Multi-Level Barriers to Generative AI Adoption Across Disciplines and Professional Roles in Higher Education
본 연구는 272 명의 대학 구성원을 대상으로 한 다중 방법 분석을 통해, 생성형 AI 도입 장벽이 개인의 인식 차이가 아닌 학문 분야와 직무 역할에 따라 구조적으로 형성되며, 인문사회계열은 윤리적·문화적 장벽을, 이공계열 및 전문 서비스 직군은 제도적·인프라적 제약에 더 크게 직면함을 규명했습니다.
원저자:Jianhua Yang, Kerem Öge, Adrian von Mühlenen, Abdullah Bilal Akbulut, Tanya Suzanne Carey, Chidi Okorro
생각해 보세요. 우리 대학은 거대한 도시입니다. 이 도시에는 두 가지 주요 구역이 있습니다.
지식과 예술의 구역 (비이공계 학문): 글쓰기, 철학, 예술, 인문학 등이 있는 곳입니다. 여기서는 '창의성'과 '진정성'이 가장 중요합니다.
기술과 시스템의 구역 (이공계 및 행정부서): 공학, 과학, 그리고 대학을 운영하는 행정팀 (Professional Services) 이 있는 곳입니다. 여기서는 '정확성', '규칙', '인프라'가 중요합니다.
이 도시에 갑자기 **생성형 AI 라는 '초고속 자율주행 택시'**가 들어왔습니다. 모든 사람이 이 택시를 타고 싶어 하지만, 막상 타려고 하면 각 구역마다 다른 이유로 멈춰 섭니다.
🔍 연구의 핵심 발견: "막히는 이유는 사람마다, 구역마다 다르다"
연구진은 이 도시의 직원 272 명을 조사했습니다. 그리고 놀라운 사실을 발견했습니다. **"AI 를 못 쓰는 건 단순히 '기술을 몰라서'가 아니라, 내가 어디에 살고 (전공), 어떤 일을 하느냐 (직무) 에 따라 다르다"**는 것입니다.
1. 비이공계 교수들 (지식과 예술 구역) 🎨
주요 고민: "이 택시가 내 '창작물'을 훔쳐가면 어떡하지?", "학생들이 택시만 타고 공부하지 않으면 어떡하지?"
막히는 이유:윤리와 문화적 장벽입니다.
AI 가 쓴 글이 진짜 내 글인지, 학생이 사고력을 키우지 않고 AI 에게만 의존하는 게 아닌지 걱정합니다.
마치 화가가 AI 가 그린 그림을 보고 "이건 내 영혼이 담긴 작품이 아니야!"라고 외치는 것과 비슷합니다.
2. 이공계 교수들 (기술 구역) 🛠️
주요 고민: "이 택시가 정확한 데이터를 주는가?", "시스템이 불안정하지는 않은가?"
막히는 이유:기술적 정확성과 신뢰성에 대한 우려가 있지만, 다른 그룹에 비해 상대적으로 덜 강조됩니다.
3. 행정부서 직원들 (도시 운영 관리자) 🏢
주요 고민: "이 택시 타는 게 법적으로 괜찮은가?", "회사 보험이 적용될까?", "차량 유지비가 너무 비싸지 않을까?"
막히는 이유:제도, 인프라, 규칙의 장벽입니다.
그들은 AI 를 '교육 도구'로 보지 않고, **'업무 시스템의 일부'**로 봅니다.
마치 교통국 직원이 "이 새로운 택시, 승객 데이터 보호 규정에 맞을까? 보험은 어떻게 처리하지?"라고 걱정하는 것과 같습니다.
연구 결과, 이 그룹은 "규칙이 불분명하다", "돈이 없다", "시스템이 안 돼"라는 이유로 가장 많이 막혔습니다.
🧩 연구가 사용한 방법: 세 가지 렌즈로 보기
이 연구는 단순히 "불만 사항"을 나열하지 않고, 세 가지 렌즈를 통해 깊게 파고들었습니다.
통계 렌즈 (수학적 분석): "행정직은 규칙 때문에, 인문계 교수는 윤리 때문에 막힌다"는 패턴을 숫자로 증명했습니다.
구조 렌즈 (관계 분석): "직무가 다르면 AI 에 대한 생각이 어떻게 변하는지" 그 연결 고리를 찾아냈습니다.
