기술 요약: 인지적 비계(Scaffold)로서의 대화형 AI 또는 사고의 대체재로서의 대화형 AI

1. 문제 제기 및 연구 배경

교육 환경에 생성형 대화형 인공지능(AI)이 급격히 통합되면서, 학습을 지원하는 잠재력과 답변 의존성을 조장할 위험 사이의 긴장이 발생하고 있다. 이러한 도구들은 편리하고 권위 있는 응답을 제공하지만, 학습자의 능동적인 추론과 판단 과정을 감소시켜 인지적 타성을 유발할 수 있다는 우려가 존재한다.

기존 문헌은 보조 기술이 즉각적인 수행 능력은 향상시킬 수 있으나, 잠재적으로 이후의 독립적 사고 능력을 약화시킬 수 있음을 시사한다. 그러나 이러한 상충하는 결과들을 유도하는 구체적인 메커니즘은 여전히 충분히 설명되지 않았다. 본 연구가 다루는 핵심 문제는 대화형 AI가 주로 인지적 비계(고차원적 사고를 위한 자원을 확보해 주는 역할)로 기능하는지, 아니면 사고의 대체재(판단을 외주화하고 인지적 참여를 줄이는 역할)로 기능하는지 여부이다. 본 연구는 결정적인 요인이 단순히 AI 지원의 품질이 아니라, 학습자가 AI의 응답을 받은 이후에 이를 어떻게 처리하느냐에 있다고 가정한다.

2. 이론적 틀 및 가설

**인지적 오프로딩 이론(Cognitive Offloading Theory)**과 **처리 수준 이론(Levels-of-Processing Theory)**을 바탕으로, 저자들은 두 가지 형태의 오프로딩을 구분하는 **이중 경로 모델(Dual-Path Model)**을 제안한다:

• 비계형 인지적 오프로딩 (Scaffolded Cognitive Offloading, SCO): 분석과 성찰을 위한 인지적 자원을 확보하기 위해 하위 수준의 과업(예: 정보 검색, 자료 정리)을 AI에 위임하는 것.
• 대체형 인지적 오프로딩 (Substitutive Cognitive Offloading, SUCO): 핵심적인 판단 관련 활동(예: 추론, 평가, 논증)을 AI에 외주화함으로써 능동적인 모니터링을 줄이는 것.

본 연구의 가설은 다음과 같다:

1. 고품질의 AI 지원은 SCO와 SUCO 모두와 정(+)의 상관관계가 있다.
2. SCO는 응답 후 심층 처리(Post-Response Deep Processing, PRDP)(검증, 비교, 질문, 통합 및 수정)에 정(+)의 영향을 미치는 반면, SUCO는 PRDP에 부(-)의 영향을 미친다.
3. PRDP는 **비판적 사고(Critical Thinking, CT)**와 정(+)의 상관관계가 있다.
4. **AI 평가 리터러시(AI Evaluation Literacy, AEL)**는 경계 조건으로서, SUCO의 부정적 효과를 완화하는 역할을 할 수 있다.

3. 연구 방법론

데이터 수집

• 표본: 학습을 위해 대화형 AI를 사용한 경험이 있는 대학생 426명.
• 절차: 참가자들은 주류 대화형 AI 도구를 사용하여 정보 이해 또는 관점 분석 과업을 수행한 후, 구조화된 설문지를 작성하였다.
• 측정 도구: 6가지 구성 개념을 7점 리커트 척도로 측정하였다: AI 학습 지원 품질(AIQ), SCO, SUCO, PRDP, AEL, CT. SCO, SUCO, PRDP에 대한 척도는 이론적 토대를 바탕으로 본 연구를 위해 개발되거나 맥락화되었다.

분석 접근 방식

본 연구는 보완적인 혼합 방법론적 양적 접근 방식을 채택하였다:

1. 부분 최소 제곱 구조 방정식 모델링 (PLS-SEM): 순수 연관성, 직접 경로, 매개 효과 및 조절 효과를 테스트하기 위해 사용됨 (SmartPLS 4를 사용하여 5,000회 부트스트랩 재표본 추출).
2. 퍼지 집합 질적 비교 분석 (fsQCA): 선형 모델에서는 포착할 수 없는 비대칭적 패턴을 포착하여, 높은 비판적 사고와 낮은 비판적 사고를 이끄는 구체적인 조건의 구성을 식별하기 위해 사용됨.

