AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

자기효능감

생성일 2026-08-13 · 갱신일 2026-10-05

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

자기효능감 — 어떤 과제를 성공적으로 수행하거나 목표를 달성할 수 있다는 학습자의 신념입니다. 사회인지이론(Bandura)에 의지하여, 자기효능감은 동기, 노력, 인내, 그리고 학습 참여를 형성합니다. AI 교육에서 자기효능감은 두 가지 방식으로 중요합니다. AI 도구는 학습자의 확신과 자율성을 키울 수 있고(예: 피드백과 스캐폴딩을 제공함으로써), 학습자의 AI 자기효능감 — AI 기술을 사용하는 데 대한 확신 — 은 AI 관련 지식이 경력과 관련된 준비로 어떻게 전환되는지를 포함하여 학습자가 AI와 얼마나 효과적으로 관여하는지에 영향을 줍니다.

생각해 볼 질문들

  • 자기효능감은 실제 역량과 구별되는, 여러분의 능력에 관한 신념입니다. 어떤 것에 매우 능숙하면서도 자신을 의심해 본 적이 있습니까, 아니면 할 수 없는 것에 확신에 차 있던 적이 있습니까? 신념과 능력 사이의 그 간극은 자기효능감이 왜 중요한지에 관해 무엇을 말해 줍니까?
  • AI 자기효능감(AI와 함께 일하는 데 대한 확신)은 AI 리터러시와 별개의 구성개념이며, 연구는 리터러시가 학습자가 동시에 확신을 가질 때만 준비로 전환된다는 것을 발견합니다. 누군가 AI에 관해 알지만 그것을 사용할 수 있다고 믿지 않는다면, 그 지식은 어떻게 됩니까 — 그리고 그것은 훈련에 관해 무엇을 함의합니까?
  • 연구는 AI를 이해를 뒷받침하는 데 쓰는 것이 수행과의 연결에서 학업 자기효능감에 의해 완전히 매개되는 반면, 지름길 사용은 자기효능감과 부분적으로 독립적으로 더 나쁜 결과를 예측한다는 것을 발견했습니다. 왜 같은 도구가 어떤 방식으로 쓰일 때는 확신을 키우고 다른 방식으로 쓰일 때는 그렇지 못할까요?
  • 이 페이지는 자기효능감을 일상어인 '확신'과 구별합니다. 읽기 전에, 둘은 어떻게 다르며, 왜 연구자는 둘을 같은 것으로 취급하기보다 그 구별을 고집하겠습니까?
  • 로보틱스와 체화된 학습은 과제를 관찰 가능한 결과에 뿌리내림으로써 확신을 키우고, 피드백은 학습자의 자기효능감을 키울 수 있습니다. 구체적인 결과를 본 뒤에야 실제 확신을 얻었던 과제를 떠올려 보십시오. 그것은 어떤 종류의 AI 학습 경험이 자기효능감을 단지 보고하기보다 키울 가능성이 가장 높은지에 관해 무엇을 말해 줍니까?
  • 교사 자기효능감은 AI의 도입과 통합에 영향을 줍니다. 교사가 AI를 효과적으로 쓸 수 있다고 믿지 않는다면, 아무리 많은 AI 리터러시로도 그것을 고칠 수 있습니까? 무엇이 교사의 확신을 키우겠으며, 그것은 더 많은 정보를 주는 것과 어떻게 다릅니까?

들어가며

자기효능감은 실제 역량과 구별됩니다. 그것은 행동을 이끄는 능력에 관한 신념입니다. 그것은 자신의 능력에 대한 일상적 개념인 확신과 밀접하게 관련되며 종종 혼용됩니다. 자기효능감은 동기, 자기조절 학습, 학생 경험와 밀접하게 연결됩니다. AI 맥락에서 AI 자기효능감(AI와 일하는 데 대한 확신)은 AI 리터러시와 별개의 구성개념이며, 연구는 그것이 학습자가 AI 관련 지식을 실제로 활성화하고 적용하는지에 결정적 역할을 한다는 것을 보여 줍니다.

자기효능감이 지식베이스의 연구에 나타나는 방식

  • GenAI와 XR이 더해진 스튜디오 작업에서의 하락: 27명의 학생이 참여한 건축 디자인 스튜디오에서, GenAI와 다중 사용자 XR 파이프라인을 쓴 팀은 기존 워크플로를 계속한 팀보다 설계 자기효능감 확신(β = −1.675, p = 0.021)과 결과 기대(β = −2.088, p = 0.002)에서 상대적으로 더 큰 사전–사후 하락을 보였고, 그들의 발표에 대한 맹검 패널 평정에서는 유의한 차이가 없었습니다(Xiao 외, 2026). 도구가 풍부한 환경은 작업 자체가 동등하게 평가될 때에도 효능 신념을 낮출 수 있습니다.

