553 ／ 556
교사를 위한 생성형 AI 리터러시, 어떻게 정의하고 가르칠 것인가?
1. 연구의 목적
(1) 최근 챗GPT를 비롯한 생성형 인공지능(GenAI)은 교육 현장에 예측보다 빠르게 도입되는 중임. 그러나 교사들이 이 기술을 교육적으로 활용할 준비는 부족한 상황임. 이 기술 확산 속도는 교육자의 개념적, 교육학적, 윤리적 준비 상태를 넘어서는 ‘생성형 AI 리터러시 지체’ 현상을 만들고 있음. 기존 AI 리터러시 프레임워크는 대규모 언어 모델(LLM)의 확산 이전에 개발되었으며, 윤리를 개별적인 역량으로 취급하거나 형평성과 주체성을 보조적인 설계 원칙으로 간주하는 한계가 있음.
(2) 이 연구는 이러한 간극을 메우고자 ‘책임감 있는 교육을 위한 AI 리터러시(RAIL-Ed)’ 프레임워크를 제안함. 이 프레임워크는 이론적 기반을 갖춘 커리큘럼 설계, 교사 교육, 정책 수립의 기초를 제공함. 윤리, 형평성, 주체성을 AI 리터러시의 본질적인 구성 요소로 다루며, K-12 교사 교육을 위한 통합적이고 발달적이며 변증법적인 접근 방식을 제시함.
2. 연구의 방법
(1) 이 연구는 2023년부터 2025년까지 발표된 67개의 AI 리터러시 관련 연구를 대상으로 체계적 문헌 검토와 질적 프레임워크 분석을 수행함. 기존 문헌을 지식, 기술, 윤리, 형평성, 주체성이라는 다섯 가지 분석 차원으로 분류하고, 이를 비판 교육학(Freire), 실용주의 탐구(Dewey), 사회문화 이론(Vygotsky), 인간 중심 AI 설계(Shneiderman)의 네 가지 이론적 전통에 기반하여 통합함.
(2) 연구의 주요 분석 대상은 K-12 교사 교육 과정에 참여하는 예비 교사 및 현직 교사임. 이는 현재 교육 현장에서 생성형 AI에 대한 준비 부족이 가장 크게 나타나는 집단으로 지목됨. 프레임워크는 이러한 교사들이 새로운 기술적, 교육학적, 윤리적 요구에 대응할 역량을 갖추도록 돕는 데 초점을 맞춤.
3. 주요 발견
이 연구는 기존 AI 리터러시 담론의 개념적 파편화를 해소하고자 통합적이고 정의 중심적인 ‘책임감 있는 교육을 위한 AI 리터러시(RAIL-Ed)’ 프레임워크를 제시함.
(1) RAIL-Ed 프레임워크의 핵심 정의: RAIL-Ed는 교사를 위한 생성형 AI 리터러시를, 생성형 시스템이 결과물을 어떻게 생성하는지 이해하고, 그 결과물을 비판적으로 평가하며, 교육학적/윤리적으로 책임감 있는 방식으로 시스템과 협력하고, 학습에서의 시스템 역할에 대해 원칙 있는 주체성을 행사(필요시 자제력 포함)할 수 있는 통합된 역량으로 정의함. 이 정의는 기존의 단순한 기술 평가 역량을 넘어서 생성형 맥락에서 요구되는 ‘능숙한 조작’과 ‘교수학적 권한 유지’를 포괄함.
RAIL-Ed는 이러한 역량을 여섯 가지 상호 의존적인 기둥(Technical Fluency, Critical Evaluation, Human–AI Collaboration, Contextual Awareness, Ethical Reasoning, Empowered Agency)을 통해 구체화함. 이 기둥들은 단순한 역량 목록이 아니라, 단일한 리터러시 지향의 상호 구성적 차원임.
(2) RAIL-Ed의 세 가지 핵심 구조적 원칙: RAIL-Ed는 여섯 기둥을 넘어선 세 가지 건축학적 원칙으로 기존 모델과 차별성을 보임. 이 원칙들은 프레임워크의 본질적인 작동 방식을 규정함.
