AI Receptivity or AI Adoption Breadth? A Tool-Specific Reanalysis of the Lower-Literacy/Higher-Usage Link

기술 요약: AI 수용성인가, AI 채택 폭의 광범위함인가?

문제 제로 (Problem Statement)
본 논문은 AI 리터러시와 AI 수용성 사이의 역설적인 음(-)의 상관관계(즉, 리터러시가 낮을수록 사용량이 높음)를 보고한 Tully 등(2025)의 연구 3 데이터를 재분석한다. 기존 연구는 다섯 가지의 이질적인 AI 도구 범주(이미지 생성기, 생산성 도구, 디자인 서비스, 헬스 앱, 글쓰기 보조 도구)에 대한 자기 보고식 사용 빈도를 하나의 연속적인 지수로 합산하였다. 재분석의 저자들은 이러한 합산 방식이 상당한 이질성을 은폐한다고 주장한다. 구체적으로, 기존 방법론은 두 가지 구별되는 행동 프로세스를 혼동하고 있다: (1) 익숙한 도구(텍스트 AI)에 대한 사용 강도(intensity), 그리고 (2) 덜 익숙한 도구(비텍스트 AI)에 대한 *채택 폭(adoption breadth)*이다. 또한, 기존 방식은 1~5점 척도의 서열형 리커트 데이터(ordinal Likert-scale data)를 등간 척도(metric)로 취급하는데, 이는 방법론적 문헌(Liddell & Kruschke, 2018; Agresti, 2010)에서 효과 추정치를 왜곡할 수 있다고 지적하는 관행이다.

방법론 (Methodology)
저자들은 더 세밀하고 도구별로 특화된 접근 방식을 사용하여 Tully 등의 연구 3의 공개 데이터($N=401$)를 재검토하였다.

• 데이터: 5개의 사용 빈도 항목(1=전혀 사용 안 함 ~ 5=매주 사용) 및 AI 리터러시 점수(17개 정답의 합계).
• 모델 군 (Model Families): 데이터의 서열적 특성과 합산 문제를 해결하기 위해 저자들은 네 가지 모델 군을 적용하였다:
  1. OLS: 참가자 수준의 평균값에 대해 적용 (기존 명세 재현).
  2. 이항 로짓 (Binary Logit): 과업 고정 효과를 포함한 항목 수준 데이터에 적용하여, 두 가지 임계값("빈번한 사용" $Y>3$ 및 "채택" $Y>1$)을 테스트함.
  3. 순서형 로짓 (Ordered Logit, 비례 오즈 모델): 서열형 리커트 응답을 위한 주요 명세.
  4. 다항 로짓 (Multinomial Logit): 범주를 순서 가정이 없는 명목형으로 취급하여 수행한 스트레스 테스트.
• 통제 변수: 주요 명세에서는 연령, 소득, 일반 지식, 자율성 동기, 성별을 조정하였다. 강건성 확인(Robustness check)을 위해 기존 연구의 통제 집합(기술 준비도, 일반 지식, 자율성 동기, 성별)을 활용하였다.
• 분해 (Decomposition): 분석은 데이터를 "텍스트 AI"(글쓰기 보조 도구)와 "비텍스트 AI"(나머지 네 가지 범주)로 분리하였다. 이는 텍스트 AI는 모든 빈도 수준에 걸쳐 분포가 잘 형성되어 있는 반면, 비텍스트 도구는 "전혀 사용 안 함" 응답에 집중되어 있다는 점을 인식한 것이다.

