Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges

논문 기술 요약: AI 도구 활용과 학술적 정직성 유지 가이드라인

1. 문제 제기 (Problem Statement)

• 배경: 2022 년 출시 이후 ChatGPT 를 비롯한 생성형 AI 도구의 급속한 확산으로 인해 컴퓨팅 및 공학 교육 환경이 근본적으로 변화하고 있습니다. 학생들은 학습 효율성 향상, 개념 이해, 코드 생성 등에 AI 를 광범위하게 활용하고 있습니다.
• 핵심 문제: AI 도구의 무분별한 사용은 학술적 정직성 (Academic Integrity) 을 훼손할 위험이 큽니다. 학생이 AI 가 생성한 내용을 자신의 노력 없이 제출하거나, 비판적 사고와 문제 해결 능력의 발달을 저해할 수 있습니다.
• 현황: 일부 기관은 AI 사용을 전면 금지하는 등 극단적인 조치를 취하고 있으나, 이는 교육적 이점을 포기하는 결과를 초래합니다. 반면, 명확한 가이드라인 부재로 인해 AI 를 '학습 보조 도구'로 적절히 활용하면서도 정직성을 유지하는 균형점을 찾는 것이 시급한 과제로 대두되었습니다.

2. 연구 방법론 (Methodology)

이 논문은 컴퓨팅 대학의 교육 환경을 분석하고, 다양한 평가 유형에 맞춘 체계적인 가이드라인과 수학적 모델을 제안하는 질적 및 형식적 접근법을 사용합니다.

• 평가 유형 분류 및 분석: 컴퓨팅 교육에서 사용되는 주요 평가 방식 (과제, 기말고사, 프로젝트, 구술 시험 등) 을 분류하고, 각 유형별로 AI 도구가 미치는 영향과 잠재적 위험을 분석했습니다.
• 도구별 특성 분석: 텍스트 생성 중심의 ChatGPT 와 코드 완성 중심의 GitHub Copilot 등 도구별 기능적 차이를 식별하여, 각 도구에 적합한 통제 수단을 도출했습니다.
• 가이드라인 개발:
  • 일반 가이드라인: 모든 평가 유형에 적용 가능한 원칙 (사용 공개, 구술 방어, 비판적 검토 등) 을 수립했습니다.
  • 구체적 가이드라인: 과제, 프로그래밍 assignment, 논문 작성, 설계 프로젝트 등 10 가지 구체적인 평가 유형별로 맞춤형 전략을 제시했습니다.
• 형식적 모델 (Formal Model) 제안: AI 활용 평가의 공정성과 투명성을 보장하기 위해 수학적 프레임워크를 설계했습니다. 이는 학생의 AI 사용 공개 여부, AI 생성물 개선 정도, 이해도 검증 등을 정량화하여 최종 점수와 정직성 플래그를 계산하는 구조입니다.

3. 주요 기여 (Key Contributions)

이 논문의 주요 기여는 다음과 같이 세 가지 핵심 영역으로 나뉩니다.

가. 평가 유형별 맞춤형 가이드라인 (Assessment-Specific Guidelines)

• 과제 (Homework): 모호한 질문 대신 구체적인 제약 조건과 데이터를 부여하여 AI 의 일반적 답변을 무력화하고, 제출 후 토론을 통해 이해도를 평가합니다.
• 프로그래밍 과제: 인라인 (In-class) 수행을 장려하거나, 제출 후 수정 (Modification) 과 구술 설명을 통해 코드 소유권을 검증합니다.
• 문헌 검토 및 에세이: AI 를 초안 작성에 허용하되, 학생이 AI 생성 내용을 비판적으로 분석하고 수정한 보고서 (Evaluation Report) 를 제출하게 하여 비판적 사고를 평가합니다.
• 프로젝트 및 설계: 버전 관리 시스템 (Git) 사용, 개발 로그 기록, 구술 발표 (Oral Defense) 를 의무화하여 개발 과정의 진정성을 확인합니다.
• 구술 시험 및 동료 평가: AI 스크립트 의존을 방지하기 위해 즉흥적인 Q&A 세션을 포함하고, 팀 내 개인 기여도를 투명하게 기록하게 합니다.

