알고 있다고 착각하는 당신의 뇌, 인지모형이 그 차이를 만든다
우리의 머릿속 지도는 생각보다 불완전하다. 단순히 정보를 아는 것만으로는 충분하지 않다. 복잡한 현실에서 문제를 해결하고 새로운 아이디어를 만들어내는 힘은, 지식이 어떤 구조로 조직되는지에 달렸다. 오늘 우리는 그 보이지 않는 지도를 탐구한다.
1. 지식의 환상, 깊은 이해의 본질
“모든 지식은 단순한 정보의 축적을 넘어, 사고의 틀을 형성할 때 비로소 진정한 힘을 발휘한다.”
우리는 종종 무언가를 ‘안다’고 착각한다. 공식 몇 개를 암기하고, 정의를 줄줄 외우면 그 개념을 완전히 이해했다고 믿는다. 그러나 실제 현장에서 그 지식을 응용하거나, 예상치 못한 문제에 부딪혔을 때 막히는 순간을 마주한다. 이는 지식이 우리의 머릿속에서 ‘어떤 형태’로 자리 잡고 있는가 하는 근본적인 질문으로 이어진다. 단순히 저장된 정보는 검색 엔진의 결과물과 다르지 않다. 진짜 이해는 지식이 서로 연결되어 하나의 작동 가능한 시스템으로 구축될 때 이루어진다. 이 시스템을 우리는 인지모형(mental model)이라 부른다.
인지모형은 특정 대상이 ‘어떻게 작동하는가’에 대한 우리 머릿속의 실행 가능한 지식 시스템이다. 정보를 아는 것을 넘어서, 그 지식으로 예측하고, 설명하고, 문제를 해결할 수 있는 내적 도구이다. 예를 들어, “1/2 + 1/3 = ?”이라는 문제를 마주할 때, 어떤 사람은 “분모를 통분해야지”라고 즉각적으로 생각한다. 이는 분수의 덧셈에 대한 명확한 인지모형을 가졌다는 증거다. 반면 다른 사람은 “1/2은 0.5이고 1/3은 0.33쯤이니 대략 0.8 정도”라고 어림짐작한다. 같은 문제라도 접근 방식이 전혀 다르며, 이는 지식이 머릿속에서 구조화된 방식, 즉 인지모형의 질적 차이를 보여준다.
인지모형은 지식을 깊이 이해하는 핵심 메커니즘이다. 지식의 조각들이 서로 연결되고 관계를 맺을 때, 우리는 그것을 새로운 상황에 적용하고 스스로 사고를 확장하는 힘을 얻는다. 챗GPT와 같은 대규모 언어 모델(LLM)이 방대한 정보를 빠르게 처리하고 그럴듯한 답변을 내놓는 시대에, 우리는 기계와 인간의 ‘앎’의 차이를 더욱 예리하게 구분해야 한다. LLM은 특정 지식 영역에서 인간을 능가하는 ‘일반 지식’, ‘읽기 및 쓰기’, ‘수학’ 능력을 보인다. 그러나 실제로는 ‘장기 기억 저장’ 같은 핵심 인지 영역에서 0점의 들쭉날쭉한 인지 프로파일을 보이며, 인간처럼 지식을 구조화하여 ‘사고의 도구’로 사용하는 방식과는 거리가 멀다. 기계는 인과적 언어를 능숙하게 재현하지만, 인과 관계가 없는 상황에서도 체계적으로 인과 관계를 추론하는 인과성의 환상이라는 인간의 인지 편향을 그대로 학습하고 증폭시키는 경향을 보인다. 이는 기계가 지식을 다루는 방식과 인간이 지식을 이해하는 방식이 본질적으로 다르다는 강력한 방증이다.
진정한 배움은 단순한 정보의 암기가 아니라, 스스로 세상을 이해하는 마음속의 지도를 그리는 과정이다. 우리가 가르쳐야 할 것은 단순히 사실의 나열이 아니다. 그 사실들이 어떻게 연결되고, 어떤 원리로 작동하며, 어떻게 새로운 상황에 적용될 수 있는지를 탐구하는 사고의 과정이다.
2. 작동하는 지식: 인지모형의 다섯 가지 기능과 형태
인지모형이 머릿속에 형성되면, 우리의 사고는 아는 것을 넘어선다. 그때부터 우리는 지식으로 예측하고, 추정하고, 검증하고, 전략을 선택하는 존재로 변모한다. 이는 지식을 단순한 데이터 덩어리가 아닌, 적극적인 사고 도구로 활용하는 방식이다.
