AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

모둠 활동

생성일 2026-09-10 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

모둠 활동 — 개인이 아니라 팀이 만들어내는 학습과 평가받는 작업으로, 협동과 의사소통, 공동의 책임을 기르는 데 쓰이는 동시에 결과물 — 그리고 종종 각 구성원의 성적 — 을 산출하기도 합니다. 그것은 평가 설계와 협력 학습이 만나는 자리에 놓이며, 양자의 긴장을 물려받습니다. 무임승차와 사회적 태만, 불균등한 기여, 갈등 회피, 그리고 집단적 산출물을 개인의 학습에 귀속시키는 어려움이 그것입니다. 생성 AI는 이를 더욱 심화합니다. 모둠은 이제 누구의, 어떤 종류의 AI 활용이 용인되는지를 협상해야 하며 — 그 협상은 학습자 주체성 연구가 하나의 학년 공동체 안에서도 정반대 방향으로 해결될 수 있음을 보여줍니다 — 이고, 모둠에 합류하는 AI 에이전트가 그것 자체를 재형성할 수도 있습니다.

생각해 볼 질문들

  • 모둠 과제는 실제로 무엇을 만들어내고 있습니까 — 모둠의 출력입니까, 각 구성원의 학습입니까, 아니면 협동할 능력입니까? 그 세 가지가 갈라질 수 있다면, 여러분의 채점은 어느 것을 정당화한다고 주장하고 있습니까?
  • 여러분이 참여했던 모둠 프로젝트를 떠올려 보십시오. 누가 일을 했고, 누가 무엇이 좋은 일인지를 결정했으며, 누가 조용히 있었습니까? 그 가운데 얼마나 많은 것이 과제 설계의 문제였고, 얼마나 많은 것이 사람들의 문제였습니까?
  • 모둠 활동에 관한 연구는 학생들이 관계를 보호하기 위해 무임승차자를 책임 묻기를 종종 거부한다는 것을 발견합니다. 모둠 구성원이 자기 몫을 GenAI로 만들어낼 때, 그것은 무임승차입니까 — 아니면 그 판단은 그 단어가 암시하는 것보다 복잡합니까?
  • 모둠은 단일 공유 인터페이스로 AI에 접근할 수도 있고, 각 구성원의 비공개 프롬프트를 통해 접근할 수도 있습니다. 어느 쪽이 더 정직한 협동을 만들어내며, 각각은 무엇을 숨깁니까?
  • AI 에이전트가 칭찬하고, 질문하고, 도발하는 팀원으로서 여러분의 모둠에 합류한다면, 그것이 협동을 깊게 하겠습니까, 아니면 아무도 알아차리지 못하는 사이에 누가 그것을 이끄는지를 재형성하겠습니까? 그 차이를 어떻게 알 수 있겠습니까?
  • 과제 효율을 극대화하는 경향이 있는 협력적 AI는 학습자의 자기규제적 참여를 최소화하는 경향이 있습니다. 결과와 분투 사이에서 하나를 골라야 한다면, 어느 것을 보호하겠습니까?
  • 중재자 AI는 중립으로 남아 있는 동안에만 신뢰받습니다. 그것이 요약에서 조언이나 이의 제기로 옮아갈 때 신뢰는 침식됩니다. 모둠의 AI는 얼마나 중립적이어야 할까요?

들어가며

모둠 활동은 고등교육과 전문 훈련에서 독특한 자리를 차지합니다. 협동과 의사소통, 공동의 책임을 기르는 데 가치를 인정받으며, 교사 교육과 같이 전문 지향의 프로그램에서 교수법적으로 중심적입니다. 그러나 그 약속은 자동으로 실현되지 않습니다. 교수자와 학생 모두 효과적인 협동에 대한 장애물을 보고하며, 채점되는 모둠 산출물은 동시에 서로 다른 두 가지 주장을 품고 있습니다. 모둠이 무엇을 이루었는지에 관한 주장과 각 개인이 무엇을 배웠는지에 관한 주장입니다. AI, 특히 생성 AI는 양자 모두를 압박합니다. 일을 나누는 방식, 기여를 얼마나 쉽게 융합할 수 있는지, 그리고 각 구성원의 사고를 도구의 출력과 어떻게 구별할 수 있는지를 바꾸기 때문입니다. 지식베이스의 협력 학습 연구 가운데 상당 부분이 모둠 활동에 걸쳐 있으며, 이 페이지는 단일 연구가 아니라 여러 줄기를 끌어옵니다.

