교육 AI 정책

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

교육 AI 정책 — 국가 입법부터 교실 지침에 이르기까지, 교육 기관에서 AI 사용을 규율하는 형식적·비형식적 규칙입니다. 지식베이스의 정책 연구는 기관 거버넌스, 교육과정 위임, 교사 양성 요건을 아우릅니다.

생각해 볼 질문들

• 기관의 AI 정책은 종종 사람들에게 규칙을 알려 주는 것만으로 그들의 행동이 바뀌는 것처럼 쓰입니다. 연구는 이런 정책이 실제 AI 사용을 크게 뒤따를 수 있음을 시사합니다. 왜 '종이 위의' 정책이 교실에서 일어나는 일과 그렇게 자주 어긋난다고 생각하십니까?
• 숙제를 위탁하는 것이 학습 손실을 초래할 때, 그것이 대체로 눈에 띄지 않는다면 — 어떤 교사도 학생의 하락을 AI 사용에 연결하지 않으므로 — 어떤 종류의 정책이 가능하겠습니까? 모니터링은 어떤 모습일까요?
• 구두 시험, 감독 시험, 폐쇄책 형식 같은 평가 정책 결정은 그 자체로 AI가 가능하게 한 부정행위에 대한 대응입니다. '출력'을 단속하는 것(AI 사용을 적발하는 것)이 작업 자체를 위탁하기 어렵게 평가를 재설계하는 것보다 더 나은 전략이라고 생각하십니까?
• 교육 AI 정책은 국가 입법, 정부 지침, 기관 규칙, 교실 수준의 선택을 아우릅니다. 이 수준들 중 어느 것이 학생과 교사의 행동을 실제로 가장 많이 형성한다고 생각하시며, 왜입니까?
• 누구의 목소리가 AI 정책을 형성하는 경향이 있으며, 누구의 목소리가 빠져 있습니까? 기관이 어떤 AI 사용이 허용되고 어떻게 통치되는지를 결정할 때 누가 협상 테이블에 있어야 합니까?

들어가며

정책 수준

• 기관 정책: 기관 정책 분석은 대학이 AI 정책을 어떻게 수립하는지를 비교합니다. 기관 변화 체계는 정책 수립을 위한 모형을 제공합니다. Qian(2026)은 2025년 가장 혁신적인 미국 대학 50곳의 주요 AI 페이지를 코딩하여, 6곳만이 그것을 "정책"으로 규정한 반면 44곳은 지침·지침서·원칙·자료 허브를 공표했으며, 50곳 중 33곳이 교수를 기관적 기대를 강좌 규칙으로 옮기는 주요 번역자로 자리매김했다는 것을 발견했습니다 — 기관 정책은 고정된 규칙이 아니라 강좌 수준의 해석을 위한 의도적으로 적응 가능하게 쓰인 지침입니다.
• 정부 정책: 과 평생학습 정책은 국가 및 지역 수준의 규제적 접근을 검토합니다. 정부 정책 결정에서 AI에 대한 비판적이고 인프라 수준의 관점은 Perrotta(2026)이며, 그의 영국 Redbox 공무원 대규모 언어 모델(LLM) 프로토타입 분석은 일반 목적 AI가 어떻게 "제로샷 거버넌스" — 결정에 개입하는 영역 불문의 기반 모형, 얇은 영역 특정 비계로 싸인 — 를 통해 정책의 전문가 도구 상자에 들어서는지를 보여 줍니다.
• K-12 정책: 스탠퍼드의 증거 검토는 논문 818편을 바탕으로 K-12 AI 정책에 정보를 제공합니다.
• 평가 정책: 평가 개혁 정책과 실제적 평가 체계는 AI가 가능하게 한 부정행위에 대한 정책 수준의 대응을 나타냅니다. 총괄 평가 형식의 선택 — 구두, 감독, 폐쇄책 — 은 그 자체로 평가 정책의 결정입니다(총괄평가 참조).

정책 성숙도 격차

지식베이스는 기관의 AI 정책이 실제 AI 사용을 뒤따른다고 기록합니다. 교육 개발 프로그램, 교수자의 AI 역량 체계, 교육에서의 AI 규제은 모두 일관된 정책 기초를 요구합니다. 대규모 현장 증거 (Strömberg, Lei, & Wu 2026)는 숙제 위탁으로부터의 학습 손실이 대체로 눈에 띄지 않는다는 것을 보여 줍니다. 개별 교과 교사와 학생이 드물게 그 하락을 AI 사용에 연결하기 때문이며 — 이는 증거에 기반한 정책(예: 폐쇄책 평가에 가중치를 두고, 학생에게 장기적 비용을 알리고, 출력이 아니라 입력을 모니터링하는 것)이 다룰 수 있는 격차입니다.

