AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

디지털 격차

생성일 2026-08-13 · 갱신일 2026-10-04

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

디지털 격차 — 개인, 공동체, 국가에 걸쳐 디지털(그리고 점점 더 AI) 기술에의 접근, 그것을 다루는 능력, 그리고 그 혜택이 불평등하게 분배되는 현상입니다. AI 교육에서 디지털 격차는 핵심적인 형평성 문제입니다. 생성형 AI가 학습을 빠르게 재편하는 가운데, 이를 효과적이고 비판적으로 사용할 수 있는 사람과 그럴 수 없는 사람 사이의 간극이 기존의 교육 불평등을 심화시킬 위험이 있기 때문입니다.

생각해 볼 질문들

  • 디지털 격차는 흔히 접근, 능력, 그리고 실제로 혜택을 받는 사람이라는 세 수준으로 설명됩니다. 사람들이 '디지털 격차를 좁힌다'고 말할 때 대체로 어느 수준을 떠올린다고 보시며, 왜 그것만으로는 불완전할 수 있을까요?
  • 모든 학생에게 기기와 인터넷 접근을 제공한다고 해서 그들이 AI를 효과적이거나 비판적으로 사용할 수 있게 되는 것은 아닙니다. 접근할 수 있는 것과 혜택을 누릴 수 있는 것을 가르는 것은 무엇일까요?
  • AI는 불평등에 새로운 층위를 더합니다. 알고리즘 편향은 소수화된 학습자에게 불균형적으로 해를 끼칠 수 있고, AI 리터러시 자체가 이 기술이 간극을 넓힐지 좁힐지를 결정합니다. 이것이 이전 기술들의 격차와 다른 점은 무엇일까요?
  • 이 격차는 AI 시스템에 어떤 공동체, 언어, 관점이 반영되고 또 그에 의해 서비스되는지로까지 이어집니다. 대표성은 그 자체로 어떻게 접근의 한 형태이거나 배제의 한 형태가 될까요?
  • 이 격차를 좁히는 것이 '정의와 참여의 문제'라면, 그 책임은 누구에게 있는 것일까요? 플랫폼, 학교, 정부, 아니면 이 모두이며, AI의 혜택이 공정하게 분배되는 것은 실제로 어떤 모습일까요?

들어가며

디지털 격차는 일반적으로 세 가지 수준에서 작동하는 것으로 이해됩니다(van Deursen & van Dijk, 2014). 제1수준 격차는 기술과 인프라에의 접근(연결성, 기기, 지원 환경)에 관한 것이고, 제2수준 격차는 능력과 역량(도구를 효과적이고 의미 있게 사용하는 데 드는 고르지 않은 역량)에 관한 것이며, 제3수준 격차는 결과와 혜택(기술 사용에서 실제로 혜택을 받는 사람으로, AI는 사회적·문화적·경제적 격차를 악화시킬 수 있습니다)에 관한 것입니다. AI 사용의 기준을 제시하기 리터러시를 이 관점을 통해 바라보면, 형평성은 기기와 인프라의 격차를 좁히는 것만으로는 충분하지 않다는 것이 분명해집니다. 즉, AI를 효과적이고 비판적으로 사용하는 능력을 키워 그 혜택이 기존의 불평등을 강화하는 대신 공정하게 분배되도록 해야 합니다.

