Artificial intelligence literacy and self-efficacy among nursing students: A network analysis of educational stratification

기술 요약: 간호 학생의 인공지능 리터러시 및 자기효능감: 교육적 층화에 관한 네트워크 분석

문제 제기
인공지능(AI)이 의료 및 간호 교육에 빠르게 통합되고 있음에도 불구하고, 간호 학생들의 AI 리터러시와 AI 자기효능감 사이의 구체적인 차원적 상호작용은 여전히 불분명하다. 기존 연구들은 주로 두 다차원적 개념 사이의 정적 상관관계를 입증하기 위해 구성 개념 수준의 분석(예: 총점, 회귀 분석, 구조 방정식 모델링)에 의존해 왔다. 그러나 이러한 방법은 특정 하위 차원(예: 인식, 사용, 평가, 윤리 vs. 보조, 의인화된 상호작용, 편안함, 기술적 숙련도) 간의 복잡하고 비선형적인 상호작용을 밝혀내는 데 한계가 있다. 또한, 이러한 역량들을 연결하는 네트워크 구조가 교육 수준(전문학사 vs. 학사 학위)에 따라 어떻게 달라지는지도 알려져 있지 않으며, 이는 표적화된 층화 교육 중재 개발을 제한한다.

연구 방법
본 횡단적 연구는 네트워크 분석 접근법을 사용하여 AI 리터러시와 AI 자기효능감 간의 구조적 관계를 매핑하였다.

• 참가자: 2026년 2월부터 4월 사이에 중국 쓰촨성의 5개 기관에서 모집된 776명의 간호 학생을 편의 추출하였다. 표본은 전문학사 그룹($N=344$)과 학사 학위 이상 그룹($N=432$)으로 층화되었다.
• 측정 도구:
  • AI 리터러시 척도(AILS): 인식(Awareness), 사용(Usage), 평가(Evaluation), 윤리(Ethics)의 네 가지 차원을 측정하는 12개 문항의 도구.
  • AI 자기효능감 척도(AISES): 보조(Assistance), 의인화된 상호작용(Anthropomorphic Interaction), AI에 대한 편안함(Comfort with AI), 기술적 숙련도(Technological Skills)의 네 가지 차원을 측정하는 22개 문항의 도구.
• 네트워크 추정: R의 qgraph 패키지를 사용하여 EBICglasso 방법($\gamma=0.5$)을 통해 정규화된 부분 상관 네트워크를 추정하였다. 노드는 8개의 척도 차원을 나타내며, 에지는 다른 모든 노드를 통제한 상태에서의 부분 상관관계를 나타낸다.
• 분석:
  • 중심성(Centrality): 영향력 있는 노드를 식별하기 위해 강도(Strength), 매개 중심성(Betweenness), 근접 중심성(Closeness)을 계산하였다.
  • 브리지 강도(Bridge Strength): AI 리터러시와 AI 자기효능감 커뮤니티를 연결하는 노드를 식별하기 위해 계산하였다.
  • 예측 가능성(Predictability): 이웃 노드에 의해 설명되는 각 노드의 분산 비율($R^2$)을 추정하였다.
  • 안정성(Stability): 비모수 부트스트래핑(1,000회 반복)을 통해 에지 정확도와 중심성 지수의 상관 안정성(CS) 계수를 평가하였다.
  • 그룹 비교: 전문학사와 학사 학위 하위 그룹 간의 전역 강도, 네트워크 구조 및 노드 강도 중심성을 비교하기 위해 네트워크 비교 검정(NCT)을 실시하였다.

