AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

피드백 리터러시

생성일 2026-08-15 · 갱신일 2026-10-08

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

피드백 리터러시 — 학습을 개선하기 위해 피드백을 이해하고, 평가하고, 행동으로 옮기기 위해 학생에게 필요한 역량과 태도를 말합니다. 이는 피드백 제공의 학습자 쪽 대응 개념입니다. AI 피드백 품질와 피드백 루프가 피드백 시스템의 품질과 작동 원리를 다룬다면, 피드백 리터러시는 피드백을 찾고, 의미를 파악하고, 판단하고, 생산적으로 활용하는 학습자의 능력을 다룹니다.

생각해 볼 질문들

  • 잘 설계된 피드백도 해석하고 행동으로 옮길 수 있는 학생에게만 도움이 됩니다. 똑같은 피드백을 받고도 배우는 정도가 다른 두 학생이 있다면, 그 차이는 어디에 있는 것일까요? 학생의 탓일까요, 시스템의 탓일까요?
  • 연구에 따르면 피드백 리터러시가 높은 학생일수록 AI 피드백으로 더 큰 이득을 얻고, 리터러시가 낮은 학생은 효과가 미미하거나 오히려 부정적인 결과가 나타납니다. 이것은 학생이 피드백을 활용할 역량을 기르지 않은 채 AI 피드백을 교수 과정에 덧붙이는 것이 무슨 의미인지 시사할까요?
  • 피드백 리터러시는 피드백을 받는 것만이 아니라 피드백을 구하고, 판단하고, 정서를 다루고, 행동으로 옮기는 것을 포함합니다. 마지막으로 피드백을 기다리기보다 능동적으로 찾아본 때가 언제이며, 그렇게 할 용기를 주었던(주지 못했던) 것은 무엇이었나요?
  • AI가 이제 풍부하고 즉각적인 피드백을 만들어 낼 수 있다면, 병목은 피드백 제공에서 피드백을 활용하는 학습자의 능력으로 옮겨간 것일까요? 학생의 피드백 리터러시를 진짜 제약 조건으로 본다면 피드백 설계의 어떤 점이 달라질 수 있을까요?

들어가며

피드백 리터러시가 중요한 이유는 잘 설계된 피드백도 해석하고 행동으로 옮길 수 있는 학생에게만 도움이 되기 때문입니다. AI가 생성한 피드백이 정확한지 판단할 수 없거나, 피드백을 구체적인 수정으로 바꾸는 방법을 모르는 학생은, 같은 피드백을 받고도 피드백 리터러시가 높은 동료보다 훨씬 덜 배웁니다. AI가 피드백 제공을 재편함에 따라 피드백 리터러시는 AI 피드백이 학습을 개선할 수 있는지의 중추적인 경계 조건이 되었습니다.

피드백 리터러시란 무엇인가

피드백 리터러시는 널리 상호 연관된 역량의 집합으로 규정됩니다. 피드백을 인식하고, 판단하고, 정서를 다루고, 행동으로 옮기는 능력입니다(Carless & Boud 이후). 지식베이스의 문서들은 피드백 리터러시를 다음과 같은 여러 역량으로 묶습니다.

  • 피드백을 찾고 이끌어내기 — 수동으로 받아들이지 않고 능동적으로 피드백을 요구하는 것.
  • 판단하기 — AI가 만든 피드백을 포함하여 피드백의 정확성과 유용성을 평가하는 것.
  • 의미 구성하기 — 피드백을 과제의 목표와 기준에 비추어 해석하고, 그것이 개선을 위해 무엇을 함축하는지 이해하는 것.
  • 정서 다루기 — 피드백에 의해 낙심하거나 지나치게 부풀지 않으면서 생산적으로 관여하는 것.
  • 피드백에 행동으로 옮기기 — 피드백을 구체적인 수정이나 접근법의 변화로 바꾸는 것(피드백 루프, 자기조절 학습).
  • 평가 권위 판단하기 — AlGhamdi (2026)가 제안한 추가 역량으로, 피드백을 인식하고, 판단하고, 정서를 다루고, 행동으로 옮기는 것에 더해, 학생이 AI가 만든 피드백에 대해 추론할 때 피드백 품질을 판단하는 것과 구분하여 어떤 출처가 평가 권위를 지니는지 판단해야 했습니다. 참가자들에게 ChatGPT가 점수와 피드백을 모두 생성했다고 안내되었기 때문에, 그들의 피드백 리터러시는 평가의 내용이 아니라 출처와 정당성에 행사되었고, 수동적 수용이 아니라 교수자의 확인을 요구하는 결과를 낳았습니다.

