Practitioner Beliefs and Behaviors in AI-Enhanced Education: DOT Framework Survey Evidence

기술 요약: AI 강화 교육에서 실무자의 신념과 행동 (DOT 프레임워크 설문 조사 증거)

문제 제기
고등교육으로의 생성형 인공지능 (AI) 과 대규모 언어 모델 (LLM) 의 급속한 통합은 일관되고 교육학적으로 근거를 둔 기관 전략의 개발 속도를 앞질렀습니다. 채택이 광범위하게 이루어지고 있지만, 공유된 규범과 프레임워크의 부재로 인해 교육자들 사이에서 파편화되고 임시방편적인 관행이 초래되었습니다. 이러한 파편화는 AI 의 변혁적 잠재력이 실현되지 못하고 위험이 관리되지 않는 교육 환경을 초래합니다. 본 연구는 교육자들이 AI 의 교육적 역할을 어떻게 개념화하는지, 현재의 사용 행동은 무엇이며, 책임 있는 통합을 촉진하거나 제약하는 기관적 조건은 무엇인지에 관한 경험적 데이터의 부재를 다루고 있습니다.

방법론
본 연구는 미국의 72 명 고등교육 실무자의 신념, 행동 및 기관적 조건을 조사하기 위해 횡단적 설문 조사 설계를 사용했습니다. 교육 기술 컨퍼런스 및 전문 네트워크에서 모집된 표본은 전임 교수진 (54%) 과 교수설계자 (14%) 가 주로 구성되었으며, 자기 보고된 AI 참여도가 높았습니다 (76% 가 AI 를 적극적으로 사용하거나 연구 중).

측정 도구인 'DOT 설문지'는 교수 실천의 **변환 (Transformation, T)**을 안내하기 위해 **디자인 사고 (Design Thinking, D)**와 **개방 시스템 모델 (Open Systems Model, O)**을 통합한 이론적 모델인 DOT 프레임워크를 기반으로 개발되었습니다. 설문지에는 다음이 포함되었습니다:

• AI 의 교육적 잠재력, 거버넌스, 자동화 능력 및 협력적 역할에 대한 견해를 포착하도록 설계된 19 개의 리커트 척도 신념 항목.
• 11 가지 작업 범주 (예: 콘텐츠 생성, 채점, 연구) 에 걸친 사용 패턴 질문.
• 디자인 사고 행동 (needs assessment, 목표 설정, 실험, 피드백 수집) 의 빈도를 평가하는 반성적 실천 질문.
• 정책, 훈련 및 인프라와 관련된 기관적 장벽 평가.

데이터 분석에는 기술 통계, 신뢰성 테스트 (크론바흐 알파), 그리고 신념 항목 내의 잠재적 구성 요소를 식별하기 위해 Promax 회전과 주성분 축 인자법 (Principal Axis Factoring) 을 사용한 탐색적 요인 분석 (EFA) 이 포함되었습니다.

주요 결과

• 신념의 요인 구조: 19 개 신념 항목의 EFA 는 견고한 3 요인 구조를 드러냈습니다 (설명된 총 분산: 54.4%, $\alpha$ = .90):

  1. AI 기능적 능력 ($\alpha$ = .910): 피드백, 채점, 창의성 및 조교 역할 수행 등 특정 작업에서 AI 의 효율성과 효과성에 대한 신념.
  2. 감독 및 거버넌스 ($\alpha$ = .786): 인간 감독, AI 출력에 대한 비판적 평가, 투명성, 그리고 자료에 대한 교수진의 통제에 대한 원칙적 헌신. 이 요인은 높은 동의 (평균 > 4.60) 를 보였으나 일부 천장 효과가 있었습니다.
  3. 교수자 협력 및 계획 ($\alpha$ = .851): 교수 계획, 포용성 및 교수자 주도를 지원하는 협력적 파트너로서의 AI 에 대한 신념.
  • 주목할 만한 발견: "AI 는 교수자의 전문성을 대체할 수 있다"는 항목은 어떤 요인에도 적재되지 않았으며 거의 보편적으로 거부되었습니다 (71% 반대). 이는 '대체'가 아닌 '공동 지능 (co-intelligence)' 마인드를 강화합니다.

