Profiling Faculty Adoption of Generative AI: A Latent Profile Analysis of Platform Engagement and Inferred Drivers

기술 요약: 교수진의 생성형 AI 채택 프로파일링

문제 제기
대학 교수진의 생성형 인공지능(GAI) 채택에 관한 현재의 연구는 주로 자기 보고식 데이터(설문조사 및 인터뷰)에 의존하고 있다. 이러한 의존성은 교수진의 의도와 실제 행동 사이의 상당한 "인지적 격차"를 발생시키며, 이는 사회적 바람직성 편향(social desirability bias), 회상 편향(recall bias), 그리고 무의식적 또는 습관적 사용 패턴을 포착하지 못하는 한계로 인해 종종 가려지게 된다. 결과적으로, 교수진이 실제 맥락에서 GAI 도구를 어떻게 활용하는지에 대한 객적인, 증거 기반의 이해가 부족하며, 이는 정밀한 기관 지원 정책 수립을 저해한다. 본 연구는 주관적 인식을 넘어 객관적 행동 분석으로 전환함으로써 이 "행동의 블랙박스" 문제를 해결하고자 한다.

연구 방법론
본 연구는 잠재 프로파일 분석(Latent Profile Analysis, LPA) 프레임워크를 기반으로 한 정량적, 회고적 로그 데이터 분석 방법을 채택한다.

• 데이터 소스: 2025년 1월부터 6월까지 한 대학교의 내부 "스마트 러닝 플랫폼"에서 추출한 익명화된 사용 로그. 데이터셋은 다양한 학문 분야(인문학, 과학, 공학, 의학 등)와 직급에 걸친 358명의 교수진을 포함한다.
• 윤리 규정: 모든 데이터는 엄격하게 익명화되었으며, 운영 메타데이터만을 유지하기 위해 개인 식별 정보(이름, ID, 특정 콘텐츠)를 제거하였다. 본 연구는 대련 뉴소프트 정보대학교(Dalian Neusoft University of Information)의 IRB 승인을 받았다.
• 지표 구성: 10개의 행동 지표를 추출하여 네 가지 차원으로 분류하였다:
  1. 사용 강도: 총 사용 빈도, 총 사용 시간, 활성 일수, 일평균 빈도.
  2. 기능적 폭과 깊이: 사용된 고유 모듈의 수, 모듈별 사용 비율(교육 vs 연구), 핵심 기능의 연속 사용 주수.
  3. 시간적 패턴: 평일/주말 사용 비율 및 주요 사용 시간대.
  4. 진화적 추세: 첫 상호작용 이후의 지속성 및 시간에 따른 사용 빈도 추세.
• 분석 과정:
  1. 상관 분석: 영향 요인을 선별하고 행동 지표와 교수진 특성(예: 기술적 배경, 학술 직급) 간의 관계를 조사하기 위해 피어슨 상관 계수를 계산하였다.
  2. 차원 축감: 상관관계가 높은 지표들 사이의 다중공선성을 완화하기 위해 주성분 분석(PCA)을 활용하였다.
  3. 군집 분석: 표준화된 데이터에 K-평균(K-Means) 군집 분석을 적용하였다. 최적의 군집 수($K$)는 실루엣 계수(Silhouette Score)와 엘보우 방법(Elbow Method)을 사용하여 결정하였으며, 실루엣 계수 0.45를 가진 2개의 군집 솔루션($K=2$)이 도출되었다.

주요 결과
군집 분석 결과, 교수진 사용자들 사이에서 경험적으로 도출된 두 가지 뚜렷한 행동 프로파일이 확인되었다:

1. 교수 보조형 (Teaching-Assistance Type):

   • 행동: 주로 표준 근무 시간(평일) 동안 플랫폼을 활용하며, 활동이 오전과 오후에 집중된다.
   • 기능성: AI 수업 계획안 생성, 학습 분석, 자동 과제 채점과 같은 교육 관련 기능에 집중한다.
   • 특징: 이 그룹은 주로 초급 수준의 기술적 배경(그룹의 50% 이상)을 보유하고 있으며, 학기 주기에 따라 사용 패턴이 변동하는 양상을 보인다.
   • 분포: 사용자 층에서 더 큰 비중을 차지한다.

2. 연구 지원형 (Research-Support Type):

   • 행동: 시간적 유연성이 높으며, 비근무 시간(저녁 및 주말)에도 상당한 활동을 보이고 연속적인 활성 주수가 길다.
   • 기능성: 학술 글쓰기 보조, 생산성 에이전트, 지식 관리 시스템을 포함한 연구 지원 도구와 깊게 상호작용한다.
   • 특징: 이 그룹은 전문가 수준의 기술적 배경(50% 이상) 비율이 현저히 높으며, 주로 과학 및 공학 분야의 교수진으로 구성되어 있다.
   • 분포: 사용자 중 소수 집단이지만, 더 높은 활동 수준과 심도 있는 기능 탐색을 보여준다.

상관 분석은 사용 강도, 기능적 폭, 지속성이 서로 밀접하게 연관되어 있음을 추가로 밝혀냈으며, 이는 지속적인 참여가 더 넓은 도구 탐색으로 이어지는 강화 순환 구조를 시사한다. 또한 기술적 배경은 사용 강도와 상관관계가 있으나 유일한 결정 요인은 아니며, 이는 개인적 속성과 전문적 과업 간의 복잡한 상호작용을 나타낸다.

주요 기여
본 논문은 세 가지 주요 기여를 주장한다:

1. 분석 프레임워크: 자기 보고식 지표를 넘어, 전적으로 객관적인 로그 데이터에 기반하여 교수진의 GAI 사용 행동을 특징짓는 새로운 프레 framework를 제안한다.
2. 동인(Drivers)의 추론: 객관적인 행동 패턴으로부터 기술 수용에 영향을 미치는 요인(예: 성과 기대 및 개인적 혁신성)을 직접 추론하고 검증할 수 있음을 입증한다.
3. 정책을 위한 경험적 근거: "일률적인(one-size-fits-all)" 기관 정책에서 벗어나, 특정 사용자 프로파일에 맞춤화된 차별화되고 정밀한 교육 및 지원 전략으로의 전환을 뒷받침하는 데이터 기반 근거를 제공한다.

의의 및 주장
본 연구는 교수진의 참여라는 "블랙박스"를 밝힘으로써, 고등 교육 기관이 지능형 기술 통합을 위한 증거 기반 전략을 실행할 수 있는 강력한 경험적 토대를 제공한다고 주장한다. 연구 결과는 교수진의 수용 양상이 균일하다는 가설에 도전하며, 기술적 숙련도와 전문적 역할(교육 vs 연구)이 서로 다른 행동 궤적을 유도함을 보여준다. 본 논문은 이러한 상이한 프로파일을 인식하는 것이 맞춤형 개입—예를 들어, 교수 보조형을 위한 효율적인 교수법 훈련과 연구 지원형을 위한 고급 연구 워크플로우 지원—을 설계하는 데 필수적이며, 이를 통해 고등 교육 내 GAI의 효과적이고 심도 있는 통합을 촉진할 수 있다고 결론짓는다. 저자들은 단일 기관 데이터 소스의 한계와 로그 데이터의 맥락적 풍부함 부족을 인정하며, 이러한 행동적 발견을 사용자 인식과 삼각 측량하기 위한 향후 혼합 방법론 연구를 제안한다.