🔬 physics

Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

고등학교 물리 교실을 시뮬레이션하기 위해 행위자 기반 모델을 사용한 이 연구는, 생성형 AI가 지원을 제공하기는 하지만, 인지적 오프로딩을 조장하고 집단 학습 역동성을 저해함으로써 궁극적으로 문제 해결 역량의 발달을 방해하고 낮은 숙련도 단계에 머무는 학생의 비율을 높인다는 것을 밝혀냈다.

원저자: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

게시일 2026-06-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

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

다음은 이 논문을 쉬운 언어와 일상적인 비유를 사용하여 설명한 글입니다.

큰 그림: "치트키"의 함정

30명의 고등학생이 복잡한 물리 문제를 푸는 법을 배우기 위해 교실에 모여 있다고 상상해 보세요. 학생들에게는 이 문제를 해결하는 두 가지 주요 방법이 있습니다.

정공법: 스스로 생각하거나, 친구에게 도움을 구하며 스스로 문제를 해결합니다.
"마법 지팡이" 방식: 정답을 즉시 알려주는 아주 똑똑한 AI(생성형 AI)를 사용합니다.

이 연구는 단순한 질문을 던집니다. 만약 모든 학생이 마법 지팡이를 사용하기 시작한다면, 학급 전체에는 어떤 일이 벌어질까요?

이를 알아내기 위해 연구진은 단순히 실제 교실을 관찰하지 않았습니다(실제 교실은 통제하기 어렵기 때문입니다). 대신, 그들은 디지털 시뮬레이션을 구축했습니다. 즉, 30명의 컴퓨터 '에이전트'(학생)가 있는 교실이라는 이름의 비디오 게임을 만든 것입니다. 연구진은 학생들의 기술이 시간이 흐름에 따라 어떻게 변하는지 확인하기 위해 이 게임을 1,000번 실행했습니다.

시뮬레이션 작동 방식

연구진은 세 가지 핵심 규칙을 설정하여 게임을 구성했습니다.

네트워크: 학생들은 사회적 네트워크처럼 연결되어 있습니다. 어떤 학생들은 무작위로 친구 관계이고, 어떤 학생들은 긴밀한 그룹을 형성하며, 어떤 학생들은 느슨하게 연결되어 있습니다.
선택: 매 단계마다 학생은 결정합니다. "스스로 풀 것인가(또는 친구와 함께 할 것인가), 아니면 AI에게 물어볼 것인가?"
결과:
- 스스로 문제를 풀면, 뇌가 강력한 운동을 하게 되어 더 똑똑해집니다.
- 친구에게 물어보면, 친구로부터 조금 배울 수 있습니다.
- AI를 사용하면 정답을 얻지만, 뇌는 충분한 운동을 하지 못합니다. 사실 관계는 아주 조금 배울 수 있을지 몰라도, "문제 해결 근육"을 단련하는 과정은 놓치게 됩니다.

놀라운 결과들

1. "평균적인" 학생은 실력이 저하됩니다

연구진이 학급 전체에 AI를 도입했을 때, 집단의 평균적인 문제 해결 능력은 오히려 떨어졌습니다.

비유: 모두가 직접 무게를 드는 대신 기계에게 무게를 들어달라고 요청하기로 결정한 체육관을 상상해 보세요. 기계가 무게를 움직일 수는 있지만, 사람들의 근육은 약해집니다. 학급 전체적으로 볼 때, 학생들은 스스로 문제를 해결할 수 있는 능력이 줄어들었습니다.

2. "중간에 갇히는" 효과

AI가 없을 때, 학생들은 자연스럽게 계단을 올라갔습니다. 낮은 기술 수준에서 시작한 학생들도 따라잡았고, 학급 전체가 "높음" 및 "매우 높음" 기술 구간에 도달했습니다.

AI가 있을 때: 학생들은 그만큼 높이 올라가지 못했습니다. 상당수의 학생이 중간 단계나 심지어 낮은 단계에 "갇혀" 버렸습니다. 그들이 낙제한 것은 아니지만, 잠재력을 다 발휘하며 성장하지는 못했습니다.
비유: 경주를 하는 선수들을 생각해 보세요. AI가 없다면 모두가 각자의 속도로 달리며 시간이 지남에 따라 점점 빨라집니다. AI가 있다면, 마치 움직이는 보도(무빙워크) 위에 있는 것과 같습니다. 결승점에는 도착하겠지만, 스스로 빠르게 달릴 수 있는 다리 근력을 키우지는 못합니다.

3. 학급이 두 그룹으로 분리되었습니다

이것이 가장 중요한 발견입니다. AI가 도입되었을 때, 학급은 단순히 "조금 나빠진" 것이 아니라, 두 개의 뚜렷한 그룹으로 갈라졌습니다.

