Understanding dynamic learning profiles in AI-supported environments in Vietnam: Evidence from a three-wave latent transition analysis

기술적 요약: 베트남의 AI 지원 환경 내 역동적 학습 프로파일에 대한 이해

문제 제기
고등 교육에 인공지능(AI)이 급격히 통합됨에 따라, 학술적 작업은 개인의 인지에서 학습자와 생성형 AI가 결합된 분산 시스템으로 변화했습니다. AI는 효율성을 제공하지만, 인지적 지원과 인지적 대체 사이에는 중대한 긴장이 존재합니다. 핵심적인 의미 형성 과정(예: 논증 구축, 문제 해결)을 위해 AI에 과도하게 의존하는 것은 심층 학습과 고차원적 사고를 저해할 수 있습니다. 기존 연구들은 주로 평균적인 관계를 추정하는 변수 중심 접근법을 채택하고 있어, 학생들이 AI 자기 효능감, 인지적 오프로딩(cognitive offloading), 메타인지적 조절을 어떻게 결합하는지에 대한 이질성을 포착하지 못합니다. 또한, 이 분야에는 이러한 구성이 시간이 지남에 따라 어떻게 진화하는지, 그리고 특정 참여 패턴이 학업 성취도에 어떤 영향을 미치는지에 대한 종단적 근거가 부족합니다. 본 연구는 AI 지원 학습을 인지적 조절의 역동적 시스템으로 개념화하고, 베트남의 국가 디지털 전환 명령(결정 제131/QĐ-TTg, 2022호) 맥락 내에서 구별된 학습 프로파일의 시간적 안정성과 전이를 조사하고자 합니다.

연구 방법론
본 연구는 베트남의 한 대규모 국립대학교에서 한 학기(2025년 9월~12월) 동안 진행된 3차 웨이브 종단 설계를 채택하였습니다.

• 참여자: 초기 표본은 다양한 STEAM 및 비-STEAM 전공의 학부생 725명으로 구성되었습니다. 누적 탈락률은 17.24%였으며, 결과적으로 웨이브 2에서는 670명, 웨브 3에서는 600명이 참여하였습니다. 결측 데이터는 전체 정보 최대 가능도 추정법(full information maximum likelihood estimation)을 통해 처리되었습니다.
• 측정 도구: 각 웨이브에서 다음 세 가지 핵심 구성 개념을 7점 리커트 척도로 측정하였습니다:
  1. AI 자기 효능감: 학술적 과업을 위해 AI 도구를 사용할 수 있다고 인지하는 능력 (Bandura의 이론 및 선행 기술 연구를 수정·보완).
  2. 인지적 오프로딩: 아이디어 생성, 설명, 문제 해결을 AI에 위임하는 정도 (인지적 지원/대체 이론에 기반하여 새롭게 개발된 항목).
  3. 메타인지적 조절: AI 사용 중 학습 과정을 모니터링, 평가 및 통제하는 능력 (e-Learning에서의 자기 조절 인벤토리를 수정·보완).
  • 결과 변수: 이전 GPA는 공변량으로, 학기 GPA는 원격 결과 변수로 사용되었습니다.
• 분석 전략: 데이터 분석은 Mplus를 사용하여 순차적 절차를 따랐습니다:
  1. 측정 모델: 확인적 요인 분석(CFA)을 통해 웨이브 전반에 걸친 구성 타당도와 신뢰도를 확립하였습니다.
  2. 잠재 프로파일 분석(LPA): 각 시점에서의 세 가지 구성 개념의 구성을 바탕으로 구별된 하위 집단(프로파일)을 식별하였습니다.
  3. 잠재 전이 분석(LTA): 시간이 경과함에 따라 학생들이 프로파일 간에 전이될 확률을 모델링하고, 공변량(GPA, 성별, 전공 분야)이 프로파일 멤버십 및 전이에 미치는 영향을 조사하였습니다.
  4. 결과 분석: 프로파일 멤버십/전이와 학기 GPA 간의 연관성을 평가하였습니다.

