647 ／ 660
테르모믹스 비유로 본 생성형 AI 교육 활용: 요리사인가, 사용자일 뿐인가?
1. 연구의 목적
(1) 생성형 AI 도구의 빠른 도입은 교육 현장에 기회와 위험에 대한 격렬한 논쟁을 불러옴. 연구자들은 이 도구들을 어떻게 탐구할지, 교육자들은 어떻게 통합할지에 대한 실질적 질문에 직면함. 기존 논의가 종종 감정적으로 치우치거나 이분법적 평가에 갇히는 경향을 보임. 이러한 배경에서 AI가 학습 과정에 미치는 영향에 대한 균형 잡힌 시각이 절실함.
(2) 이 연구는 스마트 주방 가전인 테르모믹스(Thermomix) 비유를 활용하여 생성형 AI의 교육 현장 적용 방안을 개념적으로 탐색함. AI 도구 사용 방식이 학습자의 참여(engagement)와 학습 결과(learning outcome)에 어떤 영향을 미치는지 밝히고, 연구자와 교육자가 생성형 AI의 교육 통합을 비판적으로 검토하고 효과적으로 안내할 수 있는 개념적 렌즈(conceptual lens)를 제공함이 목표임. 즉, AI 사용 여부가 아닌 ‘어떻게 사용하는지’가 핵심 질문임을 강조함.
2. 연구의 방법
(1) 이 연구는 테르모믹스라는 주방 가전제품 사용 사례를 생성형 AI의 교육적 활용 사례에 비유하는 유추(analogy) 접근 방식을 취함. 요리라는 구체적인 수동 활동을 학습에 연결하여, 기술 사용이 실천과 정체성을 어떻게 재구성하는지 탐색함. 이는 AI와 학습 사이의 다면적 관계를 포착하는 데 효과적임.
(2) 주요 분석 대상은 테르모믹스 사용의 네 가지 시나리오와 이에 상응하는 생성형 AI의 교육적 활용 시나리오임. 이 두 가지를 ICAP 프레임워크(Chi & Wylie, 2014)의 인지적 참여 모드(수동적, 능동적, 구성적, 상호작용적)와 SAMR 모델(Puentedura, 2006)의 기술 활용 수준(대체, 확장, 변형, 재정의)에 매핑하여 비교·분석함. 이는 기술 사용의 스펙트럼과 그에 따른 학습 효과의 차이를 명확히 함.
3. 주요 발견
이 연구는 테르모믹스 비유를 통해 생성형 AI의 교육적 활용 방안을 네 가지 시나리오로 분류함. 각 시나리오는 ICAP 프레임워크의 인지적 참여 수준과 SAMR 모델의 기술 통합 수준에 따라 다르게 정의됨.
(1) 개념적 틀: ICAP 프레임워크와 SAMR 모델 학습자가 AI 도구를 사용하는 방식은 도구를 쓰는 행위 이상으로 학습의 깊이와 성격을 근본적으로 바꿈. 이 변화를 설명하기 위해 두 가지 주요 교육 기술 프레임워크를 활용함.
- ICAP 프레임워크 (Chi & Wylie, 2014): 학습자의 인지적 참여 수준을 수동적(Passive), 능동적(Active), 구성적(Constructive), 상호작용적(Interactive) 네 가지 모드로 구분함. 인지적 노력이 가장 낮은 수동적 활동부터 가장 높은 상호작용적 활동까지 학습 효과가 점진적으로 높아진다고 봄.
- SAMR 모델 (Puentedura, 2006): 기술이 학습에 어떻게 통합되는지를 네 가지 수준으로 나눔. 기술이 기존 도구를 대체하는 대체(Substitution) 단계부터, 기능적 향상을 가져오는 확장(Augmentation), 과제 자체를 재설계하는 변형(Modification), 그리고 기술 없이는 불가능했던 새로운 과제를 창출하는 재정의(Redefinition) 단계로 구성됨. 기술 활용도가 높아질수록 학습의 변혁적 잠재력이 커짐.
이 두 모델은 AI 도구를 단순히 도입하는 차원에 그치지 않고, AI 활용이 학습 경험을 어떻게 변화시키고 어떤 학습 결과를 도출하는지 체계적으로 분석하는 데 중요한 기준점을 제공함.
(2) 시나리오 1: AI에 전적으로 위임하는 ‘수동적 대체’ 이 시나리오는 테르모믹스의 ‘안내식 요리 모드(guided cooking mode)’에 비유됨. 사용자는 장치가 제공하는 단계별 지침을 그대로 따름. 요리에 대한 사전 기술이 필요 없어 편리하지만, 요리 기술 습득이나 상실로 이어질 수 있다는 비판을 받음. 생성형 AI 맥락에서는 학생들이 과제 전체를 AI에 아웃소싱하고 수정이나 비판적 참여 없이 결과를 받아들이는 경우임.