주요 결과 (Key Results)

1. 합계 효과의 재현: 저자들은 모든 모델 명세(OLS, 이항, 순서형, 다항 로짓)에서 AI 리터러시와 통합 AI 사용량 사이의 원래의 음(-)의 상관관계를 성공적으로 재현하였다.
2. 도구 유형별 이질성: 데이터를 분해했을 때 관계가 크게 갈라졌다:
   • 텍스트 AI: 인구통계학적 조정 명세에서 AI 리터러시는 텍스트 AI 사용의 유의미한 예측 변수가 아니었다 (Ordered Logit $\beta = -0.090, p = .387$). 이 관계는 약하고 명세에 민감했으며, 기존 연구의 특정 통제 집합 하에서만 유의미하게 나타났다.
   • 비텍스트 AI: AI 리터러시는 비텍스트 AI 사용의 강력하고 강건한 음(-)의 예측 변수였다 (주요 명세에서 Ordered Logit $\beta = -0.377, p < .001$; 기존 통제 명세에서 $\beta = -0.502, p < .001$).
3. 채택 vs. 강도: 비텍스트 효과는 사용 빈도(강도 마진)보다는 채택 마진(사용자가 해당 도구를 한 번이라도 사용해 보았는지 여부)에 의해 주로 주도된다. 비텍스트 AI 도구를 한 번이라도 사용했을 확률의 오즈비(odds ratio)는 리터러시의 표준 편차 증가당 0.68이었다.
4. 예측 확률: 시각적 분석 결과, 비텍스트 도구의 경우 리터러시가 높을수록 해당 도구를 한 번도 사용하지 않았을 확률이 강력하게 예측되었다 (리터러시 범위 전반에 걸쳐 50%에서 82%로 상승). 텍스트 AI의 경우, 미사용 확률은 비교적 평탄하게 유지되었다.

주요 기여 (Key Contributions)

• 방법론적 기여: 본 논문은 이질적인 서열 항목들을 하나의 지수로 평균화하는 것이 서로 다른 행동 메커니즘을 은폐할 수 있음을 보여준다. 저자들은 평균화된 지수에 OLS를 적용하기보다 순서형 로짓 또는 이항 로짓 명세를 사용하여 서열 채택 데이터를 모델링할 것을 권고한다.
• 실질적 기여: "낮은 리터러시, 높은 수용성"이라는 주장에 대한 해석을 정교화한다. 증거는 낮은 리터러시 소비자가 모든 분야에서 AI에 대해 더 높은 수용성을 보인다는 일반적인 경향을 지지하지 않는다. 대신, 이는 낮은 리터러시 소비자가 침투율이 낮은 비텍스트 AI 도구(예: 이미지 생성기, 헬스 앱)를 *채택(사용 경험을 가짐)*할 가능성이 더 높다는 특정 패턴을 가리킨다. 이는 고침투율인 텍스트 도구의 집약적 사용으로까지 확장되지 않는다.

의의 및 주장 (Significance and Claims)
본 논문은 사용자의 과거 사용량을 측정하는 연구 3이, (낮은 리터러시가 "마법적" 인식을 통해 일반적인 AI 수용성을 높인다는) Tully 등의 이론적 주장에 대한 가장 광범한 해석을 뒷받 정도로 지지하지 않는다고 주장한다.

• 해석: 통합 계수는 약한 텍스트 AI 강도 효과와 강한 비텍스트 AI 채택 효과의 합성물이다.
• 경영적 시사점: 기업의 전략적 처방을 좁혀준다. 저리터러시 소비자를 타겟팅하는 것은 새롭거나 침투율이 낮은 비텍스트 AI 카테 categories의 사용자를 확보하는 데는 효과적일 수 있으나, 이것이 반드시 기존 텍스트 기반 어시스턴트의 사용 강도나 수용성 증가를 예측하는 것은 아니다.
• 구성 타당도 (Construct Validity): 본 논문은 "AI 수용성"이 단일한 잠재 특성이 아니라, 서로 다른 동인(driver)을 가진 도구별 결정의 집합일 수 있음을 시사한다.

저자들은 합계된 통계적 연관성은 실재하지만, 이를 분해했을 때 그 실질적인 의미는 변화하며, 초점이 일반적인 심리적 특성에서 이질적인 도구 범주에 걸친 특정 채택 폭 패턴으로 이동한다는 결론을 내린다.