🤖 AI

AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude

103명의 태국 컴퓨터 공학 전공 학부생을 대상으로 한 이 혼합 연구는 주로 성과 기대치에 의해 주도되는 AI 자동화 도구(구체적으로 n8n)에 대한 강력하고 일반화된 수용을 입증하는 동시에, 출력 품질에 관한 양적 열정과 질적 회의론 사이의 차이를 드러냄으로써, 이러한 도구들을 표적화된 교육적 스캐폴딩과 함께 커리큘럼에 통합하는 것을 지지한다.

원저자: Aung Pyae

게시일 2026-06-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aung Pyae

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 미래의 엔지니어들을 가르치는 교사로서, 새로운 초지능 로봇 조수에게 학생들을 소개하려고 한다고 상상해 보십시오. 학생들에게 이 로봇을 사용하여 무언가를 만들게 하기 전에, 당신은 먼저 알고 싶습니다: 그들이 정말로 이 로봇을 좋아하는가? 유용하다고 생각하는가? 그리고 이 로봇을 신뢰하는가?

이 논문은 태국의 컴퓨터 공학 전공 학생 103명이 일련의 워크숍 동안 특정 종류의 "로봇 뇌" 도구(n8n)를 사용해 본 결과를 담은 성적표입니다. 연구진은 이 학생들이 향후 직업에서 AI 자동화를 받아들일 준비가 되었는지 확인하고자 했습니다.

다음은 연구 결과를 쉬운 비유를 사용하여 정리한 내용입니다.

1. 설정: 미래를 위한 "시승식"

워크숍을 새 자동차의 시승식이라고 생각해 보십시오. 학생들은 단순히 자동차에 대해 읽기만 한 것이 아니라, 직접 운전대를 잡았습니다. 그들은 n8n이라는 무료 오픈 소스 도구를 사용하여 서로 다른 디지털 작업들을 연결했습니다(예: 메시지를 읽고 데이터베이스에 저장하는 AI 에이전트 만들기).

"시승식"이 끝난 후, 학생들은 짧은 설문조사를 작성했습니다. 설문조사는 유명한 기술 이론에서 가져온 여섯 가지 "계기판"을 기준으로 도구를 평가하도록 요청했습니다:

성과 기대치 (Performance Expectancy): "이것이 내 업무를 완수하는 데 도움이 될까?"
노력 기대치 (Effort Expectancy): "배우기 어렵지는 않은가?"
행동 의도 (Behavioral Intention): "다시 사용할 것인가?"
자기 효능감 (Self-Efficacy): "나는 이것을 사용할 능력이 있다고 느끼는가?"
유희적 동기 (Hedonic Motivation): "재미있는가?"
출력 품질 (Output Quality): "도구가 좋은 결과를 내는가?"

2. 결과: "후광 효과"

학생들은 모든 항목에서 매우 높은 점수를 주었습니다. 거의 모든 학생이 이 도구가 유용하고, 사용하기 쉬우며, 다시 사용할 의향이 있다는 데 동의했습니다.

커다란 놀라움 (The "Halo"):
보통 새로운 도구에 대해 질문하면, 사람들은 각기 다른 의견을 가질 것이라고 예상합니다 (예: "유용하지만 지루하다" 또는 "재미있지만 사용하기 어렵다").

하지만 연구진은 흥кси로운 사실을 발견했습니다. 학생들은 아직 이 카테고리들 사이의 차이를 구분하지 못했습니다.

비유: 약간 뿌연 창문을 통해 밝고 빛나는 새 스마트폰을 보고 있다고 상상해 보십시오. 그것이 전화기라는 것은 알겠고 아주 멋져 보이지만, 카메라와 화면, 혹은 배터리와 프로세서의 차이를 명확히 구분할 수는 없습니다.
발견된 사실: 학생들은 도구를 아주 짧은 시간 동안만 사용했기 때문에, 그들의 뇌는 여섯 가지 질문을 하나의 단일한 느낌, 즉 **"나는 이 도구가 마음에 든다"**라는 하나의 감정으로 묶어버렸습니다. 재미있는지 혹은 유용한지와 같은 구체적인 세부 사항들이 아직 마음속에서 분리되지 않았던 것입니다. 연구진은 이를 "일반적인 수용 태도"라고 부릅니다.