- ICAP 모드: 수동적(Passive) 참여. 학습자는 정보를 단순히 받음.
- SAMR 단계: 대체(Substitution). AI가 쓰기나 문제 해결 같은 수동적 과정을 기능적 변화 없이 완전히 대체함.
- 핵심: 인지적 노력은 가장 낮음. 창의성 및 기술 침식의 위험이 큼. 그러나 특수 학습 필요 학생이나 언어 장벽이 있는 학생에게는 과제 완수를 가능하게 하여 포용성(inclusion)을 높일 수 있음.
(3) 시나리오 2: AI 결과물을 ‘능동적으로 확장’하는 협력 이 시나리오는 테르모믹스 사용자가 안내된 레시피를 부분적으로 변경하거나 단계를 조정하는 상황과 유사함. 사용자는 자신의 사전 지식을 바탕으로 레시피를 자신에게 맞게 능동적으로 적용함. AI 맥락에서는 학생들이 AI 결과물을 신뢰할 수 있는 출처와 교차 검증(cross-verify)하거나, 프롬프트를 수정하여 더 나은 결과를 얻거나, AI 생성 텍스트를 수정하는 경우임.
- ICAP 모드: 능동적(Active) 참여. 학습자는 학습 자료를 조작하기 위해 의도적인 행동을 수행함.
- SAMR 단계: 확장(Augmentation). 기술이 기능적 향상을 제공하여 능동적인 적응을 지원함.
- 핵심: AI가 기본적인 작업을 처리하여 학습자가 더 깊이 있는 활동(예: 비판적 검토, 프롬프트 개선)에 시간을 할애하도록 함. 다만, 학습자의 사전 지식(prior knowledge)과 AI의 한계를 이해하는 능력이 필수적임.
(4) 시나리오 3: AI를 활용해 ‘구성적으로 변형’하는 창조 테르모믹스 사용자가 안내 모드에서 벗어나 수동 기능을 활용하여 복잡하고 새로운 요리를 실험하며 창의성과 다재다능함을 향상하는 경우임. 챗GPT와 같은 생성형 AI 도구를 학생들이 새로운 아이디어를 브레인스토밍(brainstorming)하고, 개요를 만들고, 정보를 평가하며, 독창적인 작업을 구축하는 데 활용하도록 교사들이 과제를 재설계하는 상황과 유사함.
- ICAP 모드: 구성적(Constructive) 참여. 학습자가 주어진 자료에 머무르지 않고 새로운 지식이나 결과물을 생성함.
- SAMR 단계: 변형(Modification). AI의 결과물을 바탕으로 학생들이 비판적 사고, 성찰, 의미 구성에 참여하도록 과제가 재설계됨.
- 핵심: AI는 단순한 정보원이 아닌, 창의성(creativity)과 성찰(reflection)을 위한 촉매제로 기능함. 이는 학습 활동 자체를 AI 없이는 동일한 방식으로 수행하기 어려울 정도로 구조적으로 바꿈.
(5) 시나리오 4: AI와 ‘상호작용하며 재정의’하는 협력 학습 테르모믹스 사용자 커뮤니티가 형성되어 서로 레시피를 공유하고 피드백을 주고받으며 지식을 공동 구성하는 상황과 유사함. 생성형 AI 맥락에서는 AI 챗봇이 대화형 스파링 파트너(sparring partner) 역할을 하여, 실시간 피드백과 대화를 통해 학습자의 비판적 질문, 아이디어 공동 구성, 창의적 문제 해결 등을 지원하는 경우임.
- ICAP 모드: 상호작용적(Interactive) 참여. 학습자와 동료, 교사, AI 에이전트 간의 건설적인 대화를 통해 지식을 공동 구성함.
- SAMR 단계: 재정의(Redefinition). AI 없이는 상상할 수 없었던 새로운 유형의 학습 과제(예: 실시간 적응형 피드백, 소크라테스식 질문을 통한 비판적 사고 촉진)가 가능해짐.
- 핵심: AI는 학습 경험을 근본적으로 변화시키는 파트너임. 개인화된 적응형 학습 경험을 대규모로 제공하는 등, 기존 교육 환경에서 구현하기 어려웠던 학습 활동을 가능하게 함.
