AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

공학 교육

생성일 2026-08-17 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

공학 교육 — 학생들이 공학을 어떻게 배우고 그것을 어떻게 효과적으로 가르칠 것인지에 관한 연구로, AI가 공학 교수법, 평가, 교수 개발, 공학 노동력을 어떻게 변화시키는지를 포괄합니다. 이 지식 베이스의 공학 교육 문서들은 여러 주제 주변에 모여 있습니다. AI를 이해하기 위해 교수자들이 사용하는 비유적 언어, AI 사용의 윤리적 거버넌스, 개념적 이해의 구현되고 다중양식적인 평가, 그리고 AI가 공학 및 전산 노동력을 어떻게 재구성하는지입니다.

생각해 볼 질문들

  • 공학은 졸업생들의 결정이 공공 안전과 인프라에 영향을 미치는 직업입니다. 만약 학생들이 AI에 의지하여 설계와 문제 해결 작업을 수행한다면, 순수한 학문 주제에서는 문제되지 않을 무엇이 걸려 있습니까?
  • 같은 학과의 공학 교수자들은 종종 AI에 관해 근본적으로 다른 심성 모형을 가집니다 — 어떤 이는 이를 사회적 '에이전트'로, 다른 이는 기술적 '도구'로 봅니다. 그렇게 갈라지는 틀짓기는 어떤 교수자에게 배우는지에 따라 학생들이 AI로 무엇을 하는 법을 배우는지를 어떻게 변화시킬 수 있습니까?
  • 실습 실험실과 구현된 학습은 오랫동안 공학 교육을 규정해 왔습니다. 만약 AI가 설계 과제를 시뮬레이션하거나 자동화할 수 있다면, 실습 경험은 여전히 중요한가요 — 아니면 실천이 시뮬레이션될 때 진정으로 무언가가 잃히는 것입니까?
  • 한 연구 흐름은 말과 나란히 학생들의 제스처를 추적하여 공학적 이해를 평가하며, 제스처와 말의 밀접한 결합이 응집된 개념적 이해를 신호함을 발견했습니다. 학생의 손이 그들의 말만이 숨길 수 있는 이해에 관해 무엇을 드러낼 수 있겠습니까?
  • 연구에 따르면 공학에서의 AI에 관한 윤리적 지침은 대부분 학생을 향하며 준수 지향적이고, 교수자와 기관의 상호적 책임성은 약합니다. 공학에서 AI의 안전한 사용은 진정으로 누구의 책임이어야 합니까?

들어가며

공학 교육 연구는 전문적 형성과 엄밀한 STEM 내용이 교차하는 지점에 놓이기 때문에 독특합니다. 이것은 설계, 문제 해결, 실습과 실험실 학습, 팀워크, 그리고 전문적 실천을 위한 졸업생 준비를 강조합니다. 설계는 또한 이것이 디자인 교육과 공유하는 땅이며, 둘은 검사될 수 있는 것에 의해 그것을 나눕니다. 공학의 평가되는 대상은 계산 가능한 산출물을 허용하며 공공 안전 책임성을 담고 있는 반면, 디자인 교육의 대상은 산출물 뒤에 놓인 스튜디오 과정 — 스케치, 반복, 비평 — 으로, 바로 생성적 도구가 그것을 낳았던 과정 없이 이제 산출할 수 있는 그 증거입니다. AI는 여기서 독특한 질문들을 제기합니다. AI가 설계 과제를 시뮬레이션하거나 자동화할 수 있을 때 실습과 구현된 경험이 여전히 중요한지; AI 사용의 직업적·윤리적 이해관계(공학자들의 결정은 공공 안전, 인프라, 그리고 지속가능성에 영향을 미친다); 그리고 AI가 졸업생에게 필요한 역량과 그들이 들어가는 노동력을 어떻게 재구성하는지입니다.