3. "신뢰의 격차": 조용한 회의론자들

설문 조사 수치는 찬란했지만(모두가 도구가 높은 품질의 결과를 낸다고 답함), 개방형 주관식 답변은 조금 다른 이야기를 들려주었습니다.

비유: 사람들이 새로운 케이크를 맛보고 있다고 상상해 보십시오. 95%는 "정말 맛있어요!"라고 말합니다. 하지만 소수의 5%는 "잠깐, 프로스팅이 약간 불균일해요. 어떤 때는 완벽하지만 어떤 때는 덩어리가 져 있어요"라고 속삭입니다.
발견된 사실: 설문조사는 "출력 품질"이 훌ёт다고 말했습니다. 하지만 몇몇 학생들이 남긴 의견에는 AI가 때때로 부정확하거나 일관되지 않은 결과를 제공한다는 내용이 있었습니다.
왜 중요한가: 연구진은 학생들이 (설문조사를 바탕으로) 도구를 신뢰한다고 해서, 그것이 반드시 **교정된 신뢰(calibrated trust)**를 의미하는 것은 아니라는 점을 깨달았습니다. 그들은 너무 과하게 신뢰하고 있거나, 혹은 언제 검토를 해야 하는지 모를 수도 있습니다. 이 논문은 학생들이 도구의 사용법뿐만 아니라, 도구가 언제 실수를 하는지 식별하는 방법도 배워야 한다고 제안합니다.

4. 이것이 교육에 의미하는 바

이 논문은 교육자들이 학생들이 AI 자동화로부터 최대한의 성과를 얻을 수 있도록 돕기 위해 사용할 수 있는 세 가지 "레버(도구)"로 결론을 맺습니다.

스캐폴딩 사다리 (The Scaffolding Ladder): 학생들이 도구를 유용하다고 느끼면서도 동시에 까다롭다고 느꼈기 때문에, 교사들은 지원의 사다리를 만들어야 합니다. 쉬운 단계부터 시작하여 점진적으로 도움을 줄여나감으로써 학생들이 스스로 무언가를 구축할 수 있다는 자신감을 갖게 해야 합니다.
자신감 북돋우기 (The Confidence Boost): 일부 학생들은 도구를 사용할 수 있다고 느꼈지만, 도움을 받을 수 있을 때만 가능하다고 느꼈습니다. 교사들은 "이것이 무엇인지 안다"와 "나는 이것을 스스로 할 수 있다" 사이의 간극을 메울 수 있도록 구체적인 지원을 제공해야 합니다.
신뢰 교정 (The Trust Calibration): 이것이 가장 중요합니다. 교사들은 단순히 도구가 완벽하게 작동하는 모습만을 보여주어서는 안 됩니다. 교사들은 도구가 실패하는 순간을 보여주어야 합니다. 이를 통해 학생들은 AI의 작업을 맹목적으로 믿는 것이 아니라, 그 결과를 검증하는 법을 배우게 됩니다.

요약

요컨대, 이 논문은 미래의 엔지니어들은 AI 자동화 도구에 대해 열광적이며 그것이 유용하다고 생각한다는 점을 말해줍니다. 그러나 단 한 번의 짧은 워크숍을 거친 후, 그들은 이 도구를 다양한 강점과 약점을 가진 복잡한 기계가 아니라, 하나의 "좋은 것"으로 인식하고 있습니다.

교육자를 위한 핵심 교훈은 다음과 같습니다: 단순히 학생들의 열정에 환호하는 데 그치지 마십시오. 또한 학생들이 도구의 간헐적인 실수에 대처하는 법을 가르쳐서, 그들이 단순히 '즐거워하는 사용자'가 아닌 '스마트하고 비판적인 사용자'가 되도록 만들어야 합니다.

