AIEd 지식베이스AIEd KB
이 페이지의 목차

이 페이지는 한국어로 번역되었습니다. 문서 페이지는 여전히 영어로 작성되어 있습니다. 이 페이지를 영어로 읽기

개념

AI 리터러시

생성일 2026-05-07 · 갱신일 2026-10-08

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

AI 리터러시 — 교육적 맥락에서 AI 기술를 이해하고, 평가하며, 효과적으로 사용하는 데 필요한 지식, 기술, 그리고 비판적 태도를 말합니다. AI 리터러시는 AI가 어떻게 작동하는지에 대한 기초적 이해, AI 도구를 사용하는 실천적 역량, AI 결과물에 대한 비판적 평가, 그리고 AI의 사회적 함의에 대한 윤리적 인식을 포괄합니다.

생각해 볼 질문들

  • 'AI 리터러시를 갖춘다'는 것은 무슨 뜻일까요? 도구를 사용하는 방법을 아는 것, 도구가 어떻게 작동하는지 이해하는 것, 아니면 그 결과물을 비판적으로 평가할 수 있는 것 — 그리고 여러분 자신의 목표에 가장 중요한 것은 어느 쪽일까요?
  • 자기보고식 AI 리터러시는 실측 수행과 크게 벌어집니다 — 교사들은 자신의 기술을 약 40% 과대평가합니다. 여러분은 자신의 AI 기술에 대해 얼마나 확신하며, 그 확신을 실제로 검증하기 위해 어떤 증거를 신뢰하시겠습니까?
  • AI 리터러시는 기술의 체크리스트가 아니라 초인지적 사회적 실천으로 묘사됩니다. LLM은 확률적이고 불투명하기 때문에, 모델 내부를 볼 수 없을 때 결과물을 '비판적으로 평가'한다는 것은 무슨 뜻일까요?
  • 학문적 환경을 위한 비판적 사용 리터러시와 취업을 위한 워크플로 통합 리터러시 사이에는 긴장이 존재합니다 — 교육자와 고용주는 서로 다른 기술에 가치를 둡니다. 여러분의 맥락이 실제로 가르치고 있는 AI 리터러시는 어느 쪽입니까?
  • 자기효능감과 자기조절 지원 없이 기술적 AI 리터러시 훈련만 제공되면 오히려 AI에 대한 의존이 커질 수 있습니다. AI 사용법을 배우는 것이 어떻게 여러분을 더 유능하게 하는 대신 더 의존적으로 만들 수 있을까요?
  • AI 리터러시는 동시에 알아보는 기술이기도 합니다. AI가 아부해서 동의하는 것인지, 아니면 여러분이 옳아서 동의하는지를 구별하는 것 말입니다. AI가 그저 여러분이 듣고 싶어 하는 말만 하고 있던 적을 잡아내신 적이 있습니까?

들어가며

AI 리터러시는 생성형 AI가 교육에 깊이 자리잡으면서 학습자, 교육자, 기관 모두에게 핵심 역량으로 빠르게 부상했습니다. 일반적인 디지털 리터러시와 달리, AI 리터러시는 환각을 일으킬 수 있고 편향을 드러내며 학습자 주체성를 인간에게서 기계로 옮길 수 있는 확률적 시스템을 이해하는 것을 요구합니다 — 이 때문에 비판적 사고과 과잉 의존이 이 구성개념의 중심이 됩니다.

AI 리터러시의 차원

이 지식 베이스의 AI 리터러시 연구는 서로 연결된 네 가지 차원을 포괄합니다:

프레임워크들은 이 차원들이 실제로 어떻게 실행되는지를 점점 더 추적하고 있습니다. Dai & Chan (2026)은 대학원 연구자들이 연구 워크플로 전반에 걸쳐 생성형 AI를 사용할 때 네 차원을 모두 실행한다는 점을 보여주고, 이를 바탕으로 연구 특화된 책임 있는 사용 지침을 구성합니다. 한편 Şan & Orhan Karsak (2026)은 단어 연합(word-association) 매핑을 사용하여 터키 학부생들의 AI 인지가 도구적으로는 "블랙박스" 지배적이며, 윤리·거버넌스 개념은 구조적으로 고립되어 있음(τ=−0.819)을 보여줍니다 — 이는 자격증 설계가 경험적 도구 사용과 윤리 프레임워크를 의도적으로 연결해야 한다는 증거입니다.

수요는 학생과 시스템이 공동으로 무엇을 하는지에 따라 달라집니다. 리터러시 프레임워크는 대개 하나의 일반적인 역량 집합을 서술하지만, GenAI가 지원하는 활동이 실제로 요구하는 것은 그 활동 안에서 인식론적 작업이 어떻게 분배되는가에 따라 달라집니다. Sun, Dohn and Rehm (2026)은 Strobel 등의 GenAI 활용 분류 체계에 대해 고등교육 실증 연구 102편을 분류하여, Assistant와 Enabler 얽힘이 각각 말뭉치의 42.16%를 차지하는 지배적 유형임을 밝히고, Generator, Reimaginator, Synthesizer는 합쳐서 5분의 1에 미치지 못함을 확인했습니다 — 저자들은 이 왜곡을 모델의 능력이 아니라 제도의 정당성에 귀속시킵니다. 동일한 모델이 다섯 유형을 모두 지원하기 때문입니다. 각 유형을 Dohn의 세 가지 맥락 수준(domain-internal, activity-internal, activity-framing)으로 읽어보면, Assistant 작업에서는 수요가 수렴하고 주변 유형에서는 분열하며, 활동이 학생에게 요구하는 것과 제도가 정당한 역량으로 인정하는 것이 갈라집니다. 이들의 결론은 리터러시를 도구 숙달로부터 완전히 벗어나게 합니다. GenAI 리터러시란 주어진 얽힘 속에서 인식론적 작업과 책임이 어떻게 분배되어 있는지를 인식하고, 그 안에서 적절히 행동하는 역량입니다.

기초 지식: LLM이 무엇인지, 규칙 기반 시스템과 어떻게 다른지, 그리고 그 근본적인 한계가 무엇인지를 이해하는 것입니다. 여기에는 모델의 능력, 훈련 데이터의 편향, 과업 특정 AI와 범용 모델의 구분에 대한 인식이 포함됩니다. 프롬프트 엔지니어링에 관한 연구는 프롬프트 메커니즘에 대한 이해가 효과적인 AI 사용에 어떤 영향을 미치는지를 검토합니다.

실천적 역량: 프롬프트 엔지니어링에서부터 결과물 해석에 이르기까지 AI 도구를 효과적으로 사용하는 능력입니다. 학생들의 GenAI 사용 양상에 대한 연구들은 도구에 접근할 수 있다는 사실만으로 역량이 생기지 않는다는 점을 보여줍니다. 구조화된 연습과 스캐폴딩이 필수적입니다. 바이브 코딩 프레임워크는 K-12 교사들이 안내된 도구 제작을 통해 실천적 AI 리터러시를 어떻게 발전시킬 수 있는지를 보여줍니다. Miles, Haber-Curran and Arar (2026)은 이 차원에 최적화 훈련이 놓치는 부분이 있다고 주장합니다. 프롬프트 엔지니어링과 구분되는 프롬프트 리터러시(prompt literacy)는 프롬프팅을 수사적이고 윤리적인 행위로 다루므로, 결과물 성능만을 튜닝하는 교수법은 LLM 사용의 윤리적·인식론적 차원을 손대지 않은 채 남겨둡니다.

비판적 평가: AI의 결과물을 정확성, 편향, 적절성의 관점에서 판단하는 역량입니다. 리터러시 평가에 관한 연구는 자기보고와 수행 기반 AI 리터러시 사이에 40%의 격차가 있음을 보여줍니다 — 사람들은 자신의 평가 기술을 지속적으로 과대평가합니다. 이 불일치는 지식 베이스에서 자기보고 척도가 자신이 명명하는 역량을 따라가지 못하는 가장 분명한 사례입니다. 이는 AI를 비판 없이 신뢰하는 학생들이 덜 배운다는 과잉 의존 연구와 연결됩니다. 최근의 개념적 작업은 평가를 검증 쪽으로 밀어냅니다. PEARLS 프레임워크(Wang)는 AI 결과물을 잠정적인 지식 주장으로 다루어 그 정당성을 여섯 가지 차원(Process, Evidence, Access, Reproducibility, Legitimacy, Source)에 걸쳐 조립하고 검토해야 한다고 보며, 학습자가 AI의 주장을 확인하면서 전문성을 쌓아가는 메커니즘으로 **검증 주도 학습(verification-driven learning)**을 제시합니다. 이와 보완적으로, 학생 중심의 책임 있는 사용 프레임워크(Alsammani)는 Learning and Growth, Ethics and Integrity, Awareness and Safety의 세 기둥에 걸친 열 가지 학생용 지침을 제공하여, 의사결정의 순간에 초인지적 질문을 외현화합니다. 중등 학습자를 위해서는 AI 지원 연구 역량(AARC) 프레임워크(Beau, Flaquière & Lazar 2026)가 이를 덕성 인식론과 AI 직관에 기반하여, 저자권, 판단, 검증, 책임을 포기하지 않고 AI와 함께 탐구를 수행하는 것으로서의 연구 리터러시를 정의하며, 이를 분석형 루브릭과 verify–cite–reflect 실천 루틴으로 운영화합니다. 평가 측면에서, Saleh (2026)는 평가를 설계 원리로 전환하는 *인간 능력 검사(human capability test)*를 제안합니다. 학생이 독자적으로 입증해야 하는 것은 무엇인지, AI 증강을 통해 강화될 수 있는 것은 무엇인지, 학생이 검증하고 옹호하며 책임져야 하는 것은 무엇인지를 묻는 것입니다.

학문 분야의 검증은 이 기준을 더욱 높입니다. Vega-Baudrit and Rivera Alvarez (2026)은 대학 화학에서 핵심적인 AI 리터러시 요구가 Johnstone의 거시적, 아원자적, 기호적 영역을 가로지르는 표상 번역이라고 주장합니다. 한 영역에서 설득력 있어 보이는 결과물이 다른 영역에서는 전하 균형, 반응 메커니즘, 혹은 안전 한계와 모순될 수 있기 때문입니다. 이들이 제시하는 해법은 검증 중심의 통합입니다. 검증을 평가되는 활동으로 만들고, 프롬프트 기록과 수정 이력을 추론의 흔적(reasoning trace)으로 보존하며, 프롬프팅을 제약 조건, 가정, 적절성 기준을 명시하는 인식론적 행위로 다루어, 학생들이 거짓 가정을 찾아내거나 생성된 답을 거부할 근거를 제시하게 하는 것입니다.

