AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

유아 교육

생성일 2026-08-25 · 갱신일 2026-10-07

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

유아 교육 — 유아기, 즉 유아원(pre-school) 시기와 초등(국민학교) 학년 전반에 걸친 인공지능의 활용. 이는 어린 학습자를 위한 AI 리터러시 및 전산적 사고 교육과정, AI 기반 장난감과 놀이, 초등 교과에서의 개인화 학습, 그리고 청소년이나 성인이 아닌 어린이에게 고유한 발달적·안전적·공평성 고려 사항을 포괄합니다.

생각해 볼 질문들

  • 어린 아이들은 이제 장난감, 챗봇, 교실 로봇을 통해 AI를 만납니다. 5세 아이가 AI와 맺는 관계가 성인의 것과 근본적으로 다른 점은 무엇이며 — 위험에 대해 생각하는 방식에서 무엇이 달라져야 할까요?
  • 일부 유아 AI 리터러시는 컴퓨터가 전혀 없는 '비연결(unplugged)' 놀이를 통해 가르쳐집니다. 추상적인 AI 개념을 화면이 아닌 몸으로 체화된(embodied), 만질 수 있는 활동을 통해 어떻게 배울 수 있을까요?
  • '기술적 동형화(technological isomorphism)'라는 우려는 어린 학생들이 이해하지 못한 채 AI 출력을 흉내 낸다는 것을 설명합니다. 진정으로 학습한 아이와 그저 다듬어진 답을 앵무새처럼 따라 하는 아이를 어떻게 구분할까요?
  • 어린 학습자는 더 취약하고 자기조절 능력이 덜하므로, 성인의 스캐폴딩 비계가 중심이 됩니다. 부모나 교사가 아이가 언제, 어떻게 AI를 사용해야 하는지 결정할 때 이것이 의미하는 바는 무엇일까요?
  • AI가 풍부한 유아 학습 — 또는 보호적인 성인 지도 — 에 대한 접근이 고르지 않다면, 초등학교 이후 학생들에 비해 초등학교 이전 시기에 공평성은 어떻게 다르게 드러날까요?
  • 여기서의 증거 기반은 대체로 탐색적이고 설계 지향적이지 인과적이지 않습니다. AI 장난감이나 앱이 어린이의 학습을 향상한다는 주장을 신뢰하기 전에 무엇을 알고 싶을까요?

들어가며

어린 아이들은 AI가 탑재된 장난감, 챗봇, 적응 학습 플랫폼, 교실 로봇을 통해 점점 이른 시기에 AI와 상호작용합니다. 그러나 이들은 교육 분야의 AI에 관한 대부분의 연구를 지배하는 K-12와 고등교육 학습자들과는 발달적으로 다릅니다. 이 개념은 그 더 어린 연령대에 대한 지식 기반의 내용을 모읍니다. 이는 더 넓은 K-12의 테두리 안에 있지만, 우려 사항들이 발달에 특수하기에 구별됩니다. 주요 학습 양식으로서의 놀이, 성인(부모/교사) 비계, 연령에 적합한 AI 리터러시, 그리고 웰빙과 안전에 대한 높은 주의입니다.