- 통합적 원칙 (Integrative): 여섯 기둥 중 어느 하나라도 부재할 경우 특정한 교육학적 실패 모드가 발생함. 예를 들어, 기술적 유창성이 아무리 뛰어나도 비판적 평가가 없다면 그 리터러시는 완성될 수 없음. 이는 프레임워크의 핵심적인 가설로, 각 기둥은 상호 보완적이지 않고 상호 구성적임.
- 발달적 원칙 (Developmental): 각 기둥은 ‘초기(Emerging)’, ‘숙련(Competent)’, ‘심화(Advanced)’의 세 가지 수준으로 발달하는 양상을 보임. 새로운 AI 세대, 학생 집단, 정책 환경에 따라 특정 기둥에서 재조정이 필요할 수 있으며, 이는 건강한 실천의 일부로 간주함.
- 변증법적 원칙 (Dialectical): 생성형 AI의 동일한 특징이 탐구를 심화시키거나 방해할 수 있고, 접근성을 넓히거나 불평등을 고착화할 수 있음. 즉, AI 기술 자체의 가치가 고정된 것이 아니라, 교사가 어떤 리터러시를 갖추고 접근하느냐에 따라 그 결과가 달라진다는 것임. 위험과 잠재력은 동전의 양면이라는 통찰을 제공함.
(3) RAIL-Ed의 여섯 기둥: 여섯 기둥은 위 정의와 세 가지 원칙 아래에서 교사에게 요구되는 핵심 역량을 구체화함. 각 기둥은 특정 이론적 전통에 뿌리를 둠.
- 기술적 유창성 (Technical Fluency): 생성형 시스템의 작동 원리(트랜스포머 모델 훈련, 인간 피드백 기반 강화 학습(RLHF), 환각/편향/확률적 특성)를 이해하고, 이를 목적 있는 프롬프트 구성으로 연결하는 역량임. 비고츠키의 매개된 인지 이론에 기반함. 시스템이 결과물을 어떻게 형성하는지 이해하지 못하는 교사는 시스템에 의해 매개될 뿐이라는 인식을 강조함.
- 비판적 평가 (Critical Evaluation): AI 결과물의 정확성, 편향성, 출처의 신뢰성을 비판적으로 평가하는 능력임. 프레이리의 비판적 의식과 듀이의 성찰적 탐구에 기반하며, 평가를 일회성 정확성 확인이 아닌 AI 매개 지식에 대한 습관적, 대화적 태도로 재정의함. 교사는 AI 주장을 학문적 출처와 삼각 측량하고, 조작된 인용과 편향성을 감지해야 함.
- 인간-AI 협업 (Human–AI Collaboration): 생성형 시스템을 교육 및 학습에서 ‘논쟁적인 공동 참여자’로 대하며, 교수학적 권한을 유지하면서도 협상, 공동 저작, 반복 작업을 수행하는 역량임. 슈나이더만의 인간 중심 AI 원칙(높은 인간 통제와 높은 자동화의 동시 추구)과 비고츠키의 매개 이론에 기반함. 시스템은 작업에 참여하지만 파트너의 사회적 지위를 차지하지 않는 ‘매개적 주체’로 간주함.
- 맥락적 인식 (Contextual Awareness): 생성형 AI를 교수 활동이 이루어지는 제도적, 문화적, 언어적, 정치적 조건 내에 두는 역량임. 동일한 도구가 자원 여건이 다른 환경에서 다른 결과를 낳을 수 있음을 인지함. 프레이리의 지식의 사회정치적 조건에 대한 관심과 사회문화 이론의 인지 상황성에 기반함. 교사는 AI 모델과 데이터 출처의 정치 경제를 비판적으로 검토하고, 학습자의 맥락에 맞게 활동을 조정해야 함.
