AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

컴퓨팅 사고

생성일 2026-08-09 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

컴퓨팅 사고 — 문제를 부분으로 나누고, 패턴을 인식하고, 본질을 추상화하고, 절차를 설계하는 문제 해결 접근 방식입니다. AI 교육에서 컴퓨팅 사고는 AI 시스템을 이해하기 위한 전제 조건이면서 동시에 AI 도구가 기르는 것을 도울 수 있는 기술이기도 합니다.

생각해 볼 질문들

  • 문제를 부분으로 나누고, 패턴을 찾고, 핵심을 추상화하고, 단계를 설계해서 풀 때 — 당신은 컴퓨터 없이도 이미 컴퓨팅 사고를 하고 있습니다. 최근에 이것을 어디에서 해 보셨습니까?
  • 흔한 가정은 컴퓨팅 사고가 코딩이나 '컴퓨터 활용 능력'과 같은 것이라는 것입니다. 둘이 어떻게 다를 수 있으며, 그 차이가 그것을 가르치는 방식에 왜 중요할 수 있습니까?
  • 연구는 학생들의 기초 개념 결여 — AI 도구 자체가 아니라 — 이 AI 제안을 판단하는 능력을 제한한다고 제안합니다. 학습자가 AI의 산출물을 비판적으로 평가하려면 그에 앞서 무엇을 이미 이해하고 있어야 합니까?
  • 컴퓨팅 사고가 학습자를 AI 산출물의 수동적 소비자로부터 AI와 함께 만들고, 비평하고, 설계하는 쪽으로 옮겨야 한다는 주장도 있습니다. 학생을 소비자가 아니라 생산자로 대하는 교실은 실제로 어떤 모습이겠습니까?
  • 생성 AI는 이제 학생의 컴퓨팅 사고 성장을 채점할 수 있습니다 — 그런데 사람과 AI 모두 가장 어려운 구성개념인 시스템 사고에서 고전합니다. 평가의 자동화는 어디서 멈춰야 한다고 생각하시며, 왜 그렇습니까?
  • 로보틱스 연구는 개념이 명시적으로 드러나고 교육과정에 연결될 때에만 컴퓨팅 사고가 발달하며, 고립된 기술 연습으로 다루어질 때는 그렇지 않음을 발견합니다. 밑에 깔린 사고에 이름 붙이지 않은 채 '기술 기능'만 가르치는 것의 위험은 무엇입니까?

들어가며

AI 시대 교실에서의 컴퓨팅 사고

지식베이스의 연결된 문서들은 한 가지 핵심 주장으로 수렴합니다: 컴퓨팅 사고(CT)는 학생이 AI와 비판적으로 맞서는 데 필요한 개념적 기반이며, 동시에 잘 설계된 AI 지원 학습에 의해 가장 직접적으로 깊어지는 기술이기도 합니다. 아래에서 증거는 연결된 문서들에 근거한 네 가지 주제로 묶입니다.

