AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

비판적 사고

생성일 2026-08-09 · 갱신일 2026-10-07

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

비판적 사고 — 정보를 분석하고, 평가하고, 종합하는 능력 — 은 AI 도구가 기르는 것을 도울 수 있는 기술이면서, 학생이 AI를 사용할 때 발휘해야 하는 역량이기도 합니다. 교육에서의 AI 연구에서 비판적 사고는 서로 맞물린 두 형태로 나타납니다. 학습 목표로서(학생에게 비판적으로 생각하는 법을 가르치는 것)이자, 무비판적 AI 의존에 대항하는 안전장치로서입니다.

생각해 볼 질문들

  • 거짓이거나 오도를 하는 AI 생성 답변을 알아채는 자신의 능력에 대해 얼마나 확신하십니까? 연구는 자기보고한 AI 역량이 실제 평가 능력을 훨씬 웃돈다고 시사합니다. 스스로를 어떻게 시험해 보시겠습니까?
  • 여기서 비판적 사고는 두 형태로 나타납니다. 가르칠 기술, 그리고 AI에 대한 무비판적 의존에 대항하는 안전장치. '비판적 사고를 가르치는' 도구가 사실은 그 반대를 훈련하는 상황을 떠올리실 수 있습니까?
  • 한 연구는 학생이 AI가 만든 실수를 캐물게 하는 것이 고차원적 사고의 큰 향상을 낳았음을 발견했습니다. 실수를 숨기기보다 일부러 드러내는 것이 여러분이 짐작했던 것보다 더 강력한 교수 행위가 될 수 있는 까닭은 무엇일까요?
  • AI 답변에 쉽게 닿을 수 있는 것이, 학생이 알아차리기도 전에 비판적 참여를 밀어낼 수 있습니다. 정책이나 금지가 아니라 어떤 설계 특징이 인지적 노력을 살려 둘 수 있을까요?
  • AI 조언이 조언이 틀렸을 때조차 '모른다'고 말하려는 의지를 억누른다는 것이 보여졌습니다. 질문이 안전한 교실 문화를 만든다는 것이 어떤 뜻인지, 그것은 어떻게 바꾸어 놓습니까?

들어가며

비판적 사고는 AI 리터러시에 핵심적입니다. AI 산출물을 비판적으로 평가할 수 없는 학생은 과잉 의존, 환각 정보, 편향된 추천에 취약합니다. 인지 부하 외주화에 관한 연구는 AI 답변에 쉽게 닿을 수 있는 것이 비판적 참여를 밀어낼 수 있음을 보여 주는 반면, 직접 답을 주지 않는 소크라테스식 접근은 더 깊은 사고에 필요한 인지적 노력을 지킵니다.

구조화된 대화 제어이지 더 나은 프롬프트가 아닌 것이 오류 논증 튜터와 토론 챗봇을 가릅니다. 각 차례를 툴민 기반 의도 탐지, 고정된 전략 순서, 검증 에이전트로 라우팅하면, 한 소크라테스식 시스템이 대화 품질 지표의 84.5%를 통과한 반면 휴리스틱 기준선은 61.5%였습니다(Shi 외(2026)).

교육에서의 AI 연구 속 비판적 사고

이 지식베이스의 글들은 비판적 사고를 설계 기반 및 실증적 렌즈로 탐구합니다. 적대적 AI 에이전트는 초보 설계자에게 재고를 촉구하는 건설적 갈등을 연출합니다. 비판적 재평가를 강제하는 소크라테스식 변형입니다. 교수에서의 생성형 AI에 관한 무작위 대조 시험 연구는 표층적 결과에 최적화하는 AI 도구가 더 깊은 학습으로 이끄는 비판적 사고를 부지불식간에 억누를 수 있는지 묻습니다. 측정된 증거는 이 지점을 날카롭게 합니다. 비판적 사고가 움직이는지는 AI 매개 피드백과 과제가 어떻게 설계되는지, 그리고 학습자의 메타인지적 조절에 달려 있지, 모형에 접근할 수 있는지에 달려 있지 않습니다.

