The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

이 논문은 기존 이론들이 설명하지 못하는 학생들의 LLM 활용 역동성을 포착하기 위해, 382 명의 미국 소수계열 대학생들을 대상으로 한 혼합연구를 바탕으로 '신뢰 협상 프레임워크 (RNF)'를 제안하며, 이는 지각된 이득과 위험, 윤리적 신념, 상황적 요구 사이의 지속적인 협상 과정을 통해 학습자의 LLM 의존도가 결정된다는 것을 규명합니다.

핵심

1. 핵심 비유: 학생은 '매력적인 식당'과 싸우는 '배고픈 손님'입니다.

기존의 이론들은 학생을 "AI 를 좋아하는 사람"이나 "싫어하는 사람"이라는 고정된 성격으로 보았습니다. 하지만 이 논문 (RNF 프레임워크) 은 학생을 매일 메뉴를 고르는 손님으로 봅니다.

손님 (학생) 이 식당 (과제) 에 들어갈 때, 단순히 "맛있으니까 먹을까?"라고만 생각하지 않습니다. 그는 네 가지 요소를 동시에 저울질하며 매 순간 결정을 내립니다.

🍽️ 네 가지 저울추 (4 가지 입력 요소)

학생이 AI 를 쓸지 말지 결정할 때, 마음속 저울에 네 가지 추를 올립니다.

1. 맛과 편의 (지각된 이득): "AI 가 쓰면 시간이 10 배 단축되고, 글이 더 잘 써져!" (편리함, 시간 절약)
2. 위험과 부작용 (지각된 위험): "하지만 AI 가 거짓말 (할루시네이션) 을 할 수도 있고, 내가 글쓰기 실력을 잃을 수도 있어." (사기 위험, 학습 부족)
3. 양심과 규칙 (윤리적 신념): "선생님이 금지하셨어", "내가 원칙적으로 안 써야 해." (규칙 준수, 도덕적 신념)
4. 상황과 압박 (상황적 요구): "내일 제출인데 시간이 없어!", "이 과제는 점수가 중요해." (마감 시간, 과제 난이도)

핵심 포인트: 이 네 가지 요소는 고정되어 있지 않습니다.

• 내일 시험이 있다면: '시간 절약'의 무게가 무거워져 AI 를 쓸 확률이 높아집니다.
• 선생님이 감시 카메라를 설치했다면: '규칙'의 무게가 무거워져 AI 사용을 줄입니다.
• AI 가 거짓말을 한 번 경험했다면: '위험'의 무게가 커져 다음엔 더 신중해집니다.

즉, 어제 AI 를 안 썼던 학생이 오늘 급하게 과제를 해야 하면 AI 를 쓸 수 있습니다. 이는 성격의 문제가 아니라, 상황에 따른 협상 (Negotiation) 의 결과입니다.

---

2. 두 가지 다른 식당 손님 (두 가지 모델)

이 논문은 학생들을 크게 두 부류로 나눕니다.

A. 협상하는 손님 (Negotiation-mode, 87%)

대부분의 학생들입니다. 이들은 저울을 들고 있습니다. "오늘은 시간이 없으니 AI 를 조금 쓰되, 검증은 해볼까?"라고 조건부로 사용합니다.

• 특징: 상황에 따라 AI 사용량이 변합니다. 선생님이 감시하면 안 쓰고, 감시가 없으면 많이 씁니다.

B. 원칙을 지키는 손님 (Abstention-mode, 13%)

이들은 저울을 아예 치워버립니다. "나는 AI 를 쓰지 않기로 원칙을 세웠다"고 말합니다.

• 특징: 시간이 아무리 없어도, 선생님이 허용해도, AI 가 얼마나 편리해도 절대 쓰지 않습니다.
• 중요성: 기존 연구들은 이들을 "AI 를 모르는 학생"이나 "게으른 학생"으로 오해했습니다. 하지만 이 논문은 이들을 도덕적 신념이 강한 학생으로 재정의합니다.

---

3. 시간의 흐름: '학습의 함정'과 '성장의 나선'

이 프레임워크의 가장 재미있는 점은 시간이 지나면 어떻게 변하는지 설명한다는 것입니다.

• 효율의 함정 (Efficiency-Atrophy Paradox):
  처음에 AI 를 쓰면 성적이 오르고 시간이 절약되어 기분 좋은 경험을 합니다. 하지만 계속만 쓰면, 학생은 스스로 글을 쓰는 근육 (학습 능력) 을 잃어버립니다. 마치 스마트폰 내비게이션을 계속 쓰면 방향 감각을 잃는 것과 같습니다.

  • 결과: 경험이 많을수록 더 똑똑해지지 않고, 오히려 AI 에 더 의존하게 됩니다.

• 되돌아보기 (Recursive Feedback):
  하지만 어떤 학생은 "AI 를 쓰니까 내가 아무것도 배우지 못했어!"라는 **아픔 (학습 결손)**을 경험합니다. 이때부터는 저울의 '위험' 추가 무거워집니다.