  • AI 리터러시와 비판적 참여의 기반으로서의 CT. 여러 연구는 학습자가 AI 산출물을 단순히 소비하는 데 그치지 않고 평가할 수 있게 하는 것이 바로 CT라고 보여 줍니다. 채팅 디버깅 연구는 학부생이 LLM의 도움으로 아날로그 회로를 디버깅할 때 기초 개념과 비판적 사고의 결여 — 도구가 아니라 — 가 제약 요인이었음을 발견했습니다. 학생에게 AI 제안을 판단할 핵심 아이디어가 없었기 때문입니다. LLM 개입 설계에 대한 검토 역시 컴퓨터 과학 교육이 구문 숙달보다 컴퓨팅 사고를 밀어붙이는 것이 효과적인 개입과 "도구 좌절"을 가르는 것이라고 결론짓습니다. 초기 아동기에서는 AI-Play 프레임워크가 "AI는 부분들로 만들어진 시스템이다"와 "AI는 예시에서 배운다"를 가르침으로써, 플러그를 뽑은 놀이 중심의 AI 리터러시를 쌓습니다 — 발달 단계에 근거한 CT의 첫 번째 층위입니다. 그리고 AI 학술 리그는 프로젝트 기반 학습을 통해 CT를 실제 시민 AI 프로젝트에 연결하여, AI 리터러시를 실천 속에 새깁니다. 이것들을 함께 보면 CT가 AI 리터러시의 전이 가능한 인지적 핵심임을 제안합니다.
  • CT의 담체로서의 교육 로보틱스. 로보틱스는 K-12와 STEM 교육 전반에 걸쳐 CT를 기르는 가장 많이 연구된 맥락입니다. 중등 연구는 CT 개념이 명시적으로 드러나고 고립된 기술 연습이 아니라 STEAM 교육과정에 매핑될 때에만 교육 로보틱스가 문제 해결과 비판적 사고를 높인다고 주장합니다. 95개 연구에 대한 체계적 검토는 로보틱스가 CT, 창의성, 문제 해결을 기르며, 게임 기반 학습이 비형식적 환경에 적합하고 게임화가 형식적 교실을 지배하며 프로젝트 기반 학습을 뒷받침함을 확인합니다. 교사 훈련 증거는 Micro:bit + 로봇 + 기계 학습을 결합한 개입이 초등 교사 교육에서 유의미한 CT 지식 향상(d = 0.638)을 낳았음을 보여 주며, 미래 교사가 CT를 가르칠 수 있도록 로보틱스를 내장해야 한다고 논합니다. LLM은 장벽을 더 낮출 수 있습니다: EduSim-LLM은 LLM과 로봇 시뮬레이션을 결합하여 초보자가 자연어로 로봇을 제어하게 함으로써, 저수준 코딩 없이도 CT가 내장된 로보틱스에 접근할 수 있게 합니다.
  • "더 유능한 동료"가 될 수 있는 AI는 자원이 부족한 로보틱스 수업에서 CT를 나를 수 있습니다. 나이지리아 1학년 학부생 103명을 대상으로 한 14주 준실험은 근접 발달 영역 안에서의 AI 지원 문제 기반 학습(ChatGPT와 Teachable Machine 사용)이 사후 컴퓨팅 사고와 로보틱스 프로그래밍 성취에서 전통적 교수를 능가했으며, 성별의 조절 효과는 없음을 발견했습니다(AI-PBL 로보틱스 연구(2026)).
  • CT 평가와 발달을 위한 도구로서의 LLM. 생성 AI는 CT를 측정하고 비계를 대는 규모 있는 방법을 제공합니다. 물리 CT 평가 연구는 LLM이 대규모 수강의 물리 교육 수업에서 데이터 수행과 계산적 문제 해결 수행에서의 성장을 채점하는 데 인간 평가자와 거의 같은 수준이 될 수 있음을 보여 주었습니다 — 더 복잡한 시스템 사고 구성개념에서는 인간과 LLM 모두 고전하여, 자동화의 분명한 경계를 남겼습니다. 시각 질의 추적은 시각화가 추상적 계산에 어떻게 비계를 댈 수 있는지, CT 발달을 뒷받침하는 직관을 어떻게 만드는지를 보여 줍니다. 조건문과 반복문 오해에 대한 분류는 스캐폴딩과 자동화된 오해 탐지를 위한 세밀한 표적을 제공하여 AI에 대한 오개념에 연결됩니다. 그러나 이런 도구들은 교수법적 설계가 앞장설 때 가장 잘 작동합니다: CS 검토는 비계가 있는 피드백을 갖춘 학기 단위 "가상 교사" 설계가 CT를 지속적으로 향상시킨 반면, 구조화되지 않은 도구 접근은 좌절을 높였음을 발견했습니다.

구현이 자동화되면 내구적 역량은 달라집니다: 한 워크숍 보고서는 추상화, 컴퓨팅 사고, 그리고 "검증 스펙트럼"을 가르쳐야 할 기술로 지목하며, 제한 없는 GPT-4 접근이 연습 성과를 48% 높였으나 AI가 회수되자 시험 점수를 17% 낮춘 거의 1,000명 학생의 시행을 인용합니다(Lee 외(2026)).