모둠 활동이 설계상 어려운 이유

  • 무임승차와 사회적 태만. 일부 구성원이 기여를 줄이면 작업량은 더 많이 참여하는 동료들에게 재분배됩니다. 과제 범위, 모둠 규모, 구성이 그 가능성을 높이며, 책무 메커니즘과 모둠 효능감은 그것을 줄입니다.
  • 책무는 구조적일 뿐만 아니라 관계적이기도 합니다. 홍콩 — 지식베이스의 모둠 평가 연구 가운데 하나가 수행된 곳 — 에서 학부생들은 대인 관계를 보호하기 위해 무임승차를 보고하지 않 하는 경우가 많았고, 문제와 맞서기보다 스스로 일을 완수했습니다. 따라서 학생들의 학습자 주체성는 갈등을 피하면서 성적을 추구하는 형태를 취할 수 있습니다.
  • 협동은 설계되어야지, 가정되어서는 안 됩니다. 과제가 독립적인 하위 과제들로 나뉠 수 있는 곳에서 학생들은 그 길을 택하고, 모둠은 공동의 지적 노력이 아니라 제출 형식이 됩니다. Chen and Zou(2026)는 자신들의 열다섯 모둠 가운데 정확히 이것을 하는 세 모둠을 발견했습니다. 일을 나누고, "개인 플랫폼"에서 작업하며, 정합성이 명시적인 평가 기준이었는데도 개인의 GenAI 역량을 한데 모으지 않은 것입니다.
  • 과정 대 산출물. 모둠 활동은 과정이 출력과 나란히 평가될 때 가장 강하며, 이는 단일 최종 산출물이 아니라 동료 평가나 보이는 중간 단계들을 요구합니다.
  • 형평성과 포용. 기여 규범, 언어, 자신감은 모둠 안에서 불균등하게 분배됩니다. 신경다양성 학생들은 구조화된 과제, 일관된 소규모 팀, 명시적으로 정의된 역할이 필요하다고 보고합니다. "평균적" 학습자를 염두에 두고 만들어진 AI 협동 도구들이 늘 수용하지 못하는 요건입니다.

AI가 모둠 활동을 바꾸는 방식

모둠 활동 속의 AI에 관한 연구는 서로 다른 두 가지를 다룹니다. AI가 모둠의 과제에 더해주는 것과, AI가 모둠의 과정에 가하는 것입니다. 둘 다 중요하며, 지식베이스의 발견들은 양자를 아우릅니다.

조정을 위한 인프라로서의 AI

GenAI와 모둠 평가에 관한 가장 직접적인 발견은 Chen and Zou(2026)의 예비 교사 모둠 열다섯 개에 대한 삼유형 연구입니다. 단일한 열광에서 회피로의 스펙트럼이 아니라, 행위자성이 세 방향으로 동시에 흘렀습니다.

