자기조절 학습

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

자기조절 학습(SRL)은 학습자를 자신의 인지적·행동적 행위를 성공적인 방식으로 형성하고 발전시킬 수 있는 능동적 참여자로 규정합니다. AI 도구는 SRL 발달을 스캐폴딩할 수도 있고, 전문성을 쌓는 조절적 요구를 제거함으로써 뜻밖에 그것을 단락시킬 수도 있습니다.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) 종단적 증거는 이 구분을 더 분명하게 합니다. AI 도구를 둘러싼 성찰적 사용은 비판적 사고를 예측했지만(β = 0.43) 지식 향상은 예측하지 못했고, 도구 접근만으로는 둘 다 바뀌지 않았습니다.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

생각해 볼 질문들

• SRL은 학습자가 사전 숙고(목표 설정, 계획, 자기효능감), 수행(전략, 자기 관찰), 자기 성찰(평가, 적응)의 세 국면을 거쳐 학습을 능동적으로 관리하는 것을 뜻합니다. 읽기 전에, 여러분이 실제로 잘하는 국면은 어느 쪽이며, 더 잘 앎에도 건너뛰는 국면은 어느 쪽인가요?
• 이 페이지의 핵심 긴장: AI는 자기조절을 스캐폴딩할 수도, 전문성을 쌓는 조절적 요구를 제거함으로써 단락시킬 수도 있습니다. 과제를 더 쉽게 만드는 도구가 어떻게 자신의 학습을 조절하는 사람을 더 약하게 만들 수 있을까요? 그리고 여러분의 사용 속에서 그 차이를 느끼실 수 있나요?
• 학생들은 종종 '산출 결손'(production deficit)을 보입니다. 자기조절 지식을 지녔으면서도 그것을 자연스럽게 전개하지 못하는 것 — 챗봇에게 '핵심 아이디어만 뽑아 달라'고 요청하고 계획과 점검을 완전히 건너뛰는 것이죠. 더 나은 전략을 알면서도 그에 상응하는 인지적 행동을 한 적이 있으신가요?
• 지원이 있을 때는 자신의 판단이 장면에서 빠질 수 있습니다. 한 흔적(trace) 데이터 연구에서는 이용 가능한 지원이 학습자의 메타인지 정확도가 아니라 선택된 수정 전략을 결정하는 것이었습니다. 외부 도움이 자신의 학습에 대한 여러분의 판단을 압도한다면, 어떤 판단을 의도적으로 자신의 손에 쥐어 두시겠습니까?
• 연구는 '오보정 격차'를 발견했습니다. 학생들은 GenAI로 더 배운다고 지각하면서도 실제로 덜 기억할 수 있습니다. 기억 유지가 더 약한데도 노트 필기보다 AI를 선호하는 식입니다. 도구를 쓰면서 생산적이라고 느낄 때, 실제로는 더 배우지 못했다는 사실을 어떻게 발견할 수 있을까요?
• GenAI가 스캐폴드인지 지름길인지 동반자인지는 도구 자체보다 학습자의 조절 역량에 더 많이 달려 있습니다. 그러나 이 페이지는 자기조절이 깊은 인지적 오프로딩의 해를 완충하지만 없애지는 못한다는 것도 보여 줍니다. '완충하지만 없애지는 못한다'는 이 단서는 더 나은 AI 도구 설계에 어떤 의미를 갖나요?
• 읽기 전에 목표를 세우십시오: 평소 AI를 쓰는 과제 하나를 골라, 세 SRL 국면(사전 숙고, 수행, 성찰) 중 어느 것을 자동화로부터 의도적으로 지킬지 미리 정하십시오. 어떤 결과가 그것이 통했음을 알려 줄까요?

들어가며

SRL은 학습자가 세 개의 상호 맞물린 국면을 통해 자신의 학습을 능동적으로 관리하는 과정입니다.

1. 사전 숙고: 목표 설정, 전략적 계획, 자기효능감 믿음
2. 수행: 전략 전개, 자기 관찰, 주의 집중
3. 자기 성찰: 자기평가, 인과 귀인, 적응

능숙한 자기조절 학습자는 성공을 높이기 위해 인지 전략을 쓰고 메타인지을 활용해 학습 과정을 끊임없이 다듬습니다.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

기술 매개 강좌에서의 경험적 연구는 국면 간 연결을 확인합니다. 8주 적응 확률론 과정(학생 194명)에서, 행동 전 국면의 과제 가치, 자기효능감, 목표 지향성, 긍정 정서는 행동 국면의 조절 행동을 예측한 반면 부정 정서는 그것을 방해했고, 행동 후 만족은 다음 행동 전 국면으로 앞으로 이어졌습니다(Mejeh & Fromm(2026)).

AI–SRL 연구 84편의 체계적 조사(systematic mapping)는 연구가 고등교육 학생과 자기조절의 메타인지적·인지적 측면에 집중되어 있으며, 동기 차원은 탐구가 부족하고, 연구의 삼분의 일 이상이 SRL 이론을 전혀 명시하지 않는다는 것을 발견했습니다(Banihashem 등(2025)).