각 시나리오를 요약하면 다음 표와 같음.
| 테르모믹스 활용 사례 | 생성형 AI 활용 사례 | ICAP 모드 | SAMR 단계 |
|---|---|---|---|
| 안내식 요리 모드 사전 기술 없이 단계별 지침 따름. 기술 상실 위험. |
과제 전체 아웃소싱 수정/비판적 참여 없이 AI 결과물 수용. |
수동적(Passive) 학습자가 정보를 단순히 받음. |
대체(Substitution) 기존 수동 과정을 기능 변화 없이 AI가 대체. |
| 레시피 일부 변경 사전 지식 바탕으로 지침 조정, 반복. |
AI 결과물 교차 검증 및 수정 프롬프트 정제, 텍스트 수정. |
능동적(Active) 학습 자료를 의도적으로 조작. |
확장(Augmentation) 기술이 기능 향상을 제공, 능동적 적응 지원. |
| 수동 기능으로 복잡 요리 실험 창의적 실험, 레퍼토리 확장. |
AI 기반 아이디어 브레인스토밍 개요 작성, 평가, 독창적 작업 구축. |
구성적(Constructive) 새로운 지식/결과물 생성. |
변형(Modification) AI 활용을 통해 과제가 재설계됨. |
| 온라인 커뮤니티에서 레시피 공유 및 피드백 지식 공동 구성, 상호작용. |
AI와 대화형 파트너 관계 구축 실시간 피드백, 협력적 토론. |
상호작용적(Interactive) 건설적 대화를 통해 지식 공동 구성. |
재정의(Redefinition) AI 없이는 불가능했던 새 과제 창출. |
이러한 매핑은 AI 도구가 작업 부담을 줄이는 데 그치지 않고, 사용 방식에 따라 학습자의 주체성과 학습 경험 자체를 근본적으로 변화시킬 잠재력을 지님을 명확히 보여줌.
4. 결론 및 시사점
(1) 이 연구는 테르모믹스 비유를 통해 생성형 AI의 교육적 활용이 단순한 기술 도입에 그치지 않고, 학습자의 정체성(identity), 주체성(agency), 그리고 평가(evaluation) 방식에 근본적인 질문을 던짐을 입증함. 핵심은 학습자가 AI를 사용하는지 여부가 아닌, AI 사용이 학습 과정을 어떻게 형성하는가에 있음. 수동적인 대체(Substitution)부터 변혁적인 재정의(Redefinition)에 이르기까지, AI 활용 스펙트럼 전반에서 인간의 인지적 참여 수준이 학습 결과의 질을 결정함.
(2) 교육 현장은 AI를 학습의 ‘도구’로만 볼 것이 아니라, 학습자의 ‘파트너’ 또는 ‘촉매제’로 활용하는 방법을 모색해야 함. 특히, 학생들이 AI가 생성한 결과물을 맹목적으로 수용하는 수동적 학습에 머물지 않고, AI를 비판적으로 평가하고, 수정하고, 더 나아가 새로운 지식을 구성하고 상호작용하며 창의성을 발휘하도록 유도하는 과제 설계가 필수적임. 이는 AI 프롬프트 엔지니어링(prompt engineering) 교육의 중요성을 강조함.
(3) AI 시스템 설계자는 학습자의 주체성을 침해하지 않으면서도 학습 효과를 극대화하는 인간 중심 AI(Human-Centered AI) 원칙을 우선시해야 함. 특히, AI가 제공하는 피드백(feedback)의 질과 대화형 상호작용(dialogic interaction) 기능을 강화하여, 학습자가 AI와 함께 지식을 공동 구성하고 심층적인 사고를 할 수 있는 환경을 구축함이 중요함. 이는 AI를 단순한 정보 검색 도구가 아닌, 능동적인 학습 동반자로 전환하는 계기가 됨.
5. 리뷰어의 ADD(+) One: 생각 더하기
(1) 이 논문의 가장 주목할 지점은 테르모믹스 비유를 통해 생성형 AI 교육 논의의 감정적, 이분법적 함정을 영리하게 회피한 점임. 기존 논의는 ‘AI 사용은 표절인가, 효율성인가’라는 흑백논리에 갇히기 쉬움. 그러나 테르모믹스가 요리 기술을 완전히 대체하지 않으면서도 요리 방식을 혁신하는 것처럼, AI 역시 학습자의 인지적 참여 수준에 따라 다양한 방식으로 학습을 재구성함을 보여줌. 이는 ‘AI 사용 찬반’이라는 이분법에 그치지 않고, ‘어떻게 AI를 교육에 성공적으로 통합할 것인가’라는 더 생산적인 질문으로 담론의 초점을 옮김. 기술 사용의 스펙트럼과 그에 따른 미묘한 학습 효과 차이를 드러내는 이 비유는 교육 현장의 복잡한 현실을 이해하고 대응하는 데 실질적인 지침을 제공함.
