AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

동기

생성일 2026-08-10 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

동기 — 목표 지향적 행동을 시작하고, 방향을 잡아주며, 유지하게 하는 심리적 과정을 말합니다. AI in education에서 동기 research는 AI 도구가 학습자와 교수자의 동기에 어떤 영향을 주는지 — AI가 scaffolds을 통해 지속성, 호기심, 내재적 참여를 떠받치는지, 아니면 그것을 약화시키는지 — 그리고 동기 상태가 AI 매개 학습의 효과성을 어떻게 규정하는지를 살핍니다.

생각해 볼 질문들

  • 동기는 종종 어떤 학생이 '갖고' 있고 다른 학생이 '결여된' 특성으로 다루어집니다. 이 페이지는 그것을 대신 행동을 시작하고, 방향을 잡아주며, 유지하는 심리적 과정으로 — 그리고 발달적이고 사회적으로 조력되는 무언가로 — 서술합니다. 그것은 학생 동기에 대한 책임이 누구에게 있는지를 어떻게 다시 짜게 될까요?
  • AI 도구는 마찰을 없애 학습을 더 접근 가능하게 만들 수 있지만, 동시에 내재적 동기를 떠받치는 인지적 노력과 분투를 줄일 수도 있습니다. 무언가를 '쉽게' 만드는 것이 여러분에게 실제로는 그것을 덜 동기 부여되거나 덜 만족스럽게 만든 때는 언제였습니까?
  • 자기결정이론에 따르면 내재적 동기는 자율성, 유능감, 관계성에서 자랍니다. 만약 AI tutor가 작업의 대부분을 맡는다면, 그 세 가지 가운데 어느 것을 위협할 수 있을까요 — 그리고 어느 것을 강화할 수 있을까요?
  • 연구는 AI curriculum 안의 학생들 사이에 구별되는 동기 프로파일을 발견했으며, 자기결정된 프로파일에 도달하는 것이 가장 큰 AI 리터러시 향상을 예측했습니다. AI를 사용하는 데 있어 수동적으로 무관심한 데서 진정으로 자기결정된 데로 나아가기 위해 무엇이 필요할까요?
  • 이 페이지는 교수자의 지지가 숙달 접근 목표와 수행 접근 목표 — '회피'가 아니라 '접근' 지향 — 을 통해 주로 AI 지원 참여를 이끈다고 보고합니다. 교수자가 AI 활용을 틀 짓는 방식('제대로 해내기 위해' 대 '틀려 보이지 않기 위해')이 학생들이 깊이 참여하는지를 어떻게 규정할까요?
  • 동기를 위해 설계한다면, 목표는 학습을 더 쉽게, 더 흥미롭게, 아니면 더 의미 있게 노력 들게 만드는 것일까요? 접근성와 내재적 동기가 서로 반대 방향으로 당기는 지점은 어디입니까?

들어가며

동기는 교육 연구의 기초적 구성 개념이며, AI in education의 부상은 그것을 더욱 중대하게 만들었습니다. AI 도구는 마찰을 없애 학습을 더 접근 가능하게 만들 수 있지만, 동시에 내재적 동기와 심층 학습을 떠받치는 인지적 노력과 분투를 줄일 수도 있습니다. 이 지식베이스의 글들은 학습자 대면 AI 도구, 교수자 대면 AI 시스템, 그리고 AI가 동기 부여된 행동을 형성하는 심리적 기제 — self-determination, self-efficacy, 정서 — 에 걸쳐 동기를 탐구합니다.

  • **Lee & Wu**는 성별과 동기가 GenAI와의 참여에 차이를 낳으며, 구별되는 achievement 궤적이 나타남을 보입니다.