주요 결과

• 네트워크 구조: 전체 네트워크는 8개의 노드와 20개의 비제로(non-zero) 에지로 구성되었으며, 밀도는 0.714였다. 네트워크는 적절히 상호 연결되어 있었다.
• 중심 및 브리지 노드:
  • **'보조(Assistance)' (AI 자기효능감)**가 가장 중심적인 노드(강도 = 1.170)이자 두 커뮤니티를 연결하는 주요 브리지 노드(브리지 강도 = 0.662)로 나타났다. 이 노드는 가장 높은 예측 가능성($R^2 = 0.654$)도 보였다.
  • **'사용(Usage)' (AI 리터러시)**은 두 번째로 중심적인 노드(강도 = 1.037)였다.
  • **'평가(Evaluation)' (AI 리터러시)**는 주요 이차 브리지 노드(브리지 강도 = 0.561) 역할을 하였다.
• 부적 상관관계: 세 개의 부적 에지가 확인되었다:
  • '의인화된 상호작용'과 '사용' 사이의 부적 상관관계 ($r = -0.145$).
  • '기술적 숙련도'와 '윤리' 사이의 부적 상관관계 ($r = -0.104$).
  • '의인화된 상호작용'과 '인식' 사이의 부적 상관관계 ($r = -0.090$).
• 교육적 층화:
  • 전역 강도: 하위 그룹 간의 전체 네트워크 연결성에서 유의미한 차이가 발견되지 않았다 ($P=0.758$).
  • 네트워크 구조: 네트워크 구조(에지 가중치 패턴)에서 유의미한 차이가 관찰되었다 ($M=0.287, P=0.018$).
  • 중심성 분화:
    • 전문학사 그룹: '평가'(강도 = 1.158)와 'AI에 대한 편안함'(강도 = 1.034)을 중심으로 형성되었다.
    • 학사 학위 그룹: '사용'(강도 = 1.181)과 '보조'(강도 = 1.172)를 중심으로 형성되었다.
  • 브리지 강도: 모든 차원에서 하위 그룹 간의 브리지 강도에 대한 유의미한 차이는 발견되지 않았다.
• 안정성: 네트워크는 높은 안정성을 보였으며, 강도 중심성(0.594)과 브리지 강도(0. 75)에 대한 CS 계수는 권장 임계값인 0.50을 초과하였다.

의의 및 주장
저자들은 본 연구가 네트워크 분석을 사용하여 AI 리터러시와 AI 자기효능감 사이의 차원 수준 연관성을 체계적으로 조사한 첫 번째 연구라고 주장한다. 연구 결과는 다음과 같다:

1. '보조'는 핵심 동력이다: AI의 지각된 유용성은 리터러시와 자기효능감을 모두 이끄는 중심 허브이며, 두 구성 개념 간의 상호작용을 위한 결정적인 심리적 경로 역할을 한다.
2. 교육 수준이 조직화를 조절한다: 역량의 전반적인 상호 연결성은 교육 수준에 관계없이 유사하지만, 구체적인 구조적 조직은 다르다. 전문학사 학생들은 '평가'와 '편안함'에 더 많이 의존하는 반면, 학사 학위 학생들은 '사용'과 '보조'에 의해 주도된다.
3. 중재에 대한 시사점: 결과는 차별화된 교육 전략의 필요성을 뒷받침한다. 중재는 AI의 보조적 가치에 대한 인식을 높이는 것을 우선시해야 하며, 교육적 배경에 따라 맞춤형 접근을 취해야 한다. 즉, 전문학사 학생들에게는 비판적 평가와 정서적 편안함에 집중하고, 학사 학위 학생들에게는 실질적인 운영 기술과 심화된 기술적 이해를 강화하는 데 초점을 맞춰야 한다.
4. 주의할 점: 확인된 부적 상관관계(예: 의인화된 상호작용과 사용 사이의 관계)는 지나치게 인간화된 AI 인터페이스가 초보 학습자의 운영 기술 습득을 저해할 수 있음을 시사하며, 기술 교육이 윤리 교육을 희생시키며 이루어져서는 안 된다는 것을 보여준다.

본 논문은 이러한 미세한 네트워크 통찰력이 스마트 헬스케어 환경에서 간호 학생들의 핵심 역량을 시너지 있게 향상시키기 위한 정밀하고 층화된 교육 중재를 개발하는 데 이론적 근거를 제공한다고 결론짓는다.