는 숫자는 이후 연구를 통해 ‘4±1’개 정도의 덩어리(chunk)로 수정되었다. 우리의 작업 기억은 한 번에 약 4개의 정보 덩어리만을 처리할 수 있다는 의미이다. 게다가 이 정보는 새로운 정보가 들어오거나 주의가 분산되면 빠르게 사라진다.

이러한 작업 기억의 극단적인 제한은 교실에서 학습의 가장 큰 병목 구간으로 작용한다. 존 스웰러(John Sweller)의 인지 부하 이론(cognitive load theory)은 학습자가 동시에 처리해야 할 정보의 양이 작업 기억의 한계를 넘어설 때 학습이 방해받는 현상을 설명한다. 교사가 새로운 개념을 설명하면서 동시에 복잡한 도표를 제시하고, 필기를 요구하며, 질문까지 던진다면, 학생의 작업 기억은 순식간에 과부하에 이른다. 학생이 “머리가 하얘진다”고 느끼는 순간은 바로 작업 기억이 처리 한계에 도달했음을 나타낸다. 이는 학생의 능력 부족이 아니라, 정보 제시 방식의 문제일 가능성이 크다.

요소	전통적 학습 환경	AI 기반 학습 환경	주요 효과 및 한계
정보 제시 방식	교사의 동시 다발적 설명, 복잡한 교재, 필기 요구	AI 튜터의 단계별 안내, 맞춤형 시각 자료, 자동 필기/요약 기능	AI는 정보를 개별화된 속도로, 분할된 덩어리로 제공하여 작업 기억의 부담을 줄일 수 있다. 그러나 AI의 복잡한 인터페이스나 불필요한 상호작용 요소는 오히려 인지 부하를 증가시킬 위험이 있다.
인지 부하 관리	교사의 직관적 판단, 일방적 정보 전달	AI 기반 인지 부하 감지 및 난이도 조절	AI는 학습자의 반응(응답 시간, 오류 패턴)을 분석하여 실시간으로 난이도를 조절, 최적의 도전 과제를 제시하여 인지 부하를 효율적으로 관리한다. 하지만 과도한 자동화는 학습자의 노력 감소로 이어져 장기 기억 형성을 저해할 수 있다.
교사의 역할	지식 전달자, 인지 부하 직접 조절	학습 설계자, 인지 부하 모니터	교사는 AI의 도움을 받아 정보 전달의 부담을 줄이고, 학생의 인지적 상태를 더 면밀히 관찰하며, 인지적 안전감을 제공하는 데 집중한다. AI는 교사의 ‘전문가 맹점(expert blind spot)’을 보완하는 도구가 된다.
학습 결과	작업 기억 과부하로 인한 피상적 이해, 빠른 망각	개인 맞춤형 속도로 깊은 이해, 점진적 지식 축적	AI는 이론적으로 학습 효율을 극대화할 수 있으나, 실제 학습 효과는 AI의 설계 철학과 교실에서의 통합 방식에 크게 의존한다. 기술 도입 자체가 해결책이 아님을 명확히 인지해야 한다.

특히 문제는 ‘전문가 맹점’에 있다. 수잔 암브로스(Susan Ambrose)는 교사들이 특정 과제를 해결하는 데 필요한 기능이 자신에게는 이미 자동화(automatized)되어 있음을 자각하지 못한다고 지적한다. 예를 들어, 수학 교사에게는 사칙연산이 의식적인 노력을 요구하지 않는 자동화된 과정이지만, 초보 학습자에게는 각각의 연산이 작업 기억을 소모하는 복잡한 과정이다. 교사는 “이건 쉬운데 왜 못할까?”라고 생각하기 쉽지만, 학생의 작업 기억은 기초적인 연산 처리만으로도 이미 꽉 차 있을 수 있다. 이 상태에서 새로운 개념을 주입하는 것은 아무리 훌륭한 설명이라도 공중에 흩어질 뿐이다.

