576 ／ 582
AI 리터러시 7각형 모델, 고등교육에 어떻게 적용하는가?
1. 연구의 목적
(1) AI 기술이 사회 전반에 급속히 통합됨에 따라 AI 리터러시(Artificial Intelligence Literacy, AIL) 역량 함양이 필수적임. 고등 교육은 미래 세대를 AI 기반 사회로 준비시키는 중요한 역할을 하나, AIL의 개념적 모호함과 통일된 프레임워크 부재로 인해 실제 커리큘럼에 체계적으로 통합되지 못하는 문제가 있음. 독일 내 대학생 대상 조사 결과, 단 31.6%만이 AIL 교육을 명시적으로 경험했다는 점에서 그 심각성을 알 수 있음.
(2) 이 연구는 AI 리터러시의 포괄적인 작업 정의를 확립하고, 이를 바탕으로 고등 교육 현장에서 AI 리터러시 교육과정 개발 및 분석을 지원할 실용적인 7차원 프레임워크, 즉 AI 리터러시 7각형 모델을 제안함을 핵심 목표로 함.
2. 연구의 방법
(1) 연구는 통합적 문헌 검토 방법론을 따름. 2021년부터 2024년까지의 동료 검토된 영어 및 독일어 학술 문헌(기초 연구 포함)을 대상으로 체계적으로 검색하고 질적으로 분석하여 AIL 개념을 정의하고 기존 리터러시와 구별함. 이는 PRISMA 프레임워크의 주요 원칙을 준수하여 투명성과 재현성을 확보함.
(2) 제안된 프레임워크의 실용적 적용 가능성을 평가하기 위해, 전문가 주도 커리큘럼 매핑 방식을 활용함. AI 공학 학사 프로그램과 미디어 교육학 커리큘럼 두 가지를 분석 대상으로 선정함. 각 분야의 전문가들이 해당 커리큘럼 내용을 7각형 모델의 각 차원에 매핑하고, 블룸 분류학에 기반한 4단계 숙련도 수준을 할당함으로써 프레임워크의 유용성을 평가함.
3. 주요 발견
이 연구는 AI 리터러시의 통합적 정의와 이를 고등 교육 현장에 적용할 수 있는 AI 리터러시 7각형 모델을 제안함. 이 모델은 AI 시대에 필요한 역량을 포괄적으로 담아내면서도, 각 학문 분야의 특성을 고려한 유연한 적용이 가능하도록 설계함.
(1) AI 리터러시의 핵심 정의: 포괄적 접근의 필요성
기존 AIL 정의는 비판적 평가와 책임감 있는 활용을 강조하나, 통합 기술 및 법률/규제 지식과 같은 필수적인 새로운 차원을 명확히 다루지 못하는 한계가 있었음. 연구는 이러한 간극을 메우기 위해 다음과 같은 작업 정의를 제안함.
AI 리터러시 작업 정의: 고등교육의 AI 리터러시는 AI 기술을 비판적으로 다루고, 사회적 및 윤리적 함의를 이해하며, 책임감 있게 적용하는 역량을 의미함. 이는 기술, 적용, 비판적 사고, 윤리, 사회, 통합, 법률 차원에 걸친 지식, 기술, 태도를 통합하며, 학문 분야에 따라 강조점이 달라짐.
이 정의의 핵심 기여는 기존 개념에 ‘통합 기술’과 ‘법률 및 규제 지식’ 차원을 명시적으로 포함하여, 빠르게 변화하는 AI 환경의 복잡성을 포착함에 있음.
(2) AI 리터러시 7각형 모델의 7가지 핵심 차원
AI 리터러시 7각형 모델은 다음 7가지 차원으로 구성됨. 각 차원은 AI 리터러시를 구성하는 필수적인 역량 요소를 대표하며, 이들은 독립적이면서도 상호 연결되어 전체적인 AI 이해를 증진시킴.
- 기술 지식 및 기술 (Technical Knowledge and Skills, TKS): AI의 기본 원리, 알고리즘, 데이터 처리 및 계산 메커니즘을 이해하는 역량임. 프로그래밍 기술이 필수는 아니나, 추상화 및 알고리즘적 사고와 같은 기본적인 계산 개념의 이해가 AI의 능력, 한계, 윤리적 함의를 평가하는 데 필수적임.
- 적용 숙련도 (Application Proficiency, AP): 다양한 맥락에서 AI 기술을 효과적으로 활용하여 실제 문제를 해결하고 워크플로우를 개선하는 역량임. AI 도구의 강점과 한계를 이해하며, 특히 언어 모델을 위한 효과적인 프롬프트 개발 기술(프롬프트 엔지니어링)을 포함함.