  • AI 자기효능감과 경력 준비: AI 준비도에 관한 연구는 AI 자기효능감이 AI 리터러시와 AI 준비도의 관계를 조절한다는 것을 보여 줍니다. 리터러시는 학습자가 AI를 쓰는 데 확신을 가질 때만 준비로 전환되며, 자기효능감은 경력 적응성을 직접 예측합니다.

  • 확신이 늘 지렛대가 되는 것은 아니다. 대학교수 502명에 대한 횡단면 SEM은 기술적 자기효능감이 AI 웰빙의 작은 예측 변수(β = 0.082)인 반면 AI 리터러시가 지배적(β = 0.713)이라는 것을 발견하여, 확신이 AI 결과를 조절한다는 주장에 경계를 설정합니다. 웰빙에 관해서는 지식이 확신을 능가했습니다(Liu 외(2026)).

  • 기능은 의존을 가능하게 하고 효능은 그것을 완충한다. 이스라엘 학부생 478명 가운데, AI 리터러시의 기능 차원은 AI 의존과 양의 연관이 있었고(AI 사용/이해 β = 0.404), AI 자기효능감은 음의 연관이 있었으므로(β = −0.132), 도구 기능만을 기르는 리터러시 훈련은 의존을 늘릴 수 있습니다(Maizel 외(2026)).

  • 리터러시와 확신 사이의 축으로서의 신뢰: Hu (2026)는 이미 ChatGPT를 쓰는 대학생 450명을 조사하여, 두 개의 평행한 상관 변수가 아니라 질서 있는 사슬을 발견했습니다. AI 리터러시는 도구에 대한 신뢰와 관련되었고(beta = 0.50), 신뢰는 학업 자기효능감과(0.48), 자기효능감은 지속적 사용과 관련되었으며, 연속적 간접 효과는 유의했습니다(0.07, 95% CI [0.04, 0.10]). AI 불안은 리터러시와 신뢰의 연결을 약화시켜(상호작용 beta = -0.25, 불안 범위에 걸쳐 단순 기울기가 0.76에서 0.25로 하락), 같은 지식이 더 불안한 학생들에게는 더 적은 확신과 더 적은 사용을 샀습니다. 따라서 확신은 출발점이 아니라 사슬의 하류 연결 고리입니다.

불안을 통한 경로, 즉 AI 보조 연습이 의향과 관련되는 경로는 확신과 함께 사라지기보다 역전될 수 있습니다. 조건부 간접 연관은 낮은 말하기 자기효능감에서 0.142, 평균에서 0.044, 높을 때 −0.054로 떨어졌고, 그 효과는 작은 상위 꼬리에 집중되었습니다(Wang & Li (2026)).

