A Systematic Review and Taxonomy of GenAI Usage in Programming Education: A Self-Regulation Perspective

기술 요약: 프로그래밍 교육에서의 생성형 AI 활용에 관한 체계적 문헌 고찰 및 분류 체계: 자기 조절 관점

문제 제기
생성형 인공지능(GenAI), 특히 거대 언어 모델(LLM)의 급격한 통합은 프로그래밍 교육 분야에서 경험적 연구의 양적 팽창을 불러일으켰다. 그러나 이러한 도구들이 학생의 자기 조절 학습(SRL)을 지원하는지 혹은 저해하는지에 대한 구체적인 조건은 여전히 충분히 이해되지 않고 있다. GenAI는 콘텐츠 생성과 피드백 제공 측면에서 잠재력을 제공하지만, 가이드가 없는 사용은 수동적 소비, 인지적 의존, 그리고 학생들이 기저의 개념을 이해하지 못한 채 정답만을 생성하게 되는 '역량의 착각(illusion of competence)'을 초래할 위험이 있다. 기존의 리뷰들은 GenAI의 이점과 위험에 대한 집약된 관점을 제시하는 경우가 많으나, 특정 형태의 교수학적 매개(pedagogical mediation)가 어떻게 학생의 자율성, 참여도, 동기를 형성하는지를 체계적으로 조사하지는 못하고 있다. 본 리뷰는 자기 조절의 관점에서 GenAI 접근 방식이 프로그래밍 교육의 학습 과정에 어떻게 영향을 미치는지 조사함으로써 이러한 공백을 메우고자 한다.

연구 방법론
본 연구는 체계적 문헌 고찰(SLR)을 위한 PRISMA 2020 가이드라인을 준수한다.

• 데이터 소스: 2025년 11월에 IEEE Xplore, Scopus, ACM Digital Library에서 검색을 수행하였으며, 2025년 10월까지의 출간물을 대상으로 하였다. 검색을 보완하기 위해 Connected Papers 플랫폼을 통한 스노볼링(snowballing) 절차를 사용하였다.
• 검색 전략: 쿼리는 다섯 가지 영역(GenAI(예: LLM, ChatGPT), 교육, 자기 조 l(예: 자율성, 참여), 프로그래밍 교육, 교육 수준(중등에서 고등 교육))을 결합하였다.
• 선정 기준: 공식적인 프로그래밍 교육에 참여하는 학생을 대상으로 하고, GenAI 도구/접근 방식을 분석하며, 특히 SRL의 발현(자율성, 참여, 동기)에 초점을 맞추어 학습 과정에 미치는 영향을 다룬 연구를 포함하였다.
• 최종 코퍼스: 데이터베이스 검색을 통해 식별된 70개의 고유 연구 중, 전문 검토를 거쳐 22개를 제외하고 48개를 최종 선정하였다. 스노볼링을 통해 추가로 식별된 10개의 연구를 통합하여, 최종적으로 총 58개의 경험적 연구를 분석 대상으로 확정하였다.
• 분석: 연구 설계, 대상, GenAI 도구, 교수 전략, 결과 등을 포함하는 코드북으로 데이터를 추출하였다. 용어를 정규화하고 범주 레이블을 표준화하기 위해 Python 스크립트(pandas 라이库리)를 사용하였다.

주요 기여
본 논문은 세 가지 주요 기여를 한다:

1. 체계적 매핑: 출판 연도, 지리적 위치, 방법론적 접근 방식에 따라 정리된, Gen가 프로그래밍 교육에 관한 58개 경험적 연구에 대한 포괄적인 매핑을 제공한다.
2. 4차원 분류 체계: 문헌을 조직하고 향후 교수적 개입을 안내하기 위한 분류 체계를 제안한다. 이 분류 체계는 네 가지 차원으로 구성된다:
   • 대상 실라버스(Target Syllabus): 지원되는 학습 과업 (예: 코드 생성, 디버깅, 알고리즘 개념, 코드 품질, 문제 명세, 일반적 지원).
   • 매개 전략(Mediation Strategy): GenAI가 교수학적으로 구조화되는 방식 (예: 유도된 사용, 통합된 사용, 자유로운 사용, 스캐폴딩 설계, 자기 주도적 사용, 협력적 통합, 서면 가이드라인).
   • 인지적 영향(Cognitive Impact): 관찰된 결과 (예: 동기/참여, 인지적 성과, 의존 위험, 지식 습득, 정서적 조절, 자기 조절, 메타인지, 컴퓨팅 사고력).
   • 기술적 접근(Technical Approach): 도구의 구조적 특성 (예: 챗봇, 적응형 플랫폼, 코드 코파일럿, 피드백 에이전트, 지능형 튜터, 대화형 에이전트, 특화된 LLM).
3. 한계점 및 연구 방향 식별: 반복되는 방법론적 격차를 기술하고 향-후 연구를 위한 우선순위 방향을 제시한다.

