기술 요약: 인공물에서 도구로: 고급 수학 과정 중 상급 대학생과 생성형 AI 간의 상호작용

문제 정의

생성형 인공지능(GenAI)의 급격한 통합은 수학 교육에 하나의 역설을 제시한다. 즉, 이러한 도구들은 개인화된 설명과 즉각적인 피드백이라는 전례 없는 접근성을 제공하는 동시에, 그 확률론적 특성으로 인해 환각(hallucination), 논리적 불일치, 미묘한 수학적 오류를 범할 가능성이 있다는 점이다. 결정론적 도구(예: 컴퓨터 대수 시스템)와 달리, GenAI 모델은 형식적인 기호 연역이 아닌 언어 패턴을 기반으로 출력을 생성한다. 이는 학습자에게 중요한 인식론적 과제를 안겨준다. 즉, 수학적으로 엄밀한 진리와 그럴듯하게 들리는 허구 사이를 구별하는 문제이다.

기존 문헌들이 대규모 언어 모델(LLM)의 기술적 성능을 벤치마킹하고 교수자나 소프트웨어 개발자가 설계한 교육적 가드레일을 탐구하는 데 집중해 온 반면, 수학적으로 성숙한 학습자들이 외부의 제약 없이 자유로운 상용 GenAI 플랫폼을 사용하여 복잡한 문제 해결을 수행할 때 어떻게 스스로 인지적 가드레일을 구축하는지에 대한 이해에는 심각한 공백이 존재한다.

연구 방법론

본 연구는 미국 로키 산맥 서부 지역의 한 연구 중심 대학에서 진행된 400단위 수치 선형 대수학 수업을 대상으로 탐색적 질적 연구 설계를 적용하였다. 참여자 집단은 6개 그룹으로 구성된 21명의 상급 학부생 및 대학원생으로 구성되었다.

데이터 수집:

• 프로젝트 보고서: 최소 4가지 이상의 서로 다른 GenAI 시스템(ChatGPT, Gemini, Claude, DeepSeek, Copilot 등 무료 및 유료 버전 포함)과의 상호작용 전체 스크린샷과 대화 기록이 포함된 6개의 그룹 프로젝트 보고서.
• 개별 결과물: 그룹 활동 내 지배적인 목소리에 의한 편향을 완화하기 위해 개별 학생의 핵심 요약 내용을 담은 발표 슬라이드.
• 사후 프로젝트 설문: 친숙도, 자신감, 도구의 신뢰성 및 형평성에 대한 인식에 관한 15명의 동의한 참여자 응답.
• 과업: 학생들은 표준화된 프롬프트 구조를 사용하여 고급 수학 문제(그래프 그리기, 고유값 해석, 가우스 소거법)를 해결해야 했으며, 이후 반복적인 프롬프트 입력, 교차 검증, 그리고 서로 다른 도구 간의 비교 분석 과정을 거쳤다.

이론적 틀:
분석은 두 가지 상호 보완적인 이론적 관점에 의해 유도되었다:

1. 도구 발생론 (Instrumental Genesis, Rabardel, 1995; Trouche, 2004): 인공물(raw tool, 가공되지 않은 도구)과 도구(instrument, 사용자의 스키마가 통합된 도구)를 구분한다. 이는 *도구화(instrumentalization, 사용자가 도구를 형성함)*와 *기구화(instrumentation, 도구가 사용자를 형성함)*를 분석한다.
2. 인식적 경계 (Epistemic Vigilance, Sperber et al., 2010): 출처(역량/정직성)와 내용(일관성 확인)에 대한 경계를 포함하여, 잘못된 정보를 걸러내기 위해 사용하는 인지적 방어 기제를 설명하는 심리학적 프레임워크이다.

분석:
데이터는 성찰적 주제 분석(Reflexive Thematic Analysis, Braun & Clarke, 2006, 2020)을 거쳤다. 연구자들은 상호작용 전략, 검증 관행, 신뢰 판단을 코딩하기 위해 반복적으로 분석하였으며, 최종적으로 새로운 **GenAI 인지 적응 프레임워크(GenAI Cognitive Adaptation Framework)**를 합성하였다.

주요 기여

본 연구의 주요 기여는 학습자가 확률론적인 대화형 인공물을 어떻게 기능적인 수학적 도구로 변모시키는지 모델링하는 GenAI 인지 적응 프레임워크를 개발한 것이다. 이 연구는 초점을 AI의 성능 지표에서 조절, 적응, 비판적 평가라는 인간 중심의 프로세스로 전환한다.

이 프레임워크는 학생들이 GenAI를 탐색하는 세 가지 상호 연결된 메커니즘을 식별한다:

1. 전략적 프롬프트 엔지니어링 (도구화): 수학적 필요에 맞게 도구의 행동을 능동적으로 수정하는 과정.
2. 신뢰와 검증의 탐색 (인식적 경계): 출처의 신뢰성과 내용의 일관성을 평가하는 인지적 과정.
3. 도구 제약의 탐색 (기구화): 기술적 한계와 접근성 격차("유틸리티 갭")에 맞춰 워크플로를 조정하는 과정.