이러한 인지적 부담은 정서적 조건에도 민감하다. 불안하거나 위협적인 환경에서는 작업 기억의 상당 부분이 정서 처리로 소모되어, 실제 학습에 할당될 자원이 급격히 줄어든다. 인지적으로 안전한 교실 환경이 학습의 전제 조건인 이유이다. AI 기반 학습 도구는 이 지점에서 중요한 가능성을 제시한다. 개인화된 속도로 정보를 제공하고, 반복 연습 기회를 주며, 즉각적인 피드백으로 학습자의 불안감을 낮출 수 있다. 예를 들어, 바이브 코딩(vibe coding) 연구(논문 ‘AI와 대화하고, AI를 활용하며, AI에 대해 이야기하는 역량을 키우기 위한 바이브 코딩 기반의 영어 학습 설계’ 참고)에서 학생들은 AI와 상호작용하며 복잡한 프로그래밍 개념을 스스로 탐색한다. AI가 지루한 문법 오류 수정을 대신하는 동안, 학생들은 더 창의적인 문제 해결에 작업 기억을 활용할 수 있다. 이는 AI가 반복적이고 단순한 인지 부하를 대신 처리하여, 학생들이 더 높은 수준의 사고에 집중할 수 있도록 돕는 사례이다. 그러나 AI가 제시하는 정보의 양과 복잡도가 학습자의 현재 수준을 넘어선다면, 오히려 인지 부하를 가중시켜 학습을 방해할 위험도 상존한다. AI 기술은 양날의 검이다. 그 검을 다루는 교사의 섬세한 설계가 무엇보다 중요하다.

토의 활동

교실에서 학생들의 ‘머리가 하얘지는’ 순간을 줄이기 위해, AI 기술을 활용하여 인지 부하를 조절할 수 있는 구체적인 방법들을 서로 이야기 나누어 보자.

핵심 정리 작업 기억은 극도로 제한된 자원으로, 인지 부하 이론은 이 한계를 넘어선 정보 제시가 학습을 방해함을 보여준다. 교사의 ‘전문가 맹점’은 학생의 인지 부하를 과소평가하게 만들며, AI 기술은 개인화된 정보 제공으로 인지 부하를 줄일 잠재력이 있으나, 잘못 설계되면 오히려 방해가 된다.

3. 지식의 저장고: 장기 기억을 만드는 전략

작업 기억이 학습의 병목 구간이라면, 장기 기억은 지식의 무한한 저장고이다. 언어, 기술, 지식, 경험 등 우리가 평생에 걸쳐 배우는 모든 것은 이곳에 저장된다. 작업 기억의 정보를 장기 기억으로 옮기는 과정을 부호화(encoding)라고 한다. 그리고 이 부호화는 자동적으로 일어나지 않는다. 정보를 그저 받아들이는 것만으로는 장기 기억에 새겨지지 않는다. 여기에 ‘정교화(elaboration)’가 필요하다. 새로운 정보를 이미 알고 있는 것과 연결하고, 그것이 왜 그러한지 스스로 설명해 보고, 다른 맥락에 적용해 보는 과정이 있어야 비로소 기억은 깊이 새겨진다.

하지만 기억은 생성되는 만큼이나 빠르게 사라지기도 한다. 헤르만 에빙하우스(Ebbinghaus)의 망각 곡선이 보여주듯, 새로 배운 내용은 시간이 지나면서 급격히 잊힌다. 배운 지 하루 만에 절반 이상이 사라지고, 일주일이 지나면 훨씬 더 줄어든다. 이는 뇌가 불필요하다고 판단하는 정보를 점차 ‘삭제’하는 자연스러운 현상이다. 그렇다면 이 망각을 막고 기억을 강화하려면 어떻게 해야 할까?

야나 와인스타인(Yana Weinstein)과 동료들은 『학습의 과학(Understanding How We Learn)』에서 그 답을 명확히 제시한다. 반복적인 읽기가 아니라 인출(retrieval)이 핵심이다. 기억 속에 있는 무언가를 끄집어내는 행위 자체가 그 기억을 강화한다. 한 번도 인출되지 않은 기억은 희미해지고, 여러 번 인출된 기억은 더 단단해진다. 시험이 단순히 평가 도구가 아니라 강력한 학습 도구가 될 수 있는 이유, 즉 시험 효과(testing effect)가 바로 여기에 있다.

