AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

고등 교육

생성일 2026-08-09 · 갱신일 2026-10-01

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

고등 교육 — 인공지능이 대학의 교수, 학습, 평가, 행정에 통합되는 것입니다. 고등 교육은 지식베이스에서 가장 많이 연구된 맥락으로, AI가 대학 수준의 교수, 기관 정책, 학생 경험을 어떻게 바꾸는지를 검토한 문서가 100편을 넘습니다. 고등 교육에서의 AI는 AIED 연구의 지배적 맥락인 동시에 그 긴장이 가장 선명하게 드러나는 곳입니다. 생성형 AI가 약속하는 확장 가능한 개인화와 그것이 정직성, 학습, 프라이버시, 형평성에 미치는 위험 사이의 긴장입니다. 여기에는 학부와 대학원 학습이 모두 포함되며, 의학이나 경영 같은 전문 과정도 함께 포함됩니다.

생각해 볼 질문들

  • 고등 교육은 AI의 긴장이 가장 선명하게 드러나는 곳입니다. 확장 가능한 개인화 대 정직성, 학습, 프라이버시, 형평성에 대한 위험이 그것입니다. 이 긴장 가운데 어떤 것이 여러분의 기관에서 가장 구체적으로 벌어지고 있습니까?
  • 대규모 연구는 기관 정책과 학생이 AI로 실제로 매일 하는 일 사이의 간극을 드러냅니다. 공식 정책이 학생의 실제 실천과 자주 어긋나는 이유는 무엇이라고 생각합니까?
  • 이 페이지는 AI 도입이 고르지 않다고 틀짓습니다. 어떤 기관은 전환하고 다른 기관은 뒤처지며, 그것은 조직적 동인과 국가 정책에 의해 규정됩니다. 대학이 적응하는가 멈추는가를 결정하는 요인은 무엇이라고 보십니까?
  • AI가 개인화된 일대일 지원을 거의 공짜로 누구에게나 제공하게 될 때, 대학 자체의 가치와 역할은 어떻게 달라집니까? 무엇이 더 희소해져서 더 가치 있게 됩니까?
  • 한 발견은 AI를 쓰는 대학생의 학습 시간 감소를 지적합니다. 학생이 공부하는 시간은 줄이면서 만족은 보고한다면, 기관이 무엇을 측정하고 지켜야 하는지에 관해 무엇을 시사합니까?
  • 교수의 자기 평가 AI 준비도와 실제 준비도 사이의 간극을 고려할 때, 여러분의 맥락에서 의미 있는 교수 개발은 어떤 모습이며, 누가 그것을 책임져야 합니까?

들어가며

고등 교육에서의 AI 연구는 대학의 모든 기능에 걸칩니다. AI 튜터링과 자동 채점에서 교수 개발, 학문적 정직성, 기관 거버넌스, 학생 지원에 이르기까지입니다. 지식베이스의 고등 교육 문서들은 몇 가지 핵심 주제로 모입니다. 기관 전환, 규모의 학생 경험, 교수와 교수 활동, 평가와 정직성, 그리고 정책과 실천의 급격한 이동입니다.