- 비판적 사고 능력 (Critical Thinking Ability, CTA): AI 시스템, 그 능력, 한계, 특정 사용 사례에 대한 함의를 분석하고 비판적으로 평가하는 역량임. AI에 대한 배경 지식뿐만 아니라, 열린 마음, 호기심, 유연성, 증거를 추구하려는 의지와 같은 지적 성향이 AI 결과물을 맹목적으로 수용하지 않고 비판적으로 판단하게 함.
- 통합 기술 (Integration Skills, IS): AI 기술을 다양한 디지털 환경과 워크플로우에 효과적으로 통합하고 적응시키는 역량임. AI 도구를 기존 시스템에 통합할 적절한 지점을 식별하고, AI 협업을 최적화하기 위해 워크플로우를 수정하며, 기술 발전에 빠르게 적응하는 능력을 포함함.
- 법률 및 규제 지식 (Legal and Regulatory Knowledge, LRK): AI 관련 법률 및 규제 환경에 대한 이해임. 이는 EU AI Act와 같은 새로운 AI 특정 법률과 GDPR, 저작권, 경쟁법과 같은 기존의 기술 중립적 법률 프레임워크 간의 상호작용을 모두 포함함. 고등 교육에서 이 차원이 종종 간과되었음은 분명함.
- 윤리적 인식 및 추론 (Ethical Awareness and Reasoning, EAR): AI 기술의 윤리적 함의를 개인, 사회, 환경적 수준에서 식별하고 평가하며 대응하는 역량임. 안전, 프라이버시, 데이터 보호, 공정성, 책임, 투명성, 환경적 영향 등을 포함함.
- 사회적 영향 이해 (Social Impact Understanding, SIU): AI 기술이 사회 구조 및 인간 상호작용에 미치는 다각적인 영향을 이해하고 비판적으로 평가하는 역량임. AI 구현이 경제, 직장, 더 넓은 사회적 맥락에서 가져오는 이점과 해로운 영향을 모두 인식함을 의미함.
(3) AI 리터러시와 관련 리터러시 개념 간의 구분
AI 리터러시는 독립적으로 존재하기보다 데이터 리터러시, 컴퓨팅 리터러시, 미디어 리터러시와 같은 다른 리터러시와 상호 연결됨. 이들은 계층적이거나 중첩되는 요소를 지님.
아래 표는 각 리터러시 개념 간의 차이점을 명확히 보여줌. AI 리터러시는 특히 AI 시스템과의 상호작용 및 윤리적 추론에 중점을 둠으로써 다른 리터러시와 차별화됨.
| 측면 | AI 리터러시 | 미디어 리터러시 | 데이터 리터러시 | 컴퓨팅 리터러시 |
|---|---|---|---|---|
| 정의 | AI 기술 비판적 활용, 사회/윤리/법률적 함의 이해, 책임감 있는 적용 | 모든 형태의 커뮤니케이션을 활용하여 접근, 분석, 평가, 생성, 행동 | 데이터를 다루고 해석하며 의사결정을 내림 | 프로그래밍 논리 및 알고리즘적 사고 이해 |
| 초점 | AI 기술: 상호작용 및 이해 | 사회 내 콘텐츠 및 커뮤니케이션 | 원본 데이터 및 해석 | 프로그래밍 및 개발 |
| 지향 | 시스템 지향: AI 작동 방식 및 의사결정 방식 | 콘텐츠 지향: 미디어의 의미와 영향 | 정보 지향: 데이터의 가치와 의미 | 개발 지향: 계산 솔루션 생성 |
| 특징 | 비판적 평가, 책임감 있는 활용, 윤리/사회/법률적 영향 인식 | 문화적 및 창의적 차원 포함 (장르, 상징, 스토리텔링) | AI와 무관하게 통계적 방법에 중점 | 코드 구조에 대한 깊은 이해 요구 |
(4) 블룸 분류학 기반의 AI 리터러시 숙련도 수준
이 프레임워크는 블룸 분류학에 기반한 4가지 숙련도 수준을 제시하여, 교육 이해 관계자들에게 명확한 발달 경로를 제공함.
