기술 요약: 생성형 AI 시대의 학부 컴퓨터 과학 교육 재편

문제 정의

본 논문은 생성형 AI(GenAI)의 급격한 발전으로 인한 컴퓨터 과학(CS) 교육의 중대한 격변을 식별한다. 역사적으로 CS 교육은 논리적 의도를 구문론적 코드로 변환하는 노동 집약적인 과정에 집중해 왔으며, 프로그래밍 메커니즘에서 소프트웨어 엔지니어링 관행(디버깅, 테스트, 문서화)으로 단계적으로 발전해 왔다. 그러나 AI 코딩 도구(예: Claude Code, OpenAI Codex, Google Gemini)는 이제 단순 버그 수정, 보일러플레이트 코드 작성, 단위 테스트 생성과 같이 전통적으로 "주니어 엔지니어"에게 할당되었던 많은 과업을 자동화하고 있다.

이러한 자동화는 이중의 과제를 야기한다:

1. 커리큘럼의 노후화: 학생들이 점진적으로 복잡한 코딩 과업을 통해 전문성을 쌓아가는 전통적인 도제 모델은, AI가 진입 단계의 엔지니어 역할을 수행함에 따라 붕괴되고 있다.
2. 기술 침식: 교육 현장에서 제한 없는 AI 사용은 학생들의 지적 능력, 특히 비판적 사고, 문제 해결 능력, 그리고 시스템의 정확성을 검증하는 능력을 저해할 위험이 있다. 실증적 증거에 따르면, AI는 실습 성과를 향상시킬 수 있으나, AI를 제거했을 때 시험 점수가 하락하는 현상이 나타나는데, 이는 "지팡이(crutch)" 효과를 시사한다.
3. 품질 및 책임 간극: AI 지원 개발은 단기적인 속도를 가속화할 수 있으나, 코드 복잡도와 정적 분석 경고를 지속적으로 증가시켜 기술 부채를 유발한다. 또한, 안전이 중요한 시스템(safety-critical systems)에서 AI가 생성한 코드에 대한 전문적인 책임 프레임워크가 부족하다는 점은 심각한 리스크를 초래한다.

방법론

이러한 과제를 해결하기 위해 저자들은 싱가포르 AI4SG 랩(NUS School of Computing), SoC Horizons Office, Google의 협력 하에 두 차례의 국제 워크숍을 조직하였다. 본 연구는 다양한 관점을 포착하기 위해 다음과 같은 이중 이해관계자 접근 방식을 채택하였다:

1. 교수진 워크숍 (2025년 11월): 북미, 아시아, 유럽, 오세아니아의 CS 교수진 및 산업계 전문가 30명이 참여한 3일간의 세션이다. 워크숍은 핵심 역량을 정의하고, 커리큘럼(1~4학년)을 재설계하며, 구현 과제를 해결하기 위해 구조화된 브레인스토밍 프로세스(KEEP, CUT, GAP, THREAT)를 활용하였다.
2. 학생 워크숍 (2026년 1월): 현재 CS 전공생 및 최근 졸업생 약 60명(약 50%는 싱가포르 소재 기관 출신)이 참여한 1일 세션이다. 이 워크숍은 학생들의 실제 경험, 비판적 사고 침식에 대한 우려, 그리고 평가 및 학습 경로에 대한 선호도에 초점을 맞추었다.

본 연구는 참가자의 자기 선택 편향(self-selection bias), 학생 참가자의 지리적 집중도, 그리고 결과물이 실증적으로 검증된 결과가 아닌 인식과 제안을 반영한다는 점 등의 한계를 인정한다.

주요 기여

본 논문은 문법 중심의 교육에서 고차원적 역량 중심으로 전환하는 CS 학부 교육의 전략적 프레임워크를 제안한다. 주요 기여는 다음과 같다:

• "브레드크럼(Breadcrumb, 빵 부스러기)" 전략: AI 네이티브 기술(윤리, 검증, 명세)을 별도의 독립된 모듈이 아니라, 기존 교과 과정 내에 작은 실습 과제, 프롬프트, 넛지(nudge) 형태로 삽입하여 4년제 커리큘럼 전반에 통합하는 교육적 메커니즘이다.
• 검증 스펙트럼(Verification Spectrum): 본 논문은 '검증'을 비정형 코드 리뷰 및 테스트에서부터 타입 시스템 기반 개발 및 완전 형식 검증(formal verification)에 이르는 연속체로서 핵심적인 졸업 역량으로 재정의한다. AI가 코드를 생성함에 따라, 인간의 역할은 의도를 명세하고 부합 여부를 검증하는 "시니어 엔지니어"로 변화한다고 주장한다.
• 커리큘럼 재구조화 기준: 저자들은 개혁을 위한 다섯 가지 기둥을 제안한다:
  1. AI-네이티브 역량 육성: 명세, 검증, 비판적 성찰에 집중하여 AI와 함께 전문적이고 윤리적으로 작업하는 법을 훈련한다.
  2. 기초 교육의 재중심화 (1~2학년): 단순 코딩 암기에서 벗어나 추상화, 분해, 알고리즘적 추론에 집중한다. 여기에는 컴파일된 솔루션을 역공학하여 명세를 추출하는 "탑다운(top-down)" 방식이 포함된다.
  3. 심화 경로 강화 (3~4학년): 시스템 레벨의 사고, 대규모 분산 시스템, 그리고 학제 간 융합(예: "AI+X")을 강조한다.
  4. 새로운 교수법 수용: 프로젝트 기반 학습, "프롬프트 우선(prompt-first)" 과제, 그리고 최종 결과물뿐만 아니라 문제 해결 과정과 AI 상호작용 이력을 평가하는 방식으로 이동한다.
  5. 기관 차원의 지원 변화: 교수진의 업무량을 지원하기 위한 자원 재배분, "AI-준비된(AI-ready)" 과제 개발을 위한 인센티브, 그리고 확산 가능한 개혁을 위한 공유 저장소 구축을 옹호한다.