주요 연구 주제

AI가 학생 동기에 미치는 영향은 가장 직접적인 연구 흐름입니다. **Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming**는 AI 지원의 이용 가능성이 학생의 동기와 지속성에 어떤 영향을 주는지 살피며, AI가 일을 대신할 때 동기가 침식되는 Over-Reliance 연구와 연결됩니다. 지속성에 관해서는 짧은 노출로도 충분합니다. 요청 시 대답해 주는 조력자와 십 분을 보낸 것만으로 참가자들은 도움 없는 문제의 0.20을 건너뛰었고, 통제 집단은 0.11이었습니다(Liu et al., 2026). **Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement**는 동기 부여 개입으로서의 모바일 chatbot 일기 쓰기를 탐구합니다. **Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes**는 engineering education에서 학생들이 AI 학습 도구를 채택하게 하는 동기가 무엇인지 살핍니다.

42개 연구 메타분석(효과 크기 56개, 학생 6,059명)에서 GenAI 지원 학습은 동기를 Hedges' g = 0.764(95% CI [0.566, 0.962])만큼 높였습니다 — 그러나 I² = 93.7%이고 95% 예측 구간이 [−0.689, 2.217]이므로, 그 평균은 효과가 거의 영이거나 부정적인 상황들을 가립니다(Fang et al. (2026)).

  • 성찰 없는 사용은 동기를 침식하며 — 남성에게 더 그렇습니다. 숙고 없는 GenAI 사용(답을 검토 없이 받아들이는 것)은 학부생 487명 가운데 더 낮은 동기(β = −0.54)와 더 낮은 자기효능감(β = −0.37)를 예측했으며, 동기 효과는 남학생에게 유의미하게 더 강한 반면 자기효능감 효과는 여학생에게 더 강했습니다(Zhao & Gu, 2026).

독자가 AI에 손을 뻗는 이유 자체가 측정 가능한 변수입니다. AIR 척도는 GenAI 지원 독서에 대한 네 가지 동기를 구별합니다 — 과제 지향, 기분 전환, 번역, 그리고 저노력 — 그리고 지치거나 무관심할 때 AI를 쓰는 저노력 동기만이 인지 욕구와 부적으로 관련되었습니다(r = −.18)(Brann, Etgar and Sidi (2026)).

AI 매개 참여 속의 동기는 동기의 질(양만이 아니라)이 AI와 함께 어떻게 달라지는지를 살핍니다. **Isaeva et al.**는 자기결정이론을 epistemic network analysis와 결합하여 generative AI와의 참여를 연구했습니다. **Liang et al. (2026)**는 1년간의 AI 교육 과정에서 2,086명의 secondary 학생을 잠재 전이 분석으로 추적하여 세 개의 안정된 프로파일(무관심, 발달 중, 자기결정)과 자기결정 프로파일에 도달하는 것이 가장 큰 AI 리터러시 향상을 예측함을 발견했습니다. **Wang & Wang (2026)**는 758명의 university 영어 학습자를 대상으로 목표 설정 이론을 사용하여, 교수자의 지지가 주로 숙달 접근 목표와 수행 접근 목표(회피가 아닌 접근 목표 지향)를 통해 AI 지원 참여를 이끎을 보였습니다. 이 연구들을 함께 보면 AI 맥락에서의 동기가 발달적이면서 사회적으로 조력된다는 것 — 즉, 도구 설계만이 아니라 시간이 흐르며 변화하고 교수자의 지지와 목표 틀 짓기에 반응한다는 것을 보여줍니다.

목표 지향은 또한 도구가 사용되는 방향을 정합니다. 숙달과 규범적 수행 목표는 정교화와 다듬기를 떠받치는 경향이 있는 반면, 겉치레 수행 목표는 노력 최소화와 지각된 유능감 보호를 더 가능하게 만듭니다 — 따라서 같은 조력자라도 동기적 분위기에 따라 사고를 조력하기도, 대신하기도 합니다(Øby, 2026).

대화 형식은 전반적인 평가를 개선하지 않고도 동기를 높일 수 있습니다. 고등학교 1학년 학생 222명 가운데, 교사–교사 대화가 구체적 경험이 높은 학습자에게는 교사–학생 형식보다 ARCS 동기를 더 높였으나(b = 0.162, p < .001), 전반적인 평가에서는 유의미하게 더 낮은 점수를 받았습니다(b = -0.126, p = .005)(Watanabe et al. (2026)).