윤리적·제도적 인식: 학문적 진실성에서 AI 교육의 형평성(형평성), 프라이버시에 이르기까지 AI의 더 넓은 함의를 이해하는 것입니다. 제도 수준의 AI 리터러시는 정책 수립, 교육 개발, 거버넌스 프레임워크를 포함합니다 — 제도의 AI 리터러시는 교수법만큼이나 정책의 문제입니다. EPIQ-AI 프레임워크는 제도의 AI 리터러시를 개별 훈련이 아닌 사회기술적(sociotechnical) 정렬 과제로 규정합니다.

  • 지속가능 발전을 위한 거버넌스 역량으로서의 AI 리터러시. Islam, Morshed, and Islam (2026)은 AI 리터러시를 순수한 교육적·기술적 기술이 아니라 거버넌스 지향의 역량으로 재개념화하여, UN의 17개 지속가능발전목표 전체와 연결합니다. 이들의 6단계 AIRE 분류 체계(Recognize → Comprehend → Apply → Analyze → Integrate → Govern)는 Bloom의 위계에 윤리적 종합과 전략적 예측을 더해 확장하며, 고급 역량(Analyze–Govern)을 기초 리터러시로부터 제도·정책 수준의 거버넌스로 향하는 경로로 자리매김합니다 — 리터러시를 가로지르는 인지적·윤리적 가교로 다루는 "18번째 SDG" 휴리스틱입니다. 한 국가적 맥락에서 300명의 전문가를 대상으로 한 조사는 기술적 인식은 강하지만 윤리적·거버넌스 준비도는 제한적임을 보여주었고, 윤리적 추론과 성찰적 사고가 지속가능하고 신뢰할 만한 AI 사용의 가장 강한 예측 변수였으며, 거버넌스 리터러시가 AI–SDG 연계 인식의 가장 강한 예측 변수였습니다(β = 0.64). 이는 지식 베이스가 비판적 사용 리터러시를 강조하는 바를 경험적으로 뒷받침하며, AI 리터러시를 지속가능성와 정책 통합에 직접 연결합니다. 프레임워크의 공급 자체가 이제 하나의 문제가 되었습니다. Fitsilis (2026)은 교육과 노동력 개발을 위해 제도적으로 승인된 AI 역량 프레임워크 16개를 비교하여, 10개 역량 영역의 공통 핵심은 있으나 구조, 단계 구성, 실행 지침에는 편차가 크다는 점을 밝혔습니다 — 실질적 어려움은 부족이 아니라 그것들 사이에서 선택하는 문제입니다.

AI 리터러시는 어떻게 발전하는가

연구는 협력적이고 능동적 접근이 가장 효과적이라고 지목합니다. Rismanchian & Doroudi는 AI 리터러시를 응용 기술 이상으로 자리매김합니다. 이들의 AI×Ed 프레임워크에서 학습자는 AI의 뚜렷한 최종 사용자이며(AI 리터러시와 AI 교육을 통해 접근합니다), 이들은 학습 그 자체에 대한 성찰을 촉진하는 새로운 AI 리터러시 연구를 주장합니다 — 리터러시를 사람들이 어떻게 배우는지에 관한 "인간 지능에 대한 비유로서의 AI" 연구로 되돌아가는 경로로 다루며, 이는 해당 분야가 대체로 버린 흐름입니다. ICAP 틀(Interactive → Constructive → Active → Passive)는 인지적 몰입의 유용한 분류 체계를 제공합니다. 학생들은 정보를 수동적으로 받기보다 지식을 공동 구성할 때 AI 리터러시를 가장 잘 배웁니다. 설계자는 학습 목표에 맞는 방식을 선택하고 가능한 한 더 깊은 방식(구성적·상호작용적)을 우선해야 합니다. 실천적 활동 — 프롬프트 설계, 집단으로 결과물 평가하기, AI 윤리에 관한 토론 — 은 강의보다 성과가 높습니다.

구성 활동(Composition)은 살아온 경험에서 출발하지만 개념의 깊이는 비계가 필요합니다. Burriss et al. (2026)은 청소년들이 추상적인 AI 윤리 원칙을 일상에서 마주하는 시스템 — 전자식 "화장실 출입증", 학교가 관리하는 노트북, 표절 탐지기 — 에 고정시켰음을 발견했습니다. 한 집단은 학교에서의 AI가 "모든 구성원에게 개인적인 것이었다"고 설명했고, 단원 말 설문 18건 중 15건에서 영상을 만드는 것이 AI 윤리에 대한 이해를 바꾸었다고 응답했습니다. 저자들은 한계를 명확히 합니다. 구성 활동만으로 개념적 기반이 보장되지는 않았습니다 — "informed consent"는 "We gotta approve"로 번역되었고, 일부 용어(예: "failsafe")는 전혀 설명되지 않았으며, 이에 저자들은 이후 반복에서 더 깊은 개념적 작업을 계획하게 되었습니다. 창조적 제작은 만들어내는 행위에 명시적인 개념적 스캐폴딩이 함께할 때 AI 리터러시를 가장 잘 발전시킵니다. 스스로 드러날 것이라 가정해서는 안 됩니다.

리터러시의 경험적 보완재로서의 AI 직관. 반복적으로 나타나는 공백은 K-12 프레임워크가 학습자가 AI를 선언적·규칙 기반 지식을 통해 접근한다고 가정하는 반면, 실제로 학습자들은 먼저 AI가 어떻게 반응하는지에 대한 실천적인 "감각"을 발전시킨다는 점입니다 — 프롬프트를 실험하고, 행동을 관찰하고, 전략을 조정하면서 — 형식적 원리를 말로 표현할 수 있게 되기 전에 말입니다. Beau & Lazar (2026)는 이를 AI 직관으로 공식화합니다. AI 시스템과의 반복적 상호작용을 통해 발달하고 불확실성 속에서 맥락 민감한 판단을 뒷받침하는 경험적·귀납적·종종 암묵적인 이해입니다. 이들의 이중 프레임워크는 AI 리터러시(구조화된, 대체로 정적인 역량)를 AI 직관(역동적인 학습 과정)과 나란히 놓고, 둘을 표준 차원 — 개념 이해, 도구 사용, 비판적 평가, 윤리적 적용, 성찰 — 에 걸쳐 매핑하여, 학습자가 개념적 명료성과 가드레일(리터러시)를 검증하되 신뢰하고(trust-but-verify) 언제 손떨지 결정할 실천적 지혜(직관)와 결합하게 합니다. 직관이 AI에 대한 "전문가적 관찰"(예: 모델이 실패하는 지점을 찾기 위해 프롬프트를 스트레스 테스트하기)을 기르기 때문에, 저자들은 이를 과잉 의존과 비판적 사고의 침식에 대한 안전장치로 주장합니다. 이는 결과물을 최적화하는 프롬프트 엔지니어링과 구분되며, 인식론적 판단을 전면에 내세운다는 점에서 다릅니다. 이는 리터러시를 경험 학습, 구성주의, 발달적으로 기반을 둔 수업 실천과 연결하며, 교사 준비를 개념 전달만이 아니라 귀납적 탐구를 촉진하는 쪽으로 향하게 합니다.

동기는 결과이기 이전에 전제 조건입니다. Liang et al. (2026)은 1년간의 AI 교육과정에서 중등 학생 2,086명을 대상으로, 자기결정 동기 프로파일(높은 자율성, 유능성, 관계성 욕구 충족)로 전환하거나 그대로 유지한 학생들이 AI 리터러시 향상 폭이 가장 컸음을 확인했습니다. AI 리터러시는 지속적인 참여를 통해 발달하며, 그 참여 자체가 동기와 심리적 욕구 지원에 의해 형성됩니다 — 따라서 효과적인 AI 리터러시 교수법은 학습자의 기술뿐 아니라 동기에도 주의를 기울여야 합니다.

교수법의 강조점과 과업의 개방성은 서로 다른 욕구를 통해 수행에 이릅니다. Yu, Lin and Chen (2026)은 학부생 320명을 객관적 루브릭(ICC = 0.89)으로 채점하는 AIGC 이미지 생성 과업에 대한 2 x 2 실험에서 4개 집단으로 무작위 배정하고, 모델의 한계, 비판적 평가, 윤리를 다루는 사고 기반 교수법이 기술 기반 프롬프트 교수법을 능가함을 확인했습니다(M = 9.21 vs 7.69, F(1, 316) = 50.79, p < 0.001, partial eta squared = 0.138). 개방형 과업에서 격차는 더 컸습니다(10.10 vs 8.00). 구조 모형은 두 설계 선택이 서로 다른 경로를 지난다는 점을 보여줍니다. 교수법은 자율성(beta = 0.035)과 유능성(beta = 0.079)을 통해 간접적으로 작동한 반면, 과업의 개방성은 주로 자율성(beta = 0.029)을 통해 작동했고, 유능성이 수행의 가장 강한 예측 변수였으며(beta = 0.358), 관계성은 독립적 효과가 없었습니다. 따라서 교수법에 무엇이 담겨 있는지가 학습자에게 프롬프트 연습이 주어지는지 여부보다 중요하며, 과업이 개방형일 때 가장 중요합니다.

AI 리터러시를 둘러싼 변수들은 그 이후 더 넓게 매핑되었습니다. AI 리터러시의 상관변인에 관한 2025년 체계적 고찰은 14개국에 걸친 31편의 연구(N = 12,071)를 종합하여, 가장 일관된 연관성이 정서적·행동적 영역에서 나타남을 밝혔습니다. AI 자기효능감, 긍정적 AI 태도, 동기, 디지털 역량은 모두 AI 리터러시와 함께 움직인 반면, AI 불안과 부정적 태도는 반대로 움직였습니다. 인구통계 변수는 거의 나타나지 않았고, 연령과 사회경제적 지위는 약하게 혹은 전혀 상관되지 않았습니다. 이 고찰의 경고는 도구에 관한 것입니다. 자기평가로부터 강한 상관을 산출한 동일한 연구들이 AI 리터러시를 검사했을 때는 훨씬 약한 상관을 보였습니다.

