📄 medicine

Are AI knowledge and educational expectations homogeneous across clinical training stages and intended specialties?

프랑스 의대생들을 대상으로 한 연구에 따르면 적절한 AI 지식은 임상 훈련 단계나 전공 관심도에 따라 수동적으로 향상되지 않으며, 이는 학부 의학 커리큘럼에 명시적인 AI 교육을 통합할 필요가 있음을 강조한다.

원저자: Vincent Garrouste, Frédéric Paris

게시일 2026-07-12

📖 3 분 읽기☕ 가벼운 읽기

원저자: Vincent Garrouste, Frédéric Paris

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

의대생의 여정을 길고 구불구불한 비디오 게임 레벨이라고 상상해 보십시오. 당신은 초반 구역(4학년)에서 시작하여, 중반 레벨(5학년)을 거쳐 열심히 파밍(grind)하고, 보스전 구역(6학년)에 도달한 뒤 마지막 캐릭터 클래스(전공)를 선택합니다. 오랫동안 플레이어들은 게임을 더 오래 플레이하고 세상을 더 많이 구경하기만 하면, 게임의 숨겨진 코드인 인공지능(AI)을 이해하는 능력이 자연스럽게 향상될 것이라고 가정해 왔습니다.

하지만 1,342명의 프랑스 의대생을 조사한 이 연구는 게임이 그런 방식으로 작동하지 않는다는 점을 시사합니다.

"레벨 업"의 신화
연구진은 학생들에게 자신만의 언어로 AI를 정의하도록 요청했습니다. 그 결과, 플레이어가 레벨의 어느 단계에 와 있든 AI를 설명하는 능력은 크게 나아지지 않았음을 발견했습니다.

4학년의 경우, **37.6%**의 학생이 적절한 정의를 내렸습니다.
5학년의 경우, **37.4%**였습니다.
6학년의 경우, **39.6%**였습니다.

이 수치들은 거의 쌍둥이처럼 비슷합니다. 이 연구는 단순히 병원에서 시간을 보내고, 의사들이 일하는 것을 지켜보고, 임상 경험을 쌓는 것만으로는 AI가 무엇인지 마법처럼 가르쳐주지 않는다는 점을 시사합니다. 이는 레이싱 게임을 10년 동안 플레이한다고 해서 엔진을 만드는 법을 자동으로 배우게 될 것이라고 생각하는 것과 같습니다. 경험이 전이되지 않는 것입니다. 저자들은 만약 학생들이 AI를 이해하기를 원한다면, 그들이 나이를 먹으면서 자연스럽게 "익히기를" 기다려서는 안 되며, 명시적으로 가르쳐야 한다고 주장합니다.

"클래스"의 반전
이제 영상의학, 피부과, 또는 순환기내과와 같이 이미지와 데이터에 크게 의존하는 분야(게임으로 치면 "이미지 중심 구역")라는 특정 캐릭터 클래스를 눈여겨보고 있는 플레이어들을 살펴봅시다.

이 학생들은 하루 종일 X-ray와 데이터 차트를 들여다보고 있으므로 AI 전문가가 될 것이라고 예상할 수도 있습니다. 하지만 이 연구는 그 가설 또한 부정합니다. 이미지 중심 분야에 관심이 있는 학생들의 AI 지식 수준은 다른 모든 학생과 정확히 동일했습니다 (37.7% 대 37.9%).

하지만 이 학생들은 스스로가 다르다고 느꼈습니다. 이들이 바로 경종을 울리고 있는 사람들이었습니다.

이들은 AI의 기초를 배울 필요성을 더 강하게 느꼈습니다.
이들은 AI가 자신의 미래 직업에 어떤 영향을 미칠지에 대해 약간 더 걱정했습니다.
이들은 엔지니어들과 대화하고 코드가 실제로 어떻게 작동하는지 이해하기 위해 "기술적 용어(tech talk)"를 배우고 싶어 했습니다.