무엇보다, AI를 둘러싼 SRL은 행동만큼이나 지각에 의해 형성됩니다. Yilmaz 등은 학생이 피드백이 AI에서 오는지 사람에게서 오는지 지각하는 방식이 자기조절 학습과 수정 행동에 유의미한 영향을 미친다는 것을 보여 줍니다. AI의 사회적 틀 짓기가 내용만이 아니라 학습자가 그것을 둘러싸고 조절하는 방식을 바꾼다는 점을 일깨워 줍니다.

조절이 시작되기 전에 놓이는 실패 양식이 하나 있습니다. GenAI 지원 학습의 미루기(procrastination) — GenAI를 쓰려는 진지한 의도가 있음에도 GenAI 지원 작업 시작을 불필요하게 늦추는 것 — 입니다. 중국 학부생 1,243명 가운데, GenAI 사용이 잦을수록 미루기는 줄었고(β = −0.195), GenAI 학습 불안은 의도-지연 연결을 강화했습니다(Li 등(2026)).

GenAI가 주기의 어디에 들어가는지가 그 효과를 결정합니다. Zimmerman의 사전 숙고, 수행, 성찰 국면을 AI 매개 환경에 대응시킨 공동 주체성(co-agency) 틀은 도구의 진입점이 학습자의 통제감을 키우는지 잠식하는지를 결정하며, 오프로딩은 그 결정이 일상적이 아니라 의도적일 때만 변혁적 학습을 뒷받침한다고 주장합니다(Poudyal(2026)).

특수교육 학부생 434명의 횡단면 조사는 그러한 사슬 하나를 측정합니다. GenAI 리터러시는 GenAI 지원 자기조절 학습 행동과 정적 연관이 있었고(총 B = 0.701), 이는 주로 학습 학습자 주체성(B = 0.345)를 통해서였으며 도전 정서(B = 0.061)를 통해서는 아니었습니다(Yang 등(2026)).

SRL의 디지털 지원

학습 일기

학습 일기는 유망한 SRL 개입입니다. 학습 과정을 되돌아봄으로써 학생은 인지에 대한 자각을 높이고 조절 역량을 강화합니다. 주요 설계 고려사항은 다음과 같습니다.

• 구조가 중요하다: 열린 형식의 일기는 종종 피상적인 항목을 낳습니다. 안내된 프롬프트와 모범 사례는 깊이를 높입니다.
• 동기의 쇠퇴: 모바일 학습 일기 앱은 보통 며칠 만에 참여가 빠르게 줄어드는 모습을 보입니다.
• 스캐폴딩의 절충: 학생을 대신해 성찰을 써 주는 AI 지원은 SRL 실천을 훼손하지만, 내용을 대필하지 않고 프롬프트 구조만 잡아 주는 지원은 그것을 보존합니다.

교수자에게 SRL 프로파일을 전달하는 대시보드

Mejia-Domenzain 등(2026)은 디지털 SRL 지원을 교수자 측으로 확장합니다. 그들의 학습 분석 대시보드(DashED)는 블렌디드 교실에서 ML로 도출된 자기조절 학습 프로파일을 교수자에게 전달하며, 교수자가 그 프로파일에 어떻게 행동하는지는 맥락 의존적입니다. 실제 사용에서 플립 교실(대학) 교수자들은 순차적 탐색을 따르고 강좌 차원의 적응과 강의 중 대시보드 보여 주기를 선호한 반면, 직업교육 교수자들은 요약 페이지를 다시 방문하고 이 도구를 주로 개별 코칭 세션에 사용했습니다. 교수자들이 제안한 행동은 도표 유형보다 표현된 내용과 그들의 교육 수준에 의해 형성되었습니다. 대학 교수자들은 주간 시험과 강좌 적응을, 직업교육 교수자들은 직접적이고 개별화된 코칭을 선호했습니다. 이는 대시보드를 교수자의 수업 조절을 위한 스캐폴드로 자리매김하며, 단일 최적 인터페이스가 아니라 맥락에 따라 달라지는 설계 요구를 갖습니다.

학생 측 대응물은 더 빈약합니다. 46명의 중등 학생에게 자신의 GenAI 프롬프트와 모델 응답과의 텍스트 중복을 보여 준 대시보드는 학급의 약 3분의 1만 열었는데, 이는 시각화 자체가 아니라 자발적 노출이 구속 조건이었음을 보여 줍니다(Fong 등(2026)).

Scheu 등의 2×2 실험(2026)

179명의 학생을 대상으로 22일간 실시한 무작위 현장 실험에서 두 설계 원칙을 비교했습니다.