결과
본 리뷰는 GenAI가 학생의 자기 조절에 미치는 효과가 기술 그 자체가 아니라, 사용되는 교수학적 조건에 의해 결정되는 이질적인 양상을 보임을 밝혀냈다.

• 이점과 위험: 학생들은 GenAI를 불안과 좌절을 줄여주는 '안전한 공간'으로 인식하며, 이는 동기와 끈기를 높인다. 그러나 과잉 확신, 환각 현상(hallucinations), 그리고 표면적인 상호작용으로 흐르는 경향성이 위험 요소로 지목된다. 즉, 학생들은 높은 효용성과 이해도를 보고하면서도 동시에 인지적 노력을 줄이고 '역량의 착각'을 보이는 역설(paradox)이 존재한다.
• 매개의 역할:
  • 비구조화된 맥락: '자유로운 사용(Free Use)' 맥락은 종종 표면적인 조절, 인지적 의존, 그리고 AI 출력물에 대한 무비판적 수용으로 이어진다.
  • 구조화된 맥락: '유도된 사용(Guided Use)', '스캐폴딩 설계(Scaffolded Design)', 그리고 '통합된 사용(Integrated Use)'(AI가 가드레일과 함께 교육 생태계에 내재된 경우)은 성능 향상, 깊은 참여, 더 나은 자기 조절을 포함한 유리한 결과와 일관되게 연관되어 있다.
  • 도구 구조: 범용 챗봇이 가장 흔한 기술적 접근 방식이지만 교수학적 구조가 부족한 경우가 많다. 지능형 튜터, 피드백 에이전트(직접적인 해답 대신 힌트를 제공하는 방식), 적응형 플랫폼과 같은 특화된 접근 방식은 메타인지와 컴퓨팅 사고력에 더 일관된 긍정적 영향을 미치지만, 표본 크기는 더 작다.
• 학생 프로필: GenAI의 영향은 학습자 프로필에 따라 다르다. 더 자기 주도적이고 경험이 많은 학생들은 AI를 성찰적이고 비판적으로 사용하는 경향이 있는 반면, 초보자나 자기 효능감이 낮은 학생들은 과도한 의존과 수동적 소비에 더 취약하다.

의의 및 주장
본 논문은 프로그래ミング 교육의 핵심 과제는 GenAI의 사용 여부가 아니라, 어떤 조건 하에서 그것이 자율적 학습자 발달을 지원하느냐에 있다고 결론짓는다. 저자들의 주장은 다음과 같다:

• 교수학적 매개가 결정적이다: GenAI의 효능은 그것이 내재된 교수학적 구조의 함수이다. 인지적 의존과 같은 위험을 완화하기 위해서는 구조화된 매개 전략(유도, 스캐폴딩, 통합)이 필수적이다.
• 계획 도구로서의 분류 체계: 제안된 분류 체계는 현재 분야를 기술하는 지도일 뿐만 아니라, 연구자와 교육자가 이질적인 결과를 해석할 때 교수학적 조건을 명시적으로 드러낼 수 있게 함으로써, 향후 개입을 계획하고 평가하기 위한 분석적 프레임워크 역할을 한다.
• 연구 격차: 현재 이 분야는 소규모 표본 및 단기 연구의 편중, 자기 보고 데이터에 대한 의존, 그리고 종단적 연구의 부족이라는 문제를 겪고 있다. 향-후 연구는 학습자 프로필별 차별화된 분석, SRL 및 메타인지를 위한 객관적 지표 개발, 그리고 다양한 학생 집단 간의 형평성 및 윤리적 차원에 대한 조사를 우선시해야 한다.

궁극적으로 본 리뷰는 GenAI와 교수학적 매개가 상호 보완적인 요소라고 상정한다. 의도적인 교수학적 오케스트레이션(pedagogical orchestration)과 결합될 때, GenAI는 프로그래밍 교육에서 학생의 자율성, 참여, 그리고 자기 조절에 지속적으로 기여할 수 있다.