그 격차를 메우기 위해 합의가 형성된 곳에서는, Crompton 외(2026)의 22개국 35명 전문가에 대한 델파이가 중심 닻인 학문적 정직성을 비롯한 여덟 개 거버넌스 영역에 수렴하고, 정책을 최신 상태로 유지하기 위한 여섯 부분으로 된 검토 메커니즘(상설 생성형 AI 위원회, 예정된 정책 검토, 전문성 개발, 의사소통, 영향 평가, 모니터링)에 도달했습니다.

국가적 AI 준비도는 기관 정책의 강도를 예측하지 않습니다. Adarkwah 외(2026)은 높은 AIPI를 지닌 10개국의 대학 26곳을 UNESCO의 여덟 요소 생성형 AI 체계에 대해 점수 매겨, 북유럽과 뉴질랜드 기관이 더 높은 순위의 동료들보다 그것을 더 완전히 포괄한다는 것을 발견했으며, 포용·형평성·지속가능성이 가장 간과되는 요소였습니다.

자문 문서가 구속력 있는 정책을 압도합니다. 한 전문직 분야의 모든 공인 프로그램에 대한 인구 조사는 그 성숙도 격차가 시기의 문제일 뿐만 아니라 형태의 문제이기도 하다는 것을 보여 줍니다. Eldredge 외(2026)는 미국의 CAHIIM 공인 건강정보학 및 건강정보관리 석사 프로그램 48곳 전체에서 AI 정책과 지침 문서를 수집하여, 40곳(83%)은 공개적으로 이용 가능한 AI 관련 문서가 하나 이상 있었지만 8곳은 없었으며, 그 문서들은 집행 가능한 규칙이 아니라 대체로 지침이었다는 것을 발견했습니다. 지침서 21건(53%) 대 형식적 정책 7건(18%). 그 내용은 학문적 정직성과 허용되는 사용을 중심으로 했으며, 프라이버시·지적 재산·규제적 개념(HIPAA, FERPA, 연구 준수)은 훨씬 드물게 나타났고, 주제 모형화도 같은 학생 행동 강조를 돌려주었습니다. 문서 유형도 의도된 독자도 전달 방식에 따라 달라지지 않았습니다(Fisher's exact P = .85와 P = .71). 저자들은 이것을 학술 프로그램 정책이 교육과정 설계와 인력 역량 개발과 구별되는 활동이라는 증거로 읽으며, 인증 기관이 학문적 정직성·데이터 윤리·공평한 접근을 통합하는 AI 정책 체계를 제공함으로써 그 결과 생기는 편차를 줄일 수 있다고 주장합니다.

영국의 체계적 고찰은 같은 격차에 분야적 층위를 더합니다. 인프라 투자와 직원 AI 훈련은 연구 중심(러셀 그룹) 대학에 집중되는 반면, 교수 중심(post-92) 기관은 역량 제약에 직면하며, 소수의 영국 기관만이 공식적인 AI 거버넌스 계획을 유지합니다(Ashiq(2026)).

증거 기반 없이 정책을 만드는 분야. 그 성숙도 격차는 전문직 프로그램에서 증거의 문제로도 나타납니다. Gutowski와 Hurley(2025)는 ABA 공인 미국 법학전문대학원의 기관 정책을 금지성, 허용성, 교육적 통합, 투명성과 책임성, 깊이의 다섯 차원으로 점수 매겨, 대부분의 학교가 전반적으로 금지적 입장을 취하면서 개별 교원에게 재량권을 유보하고 기술이 움직임에 따라 규칙을 검토하기로 약속했다는 것을 발견했습니다. 그들은 그 신중함을 증거가 아니라 시간 압박에 귀속시킵니다. ABA의 2024년 조사는 공인 학교의 약 15%로부터만 응답을 받았으며, 저자들은 AI 사용을 공개해야 하는지, 어떻게 인용해야 하는지에 대해 합의가 없다고 보고합니다. 그들의 결론은 절차적입니다 — 교수진을 위해가 아니라 그들과 함께 정책을 세우고, 사전에 훈련하며, 정책 수립을 반복되는 사건이지 일회적 행위가 아닌 것으로 다루는 것 — 이는 이 페이지가 긋는 정책 대 거버넌스의 구분을 법학 교육이 가장 분명하게 보여 주는 사례로 만듭니다.

