AI 리터러시, 오해를 걷어내는 비판적 설계가 먼저다

AI는 이제 먼 미래 기술이 아니라 우리 손안의 현실이다. 하지만 이 기술이 어떤 의미인지, 어떻게 작동하는지, 그리고 우리 삶에 어떤 영향을 미치는지에 대한 이해는 여전히 혼란스럽다. 조지아텍 연구진의 2020년 CHI 논문은 이러한 막연한 이해를 ‘AI 리터러시’라는 구체적인 프레임워크로 정리하며 교육 현장에 날카로운 질문을 던진다.

우리는 이 연구가 제시하는 AI 리터러시의 정의와 역량, 설계 원칙으로 막연한 AI 교육의 방향성을 잡는다. 그러나 동시에 이 연구의 한계와 현장 적용 시 반드시 고려해야 할 ‘날카로운 조건’을 직시한다.

왜 AI 리터러시인가 – 막연함이 독이 되는 시대

인공지능은 우리가 사용하는 거의 모든 디지털 플랫폼에 스며들었다. 그럼에도 우리는 AI와 상호작용하고 있다는 사실조차 인지하지 못하는 경우가 허다하다. 논문은 이러한 대중의 이해 부족이 단순히 지식의 공백이 아니라, AI 기술의 효과적인 활용을 저해하고, 비판적 평가를 불가능하게 만들며, 심지어는 정책적 오판까지 초래한다고 지적한다. 블랙박스 알고리즘이 유발하는 오해나 기술 지식 부족으로 인한 오개념은 단순한 기술 문맹이 아니라 사회적 역기능으로 이어진다.

특히 “AI는 모든 것을 해결한다”는 맹목적 낙관주의와 “AI가 인간을 지배할 것”이라는 기술 혐오라는 양 극단적 시각이 공존하는 현실에서, AI 리터러시는 균형 잡힌 시각을 제공하는 필수적 기반이 된다. 이 연구는 AI 교육이 단순히 코딩을 가르치거나 기술 사용법을 익히는 차원이 아니라, AI의 본질과 사회적 의미를 비판적으로 탐구하는 과정임을 명확히 보여준다. AI4K12와 같은 교육 이니셔티브가 이미 움직이고 있지만, 우리는 여전히 ‘무엇을, 왜’ 가르쳐야 하는지에 대한 구체적 나침반이 필요하다.

AI 리터러시, 무엇을 아는가 – 17가지 역량과 15가지 설계 원칙

이 논문의 핵심 기여는 AI 리터러시를 “AI 기술을 비판적으로 평가하고, AI와 효과적으로 소통 및 협업하며, AI를 도구로 활용할 수 있는 일련의 역량”으로 정의하고 구체화한 점이다. 연구진은 방대한 학제간 문헌을 탐색적으로 검토하여 17가지 핵심 역량과 이를 효과적으로 가르치기 위한 15가지 교육 설계 원칙을 도출했다.

이 방대한 목록은 AI 교육의 지향점을 명확히 제시한다. 특히, 단순히 AI 기술을 ‘사용하는 법’에 그치지 않고, ‘AI가 무엇인지(What is AI?)’, ‘무엇을 할 수 있는지(What can AI do?)’, ‘어떻게 작동하는지(How does AI work?)’, ‘어떻게 사용해야 하는지(How should AI be used?)’, 그리고 ‘사람들이 AI를 어떻게 인식하는지(How do people perceive AI?)’라는 다섯 가지 질문을 중심으로 구조화했다. 이는 우리가 AI를 둘러싼 복합적인 현상을 이해하고 교육을 설계하는 데 필요한 총체적인 시각을 제공한다.

다음 표는 이 연구가 제시하는 핵심 역량과 설계 원칙의 일부이다.

AI 리터러시 핵심 역량 (일부)	설명
AI 인지 (Recognizing AI)	AI를 사용하는 기술과 사용하지 않는 기술을 구별한다.
AI 강점과 약점 (Strengths & Weaknesses)	AI가 잘하는 문제 유형과 어려워하는 문제를 식별한다.
데이터 학습 이해 (Learning from Data)	컴퓨터가 종종 데이터(자신의 데이터 포함)로부터 학습한다는 것을 인지한다.
데이터 비판적 해석 (Critically Interpreting Data)	데이터를 액면 그대로 받아들이지 않고 해석이 필요함을 이해한다.
AI 내 인간 역할 (Human Role in AI)	인간이 AI 시스템 프로그래밍, 모델 선택, 미세 조정에 중요한 역할을 한다는 것을 인지한다.
AI 윤리 (Ethics)	AI를 둘러싼 핵심 윤리적 쟁점(프라이버시, 고용, 편향 등)에 대한 다양한 관점을 식별하고 설명한다.
프로그래밍 가능성 (Programmability)	AI 에이전트가 프로그래밍 가능하다는 것을 이해한다.