말씀 렌즈 (자유 의견 분석): 사람들이 쓴 자유 의견을 AI 가 분석하게 해서, "Copilot 만 써야 한다", "규정이 불투명하다" 같은 구체적인 불만들을 찾아냈습니다.
💡 결론 및 제언: "하나의 해결책은 없다"
이 연구가 우리에게 주는 가장 큰 교훈은 **"대학 전체에 똑같은 교육만 시키면 안 된다"**는 것입니다.
기존 방식: "모두 모여라! AI 사용법을 배우자!" (일괄 교육)
이 연구가 제안하는 방식:
인문계 교수님들께는: "AI 와 함께 창의성을 어떻게 키울지, 학문적 정직성을 어떻게 지킬지"에 대한 가이드가 필요합니다.
행정직원분들께는: "어떤 AI 를 쓸 수 있는지, 데이터 보안은 어떻게 하고, 예산은 어떻게 책정하는지"에 대한 명확한 규칙과 인프라가 필요합니다.
🌟 한 줄 요약
"AI 도입의 장벽은 '사람의 능력' 문제가 아니라, '내가 어떤 일을 하는가'에 따라 달라지는 '구조적인 문제'입니다. 따라서 대학은 모든 사람에게 똑같은 약을 주기보다, 부서와 직무에 맞는 맞춤형 처방전을 만들어야 합니다."
1. 연구 배경 및 문제 제기 (Problem)
배경: 생성형 인공지능 (GenAI) 이 고등교육 (HE) 을 빠르게 재편하고 있으나, 다양한 학문 분야와 기관 내 직군 간의 도입 장벽에 대한 연구는 아직 부족합니다.
기존 연구의 한계: 기존 문헌은 주로 개인의 인식 (유용성, 사용 용이성, 리터러시 등) 과 같은 개인 수준 요인을 중심으로 기술 수용을 설명해 왔습니다.
연구 질문: GenAI 도입의 장벽이 단순히 개인의 인식이나 능력 부족에서 기인하는 것일까, 아니면 제도적 역할 (직무), 학문적 규범, 윤리적 기대에 의해 구조적으로 생성되는 것일까?
핵심 가설: 도입 장벽은 개인적 요인뿐만 아니라 조직 생태계와 인식적 규범 (Epistemic norms) 에 깊이 내재되어 있으며, 이는 직군 (교수진 vs 전문 서비스 직군) 과 학문 분야 (STEM vs 비 STEM) 에 따라 체계적으로 달라질 것이다.
2. 연구 방법론 (Methodology)
이 연구는 영국 러셀 그룹 (Russell Group) 소속 한 대학의 272 명의 교수진 (Academic) 과 전문 서비스 직원 (Professional Services, PSs) 을 대상으로 한 혼합 방법론 (Multi-method) 설문 조사를 기반으로 합니다.
데이터 수집: 2025 년 6 월~7 월에 실시된 횡단적 설문조사.
표본: 총 272 명 (STEM 72 명, 비 STEM 200 명; 교수진 148 명, PSs 124 명).
변수: 독립변수 (직무, 학문 분야), 매개변수 (리터러시, 태도, 직무 위협, 가이드라인, 지원), 종속변수 (개인, 제도, 윤리, 문화적 장벽).
분석 기법:
기술 통계: 장벽의 분포를 직군과 학문 분야별로 시각화 (Treemap).
다항 로지스틱 회귀분석 (MLR): 직군과 학문 분야가 장벽 카테고리 (개인, 제도, 윤리, 문화) 에 미치는 영향을 통계적으로 검증.
구조 방정식 모형 (SEM): SPSS Amos 를 사용하여 직무/학문 분야가 매개변수 (태도, 리터러시 등) 를 통해 장벽 인식에 미치는 경로를 분석.
의미론적 클러스터링 (Semantic Clustering): 개방형 응답을 OpenAI 임베딩 모델로 벡터화한 후, HDBSCAN 알고리즘을 적용하여 주제별 군집을 생성하고 LLM(gpt-5-mini) 을 이용해 라벨링.