연구가 어떻게 군집을 이루는가

  • 비연결 놀이를 통한 AI 리터러시. AI-Play 틀은 비연결(컴퓨터 없음) 활동을 통해 유아 AI 개념을 가르치며, 추상적인 AI 아이디어가 몸으로 체화되고, 놀이적이며, 만질 수 있는 활동을 통해 어린 아이들에게 소개될 수 있음을 보여 줍니다(게임 기반 학습 참조) — 이는 AI 리터러시와 컴퓨팅 사고로 들어가는 발달에 적합한 경로입니다.
  • AI가 탑재된 장난감과 아동 발달. 장난감 속 AI에 관한 연구는 상업적 AI가 탑재된 장난감들이 아동 발달과 놀이를 어떻게 형성하는지 검토합니다. 이는 놀이 속 에이전트, 신뢰 보정, 학습자 주체성, 그리고 가장 어린 학습자들의 웰빙에 관한 열린 질문들을 제기합니다 — 설계 지침이 학령기 교육과정보다 얇은 영역이며, 부모/보호자가 중심 이해관계자가 되는 영역입니다.
  • 연령에 맞춘 챗봇에 대한 아동의 태도. Vahedian Movahed & Martin (2025)는 주제가 제한된 챗봇(천문학, 운동화와 신발, 공룡) "Ask Me Anything"(AMA)을 프롬프트 엔지니어링으로 연령에 맞춰 6–14세 아동 63명에게 배포하여, 아동–AI 상호작용의 세 가지 양상 — 경이로움과 호기심, 신뢰를 시험하고 자신감을 쌓기, 의인화를 통해 관계를 쌓기 — 과 정보 출처로서의 AI에 대한 폭넓은 개방성과 높은 신뢰를 드러냈습니다. 그들이 내리는 연령 민감 설계와 디지털 안전 및 데이터 사용 개념의 명시적 교육에 대한 요구는 이 개념의 핵심인 발달적·안전 우려를 강화합니다.
  • 초등 교과 학습. 초등 분수 학습에서의 AI 기반 개인화 학습과 초등 수학에서의 AI(초등 수학에서의 AI)는 초등 초기 교수에서 AI의 가능성과 함정을 함께 보여 줍니다. 초등 글쓰기와 생성형 AI에 관한 체계적 문헌고찰은 생성형 AI가 초기 학년의 쓰기 지도를 어떻게 재편하고 있는지를 조망합니다.
  • 로봇과 어린 아이들. 유아원의 로봇공학은 교육용 로봇을 통해 전산적 사고를 뒷받침하며, LLM이 구동하는 휴머노이드 스토리텔링은 부모들이 아이들을 위한 이야기 놀이 동반자로 로봇을 받아들일지 탐구합니다 — 신뢰와 성인의 태도를 전면에 내세우면서.
  • AI 에이전트와 로봇공학을 위한 "창의적 프로젝트 접근" 틀. Yang, Li and Lee (2025)는 생성형 AI 에이전트와 로봇을 Project Approach에 통합하여 어린 아이들의 창의적 학습을 기르는 5단계 교수학적 틀을 제안합니다. 그들은 어린 아이들에게는 화면보다 물리적 에이전트가 더 적합하다고 주장하며, 두 가지 상호 보완적 패러다임을 그들의 학습 이론과 짝지웁니다. 코딩 로봇(Papert의 구성주의; Matatalab과 KIBO 같은 도구로 만질 수 있는 프로그래밍을 통한 전산적 사고)와 생성적 사회적 로봇(아동의 근접 발달 영역 안에서의 비고츠키적 비계, 대화적 또래나 튜터로서 작동). 다섯 단계 — 학습 필요 파악, 교사 안내 하의 아동–로봇 상호작용 촉진, AI를 맥락에 배치하기, 자동화/창의성 균형 보정, 결과 평가 — 은 교사 촉진과 아동 학습자 주체성를 보존하면서 놀이 기반·프로젝트 기반 교실에 AI 에이전트와 로봇을 심기 위한 구체적 경로를 설계자와 ECE 실천자에게 제공합니다.
  • 놀이 중심 AI 리터러시 교육과정. Lee (2026)는 Play With AI (PL-AI)의 설계 기반 연구를 보고합니다. 이는 발달에 적합한 교육과정으로, 두 명의 유아원 교사와 두 명의 유치원 교사가 "어떻게 하는지" 알고리즘을 짜고 시험하는 비연결 놀이, 만질 수 있는 코딩(Bee-Bot, Ozobot), 사회적 AI 로봇과의 안내된 대화를 섞은 일곱 개의 순차적 활동을 공동 설계했습니다. 형성적 증거는 교사 자신감과 교수학적 주도성의 상당한 성장을 보여 주었으며, 네 가지 설계 원칙이 드러났습니다 — 몸으로 체화된 놀이, 만질 수 있는 코딩, 안내된 대화, 교사 공동 설계 — 이는 AI4K12 Initiative와 NAEYC 틀에 부합합니다. 이것은 로봇과 만질 수 있는 도구가 놀이 기반, 교사 주도 AI 리터러시에 가장 어린 학습자를 위해 어떻게 심길 수 있는지의 모범입니다.
