AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

학습자

생성일 2026-09-18 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

종합: 학습자는 교육에서의 인공지능의 주된 독자입니다 — K-12, 고등 교육, 성인 학습의 학생으로서, AI가 이제 그들의 작업, 이해, 자기 감각을 형성하는 사람들입니다. 이 페이지는 지식베이스의 학습자 측 커버리지를 아우르는 상위 개념입니다: 학습자가 무엇을 경험하는지(학생 경험), 그들이 누가 되어 가는지(학습자 정체성), 그들이 여전히 무엇을 선택하는지(학습자 주체성), 그들이 도구와 실제로 어떻게 상호작용하는지(학생-AI 상호작용), 그들의 노력과 자기조절이 그 아래에서 버티는지(인지 부하 외주화), 그리고 AI 시스템이 그들을 어떻게 모형화하는지(학습자 모델링과 적응형 수업)가 그것입니다. 그 연구 전반에 걸쳐 되풀이되는 발견은, 같은 도구가 서로 다른 학습자를 서로 다르게 돕기도 하고 해치기도 한다는 것입니다 — 이득은 선행 지식, AI 리터러시, 검증 습관이 이미 있는 곳에 집중되고, 역전은 AI가 과제가 기르려던 사고를 대신하는 곳에 집중됩니다.

생각해 볼 질문들

  • 여러분의 맥락에서 새로운 AI 도구가 먼저 닿을 학습자는 누구이며, 어떤 학습자를 뒤에 남길 것인지 — 그리고 그렇게 생각하는 이유는 무엇입니까?
  • 연구에서는 학생들이 AI가 도움이 되었다고 믿으면서 보조가 없는 측정에서는 이득이 없거나 손실이 나타난다고 자주 보고합니다. 학습자 자신의 진술이 신뢰할 만한 증거가 아니라면, 학습이 일어났음을 받아들일 증거로 무엇을 받아들이겠습니까?
  • 학습자는 여기서 AI를 사용하는 사람이자 AI가 모형화하는 대상(학습자 모형, 지식 추적, 시뮬레이션된 학생)으로서 함께 기술됩니다. 학습자의 모형은 어디에서 교수에 정보를 주어야 하며, 어디에서 신뢰를 그만두어야 합니까?
  • 자기조절과 선행 지식이 AI 지원이 학습이 되는지 대체가 되는지를 결정합니다. 그것은 교정해야 할 학습자의 결손입니까, 풀어야 할 설계 문제입니까, 고쳐야 할 평가 문제입니까?
  • 학습자 집단이 AI 도구와 함께 부진하다면, 그것을 알게 되는 쪽은 대개 도구의 설계자들이 마지막입니다. 배치 전후로 학습자의 말을 듣는 일상적 루틴이 여러분 기관에서 실제로 어떤 모습이겠습니까?
  • 학습자 주체성과 정체성이 성취와 나란히 걸려 있습니다. 그중 어떤 것을 측정 가능한 점수 향상과 바꾸기를 거부하시겠으며, 그 거부를 여러분의 평가 설계가 가시적으로 만들 것입니까?

들어가며

학습자는 이 지식베이스에서 아주 다른 두 가지 모습으로 나타나며, 둘을 흐리는 것이 이 분야의 혼란 대부분을 낳습니다. 첫 번째에서 학습자는 AI를 사용하는 사람입니다: 질문을 던지고, 답을 받아들이거나 거부하며, 발판을 잃거나 지키며, 지지와 죄책감과 불안과 의존의 경험을 보고합니다. 두 번째에서 학습자는 AI 시스템이 모형화하는 대상입니다: 지식 추적의 기술 추정치, 인지적 진단의 잠재 상태, 혹은 실제 사람을 대신 서는 시뮬레이션된 학생. 첫 번째에 관한 증거는 조사, 인터뷰, 로그 분석, 실험에서 옵니다; 두 번째에 관한 증거는 측정의 기계 장치 자체에서 옵니다 — 그리고 학습자의 모형은 학습자가 아니라 하나의 주장입니다.

