From Objective AI Literacy Assessment to Training Needs Mapping in Greek Secondary Education

기술 요약: 객관적 AI 리터러시 평가에서 그리스 중등 교육의 연수 요구도 매핑까지

문제 제기
인공지능(AI)이 교육 인프라에 점점 더 깊숙이 자리 잡고 있음에도 불구하고, 교사들의 AI 리터러시에 관한 실증적 근거는 제한적이다. 기존 연구는 주로 자기 보고식 준비도, 자신감 또는 태도에 의존해 왔는데, 이는 사회적 바람직성 편향, 부정확한 자기 교정 및 맥락적 팽창에 취약하다. 이러한 주관적 척사에 대한 의존은 구체적인 개념적 오해와 불균형한 지식 범위를 가린다. 교사들이 다양한 교과 전문성을 가지고 있으며 불균등한 전문 학습 경로를 거치는 그리스 중등 교육의 맥락에서, '객관적' AI 지식의 국지적 기준점이 부족하다는 점은 전문성 개발(PD)이 활용하기에는 너무 일반적이거나 실제 필요와는 동떨어져 너무 기술적으로 흐를 위험을 초래한다. 본 연구는 'AI 인식'(도구에 대한 친숙도)과 'AI 리터러시'(시스템 동작을 해석하기 위한 안정적인 개념적 자원) 사이의 간극을 다루며, 교사들이 AI 출력을 평가하고, 한계를 이해하며, 책임 있는 전문적 판단을 내리기 위해서는 기능적인 개념적 지식이 필요하다고 주장한다.

연구 방법론
본 연구는 2025년 6월에 그리스 중등 교육 교사(일반 및 특수 교육) 271명을 대상으로 실시된 횡단적 온라인 설문조사를 활용하였다. 모집은 전문적 및 개인적 네트워크를 통한 편의 표집 전략을 사용하였다.

• 도구: 본 연구는 Ding 등[13]이 개발하고 Long과 Magerko[8]의 역량 중심 프레임워크에 기반한 26개 문항의 객관적 AI 리터러시 지식 테스트의 그리스어판을 활용하였다. 도구는 개념적 동등성을 보장하기 위해 번역 및 역번역 과정을 거쳤다.
• 채점: 응답은 이분법적으로 채점되었다(정답 1, 오답 또는 "모름" 0). "모름" 옵션을 포함함으로써 확신 있는 답변과 불확실성을 구분하여 기능적 지식을 보수적으로 추정할 수 있도록 하였다.
• 분석:
  • 기술 통계: 총점 및 문항별 정답 비율($p_{correct}$)을 계산하였다.
  • 집단 간 차이: 총점의 비정규 분포(Shapiro-Wilk $p < .001$)로 인해, 교수 전문 분야, ICT 교육, 인구통계학적 특성에 따른 차이를 조사하기 위해 비모수 검정인 Kruskal-Wallis 테스트와 Dwass-Steel-Critchlow-Fligner 사후 비교를 사용하였다.
  • 예측 요인: 교사 특성, 사전 교육, AI 리터러시 점수 간의 연관성을 식별하기 위해 Spearman 상관계수와 다중 선형 회귀(편향 수정 부트스트랩 신뢰 구간 사용)를 사용하였다.
  • 요구도 매핑: 각 문항에 대해 $NeedIndex = 1 - p_{correct}$로 '요구도 지수(NeedIndex)'를 계산하였다. 이 지표는 문항 수준의 결핍을 전문성 개발을 위한 우선순위 결정 도구로 변환하였으며, 값이 높을수록 교육 요구도가 높음을 의미한다.