결과

연구를 통해 학생들의 상호작용에서 도출된 세 가지 주요 주제와 일곱 가지 하위 주제가 식별되었다.

1. 전략적 프롬프트 엔지니어링

학생들은 기본 대화형 프롬프트가 고급 수학에는 불충분하다는 것을 인지했다. 그들은 다음과 같은 방식으로 도구화를 수행하며 능동적으로 참여했다:

• 제로샷(Zero-Shot)에서 체인 프롬프팅(Chain Prompting)으로의 전환: 단일 질의에서 벗어나 논리적 일관성을 유지하기 위해 순차적이고 구조화된 안내를 제공함.
• 페르소나 채택: 더 엄격하고 객객적이며 성찰적인 피드백을 끌어내기 위해 AI에 특정 학술적 역할(예: "회의적인 교수" 또는 "박사 과정 학생")을 부여함.
• 형식주의 요구: "방황하는 논리"를 방지하기 위해 정리 인용, 특정 형식(예: 행렬 형태), 불필요한 장황함 배제를 명시적으로 요구함.

2. 신뢰와 검증의 탐색

학생들은 GenAI를 권위 있는 출처가 아닌 결함이 있는 조수로 취급함으로써 인식적 경계를 발휘했다.

• 보조적 수단 vs 절대적 신뢰: 학생들은 고위험 계산 작업에 대해 AI를 일관되게 거부했으며, 이를 대체 방법(예: 역행렬을 통한 검증)을 통한 교차 검증 도구로 엄격히 제한하여 사용했다.
• 정확성 vs 품질: 학생들은 수치적 정확성과 교육적 유용성을 구분했다. 그들은 정답은 제공하지만, 이해를 방해하는 지나치게 추상적이고 요청하지 않은 이론적 개념(예: 조르단 블록)을 사용하는 도구를 비판했다.
• 메타 검증: 일부 학생들은 AI의 신뢰성에 대해 직접 질문하였고, AI가 자신의 오류 가능성을 인정하는 답변을 받음으로써 "잠정적 신뢰"의 입장을 강화했다.

3. 도구 제약의 탐색 (유틸리티 갭)

연구는 서로 다른 AI 생태계의 물질적 제약이 학생들의 워크플로를 어떻게 형성하는지, 그리고 이로 인한 "유틸리티 갭"과 형평성 문제를 강조했다.

• 기술적 한계: 학생들은 무료 버전의 LaTeX 렌더링 불가, 긴 추론 과정을 방해하는 엄격한 채팅 길이 제한, 임의적인 언어적 거부 등의 문제에 직면했다.
• 디지털 격차: 참가자들은 유료/프리미엄 모델이 대화 길이, 이미지 생성, 설명의 깊이 측면에서 상당한 이점을 제공한다는 점을 언급하며, 프리미엄 도구에 대한 접근권이 주요한 교육적 우위를 구성한다는 데 동의했다.

의의 및 주장

본 논문은 고급 수학에서 GenAI의 교육적 가치는 도구가 정답을 생성하는 능력에 있는 것이 아니라, 학습자가 도구를 능동적으로 형성하고 그 출력을 엄격하게 평가하는 능력에 있다고 주장한다.

• 인지적 가드레일: 본 연구는 수학적으로 성숙한 학습자들이 인식적 경계를 통해 내부적인 인지적 가드레일을 구축할 수 있음을 보여주며, AI를 오라클(신탁)에서 지속적인 검증이 필요한 결함 있는 조수로 격하시킨다.
• 선행 지식에 대한 의존성: 이 적응 과정은 사용자의 선행 수학 지식에 크게 의존한다는 점이 핵심적인 발견이다. 연구는 "일관성 확인"을 수행할 충분한 도메인 전문 지식이 없다면 학습자들이 자동화 편향(automation bias)에 취ло될 수 있으며 학습 결손을 겪을 수 있다고 상정한다.
• 교육적 시사점: 저자들은 GenAI를 금지하는 것은 비현실적이라고 주장한다. 대신, 교육은 학생들이 실제 AI의 오류를 비판하고, 검증을 전문적인 기술(동료 검토와 유사)로 프레이밍하며, AI 출력을 솔루션 생성기가 아닌 가이드로 제한하도록 가르침으로써 인식적 경계를 함양하는 데 집중해야 한다.

결론적으로, GenAI가 강력한 자원을 제공하긴 하지만, STEM 교육에 이를 통합하기 위해서는 수동적 소비에서 벗어나 능동적이고 비판적인 방향 설정으로 전환하여, 학생들이 수학적 추론에 대한 궁극적인 인지적 권위를 유지할 수 있도록 해야 한다.