한 중국 연구대학의 교수 응답자 502명을 대상으로 한 구조방정식 연구는 AI 리터러시가 AI 웰빙의 가장 강한 예측 변수임을 발견했습니다(β = 0.713). 이에 비해 기술적 자기효능감 경로는 미미했고(β = 0.082), 사회적·조직적 지원은 간접적으로만 웰빙에 이르렀습니다(Liu et al. (2026)).

한 겉보기 부정적 연관은 통제 하에서 뒤집힙니다. 홍콩 학부생 303명 가운데 기술 불안은 AI 리터러시와 부적으로 상관되었으나(r = −0.14) 공동 모형에서는 β = 0.15로 예측했으며, 이 효과는 비판적 평가와 윤리적 역량에 국한되었습니다(Chow et al. (2026)).

Hu (2026)은 AI 리터러시가 무엇에 의해 예측되는지가 아니라 무엇을 예측하는지에 대해 순서가 있는 설명을 더합니다. 이미 ChatGPT를 사용하는 중국 본토 대학생 450명을 조사한 이 연구는 AI 리터러시가 지속 사용과 직접적으로 관련되며(beta = 0.16, p = 0.002), 신뢰와 학업적 자기효능감을 경유하는 연쇄 경로로는 간접적으로 관련됨을 확인했습니다(간접 효과 = 0.07, 95% CI [0.04, 0.10]). 모형에서 가장 큰 연관은 리터러시에서 신뢰로의 연결이었습니다(beta = 0.50). AI 불안이 그 첫 연결을 조절했습니다(상호작용 beta = -0.25, 불안 범위에 걸쳐 단순 기울기가 0.76에서 0.25로 감소). 따라서 그 사슬은 불안이 더 큰 학생들에게서 얇아지며, 리터러시 교수법만으로 이들에게 도달한다고 가정해서는 안 됩니다. 설계는 횡단적이며 표본이 기존 사용자로 제한되어 있으므로, 이 순서는 관찰된 계열이 아니라 모형화 가정입니다.

AI 리터러시의 핵심 응용 목표는 AI 오용의 감소입니다. 학생들이 AI를 윤리적이고 생산적으로 사용하되, 자신의 인지 작업을 AI로 대체하지 않도록 가르치는 것입니다. AI 리터러시가 AI를 비판적으로 평가하고 사용하는 역량을 쌓는다면, 오용 줄이기는 행동적·구조적 결실입니다 — 가드레일이 적용된 도구 설계, 평가 재설계, 그리고 비계가 적용된 "생각 먼저/AI 나중" 순서와 의도적인 피드백을 수반한 프롬프트 연습 같은 교육적 수단을 결합하는 것입니다. 두 개념은 상호 강화합니다. AI 리터러시는 오용 감소 개입을 지속 가능하게 만드는 비판적 태도를 공급하고, 오용 감소 증거(예: 수행–학습 격차)는 리터러시가 운영 기술을 넘어 비판적 판단으로 나아가야 하는 이유를 제시합니다.

AI 리터러시는 가장 어린 학습자에게도 발달 단계에 적합한 형태가 필요합니다. AI-Play는 AI 리터러시 역량을 Pre-K–K2 학습자를 위한 놀이 중심의 비플러그드(unplugged) 활동으로 옮깁니다 — AI Body(부품으로 만들어진 시스템으로서의 AI), AI Food(AI는 사례로부터 배운다), AI Brain(AI는 패턴과 피드백을 통해 개선된다), 그리고 Pre/Post-AI 윤리 렌즈를 중심으로 조직되며, 유아기에 대한 발달에 기반한 AI 리터러시 지침의 지속적 부재를 해결하고 AI 리터러시를 비기술적 교육자와 가족에게도 접근 가능하게 만듭니다. 이와 보완적으로, Vahedian Movahed & Martin (2025)은 6–14세 아동이 연령에 맞춰진 챗봇을 정보원으로 대체로 신뢰했고, 대부분이 이를 "배우는 똑똑한 컴퓨터 프로그램"으로 모델링했음을(발달 초기의 머신러닝 이해) 발견했으나, 비판적 참여와 디지털 안전 인식에는 공백이 있었습니다 — 이는 어린 학습자의 신뢰가 비판적 평가 기술을 앞설 수 있음을 보여주며, 명시적인 신뢰 보정과 안전 교육이 아동을 위한 AI 리터러시의 필수 요소임을 나타냅니다.

측정은 그 발달적 전환을 어린 연령대에서도 따라가고 있습니다. Thianwan and Srikoon의 초등 고학년용 AI 리터러시 자기평가 질문지 2025년 검증 연구는 4학년부터 6학년을 위한 15문항 도구를 개발하여, Learning About AI, Learning About How AI Works, Learning for Life with AI를 중심으로 구성하고 두 표본(n = 335, n = 579)에서 3요인 구조를 확인했으며, 전체 Cronbach's alpha는 .934이었습니다. 저자들은 이를 지각된 리터러시의 형성적 진단으로 규정하며, 아동의 자기평가 정확도는 아직 발달 중인 초인지 능력에 의해 제한된다고 지적합니다.

전달 메커니즘으로서의 프로젝트 기반 학습. Zhu & Kong (2026)은 AI 프로젝트 기반 학습(AI-PBLS) 척도를 개발·검증하고, 홍콩의 중등 및 대학생 1,027명 표본(완전한 데이터를 가진 446명)에서 구조방정식 모형을 사용하여, AI를 활용한 문제 해결에 대한 역량 강화(empowerment)와 AI 윤리적 인식이 지각된 프로젝트 기반 학습과 AI 리터러시 강좌 만족도 사이의 관계를 함께 매개함을 보여주었습니다. 이는 PBL을 단순한 전달 형식이 아니라 학습자의 자신감과 윤리적 추론을 역량과 함께 쌓는 메커니즘으로 자리매김하며, PBL과 의미 있는 AI 리터러시 발달 사이의 연결을 강화합니다. 또한 이는 AI 리터러시 강좌 경험의 향후 측정을 위한 검증된 도구를 제공합니다.

리터러시의 윤리적 차원을 높이는 작업에는 부호의 문제가 있습니다. 스스로 AI를 배운 학부생 584명 가운데 역량은 윤리적 인식을 높였고(β = 0.644, p < .001), 윤리적 인식은 이를 낮추기는커녕 AI 불안을 높였습니다(β = 0.439, p < .001). 이는 예측된 방향의 정반대입니다(Mu et al. (2026)). 저자들이 얻는 교훈은, 윤리적 우려가 어떻게 거버넌스되는지를 가르치는 것이 윤리적 차원 자체와 함께 수반되어야 한다는 것입니다. 그렇지 않으면 리터러시 작업은 학습자를 만났을 때보다 더 불안하게 남겨둘 수 있습니다.

대화형 AI 프레임워크의 핵심 공백으로서의 AI 리터러시. 대화형 AI 에이전트에 관한 엄브렐라 리뷰(Ganguly et al. 2025, 34편의 리뷰)는 제한된 AI 리터러시 지원을 CAI 프레임워크의 주요 공백으로 지목하고, 그 윤리적 사용 로드맵은 기초 평가(AI 리터러시 강화 포함)를 참여적 설계, 윤리적 사용 지침, 인지적 영향의 지속적 평가와 나란히 첫 번째 기둥으로 둡니다. 또한 이 리뷰는 AI 리터러시, 교육, 인식이 CAI 문헌에서 가장 강조되는 윤리적 방향 가운데 하나임을 확인합니다.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

AI 리터러시 개입의 효과. 59개 연구의 3수준 메타 분석(172개의 효과 크기, 참가자 7,211명)은 AI 리터러시 개입의 큰 전체 효과를 추정합니다(g = 0.837, p < .001) — 다만 예측 구간이 넓어([−0.292, 1.966]) 맥락에 따라 효과가 상당히 달라집니다. 동아시아와 유럽의 개입이 북미의 개입을 능가했고, 지식 중심 개입이 기술, 태도, 윤리를 겨냥한 개입을 능가했습니다. 저자들은 따라서 AI 리터러시 교육이 지식을 넘어 기술, 실천, 윤리, 태도로 나아가야 하며, 통합적이고 성찰적인 교수법(프로젝트 기반, 문제 기반, 탐구 기반, 경험 기반)과 GenAI 지원 도구의 뒷받침을 받아야 한다고 주장합니다 — 이 전환은 이 지식 베이스의 다른 곳에서 서술된 컴퓨팅 사고의 참여적·생산자 지향 형태와 궤를 같이합니다.

두 번째 종합은 더 좁은 기반에서 비슷한 규모에 도달하며 측정 문제를 더 날카롭게 만듭니다. Yu, Kim, Chang and Huang (2026)은 AI 자체를 가르친(AI와 함께 가르친 것이 아닌) K-12 학생 3,837명을 대상으로 한 16개 연구의 효과 크기 57개를 통합하여, Hedges' g = 0.892(95% CI [0.548, 1.236], p < .001)를 추정했고, 이는 0에서 1까지 가정된 사전–사후 상관에 강건하며 trim-and-fill 후에도 g = 0.952로 안정적이었습니다. 57개 효과는 모두 양의 방향을 가리켰고(범위 0.16~4.93), 어떤 조절 변수(출판처, 연도, 학교급)도 이 상당한 이질성(I² = 94.68%)을 설명하지 못했습니다. 저자들이 선호하는 설명은 측정입니다. 포함된 연구들은 AI 지식과 윤리에서 태도, 동기, 자기효능감, 진로 흥미에 이르기까지 모든 것을 "AI 리터러시"라고 불렀기 때문에, 통합된 수치는 하나의 균일한 개입이 아니라 하나의 느슨한 명칭 아래 긍정적 발견들의 분포를 서술합니다. Liu 등의 연구와 함께 읽으면, 두 추정치는 AI 리터러시 교수법이 작동한다는 점에 동의하고 그 외에는 거의 동의하지 않으며, 이것 자체가 해당 분야의 측정 신호입니다.