  • 학업 자기효능감의 유형과 AI에 손을 뻗는 사람: Suriá-Martínez 외(2026)는 스페인의 운동장애 대학생 102명의 학업 자기효능감에 대해 잠재 유형 분석을 수행하여 세 가지 유형(낮음 29.4%, 중간 41.2%, 높음 29.4%)을 발견했고, 이들의 보고된 AI 사용은 유형 수준에 따라 단계적으로 상승했으며(평균 2.41, 3.56, 4.68; F(2, 99) = 27.84, p < .001, eta squared = .36), 그중 계획과 목표 설정 차원인 Excellence가 AI 사용과 가장 강하게 연관되었습니다(beta = .47). 저자들은 이것을 형평성 문제로 읽습니다. 확신이 수용과 함께 움직인다면, 자기효능감이 더 낮은 학생들은 접근 장벽을 줄일 수 있는 AI 지원에 손을 뻗을 가능성이 가장 적을 수 있으므로, 학업 자기효능감에 대한 지원은 포용 틀 안에 속합니다.
  • AI 사용 유형과 자기효능감: Stamatoulis 외(2026)는 GenAI를 이해를 뒷받침하는 데 쓰는 것(평가적 통합)이 수행과의 연관에서 학업 자기효능감에 의해 완전히 매개된다는 것을 발견했습니다 — 이해 지향적인 AI 사용은 확신을 키웁니다 — 반면 지름길 사용(낮은 검증 수용)은 자기효능감과 부분적으로 독립적으로 더 나쁜 결과를 예측했습니다. 따라서 자기효능감은 생산적인 AI 사용이 돕는 경로이면서 지름길 사용이 키우지 못할 수 있는 요인입니다.
  • 귀인은 효능이 자라나는지를 형성한다. 성공을 자신의 노력이 아니라 AI의 공으로 돌리는 것은 자기효능감 성장을 제약하고 지름길 유형을 강화하므로, 학생들이 진전을 자신의 전략에 귀인하도록 복잡한 활동을 단계로 순차화하는 것이 도구보다 더 중요합니다(Øby, 2026).
  • 로보틱스와 실습 학습: REMind의 로봇 매개 역할 놀이는 아이들의 반따돌림 개입에 대한 자기효능감을 길렀습니다. 로보틱스와 체화된 학습은 일반적으로 과제를 관찰 가능한 결과에 뿌리내림으로써 확신을 키웁니다.
  • 아이들의 창조적 자기효능감: Niu 외(2026)는 만 6세에서 15세 아이들의 생성형 AI에 관한 1차 연구 22건의 체계적 범위 검토에서, 창조적 자기효능감의 이득이 발산적 사고와 서사적 창조성과 함께 모여 나타나며, 주로 아이디어와 산출물 사이의 장벽을 낮추는 텍스트-이미지 도구를 통해 이루어진다고 보고합니다. 그들은 효능을 주장하는 데까지 나아가지 않습니다. 설계들이 이질적이고, 이 검토는 비판적 평가를 수행하지 않았으며, 코퍼스는 장애, 낮은 연결성, 소외된 학습자에 관해 거의 침묵하므로, 창조적 확신은 이 분야가 확인한 결과가 아니라 상승했다고 보고되는 결과입니다.
  • 교사 자기효능감: 교사 AI 역량 연구는 AI 사용에 대한 교사의 확신을 기르는 전문성 개발을 검토하며, 이것은 도입과 통합에 영향을 줍니다. Ismael, Luo & Li (2026)는 AI 지원 e-멘토링 모형이 EFL 예비 교사의 자기효능감과 정서 지능을 실습 기간에 높인다는 준실험적 증거를 더합니다. 실험 집단은 두 측정 모두에서 통제 집단보다 실질적으로 더 큰 이득을 얻었고, 모든 자기효능감 하위 영역에 걸친 이득을 보였으며 — 저자들은 그것을 AI 단독이 아니라 구조화된 성찰 순환 안에서 AI가 매개된 멘토링에 돌립니다.
  • 피드백과 확신: AI 피드백과 튜터링은 실행 가능하고 지지적인 피드백을 제공함으로써 학습자의 자기효능감을 키울 수 있습니다.
  • AI 문제 해결에서의 역량 강화: Zhu and Kong (2026)는 문제 해결에 AI를 쓰는 데 대한 학생의 역량 강화가 인식된 프로젝트 기반 학습과 AI 리터러시 강의에 대한 만족도의 관계를 매개한다는 것을 발견합니다. 그들의 SEM 분석(학생 1,027명)에서, PBL은 학생들이 AI를 문제 해결에 쓰도록 역량을 갖추게 하는 조건을 길렀고, 그것이 다시 강의 만족을 이끌었습니다 — 이것은 AI 리터러시 교육에서 학생의 확신과 능력을 기르는 것이 핵심 메커니즘이라는 증거입니다.

자기효능감은 동기, 자기조절 학습, 학생 경험, AI 리터러시, 학습자 주체성, 교육에서의 로봇와 연결됩니다. 자기효능감을 기르는 것은 AI가 참여와 학습을 뒷받침하는 핵심 메커니즘입니다. 자기효능감은 거의 전적으로 자기보고로 측정되므로, 관찰된 행동과의 연관에는 통상적인 주의가 필요합니다.