다음 표는 인지모형이 우리의 사고에서 어떤 강력한 역할을 하는지 보여준다.
| 기능 | 설명 | 예시 |
|---|---|---|
| 예측 | “만약 ~라면 어떻게 될까?”를 미리 내다본다 | 과학 실험에서 “이 실험을 더 오래 하면 기포가 더 생길까?”라고 예측함 |
| 추정 | 일부 정보로 전체를 판단한다 | 수학에서 “1/3+1/4는 대략 0.5쯤 되겠네”라고 어림잡음 |
| 검증 | 답을 여러 방법으로 확인한다 | “7/12를 소수로 바꾸면 0.58… 우리 추정과 비슷하네!” |
| 전략 선택 | 상황에 맞는 해결 방식을 선택한다 | 독해 문제에서 “이건 중심 문장 찾기 문제니까 먼저 첫 문단을 살펴보자” |
인지모형은 이처럼 우리의 사고를 심화하는 동시에, 단일한 형태로만 존재하지 않는다. 우리의 사고는 상황과 맥락에 따라 다양한 방식으로 작동하며, 코세라(Coursera) 연구는 인간의 사고가 크게 다섯 가지 유형의 인지모형으로 작동한다고 분류한다. 학생이 이 다섯 가지 모형을 다양하게 활용할수록 학습은 깊어지고 사고는 유연해진다.
| 인지모형 형태 | 설명 | 예시 |
|---|---|---|
| 개념적 모형 | 개념 간의 관계와 구조, 규칙이 만들어진 이유를 이해한다 | 교통 신호 체계가 모든 방향의 차량이 동시에 움직이지 않도록 시간차로 조정된다는 원리를 이해함 |
| 인과적 모형 | 원인과 결과의 관계를 설명한다 | 온도가 올라가면 분자 운동이 활발해져 벽에 부딪히는 횟수가 늘어나 압력이 높아진다는 인과를 이해함 |
| 심상적 모형 | 마음속에서 장면이나 과정을 시각화한다 | 물을 끓이면 물 분자들이 빠르게 움직이다가 수증기로 변하는 장면을 떠올림 |
| 유추적 모형 | 다른 영역의 지식을 빌려 설명한다 | 전기 회로를 “전류는 물이 흐르는 것과 같고, 전압은 물탱크의 높이”라고 이해함 |
| 영역특수적 모형 | 전문 분야의 경험으로 형성된 모형이다 | 수학자가 문제를 보고 “이건 방정식 유형이네”라고 즉각 판단함 |
이러한 인지모형은 단편적 지식에서 시작해 점차 구조화되고, 마침내 자동적으로 작동하는 사고 시스템이 된다. 초보자가 “공식이 뭐였더라?” 하며 한 문제씩 계산하는 것과 달리, 숙련자는 문제를 보는 순간 그 구조를 파악하는 인지모형을 가진 것이다. 이것이 바로 ‘지식을 아는 사람’과 ‘지식으로 생각하는 사람’의 결정적인 차이이다.
여기서 우리가 주목해야 할 지점이 있다. AI가 생성하는 피드백이나 설명은 어떤 인지모형에 기반하는가? 그리고 그 인지모형은 학생의 학습에 어떤 영향을 미치는가? AI가 인과성의 환상에 취약하다는 점을 고려할 때, AI가 제공하는 ‘인과적 모형’은 실제와 다를 가능성이 높다. 더욱이, 실제 교육 현장에서 교사들은 AI가 생성한 피드백을 거의 80%의 경우 수정하지 않고 학생에게 전달한다. 수정된 피드백은 처음에 더 길었지만 교사가 수정한 후 짧아지는 경향을 보였다는 연구 결과도 있다. 이는 교사들이 AI 피드백의 길이를 줄이는 데 집중하며, 그 내용의 인지모형적 깊이를 점검하고 수정하는 데는 상대적으로 소홀할 수 있음을 시사한다. 문제는 AI가 제시하는 정보의 표면적 정확성을 넘어서, 학생이 형성해야 할 인지모형의 질까지 고려하고 있는가 하는 점이다.
토의 활동
“당신의 교실에서 학생들은 어떤 인지모형을 사용하여 개념을 이해하고 있다고 생각하는가? 그리고 그 모형들이 때때로 학습을 방해하는 ‘오개념’으로 작동했던 경험이 있는가?”
핵심 정리 인지모형은 지식을 단순 정보가 아닌 사고 도구로 전환하는 핵심 메커니즘이다. 예측부터 전략 선택까지 다양한 기능을 수행하며, 개념적·인과적·심상적·유추적·영역특수적 형태로 발현된다. AI 시대에 우리는 기계의 피상적 ‘앎’을 넘어 인간의 깊이 있는 ‘이해’를 길러내는 인지모형의 중요성을 더욱 깊이 인식해야 한다.