기관 전환

기관 변화 틀은 대학이 AI에 어떻게 적응하는지를 분석합니다. 교실 수준뿐 아니라 정책, 거버넌스, 조직 구조 전반에서입니다. EPIQ-AI 틀은 교수 준비도를 인식론적, 교수법적, 기관적, 질적 영역을 아우르는 사회기술적 정합성 문제로 재규정합니다. AI 시대에 대학을 다시 생각하기는 현재의 기관 모형이 AI 기반 교육을 수용할 수 있는지를 검토합니다. 도입은 고르지 않습니다. 조직적 동인 연구는 기관의 수용을 가능하게 하거나 가로막는 것을 규명하고, 국가 정책 분석은 체제적 맥락이 대학의 대응을 어떻게 규정하는지를 보여 줍니다. 구체적인 기관 설계도는 Qin(2026)에서 나옵니다. 이 연구는 Lingnan University가 "디지털 시대의 연구 집중적 교양 기관"으로 자리매김하는 과정을 기록하며, 모든 학부생에게 GenAI 리터러시를 의무화하고 공통 핵심 과정 전반에 디지털 리터러시를 편성하면서, 윤리적 추론과 비판적 판단을 앞세우는 인간 참여형 모형을 개발합니다. 그리고 저자는 교육을 위한 AI로의 전환이 기술중심적 증대가 아니라 지적 전환이라고 주장합니다. 22개의 고등 교육 AI 통합 개입에 대한 거시적 매핑(AlSheikh 외, 2026)은 전환이 여전히 현실보다 열망에 가깝다는 것을 뒷받침합니다. SAMR 모형으로 등급을 매기면 대부분의 개입이 대체 또는 증대 단계에 머물고, 통합은 의학, 공학, 컴퓨터 과학에 집중되어 있으며 인문학의 존재는 미약하고, 증거는 북미와 아시아에 치우쳐 있으며 글로벌 사우스의 대표성은 최소입니다. 한 글로벌 비교 지수가 담론-구조 간극을 측정합니다. Chan (2026)은 Times Higher Education 2026 순위에 든 100개 대학 전부의 공식 웹사이트를 20개 지표로 구성된 AI 제도화 지수에 따라 코딩했습니다. 상징적 층위는 포화한 반면 구조적 층위는 얇습니다. 100%가 AI 태스크포스와 AI 석사 학위를 보유하지만, 12%만이 임원급 AI 리더십을 두고 있으며, 5%만이 학부생에게 입문 AI 강좌를 요구하고, AI 캠퍼스 서비스를 도입한 대학이 93%임에도 AI 접근성 정책을 공표한 곳은 0%입니다.

한 기관이 어떤 형태의 GenAI 사용을 정당한 것으로 인정했는가는 그 자체로 측정 가능합니다. Sun, Dohn과 Rehm(2026)은 인식론적 작업이 학생과 시스템 사이에 어떻게 분배되는가에 따라 102편의 경험적 고등 교육 연구를 분류하고, Assistant(42.16%)와 Enabler(42.16%) 형태가 지배적인 반면 Generator, Reimaginator, Synthesizer를 합쳐도 문헌 집합의 5분의 1에 미치지 않는다는 것을 발견했습니다. 이는 모형이 나머지를 할 수 없어서가 아니라, 주변적 형태들이 저작권을 대학의 개인 역량 논리가 아직 인정하지 않는 방식으로 분배하기 때문입니다. 이들의 설명에 따르면, 고등 교육에서 GenAI에 대한 구속적 제약은 기술적 역량이 아니라 기관적 정당성이므로, 이 문제는 정직성과 평가 재설계와 같은 정책 영역에 정확히 놓입니다.

교실 밖의 AI 배치는 소비자 보호의 문제가 되었고, 그에 대한 학생 측 정리는 빈약합니다. Student Defense의 SHAPE AI 보고서(2026)는 입학, 모집, 재정 지원, 학생 성공 서비스(진로 상담, 심리 상담, 혜택 접근, 학점 이수), 교육 전달에 걸친 기관의 AI 활용을 매핑합니다. Canvas, Blackboard, D2L Brightspace의 LMS 내장 기능, 기관 차원의 GenAI 플랫폼, 튜터링과 피드백 시스템, 탐지와 감독이 여기에 해당하며, 도입이 보호를 앞지르고 있다고 논합니다. 여섯 가지 관통하는 우려(학생이 지불한 대가를 받는가, 학습 공동체의 상실, 공개와 투명성, 자료 프라이버시, 편향, 보정된 인간 감독)는 네 가지 질문으로 된 조달 심사와 결합합니다. 어떤 문제를 해결하는가, 거버넌스 역량이 존재하는가, 기관이 투명한가, 배치가 학생에게 가치를 만드는가입니다. 이 보고서의 입장은 주, 인증 기관, 연방 교육부가 이런 위험을 아직 잡아낼 준비가 되어 있지 않으므로, 기관 자신의 서면 정책이 실질적인 보호로 남으며, 실패 양상을 분명히 지목한다는 것입니다. 즉 교수가 이끄는 프로그램을 마케팅하면서 교수나 과정 설계를 AI나 제3자 업체에 외주화하는 대학은 자기 이름으로 다른 제품을 파는 셈입니다.