연구가 보여 주는 디지털 격차의 모습

  • 형평성을 위한 메커니즘으로서의 AI 리터러시: SAIL 프레임워크는 제2수준 및 제3수준 격차에 대응하기 위해 명시적으로 설계되었으며, 모든 교육 단계에 걸쳐 형평성 있는 AI 리터러시를 위한 단계적으로 비계화된(연령에 구애받지 않는) 경로를 제공합니다. 이는 AI 리터러시가 형평성 및 참여와 분리될 수 없다는 논거에 바탕을 둡니다.
  • 정책과 인프라: OECD Digital Education Outlook 2026는 디지털 격차를 국가 교육 정책의 맥락에 놓고, 디지털 및 AI 기술에의 접근이 어떻게 달라지며 시스템이 격차를 좁히기 위해 무엇을 할 수 있는지를 검토합니다.
  • 책임 있는 사용과 프롬프트 리터러시: K-12 프롬프트 리터러시 연구는 학생들이 AI 챗봇을 책임 있게 사용하는 능력을 가르침으로써 제2수준 격차에 대응합니다. 이는 접근만으로는 AI를 잘 쓰는 것이 저절로 주어지지 않는다는 인식에 따른 것입니다.
  • 표현 능력은 그 자체로 하나의 제2수준 격차입니다. MedQA에서 정확도는 프롬프트의 정교함에 따라 올랐으며(리터러시가 낮은 문장으로는 82.4%, 전문가 수준의 표현으로는 83.4%), 요청을 동등하지만 더 분명한 문장으로 고쳐 쓰는 Prompt Equity Transformer가 이 간극을 메워, 효과적인 프롬프트 작성의 부담을 학습자에게서 시스템으로 옮겼습니다(Jin et al. (2026)).
  • 대표성과 구조적 침묵: 소수 대표 언어에 관한 연구는 디지털 격차가 AI 시스템에 어떤 공동체, 언어, 관점이 반영되고 서비스되는지, 즉 불평등의 문화적·인식론적 차원으로까지 이어짐을 보여 줍니다.
  • 코드 전환은 그 자체로 하나의 배제입니다. 대부분의 LLM 강의 도구는 단일 언어(영어) 오디오와 안정적인 인터넷을 전제로 하여, 영어와 가정 언어가 섞인 교실을 배제합니다. 인도의 UDISE+ 데이터는 학교 인터넷 접근률이 약 54%이며 도시-농촌 간 격차가 24포인트에 이르는 것으로 나타났으며, 온디바이스 전사와 로컬 우선 저장을 쓰는 이중언어 도구가 이에 대응합니다(Malhotra, 2026). 엣지 추론으로의 전환은 제1수준 격차에 하드웨어 차원을 더합니다. 튜터링이 클라우드가 아닌 브라우저에서 실행될 때 — WebLLM을 통한 브라우저에 상주하는 SLM 튜터 — 구독 비용 장벽은 사라지지만 그것을 대체하는 것은 역량 장벽입니다. 소비자용 노트북에서 같은 시스템이 시도당 약 180초가 걸린 반면 원격 API는 10~58초였고, Chromebook급 기기에서는 8B 모형을 전혀 실행할 수 없습니다. 현대적 하드웨어를 지닌 학생은 빠르고 매끄러운 생성물을 얻는 반면, 오래된 기기를 쓰는 학생은 지연이나 메모리 고갈에 직면하므로, 로컬이고 값싼 것이 기본적으로 공평한 것과 같지는 않습니다.

AI는 격차를 심화하고(때로는 좁힐 수 있습니다)

AI는 기술이 지니는 형평성 함의에 새로운 층위를 더합니다. 알고리즘 편향은 소수 공동체 출신 학습자에게 불균형적으로 영향을 미칠 수 있고, 편향과 위험을 이해하고 비판적으로 평가하며 완화하는 능력인 AI 리터러시는 AI가 간극을 넓힐지 좁힐지를 좌우하는 핵심 요인입니다. 연구에 따르면 AI 리터러시가 높은 교육자는 편향된 결과를 찾아내고 완화하는 데 더 효과적입니다. AI 시대의 디지털 격차는 따라서 단순한 기술 제공의 문제가 아니라 정의와 참여의 문제입니다. 즉, 누가 AI에 접근할 수 있는가, 누가 그것을 비판적으로 사용할 수 있는가, 누가 혜택을 받는가의 문제입니다.

오랜 세월에 걸친 연구의 한 흐름은 이 개념 자체가 접근에서 디지털 형평성으로 옮아갔음을 추적하며, 이제는 디지털 리터러시, 경제적 부담 가능성, 집단 민감 콘텐츠, 인프라 가용성이라는 네 차원으로 규정되고, 기계 산출물을 검증해 볼 수 있는 사용자에게 유리한 디지털 격차의 새로운 물결로서 소비자용 AI를 읽습니다(Rose (2026)).

성격이 단순히 사회경제적 지위뿐 아니라 AI 시대의 격차를 만듭니다. Wang et al. (2026)은 네덜란드 6학년 학생 4,497명의 설문조사와 국가 등록부 데이터를 분석하여, 학생의 배경과 성격을 학업 성과와 잇는 두 매개 경로(AI 사용량과 디지털 리터러시)를 분리했습니다. 핵심 발견은 기존의 격차 프레임을 다시 세웁니다. 즉, 성격과 성과의 연결을 매개하는 것은 AI 사용 강도가 아니라 디지털 리터러시이며, 사회경제적 지위보다 성격 특성에 더 많이 좌우되는 새로운 디지털 기술 격차가 나타난다는 것입니다. 성과에서의 사회경제적 지위 이점은 AI 참여와 무관하게 작동했습니다. 이는 디지털 격차의 접근 및 사회경제적 지위 중심 프레이밍을 복잡하게 만들며, 기기와 도구 접근과 나란히 기술 형성과 기질적 지원을 형평성 관련 정책 수단으로 지목합니다.