피드백 리터러시가 연구에 나타나는 모습

  • AI 피드백 가치의 조절 변수로서의 피드백 리터러시: Mendoza et al. (2026)는 피드백 리터러시가 ChatGPT 수용과 자기조절 학습의 연결을 조절한다고 보입니다. 리터러시가 높은 학생은 AI 피드백에서 더 큰 자기조절 학습의 이득을 지각하고, 리터러시가 낮은 학생은 효과가 미미하거나 오히려 부정적인(과잉 의존) 결과를 보입니다. 피드백 리터러시는 학생이 AI 피드백을 "의미 구성"할 수 있는지의 경계 조건입니다.

  • 생성형 AI 사용에서 비판적 사고로 가는 경로로서의 피드백 리터러시: 중국 학부생 421명을 대상으로 한 연구에서 생성형 AI 사용과 자기보고식 비판적 사고의 연관성은 거의 전적으로 생성형 AI 피드백 리터러시(β=0.185, 전체 효과의 71.98%)를 통해 나타났으며, 성찰적 사고가 높아질수록 그 경로가 강화되었습니다(조절된 매개 지수 = 0.030)(Yan et al. (2026)).

  • AI 지원 글쓰기에서의 학습 예측: Hawkins et al. (2026)는 AI 기반 에세이 쓰기 과제에서 피드백 리터러시가 에세이 성적의 유일한 유의미한 긍정적 예측 변수였음을 발견하고, Liu & Deris (2025)는 AI 피드백 리터러시(AIFL) 척도를 개발하고 타당화하여 피드백 수용을 예측함을 보입니다.

  • 생성형 AI 기반 피드백 관여의 틀: Zhan, Boud, Dawson & Yan (2025)(Boud와 Dawson은 피드백 리터러시 연구의 대표적 학자)는 생성형 AI가 학생의 피드백 관여를 가능하게 할 수 있다고 주장하며, 순환적 자기 교육에서의 AI 규제 피드백 모델을 이끌어냄/처리/실행 단계에 대응시킵니다.

  • AI 피드백은 교수자의 틀 없이 도착한다: Brunnström and Palmqvist (2026)는 생성형 AI가 피드백 리터러시를 더 요구하도록 만든다고 주장합니다. 응답이 상호작용적으로, 교수자의 즉각적인 틀 없이 생성되기 때문에 학생은 그것을 해석하고, 평가하고, 관여하고, 사용해야 하며, 언제 응답이 너무 추상적인지, 언제 계속 파고들지, 언제 기존 자료로 돌아갈지를 판단해야 합니다. 여덟 차례의 대화 시연에서 단순화와 사용 가능한 구조는 학습자의 개입 이후에야 나타났으며, 피드백 관여의 이끌어냄/처리/실행 순환을 학생이 주도해야 하는 것이 되었습니다(Zhan, Boud, Dawson & Yan이 생성형 AI를 위해 그 순환을 제시했으며; 자기조절 학습).

  • AI 지원 글쓰기와 EAP에서의 피드백 리터러시: 피드백 리터러시 스크립트와 두 번째 평가자 메커니즘은 쓰기 수정 과정에서 AI 피드백에 비판적으로 관여하도록 학생을 훈련하여, 수정을 표면적 다듬기가 아니라 논증 수준의 개선으로 옮깁니다.

  • 리터러시 발달을 위한 자동화 피드백 도구: Tubino & Adachi (2025)는 AI 자동화 피드백 도구를 더 많은 피드백을 제공하는 도구가 아니라 학생의 피드백 리터러시를 기르는 도구로 재규정해야 한다고 주장합니다.

  • 동료 피드백과 피드백 리터러시: Irwin & Muller (2025)는 말하기 수업에서 피드백 리터러시를 훈련하고 수용을 가능하게 하기 위해 생성형 AI를 EFL 동료 피드백 안에 배치하고, 스캐폴딩 연구는 자기조절적 피드백을 기르는 데 생성형 AI와 인간 동료를 비교합니다.