핵심 통찰: 강좌는 기술 전이를 통해 SRL 기술 과 내재적 동기를 함께 개선한 반면, 도우미는 동기에 영향을 주지 않으면서 참여만 높였습니다.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

AI 도구와 SRL-동기 상호 고리

SRL 이론의 기초적 원리는 자기교육에서의 AI 규제 기술과 동기이 상호 관계를 이룬다는 것입니다.

• 더 나은 SRL → 더 성공적인 학습 → 더 높은 자기효능감 → 더 강한 동기
• 더 높은 동기 → 더 노력적인 참여 → 더 나은 SRL 실천

AI 도구는 이 고리의 서로 다른 지점에 끼어들 수 있습니다.

• SRL 우선 설계(예컨대 구조화된 강좌, 점진적 단서, 성찰 프롬프트): 진정한 기술을 쌓음으로써 고리를 강화합니다.
• 참여 우선 설계(예컨대 자동 완성, 콘텐츠 생성): 동기 고리에 들어가지 않으면서 행동적 참여를 높여, 도구 의존의 위험을 낳을 수 있습니다.

SRL로서의 GenAI 전략적 조절

Kim(2026)은 학술 작문에서의 효과적인 GenAI 사용을 전략적 조절로 재규정합니다. AI 산출물을 검증하고, 수정하고, 선택적으로 채택하거나 거부하는 실천된 SRL입니다. 학생 107명을 대상으로 한 혼합 방법 연구에서, 더 높은 AI 불안은 검증과 수정과 정적 연관이 있었고(β=.24), 평가적 역량은 적극적 수정과 선택적 통합을 예측했습니다(β=.46). 학생들은 네 가지 조절 유형으로 묶였습니다. 비판적 수용(18.7%), 선택적 통합(34.6%), 평가적 변형(31.8%), 전략적 거부(14.9%). 이는 고등 교육에서의 AI 리터러시가 수용보다는 평가적 판단와 윤리적 책임에 뿌리를 둔 조절 역량으로 기능함을 보여 줍니다. 이는 SRL을 비판적 사용과 비판적이지 않은 사용을 구분하는 핵심 메커니즘으로 자리매김합니다.

도구의 거버넌스는 그 자체로 측정 가능한 차원입니다. 중국 EFL 학습자를 대상으로 한 두 차례 검증(EFA N = 305; CFA N = 342)은 여섯 조절 차원을 분리하고, 환경 조절 — 생성된 산출물의 정확성을 점검하고, 제안된 자원을 걸러 내고, 의존에 경계를 설정하는 것 — 을 하나의 독립된 차원으로 명명합니다(Wang, Zhang과 Zhang(2026)).

위임하기 전에 분류하십시오. Tsim과 Gutoreva(2025)는 자기조절을 과제별 프로토콜로 바꿉니다. 각 하위 과제에 대체(Substitute), 보완(Complement), 보조(Aid), 협상 불가(Non-negotiable)라는 표시를 붙이고, 짧은 메타인지 메모로 그것을 정당화하며, 프롬프트·초고·사람의 수정의 감사 기록(audit trail)을 남깁니다. 이 주기는 반복되어 한 과제의 배정이 다음 과제에 정보를 제공합니다.

상호작용 자체를 조절의 대상으로 삼기. Brunnström과 Palmqvist(2026)은 같은 조절 요구를 반대 방향에서 기록합니다. 과제 후 시험 답안을 준비하기 위해 챗봇을 쓰는 8회 시연에서, AI의 기본 산출물은 SOLO 분류체계의 양적·다중구조적 끝에 머물렀습니다. 다듬어지고, 제출 준비가 되었으며, 교수법적으로는 얇은 것이었고, 되풀이되는 메타 수준 개입("이건 너무 많아요, 줄여 줄 수 있나요?") 뒤에야 쓸 만한 세 단계 학습 고리에 도달했습니다. 그들의 결론은 생산적 사용이 "도구가 지원할 것으로 기대된 바로 그 자기조절 기술들"을 요구했다는 것입니다. 학습자는 학문 내용 그 위에 점진적 목표를 세우고, 난이도 조정을 요청하고, 아직 이해하지 못한 바를 성찰해야 합니다. 이들은 이 역량을 AI 상호작용 리터러시라 이름 붙이고, 도구에서 물러서는 것을 인내의 실패가 아니라 정당한 조절적 결정으로 다룹니다(메타인지).

• 만족은 자기조절이 아니다. Liang 등(2026)은 산학 협력 프로그램의 학부생 689명을 대상으로, AI 생성 콘텐츠의 지각된 유용성이 AIGC 자기효능감(beta = 0.583)를 높이고, 그것을 통해 학습 동기(beta = 0.565)과 자기조절 학습(beta = 0.250)을 높이는 연속 매개 모형을 검증했습니다. 동기는 SRL의 가장 무거운 단일 예측 변수였습니다(beta = 0.527). 이 경로들과 나란히 놓인 하중을 받는 부정적 결과들이 있습니다. AI 평가 피드백의 질은 만족을 강하게 예측했지만(beta = 0.712) 자기효능감은 아니었고(beta = 0.131), 만족은 자기조절 학습에 유의미한 영향을 주지 않았습니다(beta = 0.032). 따라서 잘 좋아하고 잘 작동하는 도우미는 조절이 개선되었다는 증거가 아닙니다. 메커니즘은 학습자의 도구 경험을 통해가는 것이 아니라 자신감과 동기를 통해 갑니다.

