기술 요약: 간호 학생들의 인공지능 리터러시의 이질성

문제 제기

임상 의사 결정 지원, 환자 모니터링, 개인 맞춤형 케어에 이르는 의료 분야 내 인공지능(AI)의 급격한 통합은 미래의 간호 전문가들에게 강력한 수준의 AI 리터러시를 요구한다. 기존 연구들이 AI 리터러시의 중요성을 확립해 왔으나, 기존 연구들은 주로 **변수 중심 접근법(variable-centered approaches)**에 의존하고 있다. 이러한 방식은 AI 리터러시를 단일한 연속 변수로 취급함으로써, 간호 학생들이 AI 지식, 기술, 태도를 보유하고 결합하는 방식의 **이질적 특성(heterogeneous nature)**을 간과한다.

구체적으로, 특히 중국 내몽골과 같은 자원이 제한된 지역에서 AI 리터러시의 잠재 프로파일(하위 집단) 및 이와 관련된 요인에 관한 증거가 부족하다. 또한, 현재의 문헌들은 AI 자기 효능감(AI self-efficacy), 기술에 대한 태도, 그리고 윤리적 우려의 개인차들이 어떻게 상호작용하여 뚜렷한 리터러시 범주를 형성하는지를 체계적으로 식별하지 못하는 경우가 많다. 본 연구는 평균적인 수치를 넘어 특정 학생 하위 집단을 식별하고 이들을 차별화하는 예측 요인을 파악함으로써 이러한 공백을 메우고자 한다.

연구 방법론

본 연구는 간호 학생들 내의 하위 집단을 식별하기 위해 **사람 중심 통계 접근법(person-centered statistical approach)**인 **잠재 프로파일 분석(Latent Profile Analysis, LPA)**을 활용한 **단면 연구 설계(cross-sectional design)**를 채택하였다.

• 참가자: 2025년 12월, 내몽골 민족 대학교의 학부생 및 대학원생 522명을 편의 추출하였다. 표본은 1학년부터 대학원 수준까지 포함되었으며, 성별 구성은 여성 80.5%, 남성 19.5%였다.
• 측정 도구:
  1. 인구통계학적 설문지: 성별, 학년, 출신지, AI 도구 사용 여부를 파악하였다.
  2. 중국 대학생을 위한 인공지능 리터러시 척도(AILS-CCS): 인지, 활용, 평가, 윤리의 네 가지 차원을 측정하는 15개 문항으로 구성되었다. (본 연구의 Cronbach's α = 0.974).
  3. 인공지능 자기 효능감 척도(AISE): 보조, 인간형 상호작용, 편안함, 기술적 기술의 네 영역에서 AI 제품 사용에 대한 인지된 능력을 측정하는 22개 문항으로 구성되었다. (Cronbach's α = 0.981).
  4. 간호 분야 인공지능 기술 사용에 대한 태도 척도(ASUAITIN): 간호 분야에서의 AI에 대한 긍정적 및 부정적 태도를 측정하는 15개 문항으로 구성되었다. (Cronbach's α = 0.955).
• 통계 분석:
  • 잠재 프로파일 분석(LPA): 명시적 변수(네 가지 AI 리터러시 차원의 평균 점수)를 기반으로 최적의 잠재 클래스 수를 결정하기 위해 Mplus 8.3을 사용하여 수행되었다. 모델 적합도는 AIC, BIC, aBIC, Lo-Mendell-Rubin (LMRT), Bootstrap Likelihood Ratio Test (BLRT) 및 Entropy를 통해 평가되었다.
  • 회귀 분석: 식별된 잠재 클래스를 종속 변수로 하여 인구통계학적 요인, 자기 효능감, 태도 및 윤리적 우려의 영향을 조사하기 위해 다항 로지스틱 회귀 분석(SPSS 31.0 사용)을 실시하였다.

주요 결과

1. 세 가지 잠재 클래스 식별

LPA 결과, 간호 학생들의 AI 리터러시에서 세 가지 뚜렷한 잠재 프로파일이 식별되었으며, 세 클래스 모델이 가장 우수한 적합도를 보였다 (Entropy = 0.971, LMRT p < 0.001):

• 저수준 기초 취약 집단 (42.25%): 모든 차원에서 가장 낮은 점수를 기록했으며, 특히 활용/적용(Usage/Application) 차원에서 현저한 결핍을 보였다. 이 학생들은 기초적인 AI 리터러시가 약하다.
• 중수준 발달 집단 (42.41%): 모든 차원에서 중간 정도의 점수를 나타냈다. 이들은 기본적인 AI 리터러시를 갖추고 있으나, 모든 영역에서 개선의 여지가 있다.
• 고수준 종합 발달 집단 (15.34%): 네 가지 차원(인지, 활용, 평가, 윤리) 모두에서 높은 점수를 보였으며, 이는 균형 잡히고 고도화된 수준의 AI 리러러시를 나타낸다.