  • 지속적이고 참조 가능한 데이터로 저장되는 피드백. ChatGPT를 e-포트폴리오와 결합하자 말하기 수행과 피드백 리터러시가 함께 향상되었고(후자는 부분 η² = 0.218), 학생들이 강사, 동료, AI로부터의 보관된 피드백을 일회성 교정이 아니라 조화시켜야 할 데이터로 다루게 되었습니다(Laksana et al. (2026)).

  • 학습 분석과 생성형 AI 대시보드에서의 피드백 리터러시: Jin et al. (2025)는 학생들이 생성형 AI 기반 학습 분석 피드백을 피드백 리터러시 관점에서 어떻게 지각하는지 살핍니다.

  • AI 리터러시와 평가 설계의 목표로서의 피드백 리터러시: Richmond & Nicholls (2025)는 학생이 ChatGPT 산출물을 루브릭에 비추어 비평하게 하는 산출물보다 과정 중심의 평가를 활용하여 피드백, 심리, AI 리터러시를 함께 기릅니다. 학습자 중심의 AI 피드백과 케어풀 피드백 설계는 피드백 품질을 학습자의 관여 역량과 연결합니다.

피드백 리터러시가 교육에서의 AI에 중요한 이유

AI는 피드백을 두 방향으로 바꾸어 피드백 리터러시의 중요성을 함께 높입니다. 첫째, AI는 피드백의 양과 즉시성을 극적으로 늘려(AI 피드백 품질, 피드백 루프) 학생이 분류하고 평가해야 할 피드백이 훨씬 많아집니다. 둘째, AI가 생성한 피드백은 부정확성, 환각 "숙달의 환상"과 같은 별개의 위험을 지니며, 이는 비판적 평가 역량과 과잉 의존 및 귀인 오류에 대한 경계를 요구합니다. 따라서 피드백 리터러시는 AI 리터러시의 핵심 구성 요소가 됩니다. AI에 피드백을 요청하는 방법을 아는 것만이 아니라, 그 피드백이 행동으로 옮길 가치가 있는지 판단하고, 과제 완수가 아니라 진정한 학습으로 전환하는 방법을 아는 것이 핵심입니다.

Bearman and colleagues (2026)는 그 목록에 하나의 요구를 더합니다. 워크숍 연구에서 학생들은 하나의 피드백 출처가 아니라 네트워크를 관리하고 있었습니다. 교수자의 논평을 AI 산출물, 루브릭, 수업 자료, 동료와 저울질했고, 인간 피드백이 늦을 때는 AI로 계속 작업하면서 나중에 잘못 이끌었다면 수정하는 임시 방편을 썼습니다. 저자들은 학생들이 세밀한 과제부터 더 넓은 궤적에 이르기까지 그러한 관계를 스스로 관리함으로써 자신의 human-as-the-loop가 될 수 있다고 제시하며, 이는 그 자체로 피드백 리터러시 역량입니다. 그들의 경고는 빈약하거나 늦은 교수자 논평이 학생들을 검증되지 않은 출처로 밀어낸다는 것입니다.

관련 개념과의 연결

피드백 리터러시는 AI 피드백 품질와 피드백 루프(그것이 보완하는 제공 쪽), 형성평가(그것이 공급하는 평가 순환), 자기조절 학습(그것이 뒷받침하는 자기평가와 적응)과 연결됩니다. AI가 생성한 피드백에 적용될 때 AI 리터러시의 부분 집합이며, 협력적 맥락에서 동료 평가과 교차하고, 쓰기에서 특히 중요한 결과를 가집니다. 또한 메타인지과 신뢰 보정 — 피드백이 신뢰할 만한지 판단하는 능력 — 과도 연결됩니다.

피드백에 행동으로 옮기는 것은 결과물을 개선하는 것과 같지 않습니다. 예비 수학 교사 22명 가운데 AI와 동료 피드백을 선택적으로 수용하는 것이 일반적이었으나(44개 에피소드 중 32개), 설계한 과제의 질이 향상된 학생은 다섯 명뿐이었습니다. 저자들은 이 번역 격차를 수용이 아니라 평가적 판단의 문제로 귀속합니다(Oh, 2026).

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

분야Writing Education
학습과 교수자기조절 학습
평가와 측정AI 피드백 품질, 피드백, 피드백 리터러시, 형성평가, 동료 평가
교육에서의 인공지능 기초AI 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.