SRL로서의 GenAI 자각적 성찰

5P 성찰 모형(Kadel 등 2026)은 GenAI 시대에 구조화된 성찰을 실천된 SRL 실천으로 다시 중심에 놓습니다. 학습자가 AI와 점점 더 함께 의미를 만들어 내기 때문에 전통적 성찰 모형은 학생의 성찰을 신빙 있게 만드는 데 어려움을 겪습니다. 그래서 5P 모형(목적(Purpose), 과정(Process), 산출물(Product), 함정(Pitfalls), 계획(Plan))은 사전 숙고에서 비롯된 목표 설정, 행위 중 성찰(프롬프트와 반복을 기록하는 것), 행위 후 성찰(확률적 산출물을 외부 출처에 맞춰 검증하는 것), 환각, 표절, 과의존을 위한 명시적 함정 단계, 그리고 전망적 계획을 융합하고, 그 전체에 정서 점검을 깔아 넣습니다. "산출물보다 과정"이라는 철학은 인간-AI 상호작용의 구조화된 기록을 진정성, 학습자 주체성, 메타인지적 깊이를 보존하는 조절적 요구로 다루며, GenAI 자각적 성찰을 자기조절의 대체물이 아니라 스캐폴드로 자리매김합니다.

튜터링 특정 설계와의 관계

튜터링 특정 AI는 SRL 우선 설계에 부합합니다. 학습자 주체성를 보존하고 전략적 자기조절을 요구하는 점진적 스캐폴드를 제공하기 때문입니다. 범용 AI는 종종 조절적 요구를 완전히 제거합니다.(The Evidence Base on AI in K-12: A 2026 Review)

예를 들면 다음과 같습니다.

• Bastani 등의 튜터링 특정 챗봇은 단계별 추론(SRL 요구)을 보존했습니다.
• 범용 GPT 변형은 단순히 답을 제공했습니다(SRL 우회).