일반적 경향: 모든 집단에 걸쳐 **평가(Evaluation)**와 윤리(Ethics) 차원의 점수가 가장 높았고, 적용/활용(Application/Usage) 차원이 가장 낮았다. 간호 학생들의 전반적인 AI 리터러시는 약간 평균 이상의 수준이었으며, 중앙값 총점은 55.00 [45.00, 60.00]이었다.

2. 클래스 소속의 예측 요인

중수준 집단을 참조 집단으로 사용한 다항 로지스틱 회귀 분석 결과, 클래스 소속에 대한 세 가지 독립적 예측 요인이 식별되었다 (모두 P < 0.05):

1. AI 자기 효능감: 높은 자기 효능감 점수는 고수준 집단에 속할 확률을 유의하게 높였고, 저수준 집단에 속할 확률을 낮추었다.
2. AI 기술에 대한 태도: 간호 분야에서 AI에 대해 더 긍정적인 태도를 갖는 것은 고수준 집단에 속할 가능성을 높이고, 저수준 집단에 속할 가능성을 낮추는 것과 관련이 있었다.
3. 윤리적 우려: AI 윤리 문제에 대해 높은 수준의 우려를 가진 학생들은 중간 정도의 우려를 가진 학생들에 비해 고수준 집단으로 분류될 가능성이 더 높았다. 특히, 높은 윤리적 우려는 참조 집단과 비교했을 때 저수준 집단으로 떨어질 가능성을 유의하게 감소시켰으나, 최고 단계로의 진입과 관련하여 중간 정도의 우려와 고도의 우려 사이의 차이는 덜 뚜렷했다.

주요 기여

• 방법론적 전환: 본 연구는 변수 중심 분석을 넘어 잠재 프로파일 분석을 활용함으로써, 간호 학생들이 AI 리터러시에 있어 단일한 집단이 아니라 서로 다른 강점과 약점을 가진 뚜렷한 하위 집단으로 구성되어 있음을 밝혀냈다.
• 지역적 맥락: 교육 자원이 개발 중인 지역인 내몽골로부터의 실증적 데이터를 제공하여, 자원이 제한된 환경에서의 AI 리터생의 구체적인 과제와 이질성을 강조하였다.
• 계층적 통찰: 본 연구는 학생들이 일반적으로 AI 개념과 윤리는 이해하고 있으나(인지/평가 점수 높음), 실제 적용 측면에서 크게 어려움을 겪고 있다는 점을 식별하였다. 이러한 특정 격차는 커리큘럼 설계에 있어 매우 중요하다.
• 예측 요인: 자기 효능감, 긍정적 태도, 그리고 윤리적 인식이 단순히 리터러시와 상관관계가 있는 것이 아니라, 학생의 리터러시 위계 내 위치를 결정하는 독립적인 예측 변수임을 실증적으로 검증하였다.

의의 및 주장

본 논문은 연구 결과가 간호 프로그램 내의 계층화된(tiered) AI 교육에 대한 실증적 근거를 제공한다고 주장한다. 저자들은 드러난 상당한 이질성을 고려할 때 "일률적인(one-size-fits-all)" 접근 방식은 불충분하다고 주장한다.

• 저수준 집단을 위해: 교육은 기초적인 AI 개념, 윤리적 지식, 그리고 이론과 적용 사이의 간극을 메우기 위한 실습 훈련을 우선시해야 한다.
• 중수준 집단을 위해: 교육은 운영 숙련도와 문제 해결 능력을 향상시키기 위해 집중적인 시나리오 기반 훈련에 초점을 맞춰야 한다.
• 고수준 집단을 위해: 커리큘럼은 혁신을 촉진하기 위해 AI 지원 데이터 분석 및 연구 설계까지 확장되어야 한다.

본 연구는 결론적으로 AI 윤리 교육과 실무 훈련을 간호 커리큘럼에 통합하는 것이 필수적이라고 밝힌다. 특정 리터러시 프로파일을 타겟팅하고 자기 효능감과 긍정적 태도를 강화함으로써, 교육자들은 간호 학생들을 지능형 의료 환경에 더 잘 대비시킬 수 있다. 저자들은 단일 기관 표본이라는 한계를 인정하며, 향후 연구에는 이러한 발견을 일반화하기 위해 원격 지역의 더 많은 기관이 포함되어야 한다고 제언하였다.