Normative boundaries of AI in scientific work: Evidence from PhD researchers

과학은 언제나 인간의 노력, 즉 연구자가 스스로의 정신과 손을 통해 질문을 던지고, 증거를 수집하며, 새로운 이해를 구축해 나가는 과정이었습니다. 하지만 이제 실험실과 도서관에 새로운 도구가 등장했습니다. 바로 인공지능입니다. 이 시스템들은 이제 어떤 사람보다도 빠르게 텍스트를 작성하고, 숫자를 분석하며, 방대한 양의 정보를 검색할 수 있습니다. 이러한 변화는 발견의 미래에 대한 근본적인 질문을 던집니다. 만약 기계가 작업을 수행할 수 있다면, 실제로 생각하는 주체는 누구인가 하는 점입니다. 우려는 단순히 작업이 완수되느냐의 문제가 아니라, 인간과 기계가 짐을 나누어 질 때 연구의 본질이 어떻게 변하느냐에 관한 것입니다. 만약 컴퓨터가 논문을 쓰고 실험을 설계한다면, 인간 연구자가 여전히 그 공로를 인정받을 자격이 있을까요? 기계가 힘든 일을 대신하게 된다면, 학생을 전문가로 만드는 학습 과정은 여전히 일어날 수 있을까요? 이것들은 단순히 소프트웨어에 관한 기술적인 질문이 아니라, 과학이 만들어지는 방식에 적용되는 규칙과 가치에 관한 질문입니다.

차세대 과학자들이 이 새로운 지형을 어떻게 헤쳐 나가고 있는지 이해하기 위해, 연구자 프란체스코 안젤리니(Francesco Angelini)와 요한 리르발(Johan Lyrvall)은 미래의 연구를 형성할 당사자인 박사 과정 학생들을 직접 조사했습니다. 그들은 전 세계 과학, 기술, 공학, 의학 및 보건 분야의 박사 과정 학생 3,785명을 대상으로 한 대규모 설문 조사 데이터를 분석했습니다. 연구자들은 학생들에게 AI 사용 여부에 대해 단순히 예/아니오라는 질문을 던지는 대신, 일상적인 연구 업무의 다섯 가지 특정 부분에 대해 이 도구들을 사용하는 것에 대해 얼마나 편안함을 느끼는지 평가하도록 요청했습니다. 과업은 과학 문헌을 추적하고 요약하는 것부터 연구 논문을 작성하고, 데이터를 수집 및 분석하며, 실험을 설계하는 것까지 다양했습니다. 학생들이 각 특정 과업에 대해 어떻게 느끼는지를 살펴봄으로써, 연구자들은 그들의 사고방식에 어떤 패턴이 있는지 확인할 수 있었습니다. 그들은 학생들이 AI를 좋아하는 '애호가'와 싫어하는 '혐오자'라는 두 진영으로 단순히 나뉘지 않는다는 것을 발견했습니다. 대신, 그들의 태도는 네 개의 뚜렷한 집단으로 나타났으며, 이는 학생들이 기계의 도움을 허용할 부분과 선을 긋는 지점이 어디인지를 보여주는 복잡한 지도를 드러냈습니다.

전체 조사 대상 학생의 거의 절반을 차지하는 가장 큰 집단은 연구자들이 '분업(division of labor)'이라고 부른 명확한 패턴을 보여주었습니다. 이 학생들은 기존의 과학 논문을 찾고 요약하는 것과 같은 과업에는 AI를 사용하는 데 상당히 편안함을 느꼈습니다. 그들은 이러한 활동을 기계가 효율적으로 정보를 분류할 수 있는 지원 업무로 보았습니다. 그러나 이 학생들은 연구의 핵심적인 지적 과업, 즉 논문을 직접 쓰거나, 데이터를 분석하거나, 실험을 설계하는 일에는 AI를 사용하는 것에 훨씬 덜 편안함을 느꼈습니다. 이 집단에게 경계는 명확했습니다. 그들은 기계가 배경 업무를 처리하도록 허용할 용의가 있었지만, 깊은 사고와 창의성, 그리고 최종적인 책임이 요구되는 과업은 확고하게 인간의 손에 남겨두기를 원했습니다. 이는 많은 미래 과학자들에게 있어 AI의 가치가 발견의 행위에서 인간의 정신을 대체하는 능력이 아니라, 정보 관리를 돕는 능력에 있다는 것을 시사합니다.

