AI 활용의 사회적 규범

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

AI 활용의 사회적 규범 — 학습자와 교수자가 생성 AI를 언제 사용할 수 있는지, 그것을 얼마나 공개적으로 인정할 수 있는지, 그리고 정책이 아니라 실제로 무엇이 부정행위로 여겨지는지를 결정하는 비공식적이고 지역적으로 강제되는 규칙들입니다. 코퍼스는 규범을 주제로 다루는 데는 얇고 그것들을 만들어 내는 메커니즘에는 두껍습니다. 학습자들은 서로의 AI 활용을 믿을 만하게 추론할 수 없습니다: 인지자의 추정과 자신의 자가 보고 사용 프로필 사이의 중간 상관은 두 시점 모두 r = .73이었고, AI 활용의 종류에 대한 순위 정확도는 두 번째 시점에서 r = .34이었습니다. 수치심과 죄의식은 사용이 아니라 가시성을 규제하여, 행동 변화 대신 은폐와 선택적 공개를 만들어 냅니다. 학문적 규범은 날카롭게 갈립니다: AI 통합 과제는 31,000개 강좌에 걸친 강의계획서에서 경영의 27%에서 인문학의 5%까지 나타났습니다. 그리고 공식 윤리 문헌은 가장 적고 가장 실행 불가능한 규범들을 최종 사용자에게 전달하여, 교실 규범의 대상이 되는 사람들이 그것들을 논하는 문서에서 대체로 부재함을 의미합니다.

생각해 볼 질문들

• 학생들이 누가 AI를 사용하는지 알 수 없다면, 비공식적 규칙들은 실제로 무엇에 기초해 있습니까?
• 기관에 정책이 없거나, 정책이 교수자가 교실에서 말하는 것과 모순될 때 AI 규범은 어디에서 옵니까?
• AI를 한 번도 사용하지 않은 학생이 매주 사용하는 학생보다 그것에 대해 더 큰 죄의식을 보고하는 이유는 무엇입니까?
• 수치심은 정책이 할 수 없는 무엇을 성취하며, 도움 요청에 어떤 대가를 치릅니까?
• 감시는 행동을 바꿉니까, 아니면 그 행동이 얼마나 가시적인지만 바꿉니까?
• 집단 과제에서 누구의 규범이 지배하며, 집단의 공유된 AI 습관의 대가는 누가 흡수합니까?
• 학생들이 자신이 적용되는 규범을 쓰는 데 참여해야 합니까?

들어가며

AI 교육의 공식 교육에서의 AI 규제은 정책으로 도착합니다: 사용 가능한 문구, 강의계획서 조항, 탐지 절차, 감독 시스템, 명예 규범. 그러나 학생들이 실제로 경험하는 모든 것은 그 계층 아래에 놓입니다. ChatGPT를 사용한다고 한 번도 언급하지 않는 반 친구, "내가 어떻게 쓰는지는 상관없어"라고 말했다가 강의계산서에서 그것을 금지하는 교수자, 무엇이 공정한지에 조용히 정해진 스터디 그룹, 이미 채점 곡선이 옮겨졌다고 모두가 가정하는 학과. 이것들이 규범입니다: 승인, 불승인, 들킬 위험에 의해 강제되는 용인 가능한 행동에 대한 공유된 기대.

이 페이지는 증거 기반이 그 계층에 대해 말하는 것을 모읍니다. "잠재적 교육과정"이 흔히 느슨하게 비공식적인 모든 것을 뜻하는 데 쓰이므로, 그것을 신중히 구별할 만합니다. 여기서의 주제는 더 좁습니다: AI 사용에 대한 실제로 작동하는 규칙, 그것들이 어떻게 형성되고, 어떻게 강제되며, 그것들과 서면 규칙 사이의 연결이 얼마나 약한지. 코퍼스에는 규범을 직접 측정하는 연구가 거의 없으며, 그것 자체가 하나의 발견입니다. 그것이 가진 것은 메커니즘에 대한 반복된 증거입니다: 추론, 공개, 정서, 그리고 어떤 지역 규범도 될 수 있는 것을 형성하는 학문적 변이.