• 사용 패턴: 실무자들은 생성 및 콘텐츠 제작 작업 (예: 교수 자료 생성, $M=3.43$; 연구 지원, $M=3.21$) 에서 높은 사용률을 보고했습니다. 반면, 평가 및 자동화 작업에서의 사용은 현저히 낮았습니다 (예: 채점 자동화, $M=1.60$; 개인화된 피드백 제공, $M=2.17$).

• 디자인 사고 행동: 반복적 프롬프팅과 실험은 일반적이었으나, 전체 디자인 주기에 대한 체계적인 준수는 일관되지 않았습니다. "AI 사용 전 요구 사항 식별"과 "반복을 위한 피드백 수집"이 가장 빈도가 낮은 실천 사항으로, 프레임워크의 이론적 요구 사항과 현재 구현 사이의 격차를 나타냈습니다.

• 기관적 장벽: 식별된 주요 과제는 윤리적 우려/학문적 정직성 (64%), 불충분한 훈련 (61%), 기관 정책 부재 (50%), 제한된 인프라 (47%) 였습니다. 데이터는 교수진이 기관적 지원 구조보다 더 빠르게 진전하고 있는 거시 시스템 병목 현상을 시사합니다.

주요 기여

1. DOT 프레임워크의 경험적 검토: 본 연구는 교육자의 관점이 프레임워크의 디자인 사고 및 개방 시스템 아키텍처와 일치하는 방식으로 군집됨을 보여줌으로써, DOT 프레임워크를 실무자 신념을 이해하는 유효한 모델로 설명하는 예비적 기술적 지지를 제공합니다.
2. 측정 도구 개발: 디자인 지향적 및 시스템 인식적 AI 사용 차원을 포착할 수 있는 설문 도구를 도입하고 평가하여, 향후 연구를 위한 3 요인 구조 (기능적 능력, 감독/거버넌스, 협력/계획) 를 제시합니다.
3. 구현 격차 식별: 본 연구는 DOT 프레임워크가 제안하는 전체 디자인 주기와 현재 실무자 행동 사이의 특정 불일치, 특히 '공감 (요구 사항 평가)' 및 '테스트/피드백' 단계의 미활용을 강조합니다.

의의 및 주장
저자들은 본 연구를 탐색적이고 예비적인 것으로 위치 짓고 있으며, 신념, 행동 및 교육적 결과 간의 인과 관계를 확립하지 않는다고 명시적으로 밝힙니다. 그 의의는 다음과 같습니다:

• 기술적 검증: DOT 프레임워크의 개념적 구분 (마이크로 시스템 설계 대 거시 시스템 거버넌스) 이 실제 실무자의 인지에 매핑됨을 보여주는 초기 증거 제공.
• 거시 시스템 병목 현상 강조: 지속 가능한 AI 통합은 개별 교수진의 능력에 의해 제약되는 것이 아니라 정책, 훈련 및 인프라의 기관적 결핍에 의해 제약됨을 확인.
• '공동 지능' 규범 정의: 참여하는 실무자들이 대체재로서 AI 를 대체하는 것이 아니라 비판적 협력과 인간 감독의 렌즈를 통해 주로 거부하고 있음을 입증.

본 논문은 향후 연구가 기술적 모델링에서 확인적 검증 (CFA 사용) 및 결과 기반 연구로 이동하여 DOT 정렬 실천이 교육의 질에 어떻게 영향을 미치는지 결정해야 한다고 결론지었습니다. 또한 기관들이 윤리적이고 효과적인 AI 통합을 위한 전제 조건으로 전문성 개발 및 거버넌스 구조를 선택적 강화가 아닌 필수 요소로 취급해야 한다고 호소합니다.