주요 결과

• 전반적 성취도: 표본은 중간 수준의 기초 객관적 AI 리터러시($M = 15.82/26$, $SD = 3.53$; 전체$p_{correct} = 60.85%$)를 보였다. 그러나 성과는 문항별로 유의미하게 차이가 났다($p_{correct}$ 범위: 0.09–0.90).
• 개념적 격차 (최저 성취 문항): 가장 유의미한 지식 결핍은 기초적인 기술 개념 주변에 집중되었다:
  • 자동화와 AI의 구분 (예: 자동 세탁기).
  • 좁은 AI(Narrow AI)와 범용 AI(General AI)의 구분 (예: Siri/Alexa와 같은 음성 비서).
  • 머신러닝 워크플로우 이해 (데이터 수집 $\to$ 학습 $\to$ 배포).
  • AI 기법과 응용 분야의 매칭.
  • AI의 인지 및 일반화 능력의 한계 인식 (낯선 맥락에서의 성능).
• 최고 성취 문항: 교사들은 데이터 해석, AI가 항상 인간보다 똑똑하다는 오해, 그리고 위험한 작업에서의 AI 사용과 관련된 문항에서는 상대적으로 좋은 성과를 보였다.
• 리터러시의 예측 요인:
  • 유의미한 요인: 교수 전문 분야(ICT 교사가 비-ICT 집단보다 높은 점수를 기록함), ICT 교육 수준, 자기 보고식 PC/인터넷 친숙도, AI 특화 교육 노출이 높은 점수와 유의미한 연관이 있었다.
  • 비유의미한 요인: 연령, 성별, 최종 학위, 경력, 근무 지역(도시/농촌)과 같은 인구통계학적 변수는 객관적 성과와 통계적으로 유의미한 연관성을 보이지 않았다.
  • 교육의 영향: 회귀 분석 결과, AI 특화 교육 노출이 가장 지배적인 예측 요인임을 나타냈다. 학기/연간 프로그램, 인증된 지식, 또는 학부 과정의 AI 교과목을 이수한 교사들은 단기 세미나만 이수했거나 교육을 받지 않은 교사들보다 유의미하게 높은 점수를 기록했다.

주요 기여

1. 객관적 기준점 제공: 본 연구는 자기 보고식 지표를 넘어 실제 개념적 이해를 식별함으로써, 그리스 중등 교사를 위한 최초의 국지적이고 객관적인 AI 리터러시 기준점을 제공한다.
2. 진단적 세밀함: 문항 수준의 분석을 통해, 본 연구는 "중간" 수준의 평균 점수가 상당한 개념적 불균형을 은폐하고 있음을 밝혀낸다. 교사들은 윤리적 또는 데이터 관련 지식은 강할 수 있으나 기초적인 기술적 이해는 부족할 수 있다.
3. 요구도 매핑 (NeedIndex): 본 연구는 평가 데이터를 전문성 개발의 우선순위로 직접 변환하는 실용적인 메커니즘($NeedIndex = 1 - p_{correct}$)을 도입한다. 이를 통해 PD 설계자는 가정된 관련성이 아닌 관찰된 개념적 결핍에 따라 콘텐츠를 구성할 수 있다.
4. 차별화된 PD 모델: 본 연구의 결과는 다음과 같은 단계별 전문성 개발 모델을 지지한다:
   • 1단계: 기초 기술 개념 (AI vs 자동화, ML 워크플로우).
   • 2단계: 역량, 한계 및 불확실성.
   • 3단계: 교실 관련 교육적 적용.
   • 4단계: 윤리, 거버넌스 및 책임성.

의의 및 주장
저자들은 본 연구를 도구의 포괄적 타당도 검증이나 수업 실천의 예측 연구라기보다, 적용 가능한 기준점 설정 및 교육 요구도 매핑 연구로 규정한다. 주요 의의는 초점을 "AI 인식"에서 "개념적 정확성"으로 전환하는 데 있다. 본 연구는 AI 시스템이 어떻게 작동하는지(예: 데이터 의존성, 확률적 출력, 일반화 한계)에 대한 안정적인 이해 없이는 교사가 AI 도구를 효과적으로 평가하거나, 학생들에게 시스템 실패를 설명하거나, 현실적인 교육적 효용과 과장된 약속을 구분하기 어렵다고 주장한다.

연구 결과는 AI 리터러시가 세대적 문제이거나 일반적인 교수 경험의 부산물이라는 가설에 도전한다. 대신, 본 연구는 AI 리터ty가 학문적 배경 및 구조화된 학습 기회와 밀접하게 연결된, 훈련 가능한 전문 지식 영역임을 주장한다. 따라서 저자들은 윤리적 또는 교육적 적용으로 넘어가기 전에 기초적인 기술 개념을 우선시하는 증거 기반의 역량 강화 교육을 옹호하며, 이를 통해 교사들이 AI 기반 학교에서 책임 있는 인간의 감독을 수행하는 데 필요한 개념적 자원을 갖추도록 한다.

한 한계점
저자들은 몇 가지 한계점을 명시하였다: 편의 표집의 사용으로 인해 그리스 전체 교사로의 일반화가 제한되며, 횡단적 설계로 인해 교육의 영향에 대한 인과 관계 추론이 불가능하며, 본 도구는 교육적 실행보다는 개념적 지식을 측정하며, 26개 문항의 테스트는 AI 리터러시의 전체 복잡성(예: 생성형 AI의 미묘한 차이)을 다루기에는 폭과 깊이 사이의 절충이 존재한다는 점이다. 향후 연구에서는 객관적 테스트와 시나리오 및 실천 기반 측정을 결합할 것을 권장한다.