이러한 역량은 우리가 AI를 단순한 도구가 아닌, 사회적 맥락 속에서 이해하고 상호작용하는 주체로 인식하도록 유도한다. 특히, “데이터 비판적 해석”이나 “AI 내 인간 역할” 역량은 AI가 결코 중립적이지 않으며, 인간의 의도와 편향이 깊숙이 반영된다는 본질적 통찰을 제공한다.

현장 적용의 날카로운 조건 – 그래서 학교는 무엇을 해야 하는가?

이 프레임워크는 AI 교육의 초기 단계에서 혼란을 정리하는 강력한 지침이 된다. 특히 비전문가 대상의 교육 설계에서 ‘무엇을, 왜’ 가르칠지 명확한 로드맵을 제시한다. 그러나 ‘역량’ 자체가 너무 많아 우선순위 설정이 시급하다. 모든 역량을 동일 비중으로 다루기엔 현장의 리소스는 항상 한정되기 때문이다.

구조적으로 보면 AI 교육의 최우선 과제는 ‘오해 불식’이다. 연구에 따르면, 학생들은 ML이 완전히 자동화된 것으로 오해하고, 컴퓨터가 인간처럼 생각한다고 여기는 경향이 있다. 우리는 이러한 오해를 해소하는 것부터 시작해야 한다. AI가 마법이 아니며, 그 뒤에 인간의 의사결정과 데이터 편향이 존재한다는 사실을 분명히 알려야 한다.

이 연구의 제안을 바탕으로 현장에서 실질적 가치를 만들어내려면 다음 조건들이 충족되어야 한다.

1. 교사 역량 강화, 핵심부터 꿰뚫기

17개 역량 전체를 한 번에 주입하는 것은 비효율적이다. 교사 연수는 “AI 인지 (Recognizing AI)”와 “AI의 강점과 약점 (AI’s Strengths & Weaknesses)”부터 시작한다. 학생이 사용하는 앱이나 장치 중 AI를 활용하는 것을 식별하고, AI가 패턴 인식에는 뛰어나지만 창의적 사고에는 한계가 있음을 이해하는 기초를 다진다. 이 기초 위에서 “데이터 리터러시 (Data Literacy)”와 “AI 윤리 (Ethics)”를 심화한다. 실제 교사들은 현장의 불분명한 AI 개념과 과도한 기대감에 가장 먼저 지친다. 핵심을 짚는 교육은 불필요한 부담을 줄인다.

2. 교과 연계와 ‘만져보는’ AI 경험

AI 리터러시는 독립 교과로 가르치기 어렵다. 국어, 사회, 과학, 미술 등 기존 교과에 자연스럽게 녹여야 한다. 예를 들어, 사회 과목에서 챗GPT와 같은 생성형 AI의 답변이 사회적 편향을 반영하는 사례를 분석하며 “데이터 비판적 해석 (Critically Interpreting Data)”을 다룬다. 과학 시간에는 AI 로봇의 센서가 어떻게 정보를 수집하는지 탐구하며 “센서 이해 (Sensors)” 역량을 기른다.

특히, “신체적 상호작용 (Embodied Interactions)”이나 “프로그래밍 기회 (Opportunities to Program)”는 AI를 ‘블랙박스’가 아닌 ‘만져보고 조작할 수 있는 것’으로 경험하게 한다. 이때 학생들의 코딩 능력 부족을 문제 삼지 않는다. 시각적/청각적 요소, 빈칸 채우기 코드, 파슨스 문제 등 낮은 진입 장벽을 제공하는 도구를 적극 활용한다. 학생들이 직접 데이터를 넣어 AI 모델을 훈련하고 결과를 예측하는 작은 실험은 백 번의 이론 수업보다 효과적이다.