맥락 전반의 증거

• 혼재된 증거와 오보정 격차. PreK-12 GenAI 연구의 신속 검토(rapid review)는 지원이 있는 과제 중의 메타인지적 향상이 지원이 제거되면 종종 지속되지 않으며, GenAI가 지속적 학습이 없을 때도 지각된 학습을 높일 수 있다는 것을 발견했습니다(오보정 격차 — 기억 유지가 더 약한데도 학생들은 GenAI를 노트 필기보다 선호했습니다). 학생들은 무엇을 위임할지, 언제 독립적 노력이 중요한지를 결정하기 위해 명시적이고 단계에 맞는 훈련이 필요합니다.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• 에이전트형 주도성 대 자기조절의 긴장. Woollaston 등(2026)은 에이전트가 과제의 더 많은 부분을 자동화할수록 학습자가 수행하는 자기조절적 인지 작업이 줄어든다고 지적합니다. 따라서 설계는 학습자에게 에이전트 시작에 대한 통제권(동적이고 점차 거두어 가는 스캐폴딩)을 주어 자기조절 역량을 외주화하지 않고 보존해야 합니다.
• 자기조절이 AI 코딩 도우미 사용을 형성한다. AI 코딩 도우미에 관한 한 연구는 컴퓨팅 사고 수준이 높은 학생들이 더 강한 자기조절적 일관성(계획-실행-자기 성찰)을 보이고 AICA를 코드 이해에 사용한 반면, CT 수준이 낮은 학생들은 즉각적 답안 회수에 사용했다는 것을 발견했습니다.
• SRL은 온라인 학습에서 더 낮은 디지털 주의 분산과 동시에 나타난다. Shi 등(2026)은 대학생 530명에 대한 비지도 데이터 마이닝을 사용하여, SRL 전략 — 목표 설정, 환경 구조화, 시간 관리 — 이 온라인 학습에서 학습자-교수자 및 학습자-콘텐츠 참여와 함께 더 낮은 디지털 주의 분산과 가장 일관되게 동시에 나타난다는 것을 발견했습니다. 이 발견은 구체적인 SRL 훈련을 집중적인 온라인 학습을 위한 고효율 개입으로 자리매김합니다.
• 메타인지 자각이, 도구 접근이 아니라, 적응적 STEM 성과의 가장 강한 동인이다. Alatoai와 Alshahri(2026)은 사우디아라비아 중등 학생 649명으로 AI-STEM-MLCS를 구축하고 검증하여(CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888–0.905), 네 차원이 자기조절 학습 성과 분산의 68%(R² = 0.68)를 설명한다는 것을 발견했습니다. AI 기반 메타인지 자각이 가장 강한 예측 변수였고(β = 0.38, p < 0.001), 인지 전이와 적응성(β = 0.29, p = 0.008), AI로 강화된 자기조절 학습(β = 0.21, p = 0.040)이 그 뒤를 이었으며, 창의적·비판적 AI-STEM 추론은 기준을 예측하지 못했습니다(β = 0.14, p = 0.135). 저자들은 이 패턴을 적응형 피드백이 주로 학습자에게 오류를 검토하고, 보정을 다시 하고, 전략을 재사용하도록 촉구함으로써 STEM 성과를 높인다는 증거로 읽으며, 이 도구가 단일 총점보다는 메타 학습 격차의 위치를 짚어 주는 진단 도구로 더 잘 작동한다고 봅니다. 이는 한 국가 체계에서 검증된 자기보고 측정이므로 계수들은 잠정적입니다.
• 외부 지원이 학습자 자신의 메타인지 판단을 우회할 수 있다. Iqbal 등(2026)은 GenAI(ChatGPT 4.0), 인간 전문가, 지원 없음의 조건에서 에세이를 수정하는 EFL 학생 87명을 추적했습니다. 지원 조건은 학생이 선택한 수정 전략의 압도적으로 가장 강한 상관 변수였고(Cramér's V = 0.668), 앞선 쓰기 과제로부터의 전이 효과(V = 0.333)를 훨씬 앞섰습니다. 메타인지 판단 정확도(p = 0.172), 작문 기술(p = 0.261), 동기(p = 0.683)은 연관되지 않았습니다. 메타인지 판단은 지원이 전혀 없을 때만 전략과 상관했습니다(순열 검정 p = 0.0460). GenAI 지원을 받은 학생들이 가장 큰 향상을 보였는데(도움 요청 감소 전략 아래 평균 약 4점, 같은 전략 아래 인간 전문가 지원에서는 −0.5점), 그럼에도 어떤 수정 전략도 점수 변화와 연관되지 않았으므로(H(3) = 3.895, p = 0.273), 그 향상은 더 나은 자기조절이 아니라 도구에서 나왔습니다. 저자들의 입장은 GenAI가 직접적 도움을 제공하는 대신 자신의 수정 전략에 대한 성찰을 촉구해야 한다는 것입니다.
• 성찰적 사용은 비판적 사고를 따르고 지식 향상은 따르지 않는다. Melanou 등(2026)은 경영정보학 학생의 평행 학급 세 개(N = 87)를 9주 과정에 걸쳐 추적했습니다. 지식은 모든 집단에서 올랐고(F(1, 50) = 29.87, p < 0.001, η²p = 0.374), AI의 이점도, 시점 × 집단 상호작용도, 매튜 효과도 없었습니다(F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). 성찰적 사용(출처 확인과 AI 산출물 채택 전 검증)은 AI 조건에서 뚜렷이 더 높았고(3.72 대 2.82; F(1, 40) = 20.21, p < 0.001), 비판적 사고를 예측했으며(β = 0.43, p < 0.001), 지식 향상은 예측하지 못했습니다. 지식 향상을 예측한 것은 실질적 인지 부하였습니다(β = 0.51, p = 0.001). 실천적 독법은 AI 접근 그 자체가 개입은 아니며, 그 메타인지적 보상은 시험 점수보다 추론 품질에 먼저 표면으로 드러난다는 것입니다.
• AI 혼자가 아니라 구조가 SRL 이득을 이끈다. Zimmerman의 국면을 AI를 초인지적 비계로 삼는 프로젝트 기반 혼합 교수에 매핑한 결과, 전통적 교수의 0.28에 비해 N-Gain 0.72가 나왔습니다(t = 8.47, p < 0.001, Priyambudi et al. (2026)). 이들은 AI가 과제 구조 안에서만 자기조절을 강화한다고 주장합니다 — 구조화되지 않은 사용은 초인지적 나태를 초래할 위험이 있습니다.

LLM 매개 SRL: 스캐폴드, 지름길, 동반자?

Learning Letters 연구들의 한 묶음(2026)이 중심 긴장으로 수렴합니다. GenAI는 설계와 학습자가 그 사용을 조절하는 방식에 따라 자기조절을 스캐폴딩하거나, 단락시키거나, 동반할 수 있다는 것입니다. 증거는 SRL 자체 — 도구가 아니라 — 가 결정적 변수임을 가리킵니다.

