648 ／ 660
AI와 사회정서학습 연구, 정책적 함의는 어디에 있는가?
1. 연구의 목적
(1) 인공지능(AI)이 교육, 특히 사회정서학습(SEL) 분야에 깊이 통합됨에 따라, 기술적 잠재력은 빠르게 확장되나 이를 관리할 거버넌스 역량은 현저히 뒤처지고 있음. 이로 인해 감정 데이터의 오용, 편향, 사생활 침해 등 심각한 윤리적 문제가 발생하고 있음. 기존의 AI x SEL 연구는 기술의 ‘무엇을 할 수 있는가’에 초점을 맞출 뿐, ‘어떻게 구현하고 관리할 것인가’에 대한 정책적 고민을 충분히 다루지 못하는 실정임.
(2) 이 연구는 AI x SEL 교차 영역의 피어 리뷰 논문 65편을 체계적으로 검토하여, 연구들이 정책적 함의를 어떻게 명시하고 있는지 조사함. 특히 ‘정책 적자(policy deficit)’ 현상을 진단하고, 연구자들이 증거 기반 정책 결정에 실질적으로 기여할 수 있도록 구체적이고 실행 가능한 ‘WH-질문 프레임워크’(Who, What, Why, When/Where, How)를 제안함.
2. 연구의 방법
(1) 이 연구는 AI와 사회정서학습(SEL)의 교차점에 있는 65편의 피어 리뷰 논문을 대상으로 체계적 문헌 고찰 방식을 채택함. Scopus와 Web of Science 데이터베이스에서 관련 논문을 검색하고, PRISMA 가이드라인에 따라 선정 기준을 적용하여 최종 분석 대상 논문을 선별함. 연구팀은 Dello Russo 등(2023)의 ‘WH-질문 프레임워크’를 분석 틀로 활용하여, 각 논문에 제시된 정책적 함의를 ‘누가(Who) 어떤(What) 행동을 왜(Why) 언제/어디서(When/Where) 어떤 방식으로(How) 제안하는가’의 다섯 가지 차원에서 정성적으로 코딩하고 분석함.
(2) 주요 분석 대상은 선정된 65편의 논문에 명시적 또는 암묵적으로 포함된 ‘정책적 함의 진술’임. ‘정책 입안자’나 ‘정책’과 같은 키워드를 포함한 진술은 명시적 함의로, 교육 리더나 기관을 대상으로 하는 행동 지침은 암묵적 함의로 분류함. 이러한 분류를 토대로 AI x SEL 연구에서 정책적 논의가 양적, 질적으로 어떻게 이루어지는지를 비교 분석함.
3. 주요 발견
이 연구는 AI x SEL 문헌에서 정책적 함의가 현저히 부족한 ‘정책 적자’를 발견하고, 이 문제를 해결하기 위한 ‘WH-질문 프레임워크’를 통해 구체적인 개선 방안을 제시함.
(1) 정책 적자의 현황 및 ‘기술 만능주의’ 함정
현재 AI x SEL 연구는 심각한 ‘정책 적자’에 시달림. 분석 대상 65편 중 약 72%(47편)의 논문은 정책적 함의를 전혀 언급하지 않음. 정책적 함의를 제시한 18편의 논문조차 대부분 한두 가지의 피상적인 주장만을 포함함. 이러한 현상은 AI의 기술적 잠재력만을 앞세우고 책임 있는 구현을 위한 제도적 조건을 간과하는 ‘기술 만능주의(techno-solutionism)’ 함정에 빠져 있음을 방증함. 학술지(저널)에 게재된 논문은 학술대회(컨퍼런스) 발표 논문보다 정책적 함의를 포함할 가능성이 통계적으로 유의미하게 높았음. 이는 학술 출판 생태계의 인센티브 구조가 기술적 참신성을 정책적 관련성보다 우선시하는 경향이 있음을 시사함.
(2) 정책 함의의 ‘WH-질문 프레임워크’ 분석
이 연구는 정책적 함의를 구체화하기 위한 ‘WH-질문 프레임워크’(누가, 무엇을, 왜, 언제/어디서, 어떻게)를 활용하여 기존 연구의 한계와 나아갈 방향을 분석함.