교원은 규제하지만, 기관은 대체로 그렇지 않습니다. 그 성숙도 격차는 교수 쪽에서 보면 두 번째 얼굴을 지닙니다. Watson과 Rainie(2026)은 미국 전문대학과 대학의 교수진 1,057명을 조사하여, 규칙이 기관보다 아래에서 훨씬 빠르게 쓰여 왔다는 것을 발견했습니다. 응답자의 87%가 학생의 AI 사용에 대해 자신의 과제 단위 정책을 작성한 반면, 학과에 서면 지침이 있다고 답한 이는 35%, 기관에 있다고 답한 이는 48%였습니다. 그 문서들 뒤에 있는 구조적 대응은 빈약합니다 — 55%가 태스크포스 또는 감독 그룹을, 37%가 새로운 AI 중심 수업을, 17%가 AI 전공 또는 부전공을, 16%가 새로운 학술 리더십 사무국을, 오직 13%만이 교양교육 성과로서의 AI 리터러시 채택을 보고했으며, 68%는 자신들의 학교가 교수진에게 도구로 가르칠 준비를 시키지 않았다고 답했습니다. 학생들이 그 결과 생기는 누덕누덕한 것을 단일한 기관 체제로 마주하기 때문에, 이 발견은 이 페이지의 정책 문서와 그것을 일관되게 만드는 거버넌스의 구분에 대한 직접적인 증거입니다. (저자들은 표본을 비과학적이며 일반화할 수 없다고 서술하므로, 이는 이 분야가 표명한 우려로 읽는 것이 가장 좋습니다.) 그 기록된 격차에는 측정된 학생 측 귀결이 있습니다. Chen의 두 연구 설계 — 시나리오 실험의 예술 학생 160명과 조사된 425명(Chen, 2026) — 은 대학의 GAI 권장과 그것의 실제 교수·평가·지원 실천 사이에 인지된 불일치가 방해(β = 0.431)와 도전(β = 0.496) 평가를 모두 정적으로 예측한다는 것을 발견했으며, 이것은 창의적 과정 참여에 대해 반대되는 간접 효과를 지녔습니다(방해를 통해 β = −0.060, p = 0.004; 도전을 통해 β = 0.217, p < 0.001). 따라서 하나의 어긋난 정책이 학생의 창의적 작업을 동시에 억제하고 유지할 수 있습니다.

과제 수준의 규제가 떠오르는 패턴입니다. 한 대형 공립 연구 대학에서 31,000개 이상의 강의계획서(2021–2025)에 대한 대규모 종단 연구(Chirikov 2026)는 교원이 실제로 AI를 어떻게 규제하는지를 보여 줍니다. 명시적인 AI 규제가 거의 0에서 2025년 가을에는 강좌의 55%로 성장했지만, 방향은 제한적에서 허용적으로 옮겨갔으며, 교원들은 점점 과제 유형에 따라 구별했습니다 — 초안 작성·추론(대체 위험 과제)에는 AI를 제한하고, 편집·교열과 학습 지원(보강 과제)에는 허용하는 식입니다. 틀짓기도 학문적 정직성(강의계획서의 63%→49%)에서 학습 영향(1%→29%)으로 옮겨갔습니다. 과제 대체, 보강, 복직의 노동경제학적 메커니즘 위에 세워진 이 과제 기반 패턴은 전면적 도입-금지 정책에 대한 더 세밀한 대안을 제공하며, 위의 정책 대 거버넌스 구분에 대한 직접적인 실증적 닻입니다.

• 과제 수준 규제의 학생 측면. 동일한 개방 사용 티어 아래 두 개의 평가 중 두 개에서도, 평가 형식이 여전히 학생이 생성형 AI를 무엇에 썼는지를 결정했습니다. 피드백 용도의 사용이 비계가 갖춰진 발표에서 0%에서 과제형 퀴즈에서 66.7%로 상승했습니다(Quince와 Faulconer(2026)).