  • 어린이 STEAM 예술 교사를 위한 AI 보조 수업 계획. 어린이 미술 교사들에 대한 한 실험 연구(Luo and Tahir 2025)는 ChatGPT가 보조한 수업 계획이 여섯 명의 전문 교수들에 의해 교사가 생성한 것보다 질이 유의미하게 높게 평가되었음을 발견했습니다(중앙값 20.5 대 17.6, p = .002, 큰 효과). 동시에 교사들이 어떻게 위임했는지를 조망했는데, 가장 흔하게(60%) 전체 계획을 생성하기보다는 스스로 윤곽을 잡은 수업의 내용 격차를 메우는 것이었습니다. 교사들은 AI를 주로 학제간 STEAM 통합과 빠른 주제 선정을 위한 영감과 격차 발견 도구로 가치 있게 여겼지만, 실제 교실에 부적합한 출력물, 아동 안전 제약을 간과한 결과(예: 어린 아이들을 위한 조각 칼), 서구 중심의 문화적 편향을 지적했습니다 — 이는 Role–Instructions–End Goal 프롬프트 틀이 누그러뜨리기 위해 만들어진, 어린 학습자를 위한 생성형 AI 사용에 대한 구체적이고 발달에 기반한 주의 사항입니다.
  • 초등 학년에서의 AI 지원 비판적 미디어 리터러시. Demir and Akar (2026)는 터키 공립 초등학교 4학년 학생들을 위한 18시간, 5E 모형 비판적 미디어 리터러시 프로그램을 평가하며, 생성형 AI(ChatGPT, Grammarly, Canva AI, Padlet)를 고립된 부가물이 아닌 교수학적 에이전트로서 단계별로 심었고, 활동들은 터키어와 사회 과목 교육과정에 맞추었습니다. AI 지원 집단은 미디어 읽기(+3.50), 쓰기(+1.67), 전체 미디어 리터러시(+5.17, 모두 p < .01)에서 큰 이득을 보였으며 집단 간 효과 크기는 Cohen's d = 1.12–1.31인 반면, 통제 집단은 완만한 진전만 보였습니다. 인터뷰, 학생 산출물(포스터, 그림, 슬로건), 교실 관찰에 대한 질적 분석은 비판적 미디어 리터러시 성장의 여섯 영역을 드러냈습니다 — 디지털 자기 보호와 데이터 프라이버시, 목적 있고 책임 있는 미디어 사용, 안전한 의사소통과 경계 인식, 비판적 평가와 허위정보 인식, 온라인 위험 인식, 미디어 윤리/디지털 시민의식 — 이는 초등 학년에서 AI가 비판적 AI 리터러시와 비판적 사고를 어떻게 뒷받침할 수 있는지를 보여 주는 드문 준실험적·교육과정 정합 모델을 제공합니다.
  • 교사–아동 상호작용 질의 AI 평가 관찰. Fong et al. (2026)는 홍콩 유아원에서 훈련된 인간 평가자 대비 대규모 언어 모델(LLM)을 전체 CLASS Pre-K 틀에 대해 벤치마크했습니다 — 30개 유아원 38개 교실의 영상 촬영된 관찰 87건을, GPT-5.0가 전사본(transcript)에서 평가하고 여덟 명의 훈련된 평가자와 비교했습니다. 합의도는 전반적으로 중간 정도였으나(가중 κ = 0.681), 구성 요소(construct)에 따라 달랐습니다. 일치는 Emotional Support 영역과 Quality of Feedback — 명시적이고 교환 기반의 언어적 지지가 담당하는 차원 — 에서 성립한 반면, Classroom Organization은 완전히 어긋났고, 인간 평가자들은 감정 차원을 모델보다 높게 평가했으며, 역채점되는 Negative Climate 차원에서는 매우 큰 격차를 보였습니다(d = 2.732; 인간 평가자들은 71건 중 63건에서 최고점 7점을 주었고, AI는 6점에 모였습니다). 유아 교육의 교훈은 발달에 특수합니다. 비언어적·공간적·일상적 행동 — 관리, 움직임, 온기, 어조 — 에 살아 있는 질은 전사본 전용 파이프라인에는 보이지 않으며, 모델의 오차 방향은 일률적으로 보수적인 것이 아니라 구성 요소에 따라 다르므로, 저자들은 AI 채점을 교사를 위한 선별(screening)과 성찰 도구로 자리매김합니다. 훈련된 관찰자를 대체하는 것이 아니라.
  • 예비 교사들의 과학 활동 설계. Efthimiou & Plakitsi (2026)는 131명의 유아 교육 예비 교사들이 LLM으로 자석 활동을 설계하게 했습니다. 그들은 모델의 구조와 효율성을 가장 높게 평가했으나(M = 3.95), 내용의 인식론적 신뢰성은 가장 낮게 평가하여(M = 3.08), 브레인스토밍 산출물로 다루면서 교수적(didactic) 변형은 인간의 책임으로 남겨 두었습니다.
  • 어린이 동화의 발달적 판단을 근사하는 AI. Yin et al. (2026)의 CLARA는 동화의 인지적, 언어적, 사회·정서적 요구를 주석 달아 출판사의 연령 참조와 0.904의 일치율을 보이며, 가독성 공식(0.603)과 직접 프롬프트(0.730)를 앞섭니다 — 이는 인간 판단자를 대체하는 것이 아니라 보조적 신호로 제시됩니다.