| 차원 | Unaware (인식 부재) | Beginner (기억, 이해) | Intermediate (적용, 분석) | Expert (평가, 생성) |
|---|---|---|---|---|
| 기술 지식 및 기술 | AI 시스템에 대한 인식 전무 | AI 시스템의 기본 원리, 기능, 메커니즘 식별 및 설명 | 실용적 시나리오에서 AI 알고리즘 및 데이터 처리 기술 적용 및 분석 | 고급 AI 솔루션 및 계산 프로세스 평가, 개발, 최적화 |
| 적용 숙련도 | AI 도구 사용 불가 | 기본적인 AI 애플리케이션 인식 및 설명 | 실제 문제를 효과적으로 해결하기 위해 AI 기술 구현 및 적용 | 새로운 AI 애플리케이션 비판적으로 평가 및 전략적으로 설계 |
| 비판적 사고 능력 | AI 함의 또는 한계 인식 부재 | AI 시스템의 기본 능력 및 한계 인식 및 설명 | 특정 맥락에서 AI의 적합성 분석 및 비판적으로 평가 | AI 시스템을 철저히 평가하고 새로운 문제에 대한 고급 솔루션 제안 |
| 통합 기술 | 개인 또는 직업 디지털 환경에 AI 기술 통합 능력 없음 | 다양한 맥락에서 AI 솔루션 통합의 기본 기회 인식 및 설명 | 다양한 애플리케이션 맥락에 AI 솔루션 유연하게 적용 및 통합 전략 분석 | 복잡한 통합 시나리오 평가, 새로운 AI 통합 설계, 적응 전략 개발 |
| 법률 및 규제 지식 | AI 관련 법적 프레임워크 인식 부재 | AI 관련 기본 법률 및 규제 프레임워크 기억 및 이해 | 특정 AI 시나리오에서 규제적 함의 적용 및 분석 | 법률적 위험을 포괄적으로 평가하고 진화하는 AI 규제에 부합하는 가이드라인 설계 |
| 윤리적 인식 및 추론 | AI 관련 윤리적 함의 인식 부재 | AI 관련 윤리적 원칙 인식 및 설명 | 특정 AI 시나리오에서 윤리적 원칙 적용 및 윤리적 함의 분석 | 복잡한 윤리적 과제 평가, 윤리적 AI 개발 및 사용을 위한 표준 정립 |
| 사회적 영향 이해 | AI 기술의 사회적 영향 인식 부재 | AI가 인간 상호작용 및 작업 환경에 미치는 기본적인 사회적 영향 인식 및 설명 | AI 기술이 사회와 사회 구조에 미치는 영향 평가 및 분석 | 복잡한 사회적 영향 평가, 미래 결과 예측, 책임감 있는 AI 통합 전략 개발 |
(5) 커리큘럼 매핑을 통한 프레임워크의 유용성 입증
이 프레임워크는 AI 공학 학사 프로그램과 미디어 교육학 커리큘럼에 적용되어 그 유용성을 보여줌. AI 공학 프로그램은 기술 지식, 적용 숙련도, 비판적 사고, 통합 기술에서 ‘중급’ 수준의 역량을 강조하는 반면, 법률/규제 지식, 윤리적 인식, 사회적 영향 이해에서는 ‘초급’ 수준을 목표로 함. 미디어 교육학 커리큘럼은 사회적 영향 이해, 비판적 사고, 윤리적 인식에서 ‘중급’ 또는 ‘초급-중급’ 수준을 보이나, 기술 지식, 적용 숙련도, 통합 기술, 법률/규제 지식에서는 ‘초급’ 또는 ‘인식 부재-초급’ 수준을 나타냄. 이는 AIL이 학문 분야에 따라 강조하는 차원이 다르며, 프레임워크가 이러한 특수성을 반영하여 커리큘럼 설계에 도움을 줄 수 있음을 보여줌.
4. 결론 및 시사점
(1) 이 연구는 AI 리터러시 7각형 모델이라는 포괄적이고 적응 가능한 프레임워크를 개발하여, 고등 교육 기관이 AI 역량을 커리큘럼에 체계적으로 통합하도록 지원함을 핵심 결론으로 내세움.
(2) 이 프레임워크는 AI 리터러시를 포괄적이면서도 관리 가능한 형태로 개념화함. 특히, 법률 및 규제 지식(LRK)과 통합 기술(IS)과 같이 기존 연구에서 과소 대표되었던 차원들을 명시적으로 포함함으로써, 급변하는 AI 환경의 복잡성을 교육 현장이 효과적으로 반영하도록 함. 이는 단순히 AI 사용법에 그치지 않고, AI의 사회적, 법률적 맥락을 이해하는 것이 곧 AI 시대의 필수 역량임을 명확히 단언함.
