Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory

기술적 요약: 학술적 맥락에서의 AI 피로 정의

문제 제기
학술 환경으로의 인공지능 (AI) 도구 급속한 통합은 기존 프레임워크 (예: 테크노스트레스, 디지털 피로, 줌 피로) 가 완전히 다루지 못하는 독특한 형태의 스트레스를 도입했습니다. 이전 연구는 디지털 환경이 과부하와 정신적 스트레스를 생성한다는 것을 입증했으나, 이러한 모델들은 AI 지원 작업에 고유한 상호작용 주기, 즉 빠르고 길며 종종 일관성이 없는 AI 생성 산출물을 반복적으로 프롬프트하고 검토하며 검증하는 주계를 고려하지 못합니다. 기존 도구는 일반적인 디지털 스트레스나 학술적 피로를 측정하지만, 생성형 AI 에 대한 지속적인 의존에서 비롯된 구체적인 인지적, 동기적, 정서적, 주의력적 압력을 평가할 역량이 부족합니다. 결과적으로 이러한 압력이 어떻게 누적되는지 설명하는 일관된 개념적 모델이나 고등교육에서 'AI 피로'를 정의하는 고유한 구성개념은 존재하지 않습니다.

방법론
본 연구는 참여자의 보고에서 직접 개념적 모델을 개발하기 위해 **귀납적 이론 (Grounded Theory)**에 기반한 질적 연구 설계를 적용했습니다.

• 참여자: 표본은 필리핀 팜팡가 주의 세 개 대학에 재학하며 학술 활동에 AI 채팅봇을 사용한 1,054 명 (남성 507 명, 여성 547 명; 평균 연령 19.21 세) 의 대학생으로 구성되었습니다.
• 데이터 수집: 데이터는 대면 인터뷰 (15~20 분), 가상 인터뷰, 그리고 구글 폼을 통한 온라인 설문조사의 세 가지 채널을 통해 수집되었습니다. 참여자들은 AI 도구 사용 경험, 수행한 구체적 작업, 피로나 스트레스 느낌, 동기 변화, 학습 습관의 변화 등을 탐구하는 여섯 가지 개방형 질문에 응답했습니다. 응답은 영어와 필리핀어로 수집되었습니다.
• 데이터 분석: 연구자들은 코빈과 스트라우스 (2008) 가 설명한 3 단계 코딩 절차를 활용했습니다:
  1. 개방 코딩: 독립 연구자들이 스트레스, 어려움, 또는 불편함을 반영하는 구절에 설명적 라벨을 부여했습니다.
  2. 축 코딩: 라벨을 반복되는 압력 형태 (지표) 를 나타내는 클러스터로 그룹화했습니다.
  3. 선택적 코딩: 지표를 일관된 차원으로 연결하기 위해 더 넓은 범주를 식별했습니다. 두 명의 주요 코더 간의 불일치는 세 번째 연구자가 해결했습니다.
  4. 모델 개발: 참여자들이 이러한 압력을 설명한 순서가 단계 기반 프레임워크를 형성하는 데 기여했습니다.

주요 기여 및 결과
분석은 AI 피로의 다섯 가지 정의 차원과 단계 기반 개념적 모델이라는 두 가지 주요 기여를 도출했습니다.

1. AI 피로의 다섯 가지 차원
본 연구는 참여자 응답에 기반한 두 가지 구체적 지표로 뒷받침되는 다섯 가지 독특한 차원을 확인했습니다:

• 인지 과부하 (310 건 응답): 가장 빈번하게 보고된 차원입니다.
  • 산출물 과부하: AI 응답의 양과 밀도를 처리하는 과정에서 발생하는 정신적 스트레스.
  • 검증 스트레스: 환각이나 불일치로 인해 AI 산출물의 정확성과 일관성을 반복적으로 확인하는 데서 오는 피로.
• 동기적 이탈 (270 건 응답):
  • 주도성 상실: 독립적 사고를 우회하고 즉시 AI 지원을 의존하려는 경향.
  • 유능성 의심: 과도한 의존으로 인한 학문적 자신감과 자기효능감의 침식.
• 도덕적 불안 (190 건 응답):
  • 저자권 죄책감: AI 생성 콘텐츠를 자신의 작업으로 제출하는 것에 대한 불편함과 죄책감.
  • 이해 격차: AI 산출물의 품질과 학생의 실제 이해 수준 사이의 불일치에서 비롯된 고통.
• 신체적 스트레스 (120 건 응답):
  • 시각적 피로: 밀집된 AI 텍스트를 장기간 읽음으로써 발생하는 안구 및 두통 불편함.
  • 세션 피로: 장시간 AI 상호작용 세션 이후의 신체적 고갈.
• 주의력 표류 (125 건 응답):
  • 속도 조급함: 빠른 AI 응답에 노출된 후 전통적 학습 자료 (예: 교과서) 의 느린 속도에 대한 내성 감소.
  • 불안정한 전환: 더 빠른 답변에 대한 선호로 인한 분산된 주의와 습관적인 탭 전환.

2. AI 피로 모델
본 연구는 반복적인 AI 상호작용을 통해 이러한 압력이 어떻게 발전하고 서로를 강화하는지 설명하는 6 단계 기반 프레임워크를 제안합니다:

1. 초기 노력 감소: AI 가 초기 인지 부하를 낮추어 학술적 요구에 대한 주요 대응 수단이 됩니다.
2. AI 역할 확장: 사용이 복잡한 작업으로 확대되면서 학생들은 더 길고 밀집된 산출물에 노출됩니다.
3. 스트레스 누적: 특히 인지적 및 신체적 차원을 중심으로 압력이 누적되기 시작합니다.
4. 자기 조절 방해: 학생들은 학습 루틴을 유지하고 의존을 저항하는 데 어려움을 겪으며 주도성 상실과 자신감 의심을 경험합니다.
5. 피로 고착: 스트레스가 지속적이 되며 도덕적 불안과 주의력 표류가 인지적 및 동기적 압력과 함께 두드러집니다.
6. 피드백 루프: 지속적인 AI 사용은 학생을 이전 단계로 되돌려 모든 압력을 순환적으로 강화하고 심화시킵니다.

의의 및 주장
본 논문은 일반적 테크노스트레스나 디지털 피로와 구별되는 고유한 구성개념으로서 AI 피로에 대한 최초의 개념적 및 탐색적 기반을 확립했다고 주장합니다. 저자들은 기존 모델이 기술적 스트레스를 요구에 대한 일반적인 반응으로 취급하는 것과 달리, AI 피로 모델은 프롬프트, 검증, AI 생성 콘텐츠 순환이라는 고유한 상호작용 주기를 구체적으로 다룬다고 주장합니다.

본 연구는 그 결과를 다음과 같은 기초로 제시합니다:

• 이론적 발전: 향후 도구 검증 및 척도 개발을 위한 프레임워크 제공.
• 경험적 탐구: 특히 AI 도입 속도가 제도적 준비도를 앞서는 ASEAN 과 같은 지역에서의 맥락 간 연구 가능.
• 교육적 적용: 압력이 누적되는 학술 작업 주기의 시점을 교육자가 식별하고 심리적 및 동기적 압력을 해결하기 위한 개입 (예: 구조화된 성찰) 을 설계하도록 안내.

저자들은 겸손한 입장을 유지하며, 연구 결과가 탐색적이며 특정 지역 표본에 국한되고 자기 보고 데이터에 기반함을 인정합니다. 그들은 명시적으로 이 모델이 더 넓은 적용 전에 다양한 문화 및 제도적 맥락에서 확인적 요인 분석과 검증을 거쳐야 한다고 밝히고 있습니다.