생성형 AI 사용과 자기보고한 비판적 사고 사이의 연결은 거의 전적으로 생성형 AI 피드백 리터러시를 통해 이루어졌습니다. 중국 학부생 421명에서, 피드백 리터러시가 전체 연관의 71.98%를 매개했으며(β=0.185), 남은 직접 경로는 덜 성찰적인 학생에게서만 양이었고(β=0.177) 더 성찰적인 학생에게서는 유의미하지 않았습니다(Yan 외(2026)).

조절 주장에 대한 메타분석적 닻. 29개 실험에 걸쳐 생성형 AI는 고차원적 사고를 중간 정도 높였으며(g = 0.609), 비판적 사고는 ES = 0.691로, 문제 해결(0.745)보다 낮고 창의성(0.444)보다 높았으며, 8–16주 개입(0.759)과 높은 자기조절 학습(SRL) 학습자(0.284에 대비 0.863)에서 가장 강했습니다(Zhao 외(2025)).

ChatGPT의 사고에 대한 영향에 관한 고찰들은 혼합된 발견을 기록합니다. AI는 의도적으로 사용될 때(예컨대 학생에게 AI가 만든 논증을 비판하게 하는 것) 비판적 분석을 스캐폴딩할 수 있지만, 답변 엔진으로 쓰일 때는 사고를 질식시킬 수 있습니다. 이 긴장은 자기보고한 AI 역량이 실제 비판적 평가 능력을 훨씬 웃돈다는 How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures 연구와 연결됩니다. AI와 함께하는 비판적 사고에 관한 HCI 연구 80편에 대한 비판적 고찰은, 이 분야가 자신이 거의 정의하지 않는 것을 측정하고 있음을 발견했습니다. 80편 중 23편만이 자신들이 비판적 사고를 어떻게 이해하는지 밝혔고, 49편(61%)이 수행이 아니라 자기보고로 그것을 평가했으며, 42편(52%)은 대조군을 쓰지 않았습니다(A Critical Review of Critical Thinking in HCI Research About AI).

Lin과 Al-Hada(2026)는 그 혼합된 그림을 산출물-과정의 분리로 읽습니다. 생성형 AI는 과제의 질은 높이면서 그 뒤에 있는 보조 없고 지연된 전이는 낮출 수 있으므로, 학습은 AI 지원 산출물이 아니라 보조 없는 지연 수행으로 판단되어야 합니다.