의도적으로 짧게 설계된 방안에 대한 교실 증거는 더 얇지만 같은 방향을 가리키며 설문이 제공할 수 없는 행동 수준의 결과를 더합니다. Clerc et al. (2026)은 8~9학년 프랑스 학생 116명에게 LLM이 어떻게 작동하고 실패하는지에 대한 2시간 워크숍을 진행하고, 프롬프트가 사용 가능한 답을 이끌어낼지 예측하고, 응답을 평가하고, 수정하거나 다시 묻는 연습을 병행했습니다. 이틀 후, 통제 집단과 함께 여섯 개의 LLM 지원 과학 문제를 푸는 동안, 훈련된 학생들은 명세가 불충분한 프롬프트를 덜 수용했고(51.5% vs. 66.7%, OR = 0.47), 약한 응답 이후 후속 질문을 훨씬 더 자주 했으며(59.2% vs. 27.9%, d = 0.80), 답의 정확성을 프롬프트 품질에 더 민감하게 판단했습니다(상호작용 OR = 2.52). 점수 차이는 미미했습니다(20점 만점에 11.38 vs. 10.29, p = .040). 워크숍은 시험 과업을 연습하지 않았으므로, 전이된 것은 과업에 대한 친숙함이 아니라 규제적 태도였습니다 — 그리고 저자들은 이틀이 내구성은 아님을 명확히 합니다.

초등학교에서의 AI 지원 비판적 미디어 리터러시. Demir and Akar (2026)은 GenAI 지원 리터러시 교수법의 구체적인 초등학교 사례를 제공합니다. 터키 4학년 학생들을 대상으로 한 18시간의 5E 모형 프로그램으로, ChatGPT와 Grammarly를 단계별로 교수적 에이전트로 배치했습니다(성찰적 질문과 질의응답에는 ChatGPT, 내용 정제에는 Grammarly와 Canva AI, 동료 피드백에는 Padlet). 이는 터키어 및 사회과 교육과정에 맞춰졌습니다. AI 지원 집단은 미디어 읽기(+3.50), 쓰기(+1.67), 전체 미디어 리터러시(+5.17, 모두 p < .01)에서 큰 향상을 보였고 집단 간 효과 크기는 Cohen's d = 1.12–1.31이었으며, 통제 집단은 완만한 향상만을 보였습니다. 질적 분석은 비판적 미디어 리터러시 성장의 여섯 영역 — 디지털 자기보호와 데이터 프라이버시, 목적 있고 책임 있는 미디어 사용, 안전한 의사소통과 경계 인식, 비판적 평가와 허위정보 인식, 온라인 위험 인식, 미디어 윤리/디지털 시민성 — 을 드러냈습니다. 이는 발달 단계에 적합하고 학문에 내장된 GenAI 사용이 AI 리터러시의 비판적 평가 및 윤리적 차원을, 운영 기술뿐만 아니라, 쌓을 수 있음을 보여줍니다.AI 리터러시를 구조화하기 위한 프레임워크. 최근의 여러 기여가 AI 리터러시 구축을 위한 구조화된 진행 단계를 제시합니다. **Marienko, Markova, and Semerikov (2026)**는 AI 교육의 세 가지 패러다임(AI-directed, AI-supported, AI-empowered)과 통합된 5단계 프레임워크(Awareness, Application, Evaluation, Creation, Ethics)를 제안합니다. 이는 우크라이나 중등 교육자들을 대상으로 한 혼합 방법 연구(전국 조사 n = 2018; 전문성 개발 평가 n = 1130)를 통해 개발되었습니다. 이들은 교육자의 84%가 AI를 사용하지만 ChatGPT 외의 전문 서비스를 식별할 수 있는 사람은 11%에 불과하며, 전문성 개발 개입이 AI 역량에서 24%의 향상을 산출했음을 발견했습니다 — 이는 목표 지향적 전문성 개발이 표면적 도구 친숙함을 넘어 리터러시를 진전시킨다는 증거입니다. 이 프레임워크가 구성주의, 연결주의, TPACK에 기반을 두는 점은 기술적 교수 내용 지식(TPACK) 및 교수자의 AI 역량와 연결됩니다. 이를 보완하여, **Moore et al. (2026)**는 청소년과 AI 전문가 자문 위원회와 함께 고등학생을 위한 과학 통합 ML 교육과정을 2년에 걸친 DBR 과정으로 설계하여, 두 집단 모두에서 ML 지식 향상을 발견했습니다(2기 M2−M1 = 0.175 vs 1기 0.076). 여성과 비백인 참가자에게서 향상이 더 컸습니다 — 이는 참여적이고 학문에 통합된 설계가 AI 리터러시와 형평성을 함께 진전시킬 수 있음을 보여줍니다.

39개의 STEAM 연구(2016–2025)에 대한 PRISMA 고찰은 이 실행들이 주로 기술적 리터러시 — 기초 AI 개념, 컴퓨팅 사고, 데이터 리터러시 — 를 발전시키는 반면, 윤리적 인식, 창조적 상상력, 그리고 AI를 활용한 창작·관리·설계는 충분히 발전시키지 못한다는 점을 발견했습니다. 따라서 학문에 내장된 단원조차 고차원적 요소를 놓칠 수 있습니다(Niri et al., 2026).

이 구성개념은 교육자가 관여되는 바로 그 지점에서 논쟁 중입니다. 교사 교육에서의 AI 리터러시에 관한 34개 연구의 고찰은, 해당 분야가 전문 교육자에게 AI 리터러시가 무엇을 의미하는지, 일반 디지털 리터러시와 어떻게 구별되는지에 대해 합의가 없음을 밝혔습니다. UNESCO의 교사를 위한 AI 역량 프레임워크는 다섯 가지 차원에 걸쳐 15개 역량을 명시하지만, 실행 지침이라기보다는 글로벌 정책 참조로 기능합니다. 교차 기관 교사 준비 협력체의 교수진은 AI 리터러시를 별도의 기술이 아니라 전문적 준비의 통합된 차원으로 다루어, 후보생들이 도구 친숙함을 입증하기보다는 학문 수업 안에서 AI 결과물을 검토하고 비교하고 정당화할 것을 기대했습니다.

초기 교사 준비가 구조가 가장 얇은 지점입니다. Pinto et al. (2026)은 예비 초등 수학 교사를 위한 초기 교사 교육에서 AI에 관한 11개 연구를 고찰하여, 9개가 기존 강좌에 내장된 단일 차시 혹은 소수의 차시였고, 프롬프트가 명시적인 훈련 내용이었던 경우는 일부에 불과했으며, 윤리는 단 3개에만 등장했고 그중 어느 것도 투명성, 알고리즘 편향, 책임성을 다루지 않았음을 밝혔습니다. 이들이 보고하는 위험은 리터러시 수준의 실패입니다. 예비 교사들은 ChatGPT가 생성한 개념적 오류를 알아채지 못했고, 생성된 내용을 비판 없이 수용했으며, 과업이 어려워질수록 문제 해결을 도구에 더 많이 위임했습니다. 이들의 권고는 AI 역량을 고립된 모듈이 아니라 준비 단계부터 실습에 이르는 전체 훈련 서열에 걸쳐 구축하는 것입니다.

AI 교육이 왜 가르쳐지는지에 대한 교사들의 서술은 역량 프레임워크가 암묵적으로 남겨두는 목적의 층을 더합니다. Fagerlund et al. (2026)은 유아원부터 9학년까지의 핀란드 교사 13명을 면담하여(대부분 AI 교육 초심자), 그들의 목적 진술을 Biesta의 세 영역으로 읽었습니다. 역량의 습득인 Qualification은 가장 분명하고 구체적인 목적이었고, 다른 두 영역으로 들어가는 경로로 작동했습니다. 학생들은 AI를 사회기술적 현상으로 파악하고 그 도구를 사용해야 하며, AI는 학습의 대상이자 보조 수단으로 기능해야 했습니다. Socialization은 열정을 기르고, AI를 "멋진 것"으로 제시하며, 역량 요구를 충족해야 하는 미래의 AI에 능통한 노동자로 학생들을 규정하는 모습으로 나타났습니다. Biesta가 중심으로 다루는 자기결정되고 개인적으로 의미 있는 참여인 Subjectification은 중요하다고 언급되었으나 토론과 숙고를 넘어서는 구체적인 교수법적 레퍼토리가 없었고, 교사들은 AI의 권위에 이의를 제기하는 사례를 전혀 제시하지 않았습니다. 저자들은 **정보에 입각한 AI 주체성(informed AI agency)**을 제안합니다. Subjectification을 중심에 두면서 역량을 자기결정된 선택을 설명하는 프레임워크로 다루는 휴리스틱입니다. 설계적 함의는 AI 교육의 "왜"가 "어떻게"만큼이나 설계의 주의를 필요로 한다는 것입니다. Subjectification이 일반적 토론에 머무를 때, AI 리터러시 교수법은 그것이 곁에 서 있던 Qualification으로 되돌아갑니다.

준비 태도 자체가 논쟁의 대상입니다. Charles (2026)는 AI가 풍부한 학습을 위한 교사 준비 태도를 도입, 자신감, 디지털 역량이 아니라 교사가 생산하는 설계의 질에서 읽어야 한다고 주장하며, *설계 매개(design mediation)*를 중심으로 한 프레임워크를 구축합니다. 도구 선택, 과업 및 프롬프트 설계, 비계 설정, 검증, 투명성, 평가 재설계, 접근성 계획, 인간 감독과 같은 관찰 가능한 결정들이 그것입니다. 그 주장 중 두 가지가 전문성 개발에 직접적 결과를 가집니다. 첫째, 자기효능감는 품질 지표가 아니라 동원 자원입니다. AI 특정 교수법 지식이나 윤리적 지향 없이는 자신감이 나쁜 설계를 막기보다 가속할 수 있으며, 이는 교사의 자신감을 준비 신호로 읽는 통상적 해석을 제한합니다. 둘째, 정책의 명확성과 제도적 지원은 서로 별개의 조절 변수이므로, 물질적 지원이 높으면서도 기대는 모호하여 준비 태도가 여전히 잘 전환되지 않을 수 있습니다. 이 프레임워크는 또한 비사용을 미준비와 동일시하지 않습니다. AI를 사용하지 않기로 한 이성적 결정 자체가 설계 판단을 보여줄 수 있기 때문입니다. 이는 개념적이며 검증되지 않았으므로, 확립된 효과라기보다는 명제와 증거의 출처를 제공합니다.

