AI Unplugged: 고등교육을 위한 AI 문해력 향상을 위한 신체 기반 상호작용 연구 기술 요약

본 논문은 인공지능 (AI) 이 일상생활에 깊이 통합됨에 따라, 고등교육에서 코드 중심의 instruction 을 넘어 포괄적인 AI 문해력 (AI Literacy) 을 함양할 필요성을 제기합니다. 저자들은 대학 수준의 'AI 입문' 과정에 신체 기반 (Embodied) 의 언플러그드 (Unplugged, 컴퓨터 사용 없이 수행하는) 활동을 통합한 새로운 교수법을 제안하고, 그 효과와 구현 방식을 보고합니다.

1. 문제 정의 (Problem)

• AI 에 대한 오해와 추상적 이해: 학생들은 대중매체나 SF 를 통해 AI 를 마법 같은 초인적 기술로 인식하는 경우가 많으며, 실제 기술적 현실이나 알고리즘의 작동 원리를 제대로 이해하지 못합니다.
• 전통적 교육의 한계: 대부분의 대학 AI 과정은 수학적 공식과 코드 작성에 치중하여, 추상적인 개념을 직관적으로 이해하기 어렵게 만듭니다. 또한, 윤리적 고려사항이나 비판적 사고는 종종 수업의 말미로 밀려나거나 생략됩니다.
• 개념과 기술의 괴리: K-12 교육에서는 'CS Unplugged'를 통해 추상적인 컴퓨터 과학 개념을 구체화하는 데 성공했으나, 고등교육에서는 이러한 접근법이 드물어 개념적 추론과 기술적 스킬 빌딩 사이의 간극이 존재합니다.

2. 방법론 (Methodology)

저자들은 2025 년 여름 학기에 Georgia Institute of Technology 에서 12 주 동안 진행된 'AI 입문' 과정을 사례 연구로 활용했습니다. 핵심 방법론은 구현된 인지 (Embodied Cognition) 이론에 기반하여, 학생들이 AI 에이전트의 의사결정 과정을 1 인칭으로 체험하게 하는 것입니다.

주요 교수 설계 원칙

1. 언플러그드 활동 (Unplugged Activities): 컴퓨터 없이 종이, 펜, 주사위, 카드 등을 사용하여 물리적으로 상호작용합니다.
2. 역할 분담과 분산 정보: 학생들은 그룹을 이루어 AI 에이전트의 다양한 역할 (예: 알고리즘, 목표 테스트, 프론티어 등) 을 수행하며, 전체적인 상태를 한눈에 보는 것이 아니라 제한된 정보 하에서 결정을 내립니다.
3. 언플러그드 → 수학적 형식화 → 코딩 (Plugged) 의 연결:
   • Step 1: 물리적 게임을 통해 알고리즘의 직관적 이해 형성.
   • Step 2: 게임 경험을 바탕으로 수학적 모델 (수식, 확률 등) 로 전환.
   • Step 3: Python(Jupyter Notebook) 을 사용하여 실제 알고리즘 구현.

주요 4 가지 활동 사례

1. 검색 알고리즘 (Search - "Becoming Search"):
   • 학생 4 명이 각기 다른 정보 (전체 연결 관계, 목표 조건, 프론티어 관리, 알고리즘 제어) 를 가진 역할로 나뉘어 탐색 과정을 수행합니다.
   • BFS, DFS, Uniform-Cost Search, A* 등의 알고리즘을 카드와 스택/큐의 물리적 조작을 통해 체험하며, 휴리스틱의 역할과 국소적 정보의 중요성을 이해합니다.
2. 마르코프 의사결정 과정 (MDP - "Red and Black Jack"):
   • 블랙잭 변형 게임을 통해 불확실한 환경에서의 의사결정을 학습합니다.
   • 'Hit'와 'Stand' 행동에 따른 확률적 전이와 보상을 직접 경험한 후, 가치 반복 (Value Iteration) 을 통해 최적 정책 (Policy) 을 도출합니다.
3. Q-러닝 (Q-Learning - "Q-Maze"):
   • 학생이 격자 세계 (GridWorld) 를 이동하며 Q-값 테이블을 직접 업데이트합니다.
   • 초기 Q-값이 0 일 때의 탐색 (Exploration) 과 학습된 Q-값을 활용한 활용 (Exploitation) 의 균형을 주사위 굴림과 보상을 통해 체감합니다.
4. 은닉 마르코프 모델 (HMM - "Two Spies"):
   • 한 학생은 은닉된 스파이 (전환 모델), 다른 학생은 추적자 (센서 모델) 역할을 하여 잡음 (Noise) 이 있는 관측 데이터를 바탕으로 스파이의 위치를 추론합니다.
   • 관측을 통해 신념 (Belief) 상태를 업데이트하는 과정을 직접 시뮬레이션합니다.