학생들이 서로에 대해 믿는 것

규범은 다른 사람들의 행동에 관한 정보를 요구하며, 그 정보는 대부분의 교수자가 가정하는 것보다 나쁩니다. 학생 쌍에 대한 한 연구는 페어 프로그래밍 세션에 걸쳐 학습자가 파트너의 AI 사용을 얼마나 정확히 판단하는지를 추적했습니다. 각 파트너 자신의 자가 보고 사용 프로필에 대해, 중간 상관은 두 시점 모두 r = .73로, 지식처럼 느껴지기에 충분히 높았고 많은 개별 추정이 틀리기에 충분히 낮았습니다. AI 활용 유형에 대한 순위 정확도는 두 번째 시점에서 r = .34였고, 팀의 25%가 시간이 지나면서 팀원을 판단하는 능력이 더 나빠졌습니다.

규범에 중요한 두 세부 사항이 있습니다. 첫째, 불일치는 반복되는 대면 작업으로 줄지 않았습니다. 익숙함은 정확성을 만들어 내지 않았으며, 이는 그룹이 서로를 알게 되면 규범이 안정된다는 가정을 훼손합니다. 둘째, 저자들이 제안한 해결책은 태도적이 아니라 구조적이었습니다: 공유된 프롬프트 기록, AI 사용 주석, 또는 AI 지원 작업의 동료 가시적 기록. AI 사용을 가시적으로 만드는 것은 학생들을 그것에 대해 더 정직하거나 더 예민하게 만드는 것과 다른 과제이며, 오직 전자만이 뒤에 증거를 갖습니다.

가시성, 수치심, 선택적 공개

동료들이 AI 사용을 정확히 볼 수 없다면, 그것을 둘러싸 발전하는 규칙들은 사회적 위험을 통해 강제됩니다. 컴퓨터 공학 학생 19명과의 면담 연구는 수치심과 죄의식을 사회적 규제자로 검토하고 그것들이 사용이 아니라 공개를 지배함을 발견했습니다. 학생들은 은폐 행동과 선택적 공개를 묘사했고, 자신, 동료, 교수진을 부끄럽게 여긴다고 보고했습니다. 중요한 부정적 결과는 이 정서들이 지속되는 AI 사용과 공존하여 누구도 멈추게 하기보다 학습자 주체성 감소와 도덕적 긴장의 순환을 만들어 냈다는 것입니다.

그 양상은 규범을 "쓰느냐 마느냐"에서 "인정하느냐 마느냐"로 재배치합니다. 한 교실은 종이 위에서는 강한 반 AI 규범을, 실제로는 널리 퍼진 사용을, 그 사이에 침묵의 균형을 가질 수 있으며, 아무도 그 규칙이 무엇이라고 말하는지 혼란스러워하지 않습니다. 그것은 또한 대가가 어디에 떨어지는지를 예측합니다: 사회적 위험을 관리하는 능력이 가장 적은 학습자들에게, 그리고 가시적인 사용이 다른 결과를 갖는 학습자들에게.

같은 정서의 교수자 쪽은 측정 가능합니다. 교수진에 대한 한 설문은 4문항 AI 죄의식 지수(Cronbach's alpha = 0.88)를 사용하여 경험된 후회보다 예기적 죄의식이 더 큼을 발견했습니다: 평균 지수 점수는 2.39(SD = 1.01)였고 참가자의 22.9%가 중간점 위에 있었습니다. AI 비사용자들은 사용자들(n = 101, M = 2.32, SD = 0.97)보다 더 높은 죄의식을 보고했습니다(M = 3.25, SD = 1.04, n = 8), t(8.39) = 2.00, p = .078이며, 후회 문항은 집단을 더 날카롭게 구별했습니다, t(7.79) = 2.44, p = .041. 군집 분석은 네 프로필을 만들어 냈습니다: 편안한 채택자(26.6%), 죄의식 있는 비사용자(29.4%), 신중한 사용자(28.4%), 도덕적으로 고통받는 회피자(15.6%)이며, 죄의식에서 차이가 확인되었습니다, F(3, 105) = 22.13, p < .001, eta-squared = 0.39.