- 윤리적 추론 (Ethical Reasoning): 편향, 개인 정보 보호, 저작권, 학문적 진실성을 상호 연결된 윤리적 의무로 다루는 역량임. 프레이리의 관점에서 윤리를 교육의 본질적 요소로 간주함. 준수 기반, 규범 의존적, 원칙 있는 도덕적 추론을 구분하며, 교사의 AI 사용 투명성(프롬프트 로그, 모델 버전, 출처 표기)을 책임감 있는 인식론적 청지기직으로 취급함.
- 능동적 주체성 (Empowered Agency): 생성형 AI에 대해 원칙 있는, 스스로 내린 판단을 행사하는 역량임. 언제 채택하고, 언제 자제하며, 언제 거부할지 결정하고, 그 판단을 시민적 목소리 및 AI 시스템의 변혁으로 확장하는 능력을 포함함. 프레이리의 프락시스(성찰과 행동의 결합)와 슈나이더만의 지속적인 인간 통제 강조에 기반함. 원칙 있는 비사용 또한 정교한 리터러시 자세로 간주함.
(4) 실패 모드 지도 (Failure-Mode Map): RAIL-Ed의 ‘통합적 원칙’은 각 기둥의 부재가 가져오는 교육학적 실패 모드를 명확히 함. 이는 개별 역량의 부재가 특정 실패로 이어진다는 연구의 가설을 보여줌.
| 부재하거나 저개발된 역량 | 결과적인 교육학적 실패 모드 |
|---|---|
| 기술적 유창성 | 사용자가 LLM을 검색 엔진과 혼동하고, 능숙한 결과물을 진실의 증거로 받아들여 환각을 예측하지 못하는 ‘LLM-oracle 오류’ 발생 |
| 비판적 평가 | 조작된 인용, 편향된 프레이밍, 미확인 주장 등이 학생 및 교사의 작업에 무비판적으로 포함됨 |
| 인간-AI 협업 | AI가 전면 금지되거나 감독 없는 대체 도구로 사용되어 인지 노동이 대체될 뿐, 학습 발판 제공이 실패함 |
| 맥락적 인식 | 잘 갖춰진 환경에서 가져온 활동이 접근성 및 언어 비대칭을 심화하고, 누구의 지식이 중심이 되는지에 대한 질문이 간과됨 |
| 윤리적 추론 | 윤리적 통합이 단순 감지로 축소되어, 학습자가 감시하에 준수하더라도 어떤 원칙도 내면화하지 않는 ‘준수 연극’ 발생 |
| 능동적 주체성 | AI 채택이 동료 기본값에 의해 이루어지거나 반사적 거부로 끝나고, 변화하는 조건에서 지속 가능한 자율적 입장이 형성되지 못함 |
| 기술적 유창성 + 비판적 평가 (복합) | 능숙한 의존: 결과물이 전혀 검증되지 않은 채로 자신감 있게 프롬프트를 사용하는 상황 |
| 인간-AI 협업 + 비판적 평가 (복합) | 자신감 있는 오류: 조작되거나 편향된 자료에 기반한 매끄러운 통합 작업 |
| 비판적 평가 + 기술적 유창성/프롬프트 리터러시 (복합) | 저하된 검토: 질문 자체가 타협된 결과물을 신중하게 확인하는 행위 |
| 모든 기둥 부재 (재앙적) | AI 리터러시 없는 AI 과포화 학습 — 현 교육 현장의 기본 상태 (Cheah & Kim, 2025) |
(5) 발달적 루브릭 (Developmental Rubric): RAIL-Ed는 각 기둥의 발달 단계를 ‘초기’, ‘숙련’, ‘심화’로 구분하며, 교사들이 자신의 역량을 평가하고 발전시키는 지표를 제공함. 한 기둥에서의 발전이 다른 기둥에서의 정체를 상쇄하지 않음을 강조함.