(2) 이 연구는 궁극적으로 ‘지식의 본질’에 대한 교육철학적 질문을 제기함. 과거에는 지식 암기와 내면화가 학습의 핵심으로 여겨졌지만, AI 시대에는 ‘외부 자원을 활용하여 문제를 해결하고 새로운 이해를 구성하는 능력’이 진정한 역량으로 부상함. 이는 인지과학의 분산 인지(distributed cognition) 개념과도 연결됨. 인간의 인지가 개인의 두뇌에만 국한되지 않고 도구, 환경, 사회적 상호작용으로 확장됨을 인정하는 관점임. AI는 이러한 인지적 확장 도구의 정점에 있음. 따라서 교육정책은 AI 활용을 제재하기보다, AI와 협력하여 비판적 사고, 창의성, 문제 해결 능력을 키우는 새로운 학습 패러다임을 지원하는 방향으로 나아가야 함. 학습자의 디지털 리터러시(digital literacy)와 AI 리터러시(AI literacy) 역량 강화를 위한 교육 과정 개편이 시급함.
(3) 이 연구를 발전시키기 위한 아이디어는 ‘AI 협업 학습 가이드라인’ 개발임. 단순히 AI 사용 규칙에 그치지 않고, ICAP-SAMR 모델에 기반한 구체적인 학습 활동 설계 원칙을 제시함. 예를 들어, ‘수동적 대체’ 단계에서는 AI로 인한 기술 상실을 막기 위해 기초 기술 습득 활동을 먼저 진행한 뒤 AI를 활용하도록 권고함. ‘능동적 확장’ 단계에서는 다양한 프롬프트 엔지니어링 전략을 가르치고 AI 결과물에 대한 비판적 평가 체크리스트를 제공함. ‘구성적 변형’ 단계에서는 AI를 활용한 팀 기반 프로젝트를 제안하여 아이디어 발산-수렴-재구성 과정을 촉진함. 최종적으로 ‘상호작용적 재정의’ 단계에서는 AI 튜터와 학습자 간의 소크라테스식 대화형 학습 모듈을 설계하고 실제 학습 효과를 검증하는 연구가 필요함. 이러한 가이드라인은 교사들이 AI를 교육 과정에 보다 전략적으로 통합하는 데 실질적인 도움을 줄 것임.
6. 추가 탐구 질문
(1) 이 연구가 제시한 네 가지 AI 활용 시나리오(수동적 대체, 능동적 확장, 구성적 변형, 상호작용적 재정의)는 학습자의 인지적 참여 수준에 따라 선형적인 학습 효과 증가를 가정함. 하지만 실제 교육 현장에서 낮은 수준의 AI 활용(수동적 대체)이 특정 맥락(예: 학습 동기 부족, 심리적 장벽)에서 의외로 높은 수준의 학습 효과를 불러올 가능성은 없는가? 즉, 학습자 개개인의 성향, 사전 지식, 학습 목표에 따라 최적의 AI 활용 방식이 달라질 수 있음을 어떻게 설명하고 적용할 것인가?
(2) 테르모믹스 비유는 요리라는 비교적 개별적이고 창의적인 활동에 초점을 맞춤. 하지만 교육은 종종 집단 학습, 협력, 사회적 상호작용을 강조하는 맥락에서 이루어짐. AI 도구가 이러한 사회적 구성주의적 학습(social constructivist learning) 환경에서 개인의 학습 주체성 및 참여 모드에 어떤 영향을 미치는지, 그리고 집단 전체의 공동 창발적(co-emergent) 학습을 어떻게 지원하거나 방해하는가? AI가 중재하는 집단 학습 환경에서 학습자의 협업 역량 평가는 어떻게 달라져야 하는가?
(3) AI 활용의 주체성과 평가에 대한 논의는 AI 윤리(AI ethics) 및 데이터 주권(data sovereignty) 문제와 깊이 연결됨. 학습자가 AI 도구를 통해 생성하거나 수정하는 콘텐츠의 저작권은 누구에게 있는가? AI가 학습자의 데이터를 수집하고 활용하는 과정에서 개인 정보 보호와 데이터 투명성은 어떻게 보장할 것인가? 특히, ‘상호작용적 재정의’ 단계에서 AI가 학습자의 정체성과 사고방식에 영향을 미칠 때, 이러한 영향이 윤리적으로 타당한지 판단하는 기준은 무엇인가?
출처
이 논문의 arXiv ID와 DOI가 확인되지 않았다.
- Rummel, N., Nachtigall, V., & Panadero, E. (2025). “With a Thermomix You Lose the Ability to Cook”: A Kitchen Machine Analogy for Applications of Generative AI in Education. Conceptual Paper.