상호작용 리터러시: 상호작용적 차원. Brunnström and Palmqvist (2026)은 더 좁은 상호작용적 역량 — GenAI와의 반복적 상호작용을 방향을 잡고, 평가하고, 그로부터 배우는 능력 — 을 AI 리터러시 헵타곤과 같은 더 넓은 프레임워크의 적용적·평가적·통합적 차원을 구체적으로 구현한 것으로 제안합니다. 이들의 성찰적 시연은 그것이 실제로 무엇으로 구성되는지를 보여줍니다. 유창한 답이 자신의 도식보다 높은 수준에 있음을 알아채고, 단순화를 요청하고, 범위를 좁히고, 시스템을 집중된 연습 쪽으로 재방향하는 것입니다. 두 가지 설계 결과가 따릅니다 — 이 기술은 고르게 분포하지 않으므로 안내 없는 사용이 이미 자신감 있는 학생들에게 이익을 주고 격차를 넓힐 수 있으며(형평성), 이것은 가정되기보다 명시적으로 가르쳐져야 하며, 교사가 생산적인 프롬프트를 어떻게 구성하는지와 언제 도구 사용을 멈출지를 다루어야 합니다(자기조절 학습).

비판적 AI 리터러시: 기술을 넘어 권력과 저항으로

지식 베이스의 뚜렷한 한 흐름은 AI 리터러시를 기술이나 비판적 평가가 아니라, 권력과 권위, 그리고 누구의 지식이 셈나는지를 문제시하는 비판적이고 정치적인 실천으로 다룹니다. 이는 AI 리터러시를 비판적 교수법과 형평성에 연결합니다:

  • 리터러시 태도로서의 "AI에 저항하기". 비판적 AI 리터러시(CAIL)는 AI에 저항하기를 포괄할 수 있습니다 — 지배적 담론의 불가피성과 기술해결주의(techsolutionism)를 거부하고, 대화적·협력적 교수법을 통해 집단적 주체성을 기르는 것입니다.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) 이는 교육을 주어진 기술 질서에 단순히 적응하는 곳이 아니라, 공동체가 대안적 미래를 상상하고 건설하는 공간으로 자리매김합니다.
  • 공동체 기반 인식론. 공동체 기반 AI 학습은 AI 참여를 학습자가 살아온 공동체적 인식 방식에 뿌리내리게 하여, 인식론적 미세 조정(epistemic fine-tuning), 권위의 재분배, 상황적 분별(situated discernment)을 통해 AI의 인식론적 권위를 재분배합니다.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
  • 비판적·여성주의적 틀. 비판적·여성주의 연구는 AI 리터러시를 정의, 저항, 문화적 지속가능성의 교수법 안에서 구성해야 한다고 주장합니다 — AI가 누구의 지식을 생산하는지, 누가 이익을 얻는지, 시스템이 실패할 때 누가 책임지는지를 묻는 것입니다.(Can we disrupt the momentum of the AI colonization of science education?)
  • 상황적 교육과정 장치. AI 리터러시는 추상적 교수법이 아니라 상황적이고 능동적인 교수 수단(예: Episodes of Situated Learning)을 통해, 여러 수준에 걸친 AI 역량을 발전시키며 구축될 수 있습니다.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
  • 비판적 AI 리터러시 교수법으로서의 창조적 구성 활동. AI 리터러시를 기술적 지식이나 개인 역량으로 다루는 대신, 학습자들이 실제 청중을 향해 AI에 관한 메시지를 구성할 기회를 설계하십시오 — 공익 광고와 같은 멀티모달 AI 산출물은 비판적 역량을 동시에 시연하고 전달합니다. Burriss et al.(2026)의 교실 연구에서, 22명의 11학년 학생들은 자신들이 고른 AI 윤리 주제를 가지고 학교 감시, 정보에 입각한 동의(informed consent), 알고리즘적 고발에 관한 영상 PSA를 제작했습니다. 일곱 편의 영상 모두에서 해악은 악당 같은 도구가 아니라 인간–기계의 얽힘에서 비롯되었고, 줄거리는 여전히 희망과 학습자 주체성로 마무리되었으며, 저자들은 전통적 평가에 저항하는 스토리텔링과 옹호(advocacy)를 학생의 정체성, 선택, 목소리를 중심에 두는 비판적 AI 리터러시 교수법의 핵심으로 자리매김합니다.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
  • 수용이 아닌 규제 역량. Kim (2026)은 고등 교육에서 AI 리터러시를 *규제 역량*으로 재규정합니다 — 학업 수행 중 AI 결과물을 검증하고, 수정하고, 선택적으로 채택하거나 거부하는 실행된 실천 — 으로서, 평가적 역량과 윤리적 인식(AI를 사용하려는 의지 자체가 아니라)이 능동적인 비판적 참여를 예측함을 보여줍니다.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
  • 리터러시 기술로서의 아부(sycophancy) 알아보기. 핵심적인 평가 역량은 AI가 학습자와 동의하는 것인지, 아니면 옳은 것인지를 알아보는 것입니다. 상황적 아부는 AI 리터러시와 프롬프트 교육이 사용자의 오류를 거울처럼 반영하는 아부적 모방을 줄이되 — 완전히 제거하지는 — 못함을 보여주며, 아부적 AI는 사용자가 이해받는다고 느끼게 하기 때문에 바로 그 때문에 선호됩니다. 따라서 AI 리터러시는 학습자에게 동의 자체를 위한 동의를 탐지하고, 교정적 마찰(corrective friction)에 가치를 두도록 가르쳐야 하며, 이는 신뢰 보정과 AI 오용의 감소에 연결됩니다.
  • 검증뿐 아니라 가치 평가. O'Byrne (2026)은 정확성, 신뢰성, 관련성만을 확인한 학생들은 개념적으로 평평해진 결과물을 여전히 수용한 반면, 뉘앙스, 목소리, 인식론적 입장까지 판단한 학생들은 이를 다시 썼음을 발견했습니다 — "언제 판단을 위임하지 말아야 하는가"를 리터러시의 질문으로 만드는 것입니다.

이러한 비판적 흐름들은 AI 리터러시의 운영적·인지적 차원을 보완합니다. 후자가 "학습자가 AI를 사용하고 평가할 수 있는가?"를 묻는다면, 비판적 AI 리터러시는 "학습자가 AI가 구현하는 권력 구조를 이해하고 이의를 제기하는가?"를 묻습니다.

STEM 교육에서의 AI 리터러시

AI 리터러시에 대해 가장 발전된 학문적 증거 기반은 STEM 교육에서 나오며, Hallström, Chiu, Ding, Koretsky and Li (2026)은 2022~2026년 사이의 가장 많이 인용된 열 편의 연구를 종합하여 기준선과 그 한계를 함께 보여줍니다. 말뭉치 전반에 걸쳐 AI 리터러시는 여섯 가지 서로 겹치는 구성개념으로 정의됩니다 — 지식/기술/태도(Su & Yang 2024), 개념적-절차적-맥락적 지식(Stolpe & Hallström 2024), 알기-이해/사용-적용/평가-창조/윤리(Ng et al. 2022), 그리고 사용-의사소통-평가 틀짓기(Long & Magerko, Hornberger et al. 2023) — 따라서 이 분야의 "개념적 모호함"은 측정의 문제입니다. 두 연구가 모두 "AI 리터러시"를 평가하면서도 서로 같은 구성개념을 평가하지 않을 수 있습니다. 열 편 가운데 단 두 편만이 완전한 프레임워크를 제공합니다. 이 검토의 가장 날카로운 발견은 비대칭입니다 — 말뭉치는 거의 전적으로 학생들의 리터러시를 측정하는 반면 교사들의 리터러시는 거의 발전시키지 않습니다. 이 격차는 교사 대상 AI 리터러시 개입이 가정이 아닌 증거 위에 놓이지 못한 채 남겨 두며, 저자들은 이를 교사가 그러한 개입을 운영하려면 스스로 AI 리터러시를 갖춰야 한다는 실천적 요구 사항과 연결합니다.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

그 말뭉치의 챗봇 증거는 유창성 기반 훈련에 반합니다. Ding et al. (2023)은 대학 물리에서의 ChatGPT 튜터링이 자신감과 지식을 높였지만 AI에 대한 "초인적이고 무오류적"이라는 오해를 강화했으며, AI 리터러시 교육은 "무엇보다 먼저 정보를 평가하는 데 있어 학생들의 비판적 사고 기술을 향상시키는 것"이라고 결론내렸습니다. Xu et al. (2026)은 ChatGPT가 지원하는 STEM 프로그래밍이 자신감과 지식은 향상시켰으나 전산적 사고와 독립적 사고는 그대로 두었음을 발견했습니다 — 유창성의 이득이 사고의 이득 없이 공존합니다. 두 발견 모두 이 페이지의 다른 곳에서 다루는 신뢰 보정과 과잉 의존 우려를 거울처럼 보여줍니다. 결코 학생에게 반박하지 않는 튜터는 평가할 수 없는 자신감 넘치는 학습자를 만들어낼 수 있습니다. STEM 학부생 사이에서 실제 AI 도구 사용의 가장 강한 결정 요인은 준비도나 자기효능감이 아니라 태도였으며(Falebita & Kok 2025), 이 검토는 STEM 학문 커버리지가 생물과 물리에 치우쳐 있고 기술을 하나의 주제로 다루는 경우는 거의 없음을 지적합니다. 학문 특수적 설계를 위해, 이 검토의 실천적 경고는 포괄적인 역량 프레임워크(UNESCO, EU/OECD)가 "종종 경험적 연구나 충분한 이론적 기반과의 연결을 결하고" 있으며 교실에 적용 가능한 것이 드물다는 것입니다.

누구의 AI 기술이 셈나는가? 교수자–고용주의 틀 짓기 분열

AI 리터러시의 핵심 미해결 질문은 어떤 기술이 누구에게 중요한가입니다. HiBob AI Skills Framework의 26개 기술에 대해 미국의 교수자와 고용주가 부여하는 우선순위를 비교한 Ithaka S+R 연구는, 둘이 중요성에 동의한 것이 단 하나(AI가 보강된 작업에 대한 현실적 기대 설정)뿐임을 발견했습니다. 교수자들은 비판적이고 책임 있는 사용 지향에 무게를 둡니다 — AI의 한계 인식, 투명성과 출처 표기, 인간의 책임, 능동적 결과물 검토 — 이는 귀속, 검토, 정보 리터러시의 학문적 가치와 일치합니다. 고용주는 팀 기반 업무 효율을 반영하는 생산성 지향 기술 — 워크플로 평가 및 재설계, 자동화, 인간–AI 팀 구성 — 에 무게를 둡니다. 26개 기술 가운데 절반 이상의 교수자가 가르치는 것은 단 3개에 불과하고, 가르쳐지는 것들은 비판적 사용 범주로 기울어져 있으므로, 이 보고서는 구체적인 AI 기술 격차를 확인합니다. 고용주가 가치를 두는 범주 전체가 대학 교육과정에서 우선시되지도 가르쳐지지도 않는다는 것입니다.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) 이 분열은 AI 리터러시를 논쟁의 구성개념으로 규정합니다 — 학문적 환경을 위한 비판적 사용 리터러시 대 취업을 위한 워크플로 통합 리터러시 — 이 긴장은 학생을 위한 AI 활용에 대한 프레이밍, 교육과정 설계, 직장 학습과 관련됩니다.

