AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

학습 이론

생성일 2026-08-16 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

학습 이론 — 학습이 어떻게 일어나는지를 설명하는 틀의 계열이며, 이 지식베이스의 이론 관련 아이디어를 아우르는 상위 개념입니다. 교육에서의 AI에서 학습 이론은 AI 시스템이 어떻게 설계되는지(그것이 구현하는 교수법)와 분야가 AI가 '작동하는지'를 어떻게 해석하는지를 모두 형성합니다. 동일한 도구도 구성주의 가정 아래에서는 비계로, 행동주의 아래에서는 강화 장치로, 인지 부하 이론 아래에서는 인지 부하 위험으로 보일 수 있습니다.

생각해 볼 질문들

  • 여러분이 사용하거나 본 AI 튜터나 적응형 시스템을 떠올려 보십시오. 그것은 사람이 어떻게 학습하는지에 대해 어떤 가정을 했습니까 — 정답을 보상했습니까(행동주의), 이해를 구축했습니까(구성주의), 아니면 정신적 노력을 관리했습니까(인지 부하)? 제작자들이 그 가정을 밝힌 적이 있었습니까?
  • 이 페이지는 되풀이되는 간극을 설명합니다. 담론은 구성주의를 표방하지만 AI 구현은 암기-피드백 메커니즘으로 기본값을 삼습니다. 깊은 학습을 지원한다고 주장하면서 실제로는 표면적 응답만 강화하는 도구를 어디서 보셨습니까?
  • 동일한 AI 도구가 한 이론 아래에서는 성공으로, 다른 이론 아래에서는 실패로 보일 수 있습니다. 부풀려진 과제 점수는 행동주의에서는 학습으로 읽히지만 구성주의에서는 지속적 이해 구축의 실패로 읽힙니다. 학생이 실제로 배웠는지를 판단하는 데 어떤 렌즈가 더 공정합니까?
  • 모든 AI 튜터는 설계자가 말하든 말하든 이론을 내장하기 때문에, '작동하는가?'가 잘못된 질문일 수 있습니다. 그것이 구현할 수 있는 이론들을 고려할 때, 교육용 AI에 대해 더 나은 질문은 무엇입니까?
  • 생성형 AI가 교육자들로 하여금 새로운 이론을 고려하게 합니다. 인간과 AI 사이의 반복적 공동 구성으로서의 학습이라든가, 생애 전반에 걸친 인지적 동반자로서의 AI 같은 것입니다. AI의 부상이 진정으로 새로운 학습 이론을 요구합니까, 아니면 기존 이론으로도 여전히 충분합니까?
  • 학습 향상 측정은 그 자체로 '이론 의존적'입니다. 한 이론 위에 세워진 도구는 다른 이론이 예측하는 향상을 포착하지 못할 수 있습니다. 이론적 입장이 다른 두 연구자가 동일한 데이터를 보고 AI 도구가 작동했는지에 대해 정반대의 결론에 이를 수 있는 방식은 무엇입니까?

들어가며

이 페이지는 이 지식베이스의 학습 이론 갈래를 위한 상위 개념입니다. 학습 이론은 교육에서의 AI의 중심에 있습니다. 모든 AI 튜터, 적응형 시스템, 피드백 도구가 사람이 어떻게 학습하는지에 대한 가정을 내장하기 때문입니다. 설계자가 그것을 밝히든 말하든 마찬가지입니다. 이 지식베이스는 이 이론들을 개별적으로 문서화하고, AI의 설계와 효과를 평가하는 개념적 렌즈로 다룹니다. 그 틀들을 시험하는 연구 분야는 별도의 페이지입니다. 학습 과학은 학습을 경험적으로 연구합니다. 실험, 교실 실험, 설계 기반 연구를 통해, 이론을 확인되거나 반증되어야 할 것으로 다룹니다. 반면 이 페이지는 틀 자체를 모읍니다. 이 지식베이스에서 두 표현은 구별되어 유지되며, 단수형 "learning science"는 이 이론 갈래를 가리킵니다.

학습 이론의 지형

이 지식베이스는 각각 고유한 개념을 지닌 학습 이론의 여러 계열을 문서화합니다.