동기는 학생들이 도구를 어떻게 틀 짓는지를 규정하며, 그 틀 짓기가 메타인지적 수확을 지닙니다. Cui et al. (2026)는 협력자 역할 — 로그의 7.5% — 만이 완전한 메타인지 사슬을 산출했음을 발견했으며, 외재적으로 동기 부여된 학생들은 로그의 64.6%에서 GenAI를 대체 도구로 사용하고 고차원적 연결을 산출하지 못했습니다.

동기 향상은 구성 개념 특정적이며, 일반적이지 않습니다. Lu et al. (2026)는 5·6학년 학습자 301명을 위한 9주 GenAI 지원 writing 프로그램이 이상적인 L2 쓰기 자아와 학업적 탄력성 — 동기의 지향적 구성 요소와 회복력 구성 요소 — 을 높였으나 성장 마인드셋은 그대로였음을 발견했습니다. 유일한 성장 마인드셋 향상은 통제 집단에 나타났고 다중 비교 교정을 견뎌내지 못했습니다. 학생들은 자신이 이미 아는 어휘로 유창한 글이 쌓이는 것을 보면서 그 변화가 이루어졌다고 설명했고, 이것이 성공적인 쓰기를 도달 가능한 것으로 느끼게 했습니다. 따라서 동기는 AI가 한 칸 올리는 단일 다이얼이 아닙니다. 향상된 것은 자신이 잘 쓸 수 있다는 믿음이지, 능력이 노력과 함께 자란다는 믿음이 아니었습니다. GenAI가 그 자체로 관련성 개입이 될 때도 같은 구성 개념 특정성이 나타납니다. Guo, Fryer and Shum (2026)는 고등학생 218명이 math에 대한 개인적 관련성을 겨냥한 chatbot과 한 시간의 반구조화된 대화를 나누게 했습니다. 집합적·학급 단위 버전은 동일시로서의 관련성을 높였고(F = 4.35, p = .014, η² = 0.04; 통제 집단 대비 F = 11.11, p = .001, η² = 0.073 — 중간 효과), SEM에서 한 주 뒤 특정 수업에 대한 관련성을 예측했으며(β = 0.18, p < .01), 반면 수학 수업에 대한 흥미는 움직이지 않았습니다(F = 0.29, p = .75, η² = 0.003). 저자들은 이 분리를 용량에 돌립니다. 단 한 차례의 1시간 세션은 관련성 향상이 수업 흥미로 굳어지기에는 너무 짧습니다.

효용 가치 개입이 균일하게 이롭지는 않습니다. 조력이 구비된 버전은 예비 교사들의 지식 통합에서 전반적 향상을 내지 못했고, 높은 지각된 효용 가치를 가지고 들어온 학습자에게는 그것을 해쳤으며, 이는 동기 지원을 학습자의 출발점에 맞추어야 한다고 논하는 적성–처치 상호작용입니다(Boos, Eder & Lachner (2026)). 피드백 메시지는 학습자의 성향이 아니라 지각된 유용성을 통해 흥미를 움직입니다. Jansen et al. (2026)는 논증적 글의 첫 초고 이후 중등 학생 1,507명에게 하나의 표준화된 자동화 피드백 메시지를 주었습니다. 전반적 수용성이 상황적 흥미 변화와 관련된 유일한 수용성 차원이었고(관찰된 척도에서 약 0.11점, 대략 54번째 백분위 대 46번째 백분위), 그 효과는 지각된 유용성에 의해 완전히 매개되었으며(간접 β = 0.09, 95% CI [0.06, 0.13]), 유의미한 직접 경로는 남지 않았습니다(β = 0.06, 95% CI [−0.07, 0.16]). 따라서 흥미를 움직인 것은 메시지가 느껴진 가치였지, 학습자의 피드백에 대한 일반적 태도가 아니었습니다.