결과 및 합의

워크숍 결과, 교수진과 학생 사이의 상당한 합의와 함께 미묘한 의견 차이가 발견되었다:

합의 영역:

• 고차원적 사고로의 전환: 양측 모두 교육이 문법 암기에서 추상화, 시스템 설계, 문제 분해 숙달로 피벗해야 한다는 점에 동의한다.
• 기초의 중요성: 핵심 이론(수학, 자료 구조, 알고리즘)은 여전히 필수적이지만, AI 출력물을 검증하기 위한 토대로서 가르쳐져야 한다.
• 메타 기술: 비판적 사고, 자기 조절, 윤리적 추론을 포함한 "메타 기술"의 필요성에 대한 공감대가 형성되었다.
• 평가 개혁: 양측 모두 기초 이해도를 검증하기 위한 통제된(AI 미사용) 테스트와, 과정/명세/검증을 평가하는 개방형(AI 허용) 과제의 이중 평가 방식을 지지한다.
• 경험적 학습: 고립된 코딩 연습보다 대규모의 실무 프로젝트를 선호한다. 교수진은 기존 솔루션의 "역공학"을 제안했고, 학생들은 "현장(in the wild)"에서의 프로젝트 자율성을 옹호했다.

차이점:

• 역량 격차: 교수진은 졸업생이 즉시 시니어 수준의 아키텍처 기술을 갖춰야 하는 "주니어 엔지니어 문제"에 집중한 반면, 학생들은 취업 가능성과 AI가 포화된 시장에서 차별화되는 법에 더 집중했다.
• 책임(Liability): 교수진은 안전이 중요한 영역에서 AI 생성 코드에 대한 전문적인 책임 및 승인 프레임워크의 부재에 대해 예리한 우려를 표했으나, 학생들의 논의에서는 이 문제가 덜 두드러졌다.
• 교육 구조: 교수진은 구조화되고 교수자 주도적인 형식(예: 정의된 스캐폴딩이 있는 "프롬프트 우선" 코스)을 선호한 반면, 학생들은 문제와 학습 경로를 선택하는 데 있어 더 큰 자율성을 선호했다.

의의 및 주장

본 논문은 확정적인 결론을 내리기보다는 진행 중인 증거 기반 논의의 기초적인 단계로 자신을 위치시킨다. 그 의의는 다음과 같다:

1. 이중 관점의 합성: 교수진과 학생의 목소리를 모두 담음으로써, 단일 이해관계자 접근 방식이 놓치기 쉬운 합의와 차이점을 식별하였다.
2. 프로그램 전반의 범위: 단일 과목에 집중하는 이니셔티브와 달리, 4년제 학부 커리큘럼 전체를 재구조화하기 위한 기준을 제안한다.
3. 실행 가능한 프레임워크: 이론적 논의를 넘어 "브레드크럼" 방법론 및 AI 상호작용 이력 제출과 같은 구체적인 평가 개혁 등 실행 가능한 전략을 제시한다.
4. 검증을 위한 촉구: 저자들은 제안된 솔루션(예: 명세 중심 과제, 검증 지향 워크플로우)이 아직 테스트되어야 함을 겸허히 밝힌다. 이들은 더 넓은 커뮤니티가 이러한 실천적 솔루션을 구현하고, 빠르게 진화하는 직업 시장에 맞서 제안된 기준을 검증할 수 있는 실증적 데이터를 제공하기를 권고한다.

본 논문은 AI로 인한 변화의 규모는 알 수 없으나, 수동적 코드 생성에서 시스템 관리, 검증 및 윤리적 책임으로의 전환은 즉각적이라고 결론짓는다. 제안된 프레임워크는 졸업생들이 AI를 사용하여 문제를 생성하고 해결할 수 있을 뿐만 {만, AI와 함께 책임감 있게 결과물을 관리하고 공동 창조할 수 있도록 하는 것을 목표로 한다.