여기에 배경지식(prior knowledge)이 결정적인 역할을 한다. 기존에 알고 있는 지식이 풍부할수록 새로운 정보를 더 쉽게 이해하고 장기 기억에 부호화한다. 이미 알고 있는 것에 새로운 정보를 연결하기 때문이다. E.D. 허쉬(E.D. Hirsch)가 『문화적 문해력(Cultural Literacy)』에서 강조했듯, 독해력은 어휘력과 배경지식의 함수이다. 단어를 해독하는 능력만으로는 충분하지 않으며, 텍스트가 전제하는 세계를 이미 알고 있어야 이해가 가능해진다. 사회경제적으로 불리한 환경의 학생들이 학년이 올라갈수록 학습 격차가 벌어지는 이유 중 하나는 바로 이러한 배경지식의 불균등한 축적에 있다. 그들은 새로운 정보를 기존 지식과 연결할 고리가 부족하므로, 모든 것을 처음부터 처리해야 하여 작업 기억이 쉽게 과부하 된다.

AI는 이 모든 과정에서 강력한 조력자가 될 잠재력을 지닌다.

학습 과정	AI의 역할 (가능성)	한계 및 비판적 관점
주의 설계	학습자 맞춤형 콘텐츠 제시, 시선 추적 통한 주의 분산 감지, 적절한 시점의 개입 알림	AI의 ‘개입’이 오히려 학습자의 자율성을 침해하고 피상적인 참여를 유도할 수 있다. 학습자가 수동적으로 AI의 안내에 따르게 되면, 내재적 동기 형성 및 주의 통제 능력 발달이 저해될 수 있다. AI가 제시하는 화려한 시각 정보가 단순한 ‘시선 끌기’를 넘어 깊이 있는 인지 과정으로 연결되지 않으면, 오히려 인지 부하를 증가시키고 학습 내용을 기억하는 데 방해가 된다.
인지 부하 관리	학습자의 수준에 따른 난이도 조절, 정보 덩어리화(chunking), 비선형적 학습 경로 제공, 반복적이고 복잡한 과제 자동화	AI가 과도하게 인지 부하를 낮추면 학습자가 바람직한 어려움(desirable difficulty)을 경험할 기회를 박탈한다. 모든 것을 AI가 쉽게 만들어주면, 학습자는 스스로 문제를 해결하고 깊이 생각하는 훈련을 하지 못하게 된다. 또한 AI의 난이도 조절 알고리즘이 특정 편향을 가질 경우, 학습 격차를 심화시키거나 특정 유형의 학습자에게 불리하게 작용할 수 있다.
정교화 촉진	학습 내용과 기존 지식 연결 질문 생성, 다양한 관점의 설명 제공, 챗봇을 통한 대화형 탐색 유도, 비유 및 사례 생성	AI가 제공하는 ‘정교화 질문’이나 ‘설명’이 학습자에게 너무 완벽하고 즉각적이라면, 스스로 사고하고 답을 찾아내는 능력을 저해한다. 학습자가 AI의 답을 그대로 수용하는 데 그친다면, 지식이 피상적으로만 습득되고 자기 주도적인 학습 태도 형성이 어려워진다. 학습자가 AI와 함께 아이디어를 확장하는 ‘협상’의 과정이 없다면, 진정한 의미의 정교화는 일어나지 않는다.
인출 연습	맞춤형 퀴즈 자동 생성, 오답 노트를 기반으로 한 반복 학습 스케줄링, 회상 질문 제공, 시뮬레이션을 통한 적용 연습	AI가 생성하는 퀴즈나 회상 질문이 정형적이거나 창의적이지 못하면, 지식의 표면적인 암기만을 유도하고 깊은 이해를 측정하지 못한다. 또한 AI에 대한 지나친 의존은 학습자가 스스로 학습 전략을 세우고, 자신의 지식 상태를 메타인지적으로 점검하는 능력을 약화시킬 수 있다. ‘시험 효과’의 본질은 학습자의 능동적인 인출 노력에 있음을 간과해서는 안 된다. AI는 인출 연습을 ‘제공’하는 것이 아니라, 학습자가 인출 ‘노력’을 하도록 ‘설계’하는 도구여야 한다.