학생들 자신의 평정은 관련되지만 다르게 배열된 이야기를 말합니다. ElSayary and Ragab (2026)은 대학생 380명(대부분 STEM에 재학 중인 빈번한 AI 사용자)을 조사하여, 자기보고 AI 리터러시가 지각된 취업 가능성 준비도의 설명에서 가장 큰 몫을 차지함을 발견했습니다. 네 가지 리터러시 차원은 배경 통제 변수의 0.054 위에 ΔR² = 0.554(p < .001)를 더했고, 전체 모형은 분산의 60.8%에 도달했습니다. 리터러시 집합 안에서는 평가 차원이 가장 강했고(Analyze & Evaluate, β = 0.286), 이어 정서적 차원(Attitudes & Mindsets, β = 0.266)이었으며, 직접 사용(β = 0.217)과 기초 지식(β = 0.187)이 그 뒤였습니다. 지각된 진로 준비도에 대해서는, Analyze & Evaluate(β = 0.216, p < .001)와 Attitudes & Mindsets(β = 0.192, p = .004)만이 유의하게 연관되었습니다. Ithaka의 분열에 비추어 보면, 학생들의 직장 준비도에 대한 자기 인식은 고용주가 무게를 두는 워크플로 통합 기술보다는 교수자들이 선호하는 비판적 평가 지향으로 기웁니다. 설계는 균일하게 높은 평균(5점 만점에 4.17~4.57)을 가진 단일 차시 자기보고이며 고용주나 고용 측정치가 없으므로, 이것이 보여주는 것은 자기 평가된 AI 리터러시와 자기 평가된 취업 가능성이 함께 움직이며, 그중 평가적·성향적 부분이 가장 큰 역할을 한다는 것이지, 이 학생들이 입증 가능하게 노동시장에 준비되었다는 것은 아닙니다.

AI 리터러시 개입 설계하기

이 지식 베이스의 프레임워크와 실증 연구들은 AI 리터러시 개입을 구축하는 교육자와 교수 설계자들에게 다음의 실천적 지침들로 수렴합니다:

1. 구조화된 역량 프레임워크를 체크리스트가 아닌 비계로 사용하십시오. 성숙한 프레임워크는 설계자에게 공유된 어휘와 발달 단계가 배열된 목표를 제공합니다. SAIL 프레임워크는 AI 리터러시를 세 영역(AI Concepts; Application and Technical Skills; AI Digital Citizenship)에 걸쳐 네 개의 비계 수준 — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++ — 으로 조직합니다. AI 리터러시 헵타곤은 일곱 차원(기술 지식, 적용, 비판적 사고, 윤리, 사회적 영향, 통합, 법률/규제)을 Bloom에 맞춘 네 개의 숙련도 수준과 교차시키며, 강조점이 반드시 학문 맥락에 맞게 조정되어야 함을 강조합니다 — 기술 프로그램은 적용에, 인문학 프로그램은 윤리적·사회적 영향 추론에 무게를 둡니다.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. ICAP 방식 전반에 걸쳐 학습자를 참여시키십시오. ICAP 틀를 적용하면, 효과적인 교수법은 학습자에게 여러 인지 수준에서 참여할 기회를 제공합니다 — 수동적 노출(AI 개념 강의), 능동적 조작(도구 직접 사용), 구성적 생성(AI 산출물 제작, 자기 설명), 상호작용적 대화(동료 및 AI와의 협력적 문제 해결) — 학습 목표에 맞는 방식을 선택하면서 말입니다. 체계적 고찰은 성공적인 협력적 AI 리터러시 개입이 네 가지 ICAP 방식을 모두 아우름을 확인했습니다.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. 자기 인식이 아닌 입증된 역량을 평가하십시오. 자기보고 AI 리터러시는 실측 수행과 크게 벌어집니다 — 교사들은 자신의 기술을 약 40% 과대평가하며, 수행 기반 척도는 자신감 설문보다 교실의 AI 통합을 훨씬 잘 예측합니다(r≈0.72 vs 0.31). 개입을 수행 기반 평가와 보정(calibration)을 중심으로 설계하고, 자신감 조사가 아니라 진단적 프로파일(과대평가자 vs 진짜 초심자)을 사용하여 지원을 목표화하십시오.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. 운영 기술뿐 아니라 초인지적·비판적 태도를 구축하십시오. AI 리터러시는 기술의 체크리스트보다 초인지적 사회적 실천으로 이해하는 편이 낫습니다. LLM이 확률적이고 불투명하기 때문에, 학습자는 자신의 전략을 점검하고 조정하며, 과학적 회의주의를 기르고, 알고리즘이 지식 생산을 어떻게 형성하는지를 문제시해야 합니다 — 단지 도구를 조작하는 법을 배우는 것이 아닙니다. 참여적 공동 설계와 실험적·프로젝트 기반 공간(일회성 도구 훈련이 아니라)에서 이러한 인식이 자랍니다.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. 리터러시를 학문에 내장하고 지속되게 하십시오. AI 리터러시의 더 높은 단계로의 이동(비판적 사용 없음 → 정보에 입각한 사용 → 비판적 평가 → 개선)은 경험이 지속되고 학문에 내장될 때 가장 뚜렷이 나타나며, 독립된 워크숍으로 전달될 때는 그렇지 않습니다. 실제 학업 안에서 반복적이고 맥락적인 연습을 위해 설계하십시오.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) 학문에 내장된 비판적 리터러시의 구체적인 모형은 언론 분야를 위한 Dierickx et al. (2026)의 과업 기반 분류 체계입니다. 이는 LLM 지원 과업을 뉴스 워크플로의 네 단계(newsgathering, sensemaking, editing, publication/distribution)에 걸쳐 매핑하며, 각 단계를 기준 프롬프트와 위험 및 완화 전략에 연결합니다. 과업 정의와 프롬프트를 중립적 기술이 아닌 전문적 판단의 상황적 형태로 다룸으로써, 이것은 프롬프트 자체를 비판적 AI 리터러시(편향, 환각, 과잉 의존, 그리고 인간의 편집 감독의 지속적 가치)를 위한 매개체로 만듭니다. 그리고 그 논리는 법률, 의학, 공공 정책과 같은 다른 지식 집약적 직업으로 이전됩니다. 이러한 학문 특정 분류 체계를 보완하여, Dohn et al. (2026)의 분류 체계는 GenAI 학습 활동을 여섯 차원에 따라 분류하는데, 그중 Epistemic Engagement(GenAI의 이해 / 사용 / 비판 / 구성)는 AI 리터러시를 기술에 대한 학습자의 인지적 관계의 깊이로 직접 운영화합니다 — 수동적 노출에서 능동적 비판과 구성에 이르기까지입니다.

6. 형평성과 디지털 격차를 설계 제약으로 다루십시오. AI 리터러시는 3수준의 디지털 격차(접근, 기술, 성과)에 대응하는 메커니즘입니다. 기술과 비판적 사용이 쌓여 이익이 공정하게 분배되지 않는다면 기기 격차를 메우는 것만으로는 불충분합니다. 개입은 AI에 대한 사전 접근이 적은 학습자를 위해 명시적으로 계획해야 하며, 리터러시를 문화 중립적인 것으로 다루는 대신 문화적·거버넌스적 관점을 통합해야 합니다.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(디지털 격차)

7. 리터러시를 오용 감소 수단과 짝지으십시오. AI의 오용은 지속적인 학습을 적극적으로 해치므로, 리터러시 교수법은 AI 오용의 감소 아래 문서화된 구조적·교육적 수단 — 가드레일이 적용된 "답이 아닌 힌트" 도구 설계, 평가 재설계, 의도적인 프롬프트 연습을 수반한 비계화된 "생각 먼저/AI 나중" 순서 — 과 결합되어야 합니다.

8. 학습자의 실제 출발점에서 시작하십시오. 학습자는 서로 다른 지향으로 들어옵니다 — 공포, 불신, 혹은 접근 부족에 기인한 회피 대 오해를 가리는 비판적이지 않은 의존. 균일한 교육과정이 아니라 진단적이고 단계 기반인 접근은 설계자가 학생이 있는 곳에서 만나 비판적이고 책임 있는 참여로 나아가게 합니다.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. 정규 교육이 이미 도달하는 청중을 넘어 제공을 확장하십시오. 공영 미디어를 위한 AI 리터러시 프레임워크는 40개 이상의 프레임워크와 35건의 전문가 면담에 기초한 조망 고찰로부터, 제공이 기술적·기능적 기술로 기울어져 있으며, AI 리터러시는 서로 겹치므로 독립 과목이 아니라 디지털, 미디어, 정보 리터러시와 연결되어야 한다고 주장합니다. 그 구조 — 여섯 역량 영역, 다섯 가치, 세 진행 수준(Understanding and Applying, Analysing and Evaluating, Synthesising and Specialising)과 평가 지침 — 은 정규 학교 교육 밖의 제공자에게 사용 가능한 템플릿이며, 그 형평성 논변은 하나의 설계 지침입니다. 디지털 혹은 다른 방식으로 소외된 청소년에게 다가가는 것은 보편적 배포가 아니라 의도적인 파트너십을 요구합니다.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

AI 리터러시 측정하기

지식 베이스의 한 연구 흐름은 AI 리터러시를 교수의 대상일 뿐 아니라 측정할 구성개념으로 다룹니다. 이 지식 베이스의 평가 흐름은 자기보고 리터러시와 수행 기반 리터러시를 구분합니다. 자기보고는 입증된 역량과 크게 벌어지며(교사들은 약 40% 과대평가), 수행 기반 척도는 자신감 설문보다 교실의 AI 통합을 훨씬 잘 예측합니다(r≈0.72 vs 0.31). 개입 연구는 그 불일치를 행동 수준에서 재현합니다. Clerc et al. (2026)에서, GenAI에 대한 태도도 일반적 초인지 인식 척도도 학생들의 LLM 상호작용 규제나 최종 과업 점수를 예측하지 못했습니다(r = .01과 r = .04, 모두 비유의). 반면 워크숍이 변화시킨 행동들 — 명세 불충분한 프롬프트 거부, 답의 정확성 판단, 후속 질문 — 은 답의 질을 추적했습니다. 이 격차를 메우기 위한 검증된 도구들이 나타나고 있습니다 — GLAT는 심리측정학적으로 검증된 생성형 AI 리터러시 평가를 제공하며, 진단적 프로파일(과대평가자 vs 진짜 초심자)은 설계자가 필요한 곳에 지원을 목표화할 수 있게 합니다. Guo et al. (2026)은 그 도구 지형을 직접 매핑하여, 2014년 1월부터 2025년 2월 사이에 출판된 검증된 프레임워크 80개 — 디지털 리터러시 69개와 AI 리터러시 11개 — 를 검토합니다. AI는 디지털 리터러시를 윤리 쪽으로 끌어당기고 의사소통을 인간–AI 상호작용을 포함하는 것으로 재구성했으며, 초인지적 규제와 교육자 특정 인간–AI 협업은 가장 덜 명시된 채 남아 있습니다. 설계와 연구를 위해, 이것은 AI 리터러시를 교육 측정과 더 넓게 평가에 연결합니다. 리터러시 프레임워크는 성장을 추적하는 데 쓰이는 도구만큼만 유용하며, 단계 기반 연속체는 학습자를 그 위에 배치하기 위해 신뢰할 만한 측정을 요구합니다.