이 페이지는 둘 모두의 입구입니다. 이것은 지식베이스가 다루는 학습자 측 개념들을 모으고, 그것들이 어떻게 관계하는지를 설명하며, 그것들 뒤의 연구들을 연결합니다. AI 교육의 이해관계자는 같은 분야의 다른 쪽 — 교수자, 관리자, 설계자, 정책 입안자 — 을 다루며, 두 페이지는 함께 읽히도록 되어 있습니다.

누가 학습자로 셈되는가

지식베이스는 정규 교육의 전 범위에 걸친 학습자를 다룹니다: K-12 학생, 대학생, 직업 및 전문 학습자, 그리고 장애가 있는 학습자, 신경다양 학습자, 다언어 학습자를 포함한 성인 및 평생 학습자. 두 가지 관습이 중요합니다. 첫째, "학습자"와 "학생"은 유용한 방식으로 교환 가능하지 않습니다: 학생은 제도적 역할을 이름 붙이고, 학습자는 활동을 이름 붙으며, 한 사람은 둘 중 하나일 수 있고 다른 하나는 아닐 수 있습니다(직장 훈련의 직원은 학습자이지만 학생은 아닙니다). 둘째, 학습자는 동질적 집단이 아니며, 그 이질성이 바로 연구가 계속 드러내는 것입니다 — 선행 지식, 자기조절, 언어, 접근, 장애 상태가 모두 AI 도구가 도움이 되는지를 바꿉니다.

학습자가 경험하는 것

학생 경험는 교육에서의 AI에 관해 가장 많이 연구된 차원 중 하나이며, 그 중심 교훈은 효과가 균일하지 않고 혼재되어 있다는 것입니다. 학습 생산성에 관한 조사 연구는 학습자가 진정한 효율성 이득을 보고함을 발견합니다 — 92.3%가 AI가 이해를 개선했다고 답함 — 과 헤드라인 수치가 숨기는 간극과 함께: 전체 학습 시간을 줄였다고 답한 사람은 38.5%뿐이었고, 절반은 때로 독립적으로 배우려는 대신 AI에 의존했다고 보고했습니다. 의존 양상에 관한 분석은 더 나아갑니다: 서로 다른 수준의 AI 리터러시와 평가 기술을 지닌 학생들은 질적으로 다른 관계 속에 놓이므로, 같은 강좌 정책이 서로 다른 학습자에게 서로 다른 결과를 산출합니다 — 어떤 이에게는 지지가, 다른 이에게는 대체가 됩니다. 학생들은 최소 노력의 당김을 자신의 말로 기술하며, 그것은 학문적 진실성와 AI에 대한 오개념 페이지가 도덕적 문제가 아니라 설계와 정책의 문제로 다루는 것입니다.

인지 이야기와 나란히 정서도 달립니다: 불안과 스트레스와 웰빙는 뒤처질까 하는 불안과 부정행위로 지목당할까 하는 불안, 그리고 추구하는 학위의 가치에 관한 불안을 기록합니다. 학습자의 AI에 대한 정신 모형 — 그것이 무엇이고 무엇을 위한 것이라고 생각하는지 — 은 그것을 잘 사용하는지의 상류에 있으므로, AI에 대한 오개념과 학생을 위한 AI 활용에 대한 프레이밍은 학습자 측 연구 전반에 나타납니다.

학습자 진술은 학습자 측 정책의 많은 부분을 틀짓는 정직성 이야기도 복잡하게 만듭니다. 에티오피아 한 대학의 학부생 27명과의 인터뷰는 GenAI의 거의 보편적 사용과 진정으로 갈라진 윤리적 독해를 함께 발견합니다 — 대다수가 도구가 성취를 높였다고 치는 반면 소수는 강좌 과제에서의 사용을 부정행위로 부르며, 거의 모두가 AI 사용자가 부지런한 독립 학습자보다 높은 점수를 받는 고르지 않은 경기장을 보고하며, 한 명은 그 효과를 자신의 근면성에 대한 죽음이라고 묘사했습니다. 부정행위 절차의 학생 측은 사용의 학생 측보다 문헌에서 더 얇지만, GenAI 신고 1,162건의 사건 파일 분석은 제도적 대응이 도달했을 때 학습자가 무엇을 마주하는지를 보여 줍니다: 가장 자주 인용되는 증거는 가장 약하게 평가되는 종류이며, 사건이 진행될지에 관해 어떤 최소 증거 기준도 관장하지 않으며, 얇은 증거에 기댄 사건의 학생들은 항소 쪽으로 밀려납니다.