그룹 A: AI를 덜 자주 사용하는 학생들입니다. 이들은 계속 똑똑해졌고 최상위권에 도到了.
그룹 B: AI를 많이 사용하는 학생들입니다. 이들은 다른 학생들보다 현저히 뒤처진 "낮은 기술" 그룹에 머물렀습니다.
비유: 등산객 무리를 상상해 보세요. 모두가 길을 따라 걸으면 모두가 강해집니다. 하지만 일부 등산객이 헬리콥터(AI)를 타고 정상에 간다면, 목적지에는 도착하겠지만 체력은 약하고 지친 상태가 될 것입니다. 그룹은 나뉩니다. 강한 등산객들과 약한 헬리콥터 탑승객들로 말이죠. 헬리콥터 탑승객들은 단순히 제자리에 머문 것이 아니라, 실제로 체력 면에서 등산객들에게 뒤처지게 되었습니다.

4. "지름길" 습관

연구는 학생이 AI에 더 많이 의존할수록, 낮은 기술 그룹에 속할 가능성이 높다는 것을 발견했습니다.

비유: 간단한 산수를 할 때 계산기를 사용하는 것과 같습니다. 모든 것에 계산기를 사용하다 보면, 결국 기초적인 덧셈을 하는 법을 잊어버리게 됩니다. 학생들이 AI를 "지름길"로 사용하면서 스스로 문제를 해결하는 기술을 쌓는 것을 멈추었고, AI는 오히려 학습의 장벽이 되었습니다.

결론

이 논문은 AI가 학생들에게 정답을 줄 수는 있지만, 그 정답을 찾아내는 기술을 쌓는 것을 방해할 수 있다고 결론짓습니다.

학급 전체가 AI를 사용할 때, 그것은 단순히 모두를 똑똑하게 만드는 것이 아니라 오히려 격차를 만듭니다. AI 사용에 의존한 대다수의 학생을 비판적 사고와 문제 해결 능력이 뒤처지게 만드는 반면, (AI에 의존하지 않은) 소수의 그룹만이 계속해서 성장하게 만듭니다. 연구진은 우리가 AI가 개별 학생의 단일 테스트 성적에 미치는 영향뿐만 아니라, 집단 전체의 역동성에 어떤 영향을 미치는지 살펴봐야 한다고 제안합니다.

기술 요약: 생성형 AI를 사용하는 학생들의 문제 해결 역량 정체

문제 제기
문제 해결 역량(Problem-Solving Competence, PSC)의 발달은 회복 탄력성을 갖춘 시민을 양성하는 데 필수적이지만, 교실 환경 내에서 생성형 인공지능(GenAI)이 이러한 발달에 미치는 집단적 영향에 대해서는 아직 충분히 탐구되지 않았다. 기존 문헌은 GenAI에 대한 개인의 학습 성과와 태도를 광범위하게 다루고 있으나, 학습 전략의 분포(즉, GenAI 사용, 동료와의 협업, 또는 개별 학습 중 선택)가 학습 공동체 전반의 PSC 진화에 어떤 영향을 미치는지에 대한 이해는 부족하다. GenAI가 공동 구성적 학습을 위한 스캐폴드(scaffold)로 작용하는지, 아니면 심층 학습을 저해하는 인지적 오프로딩(cognitive offloading)의 기제로 작용하는지에 대한 결정적인 격차가 존재하며, 특히 개인의 선택과 동료 네트워크 구조 사이의 역동적인 상호작용을 고려할 때 이 문제는 더욱 두드합니다.

연구 방법론
이를 해결하기 위해 저자들은 고등학교 물리 교실에서의 PSC 진화를 시뮬레이션하기 위해 에이전트 기반 모델(Agent-Based Model, ABM)을 개발하였으며, 이를 60번의 타임 스텝(60개의 연습 문제로 상정) 동안 시뮬레이션하였다.