규모의 학생 경험

실제 학생 AI 활용과 GenAI 가용성과 만족도에 관한 대규모 연구는 학생이 AI를 실제로 어떻게 쓰는지를 문서화하며, 기관 정책과 일상적 실천 사이의 간극을 드러냅니다. 조사 연구는 학생이 AI 환경을 어떻게 항해하는지를 포착하고, 학습 시간, 졸업생을 위한 AI 기술, AI 도구에 관한 학생 인식에 관한 연구는 학생의 AI 경험이 혼재되어 있음을 보여 줍니다. 효율적이지만 종종 얕다는 것입니다. 이런 대학 학습의 상당 부분은 이제 온라인에서 이루어지며, 온라인 교수와 학습이 대학생에 대한 AI의 이점(확장 가능한 개인화, 상시 가용한 지원)과 위험(학문적 정직성, 인지적 오프로딩)을 함께 규정합니다. SHAP 분석을 활용한 탐색적 ML 접근은 학생의 인식과 인구통계가 ChatGPT의 학업적 사용 의도와 어떻게 관련되는지를 검토하며, 해석 가능성을 우선했습니다(An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). 디자인 교육에서 생성형 AI가 인간 창의성의 가치에 도전하는 곳에서는, 프로젝트 기반 학습 모형에 디지털 스토리텔링을 핵심에 두어 AI가 결여한 정서적, 문화적, 서사적 역량을 기르는 것으로 평가되었습니다. 15주간의 내장형 사례 연구로, 지역 문화유산을 멀티모달 AI 서사로 옮긴 중국 학부생 426명을 대상으로 했습니다(In the AI era: A project-based digital storytelling framework for art and design education). GenAI의 보조적·포용적 활용은 장애 학습자의 학생 경험도 다시 규정하고 있습니다. Khlaif 외(2026) — 팔레스타인 대학 세 곳에 걸친 시각 장애 학부생 21명에 대한 질적 사례 연구 — 는 GenAI가 개인 프로파일에 맞춰 속도, 내용, 전달 방식을 조정하고, 복잡한 텍스트를 단순화하며, 여러 양식으로 내용을 변환하여, 학습자가 수업 참여에서 자율성과 자신감을 얻는다는 것을 발견했습니다. 동시에 이것이 교수를 대체하기보다 보완하는 것으로 인식되었습니다.

교실을 넘어 AI는 기관 자신을 통해 학생에게 도달합니다. 진로 상담, 홍보, 의뢰, 희소한 지원의 배분이 그것이며, 학생 지원과 성공이 이것을 독자적인 증거 집합으로 모읍니다. 규모에 관한 그 중심적 주의는 4년간의 무작위 평가(N = 8,708)에서 나옵니다. 등록 알림이 마감 시점을 34퍼센트 포인트 옮긴 반면, 졸업, 학점, GPA는 전혀 움직이지 않았습니다.

대학원 및 전문 교육

지식베이스는 학부 학습에 크게 치우쳐 있으며, 대학원 및 전문 준비는 전공 분야 페이지(의학 및 보건 전문직 교육, 경영 교육, 교사 교육) 안에 두고 별도의 대학원 교육 페이지를 두지 않습니다. 그럼에도 두 갈래가 석사, 박사, 전문 학생에게 구체적으로 관련됩니다. 연구 훈련과 전문 학위 과정입니다.

