기술 요약: 생성형 AI 지원 말하기 연습에서의 일률적 접근을 넘어

1. 문제 제기

생성형 인공지능(Generative AI)이 영어 외국어(EFL) 말하기 연습을 위한 저위협적이고 개인화된 환경을 구축했음에도 불구하고, 기존 문헌은 주로 집단 수준의 경향이나 매개 효과를 보고하기 위해 양적 접근 방식에 의존하고 있다. 이러한 연구들은 정서적, 인지적, 행동적 참여를 별개의 변수로 취급하거나 이들이 동기적으로 발달한다고 가정하는 경우가 많다. 결과적으로, 학습자들이 이러한 차원들을 어떻게 주관적으로 구성하는지에 대한 이해에는 상당한 공백이 존재한다. 특히, 서로 다른 학습자들의 정서적 경험이 그들의 인지적 평가와 행동적 참여를 어떻게 형성하는지, 그리고 학습자 경험의 이질성을 고려할 때 AI 지원 교수법에 대한 "일률적인(one-size-fits-all)" 접근 방식이 충분한지는 여전히 불분명하다.

2. 연구 방법론

본 연구는 개인의 주관성을 조사하고 집단 내 공유된 관점을 식별하기 위해 설계된 개인 중심적 접근 방식인 **Q 방법론(Q methodology)**을 채택하였다.

• 참가자: 중국 북부 본토의 한 이공계 대학에 재학 중인 1학년 학생 27명 (남성 22명, 여성 5명; 평균 연령 19.04세). 모든 참가자는 말하기 연습을 위해 AI 도구(예: Doubao, Chaoxing Learning Platform, Liulishuo English)를 사용한 경험이 최소 한 학기 이상 있었다.
• 도구 개발 (Q-set): 세 가지 출처로부터 47개의 대표 진술문으로 구성된 Q-set을 구축하였다: (1) AI 지원 학습에서의 학습자 참여 및 정서적 경험에 관한 문헌 검토, (2) 참가자들의 실제 경험에 관한 개방형 응답, (3) 중국 내 인기 있는 AI 말하기 플랫폼의 사용자 의견. 모호성을 피하기 위해 진술문들은 단일 차원(정서적, 인지적 또는 행동적)에 집중하도록 정제되었다.
• 데이터 수집:
  • Q-sorting: 참가자들은 47개의 진술문을 "매우 반대함"(-5)에서 "매우 찬성함"(+5)까지의 강제 배분 격자에 배치하였다.
  • 사후 인터뷰: 추론된 이유를 탐색하기 위해 높은 요인 적재치를 보이는 10명의 참가자를 대상으로 반구조화된 인터뷰를 실시하였다.
• 데이터 분석: Q-sort 데이터는 KADE (Version 1.3.1)를 사용하여 주성분 분석(PCA) 및 변량 최대화 회전(Varimax rotation)을 통해 분석되었다. 요인은 고윳값(eigenvalue) > 1.00 및 요인 적재치(factor loading) ≥ 0.38을 기준으로 추출되었다.

3. 주요 결과: 네 가지 학습자 참여 프로필

요인 분석 결과, 정서적, 인지적, 행동적 참여의 독특한 구성을 특징으로 하는 네 가지 뚜렷한 학습자 참여 프로피이 식별되었다:

1. 편안한 조절자 (Relaxed Regulators - 요인 1):

   • 정서: 높은 편안함과 안전감; 평가나 실수에 대한 낮은 불안감.
   • 행동: 개인적 필요에 맞춘 역동적인 상호작용 스타일 조정 (예: AI에게 언어를 단순화해 달라고 요청).
   • 인지: 두드러진 특징적인 인지적 참여 없음; 처리가 피상적이거나 깊은 성찰보다는 연습 자체에 집중된 것으로 보임.
   • 프로필: 안전함과 통제감을 느끼지만, 깊은 인지적 참여는 이루어지지 않을 수 있는 학습자.

2. 분리된 회의론자 (Detached Doubters - 요인 2):

   • 정서: 분리되어 있으며 낮은 정서적 참여; AI 피드백의 "인간적" 품질에 대한 회의론.
   • 인지: 비판적이고 회의적인 태도; AI 피드백의 정확성과 실제 숙련도를 평가할 수 있는 능력에 의문을 제기함.
   • 행동: 수동적 사용 또는 제한된 참여 (예: 교사가 지시할 때만 AI를 사용).
   • 프로필: 도구에 대한 신뢰가 부족하여 참여도가 낮아지는 학습자.