4. 주요 결과

구조 모델 (PLS-SEM) 결과

• 이중 경로 확인: AI 학습 지원 품질(AIQ)은 SCO($\beta = 0.410$)와 SUCO($\beta = 0.329$) 모두와 정(+)의 상관관계가 있었다.
• 처리에 미치는 상반된 효과:
  • SCO는 PRDP와 정(+)의 상관관계가 있었다 ($\beta = 0.294$).
  • SUCO는 PRDP와 부(-)의 상관관계가 있었다 ($\beta = -0.434$).
• 비판적 사고에 미치는 영향: PRDP는 비판적 사고(CT)와 정(+)의 상관관계가 있었다 ($\beta = 0.245$).
• 매개 효과:
  • SCO는 PRDP를 경유하여 CT에 유의미한 정(+)의 간접 효과를 미쳤다 ($\beta = 0.072$).
  • SUCO는 PRDP를 경유하여 CT에 유의미한 부(-)의 간접 효과를 미쳤다 ($\beta = -0.106$).
• 조절 효과: SUCO와 PRDP 사이의 관계에서 AI 평가 리터러시(AEL)의 조절 효과는 유의미하지 않았다 ($p = 0.511$). 이는 평가적 지식을 갖추는 것이 자동으로 검증 행동으로 이어지지는 않음을 시사한다.
• 설명력: 모델은 PRDP 분산의 23.4%를 설명하였으나, CT 분산은 6.0%만을 설명하였다. 이는 본 모델의 범위를 벗어난 다른 요인들이 CT에 영향을 미치고 있음을 나타낸다.

구성적 분석 (fsQCA) 결과

• 높은 비판적 사고: 높은 CT로 이어지는 구성은 일관되게 SCO의 존재와 SUCO의 부재를 특징으로 하였다.
  • 한 경로(HC1)는 상대적으로 낮은 AIQ 하에서도 높은 SCO, 낮은 SUCO, 높은 PRDP를 동반할 때 높은 CT가 나타남을 보여주었다.
  • 또 다른 경로(HC2)는 높은 AIQ, 높은 SCO, 낮은 SUCO, 높은 AEL을 결합하여 높은 CT에 도달하는 경로를 연결하였다.
• 낮은 비판적 사고: 낮은 CT를 특징짓는 구성은 SCO의 부재와 SUCO의 존재였으며, 종종 불충분한 PRDP와 결합되었다.
• 필요성: 높은 또는 낮은 CT를 위해 필수적인 단일 조건은 발견되지 않았다 (일관성 < 0.90).

5. 주요 기여 및 의의

본 논문은 다음과 같은 기여를 주장한다:

1. 이론적 구분: 본 연구는 AI 사용을 단순히 유익하거나 해로운 것으로 보는 관점을 넘어, 비계형과 대체형 인지적 오프로딩을 실증적으로 구분함으로써 그 이상의 단계로 나아갔다. 이는 유사한 AI 지원이라도 학습자가 인지적 책임을 어떻게 배분하느냐에 따라 상반된 인지 경로를 촉발할 수 있음을 입증한다.
2. 메커니즘 식별: AI 사용과 비판적 사고를 연결하는 근접적 설명 과정으로서 **응답 후 심층 처리(PRDP)**를 식별하였다. 연구 결과는 AI의 교육적 가치가 생성된 답변의 품질보다는, 그 답변에 대한 학습자의 후속적인 능동적 검증, 비교, 수정 여부에 달려 있음을 시사한다.
3. 리터러시의 역할: AI 평가 리터러시의 비유의적인 조절 효과는 지식만으로는 행동을 이끌어낼 수 있다는 가정을 반박한다. 이는 평가적 지식이 대체형 오프로딩의 위험을 효과적으로 완화하기 위해서는 반드시 특정 행동적 조건(구성)과 결합되어야 함을 시사한다.
4. 방법론적 통합: PLS-SEM(순 효과 파악)과 fsQCA(구성적 경로 파악)를 결합함으로써, 다양한 요인의 조합이 어떻게 서로 다른 수준의 비판적 사고를 이끌어내는지에 대한 더 미묘한 이해를 제공한다.

6. 한계점 및 겸손한 주장

저자들은 다음과 같이 결과 해석에 주의를 기울일 것을 명시적으로 밝히고 있다:

• 제한적인 설명력: CT에 대한 낮은 $R^2$ 값(6.0%)은 본 모델이 CT 결과를 포괄적으로 예측하지 못함을 의미하며, 모델 외부의 학습자, 과업 및 교수법 차원의 요인들이 영향을 미칠 가능성이 높다.
• 탐색적 구성: fs-QCA 솔루션의 일관성 값이 일부 경로에서 이상적인 0.80 임계값 미만이었으므로, 저자들은 이 결과를 확정적인 인과 경로라기보다 "보완적이고 탐색적인" 결과로 규정하였다.
• 일반화 가능성: 표본이 단일 대학에서 추출되었으므로 학문 분야 및 교육 단계 전반에 걸친 일반화에는 한계가 있다.
• 인과관계: 횡단적 자기 보고식 설계로 인해 인과적 추론에 한계가 있으나, 이론적 모델은 확립된 인지 이론에 근거하고 있다.

7. 결론

본 연구는 학습자가 AI를 판단의 책임을 유지하면서 하위 수준의 과업을 처리하기 위한 도구로 활용할 때, 대화형 AI가 비판적 사고와 더 밀접하게 연관된다고 결론짓는다. 반대로, 학습자가 추론을 외주화하고 응답을 수동적으로 수용할 때 비판적 사고는 저하된다. 저자들은 AI의 교육적 가치가 학습자가 AI가 생성한 응답을 단순히 받아들이는 것이 아니라, 지속적으로 검증하고, 질문하고, 성찰하고, 수정하는지에 달려 있음을 강조한다.