Learning AI Without a STEM Background: Mixed-Methods Evidence from a Diverse, Mixed-Cohort AIED Program

기술적 요약: STEM 배경 없이 AI 학습하기

문제 제기
거버넌스, 노동 시장, 시민 생활에 인공지능 (AI) 이 점점 더 통합되고 있음에도 불구하고, AI 교육에 대한 접근성은 여전히 불평등합니다. 현재의 이니셔티브는 주로 STEM 준비가 된 학생들을 대상으로 하거나, 코딩 숙련도에 크게 의존하거나, 초기 경력 학습자에게 초점을 맞추고 있습니다. 이러한 배제는 비 STEM 학부생과 성인 전문직 종사자가 정책, 공공 이익, 노동 시장 맥락에서 AI 에 참여하는 것을 체계적으로 방해합니다. 그 결과, 기존 모델들은 종종 윤리적 판단보다 기술적 구현을 우선시하여 기술 참여의 격차를 심화시키고, 다양한 이해관계자들이 자동화 시스템을 비판적으로 평가하거나 데이터 기반 노동 시장에 적응할 능력을 제한합니다.

연구 방법론
본 연구는 미국 국립과학재단 (NSF) 의 지원을 받아 1 년간 운영된 AI 교육 프로그램인'데이터 크로싱 (Data Crossings)'을 분석하기 위해 혼합 방법론 평가 설계를 적용했습니다. 해당 프로그램은 인문학, 사회과학, 예술, 비즈니스 분야의 비 STEM 학부생과 성인 학습자 (현직 전문가 및 경력 전환자) 를 의도적으로 통합하는혼합 코호트 모델을 활용합니다.

• 참가자: 첫 번째 코호트는 200 명 이상의 지원자 중 19 명의 참가자 (학부생 12 명, 성인 7 명) 로 구성되었으며, 이는 9.45% 의 합격률입니다. 선발은 기술적 숙련도보다는 비기술적 AI 참여에 대한 동기 부여와 혼합 코호트 학습에 대한 준비도를 우선시했으며, 공식적인 STEM 컴퓨팅 훈련을 받은 지원자는 제외되었습니다.
• 데이터 출처: 데이터 수집에는 프로그램 시작 시 및 진행 중에 실시된 참가자 설문조사, 개방형 성찰, 강사 및 조교 보고서, 그리고 지원 내역서 등이 포함됩니다.
• 분석 접근법:
  • 양적: 자기 보고된 자신감, 지각된 관련성, 학문적 주체성을 측정하는 리커트 척도 설문 항목에 대한 기술적 분석. AI 기술에 대한 편안함 수준에서의 기대값 변화를 계산하기 위해 전이 행렬이 사용되었습니다.
  • 질적: 지원 내역서에 하이브리드 계산 - 질적 자연어 처리 (NLP) 접근법이 적용되었습니다. 여기에는 동기 및 윤리적 성향과 관련된 잠재적 주제를 식별하기 위해 BERTopic 과 같은 비지도 토픽 모델링과 인간 - 루프 코딩이 결합되었습니다.
  • 통합: 학습자의 자기 보고와 교육자의 관점을 삼각화하기 위해 수렴형 혼합 방법론 전략이 사용되었습니다.

주요 기여

1. 혼합 코호트 설계: 본 논문은 학문 분야, 연령, 경력 단계를 아우르는 학습자를 통합하는 AI 교육 (AIED) 모델을 제시하여, 동질적이고 연령이 분리된 AI 교실이라는 규범에 도전합니다.
2. 종단적 증거: 단기 개입이 아닌 지속적이고 1 년간의 프로그램에서 얻은 혼합 방법론 증거를 제공하여 학습 궤적에 대한 더 견고한 관점을 제시합니다.
3. 학습 결과의 재정의: 본 연구는 기술적 숙달을 참여를 위한 유일한 전제 조건으로 보는 대신, 윤리적 판단과 학문적 주체성을 AI 소양과 함께 핵심 학습 결과로 취급해야 한다고 주장합니다.

결과

• 동기: 지원 내역서 (n=201) 분석 결과, 참여의 주된 동기는 **윤리적이고 책임 있는 AI 사용 (68%)**이었으며, 이어 사회적 선을 위한 AI 적용 (65%) 이 뒤를 이었습니다. 지원자들은 일관되게 AI 를 모델 구축이 아닌 해석과 의사결정을 위한 도구로 규정했으며, 종종 전통적인 코딩 전제 조건을 구조적 장벽으로 언급했습니다.
• 자신감 향상: 설문 조사 데이터에 대한 양적 분석은 자기 보고된 자신감의 유의미한 향상을 나타냈습니다. 낮음에서 중간 수준의 편안함으로 시작했던 참가자들이 가장 큰 상승 추세를 보였습니다. 편안함에 대한 전체 기대값 변화는 긍정적 (+0.90) 이었으며, 극도의 불편함으로 전환된 참가자는 없었습니다.
• 윤리적 추론: 질적 데이터는 책임, 판단, 맥락적 추론에 대한 일관된 강조를 드러냈습니다. 참가자들은 기술적 불확실성이 없더라도 윤리적 트레이드오프를 명확히 표현하고 가정을 질문하는 능력을 보여주었습니다.
• 교수학적 역동성: 강사와 근접 동료 멘토들은 대화식 및 시나리오 기반 학습 활동에서 특히 높은 참여도를 보고했습니다. 혼합 코호트 구조는 인식론적 자산으로 기능했는데, 성인 학습자는 분야 전문성과 전문적 판단을 제공하고 학부생은 성찰적 실천을 기여하여 불확실성을 정상화하고 관점을 확장했습니다.

의의와 주장
본 논문은 이질적인 인구 집단에서 공정한 AI 교육을 위해 인간 중심의 교수적 지원—특히 윤리적 발판, 멘토링, 구조화된 토론—이 필수적이라고 주장합니다. 또한 다음과 같이 주장합니다:

• 윤리적 판단은 학습 가능하며 기술적 숙달 없이도 관찰할 수 있어, 기술적 능력이 달성된 후 윤리를 지연시키는 모델에 도전합니다.
• 성인 학습자는 보충적 참가자가 아닌 인식론적 기여자로서 작용하여 학습 환경의 지적 및 윤리적 깊이를 높입니다.
• 촉진은 핵심의 평등 메커니즘으로, 자기 주도형 또는 코딩 우선 모델과 달리 기술적 불확실성을 처벌하지 않고 질문과 추론을 위한 공간을 조성합니다.

저자들은 AI 교육 확대를 위해서는 다양한 학습자—개발자뿐만 아니라 미래의 의사결정자들—가 AI 를 책임 있게 참여할 수 있도록 준비시키는 혼합 코호트 및 윤리 중심 모델을 포함하도록 설계 가정을 재고해야 한다고 결론지었습니다. 본 연구는 표본 크기와 자기 선택에 관한 한계를 인정하며, 포괄적인 프로그램 후 결과는 종단적 분석을 통해 대기 중임을 명시합니다.