3. 불안한 개선가 (Anxious Improvers - 요인 3):

   • 정서: 점수와 피드백에 대한 높은 민감도; 불안과 정서적 변동 경험.
   • 인지: AI의 가치를 명확히 인식하지만, 특정 약점에 과도하게 집중함.
   • 행동: 식별된 약점에 대한 목표 지향적이고 반복적인 연습; 다른 AI 기능이나 기능을 탐색하는 것을 꺼림.
   • 프로필: 실패를 피하기 위한 외적 동기에 의해 움직이며, 이로 인해 경직된, 비탐색적 연습을 하는 학습자.

4. 호기심 많은 탐험가 (Curious Explorers - 요인 4):

   • 정서: 내재적 흥미, 호기심, 새로움에 의해 유발되는 긍정적이고 활성화된 정서.
   • 인지: AI의 평가적 및 교육적 가치에 대한 긍정적 평가.
   • 행동: 높은 주도성; 다양한 AI 도구와 기능을 능동적으로 실험함.
   • 프로필: 내재적으로 동기 부여되어 모든 차원에서 폭넓게 탐색하고 깊이 있게 참여하는 학습자.

4. 주요 기여 및 발견

본 연구는 정서적, 인지적, 행동적 참여가 동시에 발생한다는 가설에 도전한다. 대신, 이러한 차원들이 이질적이고 구성적인 패턴으로 결합됨을 보여준다.

• 정서의 중심성: 정서는 모든 프로필 전반에 걸쳐 핵심적인 차원이다. 그러나 정서의 유형(활성화 vs 비활성화, 긍정 vs 부정)이 후속적인 인지적 및 행동적 결과를 결정한다.
• 통제-가치 이론(Control-Value Theory) 적용: 본 연구는 이러한 구성을 설명하기 위해 통제-가치 이론(Pekrun, 2006)을 적용한다:
  • 편안한 조절자: 높은 인지된 통제와 긍정적 가치 평가가 비활성화된 긍정적 정서(편안함)로 이어져, 깊은 인지적 처리를 저해할 수 있음.
  • 호기심 많은 탐험가: 높은 통제와 긍정적 가치 평가가 활성화된 긍정적 정서(즐거움/새로움)로 이어져, 깊은 인지적 및 탐색적 행동 참여를 촉진함.
  • 불안한 개선가: 높은 가치 평가를 보이지만 낮은 인지된 통제로 인해 활성화된 부정적 정서(불안)가 발생하며, 이는 목표 지향적 행동 노력은 유도하지만 탐색을 저해함.
  • 분리된 회의론자: 낮은 통제와 부정적 가치 평가로 인해 비활성화된 부정적 정서(지루함/분리)가 발생하며, 이는 인지적 평가와 행동적 참여 모두를 약화시킴.

5. 의의 및 교육적 시사점

본 논문은 생성형 AI 지원 말하기 교육에 있어 "일률적인" 접근 방식은 불충분하다고 주장한다. 본 연구의 의의는 학습자 참여가 이질적이고 구성적이라는 점을 입증한 데 있다.

교육적 시사점:

• 정서적 지원 우선순위: AI의 저위협적 특성을 활용하기 위해 정서적 지원을 우선시해야 한다.
• 맞춤형 개입:
  • 편안한 조절자 대상: 낮은 스트레스 환경을 유지하되, 깊은 인지적 참여를 유도하기 위해 성찰 저널(reflective journals)을 도입한다.
  • 분리된 회의론자 대상: 긍정적인 정서적 경험을 구축하기 위해 몰입감 있는 인터랙티브 게임을 사용하고, 통제감을 쌓을 수 있도록 인지적 요구가 점진적으로 증가하는 과제를 도입한다.
  • 불안한 개선가 대상: 학습자가 단계적인 목표를 설정하고 AI 피드백을 비판적으로 평가하도록 안내하여, 불안을 줄이고 외적 동기에서 지속 가능한 동기로 전환하도록 돕는다.
  • 호기심 많은 탐험가 대상: 내재적 동기를 유지하기 위해 개방형 창의적 과제를 부여하고, 참여를 강화하기 위해 동료 간 공유를 권장한다.

6. 한계점

저자는 두 가지 주요 한계를 인정한다:

1. 표본의 대표성: 본 연구는 중국의 한 대학교의 단일 코호트를 대상으로 수행되었으므로, 연령, 숙련도 및 지리적 영역에 따른 결과의 일반화에 한계가 있다.
2. 정적 관점: 본 연구는 특정 시점의 참여 프로필을 포착하며, 지속적인 학습 과정 동안 이러한 프로필이 종단적으로 어떻게 진화하는지는 탐구하지 않는다.

본 논문은 AI 통합 환경에서 학습자의 각기 다른 정서적-인지적-행동적 구성을 다루고 지속적인 참여를 촉진하기 위해 교사의 지도가 매우 중요하다고 결론짓는다.