생성형 AI는 학생을 똑똑하게도, 게으르게도 만든다

생성형 인공지능은 도구 문제가 아니라 설계 문제였음

• 생성형 인공지능이 학생 사고력을 키우느냐 망치느냐는, 도구 자체보다 수업 설계에 더 크게 좌우된다는 연구가 나옴

  • 베이징공과대학교, 칭화대학교, 아이오와주립대학교 연구진이 2022년부터 2025년 4월까지 발표된 실증 연구 67편을 체계적으로 분석함
  • 국제 문헌고찰 지침인 프리즈마(PRISMA)를 따랐고, 논문은 Computers and Education: Artificial Intelligence에 실림
  • 핵심 결론은 꽤 간단함: 잘 설계하면 사고 파트너, 그냥 풀어두면 생각 대행기임

• 연구진은 사고를 두 갈래로 나눠 봄

  • 비판적 사고는 근거를 따지고, 오류를 찾고, 판단을 검증하는 수렴적 사고에 가까움
  • 창의적 사고는 아이디어를 만들고, 확장하고, 다른 관점을 탐색하는 발산적 사고에 가까움
  • 생성형 인공지능은 이 둘을 동시에 도울 수도 있지만, 한쪽만 키우거나 둘 다 깎아먹을 수도 있음

비판적 사고는 ‘질문 설계’가 있으면 좋아짐

• 비판적 사고 관련 56개 연구에서 가장 자주 나온 장점은 메타인지 참여였음

  • 자기 생각 과정을 반성하고 조절하는 효과가 27건에서 보고됨
  • 학생이 자기 결과물과 생성형 인공지능 결과물을 비교하면, “내가 왜 이렇게 판단했지?”를 반복해서 보게 됨
  • 그냥 답을 받는 게 아니라 차이를 검토하게 만들 때 사고가 살아남는 셈임

• 논증 추론도 꽤 강하게 좋아졌음

  • 22건에서 주장 구성, 증거 통합, 논리 정교화가 개선됐다고 나옴
  • 특히 글쓰기나 토론 과제에서 생성형 인공지능이 반론 생성기나 대화 파트너로 쓰일 때 효과가 컸음
  • 루브릭 기반 평가와 논증 지도까지 붙이면 학생 추론이 더 정교해졌다는 결과가 있음

• 오류 탐지와 검증 행동은 이공계와 학제간 과제에서 잘 드러남

  • 19건에서 학생들이 인공지능 생성 콘텐츠를 사실 확인과 삼각 검증의 대상으로 삼았음
  • 환각이나 불일치를 찾도록 명시적으로 가르친 경우 이 효과가 더 강해짐
  • 이건 개발자 입장에서도 익숙한 패턴임: 자동 생성 코드를 믿는 게 아니라 테스트와 리뷰 대상으로 보는 순간 도구 가치가 확 올라감

그런데 풀어두면 바로 ‘생각 외주’가 됨

• 가장 흔한 위험은 인지적 오프로딩, 쉽게 말해 생각을 인공지능에 떠넘기는 현상이었음

  • 21건에서 과도한 의존과 독립적 분석 동기 감소가 보고됨
  • 초보 사용자, 비원어민, 학문적 글쓰기나 인공지능 리터러시가 부족한 학생에게서 특히 두드러짐
  • 도구가 친절할수록 사람이 덜 생각하는 역설이 여기서 터짐

• 피상적 사용도 반복적으로 확인됨

  • 18건에서 학생들이 인공지능 출력물을 비판 없이 받아들이는 경향을 보임
  • 요약, 에세이, 콘텐츠 생성 과제처럼 결과물이 빨리 나오는 과제에서 얕은 상호작용이 특히 많았음
  • 논리적 근거 발달 저하도 14건에서 관찰됐는데, 과제 완수가 쉬워진 대신 머리를 쥐어짜는 과정이 사라진 게 문제였음

• 여러 단계 글쓰기 과제에서는 메타인지적 오프로딩도 나타남

  • 12건에서 학생들이 피드백과 수정까지 인공지능에 맡기면서 더 깊은 계획이나 평가적 반성에 참여하지 못함
  • 연구진은 모델이 논리 일관성 유지, 가정에 도전하기, 소크라테스식 대화 지속 같은 고급 추론에서도 한계를 보인다고 지적함

창의성은 잘 밀어주지만, 개성도 같이 깎일 수 있음

• 창의적 사고 관련 44개 연구에서 가장 많이 나온 장점은 아이디어 생성과 확장 지원이었음

  • 31건에서 글쓰기 초기 단계, 프로젝트 계획, 이야기 구성에 도움이 됐다고 보고됨
  • 학생들은 생성형 인공지능을 브레인스토밍 파트너처럼 쓰며 대안적 관점과 새로운 통찰을 얻었다고 평가함
  • 창의적 결과물의 구조화와 정교화도 24건에서 장점으로 잡힘