• **Viberg 등**은 LLM이 인간 지원을 대체하기보다 층위화된 도움 요청 생태계 속에 짜인다고 밝혔습니다. 학생들은 먼저 독립적으로 과제를 시도하고, 이어 저문턱 첫 단계로 ChatGPT를 찾고, 개념적 협상을 위해 또래를 찾으며, 이해관계가 큰 문제는 교수자에게 갑니다. 이들은 도구적 도움 요청(단서, 단계별 안내)을 집행적 도움 요청(직접적 해법)보다 선호하며, 선택적으로 신뢰를 행사하고 산출물을 강좌 자료에 맞춰 검증합니다. 이것은 네 단계 과정(도움이 필요한지 결정, 누구에게 물을지 선택, 어떤 유형의 도움인지 판단, 받은 도움을 판단)이며, 측정하고 가르칠 수 있습니다.
• **Atif & Dickson-Deane**은 GenAI 사용을 **인지 부하 외주화**으로 틀 짓습니다. 이것은 스캐폴딩된 것(AI 산출물을 비판하고 적응하여 학습자 주체성와 의미 구성을 지키는 것)일 수도, 대체적인 것(검증을 거의 하지 않고 산출물을 받아들여 통제를 도구로 넘기는 것)일 수도 있습니다. 대학원 IT 학생 267명을 대상으로 한 연구에서, 똑같은 도구가 학습자 전략에 따라 SRL을 스캐폴딩할 수도 지름길로 삼을 수도 있었습니다. 자신감 있는 사용자는 목표 설정과 점검에서 주체성을 보였고, 자신감이 덜한 사용자는 GenAI를 지름길이나 부정행위로 보았습니다.
• **Lim & Bannert**은 그 위험을 구체적으로 보여 줍니다. 학생들은 genAI 챗봇을 자발적으로 사용했고(73%) 에세이에서 더 높은 점수를 받았지만, 이해와 종합을 오프로딩했고(챗봇에게 "핵심 아이디어만 뽑아 달라"고 요청하는 식), 거의 계획이나 점검을 하지 않아 핵심 조절 결정을 외주화했습니다. 이것은 산출 결손을 반영합니다. 학생들은 SRL 지식을 지녔으면서도 그것을 자연스럽게 전개하지 못하므로, genAI 도구는 질문이 오프로딩을 시사할 때 성찰(점검 스캐폴드)을 촉구해야 합니다.
• **Song 등**은 SRL이 안정된 적성이자 동적인 상태라는 것을 보여 줍니다. 개인의 기저 수준은 일관되지만, 메타인지 지식과 웰빙은 한 학기 동안 평가 마감일에 의해 추동되어 체계적으로 쇠퇴합니다. 그들은 GenAI가 개인적·시간적·맥락적 자료가 주어질 때 맥락을 아는 **학습 동반자**로 작동할 수 있다는 것을 보여 줍니다. 학생의 노력을 대신하지 않으면서 지원하는 것이죠. 이는 기저 적성만에 근거한 "한 번에 모두에게 맞는" 개인화에 반대하는 논증입니다.
• **de Barba**는 SRL을 이론적으로 확장하며, 이 분야가 과제 중심 조절과 교육기술에서 최적화 가능한 행동적 대리 지표로 좁아졌다고 주장합니다. 이 논문은 학습자 주체성의 규모 간 설명 — 조절(과제 내에서), 통합(시간과 맥락을 가로질러), 위치짓기(학습을 둘러싼 조건에 비추어 비판적으로) — 을 알고리즘 매개 환경을 위한 설계 지향으로 제안합니다.
• 자기조절은 오프로딩의 해를 완충하지만 없애지 못한다. Chen(2026)은 자기조절적 작문이 GenAI 지원 작문에서 깊은 인지 부하 외주화과 AI 없는 독립적 성과 사이의 부정적 연관을 약화시키지만 제거하지는 않는다는 것을 보여 줍니다. 오프로딩×SRL 상호작용은 양이었고(B = 0.22), 해를 기울기 −0.54(SRL 낮음)에서 −0.33(SRL 높음)로 평평하게 만들었지만 없애지는 못했습니다. 위임 제한과 강제적 성찰을 짝지은 제한적 지원 조건이 가장 강한 독립적 성과를 냈는데, 이는 메타인지 조절이 학습자를 부분적으로 보호하지만 인지 작업 자체를 위임하는 것을 온전히 보상할 수는 없다는 증거입니다.

렌탈(임대)이 Winne 모형 안에서 어디에 놓이는가. de Barba(2026)은 이 메커니즘을 SRL에 시스템이 학습자 대신 수행하는 작업으로 대응시킵니다. 알아차림, 점검, 평가적 판단을 도구가 행사하고, 막다른 지점은 학습자 자신의 만약-그러면(If-Then, Else) 선택이 아니라 검색으로 해결되며, 학습자가 판단의 기준으로 삼는 것은 스스로 세운 것이 아니라 빌려 온 것입니다. 학습자가 자신이 가졌다고 믿지만 실제로는 도구가 쥐고 있는 역량 — 숨은 렌탈(hidden rental) — 은 조절을 촉구할 오류 신호를 억제하며, 열 개 명제는 검증할 것들을 명시합니다(영역 적응에서 더 큰 비용, 기준이 모델 자신의 준거점으로 흘러가는 것 등 포함).