| 기둥 | 초기 (Emerging) | 숙련 (Competent) | 심화 (Advanced) |
|---|---|---|---|
| 기술적 유창성 | 기본 프롬프트 사용; LLM을 검색 엔진과 혼동; 환각에 대한 제한된 인식. | 목적 있는 프롬프트 설계; 트랜스포머 작동 원리 및 RLHF 설명; 환각을 구조적 문제로 인식. | 재현 가능한 프롬프트 워크플로우 구축; 가이드 탐구로 작동 원리 교육; 프롬프트 라이브러리 공개. |
| 비판적 평가 | AI 결과물을 액면 그대로 수용; 인용 출처 확인 거의 없음; 능숙한 글을 정확하다고 취급. | 학문적 데이터베이스와 삼각 측량; 조작 및 편향을 일상적으로 감지; 평가를 재설계. | 학문적 관점에서 출처 발견-조작 역설을 이론화; 검증 과정에서 학생 멘토링. |
| 인간-AI 협업 | AI를 금지하거나 감독 없는 대체재로 취급; AI와의 계획이 별개로 이루어짐. | AI를 논쟁적인 공동 참여자로 수업 계획; 학습 발판 제거 과제 순서화; 협상 과정을 소리 내어 시범. | 다중 도구 워크플로우 조율; AI 활용 과제를 설계하며 독립적 역량 구축. |
| 맥락적 인식 | 엘리트 기관 맥락의 활동을 조정 없이 도입; 접근성 비대칭 인식 부족. | 학습자의 배경, 언어, 맥락에 맞춰 활동 조정; 차등적 기회 결과 인식. | 프로그램 또는 기관 수준에서 형평성 중심 AI 커리큘럼 설계; 소수자 기관 또는 지역별 조정에 기여. |
| 윤리적 추론 | 학문적 진실성을 감지로 취급; 징벌적 정책에 의존; 준수와 원칙 있는 추론 구별 불가. | 단계별 차등 인용 교육학 사용; 우발적, 실질적, 생성적 사용 구분. | 발달 윤리에 기반한 기관 AI 거버넌스 개발; 첫 번째 오류를 발전 기회로 취급. |
| 능동적 주체성 | 동료 때문에 AI 채택; 자제 또는 거부 시기 명확히 설명 불가; 성찰이 단편적. | 성찰적 실천 유지; 상황에 따른 의사 결정 시범; 원칙 있는 비사용을 정당한 것으로 인식. | 압력 하에서도 원칙 있는(3단계) 추론 유지; AI 거버넌스 참여; 학습자에게 시민 비판 의식 함양. |
4. 결론 및 시사점
(1) 이 연구는 생성형 AI 리터러시를 단순한 역량 습득에서 교육학적 판단의 영역으로 전환함. RAIL-Ed는 책임감 있는 생성형 AI 리터러시를 기관적, 교육학적 프로젝트로 간주함. 즉, 교사 준비 및 훈련 커리큘럼은 검증과 학문적 추론 능력을 함양해야 하고, 교사의 학습은 상황에 맞는 전문적 판단력을 길러야 함. 정책은 형평성과 책임감을 보호해야 하며, 연구는 실제 학습에 대한 증거를 검증해야 한다는 핵심 결론을 제시함.
(2) 교육 현장에 주는 시사점: RAIL-Ed 프레임워크는 교사 양성 및 훈련 설계 방식의 재구성을 시사함. 교사는 단순히 생성형 AI를 활용하는 방법을 배우는 것에 그치지 않아야 함. 정보 출처를 의심하고, 증거를 확인하며, 능숙한 언어 뒤에 숨은 약한 추론이나 편향을 알아차리는 방법을 익혀야 함. 이를 통해 학생들이 스스로 이러한 판단 능력을 함양하도록 지도할 수 있음. 이는 생성형 AI 리터러시를 학문 분야별 탐구에 통합하는 방식으로 구현되어야 함. 예를 들어, 과학 교육에서는 AI 설명이 인과 메커니즘을 단순화하거나 불확실성을 잘못 나타내는 방식을 검토하는 방법을 배우고, 사회 교육에서는 AI 생성 주장과 1차 자료를 비교하여 환각을 감지하는 연습을 함. 이러한 교육학적 접근은 생성형 AI를 생산성 도구를 넘어 비판적 탐구의 대상으로 자리매김하게 함. 또한, 교사들은 AI 사용의 증거를 통해 자신들의 인지 활동을 평가받아야 함. 최종 결과물뿐만 아니라, AI 결과물을 언제 수용하고, 거부하고, 검증하고, 의심했는지에 대한 과정이 학습의 중요한 증거가 됨. 마지막으로, 교육 실천은 AI 사용과 더불어 ‘절제’하는 능력 또한 길러야 함. 언제 사용하지 말아야 할지, 언제 속도를 늦춰야 할지, 언제 인간의 피드백을 구해야 할지 아는 것이 중요함.