정합 연습으로서의 교원 수준 정책 설계. 과제 수준 규제는 강의계획서 아래에 설계적 대응물을 지닙니다. McCorkle(2025)의 설계 사례는 강좌에서 허용되고 허용되지 않는 생성형 AI 사용을 "구체적으로, 내가 무엇을 평가하고 있는가?"에서 도출합니다 — 프로젝트의 모든 과제를 목록화하고, 각 과제를 학습 목표에 매핑하고, 각각을 떠오르는 생성형 AI 인력 역량(진로 개발과 준비도)과 짝짓고, 그리고 어떤 우려가 우선하는지를 결정하는 것입니다. 학생의 성과를 평가할 필요인가, 역량을 기르는 가치인가. 그 결과 생기는 정책은 하나의 프로젝트 안에서 과제마다 다릅니다 — 주제 브레인스토밍과 이미지 큐레이션은 허용되고, 학습 목표의 구성과 슬라이드 설계는 허용되지 않는 식이며, 그 근거는 학생에게 직접 쓰여집니다. 이 사례는 또한 왜 전면적 금지가 실천에서 실패하는지를 기록합니다. 자신을 정직하지 않다고 여기지 않는 학생은 금지를 자신에게 적용되지 않는 것으로 읽으며, 기대가 암묵적으로 남겨질 때 정책은 불공평해집니다(형평성). 이것은 위의 하향식 정책 수준을 보완하여, 정책의 내용이 강좌와 과제 수준의 평가 정합으로부터 어떻게 생성될 수 있는지를 보여 줍니다.

평가 정책에서의 경계–증거 격차. 공개 GenAI 평가 지침에 대한 대학 30곳의 감사(Yao 2026)는 기관 정책이 AI 사용을 분류하는 데는 더 능하지만 각 분류 아래에서 어떤 학습의 증거가 유효한지를 설명하는 데는 그렇지 못하다는 것을 발견합니다. 평균 위임 경계 점수(4점 만점에 2.47)가 평균 증거 기준 점수(1.89/4)를 웃돌았고, 보호 장치는 드물었으며(8개 중 2.75), 지침은 최종 출력 대체에서 가장 명확했습니다. 인지적 관리의 체계는 정책이 단순히 AI 사용을 모니터링하기보다 인증의 논리를 가시적으로 만들어야 한다고 주장합니다 — 학습자가 무엇을 위임할 수 있는지, 무엇을 여전히 보여야 하는지, 그리고 기관이 공평한 증거를 어떻게 보호하는지.

지나치게 포괄적인 금지 언어와 잘못 적용된 규칙. 규칙의 범위는 준수를 넘어서는 귀결을 지닌 정책 결정입니다. Wright(2026)는 2023년 이래 고등교육 전반에 걸쳐 쓰인 전면적 금지가 콘텐츠 생성과 AI 기반 형식 변환 — 광학 문자 인식, 손글씨 인식, 음성-텍스트 변환은 학생이 이미 쓴 것을 추론하는 인식 기술이며 새로운 콘텐츠를 산출하지 않습니다 — 을 구분할 기술적 정밀성 없이 "생성형 AI"를 금지한다고 주장합니다. 이러한 읽음에서, 전사 전용의 사용을 제재하는 것은 부정행위가 아니라 정책의 잘못 적용으로 특징짓는 것이 가장 좋으며, 부정밀함의 대가는 고르지 않게 떨어집니다. 그 도구들에 의존하는 형평성에 노출되고 장애를 지닌 학생들은 과도한 거짓양성 위험을 짊어지며, 이는 법적 문제와 위험이 정직성의 문제가 아니라 합리적 조정의 문제로 다루는 노출입니다.

도구 목록 대신 목적 기반의 경계. Li(2026)는 지나치게 포괄적인 금지 언어가 결여한 정책 내용을 제공합니다. 도구를 지명하는 것이 아니라 기능과 평가 구인에 의해 정의되는 지원 대 대체의 선으로, 도구 목록은 구식이 되고 인터페이스를 통한 준수를 조장한다는 논거에서입니다. 허용되는 지원은 아이디어도, 출처도, 분석의 실질적 재배열도 더하지 않는 표면 개입입니다. 대체는 논증이나 반론을 생성하고, 사실에 학문적 규칙을 적용하고, 분석적 순서를 재구성하거나, 포함할 인용을 생성하는 것입니다. 그 체계는 세 가지 도구로 전달됩니다 — 두 채점자가 같은 행동을 똑같이 특징짓도록 하는 공유된 간이 시험을 갖춘 작동 정의, 내장된 저위험 기능에는 아무것도에서부터 외부 언어 편집에는 한 줄 진술, 그리고 제한된 아이디어 구성이 명시적으로 허용되는 곳에는 대략 80–120단어에 이르는 보정된 공개 템플릿, 그리고 약한 대용 변수(광택 나는 언어 또는 갑작스러운 유창함, 비원어민적 문구, 단일 탐지 점수)를 무게를 지닐 수 있는 증거 유형들 옆에 지명하는 결정 루브릭입니다. 또한 AI 평가 척도 같은 확장된 허용 체제가 작동 가능한 조건을 명시합니다. 특정 과제에 대해 명시적으로 허용된 사용, 학생과 채점자가 무엇이 평가되는지를 아는 구인의 재규정, 그리고 실현 가능하게 유지된 공개.