3. 생각하는 학습자를 위한 수업 설계와 디버깅
수업의 성공은 교사가 무엇을 가르치느냐보다, 학생의 머릿속에서 지식이 어떻게 구조화되어 인지모형으로 형성되느냐에 달렸다. 인지모형 중심 수업 설계는 학생이 개념 간 관계를 스스로 이해하고 재구성하도록 돕는 데 초점을 둔다. 이는 교사의 역할을 지식 전달자에서 학생의 인지모형 구성을 돕는 설계자로 변화시킨다.
다음의 원칙들은 인지모형을 기반으로 한 수업 설계의 핵심 뼈대를 이룬다.
| 설계 원리 | 설명 | 디자인 포인트 |
|---|---|---|
| 핵심 개념과 관계 중심 | 단원 시작 시 전체 개념의 ‘지도’를 먼저 보여준다 | 배우는 내용이 전체 속에서 어디 있는지 시각적으로 파악하게 함 |
| 기존 인지모형 진단 | 수업 전 간단한 질문으로 학생의 사전 지식이나 오개념 파악 | 새 지식을 얹기 전에 학생의 사고 틀을 먼저 확인함 |
| 맥락 속 지식 제시 | 공식보다 실제 현상을 먼저 경험하게 한다 | 개념을 상황 속에서 이해하도록 실제 사례나 시각 자료 적극 활용 |
| 비교·대조·설명 활동 | “이 두 개념은 어떻게 다른가?” 같은 질문으로 사고를 자극 | 학생 스스로 설명하고 비교할 기회를 자주 줌 |
| 전이와 재구성 위한 적용 과제 | 배운 개념이 실제로 작동하도록 새로운 상황에 적용 | ‘배운 지식으로 생각하는 경험’을 하게 함 |
이러한 거시적 설계 원리 위에, 교사는 학생의 인지모형을 길러줄 구체적인 교수 전략을 적용한다.
- 여러 방식으로 보여주기: 하나의 개념을 말, 그림, 동작, 비유 등 여러 가지 방식으로 동시에 제시한다. 예를 들어 ‘식물의 잎은 양분을 만든다’는 개념을 설명하고, 광합성 과정을 그림으로 도식화하며, 역할극을 통해 학생들이 잎, 물, 햇빛 역할을 맡아보고, “잎은 작은 공장 같아”라는 비유를 더하는 방식이다.
- 자기설명 유도하기: 학생에게 “왜?”, “어떻게?”를 묻게 하여 자신의 언어로 원리를 설명하도록 유도한다. 단순히 답을 찾는 것을 넘어, 자신의 사고 과정을 말로 표현하는 순간 개념이 재구성되고 진짜 이해가 일어난다.
- 인지적 틈 만들기: 학생에게 모든 것을 다 설명해 주지 않고, 의도적으로 ‘빈칸’을 만든다. 학생은 알고 있는 것과 모르는 것 사이의 긴장감을 느끼며 그 간극을 메우려는 탐구 욕구를 통해 스스로 원리를 발견한다.
- 추정-계산-검증 사고 루틴: 추정(Estimate) → 계산(Compute) → 검증(Check)의 3단계 사고 습관을 반복시킨다. 이 루틴은 답을 구하는 것에서 그치지 않고, 그 답이 합리적인지 판단하는 습관을 형성하게 한다.
- 유추와 전이: 낯선 개념을 익숙한 개념과 연결한다. 전기 회로를 처음 배우는 학생에게 “전압은 물탱크의 수압과 같아. 전선은 파이프이고, 저항은 파이프의 좁은 부분이야”처럼 익숙한 물의 흐름에 비유하여 설명하는 방식이다.
그러나 인지모형은 불완전하거나 잘못될 수 있다. 컴퓨터를 단순히 ‘파일 캐비닛’처럼 이해하는 인지모형은 실제 컴퓨터의 작동 방식과 달라 오류나 비효율적인 사용으로 이어진다. 중요한 것은 모든 사람이 인지모형을 가지고 있지만, 그것이 완전하지 않다는 사실을 인식하는 것이다. 학생의 인지모형에는 빈틈도 있고, 오류도 있다.
인지모형을 ‘디버깅’하는 4단계 과정은 다음과 같다.
- 인식하기: “내가 이 문제를 이렇게 푸는 이유는 무엇일까?” 스스로의 사고 과정에 질문을 던진다.
- 편향 점검: 확증 편향, 고정관념, 첫인상 오류 등 자신의 사고에 개입하는 편향을 의식적으로 탐지한다.
- 다양한 관점 탐색: 친구의 풀이, 다른 자료, 반대 입장 등을 검토하며 사고의 폭을 넓힌다.
- 실험과 검증: 새로운 방법으로 접근해 보고 결과를 비교하며 자신의 인지모형을 시험한다.