32문항 6요인 도구는 4차원 모형에 책임 있는 사용과 자기발전의 두 요인을 더해 확장하며, 청소년(12–17), 청년(18–40), 중년(41–60)에 걸쳐 스칼라 동일성(scalar invariance)을 유지하지만, 저자들은 ΔCFI가 통상적 기준에 근접했음을 경고합니다(Liu et al. (2026)).

Zhi, Yang and Huang (2026)은 Marzano의 분류 체계 위에 대학원 특정 모형을 구축합니다. 교수 14명과의 면담에 대한 근거 이론 분석이 원시 라벨 329개를 96개의 개념, 15개의 범주, 다섯 차원(인지적 기초, 운영 기술, 고차원 사고, 초인지적 성찰, 윤리적 책임)으로 응축했으며, 이를 15문항 리커트 척도로 운영화했습니다. 이 척도의 다섯 요인은 탐색적 요인 분석에서 나타났고(누적 분산의 83.14%), 두 번째 부분 표본에서의 확인적 요인 분석에서도 유지되었으며(CFI = 0.934, RMSEA = 0.083), 신뢰도는 308부의 유효 설문에 걸쳐 0.796~0.842이었습니다.

관련된 질문은 도구들이 본질적으로 무엇을 측정할 수 있는가입니다. Burriss et al. (2026)은 기존 AI 리터러시 척도와 역량 프레임워크가 개인 단위로 측정 가능한 수행을 전제하므로 협력적이고 창조적인 표현을 구조적으로 배제한다고 지적합니다. 이들의 단위에서의 증거는 총괄 평가 점수가 아니라 멀티모달 AI 영상 산출물, 성찰, 시민적 담론이었으며, 저자들은 그러한 증거가 기존 측정을 대체하기보다 보완할 수 있다고 주장합니다. 따라서 구성개념을 넓히는 것은 기존 척도에 양식 풍부한 문항을 더하는 데 그치지 않고 인정 가능한 증거를 넓히는 것을 요구할 수 있습니다. Critical 3wAI Literacy Scale(Bozkurt, Ertan & Cömert, 2026)는 성인 학습자를 대상으로 같은 삼부분 구조를 자기보고 도구로 검증했습니다(n = 546과 n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). 이 척도의 Know-How와 Know-Why 요인은 가장 밀접하게 결합되어 나타났고(HTMT = 0.544), 이론적 지식만으로는 실천적 효능으로 번역되지 않았습니다. 자기보고 측정치로서 이 도구는 위에서 문서화된 괴리 문제를 공유하므로, 성과 측정치가 아니라 검증된 진단 도구입니다 — 그리고 저자들은 연령 집단과 문화적 맥락에 걸친 재검증을 요구합니다.

상보적인 한 흐름은 학습자와 교사가 AI 리터러시 자료를 어떻게 받아들이는지를 측정합니다. 리터러시 자체가 아니라 말입니다. Wang, Chuang and Wu (2026)은 UNESCO의 연령 기준(9-12세와 13-18세)에 맞춰 제작된 두 판의 지침서를 약 30분의 안내된 교실 노출 후에 학생 794명과 교사 37명이 평정하게 했습니다. 수용(acceptance)은 4요인 구조(Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention)를 유지했고, 두 학생 판에 걸쳐 측정 동일성이 뒷받침되었으며, 어린 학습자는 네 구성개념 모두에서 더 높은 점수를 받았고, 지각된 즐거움(perceived playfulness)이 두 집단 모두에서 의도와의 가장 큰 연관을 지녔습니다. 저자들은 이것이 무엇이 아닌지를 명확히 합니다. 연령 계층화된 자료에 대한 지각된 수용은 AI 리터러시 성취도, 윤리적 추론, 도입, 혹은 지속적 사용이 아니며, 자료 수준의 수용은 리터러시가 향상되었다는 증거로 읽혀서는 안 됩니다.

측정은 학습자의 AI 참여를 매개하는 교육자에게도 확장됩니다. 대부분의 AI 리터러시 평가는 학생이나 일반 사용자를 대상으로 하여, 교사 교육에 공백을 남깁니다 — 이 공백을 교사의 AI 리터러시 척도(TAILS)가 해결합니다. ED-AI 프레임워크에 기반하여 여섯 차원(지식, 평가, 협업, 맥락화, 자율성, 윤리)을 가지며, 예비 언어 교사를 대상으로 한 탐색적·확인적 요인 분석을 통해 검증되었습니다. 이러한 도구들은 학습자의 AI 참여를 매개하는 교육자들의 AI 리터러시를 측정하고 발전시키는 것을 뒷받침합니다. 학생 측면에서, Nie et al. (2026)는 고등교육 학생을 위한 생성형 AI 평가 리터러시 척도(GAA-LS)를 개발·검증합니다 — 18문항 5요인 도구로, 그 점수는 피드백 참여, 학문적 진실성, 책임 있는 AI 사용을 추적하며, 피드백을 경유하여 진실성에 이르는 간접 경로를 가집니다 — 이는 평가 특정 AI 리터러시가 측정 가능하며 진실성 행위와 연결됨을 보여줍니다. 그 교사 대상 도구 집합이 실제로 무엇을 담고 있는지는 그 이후 감사되었습니다. Zainal, Mohd Matore and Maat의 교사 AI 리터러시 측정 도구에 관한 2026년 고찰은 2019년부터 2025년 사이에 출판된 33개의 도구를 평가하여, 31개(93.9%)가 지각된 자신감의 자기보고 척도였고, 지식을 객관적으로 검사한 것은 단 2개에 불과했으며, 수행 기반 과업을 사용한 것은 없음을 발견했습니다. 한편 공정성 증거가 가장 취약한 질 영역으로, 측정 동일성이나 문항 기능 차이(DIF)를 보고한 도구는 5개뿐이었습니다.

그 측정 문헌의 2026년 업데이트는 이를 네 영역 — 지식과 사용, 인식론적 감독, 의존 보정, 도구 사용 에이전트의 운영 통제 — 으로 재편성하며, 에이전트적 도구 사용이 요구하는 범위, 권한, 복구, 상태 격리, 독립적 검토, 증거 기반 종결의 전체 조합을 다루는 검증된 개인 수준 도구가 해당 집합에 하나도 없음을 보고합니다. 세 개의 동일 표본 효과에 걸친 주관–객관 상관의 통합치는 r = .055로, 위에서 서술한 불일치와 일치하며 자기 평정을 사용 가능한 대리 지표로 볼 수 없음을 보여줍니다(Verí (2026)).

측정 지형 자체가 무질서하며, 이제 부분적으로 매핑 가능합니다. He, Zhang, Wang and Ji (2026)은 LLM 기반 코딩 파이프라인으로 AI 리터러시 도구 집합을 분석하여, 하나의 명칭 아래 많은 구성개념이 측정되고 있음을 발견했습니다 — 한 구성개념이 여러 이름을 가지는 jangle 문제(Behavioral Commitment는 여덟 개의 후보 쌍에, Intrinsic Motivation은 다섯 개에 등장)가 그것이며, 한편으로는 도구들이 명칭은 공유하지만 문항 내용은 공유하지 않는 jingle 후보 사례도 있습니다. 문항과 구성개념 구조의 의미 유사성 복구는 도구들이 자체 보고한 신뢰도와 중간 정도로만 상관되었으며(문항 수준에서 r = 0.49 대 구성개념 수준에서 0.45와 0.35), 저자들은 이 방법을 최종 판단이 아니라 선별(screening)로 제공합니다. 측정 도구를 선택하는 모든 사람에게 미치는 결과는, 연구들 간의 수렴적 주장을 안전하게 가정할 수 없다는 것입니다. 같은 이름을 가진 두 도구가 동일한 구성개념을 운영화하지 않을 수 있습니다.

이 도구들이 뒷받침할 수 있는 것이 감사되었고, 그 결과는 엄숙합니다. Jin, Gašević, Martinez-Maldonado and Yan (2026)은 8,056건의 기록을 선별하여 47개의 고유 도구를 다루는 58개 연구로 좁히고, COSMIN으로 평가했으며, 그 도구 개발의 시차가 3년으로 압축된 구성개념에 대해(2023년 이전 도구 2개, 2025년 단독으로 28개) 평가를 수행했습니다. 그 집합은 47개 중 37개가 자기보고인 채로 남아 있으며, 증거는 내부 구조에 빽빽이 모여 있습니다. 구조 타당성은 58개 연구 중 32개에서 충분했고, 내적 일관성은 32개에서 충분했으며 불충분 평정을 받은 것은 없었습니다. 그러나 구성개념 타당성은 15개 연구(12개 충분)만이 보고했고, 준거 타당성은 1개, 측정 동일성은 5개(모두 충분)가 보고했으며, 58개 중 단 2개만이 전체 내용 타당성에서 충분 평정을 받았습니다 — 43개 연구가 인지 면담(cognitive interviewing)을 보고했음에도 포괄성은 53개에서 불충분했습니다. 그 패턴은, 측정 실천이 입증하기 가장 저렴한 바로 그 지점에서는 견고해 보이고, 증거가 도구 외부에서 나와야 하는 지점에서는 얇다는 것입니다. 따라서 깨끗한 요인 구조와 높은 계수(이는 구성개념의 재현만큼이나 문항 중복성을 반영할 수 있다)는 입증된 역량으로 읽혀서는 안 됩니다. 저자들의 처방은 확산이 아니라 통합입니다. 기존 척도를 다듬고, 하나가 언어나 교육 단계를 넘을 때마다 동일성을 검사하며, 점수를 수행 과업에 연관지어 준거 증거를 더하라는 것입니다.