챗GPT와 같은 생성형 AI는 정교화를 위한 질문을 만들고, 다양한 맥락에서 지식을 적용하는 시나리오를 제공한다. 개인의 배경지식 수준에 맞춰 학습 자료를 재구성하고, 비유와 사례를 생성하여 복잡한 개념을 쉽게 연결할 수도 있다. AI는 인출 연습에서도 뛰어난 역할을 한다. 학습자 개개인의 망각 곡선에 맞춰 최적의 시점에 맞춤형 퀴즈를 제공하고, 반복적인 회상 기회를 통해 기억을 강화한다. 예를 들어, ‘AI, 교과서를 변신시키다’ 연구에서 ‘Learn Your Way’ 플랫폼은 학습 콘텐츠를 개인화된 마인드맵이나 대화형 퀴즈로 전환하여, 학습자가 능동적으로 지식을 인출하고 정교화할 수 있도록 돕는다.

그러나 이러한 기술적 가능성에도 불구하고, 우리는 비판적 낙관주의의 시선을 놓아서는 안 된다. AI가 모든 것을 ‘편리하게’ 만들어줄 때, 학습자는 정교화와 인출에 필요한 능동적인 ‘노력’을 회피할 수 있다. AI가 생성한 멋진 요약이나 답안을 단순히 소비하는 데 그친다면, 학습은 피상적인 수준에 머문다. 학습자가 AI의 도움을 받아 스스로 지식을 구성하고, 비판적으로 성찰하며, 실제 세계에 적용하는 경험을 만들어야 한다. ‘AI에게 말 걸기’, ‘AI를 통해 말하기’, ‘AI에 대해 말하기’라는 프레임워크는 AI를 단순히 도구로 사용하는 것을 넘어, AI와의 상호작용 자체가 학습이 되는 지점을 탐색한다. AI와 협상하며 프롬프트를 만들고, AI의 결과물을 비판적으로 평가하는 과정에서 학습자는 더 깊이 있는 정교화와 인출을 경험한다. 기술은 학습의 수고로움을 완전히 없애는 것이 아니라, 그 수고로움의 ‘질’을 높이는 방향으로 설계되어야 한다.

핵심 정리 장기 기억은 무한한 지식의 저장소이며, 정교화와 인출 연습을 통해 강화된다. 배경지식은 새로운 정보의 부호화에 결정적인 역할을 하며, AI는 개인화된 정교화 및 인출 연습을 제공하여 장기 기억 형성을 도울 수 있다. 하지만 AI는 학습자의 능동적인 인지 노력을 대체하는 것이 아니라, 촉진하는 방향으로 활용되어야 한다.

4. 뇌 과학이 이끄는 교실, 협력과 성찰의 나침반

우리는 기술이 주도하는 교육의 변화를 목도한다. 그러나 이 변화의 본질은 첨단 기기나 화려한 소프트웨어 자체가 아니다. 그보다는 인간의 뇌가 어떻게 배우고, 기억하며, 문제를 해결하는지에 대한 깊이 있는 이해에 기반한 학습 설계의 변화이다. 기술은 이 이해를 바탕으로 교실을 더 효과적이고, 공정하며, 인간적인 공간으로 만드는 강력한 도구이다.

보는 것이 곧 배우는 것이 아니라는 사실은 우리에게 학습의 본질에 대한 성찰을 요구한다. 학생의 주의를 효과적으로 유도하고, 작업 기억의 한계를 존중하며 인지 부하를 현명하게 관리하고, 궁극적으로 지식이 장기 기억에 깊이 새겨지도록 정교화와 인출을 체계적으로 설계하는 일은 교사의 핵심 역량이다. AI 기술은 이 모든 과정에서 교사의 ‘전문가 맹점’을 보완하고, 개인화된 학습 경험을 제공하며, 반복적인 인지 부담을 줄여주는 강력한 동반자가 될 수 있다.