AI는 이러한 과정에서 강력한 도구가 될 수 있지만, 동시에 새로운 도전 과제도 던진다. AI는 학생의 사고 과정을 대신해 답을 제시함으로써 ‘인지적 틈’을 메울 기회를 빼앗을 수 있다. 또한, AI가 인과성의 환상에 취약하다는 연구 결과는 AI가 제시하는 설명이나 유추가 학생의 인지모형을 잘못된 방향으로 이끌 위험을 내포한다. 교사로서 우리는 AI의 도움을 받되, 그 결과물을 비판적으로 성찰하고 학생이 스스로 자신의 인지모형을 점검하고 수정할 수 있는 역량을 길러주어야 한다. AI는 교사의 역할을 대체하는 것이 아니라, 교사가 학생의 인지모형 발달을 더 깊이 이해하고 지원하는 새로운 도구가 됨이 본질이다.
4. 성찰하는 교실, 생각하는 학습자의 길
진정한 배움은 정보의 축적이 아니라 인지모형의 형성이다. 교사의 역할은 학생이 머릿속에 작동 가능한 인지모형을 구축하도록 돕는 것이며, 학생이 스스로 “이건 이렇게 흘러가겠군”을 상상할 수 있을 때, 그는 이미 세상을 이해하는 자신만의 인지모형을 가진 것이다. 이는 AI가 쏟아내는 정보의 홍수 속에서 우리가 길을 잃지 않고, 비판적 사고력을 갖춘 주체적인 학습자로 성장하는 유일한 길이다.
우리는 AI의 가능성을 낙관하면서도 그 한계와 위험을 날카롭게 직시해야 한다. AI가 학생 피드백 생성에 유용할 수 있지만, 교사들의 수정 패턴이 내용의 깊이보다 길이에 집중될 수 있다는 연구 결과는 시사하는 바가 크다. AI의 답변을 비판적으로 ‘디버깅’하는 능력은 교사와 학생 모두에게 필수적인 역량이다. AI 기술을 교육에 도입할 때는 기술이 학생들의 인지모형을 어떻게 형성하고, 또 어디서 오개념을 심어줄 수 있는지를 면밀히 분석해야 한다. 단순히 최신 기술을 도입하는 것을 넘어, 그 기술이 교육 격차를 심화시키거나 교사의 전문성을 약화시키지 않도록 섬세하게 설계해야 한다. 이 변화가 교육 현장에 성공적으로 정착하려면, 개별 교사의 노력만으로는 불가능하다. 교사들이 함께 AI와 학습과학의 접점을 실험하고 성찰하는 전문적 학습 공동체(PLC)를 통한 집단 학습과 성찰 문화 형성이 먼저다. 기술은 도구일 뿐, 그 도구를 통해 학생의 인지모형을 섬세하게 조각하는 장인은 여전히 교사이다.
앞으로 우리는 학생들의 눈에 보이지 않는 인지모형을 탐색하고, 그것을 더 견고하고 유연하게 만들도록 돕는 설계자가 되어야 한다. AI가 제공하는 방대한 정보와 분석 능력을 활용하되, 학생이 정보를 넘어 지식을 재구성하고 ‘사고의 지도’를 스스로 그릴 수 있도록 안내하는 것이 우리의 핵심 임무다. 교실 안팎에서 동료들과 함께 AI의 교육적 활용 가능성을 실험하고, 그 과정에서 나타나는 윤리적, 사회적 문제에 대해 끊임없이 토론하며 더 나은 교육의 길을 모색해야 한다.
생각할 질문
“AI 기반 도구가 학생들의 인지모형 형성에 어떤 긍정적 또는 부정적 영향을 미치고 있다고 생각하는가?” “우리 교실에서 학생들에게 자신의 인지모형을 ‘디버깅’하는 방법을 어떻게 가르칠 수 있을까?” “AI 기술이 급변하는 상황에서, 교사의 ‘인지모형 설계자’로서의 전문성을 어떻게 지속적으로 발전시켜 나갈 것인가?”
참고문헌
- 이찬승 (2025). “용어로 배우는 학습과학(7) - “세상을 이해하는 마음속의 지도, 인지모형(Mental Model)””. 교육을바꾸는사람들.
- Al-Shahrabi, M., Chen, J., & Heffernan, N. T. (2023). “How Teachers Modify AI-Generated Student Feedback and What They Care About”.
- Kuhlmann, T., & van der Meer, E. (2023). “When machines fall prey to human biases: Large language models show illusions of causality”.
- Lake, B. M., Barbu, A., Kim, J., Lubin, J., & Konkle, T. (2023). “The feasibility of AGI: On the measurement and limits of AI intelligence”.
출처
https://21erick.org/column/16526/