  • 학생-AI 채팅에서의 고차원적 인지적 참여. Chang과 Li(2026)는 학생이 AI에게 보내는 프롬프트의 약 62%가 고차원적 인지적 요구를 담고 있음을 발견하며, 블룸 수준 프로파일은 학문 분야에 따라 달랐습니다(STEM은 Apply 우세 20.8%, 언어는 Understand 우세 31.7%, 사회과학은 Create 우세 33.8%). 이들의 개인 내 설계는 같은 학생들이 사회과학 강좌에서 STEM 강좌보다 유의미하게 더 많은 고차원적 프롬프트를 만들어 냄을 보여 주어(p < .001), 학문적 맥락이 AI와의 비판적·고차원적 참여를 형성함을 나타냅니다.
  • 상호작용 패턴은 블룸 수준과 선행 지식으로 묶입니다. 탐구 기반 데이터 과학 쓰기 과제에서, 학생 19명이 선행 지식 수준에 따라 달라지는 LLM 상호작용 패턴 14가지를 만들어 냈고, 설계 함의는 LLM 사용 전반이 아니라 특정 고차원적 사고 단계에 스캐폴딩을 겨냥하는 것이었습니다(Luo 외(2026)).
  • 어린이의 비판적 미디어 리터러시를 위한 촉매로서의 AI. Demir과 Akar(2026)는 터키 4학년 학생을 대상으로 한 18시간의 5E 모형 비판적 미디어 리터러시 프로그램을 평가합니다. 이 프로그램에서 생성형 AI(ChatGPT, Grammarly)는 덧붙임이 아니라 단계별로 내장된 교수 에이전트로 작동했습니다. 짝지어진 표본 비교는 미디어 읽기(+3.50), 쓰기(+1.67), 총 미디어 리터러시(+5.17, 모두 p < .01)의 큰 향상을 보여 주었으며, 집단 간 사후 검사 효과 크기는 AI 지원 집단에 유리한 Cohen's d = 1.12(읽기), 1.18(쓰기), 1.31(총 리터러시)였습니다. 질적 분석(면접, 학생 포스터·그림·슬로건, 교실 관찰)은 비판적 미디어 리터러시 성장의 여섯 영역을 드러냈습니다. 디지털 자기 보호와 데이터 프라이버시, 목적 있고 책임 있는 미디어 사용, 안전한 소통과 경계 의식, 비판적 평가와 허위 정보 인식, 온라인 위험 인식, 그리고 미디어 윤리/디지털 시민의식입니다. 이는 AI 매개 내용을 의도적으로 캐묻는 것이 어린 학습자에게 비판적 분석과 성찰을 길러 줄 수 있음을 보여 줍니다.
  • 초등 다중양식 쓰기에서의 차원별 비판적 사고 향상. Lu 외(2027)는 5학년 학생 60명이 이야기를 AI 생성 이미지와 짧은 영상으로 바꾸는 8주간의 대화형 AI 지원 다중양식 쓰기 실천을 따랐습니다. 여섯 비판적 사고 차원에 걸친 반복 측정 분석은 해석, 분석, 평가, 설명에서 지속적 향상(T1→T2 및 T1→T3)과, 수명이 짧은 자기 교육에서의 AI 규제 향상, 그리고 추론의 무변화를 발견했습니다. 이는 총체적 비판적 사고 점수가 가렸을 고르지 않은 차원 수준의 패턴입니다. 저자들은 AI 생성 시각 자료가 의미를 외현화하여 글쓰기가 통상 부과하는 추론적 요구를 낮추었으며, 동료 협력(타인의 해석을 추론하게 만드는 동료 질문)이 홀로 하는 AI 상호작용이 주지 못한 추론의 계기를 제공했다고 주장합니다. 설계 교훈은 이렇습니다. 다중양식 AI 구성은 여러 비판적 사고 측면을 지원하지만, 추론과 자기조절을 지키기 위해 계속되는 스캐폴딩과 구조화된 동료 교류와 짝을 이루어야 합니다.
  • AI 스캐폴딩과 오프로딩은 비판적 사고를 반대 방향으로 끕니다. Davor, Larbi와 Boateng(2026)은 가나의 대학생 533명을 조사하여, AI 과제 스캐폴딩이 더 높은 비판적 사고를 예측한 반면(β = .185), 인지적 오프로딩 성향은 더 낮은 비판적 사고를 예측했음을(−.240) 발견했습니다. AI 검증 리터러시는 비판적 사고에 직접적 효과가 없었고 메타인지적 자기조절을 통해서만 작동했습니다. 이 완전 매개 패턴을 저자들은 학생에게 AI 팩트체크를 가르치는 것만으로는 충분하지 않다는 증거로 읽습니다.(Davor 외 2026)
  • 고차원적 사고를 묶는 것은 사용이 아니라 오프로딩의 깊이입니다. 글쓰기의 추론 층위 — 논거, 반론, 증거 해석 — 를 위임하는 것이 독립적 고차원적 사고와 가장 강한 부정적 연관을 가졌으며(ab = −0.34), 자기조절적 글쓰기는 그것을 약화시켰으나 결코 뒤집지는 못했습니다(Chen (2026)).
  • 비판적 사고와의 연관이 방향을 트는 지점은 사용이 아니라 의존입니다. Shojaei와 동료들(2026)은 오만의 경영학 학생 412명을 조사하여, 생성형 AI 사용과 자기보고한 비판적 사고 성향 사이의 이변량 상관이 거의 0이었음을(r = 0.050), 의존이 더 낮은 성향을 예측했음을(β = -0.389) 그리고 사용에서 성향으로의 연결을 약화시켰음을(β = -0.239) 발견했습니다. 이에 따라 단순 기울기는 낮은 의존에서 0.424에서 높은 의존에서 −0.054로 떨어졌습니다.(Shojaei 외 2026)

