Artificial Intelligence Competence of K-12 Students Shapes Their AI Risk Perception: A Co-occurrence Network Analysis

기술 요약: K-12 학생의 인공지능 역량이 AI 위험 인식에 미치는 영향

문제 제기
인공지능(AI), 특히 생성형 AI(GenAI)가 교육에 통합됨에 따라, 이와 관련된 위험을 어떻게 인식하는지 이해하는 것이 책임 있는 도입을 위해 매우 중요하다. AI는 기회인 동시에 위험으로 인식되지만, 학생의 자기 보고된 AI 역량과 AI 관련 위험 인식 사이의 구체적인 관계에 대해서는 아직 연구가 부족한 실정이다. 기존 문헌은 다양한 위험 범주(개인정보 보호, 편향성, 정확성, 윤리 등)를 식별하고 있으나, 개인적 특성, 구체적으로 역량 수준이 이러한 위험의 프레임을 어떻게 형성하는지는 불분명하다. 본 연구는 두 가지 주요 질문을 다룬다: (1) 상급 중등(K-12) 학생들은 어떤 요인을 AI 관련 위험으로 인식하는가? (2) 자기 보고된 AI 역량은 이러한 위험 인식을 어떻게 형성하는가?

연구 방법론
본 연구는 복잡계 과학(complexity science)과 네트워크 계량심리학(network psychometrics)에 기반한 공생 네트워크 분석(co-occurrence network analysis) 접근 방식을 활용하여 정량적, 횡단적 설계를 채택하였다.

• 참가자: 2년제 GenAI 개발 프로젝트에 참여 중인 핀란드 일반 상급 중등 학교(ISCED 레벨 3)의 학생 163명(여성 47%, 남성 51%, 논바이너리 2%)으로부터 데이터를 수집하였다. 출생 연도의 중앙값은 2008년이다.
• 도구:
  • AI 역량: 일반적인 AI 사용, 개인화된 학습 지원, 정보 관리 능력을 평가하기 위해 5점 리커트 척도로 측정된 4개 항목의 척도를 사용하였다. 확인적 요인 분석(CFA) 결과, 우수한 모델 적합도(CFI = 1.00, RMSEA = .041)와 신뢰도($\alpha$ = 0.89)를 가진 단일 차원 구조가 확인되었다.
  • AI 우려/위험: 세 가지 영역(체계적, 제도적, 개인적)에 걸친 위험 인식을 포착하는 14개 항목의 이진 체크리스트를 사용하였다.
    • 체계적(예: 편향, 부정확성, 자원 활용)
    • 제도적(예: 부정행위, 불공정한 이점, 학교 정책, 저작권)
    • 개인적(예: 비판적 사고/창의성 감소, 중독, 개인정보 보호)
• 분석 접근 방식:
  • 중앙값 분할(Mdn = 17)을 사용하여 학생들을 "낮은" 역량 그룹과 "높은" 역량 그룹으로 층화하였다.
  • 우려 사항의 관계적 구조를 모델링하기 위해 공생 네트워크 분석을 수행하였다. 이진 응답은 공생 행렬(co-occurrence matrix)로 변환되었다.
  • 학생당 선택한 총 우려 사항의 수를 통제하기 위해 데이터에 $L_2$-정규화(normalization)를 적용하였다.
  • 성별과 학년을 통제하면서 역량의 효과를 분리하기 위해 최소제곱 회귀(OLS)를 사용하여 **회귀 조정 엣지 가중치(regression-adjusted edge weights)**를 계산하였다.
  • 저역량 그룹과 고역량 그룹 내 특정 우려 사항의 상대적 구조적 중요성을 식별하기 위해 **고유벡터 중심성(Eigenvector Centrality, EC)**을 계산하였다. 두 그룹 간의 현저한 연관성을 강조하기 위해 절대값이 75백분위수 미만인 엣지는 제거(pruning)하였다.

