Learners’ Engagement with Artificial Intelligence: Validation of the Cognitive-Affective AI Engagement Model
이 연구는 1,249명의 헝가리 대학교 1학년 학생들을 대상으로 한 데이터의 확인적 요인 분석을 통해 인지-정서적 AI 참여 모델(CAAIEM)이 대학생들의 LLM 기반 AI 도구 참여도를 측정하기 위한 신뢰할 수 있는 4차원적 프레임워크임을 입증하며 강력한 심리측정적 특성을 보여주는 동시에, 추가적인 교차 문화적 타당도 검증의 필요성을 언급한다.
원본 논문은 CC BY 4.0 (https://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
현대적인 교실에서는 새로운 교과서나 칠판이 아니라, 에세이를 쓰고 문제를 해결하며 대화를 나눌 수 있는 지능형 컴퓨터 프로그램에 의해 조용한 혁명이 일어나고 있습니다. 거대 언어 모델(LLM)로 알려진 이 도구들은 공상 과학의 영역에서 벗어나 학생들의 일상 속으로 들어왔습니다. 교육자와 연구자들에게는 긴박한 질문이 생겨났습니다. 학습자들이 실제로 이러한 기술과 어떻게 연결되는가 하는 점입니다. 인공지능과의 관계가 단순히 유용성을 위해 체크박스를 채우는 문제에 불과한 것일까요, 아니면 더 깊은 감정, 습관, 그리고 미래의 희망을 포함하는 것일까요? 이를 이해하기 위해 과학자들은 개인이 활동에 얼마나 깊이 몰입하는지를 설명하는 개념인 '참여(engagement)'를 살펴봅니다. 전통적으로 이는 도구가 유용한가 또는 사용하기 쉬운가의 관점에서 바라보았습니다. 그러나 인공지능이 점점 더 대화형이고 개인화됨에 따라, 연구자들은 그 모습이 더 복잡할 것이라고 추측합니다. 여기에는 아마도 학생이 도구를 얼마나 자주 사용하는지, 경험을 얼마나 즐기는지, 도구를 효과적으로 사용할 수 있다는 자신감을 얼마나 느끼는지, 그리고 향후 몇 년 동안 계속 학습할 계획이 있는지 등이 포함될 것입니다. 이러한 층위들을 이해하는 것은 매우 중요한데, 만약 학교와 개발자들이 도구가 작동하는지에만 집중한다면, 학생들이 배움을 위해 다시 돌아오게 만드는 정서적, 행동적 동력을 놓칠 수 있기 때문입니다.
헝가리 세게드 대학교의 연구팀은 이 미개척 영역을 지도화하기 위해 나섰습니다. 그들은 학생들이 인공지능에 참여하는 방식을 바라보는 새로운 방법을 제안하며, 그것이 단일한 감정이 아니라 네 가지 뚜렷한 부분의 조합이라고 주장했습니다. 그들은 이를 '인지-정서적 AI 참여 모델(Cognitive-Affective AI Engagement Model)'이라고 불렀습니다. 첫 번째 부분은 상호작용 강도(interaction intensity)로, 이는 단순히 학생이 일상생활과 학업에서 이러한 도구들을 얼마나 자주, 얼마나 깊이 사용하는지를 측정합니다. 두 번째는 도구적 효능(instrumental efficacy)으로, 이는 기술이 실제로 자신의 업무를 더 빠르고 더 잘 수행하도록 도와준다는 학생의 믿음을 포착합니다. 세 번째는 정서적 참여(affective engagement)로, 이는 경험의 감정적인 측면을 의미합니다. 즉, 학생들이 AI를 사용할 때 즐거움, 편안함, 진정한 호감을 느끼는가 하는 점입니다. 마지막 조각은 학습 지속 의도(learning continuance intent)로, 이는 미래를 내다보며 학생이 기술이 진화함에 따라 이 기술들에 대해 계속 배우고 사용할 계획이 있는지를 측정합니다.