- 왜(Why): 정책 개입의 필요성
- 취약 계층 보호 및 위험 완화: 어린이와 취약 학습자의 프라이버시, 데이터 무결성, 발달적 안녕을 보호하기 위한 선제적 규제 조치가 필수적임. 감정 AI 상호작용의 심리적 위험을 줄이고 신뢰를 구축하기 위해 구체적인 지침이 필요하다는 주장임.
- 기관 효율성, 구조적 정렬 및 미래 대비: 일반적인 기술 도구의 한계에 그치지 않고 맞춤형 학습 경험을 위한 인프라와 자원 배분이 중요함. 특히 교육의 질 격차를 해소하고 포용적 학습 환경을 조성하며, 보편적 접근성을 보장하기 위한 정책적 노력이 요구됨.
- 인간 주도성 보존 및 교육적 분위기 조정: AI가 교실 역학을 변화시키는 상황에서 교사의 역할 변화를 위한 지침과 예비 교사 교육이 필요하다는 주장임. 기술적 최적화와 인간적 멘토링의 균형을 통해 교육의 비인간화를 막고, 학습자의 회복탄력성과 비판적 사고를 기르는 감성 디자인이 중요함.
- 무엇을(What): 제안되는 정책 조치 유형
- 기관 의무 및 거버넌스: 데이터 거버넌스, 기관 혁신, 적응형 거버넌스, 글로벌 연계, 협력적 거버넌스와 같은 공식적인 정책 구조가 필요하다는 주장임. 학교, 교사, 연구자 등 다양한 이해관계자 간의 조정을 강조함.
- 자원 배분 및 전략적 인프라: 유연한 자원 배분, AI 리터러시를 위한 기관 역량 강화, 교사 멘토링, AI 채택 최적화, 교사 연수 등이 필수 조건으로 제시됨. 학교가 추가 투자 없이 AI 관련 변화를 흡수할 것이라는 가정을 벗어나, 실제 재정 지원과 인프라 구축이 필요함을 강조함.
- 윤리적 프레임워크: 윤리 및 형평성을 위한 규제 표준, 데이터 거버넌스, 아동 중심 데이터 보호, 투명성, 안전 프로토콜 등이 강조됨. AI x SEL이 교육학적 문제만큼이나 거버넌스 문제임을 명확히 인식해야 함. 다만, 이러한 제안들은 추상적인 수준에 머무르는 한계가 존재함.
- 누가(Who): 정책 행위자 식별
- 분석된 함의 중 48%가 정책 입안자를 명시적으로 언급하며, 교육 기관이나 교육 리더와 같은 교육 당국도 7차례 언급됨. 그러나 12건의 주장에서는 정책 행위자가 교육자, 교육과정 설계자와 같은 다른 이해관계자들과 혼재되어 있어, 정책 함의와 일반적 함의를 명확히 구분하기 어려운 한계가 있음.
- 언제/어디서(When/Where): 적용 맥락의 구체성 부족
- 정책 함의가 언제, 어디에 적용되는지에 대한 조건적 구체성이 현저히 부족함. 연구자들은 광범위하고 일반화된 권고를 제시하여, 실제 교육 환경의 다양한 현실이나 구현 시점을 고려하지 못하는 경향이 있음.
- 거시 수준: 16개 함의가 거시 수준 정책을 다루며, 전반적인 AI 교육 정책 프레임워크 개발(형평성, 아동 중심 안전, 개인 정보 보호)을 강조함. 대부분 선제적이고 즉각적인 대응을 촉구함.
- 중간 수준: 14개 함의가 중간 수준(학교 및 기관) 정책을 다루며, 학교 내부 문화 및 인프라의 중요성, ‘살아있는’ AI 정책 채택, 교사 연수 및 메타 성찰을 위한 다층적 생태계 구축을 강조함.
- 미시 수준: 단 1개의 함의만이 미시 수준(교실 내 상호작용) 정책을 다루며, 교사 지침에 연령에 적합한 감정 조절 전략 포함을 제안함. AI가 스트레스원이 아닌 회복탄력성 촉매제로 작용하도록 교사 역할의 중요성을 강조함.
- 어떻게(How): 수사적 표현과 배치
- 대부분의 정책적 함의는 규범적이고 명령적인 언어(‘반드시 해야 함’, ‘요구됨’)를 사용하여 제도적 조치의 시급성을 강조함. 일부는 조심스러운 권고형(‘할 수 있음’, ‘권장됨’) 언어를 사용함.