(3) 블룸 분류학 기반의 4단계 숙련도 모델은 교육 이해 관계자들에게 명확한 개발 경로를 제공함. 모든 고등 교육 학생이 전공과 무관하게 7가지 차원에서 최소한 ‘초급’ 수준의 AI 리터러시를 갖추어야 함을 강조함으로써, 보편적 AI 리터러시 교육의 필요성을 현장에 설득력 있게 제시함. 특정 학문 분야는 이에 더해 ‘중급’ 또는 ‘전문가’ 수준의 역량 개발에 집중해, 유연한 커리큘럼 설계를 가능하게 함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 법률 및 규제 지식(LRK) 차원을 AI 리터러시의 핵심 구성 요소로 명시하고 그 중요성을 상세히 설명한 점에 있음. 기존 AI 리터러시 논의가 기술, 윤리, 사회적 영향에 주로 초점을 맞추었음을 고려할 때, AI Act와 같은 구체적인 규제 프레임워크를 예시로 들며 법적 맥락의 중요성을 강조한 것은 대단히 시의적절하고 현실적임. 이는 AI가 단순한 기술 혁신에 그치지 않고 사회 제도와 개인의 삶에 심대한 영향을 미치며, 법률적 경계 안에서 작동해야 함을 교육 현장이 분명히 인식하고 교육하도록 강제하는 효과를 가짐. 급변하는 규제 환경 속에서 학생들이 ‘움직이는 표적’에 대비하도록 돕는 현실적 접근 방식이라는 점에서 이 프레임워크의 실질적 가치는 매우 높음.
(2) 논문이 명시하지 않은 더 넓은 의미는 AI 리터러시 교육이 궁극적으로 ‘인간 주체성의 재정의’라는 교육 철학적 질문으로 이어진다는 점임. AI가 지식 생성, 문제 해결, 의사 결정의 많은 부분을 수행하게 됨에 따라, 고등 교육의 역할은 단순히 정보와 기술을 전달하는 데 그치지 않고, AI 시대에 ‘인간이 무엇을 배우고 어떻게 사고해야 하는가’라는 근본적인 질문에 답해야 하는 과제를 안음. 이 7각형 모델은 비판적 사고, 윤리적 추론, 사회적 영향 이해로 AI에 휘둘리지 않고 주체적으로 AI를 활용하며, 심지어 그 방향성을 규율하는 ‘인간다운 지성’을 함양하는 교육적 토대를 제공함. 이는 고등 교육이 단순히 기술 혁신에 적응하는 데 그치지 않고, 인류의 가치와 미래를 주도적으로 형성하는 기관으로서의 정체성을 재확립하는 계기가 될 수 있음.
(3) 이 연구를 발전시킬 구체적 아이디어로, 7각형 모델의 ‘통합 기술(IS)’ 차원을 위한 구체적인 교수-학습 시나리오 및 평가 도구 개발을 제안함. 논문은 이론적 지식과 실제 적용 간의 격차를 지적하나, 이를 해소할 방법론에 대한 구체적인 제시는 부족함. 예를 들어, 실제 산업 또는 학술 연구 프로젝트에 AI 도구를 통합하는 ‘AI 협업 프로젝트 기반 학습(AI-PBL)’ 모델을 설계할 수 있음. 학생들은 특정 도메인 문제를 해결하기 위해 챗GPT, 이미지 생성 AI, 데이터 분석 도구 등을 결합하여 사용하고, 이 과정에서 워크플로우를 재설계하며, 인간과 AI 간의 최적의 협업 방식을 탐색하게 됨. 평가 시에는 단순한 AI 활용 능력만이 아니라, AI 통합의 효율성, 윤리적 고려 사항 반영 여부, 그리고 최종 산출물의 혁신성을 종합적으로 판단하는 루브릭을 개발하여 실제적인 ‘통합 기술’ 역량을 측정할 수 있음.
6. 추가 탐구 질문
(1) AI 리터러시 7각형 모델이 제시하는 Beginner 수준의 AIL이 모든 전공의 고등 교육 학생에게 현실적으로 도달 가능한 최소 목표인가? 특히 비기술 전공 학생들에게 기술 지식(TKS), 적용 숙련도(AP), 통합 기술(IS)과 같은 기초 수준 역량은 어느 정도의 학습 부하를 유발하는가?
(2) 이 프레임워크가 고등 교육 커리큘럼에 통합될 때, 기존 학과 및 전공 간의 교육 과정 중복을 어떻게 방지하며, AI 교육을 위한 자원 배분 및 교원 전문성 개발 문제는 어떻게 해결하는가?
(3) AI 기술의 발전 속도를 고려할 때, AI 리터러시 7각형 모델의 각 차원이 ‘움직이는 표적’처럼 지속적으로 업데이트되어야 하는 필요성은 없는가? 이 업데이트 주기를 어떻게 설정하며, 어떤 주체가 담당해야 하는가?
출처
- Hackl, V., Müller, A. E., & Sailer, M. (2026). The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education. Computers and Education: Artificial Intelligence, 10, 100540. https://doi.org/10.1016/j.caeai.2026.100540 (arXiv:2509.18900)