GenAI Integration into Engineering Education: A Case Study of an Introductory Undergraduate Engineering Course

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 생성형 AI(GenAI) 는 공학 교육 (EE) 에서 학습 및 교수 과정을 향상시킬 잠재력이 있으나, 실제 수업 환경에서 어떻게 통합되어야 하는지에 대한 구체적인 실증 데이터가 부족합니다.
• 문제: 기존 연구는 GenAI 의 잠재적 이점과 한계를 논의했으나, 공학 교수진과 조교 (TA) 가 해당 기술을 처음 시도하며 겪는 초기 경험과 그 과정에서 발생하는 인식 변화, 그리고 이것이 학생의 학업 성취도에 미치는 영향을 심층적으로 분석한 연구는 드뭅니다.
• 연구 목적: 초급 학부 공학 과정 (컴퓨터 시스템) 에서 교수진과 조교가 GenAI(Copilot) 를 의도적으로 탐색하며 통합하는 과정과 그 결과를 분석하고, Hughes(2005) 의 기술 통합 수준 모델 (대체, 증폭, 변혁) 에 비추어 통합의 수준을 규명하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 단일 사례 연구 (Single Case Study) 및 내재적 단일 사례 설계 (Embedded Single-case Design) 를 사용했습니다.
• 연구 대상:
  • 강의: 12 주간의 초급 학부 컴퓨터 시스템 과정 (소프트웨어 공학 전공).
  • 참여자: 1 명의 과정 강사 (CI, 10 년 경력 교수) 와 7 명의 조교 (TA).
  • 학생: 초급 공학 수강생 (약 100 명 이상, 전산 데이터 분석 대상).
• 개입 (Intervention):
  • 학생들은 수업 중 연습 문제 (Exercise) 와 팀 프로젝트 시 GitHub Copilot(GPT-4 기반) 을 사용할 수 있었습니다.
  • GenAI 를 직접 답을 구하는 도구로만 사용하는 것이 아니라, 코드 이해 및 튜터링 도구로 활용하도록 지도했습니다.
• 데이터 수집:
  • 정성적 데이터: 강사와 조교를 대상으로 학기 초, 중, 말에 걸쳐 수행된 4 회 반구조화 인터뷰 (Zoom/Teams).
  • 정량적 데이터: 학기 초 (Pre-test) 와 학기 말 (Post-test) 의 형성 평가 연습 문제 (Formative Practice Exercises) 점수 비교.
• 분석 방법:
  • 정량: 정규성 검정 (Shapiro-Wilk) 후, 정규 분포를 만족하지 않는 데이터는 Wilcoxon 부호 순위 검정, 만족하는 데이터는 대응표본 t-검정을 수행하여 점수 향상 여부를 분석했습니다.
  • 정성: 주제 분석 (Thematic Analysis) 을 통해 인터뷰 데이터를 코딩하고, Hughes(2005) 의 기술 통합 수준 (대체, 증폭, 변혁) 에 맞게 범주화했습니다.

3. 주요 결과 (Key Results)

A. 학생의 학업 성취도 변화 (Quantitative Findings)

• 전반적 향상: GenAI 통합 후 학생들의 형성 평가 연습 문제 점수가 통계적으로 유의미하게 향상되었습니다 (p < .05).
• 효과 크기: 대부분의 연습 문제 (Exercise 1, 2, 4, 6, 7, 8) 에서 **대규모 효과 (Large Effect)**가 관찰되었으며, 일부는 중간 또는 소규모 효과를 보였습니다.
• 예외: Exercise 9 는 유의미한 차이가 없었으나, 전체적으로 GenAI 활용이 학습 성과에 긍정적 영향을 미쳤음을 시사합니다.

