From Understanding to Creation: A Prerequisite-Free AI Literacy Course with Technical Depth Across Majors

본 논문은 비전공자 학부생을 대상으로 사전 지식이 없어도 AI 의 개념적 이해부터 실제 시스템 구축까지 도달할 수 있도록, 윤리적 사고와 기술적 심화를 통합한 5 가지 핵심 메커니즘을 통해 설계된 조지 메이슨 대학의 'UNIV 182' 과정의 교육 모델과 그 효과를 제시합니다.

핵심

이 논문은 **"코딩을 전혀 몰라도, AI 전문가가 될 수 있을까?"**라는 질문에 대한 놀라운 답변을 담고 있습니다.

조지 메이슨 대학교의 아마다 셰후 (Amarda Shehu) 교수가 진행한 **'UNIV 182'**라는 수업을 소개하는 이 글은, 전공과 상관없이 모든 대학생들이 AI 의 기본 원리를 이해하는 것을 넘어, 직접 AI 를 만들고, 비판하고, 책임감 있게 사용하는 능력까지 기를 수 있음을 증명합니다.

이 복잡한 내용을 일상적인 비유로 쉽게 풀어보겠습니다.

---

🍳 비유: "요리 교실" vs "요리사 양성 과정"

대부분의 기존 AI 교육은 **'요리 교실'**과 비슷했습니다.

• 기존 방식: "이 소스 (AI) 가 어떻게 생겼는지, 어떤 재료가 들어갔는지, 그리고 너무 짜면 안 된다는 점 (윤리)"을 설명해 줍니다. 학생들은 소스를 맛보고 (사용해 보고) "이건 맛있네, 저건 위험하네"라고 이야기만 합니다. 직접 불을 켜거나 냄비를 잡는 일은 없습니다.
• 이 수업 (UNIV 182): 학생들은 직접 주방에 들어가 불을 켜고, 재료를 다듬고, 직접 요리를 만들어 맛을 보고, 실패하면 다시 만드는 과정을 겪습니다. 코딩이라는 '칼질'을 처음엔 못 해도, 단계별로 가르쳐주니 결국 자신만의 요리를 완성하고 전문가들에게 "이 요리가 왜 안전하고 맛있는지" 설명할 수 있게 됩니다.

---

🛠️ 이 수업이 성공한 5 가지 비밀 무기

이 수업이 어떻게 초보자를 전문가 반열로 올려놓았는지, 5 가지 핵심 전략으로 설명해 드립니다.

1. 🗺️ 같은 지도를 여러 번 걷기 (개념 파이프라인)

학생들은 한 가지 '지도'를 반복해서 걷습니다.

• 지도: 문제 찾기 → 데이터 모으기 → 방법 선택하기 → 훈련하기 → 결과 측정하기 → 고쳐보기 → 성찰하기.
• 비유: 처음엔 이 지도를 '장난감 자동차'로 걷습니다 (간단한 분류기). 그다음엔 '자전거'로 걷고, '오토바이'로 걷다가, 나중엔 '우주선'으로 걷습니다.
• 효과: 도구 (자동차, 우주선) 는 점점 복잡해지지만, 걷는 '방법 (지도)'은 똑같습니다. 그래서 학생들은 새로운 복잡한 기술이 나와도 당황하지 않고 "아, 이 단계는 데이터 모으는 단계구나"라고 쉽게 이해합니다.

2. ⚖️ 요리와 건강을 동시에 생각하기 (기술 + 윤리)

기존 수업은 "요리법 (기술)"을 배우고 나중에 "식중독 예방 (윤리)"을 따로 배웠습니다. 하지만 이 수업은 요리할 때마다 "이 재료가 안전한가?"를 함께 고민합니다.

• 비유: 소금을 넣을 때 "맛을 내기 위해 얼마나 넣을까?" (기술) 와 "너무 짜면 건강에 해로울까?" (윤리) 를 동시에 생각합니다.
• 효과: 기술이 발전할수록 윤리 문제도 더 구체적이고 전문적으로 변합니다. "AI 가 편견이 있어"라고 막연히 말하는 게 아니라, "어떤 데이터가 부족해서 이런 편견이 생겼고, 어떻게 고쳐야 하는지"를 설계 단계에서부터 고려하게 됩니다.

3. 🎨 실습 스튜디오 (AI Studios)

이곳은 강의실이지만, 마치 **예술가의 작업실 (Studio)**처럼 운영됩니다.