- 흥미롭게도, 대부분의 정책적 함의는 논문의 ‘논의’ 또는 ‘결론’ 섹션에 다른 일반적 함의와 섞여 있었고, ‘정책적 함의’라는 전용 섹션이 명시된 경우는 거의 없었음. 이는 AI x SEL 연구에서 정책적 함의가 영향의 핵심 초점으로 우선순위화되지 않음을 나타냄.
4. 결론 및 시사점
(1) 이 연구는 AI x SEL 문헌에서 ‘정책 적자’가 심각함을 입증함. AI의 기술적 잠재력에 대한 연구는 많지만, 이를 책임감 있게 구현하고 확장하기 위한 거버넌스 및 정책적 프레임워크 논의는 현저히 부족한 실정임. 이는 ‘기술 만능주의’ 함정에 빠져 AI 혁신이 실제 교육 현장에 미치는 긍정적 영향을 제한하는 결과를 초래함.
(2) AI x SEL 연구가 실제 세계에 더 큰 영향을 미치기 위해서는 ‘함의를 단순한 부가적 사후 고려 사항에서 방법론의 핵심 요소로’ 전환해야 함. 이는 연구자들이 연구 초기 단계부터 정책적 질문을 내재화하고, WH-질문 프레임워크를 활용하여 구체적이고 실행 가능한 정책적 권고를 도출해야 함을 의미함.
(3) 교육 현장과 AI 설계에 실질적 가치를 제공하기 위해 연구자, 편집자, 검토자, 정책 입안자 모두의 역할 재정립이 시급함. 특히 연구자들은 추상적인 윤리적 원칙에 그치지 않고, ‘누가’, ‘무엇을’, ‘왜’, ‘언제/어디서’, ‘어떻게’라는 질문에 답하는 구체적인 가이드를 제시하여 정책 결정권자가 활용할 수 있는 증거 기반 지식을 생산해야 함.
이러한 변화를 위해 연구자들이 실천할 수 있는 구체적인 글쓰기 제언은 다음 표와 같음.
| 제안 | 설명 |
|---|---|
| 정책 관련성 조기 신호 | 초록에 잠재적 정책 영향 명시로 관련 이해관계자 유도 |
| 거버넌스 용어 채택 | ‘규제 프레임워크’, ‘기관 의무’, ‘증거 기반 정책’ 등 정확한 용어 사용으로 결정권자 대상임을 명시 |
| WH-프레임워크 적용 | ‘누가, 무엇을, 왜, 언제/어디서, 어떻게’ 질문을 함의 서술에 적용하여 명확성, 책임감, 실현 가능성 증진 |
| 수사적 강도 조정 | 언어의 확실성(‘제안함’, ‘필요함’)을 증거의 강도에 맞춰 학술적 신뢰성 유지 |
| 구조적 배치 표준화 | ‘정책적 함의’와 같은 명확한 전용 소제목 사용으로 독자의 정보 접근성 향상 |
| 구현 경로 우선시 | ‘무엇이 필요한가’에서 ‘기존 교육 인프라 내에서 어떻게 실행할 수 있는가’로 초점 이동 |
| 이해관계자 공동 생산 | 연구 및 집필 단계에서 이해관계자(교육자, 관리자 등)와 협력하여 정책 경로의 현실성 확보 |
| ‘정책 요약’ 표 포함 | 바쁜 이해관계자를 위해 정책 권고를 요약한 시각적 자료 또는 표 제공 |
| 구현의 상충 관계 명시 | 제안된 정책이 직면할 수 있는 잠재적 비용, 저항, 갈등(자원 제약, 윤리적 요구 사항 등) 인정 |
| 행위자 책임 명확화 | 국가 부처, 교육청, 대학 리더, 교육자 등 각 주체에 기대되는 바를 명확히 구분 |
| ‘살아있는’ 정책 강조 | 정책 지침이 정적인 규칙집이 아닌, 반복적이고 적응 가능한 거버넌스 프레임워크임을 강조 |
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문에서 가장 주목할 지점은 AI x SEL 연구 분야에 만연한 ‘정책 적자’라는 구조적 문제를 지적하는 데 그치지 않고, 이를 극복하기 위한 구체적인 방법론적 제언과 문화적 전환을 촉구함에 있음. 연구와 정책 사이의 간극을 연결하는 실천적 접근으로 ‘WH-질문 프레임워크’를 제시한 점은, 기술의 효과를 논하는 데 그치지 않고 기술이 사회 시스템에 미치는 영향을 다루는 모든 학문 분야에 중요한 시사점을 던짐. 기존 논의들이 추상적인 ‘윤리적 고려’ 수준에 머물렀다면, 이 연구는 ‘누가, 무엇을, 어떻게 해야 하는가’라는 질문을 통해 실질적인 거버넌스 설계의 토대를 마련함.