연구진은 이 네 부분으로 구성된 모델이 현실을 정확하게 반영하는지 테스트하기 위해 대규모의 대학교 1학년 학생들을 모집했습니다. 그들은 다양한 학부의 학생 1,249명을 연구에 참여하도록 초대했습니다. 주로 18세에서 22세 사이인 참가자들은 이 네 가지 영역을 측정하기 위해 설계된 설문지를 작성했습니다. 질문들은 그들이 AI 애플리케이션을 얼마나 빈번하게 사용하는지, AI가 자신의 성과를 개선한다는 점에 얼마나 동의하는지, 사용하는 것을 얼마나 즐기는지, 그리고 향-후에 계속 배울 의도가 있는지 등을 보고하도록 했습니다. 그런 다음 연구진은 정교한 통계적 방법을 사용하여 학생들의 답변이 모델이 예측한 네 가지 범주로 자연스럽게 그룹화되는지, 아니면 데이터가 다른 구조를 시사하는지를 확인했습니다.
결과는 명확했으며 새로운 모델을 뒷받침했습니다. 연구진이 데이터를 분석했을 때, 그들이 제안한 네 가지 범주가 학생들이 인공지능에 참여하는 방식을 설명하는 데 가장 적합한 방법임을 발견했습니다. 데이터는 모든 답변이 단 하나의 일반적인 느낌을 가리르는 더 단순한 모델에도 부합하지 않았고, 세 가지 범주만을 가진 모델에도 부합하지 않았습니다. 대신, 네 개의 뚜টা한 차원이 전체 경험의 별개이면서도 연결된 부분으로서 두드러졌습니다. 학생들의 답변은 그들의 행동, 유용성에 대한 믿음, 감정, 그리고 미래 계획이 모두 측정 가능하고 구별되는 참여의 측면임을 일관되게 보여주었습니다. 이 연구는 이 네 부분이 학습자가 AI와 관계를 맺는 완전한 그림을 형성하기 위해 함께 작동한다는 것을 확인해 주었습니다.
연구진은 또한 자신들이 던진 질문들이 신뢰할 수 있는지, 그리고 의도한 바를 실제로 측정하고 있는지 확인했습니다. 그들은 각 네 영역에 대한 질문들이 일관적이라는 것을 발견했습니다. 예를 들어, 즐거움에 관한 질문들은 서로 밀접하게 묶여 있었으며, 미래 계획에 관한 질문들도 마찬가지였습니다. 이는 모델이 학생의 행동을 이해하는 데 있어 견고한 도구라는 확신을 주었습니다. 나아가, 그들은 이 네 영역이 서로 연관되어 있음에도 불구하고 별개의 개념으로 다뤄질 만큼 충분히 다르다는 것을 검증했습니다. 예를 들어, AI가 유용하다고 느끼는 학생은 그것을 사용하는 것을 즐기는 경향이 있었지만, 연구는 유용성과 즐거움이 동일한 것이 아님을 보여주었습니다. 마찬가지로, AI를 빈번하게 사용하는 학생은 단순히 미래에 사용할 계획이 있는 학생과는 다른 동기를 가지고 있었습니다.
이 연구는 교육에서의 인공지능의 인간적 측면을 이해하는 데 있어 중요한 진전을 제공합니다. 참여를 이 네 가지 구체적인 구성 요소로 세분화함으로써, 연구진은 교육자와 개발자가 단순한 사용 통계를 넘어 볼 수 있는 프레임워크를 제공했습니다. 이는 학생들이 진정으로 AI로부터 혜sembled 얻기 위해서는 기술이 효과적일 뿐만 아니라 정서적으로 공명해야 하며, 그들의 장기적인 학습 목표와 일치해야 함을 시사합니다. 연구 결과는 이러한 도구들의 성공적인 통합을 위해서는 단순히 오늘 과업을 완수하는 데 도움이 되는지를 넘어, 학생들이 기술에 대해 어떻게 느끼고 이를 자신의 미래에 어떻게 구상하고 있는지에 대한 주의가 필요함을 나타냅니다. 이 연구는 헝가리의 특정 학생 집단에 초점을 맞추었지만, 검증된 이 모델은 학습자와 교육을 점점 더 형성해 나가는 지능형 기계 사이의 복잡한 관계를 설명하기 위한 새로운 언어를 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.