발달적·공평성 고려 사항

어린 학습자는 더 취약하고 AI 사용을 스스로 조절하는 능력이 덜하므로, 이 군집은 성인(부모, 보호자, 교사)의 비계, 연령에 적합한 설계, 그리고 AI가 놀이·발견·노력 있는 학습의 발달적 작업을 대체하지 않고 뒷받침할 때의 과의존과 해악 위험을 강조합니다. 공평성은 현안입니다. AI가 풍부한 유아 학습(또는 보호적인 성인 지도)에 대한 접근은 고르지 않으며, 디지털 격차와 형평성과 연결됩니다. 증거 기반의 많은 부분은 인과적이라기보다 탐색적이거나 설계 지향적으로 남아 있습니다. 4개국 비교가 교육과정 격차를 날카롭게 합니다. 일본, 한국, 중국의 국가 단위 유아 교육 지침에는 명시적인 AI 리터러시 참조가 전혀 없고(상하이의 시 단위 실행 계획만이 유일한 예외이며, 그조차 학습 진행 단계를 특정하지 않습니다), 호주는 상호작용하는 AI 에이전트 쪽에서는 가장 강하고 인간-AI 관계의 이해 쪽에서는 부재하는, 제한적이고 고르지 않은 정렬만을 보이며, AI 리터러시를 가정에 맡겨 둡니다(Cohrssen et al. (2026)).

이 질문에 대한 최초의 신경영상 창이 하나의 주의와 함께 도착합니다. MRI 스캐너 안에서 ChatGPT와 5분간의 구두 대화를 나눈 6~7세 아동은 창의성 점수가 동일한 수준이었음에도 성인에 비해 전두-두정 제어, 현저성, 배측 주의 네트워크에서 네트워크 내 연결성이 더 약했고, 성인이 보인 창의성–연결성 결합을 보이지 않았습니다. 이 실행 기능들이 1학년에서 여전히 미숙하므로, 저자들은 이 결과를 최소 연령 논쟁과 관련된 것으로 읽습니다 — 동시에 그것이 해결하는 바의 한계로 프레이밍 혼재와 ChatGPT 비사용 대조군의 부재를 지적합니다(Horowitz-Kraus et al. (2026)).

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준K 12, Preschool
학습과 교수웰빙
교육에서의 인공지능 기초교육에서의 인공지능, AI 리터러시, 컴퓨팅 사고
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.