의무적 인간 감독을 수반한 단계적 자동화. 우루과이의 Acredita EB 국가 하위 중등 인증 시험은 평가 정책에서 감독을 보존하는 자동화의 구체적인 모형을 제공합니다. 복수선택 문항과 기존 절차는 변함없이 유지되고, AI는 50–100개 텍스트에 대한 의무적 보정 단계 안에서만 쓰기 문항에 사용되며, 두 가지 가지치기 규칙이 어떤 결과가 전문가 검토를 요구하는지를 결정합니다 — 다른 두 문항에서 통과할 수 없는 응시자는 쓰기 검토가 필요 없고, 세 문항 모두에서 능숙한 응시자는 0.2%/0.6%의 관찰된 잔여 위험만으로 통과합니다. 저자들은 이 설계가 완전한 인간 채점을 필요로 하는 쓰기 응답을 최소 50% 줄일 수 있다고 추정하면서도, 시험 결과에 대한 어떤 최종 결정도 적절한 인간 감독 없이 내려지지 않는다는 지도 원칙을 유지합니다. 이것은 위의 경계–증거 작업을 보완하여, AI가 어디서 허용되는지뿐만 아니라 어떤 인간 증거와 검토가 의무적인지를 명시하는 정책을 보여 줍니다.

자동 채점의 적대적 측면. 채점을 AI 도구로 경로 설정하는 정책은 공격 표면을 물려받습니다. Humble(2026)은 기관 채점 워크플로를 레드팀하여, Microsoft Copilot(GPT-5.2)이 여섯 차례의 기준 실행 모두에서 불합격으로 채점한 합성 제출물의 파일 안에 다섯 개의 간접 프롬프트 인젝션을 숨겼습니다. 두 전략은 사용자에게 보이는 경고 없이 성적을 끌어올렸으며 — 보고된 공격 성공률은 100%(9회 중 9회)와 94%(18회 중 17회) — 그 도구는 가장 간단한 공격을 차단한 뒤 채팅을 조용히 비활성화했으며, 한 차례에서는 내장된 지시를 무시할 것이라고 알린 뒤 다음 여섯 번의 실행에서 성적을 끌어올렸습니다. 숨겨진 지시를 통해 얻어진 성적은 어떤 타당성 주장도 지니지 않으며, 같은 기법이 지속적인 흔적 없이 제출물을 저하시킬 수 있으므로, 이 논문의 요구는 기술적이 아니라 정책 수준입니다. 분야 차원의 지침, 전문성 개발, 고위험 작업에 대한 인간 검토를 수반한 제한적 AI 사용, 그리고 공격 표면이 측정되게 하는 표준화되고 영역 불문의 프롬프트 인젝션 회복탄력성 시험. 이것은 위의 감독 설계들에 대응하는 적대적 사례입니다. 그것들이 어떤 인간 검토가 의무적인지를 명시하는 곳에서, 이것은 그 검토가 잡아내기 위해 존재하지만 신뢰할 만한 신호가 없는 조작의 한 부류를 명시합니다.

정책의 기초로서의 가치·규범 행렬. Agarwal 외(2026)는 25개 논문에 대한 체계적 고찰로서, AIED 윤리를 여섯 가지 주요 윤리 가치(차별금지, 데이터 관리, 인간 감독, 선의, 설명가능성, 교육적 적합성)로 통합하고, 문헌에서 추출한 윤리 규범을 이해관계자×가치 행렬에 매핑합니다. 이 고찰은 그 행렬을 AIED를 위한 상세한 윤리 체계와 규제를 구축하기 위한 기초로 자리매김하며, 교육 기관·개발자·규제자에게 특정 가치를 이행할 구체적인 규범을 제공합니다. 규제자를 겨냥한 선의 규범이 다른 어떤 이해관계자 집합보다 훨씬 많음을(아홉 개) 발견하여, 규제자가 정책과 입법을 통해 AIED가 학습자에게 이익이 되도록 보장하는 역할을 알립니다 — 이 페이지가 서술하는 정책 대 거버넌스 기계를 위한 구체적이고 가치에 닻댄 출발점입니다.