지식 베이스의 공학 교육 연구에 AI가 나타나는 방식

  • 교수자의 이해와 공유된 언어: Gerhardt et al.은 공학 교수자들이 AI를 묘사하는 데 사용하는 비유를 분석하여, 대부분이 이를 인간과 같은 "사회적 존재/에이전트" 또는 "기술적 도구"로 틀짓고, 같은 학과 안의 교수자들조차 종종 근본적으로 다른 심성 모형을 가짐을 발견했습니다. 비유가 이해를 구성하고 또한 제약하므로, 그들은 교육 개발와 AI에 관한 학과의 논의를 위해 공유된 정확한 언어가 필수적이라고 주장합니다.
  • 윤리와 책임 있는 사용: Osunbunmi et al.은 학부 공학 교육에서의 AI에 관한 실증 연구를 체계적으로 검토하며, 일곱 가지 되풀이되는 형태의 윤리적 지침(투명성, 책임성, 학생의 독립성/주체성, 프라이버시, 학문적 진실성, 공정성/형평성/편향, 선의)을 확인합니다. 그들은 윤리적 지침이 지배적으로 학생을 향하며 준수 지향적이고, 교수자와 기관의 상호적 책임성은 미발달되어 있음을 발견합니다 — 이는 공학이 공공 안전과 사회적 웰빙에 직접적으로 걸려 있다는 점에 의해 고조되는 우려입니다.
  • 구현되고 멀티모달 AI 평가: Morphew et al.은 컴퓨터 시각 기반 제스처 추적을 말의 대규모 언어 모델(LLM) 분석과 통합하는 다중양식 프레임워크를 개발하여, 공학 학생들의 통계학에 관한 개념적 이해를 평가하며, 제스처가 말을 넘어서는 진단적 증거를 더하고 제스처–말의 밀접한 결합이 응집된 이해를 신호함을 보여줍니다.
  • 노동력의 변혁: Fletcher et al.은 AI와 공학/전산 노동력에 관한 미국의 회색 문헌을 검토하며, "Dual Train Problem"(급격한 변화 대 긴박한 정책)을 틀짓고, 내구적인 AI 역량, 윤리와 AI 거버넌스, 그리고 부상하는 역할들을 위한 기술 기반 자격증을 권장합니다.
  • 학생의 도입과 의존: Nguyen et al.은 비판적 사용으로 Technology Acceptance Model을 확장하여, 공학/CS 학생들이 GenAI 사용 의도를 어떻게 형성하고 그 의도가 이해, 평가, 프로그래밍, 공학 프로젝트 과제에 걸친 의존을 어떻게 예측하는지를 모형화합니다 — 이해 관련 과제에서는 적절하고 무거운 의존을, 전체 평가 글쓰기에서는 제한된 사용을 발견합니다. Asag & Al Mamun은 TAM을 UTAUT과 통합하여 방글라데시 공학 학생들의 도입을 모형화하며, 사용 분산의 64%를 설명하고 직업 관련성, 결과 입증가능성, 주관적 규범을 핵심 동인으로 지목합니다.
  • 프롬프팅 전략이 사용량이 아닌 수행을 예측합니다: 128명의 4학년 공학 학생들 사이에서, AI Query Efficiency와 AI-Driven Problem-Solving이 학업적 성공의 가장 강한 예측 변수였고 누적 GPA를 통제한 뒤에도 유의하게 남았습니다(Isaza Dominguez et al. (2026)).
  • 학생들 자신의 비유가 도구들이 제공하는 것을 넘어섭니다: Kudina (2026)은 100명의 공학 학생들이 LLM을 쓰기 지원, 개념적 명료화, 코딩에 가장 가치 있게 여겼으나, 이를 "oracle"과 "tutor"로 틀짓는다는 점을 발견했습니다 — 확률적 텍스트 생성기가 공급할 수 없는 권위와 개인화이며, 학생들이 아직 구축하고 있는 검증 기술에 의존하는 "잔인한 낙관주의"입니다.
  • AI를 학문 옆이 아닌 안에 내장하십시오: 한 프로젝트 기반 열공학 교육과정은 컴퓨터 과학 강좌를 추가하는 대신 기계 학습을 입문, 응용, 고급 수준에 걸친 기존 열 주제들 안으로 접어 넣었고, 최소한의 입학 요건만 충족한 학부생들은 대학원 동료들보다 더 약한 프로젝트를 산출했습니다(Li et al. (2026)).
  • 양적 공학 강좌를 위한 AI 개인 지도와 피드백: Yin et al. (2026)은 Arthur를 도입합니다. 학부 공학 경제학 강좌에서 Calculated Formula Questions에 관해 실시간으로 개인화된 피드백을 제공하는 AI 조교입니다 — 이는 펜과 종이로 된 비구조적 풀이가 이전의 AI 지원을 막아온 영역입니다. 그것의 전체 생애 주기 파이프라인(이전에 채점된 손글씨 제출물의 큐레이션, 임의 마스킹 데이터 증강, 문항별 XGBoost 진단 백본, 대화 기반 문제 은행 웹 인터페이스)은 구조화된 디지털 데이터가 없는 공학 강좌 전반에 걸쳐 AI 피드백을 위한 확장 가능한 경로를 제공하며, 이 프레임워크는 다른 공학 분야의 CFQ로 일반화되도록 설계되었습니다.
  • 모듈이 아닌 통합으로서의 지속가능성을 위한 AI. 4기둥 AI-SEE 프레임워크(intelligence-driven, green-empowered, responsibility-leading, practice-integrated)는 AI를 공학 수업 전반에 걸쳐 분배합니다. 144명의 학생이 참여한 교통공학 사례에서, 학생들은 개인적, 학업적, 직업적, 사회적 수준에 걸친 참여를 보고했으며, 지속가능성 추론이 가족과 동료 네트워크로 전해졌습니다(Liu et al. (2026)).
  • 도구가 풍부한 스튜디오는 산출물을 개선하지 않으면서도 효능감을 떨어뜨릴 수 있습니다. 27명의 학생이 참여한 건축 설계 스튜디오에서, 생성형 AI와 XR 파이프라인을 사용한 팀들은 통제 집단보다 설계 자기효능감(β = −1.675)와 결과 기대(β = −2.088)에서 더 큰 사전–사후 하락을 보였으며, 학생 한 명당 하나의 헤드셋은 조율된 협력을 산출하지 못했습니다(Xiao et al., 2026).

