🔬 physics

Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning

본 연구는 기초 물리학 전공 학생들의 인식론적 신념과 파동 시뮬레이션 모듈 내 AI 챗봇 행동에 대한 선호도 사이의 관계를 조사하였으며, 가이드형 탐구와 직접적인 답변의 '결합'을 선호하는 학생들이 초기에 더 정교한 신념을 보였으나, 본페로니 교정(Bonferroni correction) 적용 후 이러한 차이는 통계적으로 유의미하지 않은 것으로 나타났다.

원저자: Amogh Sirnoorkar, Omkar Mamidpalliwar

게시일 2026-08-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amogh Sirnoorkar, Omkar Mamidpalliwar

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 자전거 타는 법을 배우려고 노력하고 있다고 상상해 보세요. 당신에게는 두 가지 선택지가 있는 조력자가 있습니다. 한 명은 뒤에 올라타서 당신 대신 방향을 틀어주며 어디로 가야 할지 정확히 알려주는 사람이고, 다른 한 명은 당신 곁에서 달리며 "어느 방향으로 회전해야 할 것 같니?"라고 묻고, 당신이 충돌하기 직전에만 핸들을 잡아주는 사람입니다. 이것이 **물리학 교육 연구(physics education research)**라고 불리는 흥미로운 과학 분야의 핵심입니다. 이 분야의 과학자들은 단순히 당신이 시험에서 정답을 맞혔는지에만 관심을 두는 것이 아니라, 당신의 뇌가 지식 그 자체를 어떻게 생각하는지에 관심을 가집니다. 그들은 당신의 "인식론적 신념(epistemological beliefs)"을 연구하는데, 이는 데코레이션이 섞인 표현이지만 쉽게 말해 다음과 같은 질문을 던지는 것입니다. 당신은 지식을 전문가로부터 전수받은 고정된 사실의 목록이라고 생각하나요, 아니면 노력과 실수를 통해 스스로 구축해 나가는 것이라고 생각하나요?

이제, 새로운 강자인 **생성형 AI(Generative AI)**가 등장했습니다. 이들은 문제를 즉각적으로 해결할 수 있는 매우 똑똑한 챗봇들입니다. 학생들이 숙제를 할 때 이 도구들을 사용하기 시작하면서, 큰 질문이 떠올랐습니다. 바로 AI가 그냥 "정답을 알려주길" 원하는 학생과, AI가 "문제를 풀도록 유도해주길" 원하는 학생의 사고방식이 다르게 나타나는가 하는 점입니다. 만약 우리가 이 점을 파악할 수 있다면, 학생들에게 단순히 답을 해주는 것이 아니라 실제로 더 나은 사고를 할 수 있도록 돕는 AI 튜터를 설계할 수 있을 것입니다.

퍼듀 대학교(Purdue University)의 연구진들이 작성한 이 논문은 바로 그 질문을 깊이 파고듭니다. 그들은 미적분 기반 물리학 수업을 듣는 학생들을 위한 디지털 놀이터를 만들었습니다. 학생들은 커스텀 제작된 온라인 모듈을 사용하여 "파동(waves)"이라는 주제를 탐구하도록 요청받았습니다. 이 모듈에는 멋진 시뮬레이션과 내장된 챗봇이 포함되어 있었습니다. 시작하기 전에, 학생들은 세 가지 옵션 중 자신이 선호하는 챗봇 상호작용 스타일을 선택해야 했습니다:

직접적인 답변: "그냥 정답을 알려줘."
유도된 탐구: "나에게 질문을 던지고 힌트를 주어서 내가 스스로 알아낼 수 있게 해줘."
혼합형: "먼저 질문을 던지되, 내가 막히면 정답을 알려줘."

연구진은 또한 학생들의 "인식론적 신념"—기본적으로 학습과 지식에 대한 그들의 생각이 얼마나 정교한지를 측정하기 위해—EBAPS라는 표준 설문조사를 실시했습니다. 그들은 학생이 원하는 챗봇 스타일이 그들이 실제로 생각하는 학습 방식과 일치하는지 알고 싶었습니다.

결과는 다음과 같았으며, 이는 다소 복합적이었습니다. 첫째, 가장 인기 있는 선택은 혼합형이었습니다. 약 **52%**의 학생들이 "먼저 유도하되, 막히면 도와달라"는 이 옵션을 선택했습니다. 더 적은 그룹인 **39.6%**는 직접적인 답변을 원했고, 순수한 유도된 탐구를 원한 학생은 **7.6%**에 불과했습니다.

