생성형 AI는 학생들의 학습 성과를 어떻게 저해하는가?

1. 연구의 목적

(1) AI 챗봇의 확산이 교육 현장에 미치는 실질적인 영향에 대한 깊은 고민이 존재함. 특히, 생성형 AI가 지식 집약적 과제의 효율성을 높이지만, 정작 학습자가 기술을 습득하는 과정에서의 노력을 저해하고 인지적 퇴보를 초래할 수 있다는 우려가 커지는 상황임. 학교에서 학생에게 과제 해결 효율성보다 학습 그 자체가 중요하기에, 이 연구는 자연스러운 학교 환경에서 생성형 AI 사용이 누적 학습에 미치는 체계적인 증거가 부족한 문제를 해결하고자 함.

(2) 이 연구는 중국 중등 교육 학생 2만 6천여 명의 30개월간의 데이터를 활용함. 생성형 AI의 자기 주도적 사용이 학생의 숙제 생산성(숙제 점수, 완료 시간)과 단기 학습(월별 시험), 장기 학습(고입, 대입 시험)에 미치는 인과적 영향을 식별하고 그 메커니즘을 밝혀내는 것이 핵심 목표임. 특히, AI 사용이 학습에 ‘페널티’를 유발하는지 실증적으로 입증하는 것에 집중함.

2. 연구의 방법

(1) 연구는 2만 6,811명의 중국 중등 학생(7~12학년)을 대상으로 30개월간의 패널 데이터를 활용함. 학생들이 생성형 AI를 순차적으로 도입하는 시점을 활용해 시차적 차이-의-차이(staggered difference-in-differences, DID) 설계를 적용, AI 도입의 인과적 효과를 식별함. 이는 무작위 통제 실험(RCT)이 포착하기 어려운 실제 환경에서의 자기 주도적 AI 사용 효과를 장기간에 걸쳐 측정하는 장점이 있음.

(2) 주요 분석 대상은 학생들의 월별 비공개 시험 점수, 고입·대입 시험 점수, 숙제 점수 및 완료 시간임. AI 미사용 학생 그룹을 대조군으로 삼아 AI 도입 학생 그룹의 변화를 비교 분석함. 특히, 숙제 완료 시간이 짧으면서도 숙제 점수가 높은 AI 사용자 그룹을 ‘숙제 외주(homework outsourcing)’ 그룹으로 분류해 학습 손실의 주요 원인을 특정함.

3. 주요 발견

이 연구는 생성형 AI가 학습에 미치는 영향에 대해 매우 명확하고 충격적인 결과를 제시함. 핵심은 AI가 단기적 과제 생산성은 높이지만, 장기적인 학습 능력은 심각하게 저해한다는 점임.

(1) 숙제 생산성 향상과 학습 성과 하락의 역설: 생성형 AI는 숙제 수행의 효율성을 극대화함. AI 사용 6개월 후, 학생들의 평균 숙제 점수는 기준치 대비 18% 상승함. 동시에 숙제 완료 시간은 평균 64분에서 45분으로 30% 감소함. 그러나 역설적이게도, 월별 비공개 시험 점수는 20% 하락함. 이는 1.4 표준편차(SD)에 해당하는 심각한 학습 손실을 의미함. AI가 학생들의 ‘성장’을 돕는 도구가 아닌 ‘외주’를 유도하는 변수로 작동함이 명확함.

(2) 장기 학습 손실의 누적: 단기 학습 손실은 AI 도입 6개월 이내에 완전히 나타남. 하지만 고입(Zhongkao)과 대입(Gaokao)과 같은 고부담 시험에서는 효과가 더디게 누적됨. 전체 학습 손실은 약 2년 후에야 최고치에 도달함. 고입 시험 점수는 24%(-1.5 SD), 대입 시험 점수는 18%(-1.3 SD) 하락하는 결과를 보임. 이는 단기 실험 위주의 기존 연구들이 AI의 장기적 학습 비용을 과소평가했음을 시사함. AI는 즉각적인 지식의 부식뿐 아니라 미래 학습 재료의 흡수 능력까지 약화하는 동적 상보적 스킬 형성의 저해 요소로 작동함.

(3) ‘숙제 외주’가 학습 손실의 핵심 동인: 학습 손실은 전체 AI 사용자 중 약 81%에 달하는 ‘숙제 외주’ 그룹에 집중됨. 이 학생들은 AI 미사용 학생보다 훨씬 짧은 시간(평균 20-50분)에 숙제를 완료하며, AI의 정확도에 부합하는 높은 숙제 점수를 받음. 하지만 비공개 시험에서는 매우 낮은 점수를 기록함. 이들의 행동 패턴은 숙제 수행 과정에서 인지적 노력을 회피하고 AI에 답을 의존하는 방식과 일치함.

(4) ‘생성형 AI 학습 페널티’의 이질성: AI 학습 페널티는 과목과 학생 특성별로 다르게 나타남.