B. 교수진 및 조교의 경험과 인식 변화 (Qualitative Findings)

• 기술 통합 수준 (Hughes 모델):
  • GenAI 통합은 주로 대체 (Replacement) 및 증폭 (Amplification) 수준에 머물렀습니다.
  • 대체: 기존 교재나 검색 엔진을 AI 로 대체.
  • 증폭: 코드 작성 및 문제 해결의 효율성 향상, 빠른 정보 검색.
  • 부재: 학습 내용, 인지 과정, 문제 해결 방식 자체를 근본적으로 변화시키는 변혁 (Transformation) 단계까지는 도달하지 못했습니다.
• 인식의 진화:
  • 초기: GenAI 를 새로운 도구로 인식하며 기대감 (시간 절약, 튜터링 기능) 과 함께 건강한 회의론 (할루시네이션, 신뢰성 문제) 을 보였습니다.
  • 중반: 학생들의 사용 패턴을 관찰하며 GenAI 가 '정답'을 주는 것이 아니라 '대화'를 통해 학습을 돕는 도구여야 한다는 인식이 강화되었습니다.
  • 후기: GenAI 가 코딩을 완전히 대체하지는 않을 것이라 판단하면서도, 학생들의 과도한 의존과 학습의 오프로딩 (offloading) 에 대한 우려가 지속되었습니다.
• 학생의 반응:
  • 초기에는 GenAI 사용이 허용된 것에 대해 놀라움과 흥분을 보였으나, 시간이 지남에 따라 사용 빈도는 다소 감소하는 경향을 보였습니다.
  • 학생들은 GenAI 를 '검색 엔진'이나 '보조 도구'로 인식하며, 팀워크와 결합하여 활용했습니다.

C. 주요 쟁점 및 조건

• 프롬프트 엔지니어링: 정확한 답변을 얻기 위해서는 기본적인 개념 지식을 바탕으로 한 정교한 프롬프트 작성 능력이 필수적입니다.
• 학습 trade-off: GenAI 가 코딩 속도를 높여주지만, 학생들이 직접 코드를 작성하며 실수를 통해 배우는 과정이 생략될 경우 학습 효과가 떨어질 수 있다는 우려가 제기되었습니다.
• 윤리적 고려: 저작권, 개인정보 보호, 그리고 GenAI 생성 코드의 정확성 검증 (Human-in-the-loop) 의 필요성이 강조되었습니다.

4. 주요 기여 (Key Contributions)

1. 초기 통합 경험에 대한 실증적 통찰: GenAI 를 처음 도입하는 공학 교수진과 조교의 실제 경험, 고민, 그리고 인식 변화를 체계적으로 문서화했습니다.
2. 학습 성과와의 연관성 입증: GenAI 의 의도적 통합이 학생들의 형성 평가 점수를 유의미하게 높였음을 정량적 데이터로 입증했습니다.
3. 기술 통합 수준에 대한 명확한 구분: 초기 도입 단계에서는 기술이 주로 '대체'와 '증폭' 수준에 머무르며, '변혁' 단계로 넘어가기 위해서는 교수법과 평가 방식의 근본적인 변화가 필요함을 시사했습니다.
4. 교육적 시사점: GenAI 를 단순히 금지하거나 허용하는 것을 넘어, '어떻게' 활용해야 학습 효과가 극대화되는지에 대한 구체적인 가이드 (예: 튜터링 도구로 활용, 팀 기반 학습, 프롬프트 교육) 를 제시했습니다.

5. 의의 및 결론 (Significance)

• 고등교육 기관의 정책 수립 지원: 새로운 기술에 대한 불확실성이 높은 상황에서, 교수진의 실험적 시도 (Experimental Integration) 를 장려하고 이를 통해 얻은 통찰을 바탕으로 기관 차원의 가이드라인을 마련해야 함을 강조합니다.
• 교수진 전문성 개발 (Professional Development): 교수진과 조교가 GenAI 통합 과정에서 반성적 실천 (Reflective Practice) 을 통해 서로의 경험을 공유하고 협력하는 것이 기술 수용과 효과적인 통합에 필수적입니다.
• 미래 공학 교육 방향: GenAI 는 공학자의 역할을 대체하기보다, 고차원적인 개념 설계 및 전략적 기획에 집중할 수 있도록 돕는 도구로 진화할 것이며, 이에 맞춰 교육 과정 (평가 방식, 커리큘럼) 을 재설계해야 함을 시사합니다.

결론적으로, 본 연구는 GenAI 가 공학 교육에 통합될 때 초기 단계에서 학생의 학습 성과를 향상시킬 수 있음을 보여주었으나, 기술 통합이 단순한 효율성 증대에 그치지 않고 학습의 본질을 변혁시키기 위해서는 교수진의 지속적인 성찰과 교육적 개입이 필요함을 강조합니다.