특징적 우려

공학 교육의 특징적 우려들은 AI가 어떻게 수용되는지를 형성합니다. 실습과 실험실 학습(AI가 실천을 시뮬레이션할 때 무엇이 잃히는지), 전문적 형성(윤리적 책임, 안전, 사회적 영향), 설계와 문제 해결(AI가 얼마나 많은 인지 작업을 해야 하는지), 그리고 노동력을 위한 역량 기반의 준비입니다. 이것들은 공학 교육을 AI가 전문적 전문성에 필수적인 인지 작업을 보강하는지 대체하는지를 연구하는 풍부한 장소로 만듭니다 — 물리 교육, 수학 교육, 컴퓨터 과학 교육의 논쟁들과 평행하게.

관련 개념과의 연결

공학 교육은 STEM 교육 안에 놓이며 컴퓨터 과학 교육(전산과 소프트웨어 공학), 수학 교육과 물리 교육(공학의 수학적·물리적 기초), 직장 학습과 교육 개발(노동력과 교수자의 준비), 평가과 윤리(AI의 직업적·평가적 이해관계), 그리고 고등 교육(제도적 맥락)에 강하게 연결됩니다. 이것은 이 지식 베이스의 ASEE 출처 문서들이 속한 본거지 학문입니다.

충분히 다루어지지 않은 하위 영역

이 지식 베이스의 공학 교육 내용은 아직 발전하는 중입니다. 추가 문서의 혜택을 볼 하위 영역에는 학문 특정적 공학 교수법들(기계, 토목, 화학, 전기, 소프트웨어, 생명공학 교육), 설계와 메이커 교육, 캡스톤과 프로젝트 기반 학습, 그리고 공학 윤리 교육 — AI의 역할이 특히 중대할 가능성이 있는 곳 — 이 포함됩니다.

공학 교수자를 위한 함의

  • AI에 관해 공유된 정확한 언어를 구축하십시오. 교수자 비유 연구는 교수자들이 근본적으로 다른 심성 모형(에이전트 대 도구)을 가짐을 발견합니다. 정책을 세우기 전에 학과의 이해를 정렬하십시오.
  • 윤리에서 책임성으로의 격차를 좁히십시오. 윤리 검토들은 지침이 대부분 학생을 향하며 준수 지향적임을 발견합니다. 공학이 공공 안전에 걸려 있다는 점을 고려하여 교수자와 기관의 상호적 책임성을 강화하십시오.
  • 다중양식적이고 구현된 평가를 사용하십시오. 제스처 + 말 평가는 언어만을 넘어서는 진단적 증거를 더합니다 — 개념적 이해를 평가할 때 구현된 단서를 고려하십시오.
  • 학생을 강좌가 아닌 노동력을 위해 준비시키십시오. Dual Train Problem은 부상하는 역할들과 정렬된 내구적인 AI 역량, 윤리/거버넌스, 기술 기반 자격증을 촉구합니다.
  • 비판적 사용과 적절한 의존을 모형화하십시오. 비판적 사용 TAM 연구는 학생들이 이해 과제에서는 AI를 많이 의존하지만 평가에서는 덜 의존함을 보여줍니다 — 과업 유형에 걸쳐 적절하고 검증 가능한 의존으로 안내하십시오.
  • AI 사용을 수업 시간 안에서의 기술로 가르치십시오. Geng et al. (2026)은 각각 강의 말미에 10–15분씩, 도구 리터러시에서 전략적 위임을 거쳐 모형 평가까지 순서가 매겨진 아홉 차례의 교수 주도 시연을 실행했으나, 평가와의 연결을 보지 못한 학생들은 이를 중복된다고 보고했습니다 — 따라서 채점되는 작업에 묶으십시오.

연결된 개념

연결된 문서

메타데이터

분야Engineering Education, Stem Education
수준Higher Ed
대상 독자Learners, Instructors, Faculty Developers
학습과 교수직장 학습
평가와 측정평가
형평성, 윤리, 그리고 책임 있는 사용윤리
교육에서의 인공지능 기초AI 리터러시, 교육 개발
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.