이 격차에는 메타인지적 층위가 있습니다. AI를 생산적으로 활용하려면 선행 지식과 자기조절이 필요한 까닭에, 이를 이미 갖춘 학생들이 가장 큰 혜택을 받는 반면 연습이 가장 필요한 학생들은 학습 자체를 위임해 버립니다. 이는 동일한 접근 조건에서도 성취 격차를 넓힐 수 있는 '메타인지 형평성 격차'입니다(Lodge & Loble (2026)).

구조화된 학교 AI 수업은 심리적 촉매이지만 인지적 균등화 장치는 아닙니다. 홍콩 중학생 752명을 대상으로 한 1년 과정의 교육과정에서 자신감과 동기의 격차는 좁아졌지만, 높은 주체성 학습자와 낮은 주체성 학습자 사이의 객관적 AI 리터러시 차이는 그대로 남았습니다(Liang et al. (2026)). 이 격차는 제도 수준에서도 작동합니다. Adeniranye et al. (2026)은 나이지리아 고등교육 체계에서 AI 통합 역량이 상대적으로 오래된 사우스웨스트 지역 기관에 집중되고, 상호 강화하는 네트워크 연결(국제 협력 × 산업 파트너십, r = 0.74)을 통해 증폭된다는 것을 보여 줍니다. 즉, 제도적 '못 가진 자'(대체로 신생 주립 대학)는 자신들이 따라잡는 데 도움이 될 바로 그 네트워크에 진입하는 데 구조적 장벽에 맞닥뜨린다는 것입니다. 디지털 불평등은 따라서 개별 학습자 사이에서뿐 아니라, AI로 전환된 지식경제에 누가 참여할 수 있는지를 규정하는 제도적 구조 속에서도 재생산됩니다.

이 격차에는 지리적 차원이 있으며, 그 메커니즘이 멘토링입니다. Jacobson et al. (2026)은 인디애나 FIRST LEGO League 참여에서 회복의 비대칭성을 기록합니다. 도시와 농촌 참여가 2020년 원격 시즌에 모두 하락했지만, 도시 참여만 회복되었고 농촌 참여는 2025-2026년까지 2020년 이후 수준에 머물렀습니다. 이들이 지목하는 메커니즘은 팀을 시작하고 유지할 만한 프로그래밍 및 로보틱스 지식을 갖춘 사람에 대한 접근, 즉 기술적 멘토링에의 접근입니다. 학생과 교사가 관심이 있더라도 농촌 학교에는 이것이 부족할 수 있어, 로보틱스와 AI 경로의 특징이라기보다는 그 전제 조건이 됩니다. 이에 대한 대응으로 이들은 그 멘토링의 확산을 의도적으로 설계합니다. 대학 1차 허브가 학부생을 양성하고 워크숍을 열며, 성숙한 학교 프로그램이 인근 학교를 멘토링하는 2차 허브가 되는 방식이며, 인디애나 공립학교 1,925곳을 대상으로 한 공간 마르코프 시뮬레이션은 보통 가정 하에 40년 뒤 프로그램 992개(ARC가 없으면 161개)를, 농촌 프로그램은 341개(없으면 60개)를 전망합니다. 위의 제도 네트워크 결과와 나란히 읽으면, 격차는 누가 어디에서 전문성을 공급할 수 있는가의 구조를 통해 지속되며, 대학과의 근접성을 가정하는 대신 그것을 의도적으로 공급하는 것이 정책 수단이라는 점이 드러납니다.

접근과 인식론적 위계는 다른 문제입니다. Sithole (2026)은 남아공의 두 곳의 역사적으로 불리한 기관(HDI)에 속한 교육 개발자들과의 인터뷰에서 이 구분을 선명하게 끌어냅니다. 디지털 불평등은 분배적인 것입니다. 기기, 연결성, 예산, 디지털 리터러시가 그것이며 원칙적으로 재분배를 통해 해답할 수 있습니다. 반면 알고리즘 식민성은 인식론적인 것으로, 시스템이 무엇을 부호화하고 누구의 지식을 중심에 두는가에 내재하기 때문에 완전한 접근 조건 아래에서도 지속됩니다. 연구 참여자들은 이 둘을 동시에 경험하며, 이를 '아날로그적 토대 위에 디지털 미래를 세우라는 요구를 받는 것'으로 표현했습니다. 토대는 격차의 물질적 측면을 가리키고, 수입된 미래는 그것을 설계한 맥락의 인식론적 가정을 이미 탑재한 채 도착합니다. 형평성 실천에 대한 실천적 함의는, 접근 격차를 메우는 것만으로는 위계가 저절로 흔들리지 않는다는 것입니다. 이 두 현상은 서로 다른 층위에서 작동하며 다른 대응을 요구합니다.