연구의 다른 집단은 다른 견해를 가졌습니다. 조사 대상의 약 3분의 1은 거의 모든 연구 과업에 대해 AI 사용을 불편해했는데, 연구자들은 이를 '현상 유지(status quo)'라고 명명했습니다. 이들은 기술 전반에 대해 불편함을 느끼는 경향이 있었으나, 특히 글쓰기와 데이터 분석에서 그 불편함이 가장 강하게 나타났습니다. 약 16%를 차지하는 더 작은 집단은 정반대였습니다. 이들은 AI를 연구 과정의 어떤 부분에서도 도움을 줄 수 있는 범용 도구로 간주하며, 모든 것에 대해 폭넓게 편안함을 느꼈습니다. 마지막으로 7%의 주목할 만한 작은 집단은 '결정하지 못함(undecided)' 상태였습니다. 이 학생들은 자신의 편안함 정도를 묻는 질문에 자주 '모름'을 선택했는데, 이는 그들이 기술에 대해 확신이 없거나, 기술을 충분히 사용해보지 못했거나, 혹은 아직 규칙이 어떻게 되는지 파악 중임을 시사합니다. 불확실성을 가진 이들 사이에서도, 의견을 표현할 때는 부정적인 태도보다는 긍정적인 태도를 보일 가능성이 더 높았습니다.

이 연구는 전공 분야, 프로그램 연차, 또는 AI 사용 빈도와 같은 요인들이 이러한 태도를 변화시키는지도 살펴보았습니다. 결과에 따르면, STEM 분야의 학생들은 의학 및 보건 과학 분야의 학생들에 비해 회의적인 '현상 유지' 집단에 속할 가능성이 약간 더 높았습니다. 그러나 전반적인 패턴은 학생이 1년 차인지 마지막 학년인지, 혹은 전일제로 공부하는지 여부와 상관없이 동일하게 나타났습니다. 이는 학생들이 AI의 역할을 바라보는 방식이 단순히 도구에 접근할 수 있는 기간의 문제가 아니라, 자신의 업무의 본질을 어떻게 보느냐에 대한 더 깊은 반영임을 시사합니다. '분업' 집단이 가장 크다는 사실은, 새롭게 떠오르는 일반적인 규범이 AI를 완전히 거부하는 것도, 맹목적으로 수용하는 것도 아니라, 어떤 과업이 기계의 몫이고 어떤 것이 인간의 몫인지를 신중하게 분류하는 것임을 나타냅니다.

이러한 발견은 과학을 가르치고 평가하는 방식에 중요한 시사점을 줍니다. 연구자들은 과학에서의 AI를 생각할 때, 사용을 금지하거나 허용하는 단순한 규칙을 넘어서야 한다고 제안합니다. 대신, 기관과 학술지들은 참고 문헌을 찾는 데 AI를 사용하는 것과 결론을 도출하는 데 AI를 사용하는 것의 차이를 인식하는 더 미묘한 접근 방식을 채택해야 할 수도 있습니다. 학생이 백 편의 논문을 요약하기 위해 AI를 사용하는 것은, 논문의 핵심 논거를 생성하기 위해 AI를 사용하는 것과는 다른 종류의 보조입니다. 이 연구는 미래의 과학 교육이 이러한 경계를 이해하도록 돕는 데 집중해야 함을 시사합니다. 그것은 단지 도구를 사용하는 법을 배우는 것이 아니라, 연구 과정의 어떤 부분이 자신의 전문성을 개발하는 데 필수적인지를 배우는 과정입니다. 만약 학생이 글쓰기나 데이터 분석을 기계에게 맡긴다면, 그들은 그 과업들을 직접 수행함으로써 얻을 수 있는 비판적 사고 능력을 발 mengembangkan할 기회를 놓칠 수 있습니다.

궁극적으로, 이 연구는 전환의 순간을 포착하고 있습니다. 박사 과정 학생들의 태도는 고정된 것이 아닙니다. 기술이 발전하고 과학계가 새로운 규범을 확립함에 따라 이들의 태도 또한 진화할 것입니다. 오늘날 가장 흔한 견해는 선택적인 것입니다. 즉, AI를 정보 처리를 위한 조력자로 환영하되, 판단을 위한 대체물으로는 거부하는 것입니다. 이 '분업'은 과학이 실천되는 표준적인 방식이 될 수 있으며, 기계는 정보의 양을 처리하고 인간은 새로운 지식의 합성 및 창조에 집중하게 될 것입니다. 이 학생들이 졸업하여 내일의 리더, 편집자, 심사위원이 될 때, 지금 그들이 긋고 있는 이 경계선이 인공지능 시대에 정당한 과학적 작업이 무엇인지를 정의하는 데 도움을 줄 것입니다. 이 논문은 논쟁을 해결했다고 주장하는 것이 아니라, 앞으로 그 선을 넘어가게 될 바로 그 사람들에 의해 현재 경계가 어디에 그어져 있는지에 대한 명확한 그림을 제공하고 있습니다.