유형 모둠 수 실천 근거
협동 지향적 행위자성 5 GenAI 사용 강화 정합성, 수행, 지각된 위험을 낮추는 공유 규범
규범적 행위자성 7 의도적으로 억제된 사용 진정성, 공정성, 독창성, 관점의 다양성
실현되지 않은 행위자성 3 개인 작업과 다르지 않음 과제가 분할됨, 집단적 상호작용이 비용이 크다고 여겨짐
  • 조정 인프라로서의 GenAI. 학생들은 친숙한 협동 문제 — 동료들의 몫에 무엇이 담겨 있는지 모른다는 것 — 를 해결하기 위해 사용을 강화했습니다. 그 몫들을 챗봇에 넣어 해독하고 정렬하는 것이 분산된 지식을 서로 이해 가능하게 만들었고, 한 모둠은 자신의 작업 흐름을 "토론 → GenAI로의 외현화 → 집단 검토 → 재토론"으로 재구축했습니다. 저자들은 이것을 인지적 외주화를 넘어서는 것으로 읽습니다. 판단은 학생들에게 남은 채 도구가 조정 작업을 흡수했기 때문이며, 더 매끄러운 작업 흐름이 응집이 형성되는 불일치를 우회할 수 있다고 경고합니다.
  • 모둠 규범은 책무를 뒤집을 수 있습니다. 관대한 집단적 분위기는 지각된 오용의 위험을 낮췄습니다("나 말고도 우리 모둠 사람들 모두가 GenAI를 쓰기 때문에 더 편해요"). 공유된 규범을 학습에 대한 헌신이 아니라 공유된 위험 관리로 바꾸어, 모둠 책무가 이루고자 하는 것의 정반대가 된 것입니다.
  • 억제 또한 행위자성입니다. 일곱 모둠은 과제의 상황적 지식을 보호하고("AI는 당신이 타이핑하는 그 순간만을 알 뿐이에요"), 모둠 동료에게 사실상 무임승차하는 것을 피하고, 모둠을 서로 구별하는 독창성을 지키며, 모둠이 이미 지닌 관점의 다양성을 유지하기 위해 GenAI 사용을 줄였습니다. 이는 단순한 순응이 아니라 규범적 자기조절이며, 밖에서는 무관심과 구별하기 어렵습니다.

모둠이 AI에 접근하는 방식이 협동을 형성한다

Xu et al.(2026)는 팀이 GenAI에 접근하는 방식 자체가 설계 결정임을 보여줍니다. 동기적 작업에서 단일 공유 인터페이스를 쓸 때, 팀들은 "집합적 프롬프트"를 공동 구성하고, 표면–평가–내면화 주기를 돌리며, 채팅을 공유된 기억으로 다룹니다. 비동기적 작업에서는 비공개 프롬프팅과 출력의 "라벨 제거"가 투명성을 파편화하고 공유된 인지 모델을 유지하는 비용을 높입니다. 따라서 접근 구성은 상호작용적 참여의 질에 직접 연결됩니다. 모둠이 진정으로 공동 구성하고 있는지, 아니면 단지 공동 승인하고 있을 뿐인지의 문제입니다.

모둠 구성원으로서의 AI가 모둠을 재형성한다

두 번째 연구 줄기는 AI를 도구가 아니라 참여자로 다루며, 그 발견들은 "AI 팀원"이 "더 나은 팀워크"를 뜻한다는 가정을 복잡하게 만듭니다.

