Measuring University Students' Ethical Judgments of Generative AI Use: Development and Initial Validation of Four Instruments for Academic Integrity Research
본 연구는 생성형 AI에 대한 대학생들의 윤리적 판단을 측정하기 위한 네 가지 새로운 도구를 개발 및 타당화하였으며, 인지된 기관의 청렴성이 이러한 판단의 가장 강력한 예측 변수라는 점과 학생들이 과제에서의 무단 AI 사용과 시험에서의 무단 AI 사용을 명확하게 구분한다는 점을 밝혀냈다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대적인 교실에 새로운 종류의 도구가 도착했다. 이 도구는 놀라운 속도로 에세이를 쓰고, 문제를 풀며, 아이디어를 생성할 수 있다. 생성형 인공지능으로 알려진 이 기술은 학습의 지형을 바꾸어 놓았지만, 동시에 무엇이 정직한 작업인지에 대한 경계를 모호하게 만들었다. 수십 년 동안 교육자들은 학생이 학문적 기준을 위반하기로 결정하는 것이 그들 자신의 인격과 학교의 규칙에 의해 형성된다는 개념에 의존해 왔다. 우리는 대학이 정책을 명확히 하고 이를 일관되게 집행할 때 학생들이 규칙을 어길 가능성이 낮아진다는 것을 알고 있다. 또한 학생의 학습에 대한 개인적인 동기와 자신의 능력에 대한 자신감이 그들의 행동 방식에 역할을 한다는 것도 알고 있다. 그러나 지금까지 연구자들은 학생들이 이러한 새로운 회색 지대의 행동들을 실제로 어떻게 판단하는지 측정할 수 있는 신뢰할 만한 방법을 갖추지 못했다. 학생들의 사고방식에 대한 명확한 지도가 없다면, 왜 어떤 학생들은 챗봇을 사용하여 문장을 수정하는 것을 허용 가능한 것으로 보는 반면, 다른 학생들은 이를 심각한 위반으로 간주하는지 이해하기 어렵다.
캔자스 대학교와 텍사스 대학교 샌안토니오 캠퍼스의 연구팀은 그 지도를 만들기 위해 나섰다. 그들은 미래의 학문적 정직성을 이해하기 위해서는 먼저 이를 측정할 더 나은 도구가 필요하다는 점을 인식했다. 다른 시대에 설계된 오래된 설문 조사에 의존하는 대신, 그들은 학생들의 생각을 묻기 위한 네 가지 새로운 방식을 개발하고 테스트했다. 그들은 학생들이 인공지능 사용의 심각성을 어떻게 평가하는지, 학교의 규칙과 집행을 어떻게 인식하는지, 학업을 위해 이러한 도구를 사용하는 데 얼마나 자신감을 느끼는지, 그리고 근본적으로 무엇이 그들을 학습하게 만드는지를 알고 싶었다. 149명의 학생으로부터 데이터를 수집함으로써, 연구진은 이 새로운 질문들이 실제로 작동하는지, 그리고 학생의 정신에 대해 무엇을 드러내는지 확인할 수 있었다.
연구진은 학생들에게 특정 시나리오를 평가하도록 요청하는 설문지를 만드는 것으로 시작했다. 그들은 사람들이 학문적 기준 위반을 측정하기 위해 수십 년 동안 사용해 온 고전적인 방법인 '사람들에게 자신이 생각하는 행동의 심각성을 말하게 하는 것'을 가져와 인공지능 시대에 맞게 업데이트했다. 그들은 컴퓨터가 작성한 전체 논문을 제출하는 것과 같은 명백한 위반 사례뿐만 아니라, 아이디어를 구상하는 데 도움을 받거나 출처 없이 문장을 재구성하는 것과 같은 더 모호한 상황들도 포함했다. 또한 그들은 학생들의 기관 정직성 기후(institutional integrity climate)를 측정하기 위한 새로운 질문들을 구축했다. 이 개념은 학교가 명확한 규칙을 가지고 있는지, 교수진이 그 규칙을 잘 전달하는지, 그리고 학교가 실제로 규칙을 집행하는지에 대한 학생의 인식을 의미한다. 마지막으로, 그들은 이러한 도구를 학술적 과업에 사용하는 것에 대한 학생의 자신감과 학교에 다니는 근본적인 동기를 측정하기 위한 질문들을 추가했다.
연구진이 답변을 분석했을 때, 그들의 새로운 도구들은 의도한 대로 정확히 작동했다. 윤리적 판단, 기관의 정직성, 자신감, 그리고 동기에 관한 질문들은 각각 학생 경험의 별개 부분을 측정했다. 그것들은 단순히 같은 것을 묻는 서로 다른 방식이 아니라, 학생들이 생각하는 방식의 독특한 측면들을 포착했다. 데이터는 학생들이 미세한 차이를 구분할 수 있음을 보여주었다. 그들은 인공지능의 모든 사용을 동일하게 취급하지 않았다. 예를 들어, 학생들은 시험 중에 도움을 받기 위해 도구를 사용하는 것은 매우 심각한 위반으로 평가했지만, 일반적인 과제를 수행하는 데 동일한 도구를 사용하는 것은 현저히 덜 심각한 것으로 평가했다. 이는 학생들이 단순히 규칙을 무시하는 것이 아니라, 상황의 맥락을 능동적으로 따져보고 있음을 시사한다.
그러나 가장 강력한 발견은 학교 자체의 역할에 관한 것이었다. 연구진은 학생의 옳고 그름에 대한 판단이 그들이 인식하는 기관의 정직성과 가장 강력하게 연결되어 있다는 것을 발견했다. 학생들이 자신의 대학교가 명확한 가이드라인을 가지고 있고, 교수진이 그 가이드라인을 일관되게 전달하며, 학교가 규칙을 공정하게 집행한다고 느낄 때, 학생들은 인공지능 사용을 더 엄격하게 보는 경향이 있었다. 즉, 학교가 만들어낸 환경이 기술을 사용하는 데 대한 학생의 개인적인 자신감이나 일반적인 학습 동기보다 더 중요했다. 학생의 인공지능 사용 자신감과 학습에 대한 개인적 동기도 흥lar로운 요소였지만, 학교의 기후를 고려했을 때 이들은 설명력을 크게 더하지 못했다.
이 연구는 다른 과학자들이 이 급변하는 분야를 연구할 수 있도록 검증된 도구 세트를 제공함으로써 향후 연구를 위한 견고한 토대를 제공한다. 이는 대학이 나아가야 할 길이 단순히 특정 기술을 금지하거나 허용하는 것이 아니라, 메시지의 명확성과 일관성에 집중하는 것임을 시사한다. 만약 학교가 학생들이 윤리적인 선택을 하기를 원한다면, 연구에 따르면 가장 효과적인 접근법은 기대치를 명확히 하고, 소통을 일관되게 하며, 집행을 신뢰할 수 있게 만드는 것이다. 학생들은 이러한 신호들을 지켜보고 있으며, 그들의 판단은 그들이 보는 것에 의해 형성된다. 이러한 역학 관계를 이해함으로써, 교육자들은 단순한 탐지를 넘어 이러한 강력한 도구들을 책임감 있게 사용하는 방법에 대한 더 미묘한 대화로 나아갈 수 있다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.