정체성, 주체성, 저자십

학습자 측 연구는 결과만에 관한 것이 아닙니다. 학습자 정체성는 한 분야와 AI에 관계하여 학습자가 누구가 되어 가는지를 묻고, 증거는 양방향으로 달립니다: 잘 설계된 사용은 분야적 소속을 비계로 세울 수 있는 반면, 외주화는 작업이 자신의 것이라는 감각을 침식할 수 있습니다. 학습자 주체성는 학습자가 여전히 통제하는 것을 묻습니다. 지식베이스는 둘 모두를 성취에 대한 부드러운 덧붙임이 아니라 진정으로 걸린 것으로 다룹니다: AI와 함께 옳은 산출물을 만들어 내면서 그 뒤의 추론을 더는 알아보지 못하는 학습자는 성적이 기록하지 않는 무언가를 잃은 것입니다. 저자십 질문은 학습자 자신이 가장 분투하는 곳입니다: GenAI와 정직성에 관해 인터뷰한 학생들은 다른 저자가 존재하지 않았기에 독창성을 주장했습니다 — "내 독창적인 아이디어가 아니라면, 그럼 누구의 것인가?" — 한편 다른 이들은 그 작업이 자신을 표상하지 않는다고 결론 내렸고, 한 명은 AI가 사람이 아니므로 될 수 없는 공동 저자로서 도구를 인식하는 쪽으로 추론했습니다.

AI와 상호작용하기: 학습자가 실제로 하는 것

학생-AI 상호작용 페이지는 학습자가 AI에게 무엇을 요청하는지, 그들의 프롬프트와 대화가 어떻게 진화하는지, 그리고 상호작용의 질이 왜 접근보다 학습 결과를 더 잘 예측하는지를 모읍니다. 33개 연구에서 끌어낸 46개 분류에 관한 신속한 범위 검토는 그 증거 기반이 개념적으로 파편화되어 있음을 발견합니다 — 연구들이 자료 원천, 범주 체계, 분석 단위에서 다르므로, "질 높은 상호작용"은 아직 그것들 사이에서 비교 가능한 구인이 아니며, 그 검토의 요구는 하나가 존재한다는 주장이 아니라 학습 지향적 대규모 언어 모델(LLM) 사용의 수렴하는 분류입니다. 대화 내용에 관한 연구는 학생들이 특징적인 방식으로 자신을 절제함을 발견하며, 참여는 주장을 탐색하고 시험하는 데서부터 처음 그럴듯한 답을 받아들이는 데까지 이릅니다. 도움 요청은 더 오래된 틀을 제공합니다: 도움을 요청하는 것은 하나의 기술이며, AI가 제거하지 않는 알려진 실패 양상이 잘못된 조력자에게 잘못된 방식으로 요청하는 것입니다.

노력, 자기조절, 그리고 수행–학습 격차

여기가 학습자 측 증거가 가장 중대한 곳인데, 그것이 학습자가 AI와 함께 할 수 있는 것을 그들이 AI 없이 할 수 있는 것에서 가르기 때문입니다.

인지 부하 외주화는 과잉 의존 증거를 모으고, Distinguishing performance gains from learning when using generative AI는 보조된 수행과 보조 없는 역량을 별도로 측정해야 한다는 중심 방법론적 논점을 밝히며, 쓰기의 층에 민감한 연구는 표면, 구조, 아이디어, 추론의 오프로딩을 구분하여, 가장 적게 구속된 조건에서 가장 높게 뒷받침되는 수행과 8주 후의 가장 낮은 독립적 수행을 함께 발견하고, Shaw와 Nave의 인지적 항복 설명은 위임이 전략적이기보다 일상적이게 만드는 경향에 이름을 붙입니다. 메타인지적 불일치는 불편한 중간 경우 — 이해하지 못한다는 것을 알아차리고도 제출하는 학습자 — 를 기록하며, 검증 연구는 "확인"이 이분법적 습관이 아니라 그 자체로 등급을 매긴 하나의 기술임을 보여 줍니다. 설계 쪽에서 생산적 어려움과 AI 오용의 감소는 과제가 요구하려던 노력을 회복하는 개입을 모읍니다.