• 특히 외국어 글쓰기나 표현 과제에서는 진입 장벽을 낮춰줌

  • 영어를 외국어로 배우는 학생들은 단락 흐름, 문체 변형, 일관성 개선에 생성형 인공지능을 활용함
  • 16건에서는 창의적 불안이 줄고, 복잡한 과제를 시작하려는 동기가 올라갔다고 나옴
  • 빈 화면 앞에서 막히는 사람에게 초안 파트너가 생기는 효과는 확실히 있음

• 반대로 창의적 수동성도 만만치 않게 나옴

  • 20건에서 학생들이 독창적 아이디어를 탐색하기보다 인공지능 생성 콘텐츠에 기대는 기본값을 택함
  • 15건에서는 개인적 목소리와 정서적 개성이 약해졌다는 한계가 보고됨
  • 자기 이야기나 표현적 글쓰기가 필요한 과제에서 인공지능 문장은 매끈하지만 감정의 결이 빠지는 문제가 생김

잘 설계하면 둘 다 오르고, 대충 쓰면 둘 다 내려감

• 연구진은 비판적 사고와 창의적 사고가 함께 나타나는 패턴을 세 가지로 정리함

  • 상승적 강화는 18건에서 나왔고, 탐구 기반·프로젝트 기반·반복 학습처럼 설계가 촘촘한 환경에서 발생함
  • 비대칭적 향상은 8건에서 나왔는데, 창의적 아이디어 생성은 좋아지지만 비판적 사고는 약해지는 패턴임
  • 동시 인지 저하는 4건에서 확인됐고, 최소한의 안내나 비판적 틀 없이 생성형 인공지능을 쓴 환경에서 나타남

• 전 세계 2만 3000명 이상 학생을 대상으로 한 조사도 언급됨

  • 학생들은 생성형 인공지능의 효율성과 요약 능력은 높게 평가함
  • 하지만 깊이 있는 사고를 키우는 효과는 사실상 낮게 봤고, 표면적 참여와 학문적 부정행위와의 연관성도 지적됨
  • “빨리 끝내는 능력”과 “더 잘 생각하는 능력”은 다르다는 얘기임

현장에서 쓸 전략은 꽤 구체적임

• 연구진은 생성형 인공지능을 수업에 넣을 때 단계적 학습 지원을 박아 넣으라고 제안함

  • 예를 들어 글쓰기 과제라면 먼저 인공지능으로 개요를 만들고, 평가 기준으로 구조를 비판하고, 인공지능과 동료 피드백을 바탕으로 수정하는 순환을 설계함
  • 이러면 학생의 생각 과정이 밖으로 드러나고, 결과물을 평가하는 깊이도 생김

• 인공지능 리터러시는 선택 과목 느낌으로 둘 문제가 아님

  • 프롬프트 정교화, 환각 인식, 편향 탐지, 맥락에 맞는 해석을 커리큘럼에 넣어야 한다고 봄
  • “이 답이 맞나?”를 묻는 습관을 가르치지 않으면, 도구는 곧바로 복붙 기계가 됨

• 피드백 생태계도 인공지능 하나로 끝내면 안 됨

  • 연구진은 인공지능 피드백, 동료 검토, 교수 입력, 자기 평가가 함께 있을 때 인지 성장이 최적화된다고 봄
  • 학생이 자기 주장을 문서화하고 독립적 출처로 검증하게 만드는 요구가 필요함
  • 이건 교육 얘기지만, 개발팀 코드 리뷰와도 거의 같은 원리임

---

기술 맥락

• 이 연구의 핵심 선택은 생성형 인공지능을 ‘허용할까 말까’가 아니라, 어떤 과제 구조 안에 넣을지를 본 거예요. 왜냐하면 같은 도구라도 루브릭, 성찰 질문, 검증 요구가 붙으면 사고 파트너가 되고, 없으면 답안 생성기로 흘러가기 쉽거든요.

• 비판적 사고와 창의적 사고를 나눠 본 것도 중요해요. 생성형 인공지능은 아이디어를 많이 뽑아내는 데는 강하지만, 그 아이디어가 왜 맞는지 따지고 반례를 검토하는 능력까지 자동으로 키워주지는 않아요. 그래서 창의성 점수만 보고 교육 효과가 좋다고 말하면 반쪽짜리 결론이 돼요.

• 개발자에게도 이 얘기는 꽤 직접적이에요. 코드 생성 도구를 쓸 때 테스트, 리뷰 기준, 설계 근거 작성이 같이 붙으면 생산성이 올라가지만, 그냥 돌아가는 코드만 받으면 시스템 이해가 빠질 수 있어요. 교육 현장의 스캐폴드는 개발팀에서는 테스트 케이스, 코드 리뷰, 설계 문서 같은 장치로 바꿔 읽을 수 있어요.

• 연구 한계도 같이 봐야 해요. 분석 대상은 영어권 동료 검토 논문이고, 도구 버전도 계속 바뀌고 있어요. 그래서 원인과 결과를 딱 잘라 확정했다기보다는, 지금까지의 실증 연구에서 반복적으로 보이는 위험과 설계 패턴을 정리한 결과로 보는 게 맞아요.