학습 이론과 학습 향상

학습 이론은 궁극적으로 그 결과로 평가되며, 이론이 증거를 만나는 지점이 이 지식베이스의 학습 성과 개념입니다. 각 이론은 무엇이 학습으로 간주되는지, 그것을 어떻게 측정하는지에 대해 다른 예측을 합니다. 행동주의는 암기-피드백 과업에서 관찰 가능한 수행 향상을 예측하고, 구성주의는 새로운 문제로 전이되는 더 깊은 이해를 예측하며, 사회문화 이론은 참여와 매개적 문제 해결의 향상을 예측하고, 인지 부하 이론은 교수가 작업 기억 한계를 존중할 때만 향상을 예측합니다. 이것이 학습 성과 측정이 이론 의존적인 이유입니다. 한 이론 위에 세워진 도구는 다른 이론이 예측하는 향상을 포착하지 못할 수 있습니다. AI 시대에 AI 보조 수행과 보조 없는 학습 향상 사이의 날카로운 괴리(Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education 참조)는 이 렌즈를 통해 읽힐 수 있습니다. 행동주의적 읽기는 부풀려진 과제 점수를 성공으로 보는 반면, 지속적 이해에 초점을 맞춘 구성주의적 읽기는 동일한 증거를 학습의 실패로 봅니다. 따라서 이론을 평가와 측정된 결과에 연결하는 것은, 주어진 AI 시스템이 실제로 어떤 이론적 렌즈를 충족하는지를 결정하는 데 필수적입니다.

학습 이론이 교육에서의 AI에 중요한 이유

학습 이론이 중요한 이유는 세 가지입니다.

  • AI의 효과를 예측하기 때문입니다. AI 도구가 학습을 개선하는지 해치는지는 그것이 어떤 메커니즘을 활성화하는지에 달려 있습니다. 답을 내어 주는 튜터는 구성주의 렌즈에서는 학습을 해칩니다(구성을 우회하기 때문). 행동주의에서는 중립적입니다(강화하기 때문). 인지 부하 우려를 불러일으킵니다(구축하지 않고 전가하기 때문). 이 지식베이스의 인지 부하 외주화와 과의존 개념은 그 위험 측면을 포착합니다.
  • 이론-실천 간극을 드러내기 때문입니다. 경험적 연구는 AI 구현이 담론이 주장하는 것과 다른 이론을 구현한다는 것을 반복해서 발견합니다. 특히 구성주의 언어와 행동주의 암기 연습 메커니즘이 짝을 이룹니다.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) 따라서 AI를 평가하려면 그것이 단순히 "작동하는지"가 아니라 시스템이 실제로 어떤 이론을 구현하는지를 묻는 것이 필요합니다.
  • 적극적으로 재검토되고 있기 때문입니다. 생성형 AI는 촉구하며 교육자들로 하여금 고전 이론이 충분한지를 재고하게 합니다. 생성주의는 AI 시대의 학습이 인간 학습자와 AI 시스템 사이의 반복적 공동 구성으로 점점 더 일어난다고 제안하며, 고전적 네 이론(행동주의, 인지주의, 구성주의, 연결주의)을 대체하지 않고 확장합니다.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence)

최근 AIED 연구의 새로운 이론적 방향

최근의 이론 연구는 고전 갈래를 여러 방향으로 확장하며, 각각 AI를 중립적 도구로 다루지 않고 인간-AI 관계를 재중심화합니다.

  • 인간-AI 공동 교육에서의 AI 규제. 발달 틀은 AI를 외부 도구가 아니라 생애 전반에 걸쳐 사고, 학습, 자기 통제를 공동 조절하는 인지적 동반자로 위치 짓습니다.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) 집행 기능, 메타인지, 분산 인지, 사회문화적 발달을 끌어들여, AI를 네 역할 — 비계, 메타인지적 지원, 외부 기억 / 인지 부하 외주화 시스템, 의사결정 동반자 — 로 규정하며, 이 틀은 아동기 중반 이후로부터 가장 적절합니다.

  • 앙상블 인지. 철학적 틀은 사고가 개별 마음에만 존재하는 것이 아니라 인간과 인공 행위자 사이의 역동적 상호작용에서 드러나는 것으로 재개념화합니다.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) "의식 패러다임"(자율성, 의식, 안정성 가정)에 도전하며, 분산된 행위성, 역동적 중심성, 인지적 조율, 다중 표상 통합, 맥락 민감적 전환이라는 다섯 특징을 밝히고, AI의 기능적 행위성을 도덕적 책임과 구별합니다.

  • 자기 주도적 성장 / A2PL. 자기 주도 학습의 확장은 생성형 AI를 학습 분석과 통합하여 자기 주도적 성장을 함양하며, 학습자를 위한 가능성 지향(A2PL) 모형을 통해 구현됩니다.(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) 학습자의 지향(인문주의적), 복잡한 사고(구성주의적), 자기 평가(실용주의적)를 단일 역량으로 재구성하며, GAI를 콘텐츠 제공자가 아니라 규정하지 않는 협력적 비계로 위치 짓습니다.

  • 기만적 과잉 일반화. An, McLaren, Stamper (2026)는 ACT-R / 지식-학습-교수 전통을 확장하여, 관찰된 정답이 언제 불완전한 조건부 이해를 가리는지를 이론화합니다. 학습자는 응용 제약을 생략한 과잉 일반화된 프로덕션을 컴파일하면서도 여전히 정확히 수행합니다. 적응형 숙달 시스템은 물론 전통적 교수조차, 언제 행동을 삼가야 하는지를 시험하지 않으면 놓칠 수 있는 실패 양상입니다.