  • K-12, 교사 교육, 평가 재설계 전반에 걸친 CT. CT는 K-12에서 고등 교육까지 전체 스펙트럼에 걸쳐 있으며 평가를 재편하고 있습니다. 초기 아동기 쪽 끝에서는 AI-Play가 CT와 AI 리터러시를 유아(K)–2학년 학습자와 비기술 가족에게 확장합니다; 대학 쪽 끝에서는 OOP 평가 연구가 2026년 GenAI 시스템이 실제 프로그래밍 시험에서 평균 학생을 능가하면서도 인터페이스, 추상 클래스, 상속에서는 여전히 실패함을 발견했습니다 — CT가 자동화하기에 여전히 어려운 바로 그 지점을 표시하는 반복되는 개념적 공백입니다. 무작위 A/B 교차 연구는 평가와 비평 과제가 생성 과제와 비슷한 결과를 낳아, CT가 결함 있는 AI 해법을 판단함으로써 행해질 수 있음을 보여 주었습니다 — 비록 그 이득에는 의도적인 비계가 필요합니다. 이 모든 것의 밑에는 교사가 있습니다: microbit 연구는 CT 교수를 전문성 개발에 직접 연결하고, 소크라테스식 챗봇 연구는 CT가 요구하는 정밀한 문제 형식화를 측정 가능한 강좌 성과에 묶습니다.

  • 검증된 도구가 CT가 가장 어려운 곳을 짚어 냅니다. 증거 중심 설계로 제작되고 461명의 AI 프로그래밍 학생에 대한 문항 반응 이론으로 검증된 34문항 컴퓨팅 사고 검사는 난이도를 교안 전체에 고르게 퍼뜨리지 않고 데이터 표현, 논리 연산자 배열, 반복 구조에 집중시켰습니다(Zhang & Zhang(2026)).

AI 소비자로부터 생산자, 창작자, 설계자로의 전환과 CT

AI 시대 CT의 중심 목표는 학생과 교수를 AI 산출물의 수동적 소비 너머로, AI와 함께 그리고 AI를 위해 만들고, 구축하고, 설계하는 쪽으로 옮기는 것입니다 — CT를 구성주의 학습(만들면서 배우기)과 일치시키는 의제입니다. 지식베이스의 연결된 문서들은 이 생산자/창작자/설계자 전환을 점점 더 명시적으로 만듭니다. 모형 저자 연구는 GenAI와의 구성을 통한 학습을 측정 가능한 "모형 저자됨" 과정으로 다시 틉니다 — 학생이 AI가 생성한 코드나 답을 소비하는 데 그치지 않고 AI 모형을 저작하고, 디버깅하고, 반복합니다. CtL-GenAI 프레임워크는 이것을 GenAI 시대의 구성주의로 구현하여, 학생이 AI로 만드는 산출물을 CT 발달의 엔진으로 다룹니다. AI 에이전트 창작을 통한 CT는 AI 에이전트를 설계하는 것 — 단순히 쓰는 것이 아니라 — 이 분해, 추상화, 알고리즘적 추론을 직접 행하게 함을 보여 줍니다.

새로운 메타 분석적 증거는 이 그림을 날카롭게 합니다. 128개의 CT 체계적 검토에 대한 메타 검토는 계산적 단계와 알고리즘을 써서 문제를 푸는 추상 모형에 의한 추론이라는 CT의 통일된 정의로 분야가 수렴하고 있음을 발견합니다 — 생산 지향 학습이 요구하는 바로 그 종류의 모형 만들기(답 소비가 아니라) 사고입니다. CT-유치원 로보틱스 연구는 초기 아동기 학습자조차도 로봇과의 놀이 중심 구축을 통해 문제 기반 학습, 이야기 만들기, 비계를 써서 생산자가 됨을 보여 줍니다 — 기술을 단지 조작하는 것이 아니라 자신이 구성하는 것으로 보게 되는 발달 단계의 첫걸음입니다. 그리고 평가와 비평 연구는 CT가 결함 있는 AI 해법을 판단하고 디버깅함으로써 행해질 수 있음을 입증합니다 — 수동적 소비의 덫에 저항하는 AI 산출물에 대한 생산자적 태도입니다.

