AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

창의성

생성일 2026-08-12 · 갱신일 2026-10-11

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

창의성 — 새롭고 가치 있는 아이디어, 해법, 산출물을 만들어내는 능력입니다. AI 시대에 창의성은 핵심적인 교육적 이해관계입니다. 생성형 AI는 창의적 작업을 증폭시킬 수도(발산적 사고의 동반자로서) 있고 그것을 약화시킬 수도(산출물을 획일화하고 생성 과정을 대체함으로써) 있습니다.

생각해 볼 질문들

  • 창의성은 흔히 발산적 사고 — 많은 가능성을 생성하는 것 — 으로, 하나의 정답으로 좁혀 가는 수렴적 사고와 대비되어 묘사됩니다. 여러분의 작업이나 공부는 그 스펙트럼의 어디에 놓여 있으며, AI는 어느 쪽을 더 쉽게 도와줍니까?
  • 생성형 AI는 통계적 엔진입니다. 많은 선택지를 제안할 수 있지만 평균으로 향하는 경향이 있습니다. 많은 학생이 같은 모형에 의존한다면, 한 반 전체에 걸쳐 아이디어의 다양성에는 어떤 일이 벌어집니까?
  • '먼저 생각하고, ChatGPT는 나중에'라는 연구는 AI보다 먼저 자신의 아이디어를 낸 학생들이 즉각적인 향상을 보이지 않았음에도, 이후 AI 도움 없는 창의성 과제에서는 모두를 앞질렀다는 것을 발견했습니다. 독립적 사고의 국면을 보호하는 것이 왜 자유로운 AI 사용이 만들어내지 못하는 학습을 낳을 수 있습니까?
  • AI가 즉시 정제된 산출물을 만들어 낼 수 있다면, 학습자의 창의적 작업은 실제로 어떤 가치가 있으며, 생성 과정이 학생에게 남아 있도록 과제를 어떻게 설계하겠습니까?
  • AI의 도움으로 만들어진 아이디어는 '여러분의 것'입니까? 그 질문에 대한 답이, AI를 발산적 사고의 동반자로 대할지, 아니면 자신의 창의적 과정을 대체하는 무언가로 대할지를 바꿀 수 있습니다.

들어가며

창의성은 인지 스펙트럼의 발산적 사고 쪽 — 여러 가능성을 생성하는 것 — 에 걸쳐 있으며, 단 하나의 정해진 해법에 이르는 수렴적 사고와 대비됩니다. AI 시스템이 창의성과 특별히 관련되는 이유는 그것들이 통계적 생성기이기 때문입니다. 그것들은 많은 선택지를 제안할 수 있으나(발상을 지원하며) 동시에 평균으로 향하는 경향이 있어, 많은 학생이 같은 모형에 의존할 때 기록되는 아이디어 수준의 획일화를 낳습니다.

창의성과 생성형 AI

  • 증폭: AI는 발산적 사고의 동반자로 작동할 수 있습니다. 대안을 브레인스토밍하고, 반론을 생성하며, 학습자가 생각하지 못했을 관점을 제시합니다. 역할을 특화한 다중 에이전트 구성은 아이디어의 다양성을 되살릴 수 있습니다.

  • 획일화 위험: 단일 모형 지원은 학생들 사이에 아이디어의 다양성을 줄여, 같은 모형이 수렴적인 산출물을 내게 할 수 있습니다. 이것은 쓰기과 디자인 교육에서 창의성에 대한 직접적 위협입니다.

  • 창의적 주도성 보호: 학습자의 생성 과정을 고리 안에 유지하는 것 — 초안 우선 루틴, 독창적 종합 요구, 대체하기보다 도전하는 방식으로 AI 사용 — 은 지속되는 학습을 낳는 창의적 작업을 보존합니다.

  • 마찰이 곧 창의적 이득은 아닙니다. 반대 성향의 AI 페르소나는 38.2%의 집단에서 도전과 성찰의 담론을 이끌어냈으나 측정 가능한 창의적 수행 향상을 낳지 않았으므로, 더 풍부한 상호작용 양상은 창의성의 증거가 아닙니다(Jin 등(2026)).