더 큰 횡단면 조사는 반대 방향을 가리킵니다. 중국 대학원생 1,157명 가운데, 생성형 AI 의존은 비판적 사고와 양으로 연관되었으며(β = 0.492), 비판적 사고는 기능적 의존에서 연구 창의성으로 가는 경로의 약 85.0%를 나르고 있었습니다(Yin 외(2026)).

  • 짧은 성찰 프롬프트가 AI 조언에 대한 의존을 더 변별적으로 만듭니다. 학부생 342명의 삼조건 실험에서 Ren(2026)은 열린 ChatGPT 지원이 틀린 AI 추천을 시도의 62.4%에서 수용한 반면, 짧은 메타인지 성찰 프롬프트로 39.7%로 낮아졌음을(OR = 0.40, 95% CI [0.28, 0.56]) 발견했습니다. 성찰은 인식 보정(0.59 대 0.41)도 개선하고 AI 특정 귀인 편향 지수를 0.42에서 0.21로 낮추었으며, 추천의 정확도를 떨어뜨리거나 유용한 조언을 일률적으로 거부하게 만들지는 않았습니다.(Ren 2026)

  • 자신감은 오르면서 정확성은 떨어질 수 있습니다. Shaw와 Nave(2026)는 AI 보조 도구에 의견을 구하는 것이 그것이 옳을 때 정확성을 25퍼센트 포인트 높이고 틀렸을 때 15 낮추었으나, 그것과 교류하는 것이 오류 뒤에도 자신감을 높였으며, 잘못된 AI 시도의 73.2%가 전략적 오프로딩이 아니라 항복으로 끝났음을 발견했습니다.

  • 교수가 큐레이한 ChatGPT 피드백이 고차원적 수정을 통해 비판적 사고를 높입니다. Chen과 동료들(2026)은 학부생 64명(모두 예비 화학·물리·수학 교사)을 대상으로 두 개의 논증적 쓰기 과제에 걸쳐 전통적 교사 피드백(n = 32)과 ChatGPT 지원 교사 피드백(n = 32)을 비교한 18주 준실험을 수행했습니다. 집단은 동등하게 시작했고 지원 집단만이 유의미하게 향상되었으며(p < 0.001), Cohen's d는 사전 검사의 0.25에서 사후 검사의 3.74로 올랐습니다. 메커니즘은 피드백의 종류였지 모형의 단순한 존재가 아니었습니다. 지원 집단은 더 많은 시범(33.1% 대 10.9%)과 긴밀한 질문(21.5% 대 6.0%) 피드백을 받았고, 피드백 단위의 91.00%(478개 중 435개)를 수정한 반면(242/284, 85.21%), 인식론적 네트워크 분석은 그 수정들을 인식과 이해가 아니라 분석, 평가, 창작과 연결했습니다. 교사 중심의 교수와 평가 피드백은 대체로 인식과 이해의 수정을 낳았습니다. 교사들은 모형의 산출물을 초안 재료로 다루어, 확장하고 수정하거나 폐기했습니다(14% 폐기, 9% 정정 필요). 면접자 8명 중 6명은 여전히 부정확하거나 비전문적이라고 지적했습니다. 설계 교훈은 비판적 사고의 향상이 대안을 모형화하고 학생의 추론을 캐묻는 피드백에서 왔으며, 모형이 만든 것을 교사가 큐레이했다는 것입니다. 단일 학기의 작은 표본이므로 매우 큰 효과 크기는 조심스럽게 읽어야 합니다.(Chen 외 2026)