연구진이 이 세 그룹의 설문 점수를 비교했을 때, 흥나로운 패턴이 발견되었습니다. 혼합형 챗봇을 선택한 학생들은 직접적인 답변만을 원하는 학생들보다 더 "정교한" 학습 신념을 갖는 경향이 있었습니다. 구체적으로, 이 "혼합형" 학생들은 다음과 같은 점을 더 강하게 믿는 것으로 나타났습니다:

지식은 단순히 변하지 않는 사실들의 집합이 아니라, 우리가 더 많이 배움에 따라 진화하고 변화할 수 있는 것이다.
과학을 잘하는 것은 특별한 "천재 유전자"를 가지고 태어나는 것이 아니라, 노력을 기울이고 좋은 전략을 사용하는 것에 관한 것이다.

하지만 연구진은 아직 "유레카!"라고 외치기에는 매우 신중합니다. 수치상으로는 차이가 나타났지만, 통계적 "신뢰도"는 다소 불안정했습니다. 결과가 우연이 아님을 확인하기 위해 더 엄격한 테스트(본페로니 교정, Bonferroni adjustment이라 불리는 방법)를 적용했을 때, 그룹 간의 차이는 사라졌습니다.

그렇다면 이것은 무엇을 의미할까요? 이 논문은 도움이 되고 균형 잡힌 AI 튜터를 원하는 것과 성장 마인드셋(growth mindset) 사이에는 연결 고리가 있을 수 있음을 시사합니다. 이는 노력이 중요하다고 믿는 학생들이 정답을 주기 전에 자신을 약간 자극하는 챗봇을 자연스럽게 선호할 수 있음을 암시합니다. 하지만 통계적 증거가 아주 견고하지 않았기 때문에, 저자들은 이것이 입증된 사실라기보다는 하나의 "암시적인 힌트"라고 말합니다. 그들은 학생들의 신념과 순수한 유도 질문을 원하는 그룹 또는 순수한 답변을 원하는 그룹 사이의 강력한 연관성은 찾아내지 못했습니다.

미래를 위한 시사점은 무엇일까요? 만약 우리가 학생들이 성장하는 데 실제로 도움이 되는 물리학 AI 튜터를 만들고 싶다면, 단순히 "지름길" 버튼을 누르게 해서는 안 됩니다. 대신, 질문을 던지고 학생이 생각하도록 유도하다가, 학생이 정말로 막혔을 때만 정답을 제시하는 방식으로 봇을 설계해야 합니다. 비록 100% 확신하기 위해서는 더 많은 연구가 필요할지라도, 이 접근 방식이 학습에 대한 가장 건강한 태도를 가진 학생들의 방식과 가장 잘 부합하는 것으로 보입니다.

기술 요약: 학생들의 인식론적 신념과 AI 매개 물리 학습에서의 챗봇 선호도

문제 제기
생성형 AI의 고등 교육 내 급격한 통합은 양날의 검과 같은 성격을 띤다. 즉, 정보에 대한 즉각적인 접근을 제공하는 동시에, 모델링, 논증, 의미 형성(sensemaking)과 같은 필수적인 인지 과정에 대한 학생들의 참여를 저해할 위험이 있다. 물리 교육 연구(PER)에서 학생들의 AI 상호작용을 다루는 연구가 증가하고 있음에도 불구하고, 여전히 중요한 공백이 존재한다. 구체적으로, 특정 챗봇 행동(예: 유도된 탐구 대 직접적인 답변)에 대한 학생들의 선호도에 관한 연구가 부족하며, 이러한 선호도와 물리 맥락 내에서의 인식론적 신념(지식과 학습의 본질에 대한 관점) 사이의 교차점에 대한 탐구가 미비하다. 본 연구는 도입 물리 학습자들의 챗봇 행동 선호도와 그들의 인식론적 신념 사이의 연관성을 조사함으로써 이러한 공백을 메우고자 한다.

연구 방법론
본 연구는 미국 중서부의 한 R1 대학에서 미래의 엔지니어를 대상으로 하는 대규모 수강생 대상 미적분 기반 기초 물리 과정에서 수행되었다. 연구 맥락은 커스텀 제작된 시뮬레이션이 챗봇과 통합된 파동(waves) 중심의 추가 점수 부여 온라인 모듈이었다.

참가자: 데이터는 2026년 봄 학기에 챗봇 활동과 물리 과학을 위한 인식론적 신념 평가(EBAPS) 설문에 모두 참여한 학생들로부터 얻은 1,048개의 중복되지 않는 응답으로부터 수집되었다.
도구:
- 챗봇 선호도: 학생들은 세 가지 옵션 중 선호하는 챗봇 행동을 선택하도록 요청받았다: (1) 직접 답변(즉각적인 해답), (2) 유도된 질의응답(개념적 힌트만 제공), (3) 결합형(초기에는 유도된 탐구를 제공하되, 학생이 계속 막혀 있을 경우 직접적인 답변 제공).
- 인식론적 신념: EBAPS 설문지는 지식의 구조, 지식과 학습의 본질, 실생활 적용성, 진화하는 지식, 학습 능력의 원천이라는 다섯 가지 차원을 평가하기 위해 30개 문항으로 구성된 설문지를 사용하였다. 점수는 백분율(0–100 척도)로 정규화되었다.
데이터 분석: 연구진은 세 가지 선호 그룹 간의 EBAPS 점수를 비교하기 위해 Kruskal-Wallis 검정을 실시하였으며, 이어서 특정 쌍별 차이를 식별하기 위해 Bonferroni 교정을 적용한 Dunn의 사후 검정을 수행하였다. 효과 크기도 계산되었다.

