Generative Artificial Intelligence in Laboratory-Based Health Sciences Education: A Scoping Review of an Emerging Evidence Base

기술 요약: 실험실 기반 보건 과학 교육에서의 생성형 인공지능

문제 제기
생성형 인공지능(AI)은 보건 전문직 교육 분야에 빠르게 침투했으나, 실험실 기반 학문—의료 검사 과학, 임상 검사 과학, 생물 의학, 분자 진단 등— 내에서의 구체적인 적용 방식은 아직 정립되지 않았다. 이러한 누락은 매우 치명적인데, 이들 학문은 실무 역량, 기기 해석, 그리고 대규모 언어 모델(LLM)이 확신을 가지고 사실적 오류를 범하기 쉬운 기술적 데이터 처리에 크게 의존하는 독특한 교육적 요구사항을 갖추고 있기 때문이다. 또한, 실험실 교육은 전통적인 서술형 보고서 형식이 AI 완성에 취약하다는 점에서 독특한 평가 타당성 문제를 직면하고 있다. 간호, 의학, 약학에서의 AI 활용에 대한 기존 리뷰들은 존재하지만, 실험실 기반 보건 과학은 광범위한 연관 보건 카테고리의 부수적인 요소로만 다루어져 왔으며, 이는 생성형 AI가 진단 전문가에게 요구되는 특정 기술 및 실무 교육과 어떻게 교차하는지에 대한 이해의 공백을 남겼다.

연구 방법론
본 연구는 특정 중재의 효능을 추정하기보다는 나타나고 있는 증거 기반의 범위와 성격, 그리고 범위를 매핑하기 위해 설계된 범위 검토(scoping review)이다. 조안나 브릭스 연구소(Joanna Briggs Institute) 방법론과 범위 검토를 위한 PRISMA 확장 지침(PRISMA-ScR)을 준수하며, 본 리뷰는 아크시와 오말리(Arksey and O'Malley) 프레임워크를 따랐다.

• 검색 전략: 2026년 7월 5일, PubMed/MEDLINE, Scopus, ERIC의 세 가지 데이터베이스를 검색하여 2022년 1월부터 현재까지의 영어 출판물을 대상으로 하였다.
• 선정 기준: 대상(Population), 개념(Concept), 맥락(Context)을 정의하는 PCC 프레임워크를 사용하여, 생성형 AI(예: ChatGPT, Gemini, Claude)를 교수, 학습 또는 평가에 사용하는 실험실 기반 보건 과학(분자 진단 포함)의 학습자와 교육자를 대상으로 하는 연구를 선정하였다. 비생성형 AI(예: 이미지 분류 CNN)에 집중하거나, 교육적 요소가 결여되었거나, 실험실 중심이 아닌 순수 임상 중심인 연구는 제외하였다.
• 데이터 합성: 총 9개의 적격 연구가 식별되었다. 데이터는 차트화되었으며 이점, 과제 및 윤리적 고려사항에 대해 주제별 분석이 수행되었다. 교육적 적용 사례는 로릴라드(Laurillard)의 대화형 프레임워크(Conversational Framework)에 따라 사후적으로 매핑되어 학습 유형(습득, 탐구, 토론, 협업, 생산, 실습)을 분류하였다. 범위 검토 설계의 특성에 따라 공식적인 비판적 평가는 수행되지 않았다.

주요 기여 및 결과
본 리뷰는 2024년에서 2026년 사이에 발표된 단 9개의 연구만을 식별하였으며, 이는 근거 기반이 초기 단계이며 불균형하게 분포되어 있음을 보여준다.