(2) 이 연구가 명시하지 않은 더 넓은 의미는 교육학, 인지과학, 정책학 등 여러 분야에 걸쳐 확장됨. 교육철학적 관점에서는 AI 기술을 비판적으로 수용하고 ‘기술 만능주의’를 경계하는 중요한 근거를 제공함. 기술 자체의 발전 속도에 매몰되어 인간적 가치와 제도적 맥락을 소홀히 하지 않으려는 노력이 필요함을 강력히 시사함. 또한 증거 기반 정책 결정(EBPM)의 관점에서, 과학적 연구가 단순히 학술적 성과로 끝나지 않고 실제 사회 변화를 이끌어내기 위한 연구자들의 사회적 책임이 어디까지 확장되어야 하는지를 질문함. 인간-컴퓨터 상호작용(HCI) 분야에서는 AI 시스템의 사용자 경험뿐 아니라, 그 시스템을 둘러싼 거버넌스 경험까지 설계의 영역으로 포괄해야 한다는 관점 전환을 요구함.
(3) 이 연구를 발전시킬 구체적 아이디어는 다음과 같음. 첫째, WH-질문 프레임워크를 적용한 ‘AI x SEL 정책 가이드라인 개발 랩(Lab)’을 운영하는 방안임. 실제 교육 현장의 정책 입안자, 교사, AI 개발자, 연구자가 함께 참여하여 특정 AI x SEL 솔루션(예: 챗GPT 기반 감정 코칭 도구)을 대상으로 프레임워크를 적용해보고, 그 과정에서 발생하는 난점과 성공 사례를 축적하는 파일럿 프로그램을 진행함. 이 과정에서 연구자들이 현장 전문가의 피드백을 받아가며 정책적 함의를 도출하는 템플릿과 성공적인 워크숍 모델을 구축할 수 있음. 둘째, 학술 출판사와 협력하여 ‘정책 함의 필수 명시’ 정책을 도입하고, 이를 평가할 수 있는 ‘정책 임팩트 평가 루브릭’을 개발하는 것임. 연구 논문의 심사 과정에서 WH-프레임워크 기반의 정책 함의 구체성 및 실행 가능성을 평가 기준으로 포함시킴으로써, 학술 생태계 전반의 변화를 유도함.
6. 추가 탐구 질문
(1) AI x SEL 연구에서 정책적 시사점 제시의 부족이 단순히 연구자의 인식 부족이나 동기 문제에서 비롯되는 것인가, 아니면 복잡한 AI 기술의 본질, 빠르게 변화하는 기술 환경, 그리고 정책 결정 과정의 불투명성 같은 외부적 요인이 더 큰 비중을 차지하는가?
(2) ‘기술 만능주의’ 함정을 벗어나기 위해 교육 현장에서 AI 기술 도입을 논의할 때, 초기 단계부터 정책 입안자와 교사, 학부모 등 다양한 이해관계자의 참여를 어떻게 구조화하고, 이들의 다양한 관점을 정책 설계에 실질적으로 반영할 수 있는가?
(3) AI 기술이 예측 불가능하게 빠르게 발전하는 상황에서, 유연하고 적응적인 ‘살아있는’ 정책 프레임워크를 개발하고 지속적으로 업데이트하기 위한 제도적, 기술적 방안은 무엇이며, 이러한 정책의 예측 가능성과 안정성은 어떻게 보장할 수 있는가?
출처
이 논문의 arXiv ID와 DOI가 확인되지 않았다.
- Tran Van Cuong, Liu Yihan, & Nguyen Van Tuong. (n.d.). The Policy Deficit in AI x Social-Emotional Learning Research.