STEM Faculty Perspectives on Generative AI in Higher Education

이 논문은 미국 한 공립 대학의 STEM 교수진 29 명을 대상으로 한 포커스 그룹 연구를 통해 생성형 AI 의 교육적 활용, 학습 및 평가에 대한 인식, 그리고 효과적인 도입을 위한 제도적 지원 필요성을 분석하였습니다.

핵심

🍳 1. 교수들의 상황: "요리 도구가 생겼는데, 요리사는 더 바빠졌어요"

과거에는 교수들이 모든 수업 자료 (퀴즈, 과제, 강의 슬라이드) 를 직접 '손으로' 만들어야 했습니다. 하지만 이제 AI 라는 초고속 자동 요리기가 생겼습니다.

• 기대했던 것: "이 기계가 요리를 대신해주면 교수들은 편해지겠지?"
• 실제 상황: 교수들은 요리를 직접 하는 시간은 줄었지만, 요리사의 역할이 '요리'에서 '맛보기 심사위원'으로 바뀌었습니다.
  • AI 가 만든 요리를 그대로 내면 맛이 없거나 (오류), 식중독 (허위 정보) 이 날 수 있습니다.
  • 그래서 교수들은 AI 가 만든 요리를 하나하나 맛보고, 고치고, 검증하는 데 더 많은 시간을 쏟고 있습니다.
  • 결론: AI 가 교수들의 일을 없애주는 게 아니라, 일의 종류를 '만들기'에서 '검증하기'로 바꿨습니다.

🎓 2. 학생들의 학습: "요리사가 대신 요리를 해주니, 배고픈 척하는 학생들"

학생들은 이 자동 요리기를 이용해 숙제를 훨씬 빠르게 끝냈습니다.

• 좋아하는 점:
  • 막히던 코딩이나 과제를 AI 가 도와주니 숙제 제출률이 높아졌습니다.
  • 마치 24 시간 켜져 있는 개인 비서처럼, 밤늦게도 질문에 답해줘서 학생들의 학습 장벽을 낮춰주었습니다.
• 우려되는 점 (가장 중요한 부분):
  • 학생들은 AI 가 만든 요리를 먹어치웠지만, 실제 요리하는 법 (논리나 원리) 은 배우지 못했습니다.
  • 시험장에서 AI 를 쓸 수 없게 하면, 학생들은 당황하며 요리를 못 합니다.
  • 비유: AI 가 대신 요리를 해주니 학생들은 "내가 요리를 잘한다"는 착각 (Illusion of Competence) 에 빠집니다. 하지만 정작 스스로 요리를 해보라고 하면, 불을 켜는 법도 모르는 상태가 됩니다.

🛡️ 3. 교수의 대응: "새로운 규칙과 새로운 요리법"

이런 상황을 지켜본 교수들은 두 가지 전략을 쓰고 있습니다.

1. 방어 전략 (옛날 방식으로 돌아가기):
   • AI 가 답을 못 쓰게 하려고, 종이와 펜으로 시험을 보거나, 입으로 설명하는 구두 시험을 다시 도입합니다.
   • "AI 를 쓰지 마"라고 금지하는 것보다, AI 를 쓸 수 없는 환경을 만드는 것이 더 효과적입니다.
2. 공격 전략 (AI 를 활용하기):
   • "AI 가 만든 요리와 네가 만든 요리를 비교해 보고, 무엇이 다른지 분석해 봐"라는 과제를 줍니다.
   • 학생들에게 AI 가 만든 답을 비판적으로 검토하게 함으로써, AI 에 의존하지 않고 스스로 생각하는 힘을 기르게 하려 합니다.

🏛️ 4. 학교의 역할: "나침반과 등대"

교수들은 학교가 다음과 같은 지원을 해달라고 요청했습니다.

• 명확한 규칙 (나침반): "어떤 과목에서는 AI 사용이 OK 고, 어떤 과목에서는 NG 라"는 식의 혼란을 없애기 위해, 학교 전체가 일관된 가이드라인을 만들어야 합니다.
• 교육과 지원 (등대): 교수들이 AI 를 어떻게 가르쳐야 할지, 학생들에게 어떻게 가르쳐야 할지 **교육 (워크숍)**이 필요합니다.
• 시간과 돈: 새로운 수업 방식을 만들려면 시간이 필요합니다. 학교는 교수들이 수업 개편을 할 수 있도록 보수 (시간) 와 자원을 지원해야 합니다.

💡 핵심 메시지 (한 줄 요약)

"생성형 AI 는 대학 수업에 들어온 강력한 '자동 요리기'입니다. 하지만 이 기계가 학생들의 실력을 대신해주거나 교수들의 일을 끝내주지는 않습니다. 오히려 우리는 '무엇을 가르쳐야 할지', '어떻게 실력을 검증할지'를 다시 한번 고민하며, 학생이 스스로 요리할 수 있도록 돕는 새로운 교육 방식을 찾아야 합니다."

