기술적 요약: 이탈리아 맥락에서의 생성형 AI 실천, 문해력 및 격차

문제 제기

생성형 AI(GenAI) 챗봇의 급속한 확산은 디지털 상호작용에 변혁적 전환을 가져와 경제적·생산성적 약속을 제시하고 있습니다. 그러나 이 기술이 기존 사회적 불평등을 심화시키는지 여부에 대한 이해에는 결정적인 공백이 존재합니다. 이전 연구들은 제한된 영역 (예: 코딩, 학술적 글쓰기) 이나 특정 하위 집단 (예: 학생) 에 초점을 맞춰 채택 여부나 사용 빈도를 조사해 왔으나, 다음 세 가지 요소를 동시에 다루는 포괄적이고 다층적인 실증적 기록은 부재합니다:

1. 1 차적 격차: 일반 인구 집단 간 채택률의 차이.
2. 2 차적 격차: 사용의 성격, 목적, 그리고 이를 뒷받침하는 문해력의 차이.
3. "비사용자" 격차: 기존 연구들은 종종 현재 사용자의 독점적 로그에 의존하여 이러한 도구를 활용하지 않는 사람들을 간과해 왔으며, 이들의 제약과 필요성은 충분히 탐구되지 않았습니다.

또한, 대부분의 대규모 분석은 영어권 데이터에 의존하고 있어, 기본 디지털 기술 분야에서 EU 디지털 경제 및 사회 지수 (DESI) 에서 낮은 순위를 기록하는 이탈리아와 같은 디지털 문해력 수준이 낮은 "평균" 국가에서의 GenAI 역학을 이해하는 데 공백이 존재합니다.

방법론

본 연구는 2025 년 5 월부터 8 월까지 실시된 1,906 명의 이탈리아어 화자 성인을 대상으로 한 신규 설문 조사를 기반으로 한 혼합 방법론을 채택했습니다. 표본에는 채택자 (80.4%) 와 비채택자가 모두 포함되었으며, 인구통계학적 분포 (성별, 연령, 지리적 위치) 는 국가 통계와 밀접하게 일치하지만, 교육받은 응답자의 비율이 약간 과대표현되었습니다.

데이터 수집 및 측정 항목

• 채택 및 경험: 참여자들은 GenAI 챗봇과 기계 번역, 음성 비서, 보조 글쓰기, 음성 전사, 텍스트 음성 변환 (TTS) 등 5 가지 확립된 언어 기술 (LT) 의 사용 여부를 보고했습니다. 이를 바탕으로 "LT 경험 지수 (0~5)"가 구성되었습니다.
• 문해력 및 역량: 공식적 대 자발적 교육과 같은 자기 보고식 훈련과 기능적 및 비판적 문해력 (예: 오류 인식, AI 생성 텍스트와 인간 텍스트 구분) 을 평가하는 6 개 항목의 리커트 척도를 통해 측정되었습니다.
• 사용 패턴: 채택자의 경우, 24 가지 구체적인 활동과 6 가지 의도 카테고리(정보 검색, 문제 해결, 학습, 콘텐츠 제작, 여가, 창의성) 에 걸친 사용 패턴이 매핑되었습니다. 빈도는 03 척도 (전혀 안 함주 1 회) 로 기록되었습니다.
• 정성적 통찰: 비채택 이유, 인지된 위험 (할루시네이션, 편향), 언어 선호도에 관한 개방형 응답은 BERTopic을 사용하여 클러스터링 및 주제 추출을 위해 분석되었습니다.

분석 전략

• 채택 분석: 로지스틱 회귀 모델을 통해 사회인구학적 요인 (연령, 성별, 교육, 소득) 과 이전 LT 경험을 기반으로 한 채택 가능성을 예측했습니다.
• 사용 분석: 사회인구학적 요인, LT 경험, 훈련, 문해력을 통제하면서 6 가지 의도 카테고리 각각에 대해 별도의 최소제곱법 (OLS) 회귀 모델을 실행하여 사용 빈도의 예측 요인을 규명했습니다.
• 견고성: ISTAT 데이터를 기반으로 한 사후 층화 가중치를 적용하여 결과의 안정성을 검증했으며, findings 는 실질적으로 변함없음이 확인되었습니다.

주요 기여

1. 다층적 실증적 프레임워크: 본 연구는 단일 데이터셋 내에서 채택 (1 차적) 을 사용 모드 및 문해력 (2 차적) 과 직접적으로 연결하여 GenAI 격차에 대한 통합 분석을 제공합니다.
2. 비영어권 맥락: 영어권 맥락을 넘어 연구를 확장하여 디지털 혁신 수준이 낮은 국가인 이탈리아의 GenAI 역학에 대한 세밀한 관점을 제시합니다.
3. 비채택자 포함: 비사용자를 명시적으로 설문 조사함으로써 지식 장벽 집단과 의도적 비사용자 집단이라는 distinct 하위 집단을 식별하고, 이들의 향후 채택에 대한 서로 다른 조건을 파악했습니다.
4. 공개 데이터 배포: 저자들은 전체 데이터셋과 코드를 공개하여 2025 년 이탈리아 GenAI 지형의 종단적 모니터링을 가능하게 했습니다.