자신의 한계보다 더 멀리 나아가는 주장. 파일럿 발표도 정책의 도구이며, 그것의 보고 기준은 정책의 일부입니다. Restrepo Morales 외(2026)는 공립 학교 171곳의 AI 튜터링 파일럿이 독일과 스웨덴에 필적하는 결과에 도달한 것으로 보고된 2026년 9월 엘살바도르 사건을 분석합니다. 독일 PISA 2022 수학 평균에 대해, 국가 성취도 분포의 상위 5.5%는 아무런 학습 향상 없이 그 기준에 맞았을 것이며, 이 파일럿의 평가는 학교당 25.4명인 같은 해 국가 조사에 대해 학교당 학생 7.0명을 다루었으므로, 공표된 증거는 선택을 설명으로 배제할 수 없습니다. 그들의 제안은 여섯 항목의 보고 기준 — 참여 학교의 기준선, 표집 절차(적격 학생, 평가된 학생, 식별 규칙, 참여율), 표준오차를 갖춘 세분화된 점수, 각 개혁 구성 요소의 운영 시기, 대표적 국가 표본과의 중복, 그리고 주장과 같은 문서·게시물·문단에 명시된 한계 — 이며, 이는 발표 자체의 공개 산술에 의해 동기됩니다. 그 주장을 담은 세계은행 게시물은 같은 스레드에서 네 곳 뒤에 한계를 담은 게시물의 약 11,000회에 대해 약 441,000회의 조회를 기록했습니다. 정책의 교훈은 어떤 체계가 학교 수준의 결과를 자신에 대한 증거로 쓰는 곳에서는, 공개의 형식이 어떤 진술이 공적 사실이 되는지를 결정한다는 것입니다.

PISA 2022–2025에 대한 국가 수준의 분석은 생성형 AI 사용이 더 높은 국가가 읽기와 수학에서 더 큰 하락을 보였다는 것을 발견했으며, 이 연관성은 선행 성과를 통제하면 사라졌습니다(Guerra & Aslanov, 2026). 저자들은 이것을 더 넓은 챗봇 접근 자체를 이익으로 다루지 말아야 한다는 경고로 읽으며, 종단적 평가와 짝지어진 도입을 요구합니다.

정책 대 거버넌스

정책과 거버넌스는 밀접하게 관련되면서도 구별되며, 지식베이스의 연구를 이해하는 데 그것들을 분리해 두는 것이 중요합니다.

• 정책은 내용 — 무엇이 결정되는가. 정책은 형식적 규칙, 원칙, 또는 진술입니다. 어떤 AI 사용이 허용되고 금지되거나 요구되는지, 무엇이 공개되어야 하는지, 어떤 평가 형식이 허용되는지. 그것은 문서화된 산출물(입법, 기관 지침, 강의계획서 진술)로서 존재하며 *"규칙은 무엇인가?"*에 답합니다.

• 거버넌스는 기계 — 그것이 어떻게 결정되고 이행되고 집행되는가. 거버넌스는 정책을 생산하고 수행하고 모니터링하는 기관 구조, 규범, 책임 메커니즘을 아우릅니다. 누가 규칙을 정하는지, 그것들이 어떻게 의사소통되고 자원을 받는지, 준수가 어떻게 집행되고 이의 제기되는지, AI가 진화함에 따라 어떻게 개정되는지. 이것은 *"누가 결정하며, 규칙은 어떻게 실제로 효력을 발하는가?"*에 답합니다.

• 둘은 상호 의존적입니다. 거버넌스 없는 정책은 집행되지 않습니다 — 아무도 소유하거나 모니터링하거나 갱신하지 않는 서면 규칙. 정책 없는 거버넌스는 방향을 잃습니다 — 특별히 아무것도 다루지 않는 구조. 지식베이스의 연구는 반복적으로 둘이 함께 세워져야 함을 보여 줍니다. 증거·보호 장치·개정 절차를 명시할 거버넌스 없이 AI 사용을 단지 분류만 하는 정책은 실천에서 약하게 남습니다(인지적 관리 감사), 그리고 명확한 정책 없이 단지 모니터링만 하는 거버넌스는 공정성 없는 감시의 위험을 지닙니다(AI 거버넌스 참조).

• 전략적 야망에 비해 고위 AI 리더십은 드뭅니다. 자료 19건에 대한 범위 검토는 49%가 AI를 전략적 우선순위로 다루었음에도 고위 AI 리더십 직책을 만든 기관은 7%뿐이었음을 발견했으며, 포함된 연구 대부분이 개념적이거나 단면적이어서 선제적 거버넌스의 인과적 효과는 확립될 수 없었습니다(Baroudi(2026)).

