Faculty Orientations Shape Adoption of AI in Research and Teaching

기술 요약: 교수진의 성향이 연구 및 교육에서의 AI 수용에 영향을 미침

문제 제기
고등교육 분야에서 대규모 언어 모델 (LLM) 의 광범위한 가용성에도 불구하고, 교수진의 수용과 사용은 현저하게 다양합니다. 기존 문헌은 이러한 변이와 AI 에 대한 여러 해석 (도구, 지식원천, 또는 위협으로서의 AI) 의 공존을 기록하고 있으나, 현재의 기술 수용 모델은 유사한 affordance 에 대해 강사들이 왜 다르게 반응하는지를 완전히 설명하지 못합니다. 로저스의 혁신 확산 (DoI) 과 기술 수용 및 사용의 통합 이론 (UTAUT) 과 같은 전통적 프레임워크는 외부 조건, 사회적 영향, 그리고 지각된 유용성을 강조합니다. 그러나 이러한 모델들은 기술이 학문적 추론과 지식 생산과 직접적으로 상호작용하는 맥락에서는 불충분할 수 있습니다. 저자들은 AI 사용의 변이는 접근성, 정보원천, 또는 일반적인 태도만으로 설명될 수 없다고 주장하며, 강사들이 특정 학문 내에서 AI 의 인식론적 역할을 어떻게 개념화하는지 조사할 필요성을 제기합니다.

방법론
본 연구는 과학기술진흥을 위한 연구재단 (RCSA) 코트렐 장학금 수혜자 중 572 명의 STEM 분야 교수진을 대상으로 한 혼합 방법론 설문을 적용했습니다. 이 집단은 과학적 연구의 질과 혁신적인 교육 계획이라는 이중 선정 기준을 충족하는 수상자들이므로, 신흥 기술에 대해 적극적으로 실험할 가능성이 높은 '표적 집단'으로 선정되었습니다.

• 데이터 수집: 2025 년 가을에 실시된 본 설문은 20% 의 응답률 (116 건) 을 기록했으며, 50% 완료 임계값을 적용한 후 90 건의 응답이 분석에 포함되었습니다.
• 측정 도구 설계: 설문지는 연구, 교육, 기타 전문적 업무 전반에 걸친 AI 사용 패턴, 도구 출처, 제도적 이니셔티브, 태도 진술 (리커트 척도), 그리고 인구통계학적 데이터를 포착했습니다. 문항들은 DoI 와 UTAUT 구성 요소를 기반으로 설계되었습니다.
• 양적 분석: 저자들은 잠재 구조를 식별하기 위해 태도 및 맥락 변수에 대해 탐색적 요인 분석 (EFA) 을 수행했습니다. 이진 및 서열 데이터를 처리하기 위해 이항, 다항, 그리고 다항 연속 상관 행렬이 사용되었습니다. 이후 로지스틱 회귀 분석과 상관 분석을 통해 식별된 요인을 자기 보고식 사용과 비교하여 검증했습니다.
• 질적 분석: 개방형 설문 응답은 반복적이고 점진적인 코딩 절차를 통해 분석되었습니다. 초기 코드는 실천, 인식론적, 정서적, 구조적이라는 네 가지 상위 구성 요소로 통합되었습니다. 판정자 간 신뢰도는 크립펜도르프의 $\alpha$를 사용하여 평가되었습니다.
• 통합: 양적 요인 점수는 통합된 질적 코딩과 상관 분석되어 추론과 경험이 식별된 잠재 구성 요소와 어떻게 일치하는지 검토되었습니다.

주요 기여 및 결과
본 연구의 주요 기여는 "AI 교육적 성향"이라고 명명된 일관된 잠재 구성 요소를 식별한 것입니다.

1. 요인 식별: EFA 는 태도 데이터의 분산 55% 를 설명하는 9 개 항목의 단차원 척도를 밝혀냈습니다. 이 요인은 연구, 교육, 기타 전문적 활동 전반에 걸친 자기 보고식 AI 사용을 강력하게 예측합니다 (오즈비 범위: 2.8~5.0).
2. 구성 요소의 성격: "AI 교육적 성향"은 단순히 긍정적이거나 부정적인 감정을 측정하는 것이 아닙니다. 대신, 이는 AI 가 학문적 사고, 학습, 그리고 전문성 개발에서 어떤 역할을 해야 한다는 서로 다른 관점을 반영합니다.
   • 높은 성향: AI 를 학문적 사고를 지원하고, 부수적 업무를 위임하며, 효율성을 높이는 도구로 보는 것과 관련이 있습니다. 이러한 응답자들은 비판적 평가를 통해 위험을 관리하면서 AI 를 업무 흐름에 통합합니다.
   • 낮은 성향: AI 를 심층 학습과 전문성 개발에 대한 잠재적 위협으로 보는 것과 관련이 있습니다. 이러한 응답자들은 종종 전통적 방법을 선호하여 사용을 제한하거나 LLM 을 거부하며, 효율성보다는 노력과 의도적인 참여를 우선시합니다.
3. 전통적 예측 변수의 약점: 표준 수용 모델과 달리, 제도적 이니셔티브, 인구통계학적 변수 (경력 단계, 기관 유형), 그리고 정보원천은 AI 사용과 비교적으로 약하거나 유의미하지 않은 연관성을 보였습니다. 도구 접근성은 성향의 한 구성 요소이지만, 도구의 역할을 어떻게 개념화하느냐가 지배적인 예측 변수입니다.
4. 질적 검증: 질적 분석은 성향이 인식론적 경계에 의해 정의됨을 확인했습니다. 높은 성향을 가진 응답자들은 AI 를 "상호작용적 인지 파트너"로 규정하는 반면, 낮은 성향을 가진 응답자들은 이를 "피상적 참여"나 "과신한 오류"의 원천으로 규정했습니다. 이 차이는 위험 인식 (두 집단 모두 위험을 인정함) 에 있는 것이 아니라, 이러한 위험을 도구 회피의 이유로 볼 것인지, 아니면 관리해야 할 제약으로 볼 것인지에 있습니다.

의의 및 주장
저자들은 지식 생산과 학문적 추론과 직접적으로 상호작용하는 기술에 대해서는 기존 기술 수용 모델이 불완전할 수 있다고 주장합니다. 본 연구는 AI 의 맥락에서 수용은 접근성, 정책, 교육과 같은 외부 요인보다는 "과학 수행"과 교육이라는 실천에 기술이 어떻게 부합하는지에 대한 내부적, 인식론적 해석에 의해 더 많이 주도된다고 시사합니다.

본 논문은 지각된 유용성과 제도적 지원과 같은 요인들이 여전히 관련성이 있지만, 교육적으로 참여하는 이 집단 내의 수용 변이를 완전히 설명하지는 못한다고 겸손하게 결론짓습니다. 연구 결과는 AI 수용을 지원하기 위한 노력이 접근성과 기술 교육 제공을 넘어, 교수진이 AI 가 학문적 사고를 어떻게 지원 (또는 훼손) 할 수 있는지 명확히 표현하도록 돕는 방향으로 나아가야 함을 시사합니다. 저자들은 표본이 특정 (코트렐 수상자) 이며 시간의 한 단면을 대표하므로, 관찰된 관계는 제도적 구조가 성숙하고 수용이 더 광범위해짐에 따라 진화할 수 있다고 지적합니다. 향후 연구에서는 이러한 성향이 시간이 지남에 따라 어떻게 발전하는지, 그리고 어떻게 학생 학습 환경으로 이전되는지 조사할 것을 제안합니다.