그 예외 중 하나는 집단을 비교하도록 만들어졌습니다. Zhang et al. (2026)은 생성형 AI 리터러시 척도(GAILS)를 개발했습니다 — 43문항을 다섯 명의 전문가 델파이 검토와 7명 파일럿을 통해 34문항으로 줄이고, 북미 성인 341명에서 검증했습니다 — 그리고 스칼라 동일성을 검사하여, 여성과 남성 응답자 간, 학생과 노동력 집단 간에 유지됨을 확인했습니다. 이것이 이 도구가 보고하는 평균 비교 — Adaptive Operational Skills에서 남성이 다소 높음, 학생이 Adaptive Operational Skills와 Responsible GenAI Literacy에서 높음 — 를 역량 차이이자 문항 기능 차이가 아닌 것으로 허가하는 근거이며, 이 도구를 학생 전용이 아니라 고등 교육과 직장 환경에서 사용 가능하게 만드는 것입니다. 그 자체 증거가 흠없지는 않습니다. 적합도는 혼합이었고(CFI = .967과 SRMR = .058은 통상적 기준 안, RMSEA = .087은 기준 밖), 전체 척도 α = .973은 하나 실패한 Fornell–Larcker 판별 비교(Factor 1 √AVE = .828 대 Factor 3과의 r = .873)와 나란히 있으며, 이 집합의 거의 모든 것과 마찬가지로 행동 준거 없이 지각된 역량을 측정합니다. 이 분야에서의 검증된 척도는 리뷰가 요구하는 동일성과 준거 연구의 출발점이지, 완성된 벤치마크가 아닙니다.

지식 베이스 전반의 연결

AI 리터러시는 AI 튜터링(AI 튜터가 언제 어떻게 효과적인지 이해하기), 교수자의 AI 역량(교육자의 준비 태도), 학문적 진실성(적절한 AI 사용이 무엇인지 알기), 그리고 더 넓게 교육에서의 인공지능과 교차합니다. AI 리터러시는 효과적인 AI 사용의 전제조건이자 잘 설계된 AI 통합의 결과입니다 — 학생들은 AI 에 관해 배우는 것만이 아니라 AI를 비판적으로 사용함으로써 AI 리터러시를 배웁니다.

AI 리터러시는 과잉 의존에 대해 양날의 칼입니다. Maizel et al. (2026)은 AI 리터러시의 기술 기반 차원(사용/이해, 탐지)이 보고된 AI 의존과 정적으로 연관된 반면, AI 자기효능감과 학업적 자신감은 부적으로 연관되었음을 발견했습니다 — 따라서 자기효능감과 자기조절 학습 비계가 없으면 기술적 AI 리터러시 훈련이 의존을 증가시킬 수 있습니다. 여기서 AI 리터러시는 그 방향이 상보적 동기 자원에 달려 있는 가능성의 역량이 됩니다.

  • 검증 습관은 규제를 통해서만 보상을 줍니다. Davor, Larbi and Boateng (2026)의 가나 대학생 533명 설문에서, AI 검증 리터러시는 비판적 사고(beta = .076, p = .090)나 기술적 문제 해결(beta = .043, p = .385)에 유의한 직접 효과가 없었고, 오직 초인지적 자기조절을 통해서만 의미가 있었습니다(beta = .167, p < .001). 이는 저자들이 초인지적 활성화라 부르는 완전 매개입니다. AI 과업 비계 설정은 두 결과를 모두 예측했고(beta = .185와 .170), 인지적 외주화 경향은 둘을 부적으로 예측했으며(beta = -.240와 -.312) 규제 또한 낮췄습니다(beta = -.294). 따라서 학생들에게 AI 결과물을 확인하도록 가르치는 것만으로는 충분하지 않습니다. 평가적 습관에는 과업에 계획, 점검, 성찰이 내장되어야 합니다.
  • 리터러시 실천으로서의 AI 결과물 비판: Hosseini (2026)는 AI가 생성한 오류를 평가하는 것을 핵심 AI 리터러시 기술로 다루며, 데이터베이스 설계 강좌에서 실패 양상 분석과 반복적 프롬프트 정제를 사용합니다. 이 연구는 학생들이 자신의 AI 능력을 과대평가했음을(자기보고 리터러시가 객관적 역량과 약하게 부적으로 상관) 발견했고, 비판 기반 학습이 보정을 강화했음을 확인했습니다.
  • 사회주의 인문주의적 AI 리터러시(2026): 한 문헌 고찰은 순응 지향적 AI 리터러시를 비판하고, 고등교육에서의 비동기적 AI 리터러시와 공정 사용(fair use)에 대한 사회주의–인문주의적 틀을 제안합니다. 이는 역사적 디지털 격차를 현대의 AI 리터러시에 연결하며, 기계적 정책 순응보다는 인간의 번영과 형평성에 봉사하는 접근을 요구합니다(From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education)
  • 값싸고 가벼운 경고는 AI 설득을 무디게 만든다 — 일반적 신뢰를 희생하지 않고서도. Orchinik and Rand (2026)는 참가자들이 정치 주제에 관한 견해를 바꾸도록 지시된 대규모 언어 모델(LLM)과 대화하게 한 두 실험(총 N = 3,208 미국 성인)을 사전 등록했습니다. 모델이 설득하도록 프롬프팅될 수 있고 정보를 선택적으로 제시할 수 있다는 한 줄의 짧은 경고가, 통제 집단 대비 신념 변화를 약 절반(-48.1%, 95% CI [-59.5%, -36.8]) 줄였고, 구체적인 설득 기법에 대한 경고를 더하는 것은 추가 이익을 산출하지 않았습니다. 교수법에서 중요한 속성은 효과의 다른 쪽에 있습니다. 생성형 AI에 대한 일반적 신뢰는 떨어지지 않았으므로, 이 개입은 맹목적 회의주의보다는 보정된 신뢰를 구축합니다. 이는 한 문단에 조율자 없는 개입으로, AI 리터러시 설계에서는 드문 비용 구조입니다.
  • 학습자의 AI 거버넌스가 도구의 설계보다 더 중요합니다. Azimi (2026)은 석사 데이터 분석 강좌의 학생 33명을 7주간 노트북에 내장된 비계화된 AI Study Coach(n = 16)와 스스로 선택한 임의의 생성형 AI 도구의 제한 없는 사용(n = 17) 사이로 무작위 배정했습니다. 과제 수행과 개념 검사 향상은 구별되지 않았고, Coach 조건은 대신 더 높은 자신감을 보고했습니다. 학생들을 구별한 것은 실천으로서의 AI 리터러시였습니다. AI를 언제 사용할지에 대한 자신만의 규칙을 세운 학생들은 두 조건 모두에서 더 높은 점수를 받았고, 모델 이해가 가장 깊은 학생들 — 모두 독학한 — 이 가장 의도적으로 프롬프트했습니다. 설계적 함의는 통제 반사를 거스릅니다. 도구를 제한하기보다는 AI 리터러시의 자기조절적 요소와 모델 이해 요소를 가르치십시오.## 연결된 개념

연결된 개념

연결된 문서

연결된 FAQ

연결된 리소스

  • 교육 에이전트 스킬
    교수법, 학습 과학, 커리큘럼, 평가를 아우르는 165개의 근거 기반 에이전트 스킬 라이브러리로, Claude, Codex, Hermes용으로 패키징되어 있습니다.
  • EduGems
    Google Gemini의 사전 제작 '젬(Gems)' 라이브러리가 계속 늘어나고 있습니다. 계획, 피드백, 설문, 이미지, AI 사용 성찰을 위한 공유 가능한 사전 작성 프롬프트를 제공합니다.
  • mglearn Classroom Resources
    TCEA에서 제공하는 방대한 무료 브라우저 기반 교실 활동 모음집과 인쇄용 자료로, 생성형 AI 리터러시와 디지털 시민의식 모듈이 포함되어 있습니다.
  • OnMicro.AI
    교육자가 목적이 분명한 AI 앱을 만들고 링크로 배포하며 LTI를 통해 LMS에 삽입하고 학생들이 어떻게 사용하는지 확인할 수 있는 노코드 빌더입니다.
  • 플레이랩
    교육자가 자신의 AI 앱을 직접 만들고, 공유하고, 평가하는 비영리 제작자 플랫폼으로, 커리큘럼에 기반하고 원하는 모델로 실행되며 교사의 가시성이 기본적으로 내장되어 있습니다.
  • 프레싱 프롬프트
    AI에 관한 중요한 질문을 다루기 위한 공개 접근 고등교육 활동과 자료를, 세 개의 주제 군집으로 묶어 제공합니다.
  • 학생용 AI 안내서
    Elon University, AAC&U, The Princeton Review이 함께 만든 무료 학생용 인공지능 안내서로, 세 개 판이 나왔으며 2026년 판은 교수자가 바로 쓸 수 있는 학습 모듈과 익명 자기 평가로 인간의 열 가지 역량을 다룹니다.
  • Vibes DIY
    평이한 언어로 된 앱 빌더입니다: 작은 도구를 말로 설명하면 공유 가능한 작동하는 웹 앱을 얻을 수 있으며, 기반이 되는 React 패키지와 CLI는 Apache-2.0으로 공개되어 있습니다.

메타데이터

수준Higher Ed, K 12
대상 독자Faculty Developers, Instructors, Learners
기술과 기법생성형 AI, 대규모 언어 모델(LLM)
교육에서의 인공지능 기초학문적 진실성, 교육에서의 인공지능, AI 리터러시, 교육 개발
SourceHistoryEditChat

이 페이지 삽입

아래 코드를 복사하여 학습 관리 시스템이나 다른 웹사이트에 이 페이지를 삽입하세요. 삽입된 버전은 페이지 콘텐츠만 표시하며, 사이트의 헤더, 내비게이션, 푸터는 숨겨집니다.