기술 요약: 컴퓨터 공학 교육에서의 AI 자동화 툴링

문제 제기
생성형 AI와 로우코드(low-code) 워크플로 플랫폼이 소프트웨어 실무의 필수적인 부분이 됨에 따라, 컴퓨터 공학 교육에는 다음과 같은 중요한 경험적 질문이 남게 되었다. 즉, 학부생들이 이러한 도구들을 유용하고, 사용 가능하며, 지속적인 참여를 할 가치가 있는 것으로 수용하는가 하는 점이다. 차세대 엔지니어들은 AI 증강 자동화를 설계하고 추론할 것을 요구받게 될 것이나, 특히 동남아시아 교육 맥락 내에서 이러한 툴링에 대한 학생들의 태도에 관한 증거는 부족한 실정이다. 또한, 기존 문헌들은 교육적 개입 직후에 측정된 단일 소스 기반의 단문형 도구를 다루는 데 있어 엄격한 방법론적 처리가 결여된 경우가 많다.

연구 방법론
본 연구는 태국의 한 대학교에 재학 중인 103명의 컴퓨터 공학 학부생을 대상으로 교차 섹셔널(cross-sectional) 설명적 혼합 방법론(explanatory mixed-methods design)을 채택하였다. 기초에서 중급 수준의 Python 기술을 보유하고 일반 목적의 AI 도구를 매일 사용하는 참가자들은 오픈 소스 로우코드 플랫폼인 n8n을 활용한 세 차례의 동일한 스크립트 워크숍에 참여하였다.

도구 구성: 기술 수용 모델(TAM), 통합 기술 수용 및 이론(UTAT) 및 UTAUT2에서 파생된 6가지 구성 개념을 매핑한 12개 항목의 5점 리커트 척도 설문지가 워크숍 종료 후 실시되었다. 6가지 구성 개념은 성과 기대(PE), 노력 기대(EE), 행동 의도(BI), 자기 효능감(SE), 유희적 동기(HM), 출력 품질(OQ)이며, 각 구성 개념은 2개의 항목으로 측정되었다.
양적 분석: 간결한 설계(구성 개념당 2개 항목, $N=103$ $N = 103$ )의 한계를 해결하기 위해, 본 연구는 구조 방정식 모델링(SEM) 대신 강력한 비모수 및 서수 특화 기법을 사용하였다. 분석에는 다음이 포함되었다:
- Spearman-Brown 계수 및 폴리코릭 상관관계(polychoric correlations)에 기반한 McDonald's 오메가( $\omega$ )를 이용한 신뢰도 추정.
- 구성 개념 평균값에 대한 부트스트랩 신뢰 구간(95%, $B=5,000$ ).
- 중립 중간값(3.0)에 대한 일표본 윌콕슨 부호 순위 검정(one-sample Wilcoxon signed-rank tests).
- 다중 비교를 위한 Holm 교정을 적용한 Spearman 상관계수.
- 차원 진단: 공통 방법 편향(common-method bias)과 요인 분리성을 평가하기 위한 Horn의 평행 분석(parallel analysis), Harman의 단일 요인 검사, 그리고 KMO 지수.
질적 분석: 정량적 데이터와의 수렴 및 발산을 식별하기 위해 13개의 실질적인 개방형 의견에 대한 귀납적 주제 분석(inductive thematic analysis)이 수행되었다.

주요 결과

높은 수용 수준: 6가지 모든 구성 개념은 중립 중간값보다 유의미하게 높은 평균값을 보였으며( $p < 0.0001$ ), 큰 효과 크기를 나타냈다( $r$ 범위 0.68 ~ 0.81). 평균 점수의 순위는 PE (4.28) > OQ (4.16) > EE (4.11) > BI (4.05) > SE (4.04) > HM (4.00) 순이었다.
차원의 붕괴: 차원 진단 결과, 6개의 이론적으로 구별되는 구성 개념이 하나의 일반적 수용 요인으로 붕괴됨을 확인하였다. Horn의 평행 분석 결과 단 하나의 요인만이 유지되었으며(고윳값 8.77 vs 무작위 벤치마크 ~1.76), Harman의 검사는 첫 번째 요인의 분산이 73.1%임을 보여주었다. 이는 워크숍 직후의 단기적 맥락에서 학생들이 수용의 하위 측면들을 경험적으로 구분하지 않고, 하나의 총체적인 "헤일로(halo)" 태도로 반응함을 시사한다.
정량-정성 불일치: 출력 품질(OQ)에 대한 정량적 점수는 높았으나, 질적 피드백에서는 "신뢰성 회의론적 소수"가 발견되었다. 일부 학생들은 일관되지 않은 프롬프트와 부정확한 결과에 대해 우려를 표명하였는데, 이는 집단적 지지가 자동화에 대한 교정된 신뢰와 동일하지 않음을 나타낸다.
세션 일관성: Kruskal-Wallis 검정을 통해 세 차례의 워크숍 세션 간에 수용 프로필의 통계적으로 유의미한 차이가 없음을 확인하여 프로토콜의 충실도를 검증하였다.