나. 통합 평가 워크플로우 (Integrated Assessment Workflow)

• Figure 2 에서 제시된 워크플로우를 통해 '평가 유형 식별 → AI 도구 사용 및 공개 → 제출물 (AI 초안 + 학생 수정본) → 검증 (인터뷰/구술) → 평가'의 전 과정을 구조화했습니다.

다. 형식적 평가 모델 (Formal Mathematical Model)

• 정의: 평가 과제 ($\mathcal{A}$), 승인된 AI 도구 ($\mathcal{T}$), 가이드라인 ($\mathcal{G}$), AI 생성물 ($S_{AI}$), 학생 제출물 ($S_{ST}$) 등의 집합을 정의했습니다.
• 핵심 함수:
  • $u(a)$: 도구 사용 여부
  • $d(a)$: 사용 공개 여부 (0 또는 1)
  • $r(S_{AI}, S_{ST})$: 학생의 AI 생성물 개선 정도 (0~1)
  • $v(S_{ST}, r)$: 구술 등을 통한 이해도 검증 (0 또는 1)
• 점수 계산식:
  $$G(a) = w_1 \times \text{score}(S_{ST}) + w_2 \times r(S_{AI}, S_{ST}) + w_3 \times v(S_{ST}, r)$$
  (여기서 $w_1, w_2, w_3$는 평가 유형에 따라 조정 가능한 가중치입니다.)
• 정직성 플래그 (Integrity Flag): $I(a) = d(a) \land v(S_{ST}, r)$로 정의하여, AI 사용이 공개되었고 이해도 검증에 통과한 경우에만 유효한 점수로 인정합니다.

4. 결과 및 시사점 (Results and Implications)

• 실증적 적용: 프로그래밍 과제 사례를 통해 제안된 모델이 어떻게 적용되는지 시연했습니다. (예: AI 사용 공개, 0.6 의 개선도, 1 의 이해도 검증, 가중치 적용 시 최종 점수 0.82 산출 및 정직성 플래그 1 부여).
• 교육적 효과:
  • AI 를 단순한 '대체 도구'가 아닌 '학습 보조 도구'로 전환시킴으로써 학생의 비판적 사고와 기술적 역량을 강화합니다.
  • 투명성 (Transparency) 과 검증 (Verification) 메커니즘을 도입하여 학술적 부정행위를 예방하면서도 혁신적인 기술 수용을 가능하게 합니다.
• 정책적 함의: 교육 기관은 AI 도구의 접근성 격차 (Equity) 와 편향 (Bias) 문제를 고려하여, 프리미엄 도구 의존도를 낮추고 공개된 도구를 활용하는 평가 설계를 채택해야 함을 강조합니다.

5. 의의 (Significance)

이 논문은 컴퓨팅 교육 분야에서 AI 도구의 급속한 도입에 대응하여, 학술적 정직성을 훼손하지 않으면서도 AI 의 교육적 잠재력을 극대화할 수 있는 실용적인 프레임워크를 최초로 체계화했다는 점에서 의의가 큽니다.

• 이론적 기여: AI 활용 평가를 수학적으로 모델링하여 평가의 객관성과 일관성을 담보하는 이론적 기반을 마련했습니다.
• 실무적 기여: 교수자들이 즉시 적용 가능한 구체적인 가이드라인 (Checklist 및 전략) 을 제공하여, 교육 현장에서의 혼란을 해소하고 효과적인 평가 체계를 구축하는 데 기여합니다.
• 미래 지향성: AI 기술이 계속 발전할 것으로 예상되는 상황에서, 평가 방식의 유연한 재설계 (Assessment Redesign) 가 필요하다는 점을 강조하며 교육 패러다임의 전환을 주도합니다.

결론적으로, 이 논문은 AI 를 금지하거나 무조건 허용하는 이분법적 접근을 넘어, 구조화된 가이드라인과 수학적 검증 모델을 통해 컴퓨팅 교육의 질과 정직성을 동시에 확보하는 새로운 방향성을 제시합니다.