(3) AI 설계 및 정책에 주는 시사점: RAIL-Ed는 학교 및 기관 정책이 생성형 AI 사용의 ‘반응적 통제’를 넘어 ‘책임감 있고 진정한 학습을 지원하는 거버넌스’로 나아가야 함을 제안함. 현재 많은 정책이 표절 감지, 공개 규칙, AI 활용 금지에 초점을 맞추는데, 이는 AI를 주로 학문적 진실성에 대한 위협으로 간주하기 때문임. RAIL-Ed에 기반한 정책은 기관 규칙이 교사들의 판단력, 책임감, 주체성 발달을 돕는지 질문해야 함. 정책은 다양한 전문적 상황에서 명확한 지침을 제공해야 함. 예를 들어, AI를 사용하여 수업 아이디어를 브레인스토밍하는 것과 AI가 생성한 수업 계획을 검토 없이 제출하는 것은 다른 차원의 사용임. 따라서 AI 사용이 권장되지 않는 경우, 공개하에 허용되는 경우, 전문성 개발의 일환으로 지원되는 경우, 비판적 평가나 접근성을 위해 장려되는 경우를 구분하는 ‘단계별 지침’이 필요함. 거버넌스는 또한 절차적 정당성과 형평성을 다루어야 함. 유료 AI 도구, 신뢰할 수 있는 기기, 교사 지원, 지배적인 언어 사용 이점 등 불평등한 접근성을 정책이 고려하지 않는다면, 생성형 AI는 기존의 교육 불평등을 심화시킬 수 있음. RAIL-Ed는 AI 거버넌스를 교실 관리 문제가 아닌 기관적 책임으로 간주함.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 생성형 AI 리터러시를 구성하는 여섯 기둥의 ‘통합적, 발달적, 변증법적’ 원칙임. 특히 AI 기술의 동일한 특성이 학습을 심화할 수도, 방해할 수도 있다는 ‘변증법적 원칙’은 기존의 기술 낙관론이나 기술 회의론을 넘어선 근본적인 전환을 제시함. AI가 가져올 수 있는 잠재적 위험과 교육적 이점을 단순한 양면성으로 보는 데서 그치지 않고, 교사가 어떤 리터러시 역량을 갖추느냐에 따라 실제 학습 결과가 결정된다는 날카로운 단언을 내놓음. 이는 AI 도구의 채택 여부보다 교사의 역량 개발이 설계의 핵심 대상이 된다는 점을 명확히 함. ‘실패 모드 지도’(표 1)는 각 기둥의 부재가 실제 교육 현장에서 어떤 구체적인 문제로 이어지는지를 명확히 제시함. 이는 모호한 담론에 갇히기 쉬운 AI 리터러시 논의에 실질적인 현장 적용 지침을 제공하는 매우 중요한 기여임.