대학원 연구 실천이 둘 가운데 더 두드러집니다. Dai와 Chan(2026)은 일곱 개의 포커스 그룹에 걸친 대학원 연구 학생 28명이 GenAI 지원 연구에서 AI 리터러시를 어떻게 실행하는지를 분석하고, 이들이 수동적 수용자가 아니라 보정된 사용자임을 발견했습니다. 즉 인지된 위험도와 학문적 규범에 따라 도구를 과제에 맞추고, 인간 감독을 유지하며, 허용되는 초안 도움과 자신의 추론의 대체 사이에 스스로 경계를 긋는다는 것입니다. 이들의 중심 발견은 정책 공백입니다. 기관의 GenAI 지침은 교수, 학습, 평가를 다루지만 연구 과정에 관해 거의 말하지 않으므로, 저자들은 스캐폴딩을 연구자와 지도 교수를 위한 연구 작업 흐름 전반에 AI 리터러시의 각 차원에 걸쳐 제공하는 연구자 지향 지침을 제안합니다. Oh, Talton과 Bui(2026)는 같은 집단을 기관 측면에서 접근합니다. 필수 연구 윤리 과목의 생명과학 대학원생과 박사후 연구원 93명 가운데, 수업 전 세 가지 간단한 행동 신호가 적응형 AI 윤리 교수를 위한 가벼운 입학 프로파일링에 정보를 주었으며, 선행 AI 수업은 다섯 가지 인식 결과 가운데 어느 것도 예측하지 못했습니다. AI는 연구 팀 자체도 다시 규정하고 있습니다. 147,074편의 출판물 분석은 2020년 이래 AI 지원 글쓰기가 더 작고 후배가 적은 팀이 고인용 연구를 만들어 내는 것과 관련되며, 이는 수십 년간 이어진 더 큰 협업을 향한 "빅 사이언스" 흐름을 뒤집는 것입니다. 그리고 단일 연구자 사례 연구는 한 연구자 자신의 작업 흐름 안에서 지속적인 에이전트 지원이 어떤 모습인지를 기록합니다.

전문 학위 과정이 대학원 수준 증거의 대부분을 차지하며, 이는 학문별로 조직되어 있습니다. 보건 전문직 교육에서 3학년 의대생 100명을 대상 한 무작위 대조 시험은 시뮬레이션된 환자, 소크라테스식 튜터, 발화 단위 평가자로 구성된 다중 에이전트 LLM 시스템을 검사했으며, 임상 면담 훈련을 위해 명시적인 스캐폴딩 기능을 중심에 두었습니다. SCAN 틀은 훈련자의 AI 활용을 학습자의 오용이라기보다 과제 분배와 실시간 메타인지적 분류의 문제로 재규정합니다. 석사 수준 준비는 Zhu 외(2026)에 나타납니다. 이들의 D–T–E 모형은 세 LLM이 설계–피드백–성찰 순환에서 "지능형 검토자"로 작동하게 하여 수학 교육 M.Ed. 학생의 교수설계 역량을 향상시켰습니다(Cohen's d = 0.62). 학생이 GenAI와 자신의 직업화를 어떻게 개념화하는가는 이런 과정들을 가로지르며, 직장과 계속 전문 학습은 대학원 학습과 인접하지만 구별되어 성인 학습과 직장 학습에서 다룹니다.