  • AI 접근의 한 학기는 비판적 사고를 평평하게 남겼고, 성찰적 사용만이 그것을 따라갔습니다. Melanou, Beege와 Kimmig(2026)은 경영정보학 학생 87명을 세 개의 병행 조건(튜터 틀을 쓴 AI, 안내 없는 AI, AI 없음)에서 세 번 측정하며 9주 강좌를 따랐습니다. 지식은 모든 집단에서 올랐고 두 AI 조건 어느 쪽에도 이점이 없었으며 매튜 효과도 없었습니다(BF01 = 8.70). 한편 자기보고한 비판적 사고와 동기은 안정적으로 유지되었습니다. 학생을 가른 것은 성찰적 사용이었습니다. 출처를 확인하고 채택하기 전에 AI 산출물을 검증하는 실천으로, 이것이 AI 조건에서 대조군보다 높았고(평균 3.72 대 2.82) 마지막 측정에서 비판적 사고를 예측했습니다(R² = 0.183, β = 0.43, p < 0.001). 이 결과는 AI 사용의 한 학기만으로 비판적 사고를 움직일 것이라는 어떤 기대도 유보합니다. 연관이 자리하는 곳은 메타인지적 조절이지 도구 접근이 아니며, 저자들은 한 학기로는 지속적 변화를 보기에 너무 짧을 가능성이 있다고 지적합니다.(Melanou 외 2026)

다른 개념과의 연결

비판적 사고는 스캐폴딩(인지적 요구를 유지하는 AI 지원을 설계하는 것), 프롬프트 엔지니어링(비판적 분석을 끌어내는 질문을 만드는 것), 과잉 의존(AI를 언제 믿고 언제 의심할지 아는 것)과 교차합니다. 비판적 사고는 학문적 진실성에 기초적이며, K-12와 고등 교육 맥락 모두에서 AI 리터러시 프레임워크의 핵심 차원으로 기능합니다.