핵심 기여

경험적 기여: 본 연구는 TAM/UTAUT 문헌에서 과소 대표된 집단인 태국 컴퓨터 공학 학부생들 사이에서 AI 자동화 툴링 수용에 대한 최초의 구성 개념 수준의 증거를 제공한다.
방법론적 기여: 단일 소스의 서수형 단문형 도구를 위한 투명한 분석 프레키임을 제시한다. 폴리코릭 상관관계, 비모수 검정, 명시적 차원 진단을 활용함으로써, SEM이 미결정(under-identified) 상태인 경우에도 어떻게 엄격하게 데이터를 분석할 수 있는지, 그리고 요인 분리성에 대한 기본 가정을 피하는 방법을 보여준다.
이론적 기여: 정형화된 TAM/UTAUT의 하위 측면들이 단기 교육 설정에서 하나의 일반적 수용 태도로 붕괴된다는 발견은, 단일 노출 직후에 이 구성 개념들이 경험적으로 분리될 수 있다는 가정에 도전한다. 이는 수용의 완전한 명목 네트워크(nomological network)가 나타나기 위해서는 지속적이고 종단적인 노출이 필요할 수 있음을 시사한다.
교육적 기여: 혼합 방법론을 통해 세 가지 이론 기반의 교육적 레버를 식별하였다:
1. 노력 기대(Effort Expectancy)의 마찰을 해결하기 위한 교수 순서 스캐폴딩(instruction-sequencing scaffolds).
2. 유용성을 인식하는 것과 능력을 느끼는 것 사이의 간극을 메우기 위한 자기 효능감 지원.
3. 출력 품질 인지의 불일치를 해결하기 위한 신뢰 교정 개입(예: 실패를 경험하고 검증할 수 있는 구조화된 기회 제공).

의의 및 주장
본 논문은 학부생들의 AI 자동화 툴링에 대한 수용은 대체로 우호적이며 도구적 유용성에 기반하고 있으나, 워크숍 직후의 태도는 별개의 심리적 요인들이 아닌 일반화되고 미분화된 구성 개념이라는 점을 주장한다. 따라서 저자들은 단기 수용 측정 도구가 단일한 태도 차원의 척도로 해석되어야 하며, 신뢰성 문제를 탐지하기 위해 질적 조사가 보완되어야 한다고 주장한다.

본 연구는 데이터에 의해 이러한 도구의 커리큘럼 도입이 뒷받받된다고 결론짓지만, 효과적인 교수법은 단순한 노출을 넘어선 설계가 필요하다고 강조한다. 즉, 초기 열광이 자동화 시스템에 대한 성숙하고 교정된 의존으로 이어진다고 가정하기보다는, 검증 행동을 통해 학생의 신뢰를 교정하는 교육을 설계함으로써 "적절한 의존 문제(appropriate-reliance problem)"를 적극적으로 다루어야 한다. 저자들은 본 연구가 단일 기관의 횡단적 설계라는 한계가 있어 인과적 추론이 불가능함을 명시하며, 초기 우호적 태도가 어떻게 적절한 장기적 사용 행동으로 성숙해지는지 추적하기 위한 종단적 연구를 제안한다.

1. 설정: 미래를 위한 "시승식"

2. 결과: "후광 효과"

3. "신뢰의 격차": 조용한 회의론자들

4. 이것이 교육에 의미하는 바

요약

기술 요약: 컴퓨터 공학 교육에서의 AI 자동화 툴링

유사한 논문