마치 "이미지 구역"을 목표로 하는 플레이어들이, "이 보스전은 평소와 다를 것이고, 나는 더 나은 전략이 필요하다"라는 것을 깨달은 것과 같습니다. 비록 그들이 아직 실제 전략은 알지 못하더라도 말입니다.

결론
이 논문은 문제를 해결했거나 마법 같은 치료법을 찾아냈다고 주장하지 않습니다. 대신, 게임의 튜토리얼을 설계하는 새로운 방법을 제안합니다.

경험만으로는 AI를 가르칠 수 없기에, 저자들은 "하이브리드" 커리큘럼을 제안합니다. 모든 플레이어가 참석하여 AI의 기초, 윤리, 그리고 가짜 알고리즘을 식별하는 법을 배우는 필수적인 "뉴 플레이어(New Player)" 워크숍을 상상해 보십시오. 그다음, 이미지 중심 구역으로 향하는 이들을 위해 기술적인 부분을 깊이 파고드는 선택적 "고급 DLC(다운로드 가능 콘텐츠)" 모듈이 제공되는 방식입니다.

이 연구는 방대한 규모의 학생 집단을 대상으로 측정되었으며, 그들의 태도는 대체로 유사했지만 그들의 *필요(needs)*는 다르다는 것을 발견했습니다. 결론은 명확합니다. 우리는 학생들이 병원에서 성장하면서 자연스럽게 AI를 배우기를 기대해서는 안 됩니다. 우리는 교실을 게임 안에 구축해야 합니다. 그렇지 않으면 그들은 보스가 레이저 총을 가진 상태에서 막대기 하나를 들고 보스와 싸워야 하는 상황에 처하게 될 것입니다.

기술 요약: 임상 수련 단계 및 전공 분야에 따른 AI 지식과 교육적 기대치

문제 제기
인공지능(AI)은 의료와 의학 교육의 형태를 점진적으로 재편하고 있으며, 이에 따라 미래의 의사들은 데이터 리터러시, 알고리즘 비판적 평가, 그리고 윤리적 적용 역량을 갖추어야 한다. 그러나 현재의 학부 의학 커리큘럼에는 널리 채택된 AI 교육 프레임워크가 부족하며, 이로 인해 AI 지식과 교육적 기대치가 임상 수련을 통해 자연스럽게 진화하는지, 혹은 학생의 희망 전공에 따라 달라지는지가 불분명하다. 기존 문헌은 AI에 대한 학생들의 열정과 실제 개념적 이해 사이의 간극을 시사하지만, 임상 연차나 전공 지향성(특히 영상 또는 데이터 집약적 분야)이 AI 지식 향상이나 뚜렷한 교육적 요구와 상관관계가 있는지에 대해서는 충분히 탐구되지 않았다.

연구 방법
본 연구는 프랑스 의대 4~6학년(DFASM1, DFASM2, DFASM3) 학생들을 대상으로 실시된 국가 단위의 횡단적 온라인 설문조사를 활용한 이차 분석이다. 해당 학년은 임상 실습 기간에 해당한다. 분석 대상은 1,342명의 학생이다.

변수:
- 설명 변수: 임상 수련 단계(학년) 및 선호하는 미래 전공 지향성. 전공 지향성은 광범위하게 분류되었으며, 특히 "영상 또는 데이터 집약적 전공"(영상의학과, 피부과, 안과, 병리과, 핵의학과, 순환기내과, 유전학, 공중보건학 포함)에 초점을 맞추었다.
- 주요 결과: 자유 서술형 AI 정의를 통해 평가된 개념적 AI 지식. 정의는 미인지, 오답, 부분적 정답, 정답의 범주로 분류되었다. "적절한 AI 지식"은 부분적 정답 또는 정답을 제공한 것으로 정의되었다.
- 이차 결과: AI 관련 태도(낙관주의, 우려, 교육 필요성 인식 등에 대해 0–10 척도로 측정) 및 교육적 기대치(선호하는 교육 통합 방식, 학습 목표 및 교수 형태).
통계 분석: 범주형 변수는 카이제곱 검정 또는 피셔의 정확 검정을 사용하여 비교하였고, 수치 척도는 크루스칼-월리스 검정을 사용하여 분석하였다. 연령, 석차, 진로 희망을 통제한 상태에서 연관성을 탐색하기 위해 로지스틱 및 선형 회귀 모델을 사용하였다. 효과 크기(Cramer's V 및 epsilon-squared)를 보고하였으며, 탐색적 전공별 분석을 위해 허위 발견율(false discovery rate) 보정을 적용하였다.