• 학문적 분포: 문헌은 병리학 및 생물 의학에 크게 편중되어 있다(9개 중 8개 연구). 대부분의 진단 결과물을 창출하는 인력을 양성하는 의료 검사 과학은 단 하나의 연구에 의해서만 대표되었다. 분자 진단은 두 개의 연구에서 주변적으로만 등장했을 뿐, 결코 주요 초점이 되지 못했다.
• 교육적 적용: 적용 사례는 교육자 워크플로우 지원(강의 초안 작성, 커리큘럼 설계)과 학습자 활동의 두 가지 범주로 나뉘었다. 로릴라드의 프레임워크에 매핑했을 때, 가장 흔한 학습 유형은 습득(정보 수용)과 탐구(AI 출력물에 대한 질문)였다. 주목할 점은, 실험실 업무의 본질적인 협업적 특성에도 불구하고 생성형 AI를 토론이나 협업을 지원하는 데 활용한 연구는 없었다는 것이다.
• 보고된 이점: 가장 자주 인용된 이점은 효율성이었으며, 특히 교육 콘텐츠, 사례, 평가 항목의 초안 작성(6개 연구)에서 나타났다. 다른 이점으로는 아이디어 생성, 비판적 검토 능력 발달 지원, 학습자 참여도 증진 등이 있었다.
• 보고된 과제: 과제는 이점보다 더 일관되게 보고되었다. **사실적 부정확성과 환각(hallucination)**이 가장 흔한 주제였으며(9개 중 8개 연구), 여기에는 허구의 참고 문헌, 오래된 정보, 잘못된 참조 범위가 포함되었다. 다른 중요한 과제로는 내용의 깊이 부족, 사용 전 검증에 필요한 부담, 그리고 모델이 임상적 맥락이나 실험실 이미지를 올바르게 해석하지 못하는 도메인 특화적 약점 등이 있었다.
• 윤리적 고려사항: 전문가의 감독이 안전한 사용을 위한 필수 전제 조건으로 식별되었다(7개 연구). 다른 우려 사항으로는 학술적 정직성, 투명성, 편향성, 유료 도구에 대한 접근의 형평성 등이 포함되었다.
• 부상하는 교육적 패턴: 영국, 브라질, 미국에서 온 세 개의 독립적인 연구는 특정 교수 설계에 수렴하였다: 학습자에게 AI가 생성한 오류를 조사하고 수정하도록 요구하는 것이다. 이 연구들에서 학생들은 AI가 작성한 에세이를 평가하거나, 손상된 텍스트를 수정하거나, AI가 작성한 임상 사례의 오류를 식별하였다. 이 접근법은 AI의 환각 현상을 단순히 완화해야 할 위험 요소가 아니라, 비판적 학습의 대상으로 취급한다.

의의 및 주장
본 논문은 현재의 근거 기반이 너무 작고 주로 기술적(descriptive)이어서 생성형 AI의 교육적 영향에 대해 확정적인 결론을 내리기 어렵다고 주장한다. 본 리뷰는 이 분야가 위험 요소(특히 환각 현상과 전문가 검증의 필요성)를 목록화하는 데는 성공했으나, 기술이 학습 결과 측면에서 무엇을 안정적으로 개선하는지는 아직 확립하지 못했음을 강조한다.

저자는 실험실 교육이 일반적인 연관 보건 카테고리에 포함되기보다 별도의 조사를 받을 가치가 있다고 주장한다. 이는 기술적 성격 때문에 일반적인 의료 리뷰가 포착하지 못할 수 있는 특정 유형의 AI 오류(예: 잘못된 참조 범위)에 독특하게 취약하기 때문이다.

가장 중요한 실질적 발견은 "오류 수정" 설계의 독립적인 출현이다. 본 논문은 그럴듯하지만 틀린 결과를 인식하는 것이 핵심 역량인 학문 분야에서, 학생들에게 AI 출력을 불신하고 검증하도록 가르치는 것이 AI를 직접적인 지식원으로 통합하려고 시도하는 것보다 더 즉각적이고 건전한 교육 전략이 될 수 있다고 상정한다. 그러나 저자는 이러한 접근법의 효과가 아직 검증되지 않았음을 강조하는데, 이는 학습 결과를 대안과 비교 측정하는 비교 연구를 찾지 못했기 때문이다. 리뷰는 향-후 연구가 생성형 AI를 실험실 기반 보건 과학에 통합하는 것을 적절히 평가하기 위해 비교 연구와 역량 체계(예: 신뢰할 수 있는 전문직 활동, EPAs) 개발을 우선시해야 한다고 결론짓는다.