교수자의 동기와 지속성은 교육자들 사이의 동기를 살핍니다. **Framing the 5 Percent Problem**는 AI 도구에 대한 교수자의 지속성을 연구하며, **Chiu et al.**는 욕구 지지적인 professional development가 전문적 학습 공동체에서 지속되는 행동적 참여를 북돋음을 발견했습니다.

  • 미래 교사들의 초문화적 동기: Martínez-Moreno et al. (2026)는 스위스와 중국의 예비 교사 416명을 대상으로 (D)FIT-Choice 척도를 타당화하여, 스위스 교사는 더 강한 사회적 효용과 내재적 동기를 보고하는 반면 중국 교사는 더 높은 지각된 디지털 역량과 AI 통합에의 열의를 보였음을 발견했습니다 — 이는 AI와 함께 교육의 미래를 만들어 가는 동기를 문화적·체제적 요인이 어떻게 규정하는지를 드러냅니다.
  • 자기효능감은 교수자의 GenAI 향유의 뿌리입니다. 재직 교사 434명을 대상으로 한 PLS-SEM 연구에서, 자기효능감은 모델의 유일한 외생 변수였고 그 가장 큰 효과는 지각된 향유에 대한 것이었습니다(β = 0.805, f² = 1.839). 이것이 다시 지각된 유용성과 사용의 용이성으로 흘러갑니다(Guillén-Gámez et al., 2026).

노력의 역설과 조력의 악순환. Zohar, Bloom and Inzlicht (2026)는 동기가 AI에 단순히 도움받거나 방해받는다기보다 재분배된다고 논합니다. 인간은 일반적으로 가장 저항이 적은 길을 택하지만, 동시에 노력을 추구하기도 합니다 — 이것이 노력의 역설입니다 — 왜냐하면 노력은 행동이 중요하다는 신호이고, 과정에 제품이 아닌 과정에 붙은 보상이 분투하고 인내하려는 경향을 높이기 때문입니다. 두 가지 주장이 뒤따릅니다. 첫째, 노력–의미 관계는 역U자형이므로 동기 표적은 중간 정도의 마찰이며, 마찰 없는 AI의 위험은 그것을 너무 적은 쪽으로 넘어서는 데 있습니다. 둘째, 악순환입니다. AI가 한 영역의 노력을 대체할수록 거기서 노력의 동기적 이득이 침식되고, 그것이 사용자를 AI에 더 의존하게 만들고, 그것이 다시 동기를 더 침식합니다. 그들은 또한 발달 단계별로 보완과 대체를 구분합니다 — 초기 단계의 학습자는 인내심을 키우는 경험들을 우회할 위험이 있는 반면, 확립된 기술을 지닌 이들은 시간을 아끼기 위해 AI를 쓸 수 있습니다(바람직한 어려움, 자기효능감).

이 문헌은 동기를 동기에 관한 이론 없이 측정합니다. 2003년부터 2025년까지의 156개 연구에 대한 범위 고찰은 133개(85.3%)가 특정한 동기 이론의 안내를 받지 않았고, 가장 흔한 변수는 일반화된 학업 동기(n = 89)였으며, 88개 연구(56.4%)가 하나의 국가적 맥락에서 나왔음을 발견했습니다(Li et al. (2026).

관련 개념과의 연결

동기는 자기결정이론의 상위 구성 개념이며, 이 이론은 내재적 동기를 지탱하는 심리적 욕구(자율성, 유능감, 관계성)를 명시합니다. 동기는 동기 부여된 참여의 경험적 층위로서 학생 경험와, 그것의 측정 가능한 차원으로서 학생 참여와, 그리고 동기를 형성하는 정서적 기제로서 정서 컴퓨팅과 연결됩니다. 동기는 또한 Over-Reliance(AI가 productive struggle를 줄이는 것), 자기조절 학습(동기 부여된 학습자는 자기 조절을 합니다), 교수(Teaching)(동기가 학생뿐 아니라 교육자에게도 적용됩니다)과 연결됩니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

대상 독자Learners
학습과 교수동기, 자기결정이론, 학생 참여
기술과 기법정서 컴퓨팅
교육에서의 인공지능 기초교육에서의 인공지능
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.