• 과목별 영향:
  • 사회 과학 과목(정치, 지리, 역사)이 평균 27% 하락으로 가장 큰 손실을 보임.
  • STEM 과목(수학, 물리, 화학, 생물)은 평균 22% 하락으로 그 뒤를 이음.
  • 언어 과목(영어 17%, 중국어 9%)은 상대적으로 영향이 적음.
  • 특히, 대부분의 RCT 연구가 수학, 프로그래밍, 외국어 기술에 집중했다는 점에서, 사회 과학 과목의 큰 하락은 중요한 시사점을 제공함.

그림 1. 생성형 AI 사용의 과목별 학습 페널티 (정규 시험 및 입학 시험)

• 학년별 영향: 중등 저학년 학생(7-9학년)이 고학년 학생(10-12학년)보다 학습 손실이 더 큼. 저학년의 정규 시험 점수는 24% 하락한 반면, 고학년은 17% 하락함. 이는 고학년 학생들이 감독이 강화된 학습 환경에 놓여 AI 사용이 제한될 수 있다는 교사들의 인터뷰 결과와 일치함.
• AI 사용 시간: AI 사용 시간이 길수록 학습 손실이 커지는 용량-반응 관계(dose-response)가 나타남. 주당 0-1시간 AI를 사용하는 학생은 5% 하락했지만, 5시간 이상 사용하는 학생은 30% 하락함.
• 성별 영향: 남학생이 여학생보다 학습 손실이 더 큼. 남학생의 점수는 21.6% 하락한 반면 여학생은 18.4% 하락함. 이는 남학생의 더 높은 AI 사용 강도(intensity)로 거의 설명됨.
• 초기 성취도: 초기 성취도가 높은 학생일수록 학습 페널티가 더 크게 나타남. 상위 1/3 학생들의 점수는 24% 하락했지만, 하위 1/3 학생들은 16% 하락함. 이는 AI가 저숙련자에게 더 유리하다는 기존 연구와 달리, 고숙련자의 학습 동기나 방식에 더 큰 변화를 초래해 전체적인 역량 분포를 압축시키는 결과를 보임.

(5) 시간에 따른 효과 변화와 적응: 생성형 AI 학습 페널티는 초기(2023년 초 약 25% 하락)에 비해 점차 감소해 2025년 6월에는 약 16% 하락하는 양상을 보임. 이는 학생들이나 교사들이 생성형 AI 사용에 점차 적응하며 학습 손실을 완화하는 노력을 하고 있음을 시사함. 하지만 여전히 상당한 학습 손실이 존재하며, 이를 완전히 해소하기 위한 본질적인 장벽이 높음을 의미함. 학교 행정가나 교사, 학부모가 느리게 반응하는 것은 집계 효과가 뒤늦게 나타나거나, 개별 교사의 관점에서 학습 감소 폭이 ‘특별하지 않게’ 보일 수 있기 때문임.

4. 결론 및 시사점

(1) 이 연구는 생성형 AI의 자기 주도적 사용이 중등 학생의 학습을 현저히 저해한다는 핵심 결론에 도달함. AI가 숙제 생산성을 높이고 완료 시간을 줄이지만, 비공개 시험에서의 성과는 단기적으로 20%, 장기적으로는 18~24%까지 하락함이 입증됨. 이러한 학습 손실은 ‘숙제 외주’ 형태의 AI 사용에 의해 주로 발생하며, 이는 학습 과정에서 인지적 노력을 회피함으로써 발생함.

(2) 교육 현장에서는 AI 챗봇이 숙제 점수와 학습 성과 간의 전통적인 예측 관계를 무너뜨린다는 점을 심각하게 인지해야 함. 높은 숙제 점수가 높은 학습을 의미하지 않으며, 오히려 AI 의존도를 나타낼 수 있음. 이는 교사와 학부모가 학생의 학습 진행 상황을 모니터링하는 데 새로운 도전 과제를 제시함. 결과만 측정하는 평가가 아니라 학습 과정을 함께 살피는 평가가 필수적임.

(3) AI 설계 및 교육 정책에는 ‘수요 측면’과 ‘학생 인센티브’에 대한 고려가 시급함. 단순히 AI 튜터링 도구를 제공하는 것만으로는 부족함. 학생들이 즉각적인 답을 제공하는 범용 AI 대신 학습을 촉진하는 AI 튜터 도구를 선택하도록 유도하는 방안이 필요함. 이를 위해 숙제 외주에 따른 장기 학습 비용에 대한 신뢰할 수 있는 정보를 제공하고, 비공개 시험 및 대면 평가의 비중을 높여 노력과 보상 간의 연결성을 회복시키는 정책적 노력이 중요함. 나아가 교사와 학부모는 숙제 점수와 같은 ‘산출물’보다는 숙제 시간, 학습 노력과 같은 ‘투입물’을 모니터링하는 방향으로 전환해야 함.