모형으로서의 학습자

가장 긴 기술적 계보를 지닌 학습자 측 개념들은 학습자를 시스템에 표상하는 것들입니다. 학습자 모델링과 적응형 수업은 그 계열을 아우릅니다: 지식 추적은 시간에 걸친 기술 습득을 추정하고, 인지 진단는 구체적 오개념을 위치짓고, 그 추정치들을 소비하는 적응적·개인화된 시스템들이 있습니다. 학생 시뮬레이션와 그것의 검토는 모의을 실제 학습자를 쓸 수 없을 때 튜터를 시험하고 자료를 생성하는 한 방식으로 다루며 — 명시적으로 임시적인 대리물이며 대체물은 아닙니다. 두 가지 경계가 이 문헌을 관통합니다: 모형 추정치는 문항과 인터페이스가 어떻게 구축되는지에 민감한 행동으로부터의 추론이며, 인구통계학적 신호에 관한 연구는 평가 시스템이 구인의 일부이도록 의도된 적 없는 학습자 정체성의 대리 지표(언어, 배경)를 포착할 수 있음을 보여 줍니다. 자기보고식 측정는 연구 쪽의 거울상 문제를 다룹니다: 학습자가 자신의 학습에 관해 말하는 것은 그들이 할 수 있는 것과 종종 갈라집니다.

학습자 전반에 걸친 형평성

이득이 선행 우위를 따르기에, 학습자 측 연구는 형평성와 분리될 수 없습니다. 디지털 격차와 유료 모형 등급에 대한 접근이 누가 가장 강한 도구를 얻는지를 형성하고, 공정성 우려가 학습된 모형이 서로 다른 집단을 어떻게 대하는지를 관장하며, 포용적 학습, 접근성, 특수 교육, 신경다양성는 기본 설계가 필요를 간과하는 학습자를 다룹니다. 이 연구의 실천적 교훈은 "AI가 학생을 돕는다"는 것은 발견이 아니라는 것입니다 — 발견은 언제나 어떤 학생이, 어떤 조건 아래, 어떤 선행 지식과 접근을 지니고서냐입니다. 두 집단이 그 위험의 고유한 몫을 짊어집니다. Wright (2026)는 "생성형 AI"가 아니라 기능을 중심으로 쓰여진 금지 조항이 학습자가 이미 저술한 작업의 형식을 변환하는 전사 도구를 잡아내므로, 그 결과 생기는 거짓 양성이 음성-텍스트 변환과 OCR에 의존하는 장애 학습자에게 가장 크게 떨어진다고 주장하며 — AI 기반 OCR이 단종된 보조 소프트웨어를 대체한 곳까지 포함합니다; 원격 감독에 관한 범위 검토는 평가 조건에 관해 평행한 논점을 만들어, 연결, 데이터 비용, 기기 고장이 누가 평가받을 수 있는지를 전적으로 결정한다는 것을 발견합니다 — 기술적 발견이 아니라 형평성 발견이며, 저소득·중간소득 환경에 집중된 것입니다.

이 페이지의 위치

학습자를 둘러싼 사람들을 위해서는 AI 교육의 이해관계자와, 교수자가 이 발견들로 무엇을 하는지를 위해서는 교수법과 교수 전략와 학습 설계와 함께 읽으십시오. 평가는 어떤 학습자 역량이 결코 가시화되는지를 결정하고, AIEd 연구의 한계는 학습자 측 증거가 왜 그토록 단기적이고 자기보고적이며 편의 표본에서 수행되는지를 설명하며, AI에 대한 오개념은 학습자 자신을 위한 통상적 입구입니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준Higher Ed, K 12, Adult Learning
대상 독자Learners, Instructors, Researchers
학습과 교수자기조절 학습, 동기, 메타인지, 학생 참여, 도움 요청, 사전 지식, 바람직한 어려움
기술과 기법학습자 모델링과 적응형 수업, 지식 추적, 학생 시뮬레이션, 적응 학습, 개인화 학습
형평성, 윤리, 그리고 책임 있는 사용형평성, 포용적 학습
교육에서의 인공지능 기초학습자 주체성, 학습자 정체성, AI 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.