  • 사회적 안정제로서의 에이전트 — 그리고 질문의 자석. 세 명의 대규모 언어 모델(LLM) 참여자와 윤리를 숙의하는 세 명의 STEM 학생들로 이루어진 열다섯 모둠에서(Seo et al., 2026), 에이전트들은 인간 구성원들이 빗나갈 때 모둠을 주제에 붙잡아 두었고("다른 두 참여자가 빗나가더라도 내가 그것을 처리하지 않아도 되었어요"), 인간이 관계적 이유로 피한 명확화를 촉구했습니다. 그러나 모둠 역학은 상호작용을 인간으로부터 멀어지게 옮겼습니다. 질문의 79.7%가 에이전트에게 향했으며(p = .017), 참여자들은 각 발화자가 차례로 발언권을 갖는 턴 스태킹 형식에서의 폭–깊이 트레이드오프를 지적했습니다. "다른 참여자들이 끼어들 수 없어서" 많은 생각을 다루기는 쉽지만 어느 하나를 깊이 탐구하기는 어려웠습니다.
  • AI 페르소나가 떠오르는 학습자 주체성를 재구성한다. Jin et al.(2026)은 AI가 공개되지 않은 팀원으로 작동한 실험에서, 지지적 페르소나와 반론적 페르소나가 모두 모둠을 재형성했음을 발견했습니다. 반론적 AI는 담론을 도전과 성찰 쪽으로 끌었으며(생산적 마찰), 지지적 AI는 합의를 안정시키고 사고를 새롭게 했습니다. 결정적으로, 그 마찰에는 정서적 대가가 있었습니다. 반론적 AI는 창조적 성과를 얻지 못한 채 팀워크 만족도와 심리적 안전을 낮췄습니다. 따라서 "생산적" 담론 구조는 그것의 정서적 결과와 함께 저울질되어야 합니다. 페르소나들이 공개 없이도 작동했기 때문에, 이 발견들은 페르소나 설계를 모둠 협동에 대한 보이지 않는 AI 거버넌스의 한 형태로 자리매김합니다.
  • 논란은 집단사고에 대항할 수 있다. Wiss et al.(2025)는 의도적으로 반대 방향을 택했습니다. 열두 개의 학제간 PBL 팀에 논란적 관점을 주입하도록 지시된 AI 에이전트(CALIE)가 비판적 사고와 긍정적 모둠 역학을 자극하여, 모둠 활동이 달리 만들어낼 수 있는 동조 압력에 대항했습니다. Jin et al.과의 대조는 교훈적입니다. 도전은 그것이 의도된 설계일 때는 돕고, 인정되지 않은 부작용일 때는 해칩니다.
  • 중립적 중재자의 제약. 팀에 암묵적 가정을 표면화함으로써 학제간 팀의 학문적 경계를 중재하는 AI인 Spritz는 인지적 지원이자 관계적 완충 장치로 가치를 인정받았습니다. 그러나 학생들의 신뢰는 하중을 지탱하는 것이었고, AI가 중립적 중재자에서 조언가나 도전자로 옮아가는 순간 침식되었습니다. 따라서 역할 전환은 조용한 것이 아니라 명시적이고 구성 가능해야 합니다.
  • 협동 자체가 교수의 대상이 될 수 있다. ProPACT는 개인이 아니라 짝을 분석 단위로 다루며, 공동 주의와 노력을 모델링하여 30초 앞까지의 협력적 붕괴를 예측합니다. 선제적 피드백을 받은 짝들은 더 높은 디버깅 성공을 거두었고 이후 협력적 교육에서의 AI 규제에서 지속적 향상을 보였습니다. AI는 과제를 뒷받침할 수 있을 뿐만 아니라 협동 그 자체를 가르칠 수 있습니다.

효율–자기규제 간 트레이드오프

Hao et al.는 복잡한 문제에 대한 AI와의 세 가지 협력 양식 — 위임된 추론, 조율된 해석, 위임된 정교화 — 을 확인했습니다. 가장 효율적인 양식(위임된 추론)은 최선의 과제 수행을 산출하지만 가장 낮은 자기규제적 참여를 낳으며, 자기규제가 가장 큰 양식(조율된 해석)은 과제에서는 뒤처집니다. 이것이 AI 매개 모둠 활동을 위한 중심적 설계 긴장입니다. 분산된 인간–AI 시스템의 효율과 학습자의 규제적 참여의 깊이 사이의 균형입니다.

다듬어진 출력의 인식론적 위험

Kimmerle는 학습자가 AI를 사용해 다듬어진 지식 산출물을 만들어낼 때 인식론적 노력이 줄어드는 위험을 개념화합니다. 한편에는 사회인지적 차원의 자동화 편향, 다른 한편에는 완성된 산출물이 유발하는 인식론적 폐쇄가 그것입니다. 해법은 AI를 갈등을 보존하는 논증적 동료이자 도전자로 구조화하는 것입니다. 반론은 Oppenheimer et al.에게서 나옵니다. 그들은 LLM이 비판의 동료로 작동하고 학생들이 그 주장을 적극적으로 반박할 때, 학습자들이 비판의 인지적 갈등을 항복하지 않고 보존하는 비판적 소비자로 행동한다는 것을 발견했습니다. 답을 주는 팀원과 도전하는 동료 사이의 차이가, AI와 함께하는 모둠 활동이 사고를 키우는지 아니면 사고를 우회하는지를 결정하는 것입니다.