집합적 교훈: SRL은 비판적 사용과 비판적이지 않은 사용을 구분하는 핵심 메커니즘이다. GenAI가 스캐폴드인지, 지름길인지, 동반자인지는 학습자의 조절 역량과, 도구가 전문성을 쌓는 조절적 요구를 제거하지 않고 보존하도록 설계되었는지에 달려 있습니다.

어느 지원이 작용하는지가 어떤 매개 변수가 연관을 떠받치는지를 결정합니다. 중국 예비교사 3,003명 가운데, 지각된 AI 도구 지원은 혁신 역량으로 주로 AI 자기효능감(그 경로 총효과의 60.88%)를 통해 이어진 반면, 지각된 학교 기반 지능형 환경 지원은 주로 자기조절 학습을 통해(29.64% 대 18.60%) 이어졌습니다(Liu 등(2026)).

함의

• 학습 일기/챗봇 도구를 위해: SRL 지도(강좌 기반)와 선택적 작문 지원을 결합하면 동기와 참여 향상을 모두 얻을 수 있습니다.
• 도구 설계자를 위해: 평가를 선택적 단계가 아니라 필수 단계로 만드십시오. Iqbal 등은 이용 가능한 지원이 학습자의 메타인지 판단이 아니라 학생이 쓴 수정 전략을 결정했으며 GenAI 점수 향상이 더 나은 조절에서 나오지 않았음을 발견했고, Melanou 등은 성찰적 사용이 단순한 도구 접근은 아니었던 비판적 사고를 예측했음을 발견했습니다. 학습자에게 검증하고, 비교하고, 전략을 다시 세우라고 요구하는 상호작용이 학습 가치를 나르는 것입니다.
• 교수자를 위해: AI 기반 메타인지 자각을 첫 번째 지렛대로 삼아 명시적으로 점검하십시오. Alatoai와 Alshahri는 그것이 적응적 STEM 성과의 가장 강한 예측 변수(β = 0.38)이고 전이와 적응성이 두 번째(β = 0.29)라는 것을 발견했습니다. 따라서 학생에게 오류를 검토하고 전략을 새로운 문제 맥락으로 옮기게 하는 활동이 비판적·창의적 추론을 위한 일반적 촉구보다 더 많은 것을 합니다.
• AI 정책을 위해: 조달 기준은 그 도구가 자기조절을 기르는지 대체하는지를 물어야 합니다.
• 연구자를 위해: SRL 성과(즉각적 성과만이 아니라)를 측정하는 장기 연구가 필수적입니다. Melanou 등은 한 학기의 성찰적 사용이 지식 향상을 움직이지 않으면서 비판적 사고를 움직였기 때문에(β = 0.43), 그 인내의 보상을 보여 줍니다.

시뮬레이션 게임에서의 대화형 에이전트와 SRL

• 게임에서 자기조절 학습을 지원하는 대화형 에이전트. Wenzel, Geiger, Liening(2026)은 경영 모의 게임에 등장하는 AI 대화형 에이전트(Lara)가 지표 기반 형성 피드백, 요청 시 안내, 구조화된 성찰을 통해 자기조절 학습을 지원할 수 있다는 것을 보여 줍니다. 이는 시뮬레이션 게임이 제한된 형성 피드백과 성찰 프롬프트를 제공한다는 흔한 한계를 다룹니다. 예비교사와 BSG 참가자들을 대상으로 한 평가에서 에이전트의 인지적·사회적 존재감과 자기조절 지원에 대해 긍정적인 지각이 보고되었습니다.

자동화된 SRL 탐지: 무엇이 전이되고 무엇은 아닌가

• 임베딩 기반 SRL 분류기는 한 영역 안에서는 언어를 가로질러 전이되지만, 영역을 가로질러서는 아니다. 화학과 형식 논리를 다룬 학생 26명의 연구(Winne-and-Hadwin 모형으로 부호화된 소리 내어 생각하기 프로토콜 사용)에서, 영어로 훈련된 임베딩 기반 모형(text-embedding-3-small)은 독일어 SRL을 AUC 약 0.8으로 분류했고 저하는 약 0.1에 그쳤습니다(실행(enacting)은 약 0.7). 영역 간 전이는 실패합니다. 화학에서 논리로 떨어지면 약 0.6, 실행은 확률 수준(약 0.5)으로 떨어집니다. 묶는 것은 언어가 아니라 영역의 벽입니다.
• 전이가 깨지는 지점을 설명하는 세 실패 양식. (1) 일상적 의미가 아닌 영역 의미로의 개념 해석 — "cancel" 대 화학 용어 "kürzen" — 이 실행 분류를 깨뜨린다. (2) 의인화 — 무거운 스캐폴딩이 된 튜터에 익숙하지 않은 독일 학생들이 그것을 사람으로 대했고, 분포를 벗어난 발화를 만들어 냈다. 전이는 스캐폴딩이 덜한 플랫폼에서 더 좋았다. (3) 단서 읽기 대 계획 수립의 모호성 — 로그 자료 없이는 메타인지 단서를 읽는 것과 계획을 세우는 것을 모형이 구분할 수 없다. 오류를 알아차리는 것은 모든 조건에서 강건합니다. 자신이 틀렸음을 알아차리는 것은 맥락 독립적이다. 해결책: 영역 용어에 대한 전문가 사전이나 파인 튜닝, 단서를 위한 로그 자료.(Large language models generalize SRL prediction to new languages within but not between domains)