둘을 구분하는 실천적 시험은 이것입니다. 정책은 종이 위에서 읽을 수 있지만, 거버넌스는 그 규칙이 이행되고 집행되고 적응되는지에서 관찰됩니다. 이것이 바로 AI 거버넌스가 교육에서의 AI 규제과 정책을 기관으로 확장하는 이유이며, 지식베이스가 평가 형식 선택(총괄평가)을 검토 위원회·선언 체계·이의 제기 경로 같은 거버넌스 구조를 통해서만 효력을 발휘하는 정책 결정으로 다루는 이유입니다.

거버넌스의 해석적 최전선으로서의 교실 정책. 거버넌스의 기계는 기관 문서에서 멈추지 않습니다. 그것을 읽고 적응시키는 교사들이 사슬의 마지막 고리이며, Nash와 Burriss(2026)는 그 고리가 실천에서 어떤 모습인지를 보여 줍니다. 그들의 예비 교사들은 AI 정책을 지닌 학구에서 일할 것을 기대하면서도 자신의 학생들을 위한 교실 특정 규칙을 직접 저술해야 했습니다 — 필수적인 적응 기술이며, 저자들은 교사가 AI를 무시하지 않고도 특정 읽기·쓰기 과제에 AI를 채택하지 않기로 선택할 수 있다고 주장하며, 원칙에 기반한 거부를 비판적 수용 없는 거절과 구별합니다. 그 구분을 유지하는 것 자체가 거버넌스의 과제입니다. 학구와 양성 프로그램은 교사가 시대에 뒤처진 것으로 규정되지 않고 특정 사용을 거부할 수 있게 하는 지침, 전문성 개발, 정책 인프라를 필요로 합니다.

인증 문제를 위한 거버넌스 지표. Coates, Croucher와 Calderon(2025)는 이 정책 대 거버넌스 구분이 함의하는 측정 층위를 제공하며, 생성형 AI 시대의 학문적 진실성를 탐지의 문제보다 앞서는 거버넌스의 문제로 다루고, 현대의 학문적 거버넌스를 탄력적이지만 학생 평가의 인증을 보호하는 데 "잘 위치하지 못했거나 준비되지 못했다"고 판단합니다. 그들의 체계는 여덟 차원 — 설계, 개발, 훈련, 이행, 분석, 보고, 평가, 개선 — 아래 130개의 거버넌스 질문을 담으며, 항목들은 심리측정적 척도가 아니라 기관 기계에 관한 질문입니다. 기관의 최고 이사회 또는 평의회가 평가 절차와 결과에 대한 업데이트를 받는지, 핵심 성과 지표가 평가의 질을 포괄하는지, 평가하는 교사들이 개별적으로 아는 학생의 비율은 얼마인지, 극단적으로 낮거나 높은 점수가 교차 검증되는지, 그리고 계약 대리작성을 의뢰할 간단한 경로가 있는지. 함께하는 개혁 프로그램은 거버넌스 구조, 거버넌스 역할을 지닌 사람들, 그리고 평가를 뒷받침하는 기술과 자원을 겨냥하며, 저자들은 규제, 벤치마킹, 기관 간 경쟁으로부터의 외부적 조력 없이는 기관의 발전이 거의 성과로 이어지지 않는다고 주장합니다 — 이는 교육에서의 AI 규제 페이지가 거버넌스 개혁에 대한 구속적 제약으로 다루는 것과 같은 규제 압력입니다.

• 그 격차는 대학만이 아니라 K-12에서도 측정됩니다. 미국 공립학교 교사와 교장 1,018명에 대한 전국 대표 조사는 학교 생성형 AI 정책이 있다고 보고한 교사는 18%, 교장은 24%뿐임을 발견했습니다 — 이 페이지가 고등교육에서 기록하는 것과 같은 기관 아래의 패턴입니다(Tench, Weinstein & James, 2026)).