  • K–12 현장 지도: 생성형 AI는 대부분 창의성을 향상하고 거의 측정하지 않는다. 45개 연구(2017–2025)에 대한 PRISMA 기반 범위 검토는 K–12 문헌을 네 가지 용도로 분류합니다. 창의성 평가(4개 연구), 인간-AI 공동 창의성(3개), AI 교육의 이해관계자의 인식(14개), 창의성 향상(34개). 그리고 이 분야가 얼마나 좁은지를 보여 줍니다. 언어 기반 스토리텔링과 글쓰기가 거의 모든 것을 밀어내고, 음악, 신체화 및 공간 작업, 형평성 중심 연구는 거의 부재합니다. 저자권을 유지한 목적 맞춤 비계(음성 입력, 스토리보드, "여러 선택지"를 요구하는 발산적 프롬프트)는 기성 플랫폼을 능가했고, 대규모 언어 모델(LLM) 모형은 인간 채점자에 가까운 발산적 사고 점수를 보였습니다. 그러나 저자들 자신의 우려는 이 페이지가 추적하는 것과 같은 획일화입니다. 언어적 다양성의 축소, 양식 수렴, AI로 오염된 훈련 데이터, 그리고 공동 글쓰기에서의 메타인지적 게으름입니다. 저자들은 이것을 Runco의 용어 "인공적 창의성"으로 풀이합니다. 즉 인간의 경험은 없으면서 창의적으로 보이는 산출물입니다. 과잉 의존은 인식, 공동 창의성, 교육과정 연구 모두에서 위험으로 되살아났습니다(Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review).

  • 공동 창의성은 개인의 특성이 아니라 네트워크 효과입니다. Ruhland(2026)은 행위자-네트워크 이론에 기대어 창의성을 사회기술적 네트워크의 창발적 속성으로 모형화합니다. 그것은 인간과 비인간 행위자들 사이의 안정화, 불안정화, 재안정화의 삼중적 상호작용이며, 생성형 AI 에이전트는 동등한 구성적 네트워크 참여자로 다루어집니다. 교수법적 아바타가 창의적 네트워크에서 공동 설계된 한 연구에서, 아바타 디자인은 개별적인 창의적 행위가 아니라 학생, 연구자, 디자인 도구 사이의 번역 과정을 통해 창발한 것이었습니다. TriKoNet은 완성된 AI 아바타가 창의적 학습자 주체성를 기계가 유발하는 편의("편의의 덫") 쪽으로 옮길 위험을 틀 짓고, AI의 행동 구조를 학습자와 공동 구성하는 것이 공동 창의성을 보존한다고 주장합니다.

  • 먼저 생각하는 협력은 독립적 창의성을 지속시킵니다. Wong과 Qiu(2026)는 ChatGPT를 사용하기 전에 자신의 아이디어를 먼저 낸 학생들("먼저 생각하고, ChatGPT는 나중에" 프로토콜)이 지원받은 과제에서는 즉각적인 향상을 보이지 않았으나, 이후 AI 도움 없는 창의성 과제에서는 자유로운 AI 사용 집단과 인간 전용 집단을 모두 앞질렀음을 발견했습니다. ChatGPT를 자유롭게 사용한 것은 도움이 제거되면 무너지는 일시적 수행만을 낳았는데, 이는 학습이 아니라 과잉 의존의 한 형태입니다. 이에 비해 자신의 자신의 아이디어를 개선하는 것을 목표로 한 협력적 공동 창작은 독립적 창의성에서 지속되는 향상을 낳았습니다. 이것은 창의적 주도성을 보호하는 것이 단순히 바람직할 뿐만 아니라, AI 지원 작업을 학습으로 전환하는 것임을 직접적으로 보여 주는 실험 증거입니다.