연결된 개념

• 학습자 — 학습자: 학습자 측 개념의 상위 개념
• 메타인지 — SRL이 의존하는 인지적 점검
• 자기평가
• 자기효능감 — 노력을 추동하는 사전 숙고 국면의 믿음
• 스캐폴딩 — 조절적 요구를 보존하는 점진적 지원
• 피드백 — 학습자가 그 주변을 조절하는 입력
• 피드백 리터러시 — 피드백에 행동하는 역량
• 도움 요청 — 전략적 SRL 행동
• 동기 — 자기조절의 상호적 동반자
• 인지 부하 외주화 — AI가 조절 작업을 제거할 때의 위험
• 생성형 AI — SRL을 스캐폴딩할 수도 단락시킬 수도 있는 기술
• AI 리터러시 — AI 사용의 조절 역량
• 자기주도 학습 — 더 넓은 자율성 구성개념
• 학습자 주체성 — 의도적으로 행동하는 학습자의 역량. 조절, 통합, 위치짓기의 중심
• 적응 학습 — 조절을 지원할 수 있는 개인화
• 형성평가 — 조절을 위한 지속적 피드백
• 가르치며 배우기 — 자기조절을 쌓는 전략
• 지능형 튜터링 — SRL을 스캐폴딩하는 시스템
• 대규모 언어 모델(LLM) — AI 도구의 기저 모형
• 인출, 간격, 혼합 연습 — 학습자가 내리는 일정, 자기 시험, 학습 전략 선택
• 인지적 항복

연결된 문서

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — AIGC 유용성과 학생 자기조절

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — AI 상호작용 리터러시: 챗봇을 조종하는 일이 그것이 지원하려던 SRL을 요구했다(Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — GenAI 시대를 위한 5P 성찰 모형(Kadel 등 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — GenAI 지원 작문에서 층위 민감적 인지적 오프로딩(Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — 규모에 걸친 학습자 주체성: 조절, 통합, 위치짓기

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — 렌탈된 자아: Winne의 SRL 모형에 대응시킨 렌탈과 열 개 명제, 학습자 내 지표들

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — 시간에 걸친 맥락을 아는 학습 동반자로서의 GenAI

• How Do Students Regulate Their Learning With a GenAI Chatbot? — 학생들이 genAI 챗봇으로 학습을 어떻게 조절하는가

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — 스캐폴드인가 지름길인가? SRL에서 GenAI의 이중적 역할

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — STEM에서 LLM 매개 도움 요청: 층위화되고, 도구적이며, 검증된

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — GenAI 피드백과 SRL: 지각된 출처가 중요하다

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — AI 불안에서 전략적 조절로

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — GenAI와 메타인지/자기조절에 관한 혼재된 증거

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — 에이전트형 AI와 자기조절의 긴장

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — 온라인 학습에서 SRL과 더 낮은 디지털 주의 분산(Shi 등 2026)

• Making machine learning findings accessible to teachers in blended classrooms — 블렌디드 교실에서 ML 결과를 교수자가 접근할 수 있게 만들기

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: 과제 식별, 정당화, 과제 후 성찰의 학습자 측 고리

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — 생성형 AI로 중등 학생의 작문을 지원하기 위한 학습 분석 활용

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — 적응형 STEM 학습에서 AI 지원 자기조절을 위한 검증된 도구(메타인지 자각이 가장 강한 예측 변수)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — 에세이 수정 실험에서 지원 조건이 메타인지 판단이 아니라 수정 전략 선택을 이끌었다

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — 종단 연구: 성찰적 AI 사용은 비판적 사고를 예측했고 지식 향상은 아니었으며 매튜 효과는 없었다

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — GenAI 리터러시가 주로 학습 주체성을 통해 자기조절 학습 행동과 연관된다

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — 지원 유형이 매개 변수를 뒤집는다: AI 자기효능감 대 자기조절 학습

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — GenAI 지원 학습의 미루기: 불안이 강화하는 의도-행동 격차

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — L2 작문을 위한 검증된 6차원 GenAI-SRL 척도(환경 조절을 독립 차원으로 두고, 12문항 개미군집 최적화 단축형 포함)

• Large language models generalize SRL prediction to new languages within but not between domains — 대규모 언어 모형이 SRL 예측을 영역 안의 새로운 언어에는 일반화하지만 영역 간에는 그렇지 않다(Borchers 등 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — 학생의 자기조절 학습을 향상시키기 위한 인공지능을 활용한 프로젝트 기반 혼합 학습 모형