  • 도구와 학습 사이의 축으로서의 AIGC 자기효능감. Liang 외(2026)는 AI 생성 콘텐츠에 대한 인식된 가능성이 AIGC 자기효능감을 높이고(beta = 0.583), 그것이 학습 동기(간접 효과 0.329)와 자기조절 학습(0.145)으로 가는 경로를 매개하며, 가능성에서 자기효능감을 거쳐 동기를 지나 자기 교육에서의 AI 규제으로 가는 연속 경로도 유의하다는 것을(0.173) 발견합니다. 이 발견을 유용하게 만드는 대비는 AI 평가 피드백의 질이 자기효능감을 예측하지 않았다는 것(beta = 0.131, n.s.)이지만 강하게 만족을 예측했다는 것입니다 — 도구에 대한 확신은 그것으로부터 좋은 산출을 받는 것이 아니라 그것을 지휘함으로써 길러집니다.
  • 한 학기 RCT에서 처리 효과가 없음 — 확신은 강의 시간과 함께 상승했다. Thoeni와 Fryer(2026)의 마케팅 원리 강의 학부생 454명에 대한 무작위 현장 실험에서, 자기효능감은 모든 학생에 대해 학기 동안 상승했고(시간 효과 β = 0.099, p = 0.0009, Cohen's ƒ2 = 0.025), 집단 효과(p = 0.1162)나 집단 × 시간 상호작용(p = 0.5306, d = 0.023)은 유의하지 않아, RAG 챗봇은 아무것도 더하지 않았습니다. AI 지원 강의에서의 확신 이득은 도구가 아니라 강의의 진행을 따를 수 있습니다 — 이것은 이 분야가 거의 전적으로 자기보고로 측정하는 구성개념에 대한 귀인 위험입니다.
  • 확신은 행동과 반대로 움직일 수 있다. 경쟁적 프로그래밍에서, 경쟁을 그만둔 학생들은 활동적인 동료보다 더 높은 이론적 확신을 보고하면서도 현저히 더 약한 up-solving과 동료 집단 습관을 보였습니다(p < .001). 따라서 자기효능감 신호 하나만으로는 조기 경보 체계를 오도할 것입니다(Ruhan 외(2026)).
  • 확신은 그 뒤에 있는 능력이 떨어지는 동안 상승할 수 있다. 대학생 가운데, 빈번한 생성형 AI 사용은 인식된 확신과 효율을 높이고 또한 같은 학습자들의 기술적 의존을 증가시켜, AI 보조 작업 중에 측정된 자기효능감 점수는 기초 기술이 침식되는 바로 그 순간에 높게 읽힐 수 있습니다(Yan 외, 2025).
  • AI 사용은 확신과 함께 움직였지만, 확신은 출석을 예측하지 못했다. 포르투갈 학생 291명의 PLS-SEM 설문에서, 일반 AI 사용은 독립 학습에 대한 자기효능감과 양의 연관이 있었고(β = 0.266, f² = 0.106). 이 구성개념은 Bandura의 네 가지 근원 — 숙달 경험, 대리 경험, 언어적 설득, 정서 상태 — 의 2차 형성적 복합체로 모형화되었습니다. 자기효능감은 다시 결석을 예측하지 않았고(β = −0.068, p = 0.276), 비록 AI 사용이 별도로 더 높은 결석과 연관되었지만(β = 0.148, f² = 0.029) 말입니다. AI 사용 → 자기효능감 경로는 여성보다 남성에게서 유의하게 더 강했고(β = 0.449 대 0.159; Δβ = −0.289, p = 0.013), 부분적 측정 불변성 아래에서입니다(Franco 외(2026)).
  • 개방형 AI 설계 과제는 학생을 기존의 확신에 따라 분류한다. Zangari et al. (2026)는 345명의 학생이 각자 대화형 에이전트를 만들어 동료에게 가르친 강좌에서 수행 자기존중감이 외향성과 상관되었고(r = 0.262, p < 0.001), 여학생이 남학생 동료보다 유의하게 낮은 자기존중감을 보고했음을 발견했습니다(Kruskal-Wallis H(2) = 9.87, p < .005). 저자들이 끌어내는 설계 추론은 다음과 같습니다. 개방형이고 대화적인 창조적 과제는 이미 확신에 찬 학생에게 유리하므로, "개방형 설계 과제는 모든 성격 유형에 걸쳐 수행 자기존중감을 공평하게 쌓을 만큼 충분한 비계를 포함해야 한다" — 학생이 만든 산출물 과제가 비계가 의도적이지 않으면 확신의 격차를 좁히지 않고 넓힐 수 있다는 주의입니다.
  • 자기효능감은 결과만이 아니라 형식 선호와 상호작용한다. 균형 맞춘 피험자 내 연구(9학년 97명; 그래프 해석과 구성의 내용 일치된 튜터 기반 대 종이 기반 연습)에서, 튜터 기반 연습은 전반적으로 종이를 이겼고(t(62.30) = 2.38, p = .020), 또 직관에 반대로 더 낮은 기초 자기효능감이 두 형식 모두에서 더 큰 이득을 예측했습니다(t(98.40) = −2.14, p = .035). 흥미로운 구조는 유의한 3차 자기효능감 × 호감도 × 형식 상호작용입니다(t(99.84) = −2.58, p = .011). 자기효능감이 낮은 학생 가운데, 튜터에 대한 호감도가 구체적으로 튜터 연습에서 더 큰 이득을 예측합니다. 튜터 연습이 동기 부여 측면에서 스스로 강화된다는 가정에 대한 냉정한 귀무 결과는 — ITS 연습이 종이 대비 훈련 후 자기효능감을 유의하게 개선하지 않았다는 것이며, 짧은 개입(약 40분의 두 세션)에 돌려집니다. 실천적 신호는 다음과 같습니다. 기초 자기효능감과 기술 호감도는 형식 배정을 위한 값싸고 실행 가능한 투입물이며, 튜터 연습은 기존의 호감도를 활용하지 그것을 만들지는 않습니다.(Self-efficacy and favorability shape learning from tutoring systems and paper practice)

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

대상 독자Learners
학습과 교수동기, 자기효능감, 자기조절 학습
평가와 측정평가
교육에서의 인공지능 기초AI 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.