3. 주요 결과 (Key Results)
A. 장벽의 구조적 차이 (직무 및 학문 분야별)
비 STEM 교수진:윤리적 및 문화적 장벽을 가장 많이 보고함. (학문적 정직성, 학생의 과도한 의존, 비판적 사고의 퇴화 등)
STEM 교수진 및 PSs 직원:제도적, 거버넌스, 인프라 제약을 더 강조함. (라이선스 제한, 정책 불명확성, 데이터 거버넌스, 기술적 지원 부족 등)
PSs 직원의 특징: 교수진에 비해 윤리적 우려는 적지만, 조직적 실행과 거버넌스 관련 장벽에 훨씬 더 집중함.
B. 통계적 검증 (MLR 및 SEM)
MLR 결과: 학문 분야 (STEM 여부) 와 직무 (교수진 vs PSs) 모두 장벽 카테고리 분류에 통계적으로 유의미한 영향을 미침. 특히 직무 역할이 제도적 장벽을 예측하는 데 더 강력한 구조적 예측 변수로 작용함.
SEM 결과:
학문 분야 (STEM vs 비 STEM) 는 태도 (Attitude) 를 통해 제도적 장벽에 간접적으로 영향을 미침.
직무 역할 (Role) 은 리터러시를 매개로 개인적 장벽에, 그리고 직접적으로 윤리적 장벽과 제도적 장벽에 영향을 미침.
이는 장벽 인식이 개인의 능력뿐만 아니라 조직적 위치와 규범에 의해 매개됨을 시사.
C. 질적 분석 (자유 응답 클러스터링)
자유 응답 텍스트 분석을 통해 10 가지 주요 장벽 군집 (Cluster) 을 도출했으며, 이는 양적 결과를 뒷받침함:
GenAI 통합 반대 (B1): 원칙적 거부.
도구 제한 및 정책 좌절 (B2, B10): 'Copilot 만 허용' 등의 정책, 불명확한 가이드라인, GDPR 우려.
학습 및 정직성 훼손 (B3, B4, B8, B9): 비판적 사고 약화, 표절, 학문적 기준 하락.
정확성 및 신뢰 문제 (B5, B6): 사실 오류, 할루시네이션, 신뢰성 부족.
접근성 및 지원 부족 (B7): 라이선스 부재, 자금 부족.
4. 주요 기여 (Key Contributions)
학문 간 체계적 비교: 단일 기관 내에서 STEM 과 비 STEM 컨텍스트를 체계적으로 비교하여, 학문적 규범 (Epistemic norms) 이 GenAI 위험 인식에 어떻게 다른 영향을 미치는지 규명.
PSs 직군 포함: 기존 연구에서 간과되었던 전문 서비스 (PSs) 직원을 분석에 포함시킴. 이들은 교육적 맥락이 아닌 거버넌스, 규정 준수, 운영 인프라 측면에서 GenAI 를 경험하며, 교수진과는 다른 구조적 장벽을 가진다는 점을 발견.
다층적 설명 모델 제시: 기술적 수용 모델 (TAM 등) 을 넘어, 개인적 요인과 구조적 요인 (직무, 학문 분야, 제도) 을 통합한 **다층적 설명 (Multi-level explanation)**을 제시. 정량적 모델링과 LLM 기반 질적 분석을 결합하여 장벽의 메커니즘을 심층적으로 해석.
5. 의의 및 시사점 (Significance)
정책적 함의: "일괄적인 (Generalized)" 교육이나 훈련만으로는 GenAI 도입 장벽을 해결할 수 없음.
역할별 (Role-specific) 접근 필요: 교수진에게는 윤리적/교육적 가이드라인이, PSs 직원에게는 라이선스, 구매 절차, 거버넌스 프레임워크가 각각 필요함.
조직적 생태계 인식: GenAI 도입은 단순한 기술 수용이 아니라, 조직의 거버넌스, 규정 준수, 직무 정체성과 얽힌 복잡한 과정임을 인식해야 함.
이론적 확장: 기술 수용 연구가 개인의 태도에서 조직적 구조와 규범으로의 패러다임 전환을 요구함을 입증.
향후 연구 방향: 단일 기관 횡단적 연구의 한계를 극복하기 위해 다양한 기관 유형을 대상으로 한 종단적 연구와 심층 인터뷰가 필요함.
결론적으로, 이 연구는 GenAI 도입 장벽이 개인의 능력 부족이 아니라, 학문적 문화와 직무 역할에 의해 구조적으로 형성된 것임을 입증하며, 대학들은 이를 해결하기 위해 맞춤형 거버넌스 및 지원 체계를 구축해야 함을 강조합니다.