  • 고차원적 사고를 위한 도발로서의 AI 오류: Hosseini(2026)는 데이터베이스 강좌에서 학생이 AI가 만든 실수를 캐묻게 하여 블룸의 고차원적 수준(Analyze, Evaluate, Create)을 작동시킵니다. 교과 역량에서 유의미한 사전/사후 향상(Cohen's d=1.49)이 나타났습니다.
  • AI 산출물에 대한 비판은 문제 해결의 부산물이 아니라 스캐폴딩할 수 있는 기술입니다. 관련 물리 문제만 푼 집단은 매끈한 AI 풀이를 받아들이거나 자신의 오해에서 그것을 비판한 반면, MAPS 루브릭의 안내를 받은 성찰은 빠진 통합과 정의되지 않은 표기에 대한 전문가 정합적 비판을 만들어 냈습니다(Borse 외(2026)).
  • 인지적 주체성을 지키기 위해 AI에 경계를 세우기. E3-HOT 설계도는 세 체화 경로 — 상황적 내장, 체화적 참여, 인지적 창조 — 를 Analyze, Evaluate, Create에 대응시키고, AI를 프롬프트, 비판, 전략 제안으로 제한하여 학생이 주장이 받아들여지기 전에 근거를 밝히고 증거를 인용하게 합니다(Zhu 외(2026)).
  • AI 설명의 양면 감사. Bernstein과 Sibia(2026)는 CS2를 마친 학생 10명과의 면접 탐침으로 Paul–Elder 기준(정확성, 명료성, 가정, 관점)을 사용하여 생성형 AI 설명에 대한 메커니즘 수준의 검토를 발견했습니다. 학생들은 한 유비의 대응이 깨지는 곳을 찾아냈습니다(연결 리스트에 대한 섬-경로 유비가 원을 함의하고, 입력이 보장되게 줄지 않는 재귀에 제시된 배드민턴 랠리). 그들은 얼버무림보다 정밀한 용어를 요구하고, 설명을 관점을 담은 논증으로 다루었습니다. 결정적으로, 그 검토는 개인적 흥미가 아니라 출처 또는 대상 영역 전문성을 따랐습니다. 이는 AI 산출물의 비판적 평가를 기질적 문제가 아니라 지식 문제("양면 유비 감사")로 다시 규정하며, 결함 있는 AI 유비를 검사하고 고칠 대상으로 내주는 것이 완성된 설명을 읽는 것보다 개념 이해에 대한 더 어려운 점검임을 시사합니다.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)
  • 외주할 수 없는 참여로서의 비판적 사고. Xie(2026)는 도가적 자기 수양에서 나온 철학적 짝을 더합니다. AI는 불투명한 "블랙 박스"이므로, 절대적 진리를 판정하기보다 불확실성을 조화시키는 방향의 틀이 현재의 인식론적 풍토에 더 적합하며, 비판적 사고는 입증 가능한 합리적 절차가 아니라 현실과의 지속적이고 1인칭이며 외주할 수 없는 참여가 됩니다. 내단(內丹) 실천에서 "인지적 지름길은 없다"고 하므로, AI는 "인지적 대리인이 아닌 인간 번영을 위한 도구적 보조"로 자리매김됩니다.(Alternative AI Philosophy: Daoism as Method for AI in Education)
  • 비판적 인간-AI 상호작용의 구조로서의 역할 순환. Kenzhebayeva와 동료들(2026)은 62명의 예비 교육심리학자가 네 전문 역할(사례 구성자, 연구 분석가, 실천 개입주의자, 성찰적 연구자)을 순환한 설계 기반 연구를 보고합니다. 이 역할들은 생성된 추천을 논의의 대상으로 만들었습니다. 참가자들은 AI 산출물을 심리학 이론과 비교하고 사례에 맞지 않는 추천을 수정하거나 거부했으며, 이후 주기에서는 이론적 정당화를 더 요청했고, 권위 있어 보이는 응답에 대한 과잉 의존은 지속되었습니다.(Kenzhebayeva 외 2026)
  • 한 분야에서의 검증 중심 통합. 대학 화학 교육에서의 생성형 AI에 대한 비판적 고찰(Vega-Baudrit와 Rivera Álvarez, 2026)은 화학적 추론이 거시적·아원자적·상징적 표상에 걸쳐 조율되어야 하므로, 학생은 이해하지 못하는 것을 검증할 수 없으며, 따라서 사전 지식와 스캐폴딩이 먼저이고 검증이 평가에 평가되는 활동으로 설계되어야 한다고 — 거짓 가정을 찾아내고, 단위나 메커니즘 오류를 바로잡거나, 생성된 답변을 거부하는 것을 정당화하고, 프롬프트 기록과 수정 이력을 추론의 흔적으로 남기는 것 — 주장합니다.(Vega-Baudrit and Rivera Álvarez 2026)
  • 안전장치만이 아니라 학습 활동으로서의 검증. Wang(2026)은 AI 산출물 평가를 여섯 개의 상호의존적 차원 — Process, Evidence, Access, Reproducibility, Legitimacy, Source — 으로 조직하고, 산출물의 유창함이 아니라 그 보증을 조립하는 것을 학문적 전문성을 쌓는 것으로 다룹니다.

이 지식베이스에서 가장 큰 전문가 평정 취약성은 비판적 사고입니다. 30명의 전문가가 평정한 65개 학습 과정에 걸쳐, 비판적 사고와 비판적 분석적 사고는 이 보고서에서 가장 높은 교란 평정을 받았습니다(5점 중 평균 4.00. 평정자의 96%가 3 이상). 향상은 문턱 아래였습니다(2.40, 43%)(Kendeou, Greene & Nixon 외, 2026). 18개 고차원 과정 중 10개는 취약성에만 합의에 이르렀으며, 보고서는 이것을 절충이 아니라 일방적 위험으로 읽습니다.

연결된 개념

연결된 문서

연결된 FAQ

연결된 리소스

  • 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.

메타데이터

수준Higher Ed
학습과 교수스캐폴딩, 소크라테스식 방법
기술과 기법생성형 AI
교육에서의 인공지능 기초교육에서의 인공지능, AI 리터러시, 인지 부하 외주화
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.