Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement

기술 요약: AI 리터러시 워크숍 결과 및 딥페이크 참여의 성별 차이

문제 제기
K–12 교육 내에서 인공지능(AI) 리터러시 이니셔티브가 확대됨에 따라, 성별이 학생의 기초 인식, 도구 사용 및 개입에 대한 반응성에 어떻게 영향을 미치는지에 대한 이해의 격차가 존재한다. 컴퓨팅 교육에서의 성별 격차는 이미 잘 문서화되어 있으나, 중등 학생들을 대상으로 한 AI 리터러시의 성별 차이에 관한 실증적 증거는 여전히 부족하다. 또한, 합성 미디어(딥페이크)의 급격한 부상은 성별에 따른 안전 위험을 초래하지만, AI 리터러시 교육과 딥페이크 인식의 교차점에 대해서는 실증적 연구가 제한적으로 이루어졌다. 기존 프레임워크는 학생들이 무엇을 알아야 하는지에 대해서는 다루지만, 이러한 개입으로부터 누가 혜택을 받는지 또는 전략이 다양한 인구 통계 그룹에 대해 효과적인지에 대해서는 분석하지 못하는 경우가 많다.

연구 방법론
본 연구는 호주 뉴사우스웨일스주의 두 곳의 남녀공학 정부 학교 학생들을 대상으로 실시된 1일간의 AI 리터러시 워크숍("Day of AI" 프로그램의 일부)의 효과를 평가하였다.

• 참가자: 본 연구에는 학년 7, 8, 10학년 학생들이 포함되었다 ($N_{pre} = 199$, $n_{post} = 136$). 혼란 변수를 방지하기 위해 남녀 분리 학교와 9학년은 제외되었다. 논바이너리 또는 성별 미표기 응답은 표본 크기 부족($n \le 9$)으로 인해 제외되었다.
• 도구: 선행 연구를 변형한 설문지를 통해 9가지 구성 요소를 측정하였다: AI 지식, AI 학습 및 편향에 대한 이해, 태도, 자신감, 도구 사용 빈도, 개념적 적용, 동기, 딥페이크 경험(다중 선택), 그리고 STEM 경력 관심도.
• 분석: 통계 분석 시 학년과 학교를 통제하였다.
  • 서열 척도 항목 (Likert 척도): 성별 더미 코딩(남성을 참조 그룹으로 설정)을 적용한 일반 최소 제곱(OLS) 회귀 분석을 사용하여 분석하였다. 효과 크기는 Cohen'den $d$를 사용하여 계산하였다.
  • 이분형/다중 선택 항목: 로지스틱 회귀 분석을 사용하여 성별 계수에 대한 오즈비(Odds Ratio, OR)를 보고하였다.
  • 개입 효과: 성별 그룹 내에서 $\sim phase + year\_level + school$ 모델 결과를 사용하여 사전 및 사후 개입 비교를 수행하였다.

주요 결과

1. 기초 성별 차이 (워크숍 전)

• STEM 열망: 남학생은 세 가지 영역 모두에서 STEM 경력에 대해 유의미하게 높은 관심을 보였다: 공학 ($d = -0.81$), 컴퓨터 과학 ($d = -0.68$), AI ($d = -0.58$).
• AI 이해도: 남학생은 AI 시스템이 어떻게 학습되는지에 대한 자기 평가 이해도가 유의미하게 높았다 ($d = -0.29$).
• 도구 사용: 여학생은 학교 과제를 위해 AI를 사용할 확률(OR = 1.81)과 AI 도구로부터 조언을 구할 확률(OR = 2.35)이 유의미하게 높았다. 남학생은 Microsoft Copilot을 더 빈번하게 사용하는 것으로 나타났다.
• 딥페이크 행동: 남학생은 딥페이크 콘텐츠를 공유할 확률이 유의미하게 높았다 (23.2% 대 10.0%, OR = 0.34). 여학생은 딥페이크 콘텐츠를 신고할 확률이 유의미하게 높았다 (24.0% 대 14.1%, OR = 2.14). 남학생이 딥페이크를 생성하거나 대상이 될 가능성이 높다는 경향이 있었으나, 공변량을 통제한 후에는 통계적으로 유의미하지 않았다.
• 유의미한 차이 없음: 일반적인 AI 지식, 자신감, 개인정보 보호 인식, 또는 AI 편향에 대한 이해에서는 기초적인 차이가 발견되지 않았다.

2. 차별적 개입 효과 (워크숍 후)

• 일반적 이득: 양쪽 성별 모두에서 AI 지식과 자신감이 통계적으로 유의미한 향상을 보였다 (두 항목 모두 중간 크기의 효과 크기).
• 여학생 특화 이득: 여학생은 더 풍부한 프로필의 이득을 보였다: AI 학습 및 AI 편향에 대한 이해에서 중간 크기의 향상을 보였다 ($d = 0.75$, $d = 0.49$). 결정적으로, 여학생은 AI 및 컴퓨터 과학에 대한 경력 관심도에서 유의미한 증가를 보였다 ($\Delta M = +0.45$, $d = 0.52$ 및 $\Delta M = +0.44$, $d = 0.47$).
• 남학생 특화 결과: 남학생은 AI 또는 컴퓨터 과학에 대한 경력 열망에서 유의미한 변화를 보이지 않았다.
• 플랫폼 인식: 양쪽 성별 모두 엔터테인먼트 플랫폼(Netflix, Spotify)에서의 AI 사용을 식별하는 능력이 향상되었으며, 여학생은 TikTok 식별에서도 향상을 보였다.

주요 기여 및 의의
저자들은 호주 중등 학생들을 대상으로 한 최초의 성별 분리 AI 리러시 워크숍 분석을 제공한다고 주장한다. 본 연구의 의의는 다음 세 가지 주요 영역에 있다:

1. 성별-STEM 격차 완화: 워크숍은 성별 격차를 줄이는 데 기여하는 것으로 보인다. 남학생이 처음에 더 높은 관심을 보였으나 개입 후에도 관심이 정체된 반면, 여학생은 AI 및 CS 경력 관심도에서 유의미한 상승을 보였다.
2. 성별 대응적 결과: 개입은 성별에 따라 차별화된 결과를 낳았다. 양쪽 성별 모두 지식과 자신감에서 이득을 얻었으나, 여학생은 더 넓은 개념적 이득(학습, 편향)과 경력 궤적의 변화를 달성했다.
3. 딥페이크 안전 시사점: 본 연구 결과는 합성 미디어에 대한 뚜렷한 행동 패턴을 강조한다. 딥페이크를 공유하고 잠재적으로 생성할 가능성이 높은 남학생의 높은 비율은 남학생을 대상으로 한 합성 미디어의 윤리적 배포에 초점을 맞춘 타겟 안전 교육의 필요성을 시사한다.

한론 및 권고 사항
저자들은 두 곳의 지역 학교로 제한된 점(일반화의 한계), 익명 설문 설계로 인한 쌍체 분석(paired analysis) 불가, 그리고 자기 보고 편향을 한계점으로 언급하였다.

이러한 결과를 바탕으로, 저자들은 AI 리터러시 프로그램 설계를 위한 세 가지 구체적인 권고안을 제안한다:

1. 워크숍을 여성의 STEM 경력 관심을 높이는 데 특화하여 활용할 것.
2. 특히 남학생을 대상으로 하는 성별 특화 딥페이크 안전 모듈을 포함할 것.
3. 워크숍 평가 시 성별에 따른 영향의 형평성을 명시적으로 모니터링할 것.