  • 내용이 아니라 인식되는 예시의 출처가 집단적 아이디어 생성을 규정한다. 인간이 만든 것과 AI가 만든 것으로 표시된 동일한 ChatGPT 생성 예시가 113개 커플(2인 집단)의 fNIRS 하이퍼스캐닝 연구에서 집단 창의성을 바꾸었습니다. 인간 귀속은 자극 단계에서 아이디어 독창성과 전운동 및 보충운동 영역의 뇌간 동기화를 높였고, AI 귀속은 아이디어 생성 경로 사이의 전환만 늘렸으며, 예시가 회수된 뒤에는 두 효과 모두 지속되지 않았습니다(Xiaoyong et al. (2026)).

  • 아동의 AI 지원 창의성을 구별하는 것은 능력이 아니라 발달적 구현이다. ChatGPT와 공동 창조하는 아동과 성인을 비교한 최초의 신경영상 연구에서, 6–7세 아동과 성인은 MRI 스캐너 안에서 같은 5분짜리 구두 대화를 나누었습니다. 스캐너 밖에서 측정한 창의성은 두 집단 간에 차이가 나지 않았습니다. 그러나 성인은 전두-두정 제어, 현저성, 배측 주의 네트워크에서 유의하게 더 강한 네트워크 내 연결성을 보였고, 더 높은 창의성이 성인에서는 더 강한 전두-두정–현저성 결합을 예측한 반면 아동에서는 그렇지 않았습니다. 저자들은 이것을 기저 능력의 차이가 아니라 AI 대화 중 창의적 인지가 구현되는 방식의 차이로 읽습니다. 이것은 이 페이지의 비계 조언이 답해야 했던 적 없는 질문을 제기하기도 합니다. AI 지원 창의적 작업이 동원하는 제어 기제는 실제로 언제 성숭하는가? (Horowitz-Kraus et al. (2026)).

대학원 연구의 반론으로, 중국 대학원생 1,157명 가운데 생성형 AI 의존은 자기보고된 연구 창의성과 양의 관계를 보였으며, 기능적·과제 지향적 의존(β = 0.457)에서 실존적 의존(β = 0.147)보다 훨씬 강했고, 비판적 사고가 기능적 경로의 약 85.0%를 설명했습니다(Yin 등(2026)).

한 국가 단위 설문조사는 그 양상을 복잡하게 만듭니다. 중국 대학생 5,764명에 걸쳐, AI 의존은 자기보고된 창의성과 음의 상관(r = −0.17)을 보였으며, 도피와 사회적 동기는 음의 간접 경로를, 도구적·오락적 동기는 양의 간접 경로를 이루었습니다(Hou 등(2026)).

  • 신체화는 고르게 보답하지 않습니다. 물리적 로봇과 높은 창의성을 가진 모형을 짝지은 것이 인간-인간 및 텍스트 기반 협력에 비해 독창성을 유의미하게 높인 반면, 인간 조건과 텍스트 기반 조건은 심상과 음성에서 우위를 유지했습니다. 이는 로봇이 양식을 개선하지 않으면서 AI의 산출물을 증폭시킨다는 신체화의 역설입니다(Liu & Song(2026)).
  • AI 시대에 인간의 창의성을 재확인하기. 생성형 AI의 등장은 교육 분야로 하여금 인간 창의성의 가치를 재확인하도록 요구합니다. 예술·디자인 교육을 위한 프로젝트 기반 디지털 스토리텔링 프레임워크는 AI가 결여한 정서적·문화적·서사적 역량을 기르기 위해 명시적으로 설계되어, 학생들이 지역 문화유산으로부터 멀티모달 AI 서사를 만들어 내며, 창의성을 AI 통합 학습에서의 뚜렷하게 인간적인 기여로 자리매김합니다.

영역을 가로지르는 창의성

창의성은 단일한 일체의 능력이 아닙니다. 그것은 글쓰기, 시각 예술, 수학, 컴퓨팅에서 서로 다르게 실현되며, 생성형 AI는 각 영역의 창의적 과정과 제각기 다른 방식으로 상호작용합니다. 이런 차이를 이해하는 것은, 각 영역의 핵심 창의적 행위를 우회하지 않고 보호하는 AI 지원 학습을 설계하는 데 중요합니다.