이 연구는 기술 도입 자체보다, **그 기술을 어떻게 교육 현장에 잘 녹여낼지 (규칙, 평가 방식, 교수법)**에 대한 치열한 고민이 필요함을 강조하고 있습니다.

기술 요약

논문 개요

본 연구는 미국 샌프란시스코 주립대학교 (SFSU) 의 이공계열 (STEM) 교수진 29 명을 대상으로 한 포커스 그룹 연구를 통해, 고등교육 환경에서 생성형 AI(GenAI) 의 도입 현황, 교수진의 인식, 그리고 필요한 제도적 지원을 분석한 것입니다. 특히, 학생 주도적으로 GenAI 가 교실 내로 유입된 상황에서 교수진이 어떻게 대응하고 있으며, 이것이 학습 평가 및 학술적 정직성에 미치는 영향을 규명하는 데 목적이 있습니다.

1. 연구 문제 (Problem)

• 배경: 생성형 AI 는 이미지, 텍스트, 코드 등 다양한 콘텐츠를 생성할 수 있는 기술로, 산업계에서는 전략적으로 활용되고 있으나 고등교육에서는 주로 학생들의 자발적 사용으로 인해 교수진이 이미 교실 내에 존재하는 기술에 대응해야 하는 상황에 처해 있습니다.
• 갈등: 일부 교수진은 GenAI 를 교수법 (콘텐츠 생성, 평가 지원, 커리큘럼 설계 등) 에 적극 도입하는 반면, 다른 교수진은 학습의 질 저하, 평가의 타당성 훼손, 학술적 정직성 (표절) 문제, 그리고 비판적 사고 능력의 퇴화 등을 우려하며 신중한 태도를 보이고 있습니다.
• 연구 필요성: 이러한 상반된 교수진의 관점을 이해하지 않고는 효과적인 교수 전략이나 기관 차원의 정책을 수립하기 어렵습니다. 특히 접근성 중심의 대학 (SFSU) 과 같은 맥락에서 STEM 분야 교수진의 구체적인 경험과 요구를 파악할 필요가 있습니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 질적 연구 방법인 포커스 그룹 (Focus Group) 인터뷰를 사용했습니다.
• 참가자: SFSU 의 이공계열 (CoSE) 소속 교수진 29 명 (컴퓨터 과학, 공학, 수학, 화학, 물리, 생물, 심리학 등).
  • 컴퓨터 과학 (CS) 교수 11 명, 기타 STEM 학과 18 명.
  • 강사 및 tenure(정교수) 과정 교수 포함.
• 데이터 수집:
  • 2025 년 여름 및 가을 학기에 7 개의 포커스 그룹 세션 (각 90 분, Zoom 을 통한 원격 진행) 을 실시.
  • 세션 전 인구통계학적 설문 (Qualtrics) 및 세션 중 반구조화된 인터뷰 (8 개의 개방형 질문).
  • 녹음 및 자동 생성된 대본을 Google NotebookLM 을 활용하여 주제 추출 및 계층적 분석 수행 (연구팀이 최종 검증).
• 연구 질문 (RQs):
  1. 교수진은 GenAI 를 어떻게 수업 설계 및 학습 활동에 통합하는가?
  2. 교수진이 관찰한 학생 학습의 이점과 도전 과제는 무엇인가?
  3. 효과적인 GenAI 도입을 지원하기 위해 필요한 기관적 자원과 정책은 무엇인가?

3. 주요 기여 (Key Contributions)

• 맥락적 통찰: 접근성 중심의 대규모 공립 대학 (히스패닉 서비스 기관) 에 있는 STEM 교수진의 GenAI 수용 양상을 심층적으로 규명.
• 교수법적 이점과 도전 과제 식별: GenAI 사용이 가져온 구체적인 교육적 효과와 부작용을 분류.
• 교수진 기반 정책 제안: 교수진의 실제 경험을 바탕으로 한 기관적 지원 방안 (교육, 정책, 커리큘럼 개편) 을 제시.

4. 연구 결과 (Results)

RQ1: GenAI 통합 방식 (Course Design & Activities)

교수진들은 GenAI 를 크게 세 가지 영역에서 활용하고 있습니다:

1. 수업 설계 및 준비: 퀴즈 및 평가 문제 생성, 실전 시나리오 개발, 과제 지시문 명확화, 채점 기준안 (Rubric) 작성, 강의 자료 이미지 생성 등.
   • 도전 과제: 생성된 콘텐츠의 정확성 검증, 포맷팅 문제, 반복적인 수정 작업으로 인한 추가 노동.
2. 학생 학습 직접 지원: 프로젝트 아이디어 구체화, 코드 생성 및 통합 (CS), 데이터 시각화 코드 생성 (화학), 의사코드 변환 등.
   • 우려: AI 가 생성한 코드를 디버깅할 때 학생들의 개념적 이해 부족이 드러남.
3. 행정 및 커뮤니케이션: 이메일 요약 및 응답 작성, 오디오 피드백 텍스트 변환.
   • 우려: 과도한 AI 의존이 학생 - 교수 간 신뢰를 훼손할 수 있음.