교수와 교수 활동

교육 개발 연구는 교수자가 AI를 어떻게 받아들이고 저항하고 적응하는지를 검토합니다. 교사 AI 도입 연구는 확신, 지원, 태도를 핵심 예측 변수로 규명합니다. AI 지원 재량 피드백 연구는 AI가 교수자의 피드백 품질과 양을 높이는지를 탐구하고, 윤리 연구는 교수가 피드백에 AI를 써야 하는지 자체를 저울질합니다. 교직원 관점 연구와 교수자의 개념화에 관한 현상기록학 연구는 교육자가 자신의 변화하는 역할을 어떻게 이해하는지를 살핍니다. 대규모 강의에서 AI는 이제 피드백 부담의 상당 부분을 떠맡을 수 있습니다. 학부 거시경제학 튜토리얼에서 한 학기간의 현장 실험(Geschwind 외, 2026)은 개별 GPT-4 피드백이 여덟 개 개방형 과제 전반에서 가장 높은 참여를 유지하고 가장 큰 내용 학습 성과를 만들어 냈다는 것을 발견했으며, AI 피드백을 강사 피드백에 대한 확장 가능한 보완이자 신뢰할 수 없는 동료 피드백의 대체로 자리매김합니다. 대규모 학부 STEM 강의에 대한 보완적 경로는 진단적 조교 시스템입니다. Arthur(Yin 외, 2026)는 문제별 ML 백본을 사용하여 Engineering Economics Calculated Formula Questions에 대해 실시간 개인화 피드백을 제공합니다. 이전에는 손으로 쓴 풀이 AI 지원을 가로막았던 영역이며, 피드백 정확도와 수집 효율을 균형 잡는 대화 기반 문제은행 웹 인터페이스를 통해 제공됩니다. Farazouli 외(2026)는 그 변화의 정서적 차원을 포착합니다. 스웨덴 대학 교사 24명은 GAI의 부상을 놀랍고 벅차게 경험하며, "취약의 상태"(낮은 확신, 불안, "학생보다 앞서지 못하는" 것에 대한 두려움)를 보고하고, 유토피아적·디스토피아적 담론 사이에 "갇힌" 느낌을 받았습니다. 동시에 평가를 다시 생각하고 우선순위를 비판적 사고와 윤리적 GAI 사용으로 재평가했습니다.

평가와 정직성

학문적 진실성과 AI 평가 개혁 연구는 대학이 AI 활용 능력을 갖춘 학생 집단을 위해 평가를 어떻게 재설계해야 하는지를 다룹니다. 탐지 중심 접근은 실제적 평가와 과정 기반 평가에 자리를 내주고 있습니다. 구두 시험, 평가 쌍둥이, 실제적 평가 재설계가 그것입니다. 이 전환은 더 깊은 우려를 반영합니다. AI와 함께 학생과 기관이 부정행위를 어떻게 정의하는가, 그리고 AI 생성 평가 자료의 품질에 관한 것입니다. 채점의 자동화 자체도 개방형 대학 과제에 대해 성숙해 가고 있습니다. Pecuchova, Benko와 Drlik(2025)는 24개의 소프트웨어 공학 시험 문항에 대한 응답 1,885건에 대해 11개의 GenAI와 문장 임베딩 모형을 벤치마킹했으며, GPTo1만이 두 명의 전문가 인간 채점자와 거의 완벽한 합의에 이르렀습니다(Fleiss' Kappa 0.82). 맥락에 민감한 모형이 참조 기반 모형보다 우수했습니다. 그러나 독점 API 비용으로 인해 저자들은 자원이 제한된 기관에는 인간 참여형 하이브리드 배치를 권고했습니다. 전문 과정 수준에서는 Olvet 외(2026)가 대규모 언어 모델(LLM)(GPT-4)이 pre-clerkship 의학 개방형 시험 문항을 채점하는 것이 반복적인 인간 루브릭 개선 후 교수 채점자와 상당함에서 거의 완벽함에 이르는 합의에 도달할 수 있음을(가중 카파 최대 0.94) 보여 주며, 그래도 잔여 불일치를 중재하기 위해 인간을 순환에 남겨 둘 것을 권고합니다. 이 모형 수준 증거를 보완하여, Falahat, Das, Bhaumik과 Thambi(2026)는 21개 문항의 대학 약학 시험을 ChatGPT-5로 채점하여 객관식 문항에서는 교수와 거의 완벽한 합의(CCC 0.935–1.000)를 얻었으나 단답형과 서술형 문항에서는 신뢰할 만한 합의에 이르지 못했고, 루브릭 제공이 성과를 일관되게 향상시키지는 않았습니다. 이는 대학 평가에서 하이브리드, 인간 참여형 채점의 근거를 강화합니다.