주요 결과
분석 결과, 역량 수준이 위험 인식에 영향을 미치는 뚜렷한 패턴이 드러났다:

1. 전반적인 유병률: 모든 학생에게서 가장 빈번하게 언급된 우려는 AI의 부정확성/편향성, AI를 이용한 부정행위, 그리고 학습의 질 저하(비판적 사고 및 창의성 감소)였다. 제도적 및 법적 우려(저작권, 일관되지 않은 규칙)는 가장 적게 인용되었다.
2. 역량과 우려의 양: 낮은 역량 그룹의 학생들은 높은 역량의 동료들에 비해 거의 모든 범주에서 더 많은 수의 우려 사항을 보고하였다. 낮은 역량의 학생들은 개인적 학습 위험과 공포 기반의 문제(오용, 중독)를 더 강하게 강조하였다.
3. 네트워크 구조의 차이:
   • 고역량 그룹: 네트워크는 체계적 및 제도적 위험 사이의 강한 양의 상관관계로 특징지어졌다. 핵심 노드는 AI_부정행위(EC = 0.53)와 편향됨(EC = 0.52)이었으며, 교사_규칙과 부정확함이 그 뒤를 이었다. 이는 역량이 높은 학생들이 AI 위험을 서로 연결된 체계적 이슈(예: 부정행위를 편향 및 학교 규칙과 연결)로 본다는 것을 나타낸다.
   • 저역량 그룹: 네트워크는 개인적 및 학습 관련 위협을 중심으로 형성되었다. 가장 중심적인 노드는 덜_창의적임(EC = -0.53)과 덜_비판적임(EC = -0.49)이었다. 이 그룹은 창의성 및 비판적 사고에 대한 우려를 공정성 및 자원 문제와 강력하게 연결하였다.
4. 회귀 결과: 양의 엣지 가중치(역량이 높아짐에 따라 증가)는 체계적/제도적 항목(예: AI_부정행위—편향됨)을 연결하였다. 음의 엣지 가중치(역량이 높아짐에 따라 감소)는 개인적/학습 관련 항목(예: 덜_창의적임—덜_비판적임)을 연결하였으며, 이는 낮은 역량의 학생들이 인지적 저하를 공정성 및 자원 문제와 혼동할 가능성이 높음을 시사한다.

주요 기여

• 역량-위험 연결의 실증적 증거: 본 연구는 자기 보고된 AI 역량이 학생들의 위험 프레임을 결정하는 중요한 예측 변수라는 실증적 증거를 제공한다. 단순히 빈도수를 세는 것을 넘어, 역량이 위험 인식의 구조적 관계를 어떻게 변화시키는지 보여준다.
• 위험 프레임의 차별화: 연구는 "체계적/제도적" 위험 프레임(고역량 학생에게 지배적)과 "개인적/인지적" 위험 프레임(저역량 학생에게 지배적)을 구분한다.
• 방법론적 적용: 본 논문은 학생들의 기술에 대한 신념의 복잡한 망을 시각화하는 데 있어 교육 연구에서 공생 네트워크 분석과 고유벡터 중심성을 활용하는 유용성을 입증한다.

의의 및 주장
저자들은 이러한 결과가 교육 과정에 AI 리터러시를 포함시켜야 한다는 비판적 필요성을 강조한다고 주장한다. 본 연구는 체계적이고 공평한 AI 리터러시 교육이 이루어지지 않는다면, 지식의 격차가 벌어져 불평등한 기회(즉, "AI 디바이드")로 이어질 수 있다고 상정한다.

• 교육자를 위하여: 교사는 단순한 "허용/금지" 정책을 넘어선 접근이 필요하다. 낮은 역량의 학생들에게는 오용에 대한 두려움과 인지적 퇴화를 다루기 위한 스캐폴딩(scaffolding)이 필요하다. 높은 역량의 학생들에게는 허용 가능한 사용에 대한 명확한 가이드라인과 AI 출력물을 평가하는 훈련이 필요하다.
• 정책 입안자를 위하여: 결과는 AI 리터러시를 강조하는 EU 인공지능법(EU AI Act)의 흐름과 일치한다. 저자들은 역량 구축을 제도화하지 못할 경우 교육 시스템이 기술적 변화에 대비하지 못할 수 있다고 주장한다.
• 제한적 범위: 저자들은 단일 학교 맥락(일반화의 한계), 자기 보고된 역량에 의존함, 그리고 인과 관계를 단정할 수 없는 횡단적 설계 등의 한계를 명시적으로 인정한다. 이들은 구체적인 새로운 교수 모델을 제안하기보다는, 자기 효능감 및 위험 인식에 관한 기존 연구가 향후 개입(intervention)에 반영되어야 한다고 제안한다.

결론적으로, 본 논문은 AI 역량이 단순한 기술 집합이 아니라 학생들이 교육에서의 AI 위험과 기회를 평가하는 '렌즈'라고 주장한다. 따라서 학습자들이 AI 도구를 비판적이고 책임감 있으며 생산적으로 활용할 수 있도록 AI 리터러시를 증진하는 것이 필수적이다.