AI × SEL 연구에서의 정책 결핍

AI와 사회정서적 학습이 교차하는 지점에 있는 논문 65편에 대한 체계적 고찰(Tran, Liu & Nguyen 2026))은 "정책 결핍"을 기록합니다. 연구의 거의 4분의 3이 어떤 정책 함의도 밝히지 않으며, 밝히는 연구들도 종종 행위자 지향의 구체성을 결여합니다. 이 고찰은 정책 참여가 출판 매체와 상관한다는 것을 발견하며, 이는 기술적 참신성을 AI 거버넌스과 교육에서의 AI 규제보다 보상하는 학술적 인센티브를 반영합니다. 이는 "WH-질문" 체계(누가, 무엇을, 왜, 언제/어디서, 어떻게)와 "사후 덧붙임으로서의 함의"에서 "방법론으로서의 함의"로의 전환을 제안합니다 — 정책의 명료화를 사후적 부록이 아니라 연구의 설계 제약으로 다루는 것입니다.

연결된 개념

• 교육학적 동반자 관계 — 교수법적 파트너십
• 교육에서의 AI 규제
• AI 거버넌스
• 교육 개발
• 형평성
• 고등 교육
• K-12
• 학문적 진실성
• 윤리
• 교수자의 AI 역량
• 학생을 위한 AI 활용에 대한 프레이밍
• 총괄평가
• 화학 교육 — 화학 교육과 AI: 실험실, 형성적 평가, LLM의 한계, 실험의 철학
• 생물 교육 — 생물 교육과 AI: 실험실 조교, 생물에서의 AI 리터러시, 비판적 사고, 전문 도구
• AI 교육의 이해관계자 — 우산 개념: AI 교육에서의 사람과 독자(학습자, 교사, 설계자, 행정가, 정책 입안자)
• 학생 지원과 성공 — 기관 지원 배치의 정책적 맥락

연결된 문서

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — AI 정책의 범위, 행위자 능력, 다섯 가지 교실 대응에 대한 미국 교사와 교장의 전국 대표 조사(Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — 대학이 GAI를 권장하지만 실천이 미치지 못할 때: 예술 교육에서의 학생 평가와 창의적 과정 참여
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — 예비 영어 교사들의 교실 AI 정책: 무엇을 허용하고 제한하고 금지했는가(Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — 대규모 쓰기 평가에서 AI 지원 채점을 위한 Human-in-the-Loop 체계
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — 평가하는 것으로부터 과제별로 허용되고 허용되지 않는 생성형 AI 사용 도출하기(McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — 교원이 31,000개의 강의계획서에 걸쳐 AI를 어떻게 규제하는가(Chirikov 2026)
• Artificial Intelligence and Grade Inflation — 성적 인플레이션의 메커니즘으로서의 AI 과제 대체(Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — 고등교육에서 생성형 AI 거버넌스에 대한 글로벌 델파이
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — 정책보다 지침: 혁신적인 미국 대학 50곳에 걸친 교원 설정 강의계획서 규칙과 네 단위 지원 생태계(Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — 증거 기반 없이 정책을 만드는 분야에서 법학전문대학원 생성형 AI 정책의 다섯 요인 비교(Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — 전사는 생성이 아니다: 지나치게 포괄적인 AI 규칙, 형식 변환, 그리고 장애 수용(Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — 고등교육에서 AI를 위한 선제적 거버넌스(범위 검토)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — 공인 건강정보학 석사 프로그램 48곳 전체의 AI 정책 문서: 대체로 지침이며 학문적 정직성을 중심으로 함(Eldredge 외 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — AI가 매개하는 평가를 위한 인지적 관리(대학 30곳 정책 감사)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• A Framework for Institutional Change in the Age of AI
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — AI × SEL 연구에서의 정책 결핍
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — 교육에서 AI를 위한 윤리 가치와 규범
• Zero-shot governance — 제로샷 거버넌스: 정책에서의 일반 목적 AI(Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — 엘살바도르의 AI 튜터링 파일럿이 내세우는 학습 주장의 경계 짓기(Restrepo Morales 외 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 교수진 1,057명: 빈약한 기관·학과 지침에 맞서 자신의 과제 규칙을 작성하는 87%(Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — 보정된 공개와 결정 루브릭을 갖춘 목적 기반의 지원–대체 경계(Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — AI가 매개하는 채점에서의 프롬프트 인젝션: 들키지 않고 바뀐 성적, 그리고 정책 수준의 대응(Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 평가의 인증을 위한 130개의 거버넌스 지표, 그리고 개혁이 필요로 하는 외부 압력(Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — 정책 티어 대 과제 설계: 물리 평가 세 개에 걸쳐 학생이 생성형 AI를 무엇에 썼는가(Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — 더 높은 국가 수준의 생성형 AI 사용이 PISA 2022-2025의 더 큰 하락을 추적했으며, 선행 성과를 통제하면 사라진 상관관계(Guerra & Aslanov 2026)