학급 단위의 비평가적 지원

CoBi는 "고양하는" 소규모 모둠 담론(존중, 형평성, 공동체, 사고를 앞으로 나아가게 하는 것)을 감지하고 비평가적이며 학급 단위의 시각화를 돌려줍니다. 프라이버시와 신뢰를 보호하기 위해 학생 단위나 모둠 단위의 피드백을 의도적으로 보류하면서 말입니다. 학생들은 정량적 시각화(방사형 차트)보다 질적 시각화(유기적인 나무)를 선호했습니다. 모둠 활동의 관계적 차원에 대해, 개인 점수가 감시로 느껴질 곳에서 학급 단위 집합 피드백은 공동체 형성을 뒷받침합니다.

설계에의 시사점

  • AI 활용 협상을 평가 가능한 결과물로 만드십시오. Chen and Zou(2026)는 모둠이 GenAI를 어떻게 쓰고 쓰지 않을지를 정당화하고 문서화해야 한다고 논합니다. 암묵적인 동료 규범을 명시적이고 채점 가능한 추론으로 바꾸어, 지각된 위험에 맡겨두지 않는 것입니다.
  • 산출물만이 아니라 과정을 평가하십시오. 동료 평가, 중간 산출물, 성찰적 기여는 규범과 공유된 이해가 실제로 구성되는 상호작용들을 만들어냅니다.
  • 정합성 기준 하나에만 의존하지 마십시오. 통합을 요구하는 루브릭 한 줄은, 과제 구조가 여전히 나눠서 정복하기를 허용한다면 협동을 만들어내지 못합니다. 작업 흐름이 공동 작업을 요구하도록 해야 합니다.
  • 접근을 의도적으로 설계하십시오. 모둠이 AI 인터페이스 하나를 공유하는지, 아니면 각 구성원이 비공개로 프롬프팅하는지가 협동의 투명성과 공유된 인지 모델을 유지하는 비용을 바꿉니다.
  • AI의 역할이 무엇인지를 눈에 보이게 결정하십시오. 중립적 중재자는 신뢰받습니다. 조언가나 도전자는 신뢰받지 못하며, 그 역할이 명시적이고 의도된 경우가 아니라면 그렇습니다. 반론적 페르소나는 집단사고에 대항할 수 있지만, 심리적 안전의 대가가 인정된 설계된 기능으로서일 때만 그렇습니다.
  • 효율과 자기조절 사이에서 균형을 잡으십시오. 과제 효율을 극대화하는 협력적 AI는 학습자의 규제적 참여를 약화시킬 수 있습니다. 설계는 조율된 해석을 위한 공간을 의도적으로 보호해야 합니다.
  • 답을 주는 자보다 논증적 동료를 택하십시오. AI가 불일치를 표면화하도록 구조화하되 매끄럽게 덮어버리지는 않도록 하여, 모둠 활동이 이해를 쌓는 인지적 갈등을 보존하게 하십시오.
  • 신경다양성 학습자를 수용하십시오. 구조화된 과제, 일관된 소규모 팀, 명시적인 역할 정의는 AI 협동 도구가 반드시 뒷받침해야 할 요건입니다.
  • 억제를 신중하게 읽으십시오. 모둠에서 AI를 피하는 학생들은 규범적 자기조절을 행사하고 있을 수도 있고 — 위험과 낯섦에 대비하고 있을 수도 있습니다. 둘은 다른 교수자 대응을 요구합니다.

연결된 개념들

연결된 글들

연결된 FAQ

메타데이터

수준Higher Ed
대상 독자Instructors, Learners
학습과 교수협력 학습
기술과 기법생성형 AI
평가와 측정평가, 실제적 평가, 동료 평가
교육에서의 인공지능 기초학문적 진실성, 학습자 주체성
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.