(2) 논문이 명시하지 않은 더 넓은 의미는 ‘인간의 지적 권한(epistemic agency) 재확보’에 대한 교육 철학적 요구와 맞닿아 있음. 챗GPT 이후 AI는 단순한 도구를 넘어 ‘인식론적 매개자(epistemic mediator)’의 역할을 한다는 통찰은 교육의 본질적 질문을 다시 제기함. 즉, 누가 지식을 생산하고, 평가하며, 분배할 것인가에 대한 문제임. RAIL-Ed의 ‘능동적 주체성(Empowered Agency)’에서 ‘원칙 있는 비사용(principled non-use)’을 정교한 리터러시 자세로 정의한 것은 단순히 기술 사용법을 가르치는 것을 넘어, 인간이 기술에 맹목적으로 의존하지 않고 주체적으로 판단하여 거부할 수 있는 비판적 사고력을 함양해야 함을 시사함. 이는 인지과학적 관점에서 ‘AI 의존성(AI dependency)’이 인간의 고차원적 사고 능력 발달을 저해할 수 있다는 우려에 대한 교육적 대응 전략으로 읽힐 수 있음. 또한 ‘맥락적 인식’과 ‘윤리적 추론’ 기둥은 AI 리터러시가 기술적 숙련도뿐만 아니라, 특정 기술이 사회적, 문화적, 윤리적 맥락에서 어떤 의미를 갖는지를 이해하고 비판적으로 참여하는 ‘디지털 시민성’ 교육과도 깊이 연결됨.
(3) 이 연구를 발전시킬 구체적 아이디어는 다음과 같음. 첫째, RAIL-Ed 프레임워크 기반의 오픈 교육 리소스(OER) 및 교사 전문성 개발 프로그램 개발을 제안함. 각 기둥의 ‘초기-숙련-심화’ 단계에 맞춰 구체적인 교사용 가이드, 활동 자료, 평가 루브릭을 제공하여 교사들이 실제 수업에서 프레임워크를 적용하고 자신의 역량 수준을 자가 진단하도록 도움. 둘째, 교과 영역별 특성을 반영한 RAIL-Ed 심화 프레임워크를 개발해야 함. 예를 들어, 수학 교과에서는 AI의 문제 해결 과정이 ‘정답 도출’이 아닌 ‘수학적 추론 과정’을 어떻게 방해하거나 보조하는지에 대한 비판적 평가 요소를, 미술 교과에서는 AI의 ‘생성’이 인간의 ‘창의성’과 어떻게 상호작용하는지에 대한 요소를 추가하는 식임. 셋째, AI 시스템 자체를 RAIL-Ed 프레임워크에 따라 ‘설계’하는 연구를 진행해야 함. 단순히 교사가 AI를 잘 사용하는 것을 넘어, AI 도구가 처음부터 교사 및 학생의 ‘비판적 평가’, ‘능동적 주체성’을 향상시키도록 유도하는 기능(예: AI 답변의 출처 불확실성 시각화, AI 답변의 잠재적 편향성 경고, AI 생성 과정의 투명한 기록)을 갖추도록 하는 것임. 이는 기술 개발과 교육학이 상호 보완적으로 발전하는 길을 모색하는 출발점이 될 수 있음.
6. 추가 탐구 질문
(1) RAIL-Ed 프레임워크는 교사 교육에 초점을 맞추고 있음. 그렇다면 K-12 학생들이 직접 생성형 AI 리터러시를 함양하기 위한 발달적 프레임워크는 어떻게 설계되어야 하는가? 교사용 프레임워크와 학생용 프레임워크 사이의 연계 및 차별점은 무엇인가?
(2) 이 프레임워크는 주로 북미 및 유럽 맥락에서 개발된 이론적 전통에 기반함. 개발도상국이나 소수 언어 사용 지역 등 디지털 인프라와 문화적 맥락이 상이한 환경에서 RAIL-Ed의 여섯 기둥은 어떤 방식으로 재해석되거나 보완되어야 하는가?
(3) AI 시스템의 기술적 발전 속도를 고려할 때, RAIL-Ed 프레임워크가 제시하는 ‘기술적 유창성’은 얼마나 자주 업데이트되어야 하며, 교사의 기술 변화 적응 부담을 줄이면서도 본질적인 리터러시를 유지할 방안은 무엇인가?
출처
- Hossain, S., Ahmadi, S., Li, L., Awoyemi, I. D., Huang, W., Zhou, C., Li, J., Haniya, S., Khanam, S., & Subaha, T. M. (2026). Rethinking Generative AI Literacy: An Integrative, Developmental, and Dialectical Framework for K–12 Teacher Education [Preprint].