Gurukul 2.0: A Capability-Based Model Integrating Indigenous Mentoring, AI, and Character Formation for Graduate Competence

기술 요약: 구루쿨 2.0(Gurukul 2.0): 토착적 멘토링, AI, 인성 형성을 통합한 역량 기반 모델을 통한 대학 졸업생의 역량 강화

문제 제상
신흥 경제국의 고등 교육 기관(HEIs)은 "실체 없는 규모의 역설"에 직면해 있다. 즉, 졸업생 등록 수는 확대되고 있으나, 정작 많은 졸업생들이 전문적인 실무를 수행하기에는 역량이 부족한 상태이다. 고용주들은 점차 심화된 전공 지식과 더불어 폭넓은 학제 간, 의사소통 및 적응형 기술을 결합한 "T자형 전문가"를 요구하고 있다. 인공지능(AI)은 개인화된 학습의 기회를 제공하지만, 학자들은 인간의 교육적 지원 없이는 기술만으로 의미 있는 학습을 보장할 수 없다고 경고한다. 반대로, 인도의 구루-시샤(Guru–Shishya) 전통과 같은 전통적인 토착 멘토링 모델은 총체적 발달을 제공하지만, 현대적인 기술적 개인화와 통합되는 데 한계가 있는 경우가 많다. 인간의 멘토링, AI 기반 개인화, 그리고 인성 형성이 어떻게 상호작작용하여 졸업생의 역량을 개발하는지에 대한 이론적 공백이 존재한다.

연구 방법론
본 연구는 구루쿨 2.0 모델을 개발하고 검증하기 위해 실증적, 연역적, 횡단적 설문 설계(positivist, deductive, cross-sectional survey design)를 채택하였다.

• 표본: 데이터는 인도 내 고등 교육 기관의 공학, 경영, 과학, 상업 및 예술 전공 학부 및 대학원생 378명을 대상으로 수집되었다. 모든 참가자는 선별 기준(현재 재학 중, 교수 멘토와의 사전 상호작용 경험, AI 기반 학습 도구 사용 경험)을 충족하였다.
• 도구: 6개 구성 개념에 걸친 43개 문항으로 구성된 구조화된 설문지를 사용하였다. 두 개의 새로운 척도가 엄격한 과정(문항 생성, 전문가 타당도 검증, 예비 조사, 탐색적 요인 분석(EFA), 확인적 요인 분석(CFA))을 통해 개발 및 검증되었다: 구루-시샤 멘토링 품질(GSMQ) 및 인성 형성(삼스카라 중심 학습, Samskara-Oriented Learning). 기존 척도들은 AI 증강 개인화 학습(AAPL), 학습 역량 개발(LCD), 학생 학습 준비도(SLR), *T자형 전문가 역량(TPC)*을 위해 수정 및 적용되었다.
• 분석: 본 연구는 AMOS를 이용한 2단계 공분산 기반 구조 방정식 모델링(CB-SEM) 접근법을 활용하였다.
  1. 측정 모델: 신뢰도(합성 신뢰도), 수렴 타당도(AVE), 판별 타당도(Fornell–Larcker 및 HTMT)를 평가하기 위해 EFA 및 CFA를 통해 검증되었다.
  2. 구조 모델: 직접 효과, 완전 매개 효과(2,000회 재표본 추출을 통한 부트스트래핑 사용), 그리고 조절 효과(상호작용 항)를 테스트하였다.
• 이론적 프레임워크: 본 모델은 역량 접근법(Capability Approach), 자기 결정 이론(Self-Determination Theory), 경험 학습 이론(Experiential Learning Theory), 그리고 구루-시샤 전통을 통합한다.