RQ2: 학생 학습에 대한 이점과 도전 (Benefits & Challenges)

• 이점:
  • 기술적 격차 해소 (코딩 과제 완수율 증가).
  • 아이디어 발상 및 구현 속도 향상.
  • "개인 튜터" 역할 수행 (즉각적인 피드백 제공, 학습 병목 현상 해소).
  • 과제 제출률 및 기한 준수율 향상.
• 도전 과제:
  • 프롬프트 부하: 학생이 유용한 결과를 얻기 위해 정교한 프롬프트를 작성하는 데 많은 시간 소모.
  • 품질 불균일: 생성된 결과물의 품질이 일정하지 않아 검증 및 수정 필요.
  • 비판적 사고 저하: AI 에 대한 과도한 의존으로 문제 해결 및 비판적 사고 과정이 생략될 위험.
  • 학술적 정직성: AI 생성 콘텐츠 탐지의 어려움, 기존 탐지 도구의 부정확성 (False Positive/Negative).
  • 대응 전략: 많은 교수진이 'AI 방지' 과제보다는 전통적인 평가 방식 (수기 시험, 구두 시험, 대면 설명) 으로 회귀하거나, AI 생성물과 인간 생성물을 비교 분석하는 과제를 도입하는 '이중 전략'을 취하고 있음.

RQ3: 필요한 기관적 지원 (Institutional Resources & Policies)

• 교육 및 자원:
  • GenAI 기본 원리 (LLM 작동 방식), 프롬프트 엔지니어링, 과제별 활용 (채점 기준안 작성 등) 에 대한 워크숍 필요.
  • 공유 가능한 프롬프트 레포지토리 및 성공/실패 사례 연구 (Case Study) 구축.
  • 전담 AI 컨설팅 팀 및 'AI Square(교수 학습 공동체)'와 같은 동료 학습 네트워크 조성.
  • 커리큘럼 재설계를 위한 유급 시간 (Release time) 및 재정 지원.
• 정책 및 가이드라인:
  • 학부 간 일관된 정책 부재로 인한 학생 혼란 해소 필요.
  • 학술적 정직성, 저작권, 인용 기준에 대한 명확한 기관 차원의 합의.
  • 장애 학생 접근성 및 알고리즘 편향 (인종, 성별 등) 에 대한 윤리적 가이드라인 마련.
• 커리큘럼 개편:
  • 전 학부 대상 필수 AI 리터러시 과정 도입 (윤리, 캠퍼스 적응 등 포함).
  • 기초 과목과 고급 과목 간의 GenAI 기대치 조정 및 관련성 재검토.
  • 단기 트렌드에 기반한 급진적 변화보다는 학부 차원의 점진적 논의와 자율성 존중.

5. 의의 및 결론 (Significance & Conclusion)

• 교수 노동의 변화: GenAI 는 교수진의 업무량을 단순히 줄이는 것이 아니라, '콘텐츠 제작'에서 '전문가 큐레이션 (검증 및 수정)'으로 노동의 성격을 전환시킴.
• 학습 능력의 환상: GenAI 사용으로 과제 제출률은 높아졌으나, 학생들의 실제 개념 이해도는 낮아질 수 있음 (평가의 타당성 위기).
• 평가 방식의 재고: 전통적인 평가 방식의 부활과 AI 활용 과제의 병행이라는 이중적 접근이 필요함.
• 정책적 시사점: 효과적인 GenAI 통합은 단순한 기술 도입을 넘어, 평가 방식, 교수법, 기관 거버넌스의 재설계를 요구합니다.
  • 대학 전체의 일관된 정책 (Guardrails) 과 학부별 자율성 (Autonomy) 사이의 균형이 필수적.
  • 지속적인 교수 개발 (Faculty Development) 과 자원 투자가 동반되어야 함.
• 한계: 단일 기관의 STEM 분야 교수진에 국한된 연구이므로, 비 STEM 분야나 다른 유형의 대학으로의 일반화에는 주의가 필요함.

이 연구는 GenAI 시대의 고등교육이 기술 수용을 넘어 교육의 본질 (비판적 사고, 평가의 공정성) 을 어떻게 재정의할 것인지에 대한 중요한 통찰을 제공합니다.