고등 교육 교수자를 위한 함의

  • AI 활용 능력을 갖춘 학생 집단을 위해 평가를 설계하십시오. 탐지 중심의 정직성 접근은 실제적·과정 기반 평가(탐지를 넘어서, 평가 개혁)에 자리를 내주고 있습니다. 무엇을 평가하는지를 재설계하십시오. 단지 그것을 단속하는 방식만이 아니라.
  • "학생이 손으로 여전히 배워야 할 것은 무엇인가?"라는 질문을 다시 설계하십시오. 컴퓨팅에서와 마찬가지로 어떤 기술을 보존해야 하는지(검증, 판단, 과정)를 정하고 그것을 평가의 핵심으로 삼으십시오. AI 기술이 자동으로 전이된다고 가정하지 마십시오.
  • 교수 준비도를 사회기술적으로 다루십시오. EPIQ-AI는 준비도를 인식론적, 교수법적, 기관적, 질적 영역에 걸쳐 틀짓합니다. 도구 숙달이 아니라 기관 거버넌스와 자신의 교수 실천을 정렬하십시오.
  • 정책 대 실천 간극을 다루십시오. 대규모 연구(AI in the wild)는 학생이 기관 정책이 예상하지 않는 방식으로 AI를 쓴다는 것을 보여 줍니다. 실제 사용에 기대를 정렬하고 AI 리터러시를 명시적으로 가르치십시오.
  • AI를 활용해 피드백의 품질과 양을 높이십시오. AI 지원 피드백은 교수자가 제공하는 피드백을 늘릴 수 있습니다. 인간의 판단과 짝지어, 단순히 자동화하는 데 그치지 않고 학습을 향상시키도록 하십시오.
  • 채점과 평가 혁신에 의도적으로 참여하십시오. Mesny, Roberge-Maltais와 Galy(2026)는 평가와 채점이 고등 교육에서 학습을 규정하는 가장 영향력 있는 요인 가운데 하나이면서도 경영 교육 같은 분야에서는 연구가 부족하다고 주장합니다(4대 주요 학술지에 걸쳐 20년간 58편). 전통적이고 총괄적이며 규범 참조적인 접근은 생성형 AI 시대에 심층 학습, 웰빙, 형평성, 정직성을 훼손합니다. 저자들은 교수자가 다섯 가지 혁신적 실천(실제적 평가, 자기 및 동료 평가, 재평가, 기준 기반 채점, 성적 미부여)에 더 적극적이고 상호적으로 참여할 것을 촉구하며, 실행에는 기관적·문화적 지원과 점진적 실험이 필요함을 지적합니다.
  • 연구 훈련과 지도를 그 자체로 하나의 AI 리터러시 현장으로 다루십시오. 대학원 연구자들은 AI 리터러시를 정적인 기술 집합이 아니라 상황적 실천으로 실행하며, 기관 지침은 교수와 평가에서 대체로 멈춥니다. 논문, 학위 논문, 출판 작업을 위한 지침은 AI 리터러시의 각 차원에 대해 검증, 귀속, 공개를 구체적으로 스캐폴딩해야 합니다. 그리고 간단한 수업 전 신호로 연구 윤리 과목에서 그 지원을 겨냥할 수 있습니다. 이분법적 규칙을 내리는 대신에.

연결된 개념

연결된 문서

연결된 FAQ

연결된 리소스

  • 프레싱 프롬프트
    AI에 관한 중요한 질문을 다루기 위한 공개 접근 고등교육 활동과 자료를, 세 개의 주제 군집으로 묶어 제공합니다.
  • TeacherServer
    K-12 교사와 대학 교수를 위한 단일 목적 수업 자료 생성기의 대규모 무료 라이브러리입니다: 수업 계획, 학습지, IEP 목표, 루브릭, 사례 연구, 수학 문제 등을 제공합니다.

메타데이터

수준Higher Ed
대상 독자Learners, Instructors, Faculty Developers, Administrators
기술과 기법생성형 AI
교육에서의 인공지능 기초학문적 진실성, 교육에서의 인공지능, 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.