주요 결과

AI 지식과 임상 연차: 임상 수련 단계와 AI 지식 사이에는 유의미한 연관성이 없었다. 적절한 AI 정의를 제공한 학생의 비율은 모든 학년에서 안정적으로 유지되었다(DFASM1 37.6%, DFASM2 37.4%, DFASM3 39.6%, $P=.82$ ). 모든 그룹에서 오답 범주가 가장 빈번하게 나타났으며(~56–58%), 정답은 드물었다(3.3%–6.1%).
태도와 연차: 태도 점수는 훈련 단계에 따라 대체로 유사했다. 유일하게 통계적으로 유의미한 차이는 졸업반 학생들 사이에서 나타난 AI에 대한 낙관주의의 미미한 감소였으나, 효과 크기는 매우 작았다.
전공 지향성과 지식: 영상 또는 데이터 집약적 전공에 대한 관심은 더 나은 AI 지식과 관련이 없었다. 적절한 지식 수준은 영상/데이터 집약적 전공에 관심 있는 학생(37.7%)과 다른 분야에 관심 있는 학생(37.9%) 사이에서 거의 동일했다 ( $P=.93$ ).
전공 지향성과 교육적 기대치: 유사한 지식 수준에도 불구하고, 영상 또는 데이터 집약적 전공에 관심 있는 학생들은 AI 기초를 배울 필요성을 더 높게 인지하였으며(조정된 평균 차이 +0.39점), AI의 역할에 대해 약간 더 높은 우려를 나타냈다(조정된 평균 차이 +0.30점). 또한 이 그룹은 기저의 기술적 프로세스 이해 및 엔지니어와의 소통과 같은 심화 학습 목표를 더 선호하였고, 석사 또는 박사 수준의 교육 과정을 이수하고자 하는 관심도 더 높았다.

의의 및 주장
저자들은 AI 지식이 임상 수련 중에 수동적으로 향상되지 않는다고 결론지었다. 즉, 의과대학 4학년에서 6학년으로의 진급이 반드시 더 나은 개념적 이해로 이어지지는 않는다. 따라서 임상 노출에만 의존하는 것은 AI 역량을 개발하는 데 불충분하다.

본 연구는 학부 의학 커리큘럼 내에 명시적인 AI 교육을 도입할 것을 지지한다. 저자들은 다음과 같은 하이브리드 교육 모델을 제안한다:

모든 학생을 대상으로 하는 공통 기초 커리큘럼으로, 기본적인 AI 개념, 비판적 평가, 윤리적/규제적 이슈를 다룬다.
심화 기술적 이해와 학제 간 협업 기술에 대한 높은 필요성을 보이는 영상 또는 데이터 집약적 분야의 학생들을 위한 선택적 전공 특화 모듈.

본 논문은 학생들의 AI에 대한 인식이 교육적 노출보다는 예상되는 전문적 맥락(전공 관심사)에 의해 영향을 받을 수 있음에도 불구하고, 현재의 커리큘럼이 이러한 인지된 요구와 교육 제공을 일치시키지 못하고 있음을 강조한다. 연구 결과는 AI 교육을 비공식적이거나 자기 주도적인 노출에 의존하기보다, 의도적이고 구조화된 전문 고등 교육의 구성 요소로 설계해야 함을 시사한다.

기술 요약: 임상 수련 단계 및 전공 분야에 따른 AI 지식과 교육적 기대치

유사한 논문