설계는 기기 격차가 해소되기를 기다리는 대신 이를 우회할 수 있습니다. Rodrigues et al. (2026)는 컴퓨터를 한 번도 만져 본 적 없는 학생도 지능형 튜터링 방식의 지원을 받을 수 있는지를 시험합니다. 이들은 'AIED unplugged(오프라인 AIED)'라 부르는 패러다임을 쓰는데, 학습자와 시스템 사이의 매개자가 교사입니다. 학생들은 종이와 연필로 계속 풀고, 교사가 스마트폰으로 답안을 촬영하면, 시스템이 개인화된 연습 목록, 자동 채점, 오류별 피드백을 돌려줍니다. 브라질 공립학교 19개 학급을 대상으로 한 집단 준실험은 저자들의 말에 따르면 프로토타입이 아닌 실제 교실에서 이러한 시스템을 검증한 최초의 준실험적 평가이며, 앱은 해당 학교들에서 흔한 간헐적 연결 환경에서 교사 자신의 휴대폰으로 실행되었습니다. 따라서 이 설계는 위의 것들과 구별되는 형평성 전략입니다. AI 튜터링이 누구에게도 닿기 전에 기기와 대역폭의 제1수준 격차를 메우거나, 입장권으로서 제2수준 능력을 높이는 대신, AI가 직접 상호작용하지 않는 학생들에게 닿습니다. 그러나 같은 연구는 이 우회 경로가 피하려 한 그 격차에서 자유롭지 않다는 것도 보여 줍니다. 평소 수업 대비 학습상의 이점은 기술이 아니라 교사 훈련에서 비롯되었으며, 훈련과 전면 시스템 조건 사이에는 성과 차이가 없었고, 이 시스템이 학습에 미치는 긍정적 간접 효과는 교사 노동 부담의 감소를 통해 작동했습니다. 업무 부담이 클수록 성과는 낮았습니다. 따라서 접근 격차를 우회한다고 해서 형평성 문제가 사라지지는 않으며, 구속 조건이 교사의 역량과 시간으로 옮겨갈 뿐입니다.

  • 하드웨어 제약은 사라지고 있을지 몰라도, 접근 격차가 좁혀지는 것은 아닙니다. Guo et al. (2026)은 형평성 있는 언어 학습의 구속 조건이 이제 하드웨어가 아니라 소프트웨어라고 주장합니다. 합성-인식-번역을 아우르는 전체 스택이 4GB 이하에 들어가고, 공동체 측정치에 따르면 3B 모델이 80달러짜저 싱글보드 컴퓨터에서 초당 4~9토큰을 내며, 5년간 매일 연습하는 데 드는 전기 요금은 약 18달러로 클라우드 구독의 1,200달러, 주간 과외의 2,600달러와 대비됩니다.
  • 모델 압축은 제약된 하드웨어로 가는 또 다른 길입니다. 416,343개 항목의 코퍼스로 파인튜닝한 나이지리아 피진어 적응형 튜터는 8비트에서도 의미 구조와 응집성을 유지했으며, 4비트와 5비트 버전은 수업의 질을 최소한으로 떨어뜨리면서 추론 지연을 줄였고, 원어민들이 지표만이 아니라 문화적 수용 가능성을 점검했습니다(Nwogo et al., 2026).
  • 시뮬레이션 실험실은 피하려 했던 장비비를 그대로 재현할 수 있습니다. STEM 고등교육의 디지털 트윈 연구 11편에 대한 체계적 문헌고찰은 네 연구에서 기능성 워크스테이션 노드 하나당 하드웨어 비용이 \2000−2000-\\15,000에 이르고, 다섯 연구에서 물리적 실체가 동시 사용 인원을 1~3명으로 제한했으며, 포함된 연구 중 투자 대비 수익 분석을 제시한 곳은 없었다고 밝혔습니다(Pelayo-Gonzalez et al. (2026)). 이 고찰은 그 진입 비용을 3만 달러에서 15만 달러가 넘는 물리적 특성 분석 장비와 견줍니다.

관련 개념들과의 연결

디지털 격차는 형평성 연구의 핵심 관심사로, 구조적 장벽에 대응하는 중심 메커니즘으로 자리한 AI 리터러시와, 또 알고리즘 편향이 소수 집단에 불균형적으로 영향을 미치는 까닭에 윤리 및 편향 완화과 밀접하게 연결됩니다. 이는 접근과 역량 격차가 드러나는 장소인 교육에서의 인공지능 및 고등 교육와 이어지고, AI로 형성된 학습에 누가 의미 있게 참여할 수 있는지를 규정하는 학생 경험와도 관련됩니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

형평성, 윤리, 그리고 책임 있는 사용접근성, 형평성
교육에서의 인공지능 기초교육에서의 인공지능, AI 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.