  • 실행 가능한 KLI 이론. Rachatasumrit, Koedinger & Carvalho (2025)는 지식-학습-교수 틀을 실행 가능한 계산 모형(ACT-R 방식 기억 메커니즘을 갖춘 Apprentice Learner 틀)에 근거 짓고, 인간 데이터의 교차 상호작용을 재현합니다. 순수 연습은 암기적 사실 기억을 돕고(망각을 지연시킴), 예제 통합 연습은 일반화 가능한 기술 습득을 돕습니다. KLI가 상수(사실) 지식을 기억 과정에, 변수(기술) 지식을 귀납에 묶기 때문에, 이 결과는 시험과 풀이 예시 권고 사이의 모순이 아니라 예측된 내용-처치 상호작용입니다. 그리고 기억 메커니즘이 있을 때에만 모형이 성공한다는 것은 연습과 예시가 서로 다른 보완적 역할을 한다는 것을 보여 줍니다.

  • AI 패러다임에 대한 존재론적 도전으로서의 구현. Videla, Penny, Ross (2026)는 구현되고 실천하는 인지와 AI가 구현하는 표상적 언어 사이에 존재론적 간극이 있다고 주장하며, AI를 중립적 도구가 아니라 인식론적 중심에서 탈중심화해야 한다고 말합니다.

이 지식베이스가 이 갈래를 조직하는 방식

이 지식베이스는 학습 이론을 추상 철학으로 다루지 않고, 그것을 사용하는 교육에서의 AI 연구에 각각을 근거 짓습니다. 구성주의와 행동주의 페이지는 AI 설계가 각 이론을 어떻게 구현하는지(또는 배반하는지)를 문서화합니다. 인지 부하 이론, 자기조절 학습, 메타인지, 학습의 전이은 이론을 구체적 AI 메커니즘과 결과에 연결합니다. 이는 이 지식베이스가 피드백와 평가 같은 다른 상위 영역을 다루는 방식과 같습니다. 고립된 페이지들이 아니라 상호작용하는 개념들의 정합적인 체계로 다룹니다.

학습 이론과 "AI에 관한 교육"

학습 이론은 AI 리터러시 교육과정의 콘텐츠로도 등장합니다. 학습자들은 자신이 쓰는 도구 뒤의 교수법적 가정을 이해하기 위해 행동주의, 인지주의, 구성주의, 연결주의를 공부합니다.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) 이 갈래를 가르치는 것은 학생(과 교육자)에게 AI 제품이 왜 그런 방식으로 구축되는지를 비판하는 어휘를 — 그리고 그 메커니즘이 당면한 학습 목표를 섬기는지를 판단하는 어휘를 — 제공합니다.

  • 매개 행위자. Warschauer, Tate, Ritchie (2026)는 생성형 AI가 사회문화적 구분인 매개 수단과 사회적 상호작용 사이를 허문다고 주장하며, 행동을 매개하면서도 책임을 물을 수 없는 의존적 기여를 생성하는 체계인 매개 행위자를 제안합니다. 이는 도구와 사회적 동반자 사이의 하이브리드 공간에 놓입니다. 이로써 인간 중심의 참여 습관 다섯 가지 — 인간 인지의 우선성, 목적적 참여, 감독 행위성, 인식론적 경계심, 반성적 자기 조절 — 가 도출됩니다.(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

AI 시대를 위해 제안된 이론들

고전적 계열과 더불어, 이 지식베이스는 AI 시스템과의 학습을 위해 특별히 쓰인 이론들을 문서화하며, 이것들은 오래된 이론들이 열어 둔 설계 함의를 담고 있습니다. 에이전티비즘(Yan and Gašević 2026)은 중범위 사례입니다. 학습을 성공적 과업 완수가 아니라 인간 능력의 지속적 성장으로 정의하고, 네 메커니즘(위임된 행위성, 인식론적 점검과 검증, 재구성적 내면화, 지원 감소하의 전이)을 명명하며, 여섯 개의 시험 가능한 명제를 진술합니다. 그중 하나는, 문제 구성과 기준 설정, 정당화에 대한 학습자의 책임을 보존하는 AI 지원이 답을 내어 주는 지원보다 더 강한 학습을 낳는다는 것입니다.

Elsayed (2026)의 교수법적 공생은 더 강한 존재론적 주장을 합니다. 학습자는 도구 보조가 아닌 혼성적 인지를 지닌 포스트휴먼 존재이며, 네 원칙 — 인지적 전가와 증강, 인식론적 공동 구성, 메타인지적 공생, 역동적 정체성 형성 — 에 의해 조직됩니다. 이는 공생 포트폴리오 루브릭과 "인지 안무가" 교사 역할로 구현되며, 명시적으로 시험되지 않았습니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준Higher Ed
학습과 교수행동주의, 학습 이론, 메타인지, 자기조절 학습
기술과 기법생성형 AI
교육에서의 인공지능 기초학습 설계
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.