3. ‘함께’ 배우고 ‘나누는’ 교실 문화

이 논문은 “부모 지원 (Support for Parents)” 및 “사회적 상호작용 (Social Interaction)”의 중요성을 강조한다. 우리는 이를 학교 내 동료 교사 간 협력으로 확장한다. 예를 들어, 한 교사가 수업 중 AI 관련 오해 사례를 발견했을 때, 이를 학년 메신저에 공유하고 동료들의 경험이나 아이디어를 묻는 5분 대화가 축적되면 교사들의 집단 학습으로 이어진다. 이러한 작은 시도들이 결국 교사들의 AI 리터러시를 집단적으로 향상시키는 가장 빠르고 효율적인 경로이다. 연수 프로그램을 이수하는 데 그치지 않고, 일상적인 정보 공유와 피드백이 교실에 정착되어야 한다.

연구의 그림자 – 데이터 편향과 미래의 미지수

이 연구는 AI 리터러시 분야의 중요한 초기 단추를 꿰었다. 그러나 2020년에 발표된 이 논문에는 분명한 한계가 존재한다.

첫째, 탐색적 문헌 검토의 한계이다. 연구진 스스로 전통적인 체계적 문헌 검토가 아닌 “탐색적 검토” 방식을 사용했다고 명시한다. 이는 신흥 분야에 대한 통찰을 제공하지만, 특정 주제나 분야의 편향성을 가질 수 있다. 본 논문은 HCI(Human-Computer Interaction) 커뮤니티의 관점에서 AI 리터러시를 정의하며, 이로 인해 교육학, 인지과학, 사회학적 관점의 깊이가 상대적으로 얕아지는 경향이 있다. 본질적으로, ‘사용자로서 AI와 어떻게 상호작용할 것인가’에 초점을 맞추기에, ‘AI가 인간 중심적 가치와 문화적 배경을 어떻게 포함해야 하는가’라는 포괄적 질문에 대한 답은 부족하다.

둘째, 실증적 데이터의 부족이다. 연구는 AI 교육 연구가 “초기 단계”에 있으며 “더 많은 실증적 연구”가 필요하다고 스스로 밝힌다. 즉, 현재까지는 “이러한 방식으로 가르치면 AI 리터러시가 높아진다”는 주장을 뒷받침할 명확한 증거가 미미하다는 말이다. 우리는 ‘무엇을 가르칠까’만이 아니라 ‘어떻게 가르쳤을 때 가장 효과적인가’에 대한 추가적인 현장 연구가 필요하다. 이론적 프레임워크는 훌륭하지만, 그 효과를 검증하는 실증 데이터는 여전히 요원하다.

셋째, AI의 폭발적 변화 속도이다. 2020년 논문이 발표된 이후, 챗GPT와 같은 생성형 AI의 등장은 AI의 상호작용 방식과 리터러시 요구 사항을 근본적으로 바꾸었다. 이 논문의 프레임워크는 여전히 유효한 기초를 제공하지만, “미래 AI 상상하기(Competency 6)”가 현실이 된 지금, 역량과 설계 원칙의 업데이트가 시급하다. AI는 이제 ‘정보를 처리하는 기계’가 아니라 ‘콘텐츠를 생성하고 대화하는 파트너’가 되었다. 이는 기존 AI 리터러시 개념을 확장하여 ‘AI와 협력하여 창의성을 발휘하는 역량’이나 ‘AI의 환각(hallucination)을 비판적으로 평가하는 역량’ 등 새로운 요구를 발생시킨다.

결론 – 기술이 아니라 인간의 역할을 묻다

AI 리터러시 교육은 선택이 아닌 필수이다. 다만, ‘기술 그 자체’보다는 ‘기술과 인간의 관계’를 이해하는 방향으로 전환해야 한다. 이 논문은 그 단단한 첫걸음을 제공하며, 우리가 AI의 기능을 배우는 데 그치지 않고, AI가 가져올 사회적, 윤리적 변화를 주체적으로 이끌어갈 능력을 갖추도록 돕는다. 우리는 이 연구가 제시한 비판적 렌즈로 현장의 AI 교육을 재설계하고, 무엇보다 교실에서 AI에 대한 막연한 환상과 공포를 해체하는 데 집중해야 한다.

당신은 이번 주, 당신의 수업에서 AI 관련 오해 사례를 3가지 찾아보라. 그리고 그 오해를 해소하기 위한 5분짜리 활동을 설계해보라.

출처

• Long, D., & Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3313831.3376727