5. 리뷰어의 ADD(+) One: 생각 더하기

(1) 이 논문에서 가장 주목할 지점은 생성형 AI가 야기하는 학습 손실이 ‘자율적 사용’이라는 실제 환경에서 장기적으로 나타난다는 점임. 기존의 AI 튜터링 효과에 대한 낙관적 연구들이 통제된 실험 환경에서 ‘잘 설계된’ AI 도구와 ‘높은 동기 부여’를 가진 학생들에게 초점을 맞췄던 것과 대조됨. 이 연구는 AI가 우리의 의도와 다르게 학습의 본질을 훼손할 수 있다는 경고장을 보냄. 특히, AI가 단순한 도구가 아닌, 학습자의 자기조절학습 능력과 인지적 노력을 재편하는 ‘변수’로 작용함이 명확함. 숙제 점수가 오르고 시간이 단축되는데 시험 점수가 폭락하는 이 반직관적 결과는 교육계가 AI를 바라보는 시각 자체를 근본적으로 재고해야 함을 단언함.

(2) 논문이 명시하지 않은 더 넓은 의미는 ‘인지적 부채(Cognitive Debt)’라는 개념과 연결됨. 챗GPT로 에세이를 작성한 사용자의 뇌 활동 감소를 보인 코스미나 외(2025) 연구처럼, 생성형 AI가 학습자의 뇌가 ‘노력할 기회’를 빼앗으면서 장기적인 인지 능력 발달을 저해할 수 있음. 단순히 지식을 외우지 못하는 데 그치지 않고, 지식을 조직하고 통합하며 문제 해결에 필요한 ‘인지 지구력’ 자체를 약화시키는 꼴임. 이는 교육 철학적으로 ‘무엇을 위한 학습인가’라는 질문을 던짐. 효율성이라는 미명 하에 학습의 과정에서 얻는 비인지적 기술(끈기, 문제 해결력)과 메타인지 능력(자신의 학습 과정을 성찰하고 조절하는 능력)이 상실되는 현실을 직시해야 함. AI 시대의 교육은 지식 전달에 머물지 않고, AI가 대체할 수 없는 인간 고유의 ‘사고하는 방식’과 ‘학습하는 능력’을 함양하는 방향으로 재설정되어야 할 때임.

(3) 이 연구를 발전시킬 구체적 아이디어는 두 가지 측면에서 모색함. 첫째, 교사 전문성 개발 프로그램의 재설계가 시급함. 교사들에게 생성형 AI가 단순한 표절 도구가 아니라 학습 손실을 유발하는 복합적인 메커니즘임을 이해시키는 교육이 필요함. ‘숙제 외주’ 패턴을 감지하는 디지털 리터러시, 그리고 AI를 활용해 학생들의 비판적 사고와 고차원적 인지 능력을 촉진하는 수업 설계 역량을 강화해야 함. 예를 들어, AI가 생성한 답안의 오류를 찾아내거나, AI가 제시하지 못하는 창의적 대안을 탐색하는 과제를 개발하는 등 AI를 ‘비판적으로’ 활용하는 방법을 가르쳐야 함. 둘째, AI 도구 자체의 ‘학습 유도형 설계’가 필수적임. 단순한 ‘답안 생성’ 기능에 그치지 않고, 학생들이 질문을 재구성하고, 답을 찾아가는 과정을 단계별로 시뮬레이션하며, 오류를 스스로 찾아내도록 유도하는 AI를 개발해야 함. 예를 들어, AI가 답을 바로 주기보다 “이 문제를 해결하기 위해 어떤 정보가 필요한가요?”, “당신의 초기 가설은 무엇인가요?”, “이 답의 논리적 허점은 무엇일까요?” 와 같은 프롬프트로 학습자의 사고 과정을 적극적으로 개입시키는 설계가 필요함. 이러한 ‘인간-AI 협력 학습’ 모델로 AI 페널티를 학습 이득으로 전환하는 연구와 개발이 활발히 이루어져야 함.

6. 추가 탐구 질문

(1) 학생들이 생성형 AI의 도움을 받더라도 ‘학습 외주’가 아닌 ‘학습 보조’ 형태로 활용할 수 있도록, AI 도구의 인터페이스나 기능에 어떤 변화를 주어야 하는가? 예를 들어, 단계별 사고 과정을 유도하는 프롬프트나, AI가 제공한 답을 비판적으로 검토하도록 설계된 기능은 학습 손실을 상쇄할 수 있는가?

(2) 이 연구는 중등 교육 학생들을 대상으로 했음. 하지만 초등 교육이나 고등 교육(대학원 포함) 환경에서는 생성형 AI의 학습 페널티가 어떤 양상으로 나타날 것인가? 특히 전문적 지식 생산이 중요한 고등 교육 환경에서 AI의 ‘효율성’과 ‘학습’ 간의 균형점은 어떻게 다르게 형성될 수 있는가?

(3) AI가 야기하는 학습 손실을 줄이기 위해, 교육 시스템은 어떤 윤리적·기술적 규제나 가이드라인을 도입해야 하는가? AI 사용을 완전히 금지하는 것이 답이 아닌 상황에서, 학생들의 책임감 있는 AI 활용을 독려하면서도 학습의 본질적 가치를 지킬 수 있는 교육 정책은 무엇인가?

출처

• Strömberg, D., Lei, V., & Wu, Y. (2026). The Generative AI Learning Penalty: Evidence from Chinese Secondary Education. CEPR Discussion Paper No. DP21577.