An Integrative Model of Artificial Intelligence Competencies and a Multi-theoretical Approach to the Implementation of Inclusive STEM Learning

기술 요약: 인공지능 역량의 통합 모델 및 포용적 STEM 학습 구현을 위한 다이론적 접근법

문제 제기
포용적 학교 내 과학, 기술, 공학, 수학(STEM) 교육에 인공지능(AI)을 통합하는 과정에서 중요한 격차가 발생하고 있다. 즉, 교사의 준비도가 단순히 기술적 숙련도에만 국한되어 있어, 포괄적인 교육학적 이론 체계가 결여되어 있다는 점이다. AI는 개인화와 접근성을 높일 수 있는 잠재력을 지니고 있지만, 교육자가 이를 단순한 기술적 도구가 아닌 데이터 기반의 윤리적이고 포용적인 교수법을 위한 개념적 도구로 인식하지 못할 경우, 포용적 맥락에서의 구현은 불평등을 초래할 위험이 있다. 기존 문헌에는 교사의 AI 역량과 다이론적 접근법(예: 구성주의, 사회인지 이론, 포용 교육 이론)을 성공적인 포용적 STEM 구현의 예측 변수로 명시적으로 결합한 통합 모델이 부족하다. 또한, 잠재 변수 간의 동시 인과 관계 테스트 없이 질적 연구나 단순 설문 설계에 의존했던 기존 연구들의 방법론적 한계는 이러한 구조적 관계에 대한 강력한 이해를 저해하고 있다.

연구 방법론
본 연구는 통합 구조 모델을 검증하기 위해 양적 설명적 조사 설계(quantitative explanatory survey design)를 채택하였다.

• 참여자: 표본은 인도네시아의 포용적 학교(발리, 서누사틍가라, 동누사틍가라 지역)에 재직 중인 현직 교사 1,000명으로 구성되었으며, 유의 표집(purposive sampling) 방식을 통해 선정되었다. 선정 기준은 최소 2년 이상의 교육 경력과 AI 또는 STEM 프로그램 참여 경험을 포함한다.
• 도구: 데이터는 다음 세 가지 주요 구성 개념을 측정하는 5점 리커트 척도 설문지를 통해 수집되었다:
  1. AI 역량: 개념적 이해, 운영 능력, 혁신, 협업 및 자신감을 포함한다.
  2. 다이론적 접근법: 이론과 실제의 부합성, 이론적 합성, 포용성에 대한 기여도, 실행 가능성 및 전문성 개발을 측정한다.
  3. STEM 구현 능력: 계획, 적응형 커리큘럼, 능동적 전략, AI 통합, 포용적 평가 및 자원 지원을 평가한다.
• 분석: 데이터는 SmartPLS 소프트웨어를 활용한 부분최소제곱 구조방정식 모델링(PLS-SEM)을 통해 분석되었다. 분석은 2단계 과정을 거쳤다:
  1. 측정 모델: 신뢰도(Cronbach's Alpha, 합성 신뢰도) 및 타당도(AVE 및 요인 적재량을 통한 수렴 타당도; Fornell-Larcker 기준 및 HTMT를 통한 판별 타당도)를 평가하였다.
  2. 구조 모델: 다중공선성(Inner VIF), 경로 계수(가설 검정), 효과 크기($f^2$), 예측 관련성($R^2, Q^2$)을 테스트하였다. 통계적 유의성을 결정하기 위해 부트스트래핑(Bootstrapping)이 사용되었다.

주요 결과
구조 모델은 모든 요인 적재량이 0.70을 초과하고, 합성 신뢰도가 0.90 이상이며, 평균 분산 추출값(AVE)이 0.65 이상을 기록하여 우수한 구성 타당도와 신뢰도를 입증하였다. 판별 타당도는 각 구성 개념의 AVE 제곱근이 구성 간 상관계수보다 높음을 통해 확인되었다.

가설 검정 결과는 다음과 같다:

1. AI 역량: 교사의 AI 역량은 포용적 STEM 학습 구현에 유의미한 정(+)의 직접 효과를 미친다 ($\beta = 0.408, p < 0.001$).
2. 다이론적 접근법: 다이론적 접근법은 포용적 STEM 구현에 유의미한 정(+)의 직접 효과를 미친다 ($\beta = 0.320, p < 0.001$).
3. 상호작용 효과: AI 역량과 다이론적 접근법 사이에는 유의미한 정(+)의 상호작용 효과가 존재한다 ($\beta = 0.213, p < 0.001$). 이는 두 요인의 결합이 구현의 효과성을 높이는 시너지 관계임을 나타낸다.
4. 모델 적합도: 구조 모델은 포용적 STEM 구현 분산의 42.7%를 설명하며 ($R^2 = 0.427$), 이는 중간 정도의 예측력을 가진 것으로 분류된다. 모델은 다중공선성 문제(Inner VIF < 5)가 없었으며, 표준화된 잔차 제곱평균제곱근(SRMR)은 양호한 모델 적합도를 나타냈다.

주요 기여

• 이론적 측면: 본 연구는 AI 역량과 다이론적 교수법 접근을 포용적 STEM 성공의 이중 예측 변수로 명시적으로 연결하는 '통합 모델'(논의에서 AI-통합 다이론적 모델 또는 AIMTM으로 지칭됨)을 제안하고 검증한다. 이는 구성주의 및 사회인지 이론을 기술-교수법적 맥락으로 확장하며, AI가 반드시 윤리적이고 인본주의적인 교육 이론에 근거해야 함을 강조한다.
• 방법론적 측면: PLS-SEM을 활용함으로써, 본 연구는 잠재 변수에 대한 강력한 인과적 및 예측적 분석을 제공하여 기존의 탐색적 또는 질적 연구의 방법론적 격차를 해소한다.
• 실무적 측면: 연구 결과는 교사 전문성 개발에 대한 전략적 시사점을 제공하며, 교육 훈련이 기술적 AI 기술을 넘어 학습 이론의 통합, 윤리적 성찰 및 협업 역량을 포함해야 함을 시사한다.

의의 및 주장
저자들은 본 연구가 포용적 STEM 학습의 성공적인 구현이 기술적 숙달(AI 역량)과 인식론적 깊이(다이론적 접근법) 사이의 시너지에 달려 있다는 강력한 경험적 증거를 제공한다고 주장한다. 본 연구는 AI 단독으로는 불충분하며, 교사가 알고리즘과 인간적 가치 사이의 매개자 역할을 수행하는 '교수법적 정렬(pedagogical alignment)'이 필요하다고 단언한다.

결론적으로, 이러한 차원들의 통합은 공평하고 적응적이며 지속 가능한 STEM 교육을 육성할 수 있는 '지능형 학습 생태계'를 구축한다. 저자들은 본 연구가 '방향성을 잃은 기술자(directionless technologist)' 현상을 방지하기 위한 개입을 설계하는 데 있어, AI가 새로운 교육적 격차의 원인이 아닌 형평성을 위한 도구로 기능하도록 하는 정책 입안자 및 커리큘럼 개발자들을 위한 기초 단계로 자리매김한다고 밝히며, 모델의 견고함을 언급함과 동시에 향후 연구에서 동남아시아 전역의 다층적 맥락적 영향과 교차 문화적 검증이 이루어져야 한다고 제언한다.