실천적 귀결은 CT 교수가 학습자가 AI로 무언가를 만들도록 설계되어야 한다는 것입니다 — 모형을 저작하고, 에이전트를 만들고, 산출물을 구성하고, AI 산출물을 비평하도록 — 완성된 해법을 받는 대신에. 이것은 CT를 깊게 하면서 AI 리터러시를 단지 개념적인 것이 아니라 참여적이고 창조적인 것으로 쌓게 합니다. 교사는 그에 따라 AI 도구를 쓰는 데서 AI 강화 학습 활동을 설계하는 쪽으로 움직이는 지원이 필요합니다(교수(Teaching)과 직장 학습 참조). 타인의 모형을 재사용하는 것은 생산자 태도에 속합니다. 출판된 AI 모형을 구현하는 것 — 선택하고, 설치하고, 실행하고, 검증하는 것 — 은 예상되는 각 실패에 대한 대안 경로와 함께 배울 수 있는 구조화된 기술로 가르쳐질 수 있으며, 프로그래밍 배경이 없는 세 명의 화학 BSc 학생이 4개월 안에 효소-기질 예측 모형을 재현하고 확장했습니다(Achterweust et al. (2026)).

실천적 지침

교육자에게 일관된 메시지는 CT가 수동적 AI 사용이 아니라 명시적이고, 비계가 놓인, 관찰 가능한 참여를 통해 발달한다는 것입니다. 로보틱스는 교육과정에 대한 명시적 CT 개념 매핑과 짝지으십시오; LLM은 모의, 자연어 제어, CT 성장의 규모 있는 평가에 쓰되 시스템 사고 같은 구성개념에 대한 인간의 판단은 남겨 두십시오; 그리고 평가를 재설계하여 날것의 생성보다 AI 산출물의 평가와 진단을 강조하십시오. 환경이 무엇이든 — 초기 아동기의 플러그를 뽑은 놀이, 중등 STEM 교육의 로봇, 고등 교육의 가상 교사 — 활동을 구조화하여 학생이 분해, 패턴, 추상화, 알고리즘에 대해 추론해야 하게 하고 완성된 해법을 받지 않게 하십시오.

다른 개념들과의 연결

컴퓨팅 사고는 AI 리터러시와 비판적 사고 아래에 놓인 공유된 인지적 기반이며, 컴퓨터 과학 교육과 K-12 컴퓨팅의 교육과정 핵심이며, 교육에서의 로봇, 게임 기반 학습, 프로젝트 기반 학습이 가장 잘 봉사하도록 설계되어야 하는 개념적 표적입니다. 그것은 대형 언어 모형과 생성형 AI가 비계 도구로 쓰일 때 깊어지며, 학생 오해 분류와 CT 인식 평가가 측정하고자 하는 기술입니다. 교사는 전문성 개발과 직장 학습을 통해 그것을 기르며, 그것은 물리 교육와 STEM 전반을 포함한 여러 영역에 걸쳐 전이됩니다.

  • 컴퓨팅 사고는 AI 보조 학습을 예측합니다. 8학년 학생 가운데 컴퓨팅 사고가 높은 학생은 AI 코딩 보조 강좌에서 낮은 CT 동료를 유의미하게 능가했으며, 보조 도구를 답 검색이 아니라 이해를 위해 사용했습니다.

연결된 개념

연결된 문서

메타데이터

분야Cs Education, Stem Education
수준K 12
기술과 기법적응 학습, 생성형 AI, 대규모 언어 모델(LLM), 프롬프트 엔지니어링
교육에서의 인공지능 기초AI 리터러시
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.