  • 시각 예술과 디자인 — 역량의 역설. 텍스트-이미지(T2I) 도구는 아이디어에서 산출물까지의 거리를 압축하지만, 편의가 곧바로 창의성을 해방시키지는 않습니다. 예술·디자인 학생을 대상으로 한 연구(417명 설문조사)에서, 창의적 역량은 T2I 도구의 사용 의도를 강하게 예측했으나, 동시에 학생들이 저자권, 독창성, 기술 보존을 효율성과 저울질함에 따라 더 절제되고 선택적인 실제 사용도 예측했습니다(The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students). 편의와 손쉬운 가용성은 지속적인 몰입보다 빠른 산출물 생성을 가능하게 하므로, 도구는 가속하려 했던 반복적인 스튜디오 워크플로를 잠식하는 지름길로 조용히 자리 잡을 수 있습니다.

  • 수학 — 전이 없는 창의성. 중등 수학에서의 AI 지원 탐구 기반 학습 개입(학생 평균 연령 12.79세)은 창의적 수학 수행과 수학에 대한 태도를 유의미하게 높였으나, 비판적 문제 해결은 유의미하게 개선하지 못했습니다(Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics). 창의성과 수렴적 문제 해결은 분리 가능한 결과입니다. AI 지원 탐구는 창의적 생산을 키우면서도 전이 가능한 분석 기술은 뒤처지게 할 수 있어, 더 넓은 수행-학습 격차를 강화합니다.

  • 수학 — 교사의 창의성은 내용 지식과 교수법 지식과 함께 움직인다. 농촌 및 자원 부족 지역의 현직 교사 8명에 대한 내장 사례 연구에서, Rhodes의 4P 프레임워크를 기반으로 한 10개 상호작용 모듈의 생성형 AI 안내 프로그램은 교사로 하여금 수학적 창의성(MC), 내용 지식(CK), 교수법적 내용 지식(PCK)을 분리된 영역이 아니라 서로 얽힌 추론 방식으로 다루게 했습니다(How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). 이 페이지의 측정 논의가 필요로 하는 기여는, 저자들이 MC가 교사의 수학 지식과 아이디어를 접근 가능하게 만드는 방법에 대한 지식과 독립적으로 발달하지 않는다고 주장했다는 점이며, 생산적 곤란을 시도할 만큼 안전하게 느껴지게 한 것이 AI의 비심판적·비평가적 어조였다는 점입니다.

  • 창의적 컴퓨팅 — 반복을 보호하는 마찰. 초심자 창의적 코더는 "발견된 예시"를 이해하고 확장하며 배우는데, AI는 이것을 유익하게 비계화할 수도, 유혹적으로 우회하게 할 수도 있습니다. 코드 구조 순서도와 학습 지향적 채팅을 짝지은 AI 기반 창의적 컴퓨팅 환경인 Flowcode는, 의도적으로 설계된 마찰을 더하여 — 두 연구에 걸쳐 — AI 사용을 코드를 이해하고 확장하는 쪽으로 향하게 하고, 그것을 바이브 코딩로 돌려 세우는 것을 막았습니다(Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education). 여기서 생산적인 어려움은 학습자의 생성 고리를 보존하는 특징입니다.

  • 문학 창작 — 주제와 텍스트 사이의 단위. Incipit는 한 작품이 주제가 아니라 명시된 전제들에 의해 조직된다고 주장하고, 149개 작품에 걸친 1,455개의 공리 기록이 472개의 유형화된 관계로 연결되는 중간 층위를 구축합니다. 그 층위에서 작가가 구성을 수정할 때 하나의 조직적 약속을 바꿀 수 있고, 독자가 재구성을 정당화할 수 있으며, 비평가가 두 작품을 비교할 수 있습니다. 그것의 자체 감사는 위의 측정 논의를 날카롭게 만듭니다. 산출물은 단 하나의 편집을 기록하며, 1,455개 공리 가운데 1,448개가 정확히 하나의 작품에 대응하고, 제안된 타당화(35개 기록 표본에 대한 5명 평가자)는 아직 실행되지 않았으므로, 이 프레임워크는 창의적 학습에 관한 증거가 아니라 연구 프로그램입니다.