주요 결과

1. 채택 격차 (1 차적)

• 높은 채택: GenAI 챗봇 채택률 (80%) 은 음성 비서 (73%) 를 상회하지만 기계 번역 (94%) 에는 미치지 못합니다.
• 사회인구학적 균열: 채택률은 여성(남성 대비 오즈비 0.40), 고령자(55 세 이후 오즈가 급격히 하락), 그리고 저학력자 사이에서 유의미하게 낮습니다.
• 누적 우위: 다른 LT 에 대한 이전 경험이 채택의 가장 강력한 예측 요인 (OR = 1.86) 이며, 이는 기술적 친숙도가 GenAI 수용을 주도하는 "부자는 더 부자가 되는" 역학을 시사합니다.
• 비사용자 동기: 비사용자는 두 그룹으로 나뉩니다:
  • 지식 장벽 (40.5%): 도구를 알지 못하거나 사용할 수 없음; 지원과 훈련에 대한 필요성을 표출합니다.
  • 의도적 비사용자 (59.5%): 유용성 부족을 인지하거나 관심이 없음; 향후 채택 가능성이 낮습니다.

2. 문해력과 인식

• 훈련 부족: 사용자 대다수 (48.8%) 와 대부분의 비사용자 (76.2%) 는 AI 에 대해 공식적 또는 비공식적 훈련을 전혀 받지 못했습니다.
• 낮은 자기 평가 역량: 사용자들조차 자기 평가 문해력은 modest 합니다. 사용자는 이론적 지식과 AI 생성 텍스트와 인간 텍스트를 구분하는 데 가장 어려움을 겪습니다.
• 인식 대 능력: 사용자들은 잠재적 편향과 할루시네이션에 대해 높은 인식을 가지고 있습니다 (규제 지지 84%), 하지만 이러한 인식과 산출물에서 오류를 실제로 감지하는 능력 사이에는 격차가 존재합니다.
• 보고된 오류: 사용자는 특히 이탈리아의 법적 및 문화적 맥락과 관련하여 사실적 오류 (할루시네이션) 를 자주 보고하며, 이미지 생성 및 언어적 기본값에서의 성별 및 인종 편향도 보고합니다.

3. 사용 패턴 및 2 차적 격차

• 다목적 도구: GenAI 는 전문적 (52%) 과 개인적 (48%) 맥락 모두에서 사용됩니다. "설명"과 "이미지 생성"이 가장 일반적인 활동입니다.
• 역량 격차:
  • 레버로서의 훈련: 이전 훈련은 능동적이고 자본 증진적인 사용(학습, 콘텐츠 제작, 창의성) 의 강력하고 일관된 예측 요인입니다.
  • 수동적 사용의 무감각성: 수동적이거나 오락적인 사용 (정보 검색, 여가) 은 역량 수준에 무감각하며, 훈련이나 문해력과 관계없이 접근 가능합니다.
• 지속적인 성별 격차: 성별은 연령, 교육, 훈련을 통제한 후에도 6 개 의도 카테고리 중 5 개에서 사용에 대해 일관되게 부정적으로 예측하는 유일한 요인입니다.
  • 여성은 전반적으로 사용의 다양성과 빈도가 낮다고 보고합니다.
  • 그러나 여성이 GenAI 를 사용할 때, 그 사용은 직업/학습 맥락으로 더 크게 치우쳐 있습니다 (남성 52% 대비 60%), 이는 더 도구적이고 신중한 참여를 시사합니다.
• 연령 반전: 고령 사용자 (65 세 이상) 는 창의적이거나 콘텐츠 제작 작업에 GenAI 를 사용할 가능성은 낮지만, 이러한 산출물을 비판적으로 평가할 수 있는 가장 낮은 문해력 수준을 가지고 있음에도 불구하고 정보 검색에 더 크게 의존하는 것으로 나타납니다.

중요성과 주장

본 논문은 GenAI 에 대한 높은 접근성이 자동으로 광범위하게 공유된 성과로 이어지는 것은 아니라고 주장합니다. 대신, 이 기술은 다층적 격차를 통해 기존 불평등을 심화시킬 위험이 있습니다:

1. 접근: 성별, 연령, 교육에 기반한 불균등한 채택.
2. 사용: 모든 사람이 접근 가능한 수동/오락적 사용과 훈련받고 교육받은 집단에 집중된 능동적·자본 증진적 사용 사이의 분기.
3. 결과 (3 차적): 저자들은 이러한 구조적 조건이 취약 계층 (고령자, 저학력자, 여성) 이 오류나 편향을 감지할 수 있는 필수 문해력 없이 GenAI 를 사실 확인이나 법률 정보와 같은 중요한 작업에 의존하게 만들어 실질적인 해악을 초래할 위험을 창출한다고 주장합니다.

본 연구는 **디지털 문해력이 단순히 사람들이 GenAI 를 사용하는지 여부의 문지기 역할만 하는 것이 아니라, 그들이 이를 어떻게 활용하는지에 대한 레버 역할**을 한다고 결론 내립니다. 표적화된 개입 (훈련) 은 채택률을 높이기 위해서뿐만 아니라, GenAI 의 혜택—특히 생산성과 창의성 향상—이 공정하게 분배되도록 하기 위해 필요합니다. 본 논문은 비채택자의 요구를 더 잘 충족시키고 모든 통제 변수를 견디는 지속적인 성별 격차를 해결하기 위해 설계 및 평가의 전환을 촉구하고 있습니다.