Investigating student perceptions of creativity and generative ai in computational physics

논문 개요

본 연구는 오레곤 주립대학교 (Oregon State University) 의 고급 전산 물리학 과정 (PH 36X) 에 재학 중인 물리학 전공 학생 6 명을 대상으로, 생성형 AI(gen-AI) 가 학생들의 창의성 인식 및 학습 과정에 미치는 영향을 질적 연구 방법으로 분석한 것입니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 생성형 AI(ChatGPT, Copilot 등) 가 교육 전반에 빠르게 통합되고 있으며, 특히 고등교육에서 학생들의 과제 작성, 코드 디버깅, 문제 해결에 활용되고 있습니다.
• 연구 공백: 물리학 교육 연구 (PER) 커뮤니티에서는 주로 고등학교 및 기초 물리학 수준에서 AI 의 정확성이나 응답 품질을 평가하는 연구가 주를 이루고 있습니다. 그러나 **전산 물리학 (Computational Physics)**과 같은 고급 과정, 특히 창의성 발달과 AI 의 관계를 다룬 연구는 부재합니다.
• 문제 정의: 전산 물리학은 문제 해결 및 모델링을 핵심으로 하므로 AI 와의 접점이 큽니다. 하지만 학생들은 AI 를 어떻게 인식하며, 이것이 그들의 창의성 (창의적 사고 과정) 에 어떤 영향을 미치는지에 대한 이해가 부족합니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 해석적 (Interpretive) 접근법을 취한 질적 연구입니다. 단일 사례 (단일 수업 컨텍스트) 에 대한 심층 분석을 통해 학생들의 태도와 인식을 포착하는 데 중점을 두었습니다.
• 참가자: 오레곤 주립대학교의 3 학년 물리학 전공자 6 명 (전산 물리학 과정 PH 366 수강생). 참가자의 프로그래밍 경험 수준은 다양했습니다.
• 데이터 수집:
  • 서술형 에세이 (Narrative Essays): 3 가지 프롬프트에 대한 에세이를 작성하게 했습니다.
    1. 생성형 AI 에 대한 견해.
    2. 창의성 (및 직관) 의 정의 및 물리학 수업에서의 창의적 경험 예시.
    3. 생성형 AI 와 창의성의 관계 및 AI 가 창의성에 미치는 영향.
  • 절차: 프롬프트 순서를 조정하여 AI 와 창의성을 별개로 생각하게 한 후, 마지막 프롬프트에서 두 개념을 연결하도록 유도했습니다.
• 데이터 분석:
  • 이론적 프레임워크: Kaufman 과 Beghetto 가 제안한 **4C 창의성 모델 (Four C Model)**을 사용했습니다.
    • Mini-c: 학습 과정에서 발생하는 개인적이고 의미 있는 해석 (창의성).
    • Little-c: 사회적 맥락에서 공유되는 새로운 유용한 산물.
    • Pro-C & Big-C: 전문가 및 역사적 수준의 창의성 (본 연구에서는 주로 Mini-c 와 Little-c 에 집중).
  • 코딩 과정: 학생들의 응답을 4C 모델에 따라 코딩하되, 생성형 AI 의 역할을 반영하여 정의를 확장하고 반복적으로 수정 (Iterative coding) 했습니다.

3. 주요 기여 (Key Contributions)

• 전산 물리학 맥락의 탐구: 기존 PER 연구가 기초 물리학에 집중했던 것과 달리, 고급 전산 물리학 과정에서 AI 와 창의성의 관계를 규명한 최초의 연구 중 하나입니다.
• 4C 모델의 확장 적용: 학습 과정 (Mini-c) 과 사회적 공유 (Little-c) 를 구분하여 AI 가 각 단계에서 어떻게 인식되는지 분석한 새로운 코딩 프레임워크를 제시했습니다.
• 학생 인식의 세분화: AI 를 단순한 도구로 보는 것을 넘어, 학생들의 '창의성 정의'와 'AI 에 대한 신뢰도'가 어떻게 연결되는지를 심층적으로 분석했습니다.

4. 연구 결과 (Results)

분석 결과, 두 가지 주요 관찰 사항이 도출되었습니다.

1) 창의성의 개념화: 주로 Mini-c 와 Little-c 에 국한됨

• 학생들은 창의성을 '새로운 것을 만드는 것'보다는 **'개인에게 새로운 해결책을 찾는 과정 (Mini-c)'**으로 주로 정의했습니다.
• 일부 학생 (예: Summer) 은 동료들과의 코드 공유 및 협업을 통해 사회적 맥락에서의 창의성 (Little-c) 을 언급하기도 했습니다.
• 전문가 수준의 창의성 (Pro-C, Big-C) 에 대한 언급은 거의 없었습니다.

2) 인간 창의성 vs. 생성형 AI 창의성에 대한 이중적 태도

• Mini-c 단계 (학습 도구) 에서는 긍정적: 학생들은 AI 를 아이디어 브레인스토밍, 개요 작성, 정보 수집, 코드 디버깅 등 학습 보조 도구로 활용했습니다.
• Little-c 단계 (창의적 산물) 에서는 회의적: AI 가 생성한 결과물에 대해 **신뢰하지 않음 (Skepticism)**을 보였습니다.
  • 정확성 문제: AI 의 답변이 직관과 배치되거나 오류가 있을 수 있음을 인지하고 "소금에 찍어 먹어야 한다 (grain of salt)"고 표현했습니다.
  • 창의성 부족: AI 가 생성한 내용은 "원래적이지 않고 영감을 주지 않는다 (unoriginal and uninspiring)"고 평가하며, 진정한 창의적 통찰은 인간에게서 나온다고 믿었습니다.
  • 예외: 한 학생 (Robin) 은 AI 를 인간화하여 "과거 경험을 바탕으로 새로운 콘텐츠를 생성할 수 있다"고 보았으나, 이는 소수 의견이었습니다.

5. 연구의 의의 및 시사점 (Significance)

• 교육적 함의: 학생들은 AI 를 맹목적으로 신뢰하기보다 **비판적 사고 (Critical Thinking)**를 통해 도구로 활용하는 법을 학습하고 있음을 보여줍니다. 이는 AI 시대의 교육이 '도구 활용'과 '검증 능력'을 어떻게 조화시킬지 시사합니다.
• AI 의 인간화 (Humanization) 문제: 일부 학생이 AI 를 인간처럼 인식하는 경향은 AI 에 대한 수용도를 높일 수 있지만, 인간과 AI 의 창의적 기여를 혼동하게 만들어 인간 창의성의 본질에 대한 오해를 불러일으킬 수 있다는 우려를 제기합니다.
• 향후 연구 방향: 소규모 표본 (N=6) 의 한계가 있으나, 전산 물리학이라는 구체적인 맥락에서 창의성과 AI 의 상호작용을 규명했다는 점에서 의미가 있습니다. 향후 더 많은 데이터를 통해 Pro-C/Big-C 수준의 창의성 변화나, 프롬프트 엔지니어링 역량이 창의성 인식에 미치는 영향을 연구할 필요가 있습니다.

결론적으로, 본 연구는 전산 물리학 전공 학생들이 생성형 AI 를 학습의 보조 도구 (Mini-c) 로는 유용하게 여기지만, 창의적 산물의 신뢰성과 독창성 (Little-c) 에 대해서는 여전히 회의적인 태도를 가지고 있음을 규명했습니다. 이는 AI 통합 교육 설계 시 학생들의 비판적 사고 함양과 AI 의 역할에 대한 명확한 가이드라인이 필요함을 시사합니다.