주요 결과
분석 결과, 학생의 52%가 "결합형" 접근 방식을 선호하였고, 39.6%는 "직접 답변"을, 7.6%만이 "유도된 질의응답"을 선호하였다.

통계적 연관성: 명목 유의 수준( $\alpha = 0.05$ )에서, Kruskal-Wallis 검정은 전체 EBAPS 점수와 특히 축 4(진화하는 지식) 및 축 5(학습 능력의 원천)에서 선호 그룹 간의 유의미한 차이를 나타냈다.
구체적 결과: 사후 분석 결과, "결합형" 챗봇을 선호하는 학생들은 "직접 답변"을 선호하는 학생들에 비해 다음 항목에서 유의미하게 높은 점수를 보였다:
- 축 4: 절대주의(지식을 고정된 것으로 보는 관점)와 상대주의(증거와 의견을 구분하는 관점) 사이의 균형.
- 축 5: 과학에서의 성공을 타고난 능력이 아닌 노력과 전략에 의해 결정되는 것으로 보는 관점.
강건성 검사: 다중 비교를 고려하여 Bonferroni 교정된 유의 수준( $\alpha = 0.0083$ )을 적용했을 때, 전체 점수와 축 4 및 축 5에 대한 관찰된 차이는 더 이상 통계적으로 유의미하지 않았다. 또한 효과 크기도 작게 나타났으며, 이는 챗봇 선호도가 인식론적 점수의 변동성을 설명하는 데 있어 단지 적은 부분만을 차지함을 시사한다.

주요 기여
본 연구는 초점을 '학생들이 AI를 사용하는가'에서 '학생들이 학습을 지원하기 위해 AI를 어떻게 활용하기를 선호하는가'로 전환함으로써 문헌에 기여한다. 일반적인 AI 채택이나 AI 자체에 대한 믿음을 조사했던 기존 연구들과 달리, 본 연구는 특정 도메인(물리)의 인식론적 신념과 챗bot 교수 행동에 대한 선호도를 구체적으로 연결한다. 본 연구는 정교한 인식론적 신념과 탐구와 지원의 균형을 맞춘 하이브리드 학습 도구에 대한 선호도 사이에 잠재적이지만 미약한 연결 고리가 있음을 시사하는 경험적 데이터를 제공한다.

의의 및 시사점
저자들은 보수적인 통계적 교정 하에서 유의성이 결여되고 효과 크기가 작다는 점을 근거로, 자신들의 발견을 "결론적이라기보다는 시사적인(suggestive rather than conclusive)" 것으로 규정한다. 그러나 저자들은 물리 교육을 위한 챗봇의 설계 및 교수법 활용에 대해 다음과 같은 몇 가지 시사점을 제안한다:

설계 전략: 챗봇은 학생들이 문제를 추론하도록 유도하는 단계(guided inquiry)를 초기 단계로 설계하되, 학생들이 막혔을 때는 직접적인 도움을 제공하도록 설계되어야 한다. 이 접근 방식은 '생산적 고통(productive struggle)'과 적시 지원 사이의 균형을 맞추어, 의미 형성을 저해하지 않으면서도 좌절감을 방지하는 것을 목표로 한다.
교수적 강화: 축 5에 관한 결과는 챗봇과 강사가 학습 능력이 타고난 재능이 아닌 노력과 전략을 통해 개발된다는 생각을 강화해야 함을 시사한다. 챗봇은 학생들이 개념을 재검토하거나, 문제를 단계별로 나누거나, 실패한 전략을 성찰하도록 유도하도록 프로그래밍될 수 있으며, 이를 통해 도움을 단순한 사고의 대체물이 아닌 역량 개발을 위한 도구로 프레임화할 수 있다.
향후 연구: 본 연구는 소크라테스식 챗봇의 지속적인 사용이 학생들의 인식론적 신념을 긍정적으로 변화시킬 수 있는지, 그리고 AI 사용이 문제 해결 과정에서의 인식론적 게임(epistemic games) 참여에 어떤 영향을 미치는지에 대한 추가 조사를 촉구한다.

본 논문은 관찰된 연관성이 추가적인 조사를 요하지만, 정교한 인식론적 체계와 부합하는 AI 매개 학습 환경을 설계하기 위한 예비적 근거를 제공한다고 결론짓는다.

유사한 논문