• 비유: 선생님이 옆에서 "자, 지금 이 재료를 섞어보자. 왜 이렇게 섞었니? 실패하면 왜 실패했는지 기록해."라고 옆에서 지켜보며 지도합니다.
• 효과: 학생들은 혼자서 AI 에게 "이거 해줘"라고 시키고 결과를 받아보는 게 아니라, 직접 과정을 설계하고 실패를 경험하며 배웁니다. AI 가 대신 해주는 게 아니라, 학생이 직접 생각하게 만듭니다.

4. 🧱 쌓아 올리는 레고 블록 (누적 평가 포트폴리오)

시험은 한 번에 치는 게 아니라, 작은 블록이 큰 성을 이루는 과정입니다.

• 비유: 1 단계 (소문자 블록) 를 쌓아야 2 단계 (대문자 블록) 를 올릴 수 있습니다. 1 단계에서 배운 '데이터 수집'이 2 단계의 '실험 설계'에 쓰이고, 3 단계의 '중간고사'는 4 단계의 '최종 프로젝트'의 기초가 됩니다.
• 효과: 중간고사는 단순히 지식을 묻는 게 아니라, "실제 AI 가 논리적으로 생각하는지 실험해 보는 미션"을 줍니다. 이 경험을 바탕으로 최종 프로젝트에서는 스스로 AI 제품을 만들어 전문가들 앞에서 발표합니다.

5. 🤖 개인 튜터 AI (커스텀 AI 에이전트)

선생님은 24 시간 옆에 있을 수 없지만, **수업 내용을 잘 아는 '개인 AI 튜터'**가 있습니다.

• 비유: 이 튜터는 답을 바로 알려주지 않습니다. "너는 이걸 어떻게 생각하니?"라고 질문하고, 틀리면 "왜 틀렸는지 설명해 줄게"라고 도와줍니다.
• 효과: 학생들은 스스로 생각하며 문제를 해결하는 법을 배우게 됩니다.

---

📈 결과는 어땠나요? (기적 같은 성장)

수업 시작 전과 끝의 학생들을 비교해 보니 놀라운 변화가 있었습니다.

1. 시작할 때 (초기): 학생들은 "AI 는 신기해", "데이터가 편향될까 봐 걱정돼"라고 감정이나 막연한 걱정만 표현했습니다. (비유: "이 요리는 맛이 있을 것 같아"라고만 말함)
2. 수업 중반: "데이터가 어떻게 모델에 영향을 미치는지"를 논리적으로 연결하기 시작했습니다. (비유: "이 소금이 너무 많아서 짠맛이 강해졌어"라고 원인 분석)
3. 수업 끝 (최종 프로젝트): 학생들은 직접 AI 제품을 만들고, "이 제품은 이런 위험이 있으니 이 기능을 제한하자"라고 설계했습니다. (비유: "이 요리는 알레르기 유발 성분이 있으니, 대체재로 바꾸고 안전 장치를 추가하자"라고 제안)

결론적으로, 학생들은 단순히 AI 를 '사용하는' 수준을 넘어, AI 를 '설계하고 비판하며 책임지는' 전문가의 수준 (브룸의 분류법상 '창조' 단계) 에 도달했습니다.

---

💡 이 수업이 우리에게 주는 교훈

이 논문은 **"기술적인 깊이는 전문가만 가능한 것"**이라는 고정관념을 깨뜨립니다.

• 핵심 메시지: 코딩을 몰라도, **잘 설계된 지도 (스캐폴딩)**와 실습 (스튜디오), 그리고 **단계별 성장 (포트폴리오)**이 있다면 누구나 복잡한 기술을 이해하고 만들어낼 수 있습니다.
• 일상적인 적용: 우리도 새로운 것을 배울 때, "나는 이걸 못 해"라고 포기하지 말고, 작은 단계로 나누고, 실수를 두려워하지 않고, 윤리적 관점까지 함께 생각하며 배운다면 누구나 전문가가 될 수 있다는 희망을 줍니다.

이 수업은 AI 시대를 살아가는 모든 이들에게, **"너도 이 기술을 다룰 수 있다"**는 강력한 메시지를 전하고 있습니다.

기술 요약

1. 문제 제기 (Problem Statement)

기존의 비전공자 대상 AI 리터러시 과정들은 다음과 같은 한계를 가지고 있었습니다:

• 개념적 폭 vs. 기술적 깊이: 대부분의 과정은 AI 의 개념적 이해와 윤리적 성찰에 집중하며, 프로그래밍이나 기술적 구현을 배제했습니다.
• 블랙박스 의존: 학생들은 AI 가 어떻게 작동하는지 (데이터, 모델, 평가, 배포의 전체 파이프라인) 강의나 독서를 통해 배우지만, 직접 실행하거나 평가하지는 않았습니다.
• 블룸의 분류학 상의 한계: 기존 과정들은 주로 '이해 (Understand)'와 '적용 (Apply)' 수준에 머무르며, '분석 (Analyze)', '평가 (Evaluate)', '창조 (Create)'와 같은 고차원적 사고 능력을 비전공자에게 요구하지 않았습니다.
• 실제 적용의 격차: AI 를 구축하거나 프로빙 (probing) 해보지 않은 학생들은 유창한 모델 출력과 유효한 추론을 구분하지 못하거나, 실제 환경에서의 실패 모드를 식별하는 데 어려움을 겪을 수 있습니다.