그러나 이 변화가 가져올 빛만큼이나 그림자 또한 선명하다. Bett 2026에서 강조된 ‘AI의 잠재력과 책임(Responsibility)’은 이 지점을 정확히 짚어낸다. AI가 학습 격차를 오히려 심화시키거나, 교사의 부담을 가중시키거나, 학생들의 데이터 윤리 문제를 야기할 가능성을 간과해서는 안 된다. 기술이 모든 문제를 해결해 줄 것이라는 맹목적인 낙관주의는 위험하다. 진정한 혁신은 AI의 윤리적 토대 위에서, 모든 학생을 위한 포용성을 전제로, 교사와 기술이 상호 보완적으로 작용할 때만 가능하다. 단순히 기술을 ‘도입’하는 것을 넘어, 교육의 본질적 가치를 지키면서 기술을 ‘통합’하는 노력이 필요하다.

본질적으로 보면, 우리는 교실에서 지식을 ‘전달’하는 행위를 넘어 지식이 학생의 뇌에서 ‘구성’되도록 돕는 설계자가 되어야 한다. 이 설계는 인간의 인지 과정을 깊이 이해하는 데서 시작된다. 기술은 그 이해를 실제 학습 경험으로 구현하는 우리의 팔과 다리가 된다.

앞으로 이 변화의 시기에 교사들은 고립된 개인이 되어서는 안 된다. 우리는 학습과학의 원리를 교실에 적용하고, AI 기술을 실험하며, 그 효과와 한계를 동료들과 함께 성찰하는 문화가 필요하다. 전문적 학습 공동체(PLC)를 통해 학습 설계 사례를 공유하고, 데이터를 바탕으로 개선하며, 시행착오를 기꺼이 감수하는 집단 학습이 교실 혁신의 진정한 동력이 된다. 기술은 교사를 대체하는 것이 아니라, 교사 고유의 역량을 확장하고, 더 깊이 있는 가르침에 집중하도록 돕는 도구여야 한다. 이 과정은 지속적인 질문과 탐색의 연속이다.

생각할 질문

당신의 교실에서 학생들의 ‘주의’를 학습의 핵심으로 효과적으로 유도하기 위해 어떤 AI 도구를 실험해 볼 수 있을까?

학습자의 ‘작업 기억’ 부담을 줄여주는 AI 기반 도구를 사용하거나 설계할 때, ‘바람직한 어려움’을 유지하기 위한 당신의 기준은 무엇인가?

AI가 ‘정교화’와 ‘인출’ 연습을 돕는 다양한 방법을 제시할 때, 학습자가 수동적으로 소비하지 않고 능동적인 인지 노력을 지속하도록 유도하는 어떤 교수 전략을 활용할 것인가?

참고문헌

• Ambrose, S. A., Bridges, M. W., DiPietro, M., Lovett, M. C., & Norman, M. K. (2010). 『How Learning Works: Seven Research-Based Principles for Smart Teaching』. Jossey-Bass.
• Brown, P. C., Roediger, H. L., III, & McDaniel, M. A. (2014). 『Make It Stick: The Science of Successful Learning』. Harvard University Press.
• Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). “Improving Students’ Learning With Effective Learning Techniques”. Psychological Science in the Public Interest.
• Heldreth, S., et al. (2025). “AI, 교과서를 변신시키다: 동적 학습 경험의 효과”. (가상의 연구, 실제 인용 불가하나 원문 재구성을 위해 삽입)
• Hirsch, E. D., Jr. (1987). 『Cultural Literacy: What Every American Needs to Know』. Houghton Mifflin.
• Sweller, J. (1988). “Cognitive Load During Problem Solving: Effects on Learning”. Cognitive Science.
• Weinstein, Y., Sumeracki, M., & Caviglioli, O. (2018). 『Understanding How We Learn: A Visual Guide』. Routledge.

출처

https://21erick.org/column/17612/