  • 변화: "AI 는 참고만 하고, 내가 직접 써야겠다"라고 전략적으로 변합니다. 이것이 성장입니다.

---

4. 학교와 정책이 해야 할 일

이 논문의 결론은 학교와 정책 입안자들에게 중요한 메시지를 줍니다.

• ❌ 잘못된 접근 (감시만 강화): "AI 를 쓰면 잡는다!"라고만 하면, 학생들은 감시할 때만 안 쓰다가, 감시가 없으면 다시 들키지 않게 속여서 씁니다. (양심적인 협상이 아니라, 감시 회피)
• ✅ 올바른 접근 (협상 능력 키우기):
  1. 리터러시 교육: AI 가 어디서 틀리는지, 어떻게 검증하는지 가르쳐야 합니다. (저울의 '위험' 추를 정확히 맞추게 함)
  2. 윤리 교육: 단순히 "안 돼"가 아니라, 왜 AI 를 쓰지 말아야 하는지 내면의 원칙을 세우게 도와야 합니다.
  3. 공정성 (소수계 대학의 경우): 기초 지식이 부족한 학생들은 AI 를 '학습의 대용품'으로 쓰기 쉽습니다. 이들에게는 AI 를 금지하는 것보다, 기초 실력을 키워주는 것이 더 중요합니다.

📝 한 줄 요약

"학생들의 AI 사용은 고정된 성격이 아니라, 매 순간 '편리함', '위험', '양심', '상황'이라는 네 가지 요소 사이에서 끊임없이 저울질하며 결정하는 '협상'입니다. 학교는 학생을 감시하는 것이 아니라, 이 저울을 올바르게 사용할 수 있도록 돕는 코치가 되어야 합니다."

기술 요약

논문 요약: 학술적 글쓰기에서의 학생 LLM 의존성 협상 프레임워크 (RNF)

1. 연구 배경 및 문제 제기 (Problem)

• 기존 프레임워크의 한계: 현재 대학 교육에서 생성형 AI(대규모 언어 모델, LLM) 에 대한 학생들의 참여를 설명하는 기존 이론들 (유형론적 모델, 기술 수용 모델, AI 리터러시 프레임워크) 은 다음과 같은 현상들을 설명하지 못합니다.
  • 학생 내 변이성 (Within-Student Variability): 동일한 학생이 과목이나 과제 유형에 따라 LLM 사용 방식이 어떻게 급격히 달라지는지 설명 불가.
  • 발달적 역설 (Developmental Paradox): LLM 사용 경험이 늘어날수록 오히려 더 정교한 사용보다는 무분별한 의존이 습관화되는 현상.
  • 원칙적 비사용 (Principled Non-use): 낮은 리터러시나 접근성 부족이 아닌, 윤리적 신념에 기반한 의도적인 LLM 사용 거부를 '참여 실패'로만 해석하는 오류.
• 핵심 문제: 학생들의 LLM 사용은 고정된 성향이나 단순한 채택 결정이 아니라, 지속적으로 협상되는 동적 과정이라는 점을 기존 이론들이 간과하고 있음.

2. 연구 방법론 (Methodology)

• 연구 설계: 순차적 설명 혼합 방법론 (Sequential Explanatory Mixed-Methods Study).
• 표본: 미국 내 공립 소수자 지원 기관 (MSI) 의 재학생 382 명.
  • 양적 데이터: 설문조사 (N=382).
  • 질적 데이터: 14 명의 반구조화 인터뷰, 3 개의 질적 설문 스트랜드, 총 1,435 개의 코딩된 사례.
• 분석: 다항 로지스틱 회귀분석, 계층적 회귀분석, 그리고 질적 데이터의 주제 분석을 통해 새로운 이론적 모델을 도출.

3. 주요 기여 및 이론적 프레임워크 (Key Contributions: The RNF)

이 논문은 의존성 협상 프레임워크 (Reliance Negotiation Framework, RNF) 를 제안하며, 이는 LLM 의존성을 4 가지 동시 입력 요인 간의 협상 결과로 재개념화합니다.

A. 4 가지 동시 입력 요인 (Concurrent Inputs)

1. 지각된 혜택 (Perceived Benefits): 시간 절약, 아이디어 생성, 품질 향상 등 (기대 - 가치 이론의 가치 요소 기반).
2. 지각된 위험 (Perceived Risks): 학술적 무결성 위험, 인식론적 위험 (할루시네이션), 인지적 발달 위험 (기술 퇴화), 사회적 위험 등 (기대 - 가치 이론의 비용 요소 기반).
3. 윤리적 헌신 (Ethical Commitments): 준수 기반 (Tier 1), 규범 의존 (Tier 2), 원칙 기반 (Tier 3) 의 3 단계 윤리 계층.
4. 상황적 요구 (Situational Demands): 마감 시간 압박, 교수자 정책, 학문적 규범 등.