이 논문은 **"기술적 깊이를 유지하면서도 비전공자에게 접근성을 제공하는 것이 가능한가?"**라는 질문에 답하기 위해 UNIV 182 과정을 설계했습니다.

2. 방법론 (Methodology)

UNIV 182 과정은 5 가지 상호 의존적인 메커니즘을 기반으로 설계되었습니다. 이 메커니즘들은 학생들의 기술적 숙련도가 증가함에 따라 반복적으로 적용됩니다.

2.1. 통합 개념 파이프라인 (Unifying Conceptual Pipeline)

학생들은 semester 내내 동일한 8 단계 파이프라인을 반복적으로 traversing(이동) 합니다.

• 파이프라인 단계: 문제 정의 $\rightarrow$ 데이터 $\rightarrow$ 접근법 $\rightarrow$ 학습/구성 $\rightarrow$ 지표 선정 $\rightarrow$ 평가 $\rightarrow$ 개선 $\rightarrow$ 성찰.
• 점진적 복잡도: 초기에는 모델을 블랙박스로 취급 (Teachable Machine 사용) 하다가, 점차 퍼셉트론, MLP, CNN( saliency map 및 제어된 ablation 포함), 그리고 Transformer 아키텍처 기반의 LLM 으로 기술적 깊이를 더합니다.

2.2. 윤리적 통합 (Concurrent Ethical Integration)

윤리 교육은 별도의 모듈로 분리되지 않고, 모든 기술적 평가에 통합됩니다.

• 실천 예시: HW1(섹터별 윤리 분석), HW3(생성형 AI 출력물의 편향/소유권/개인정보 평가), 그리고 모든 최종 프로젝트 체크포인트에서 윤리/보안 검토가 필수적입니다.
• 구조적 토론: "두 가지 진리가 공존할 수 있다 (Two Things Can Be True)"는 주제로 2 회에 걸친 구조화된 토론을 통해, 기술적 근거 (데이터, 모델 아키텍처, 실패 모드) 에 기반한 윤리적 주장을 펼치도록 요구합니다.

2.3. AI 스튜디오 (AI Studios)

• 목적: 개념을 실천으로 전환하고, 인지적 의존 (AI 도구에 대한 과도한 의존) 을 줄이기 위한 구조화된 수업 내 실습 세션입니다.
• 프로토콜: 학생들은 동료와 함께 작업하며, 실행 전 계획 수립, 실행 중 의사결정 로그 기록, 실행 후 구조화된 디브리핑을 수행합니다.
• 역할: CNN 분류기 구축, 실험 프로토콜 설계, 프로토타입 개발 등 고난도 평가 전의 핵심 기술 습득을 담당합니다.

2.4. 누적 평가 포트폴리오 (Cumulative Assessment Portfolio)

각 과제는 다음 과제의 역량을 구축하는 기반이 됩니다.

• HW1: 섹터별 보고서 (윤리 분석).
• 토론 1: 파이프라인 기반의 AI 배포 논쟁.
• HW2: CNN 분류기 구축 및 saliency map 해석 (실험적 엄밀함 함양).
• 중간고사 (Field Experiment): 팀 프로젝트로 소비자 챗봇의 추론 능력을 테스트. "유창한 설명 $\neq$ 올바른 추론"을 실증적으로 입증합니다.
• HW3: 생성형 AI 를 활용한 아티팩트 제작 및 품질/편향/출처 평가.
• 최종 프로젝트: 외부 평가자 (산업계, 비영리, 교육계) 앞에서 AI 아티팩트를 구축하고 방어 (Pitch) 합니다.

2.5. 커스텀 AI 에이전트 (Custom AI Agent)

• 기능: 수업 시간 외 개념을 강화하기 위해 대학의 AI 게이트웨이 (PatriotAI) 에 구축된 에이전트입니다.
• 구조: 수업에서 다룬 개념을 기반으로 기초부터 심화 단계로 진행되며, 학생이 직접 추론을 수행하도록 유도합니다 (정답 제공이 아닌 피드백 제공).