3. 주요 기여 (Key Contributions)

• 고등교육을 위한 언플러그드 AI 커리큘럼 모델 제시: K-12 에서만 사용되던 언플러그드 기법을 대학 수준의 복잡한 알고리즘 (MDP, HMM, Q-Learning 등) 교육에 성공적으로 적용한 구체적인 사례를 제공합니다.
• 개념적 직관과 기술적 구현의 간극 해소: 학생들이 물리적 활동을 통해 알고리즘의 '왜 (Why)'와 '어떻게 (How)'를 직관적으로 이해한 후, 이를 수학적 형식화와 코딩으로 자연스럽게 전환할 수 있는 교육 프로세스를 정립했습니다.
• AI 문해력 (AI Literacy) 의 확장: 단순한 시스템 구축을 넘어, AI 의 의사결정 과정, 불확실성 처리, 윤리적 함의 등을 비판적으로 사고할 수 있는 능력을 함양하는 교육적 접근을 제시합니다.

4. 결과 및 성과 (Results)

• 높은 수업 참여도: 기존 강의식 수업에서는 학기 말까지 출석률이 25-30% 에 불과했으나, 언플러그드 활동을 도입한 여름 학기에는 75-80% 의 높은 출석률을 유지했습니다.
• 개념적 이해도 향상: 학생들은 게임 메커니즘 (주사위, 카드 확률) 을 통해 불확실성 하의 의사결정을 직관적으로 이해하게 되었고, 이를 코딩 프로젝트로 전환할 때 알고리즘의 수학적 제약 조건이 '임의의 선택'이 아닌 '문제의 본질적 속성'임을 인식하게 되었습니다.
• 학습 심화 및 유지:
  • 탐색 알고리즘: 역할 분담을 통해 에이전트의 국소적 관점을 이해하고, 이를 코드화하는 helper 함수 설계에 성공했습니다.
  • Q-러닝: 탐색과 활용의 트레이드오프를 직접 경험하여 Q-learning 프로젝트의 파라미터 튜닝에 능숙해졌습니다.
  • MDP/HMM: 가치 반복과 베이지안 추론을 통해 최적 정책과 신념 상태 업데이트를 예측하고 설명할 수 있었습니다.

5. 의의 및 시사점 (Significance)

• 교육적 접근성 증대: 수학 및 프로그래밍에 대한 불안감 (Math Anxiety) 을 가진 학생들에게 진입 장벽을 낮추고, 사전 지식을 바탕으로 복잡한 개념을 쉽게 접근할 수 있도록 돕습니다.
• 포괄적 AI 교육의 실현: 기술적 구현뿐만 아니라 AI 의 사회적, 윤리적 영향에 대한 비판적 사고를 촉진하여, AI 시스템을 설계하고 평가할 수 있는 종합적인 역량을 갖춘 인재를 양성합니다.
• 미래 연구 방향: 본 연구는 대규모 강의실 적용, 다일제 활동 구조의 확장, 그리고 단일 시나리오에 여러 AI 기법을 적용하는 등의 개선점을 제시하며, 고등교육에서의 언플러그드 AI 교육이 개념적 추론과 기술적 숙련도를 연결하는 핵심 교량 역할을 할 수 있음을 입증했습니다.

결론적으로, 이 연구는 AI 교육이 단순한 코딩 훈련을 넘어, 인간과 AI 의 의사결정 방식을 연결하는 신체 기반의 체험적 학습을 통해 보다 효과적이고 포괄적인 AI 문해력을 달성할 수 있음을 보여줍니다.