  • 생성형 AI 설계 워크플로는 창의적 자신감은 낮추면서 수행은 유지할 수 있다. 학생 36명의 건축 설계 비교에서, 생성형 AI 이미지 생성은 설계 수행, 인지 부하, 과제 특정 창의적 자기효능감에서 선례 검색과 동등한 결과를 보였으나, 일반적 창의적 자기효능감은 하락했습니다(DiD = −0.543, 95% CI [−1.068, −0.017]). 과제에 대한 지원과 자신의 창의성에 대한 자신감은 서로 갈라질 수 있습니다(Xiao 등(2026)).

창의성을 실천에 옮기기

이런 발견 전반에 걸쳐 되풀이되는 설계 원칙은, 학습자 자신의 생성 행위를 고리 안에 유지하는 것입니다. 그것이 아이디어를 생산하는 행위이든, 산출물을 반복하는 행위이든, 발견된 예시를 확장하는 행위이든 말입니다. 그리고 AI를 그 행위를 대체하기보다 도전하고 확장하는 발산적 사고의 동반자로 사용하는 것입니다.

  • 교수자를 위해: 학생들이 AI를 상담하기 전에 자신의 초기 아이디어를 먼저 생성하도록 과제를 배열하십시오("먼저 생각하고, ChatGPT는 나중에" 프로토콜). 그런 뒤 AI를 그 아이디어를 심문하고, 확장하고, 악마의 변호인 역할을 하도록 사용하십시오. 노력을 피하고자 하는 지름길(원클릭 T2I 산출물, 바이브 코딩된 해법)이 아무것도 얻지 못하도록, 과정과 독창적 종합을 정제된 결과물과 나란히 평가하십시오. 예술과 디자인에서는 산출물만이 아니라 저자권과 기술 발달을 평가의 대상으로 삼으십시오.
  • 개발자와 설계자를 위해: 반복의 고리를 드러내고 보상하는 도구를 만드십시오. 구조를 보여 주고(Flowcode의 순서도처럼), "첫 산출물을 내보내는" 순간에 생산적 마찰을 더하며, 단 하나의 정제된 답이 아니라 대안과 비평을 제공하십시오. 도구가 다음 최선의 버전을 노력 없이 만들 수 있을 때에도, 학습자의 창의적 결정이 여전히 중요한 것이어야 합니다.
  • 연구자를 위해: 창의성을 영역 특화적이고 결과 특정적인 것으로 다루십시오. 지원받은 산출물이 더 창의적으로 보이는지가 아니라, 향상이 수렴적이거나 무지원 과제로 전이되는지를 측정하십시오. 측정의 격차가 이 분야의 가장 날카로운 문제입니다. 45개 연구의 K–12 자료 집합 안에서도 공식 창의성 측정을 사용한 연구는 네 개의 평가 연구뿐이고, 대부분의 연구는 구인을 아예 정의하지 않았으며, 창의적 과정 — 준비, 잠복, 깨달음, 검증 — 은 사실상 측정되지 않았습니다. 따라서 이 검토의 처방은 측정 우선입니다. 증거 중심 설계와 은밀한 평가을 통해 열린 과제 안에서 창의성을 불가해하게 채점하고, 창의적 자기효능감를 암묵적 부수 효과가 아니라 결과의 일부로 다루십시오(Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review).

연결

창의성은 비판적 사고과 구성주의 학습에 연결됩니다. 그것은 학습을 보존하는 것과 같은 AI 오용의 감소 비계와, 정제된 산출물보다 독창적 추론에 보상하는 실제적 평가 설계에 의해 보호됩니다.

연결된 개념

연결된 문서

메타데이터

분야Cs Education, Math Education, Writing Education
대상 독자Learners
학습과 교수구성주의, 문제 해결
기술과 기법생성형 AI
교육에서의 인공지능 기초비판적 사고, 디자인 씽킹
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.