3. 주요 기여 (Key Contributions)

1. 블룸의 분류학 상의 돌파구: 비전공자가 '창조 (Create)' 수준에 도달한 최초의 선 prerequisite 없는 AI 리터러시 과정을 제시했습니다. 기존 과정들은 주로 '이해'와 '적용' 수준에 머물렀으나, 이 과정은 '분석, 평가, 창조'를 달성했습니다.
2. 상호 의존적 설계의 문서화: 5 가지 메커니즘이 어떻게 상호작용하여 학습 효과를 극대화하는지 상세히 기술했습니다. 특히 스튜디오가 실험적 엄밀함을 기르고, 포트폴리오가 역량을 누적시키는 구조를 증명했습니다.
3. 비교 분류 체계 (Taxonomy): 대학 수준의 교차 전공 AI 리터러시 과정을 5 가지 차원 (청중 범위, 블룸의 최고 수준, AI 참여 모드, 윤리 모델, 최종 평가) 으로 분류하여 기존 연구와의 위치를 명확히 했습니다.
4. 실증적 증거: 학생 산출물 (artifacts) 에 대한 인코딩 분석을 통해, 직관적 설명에서 기술적 근거가 있는 설계로 이어지는 인지적 진화를 입증했습니다.
5. 적용 가능성 가이드: 어떤 메커니즘이 분리 가능한지, 어떤 것이 인프라를 요구하는지, 그리고 다양한 교육 환경 (일반 리터러시, 전공 통합, 단기 과정) 에 어떻게 적응할 수 있는지에 대한 구체적인 지침을 제시했습니다.

4. 결과 (Results)

Fall 2025 학기 (38 명 등록, 33 명 수료) 데이터를 기반으로 한 분석 결과입니다.

• 수료율 및 참여도: 수료율은 87% 였으며, 모든 과제를 제출한 학생 중 낙제자는 없었습니다. 중간고사 (가장 기술적으로 어려운 과제) 에서도 95% 의 높은 제출률을 보였습니다.
• 추론의 진화 (4 단계 분석):
  • Stage 1 (HW1): 기술적 설명은 가능했으나 윤리적 추론은 직관적/일반적 수준에 머무름 (90% 가 Remember/Understand 및 Apply 수준).
  • Stage 2 (토론 1): 파이프라인 기반의 논증 증가 (Analyze 수준 도달).
  • Stage 3 (HW3): 경험적 테스트, 유창성 vs 정확성 구분, 출처 추적 능력의 출현 (Analyze 및 Evaluate 수준 70% 차지).
  • Stage 4 (최종 프로젝트): 실패 모드 설계, 제약 조건 명시, 통합된 아티팩트 구축. Create 수준이 40% 에 도달하여 전체 분석의 95% 가 고차원적 사고 (Analyze, Evaluate, Create) 를 차지하게 됨.
• 연구 기여: 중간고사 프로젝트 결과는 학생들과 공동 저자로 작성된 연구 논문 [31] 으로 발전하여, 비전공자도 체계적인 지원을 받으면 출판 가능한 AI 연구에 기여할 수 있음을 입증했습니다.
• 학생 만족도: 학습 환경, 기술 도구 활용, 다양한 관점 수용에 대한 평가가 매우 높았으며 (평균 4.58/5), 기술적 깊이가 오히려 참여도를 낮추지 않았음을 보여줌.

5. 의의 (Significance)

이 연구는 **"기술적 깊이와 광범위한 접근성은 상충되는 것이 아니라, 적절한 교육적 발판 (scaffolding) 이 설계될 때 공존할 수 있다"**는 것을 증명합니다.

• 교육 패러다임의 전환: 비전공자에게 AI 를 단순히 '사용하는 도구'로만 가르치는 것을 넘어, '구축하고 평가하는 주체'로 키울 수 있음을 보여줍니다.
• 실무 역량 강화: AI 시스템의 실패 모드를 식별하고, 편향을 기술적 근거로 비판하며, 윤리적 제약을 시스템 설계에 통합하는 능력을 함양시킵니다.
• 확장성: 이 모델은 의료, 정책, 비즈니스, 예술 등 다양한 전공에 적용 가능하며, 기관의 인프라 수준에 따라 유연하게 적응 (Adaptation) 할 수 있는 경로를 제시합니다.
• 미래 지향성: 생성형 AI 와 에이전트 기술이 급속히 발전하는 시대에, 단순한 도구 사용법을 넘어 시스템의 작동 원리와 한계를 이해하고 책임 있게 설계할 수 있는 인재 양성을 위한 새로운 표준을 제시합니다.

결론적으로 UNIV 182 과정은 AI 리터러시 교육이 개념적 이해를 넘어 기술적 숙련도와 윤리적 책임감을 통합된 형태로 달성할 수 있음을 보여주는 실증적인 사례입니다.