에이전트 및 상태 변수: 모델은 $N=30$ $N = 30$ 명의 학생 에이전트로 구성된다. 각 에이전트 $i$ $i$ 는 세 가지 상태 변수로 특징지어진다:
1. 문제 해결 역량 ( $C_i^t$ ): 물리 문제를 해결하는 능력으로, 이탈리아 INVALSI 평가 데이터( $N(\mu=195.9, \sigma=1.28)$ )의 경험적 분포를 사용하여 초기화된다.
2. GenAI 의존도 ( $\alpha_i^t$ ): AI에 대한 의존도를 나타내는 $[0,1]$ 범위의 값으로, 0.5로 초기화된다.
3. 동료 의존도 ( $\tau_i^t$ ): 동료의 도움을 구하려는 경향을 나타내는 $[0,1]$ 범위의 값으로, 0.5로 초기화된다.
데이터 및 캘리브레이션: 모델은 이탈리아 과학 리체오(Scientific Lyceum) 커리큘럼을 다루는 60개의 물리 연습 문제 데이터셋을 활용한다. 각 연습 문제는 수학적 지식, 물리적 추론, 인지적 문제 해결 기술(CPSS)의 세 가지 구성 요소로 주석이 달린다. 결정적으로, 모델은 인간의 솔루션(AI 없이)과 GenAI 솔루션(OpenAI의 GPT-5.5 사용) 사이의 "점수 차이"를 정량화한다. 데이터에 따르면 GenAI는 문제를 해결할 수는 있지만, CPSS 측면에서는 인간의 문제 해결 방식에 비해 낮은 성취를 보인다.
역동성 및 전략 선택: 각 타임 스텝에서 에이전트는 문제 난이도, 현재 역량 획득량, AI 의존도, 동료 의존도에 영향을 받는 시그모이드 확률 함수에 따라 전략을 선택한다.
- GenAI 사용 ( $S_i=1$ ): 에이전트는 문제가 해결된 것으로 간주하지만, 역량 업데이트는 제한된다. 수학적 및 물리적 지식은 얻을 수 있으나, 인지적 오프로딩을 반영하여 CPSS의 잠재적 손실 또는 0의 획득을 경험한다.
- GenAI 미사용 ( $S_i=0$ ): 에이전트는 독립적으로 작업하거나 네트워크 내의 동료와 협업한다. 성공 확률은 국가 데이터를 기반으로 0.54로 설정된다. 성공적인 독립 작업은 완전한 역량 획득을 가져온다. 동료 협업은 지식 전이를 허용한다: 만약 동료가 더 유능하다면, 에이전트의 역량은 자신의 역량과 동료의 역량 사이의 임의의 값으로 업데이트된다. 만약 동료가 덜 유능하다면 추가적인 학습은 일어나지 않는다.
네트워크 구조: 연구는 구조적 견고성을 테스트하기 위해 네 가지 뚜렷한 네트워크 토폴로지를 통해 상호작용을 시뮬레이션한다:
1. Erdős–Rényi (ER) 무작위 네트워크.
2. Watts–Strogatz (WS) 좁은 세상(small-world) 네트워크.
3. 커뮤니티 구조를 나타내는 확률적 블록 모델 (SBM).
4. 역량 기반 호모필리(homophily, 유사한 역량 수준을 바탕으로 초기 동료 연결이 형성됨)가 포함된 수정된 SBM.

주요 결과
조건당 1,000회의 독립적인 실행을 통해 도출된 시뮬레이션 결과는 GenAI 접근이 집단적 역량 역동성에 미치는 상당한 부정적 영향을 드러낸다:

평균 역량 감소: 모든 네트워크 토폴로지에서, GenAI에 접근 가능한 교실은 GenAI가 없는 교실에 비해 기술 습득 속도가 일관되게 느리고 최종 평균 PSC가 낮았다.
상향 이동의 정체: GenAI가 없는 경우, 학생들은 점진적으로 높은 역량 단계로 이동하여 분포가 "높음" 및 "매우 높음" 범주에 집중되었다. 반면, GenAI 접근은 상당수의 학생이 "중간", "낮음", "매우 낮음" 단계에 머무는 정체 현상을 야기했다.
양봉 분포(Bimodality)의 출현: GenAI의 도입은 최종 역량 분포를 비교적 균질한 단봉형(unimodal) 상태에서 양봉형(bimodal) 분포로 변화시켰다. 가우시안 혼합 모델링 결과, GenAI 접근은 저역량 클러스터의 크기를 (AI가 없는 시나리오의 약 1~~4%에서) 인구의 8~~12%로 증가시켰다.
사용 빈도에 따른 계층화: 사용 빈도 분석 결과, GenAI 사용 빈도가 가장 높은 학생들(75~100%의 문제 해결)은 새롭게 나타난 저역량 정점에 불균형적으로 집중되어 있었다. 이는 GenAI에 대한 과도한 의존이 문제 해결 기술의 숙달을 적극적으로 억제한다는 것을 시사한다.
호모필리와의 상호작용: 역량 기반 호모필리가 있는 네트워크(수정된 SBM)에서, GenAI 접근은 계층화를 증폭시켜 학생들이 초기 역량 영역을 벗어날 가능성을 감소시키는 것으로 나타났다.

의의 및 주장
본 논문은 GenAI의 교육적 영향이 단순히 개인의 학습 결과나 즉각적인 과제 완수만으로 평가될 수 없다고 주장한다. 대신, 본 연구는 GenAI의 가용성이 학습 공동체 내의 역량 발달이라는 집단적 역동성을 근본적으로 재편한다는 것을 입증한다.

저자들은 GenAI가 과제 수행을 용이하게 할 수는 있지만, 이를 지름길로 사용하는 것은 자율적인 문제 해결 능력의 발달을 저해하는 인지적 오프로딩으로 이어질 수 있다고 주장한다. 이러한 효과는 균일하게 나타나지 않으며, 일부 학생이 뒤처지게 만드는 계층화를 만들어내어, 상당수의 소수가 높은 수준의 역량을 달달성하지 못하는 양극화된 교실을 초래한다. 연구의 결론은 GenAI의 위험이 개인의 비판적 사고 결핍을 넘어, 전통적인 학습 환경에서보다 더 많은 학생을 낮은 역량 단계에 머물게 하는 구조적 재편을 포함한다는 것이다.