B. 핵심 메커니즘

• 협상 과정 (Negotiation Process): 위 4 가지 입력 요인이 동시에 작용하여 LLM 사용 행동 (전략적, 도구적, 대화적, 의존적) 을 산출합니다.
• 재귀적 피드백 (Recursive Feedback): 이전의 사용 결과 (산출물) 가 다음 결정의 입력 요인 (혜택/위험 인식) 을 수정합니다. (예: 할루시네이션 경험은 인식론적 위험 인식을 높임).
• 이중 모델 아키텍처 (Two-Model Architecture):
  • 협상 모드 (Negotiation-mode, 87.0%): 4 가지 입력 요인을权衡 (trade-off) 하여 상황에 따라 결정하는 학생들.
  • 거부 모드 (Abstention-mode, 13.0%): 윤리적 신념이 절대적 제약 조건 (lexical constraint) 으로 작용하여 협상 자체가 발생하지 않는 학생들. 기존 모델은 이들을 저사용자로 잘못 분류함.

C. 3 가지 정의적 속성

1. 재귀적 (Recursive): 결과가 입력을 수정하며 발달 경로를 형성.
2. 상황적 (Situated): 활동 체계 (과제, 학문 분야) 의 affordance(공여) 에 따라 협상 결과가 달라짐.
3. 발달적 (Developmental): 시간에 따라 반응적 (준수) 에서 성찰적 (원칙) 인 윤리 수준으로 진화하지만, 이는 필연적이지 않으며 교육적 개입에 의해 영향을 받음.

4. 주요 결과 및 발견 (Results)

• 학생 내 변이성 확인: 동일한 학생이 인문계 에세이에서는 대화적 브레인스토밍을, STEM 실험 보고서에서는 최소한의 사용을 하는 등 과목별 사용 패턴이 상이함.
• 발달적 역설의 실증: LLM 사용 경험이 많을수록 (β = .308) 의존도가 높아질 뿐만 아니라, '전략적'이지 않은 의존 유형 (도구적, 대화적, 의존적) 에 속할 확률도 증가함 (ORs: 2.89–6.83). 즉, 경험이 반드시 정교함을 보장하지 않음.
• 원칙적 비사용의 존재: 전체 응답자의 13.0%(n=47) 가 윤리적 신념에 기반한 의도적 거부를 표명. 이들은 저리터러시 그룹이 아닌, 고도화된 윤리적 판단을 가진 집단임.
• MSI(소수자 지원 기관) 의 특수성: 1 세대 대학생 및 저소득층 학생들은 '효율성 - 위축 (Efficiency-Atrophy)'의 임계점이 더 낮아, AI 가 학습 결손을 메꾸는 과정에서 오히려 핵심 기술 습득을 대체할 위험이 더 큼.

5. 검증 가능한 예측 (Falsifiable Predictions)

RNF 는 향후 연구를 위한 4 가지 가설을 제시합니다.

1. 학생 내 변이성: 동일한 학생의 과제 간 LLM 의존성 변이가 학생 간 변이보다 클 것 (ICC < 0.50).
2. 윤리 계층 진화: 구조화된 윤리 교육은 감시 환경에 관계없는 행동 안정성을 높일 것 (Cohen's d ≥ 0.40).
3. AI 리터러시 개입: AI 리터러시 교육은 의존적 사용자의 자기효능감 과잉 (self-efficacy inflation) 을 감소시킬 것.
4. 제도적 조절 효과: MSI 학생들은 더 높은 준비도 격차로 인해 효율성 - 위축 임계점에서 더 민감하게 반응할 것.

6. 의의 및 시사점 (Significance)

• 이론적 의의: 정적인 유형 분류를 넘어, LLM 사용이 동적 협상 과정임을 규명. '왜' 학생이 그렇게 행동하는지, 그리고 그 행동이 어떻게 발달하는지 설명하는 메커니즘 제공.
• 교육 정책 및 평가:
  • 탐지 중심 정책의 한계: 감시와 처벌은 '준수 기반 (Tier 1)' 행동만 유도하며, 감시가 사라지면 효과가 소멸됨.
  • 리터러시 및 윤리 교육의 필요성: AI 리터러시 교육은 단순한 사용 금지가 아니라, 혜택과 위험을 정확히 평가하는 '협상 능력'을 기르는 데 초점을 맞춰야 함.
  • 형평성 (Equity): 소수자 지원 기관 (MSI) 에서는 단순한 금지 정책이 오히려 학습 격차를 심화시킬 수 있으므로, 기초 역량 강화와 AI 리터러시 인프라 구축이 병행되어야 함.
• 실천적 함의: 기관은 학생의 LLM 사용을 '위협'이 아닌 '발달적 역량'으로 접근해야 하며, 원칙적 비사용자를 포함한 모든 학생 유형을 이해하는 맞춤형 개입 전략이 필요함.

결론적으로, 이 논문은 생성형 AI 시대의 학술적 글쓰기에서 학생들의 행동을 이해하기 위해 고정된 유형론을 버리고, 상황, 동기, 역량, 윤리가 상호작용하는 역동적인 협상 모델을 제시함으로써, 보다 효과적이고 형평성 있는 교육 정책 수립의 기초를 마련했습니다.