주요 결과

• 측정 타당도: 측정 모델은 우수한 적합도(CFI = 0.986, TLI = 0.983, RMSEA = 0.017)와 강력한 합성 신뢰도(0.81–0.85), 수용 가능한 판별 타당도를 보였습니다. 특히, 인지적 오프로딩은 메타인지적 조절과 강한 부적 상관관계($r = -0.596$)를 나타냈습니다.
• 잠재 프로파일: LPA는 세 번의 웨이브 모두에서 일관되게 세 가지 구별된 학습 프로파일을 식별하였습니다:
  1. 최적 프로파일(Optimal Profile): 높은 AI 자기 효능감, 높은 메타인지적 조절, 낮은 인지적 오프로딩이 특징입니다.
  2. 중간 프로파일(Moderate Profile): 세 가지 구성 개념 모두에서 중간 수준을 보이며, 과도기적 상태를 나타냅니다.
  3. 부적응 프로파일(Maladaptive Profile): 높은 인지적 오로딩과 낮은 메타인지적 조절이 특징이며, 약한 조절 통제와 함께 인지적 과정을 광범위하게 위임하는 것을 나타냅니다.
• 시간적 안정성: 잠재 전이 분석 결과, 학기 동안 상당한 프로파일 안정성이 나타났습니다. 시점 3에서의 세 가지 프로파일 솔루션은 엔트로피 0.825를 기록하여, 강력한 분류 정밀도와 학기 동안의 상대적인 학습 패턴 안정성을 입증했습니다.
• 학업 성과: 최적 프로파일은 일관되적으로 가장 높은 학기 GPA를 달축하였으며, 중간 및 부적응 프로파일보다 유의미하게 높은 성과를 보였습니다. 부적응 프로파일은 가장 낮은 성과를 기록했습니다. 이전 GPA가 최종 성과의 지배적인 예측 변수였으나, 프로파일 구성은 특히 시점 3의 최적 그룹에 대해 추가적인 설명력을 제공하였습니다($p = 0.029$).
• 탈락 패턴: 로지스틱 회귀 분석 결과, 높은 인지적 오프로딩은 탈락 확률을 높이는 반면, 높은 AI 자기 효능감과 메타인지적 조절은 탈락 위험을 낮추는 것으로 나타났습니다.

주요 기여

• 구성적 관점: 본 연구는 변수 중심 분석을 넘어, AI 환경에서의 학습 성과가 단일 변수의 고립된 효과가 아니라 자기 효능감, 오프로딩, 조절의 특정한 구성에 달려 있음을 입증함으로써 변수 중심 분석을 넘어섰습니다.
• 역동적 시스템 관점: 3차 웨이브 LTA를 활용함으로써, 본 연구는 AI 지원 학습 행동이 시간에 따라 진화(또는 안정화)하는 역동적 시스템이라는 경험적 근거를 제공하며, 학습자 적응에 대한 정적인 횡단적 관점에 도전합니다.
• 오프로딩의 "양날의 검" 특성: 연구 결과는 인지적 오로딩이 본질적으로 부정적인 것이 아니라, 메타인지적 조절과 분리될 때 부적응적이 된다는 점을 강조합니다. 높은 자기 효능감만으로는 조절 통제가 위임을 제한하기에 충분하지 않다면 성공을 보장할 수 없습니다.
• 맥락적 근거: 본 연구는 디지털 전환이 추진되고 있으나 AI 조건하에서의 학생 조절 행동에 대한 상세한 경험적 데이터가 부족한 베트남 고등 교육 맥락으로부터 엄격한 종단적 근거를 제공합니다.

의의 및 주장
저자들은 AI 지원 학습에 대한 성공적인 적응이 단순히 기술적 숙련도나 자신감(자기 효능감)의 문제가 아니라, 근본적으로 인지 과정에 대한 조절 통제를 유지하는 데 달려 있다고 주장합니다. 본 연구는 "최적"의 참여 패턴이 AI를 지원 도구로 사용하면서 동시에 그 출력을 능동적으로 모니터링하고 평가하는 것을 포함하며, 이를 통해 심층적 인지 참여의 침식을 방지한다고 상정합니다.

본 논문은 교육적 개입이 AI 리터러시와 더불어 메타인지적 조절 발달을 우선시해야 한다고 결론짓습니다. 강력한 조절 기제 없이는, 증가된 AI 사용이 인지적 지원에서 인지적 대체로 전환되어 부적응적 학습 궤적과 학업 성과 저하를 초래할 위험이 있습니다. 프로파일의 안정성은 조절 통제를 육성하기 위한 조기 개입이 중요하다는 점을 시사하는데, 이는 이러한 패턴이 학기 내내 지속되는 경향이 있기 때문입니다. 본 연구는 AI의 모든 문제를 해결한다고 주장하는 것이 아니라, 학습자 구성이 AI 매개 학습에서 효율성과 깊이 사이의 긴장을 어떻게 헤쳐 나가는지를 이해하기 위한 정교한 사람 중심(person-centered) 프레임워크를 제공합니다.