주요 결과
구조 모델은 만족스러운 적합도 지수(CFI = .944, TLI = .940, RMSEa = .040)를 나타냈으며, 모든 가설 관계를 지지하였다:

1. 직접 효과:
   • GSMQ는 LCD에 가장 강력한 정(+)의 영향력을 미쳤다 ($\beta$ = .439, $p < .001$).
   • AAPL은 LCD에 유의미한 영향을 미쳤다 ($\beta$ = .302, $p < .001$).
   • 인성 형성은 LCD에 정(+)의 영향을 미쳤다 ($\beta$ = .142, $p < .001$).
   • LCD는 T자형 전문가 역량을 강력하게 예측하였다 ($\beta$ = .611, $p < .001$).
2. 매개 효과: 학습 역량 개발은 세 가지 선행 요인(GSMQ, AAPL, 인성 형성)과 T자형 전문가 역량 사이의 관계를 완전히 매개하였다. LCD가 포함되었을 때 선행 요인들의 TPC에 대한 직접 효과는 유의미하지 않게 되었는데, 이는 자원(멘토링, AI, 가치관)이 학습 역량의 내면화를 통해서만 전문적 역량으로 전환됨을 의미한다.
3. 조절 효과: 학생 학습 준비도는 LCD와 TPC 사이의 관계를 유의미하게 조절하였다 ($\beta$ = .143, $p < .001$). 학습 역량과 전문적 역량 사이의 정(+)의 관계는 학습 준비도(동기, 인지적 준비성, 끈기)가 높은 학생들에게서 더 강하게 나타났다.

주요 기여

• 이론적 통합: 본 연구는 고등 교육 내에서 역량 접근법을 구체화하며, 교육 자원이 지속적인 학습 역량으로 전환될 때 비로소 고용 가능성을 창출한다는 것을 입증한다. 또한, 토착적 교육 전통(구루-시샤)과 현대의 AI 기반 개인화를 연결함으로써, 이들이 경쟁 관계가 아닌 상호 보완적 관계임을 보여준다.
• 척도 개발: 본 논문은 현대적 맥념에서 구루-시샤 멘토링 품질과 *인성 형성(삼스카라 중심 학습)*을 위한 최초의 심리 측정 도구를 도입하고 검증하였다.
• 메커니즘 식별: 멘토링, AI 지원, 인성 구축이 어떻게 가시적인 전문적 역량으로 변환되는지에 대한 핵심 매개 기제로 학습 역량 개발을 식별하였다.

의의 및 주장
저자들은 구루쿨 2.0 모델이 학업 성취와 전문적 역량 사이의 지속적인 격차를 해결하기 위한 검증된 프레임워크를 제공한다고 주장한다. 본 연구는 다음과 같이 상정한다:

• 총체적 통합: 대학은 AI에만 의존하거나 전통적 멘토링에만 의존해서는 안 된다. 오히려 AI는 인간의 멘토링을 보완하여 개인화된 지원을 제공하는 동시에, 인간 멘토는 신뢰, 윤리, 자율성을 배양해야 한다.
• 자격증보다 역량: 고등 교육의 초점은 자격증 축적에서 변화하는 전문적 요구에 적응할 수 있는 학습 역량의 개발로 전환되어야 한다.
• 정책 부합: 본 연구 결과는 인도 지식 체계(IKS)와 가치 기반 학습에 뿌리를 둔 총체적 교육을 옹호하는 인도의 국가 교육 정책(NEP) 2020의 이행을 뒷받침한다.
• 실무적 지침: 본 모델은 성찰적 실천, 학제 간 프로젝트, AI 기반 피드백을 통합하는 커리큘럼 설계의 기초를 제공하며, 동시에 학생의 학습 준비도를 평가하고 강화할 필요성을 강조한다.

한계점
저자들은 횡단적 설계가 인과적 추론을 제한한다는 점, 자기 보고식 데이터 사용에 따른 편향 가능성, 그리고 인도 외의 타 문화권에서의 교차 문화적 검증이 필요하다는 점을 인정한다. 또한, 생성형 AI의 급격한 진화는 본 모델을 새로운 AI 시스템에 대해 테스트하는 후속 연구의 필요성을 시사한다.