행동하지 않은 사람들을 죄의식 느끼게 하는 규범은 예기를 통해 자신의 일을 하고 있습니다. 그것은 실제 규제 메커니즘이며, 교수진과 학생들이 무엇을 하는지만 보는 어떤 정책 감사에도 보이지 않습니다.

지역의 규칙서: 학문과 교실

규범은 지역적이며, 얼마나 지역적인지에 관한 증거가 특이하게 구체적입니다. 31,000개 강좌 강의계획서에 대한 한 분석은 AI 통합 과제가 경영의 27%에서 인문학의 5%까지 걸쳐 있음을 발견했습니다. 그 범위는 정책 준수의 간극이 아닙니다; 그것은 그 작업이 무엇인지, 어떤 실행이 가치 있는지, 어떤 기술이 자격증이 인증하도록 되어 있는지에 대한 다른 학문적 판단을 반영합니다. 저자들의 권고는 거기서 따라옵니다: 일률적인 지시를 내리는 대신 학문적 규범 안에서 교수자에게 자율성을 부여하라는 것, 그 지시는 존재하지 않는 평균을 위해 쓰여져야 할 것이기 때문입니다.

교실 계층은 같은 강좌에서 문서 계층과도 모순될 수 있습니다. 마케팅 학생들과의 면담은 동료 규범과 뒤처지는 것에 대한 두려움에 의해 유지되는 입소문이 AI가 가진 최대의 홍보로 묘사되며, 채택을 이끎을 발견했습니다. 같은 연구는 교수자들이 알아볼 모순을 기록했습니다: 어떤 강의는 AI를 요구하면서 강의계획서는 그것을 금지했고, 교수자의 교실 내 격려가 항상 서면 정책까지 살아남지는 못했습니다. 그 둘이 불일치할 때, 학생들은 말로 한 규범을 실제로 작동하는 것으로, 강의계산서를 관리해야 할 부채로 다룹니다.

집단 작업은 비공식 규범이 가장 많이 일하는 곳인데, 채점되는 단위가 집단적이기 때문입니다. 예비 교사 52명에 대한 한 연구는 15개의 포커스 그룹에 걸쳐 하나의 열광에서 회피로의 선이 아니라 뚜렷한 양상들을 확인했으며, 공유된 규칙이 없는 상태에서 집단들이 무엇을 정당한 지원으로 셀 것인지 협상했습니다. 집단이 한 구성원의 AI 사용에 조용히 정착하는 것을 지켜본 적 있는 학생이라면 누구나 정책 과정 없이, 그리고 통상적으로 기록 없이 규범이 실시간으로 쓰이는 것을 본 것입니다.

공식 윤리, 살아진 규범

AI 윤리에 관한 전문 문헌과 그것이 도달하도록 되어 있는 교실 규범은 멀어지고 있으며, 그 간극은 문서화되어 있습니다. 윤리적 가치와 규범에 대한 체계적 검토는 15개 문서에서 규범을 추출하고 Smuha(2022)의 네 이해관계자 집합에 대응시켰습니다. 개발자들이 가장 많은 규범을 받았고, 그다음 교육 기관과 규제자들이었습니다. 최종 사용자들은 가장 적고 가장 실행 불가능한 규범들을 받았으며, 비차별, 데이터 관리, 교육적 적합성에 대해 학생들에게 직접 말하는 규범은 하나도 없었고, 학생들의 목소리는 자료에서 사실상 부재했습니다.

그 결과는 AI를 만들고 조달하는 사람들에게 의무를 명시하고, 교실에서 그것과 함께 살아가는 사람들에게는 자신의 규칙을 스스로 짜도록 남겨 두는 문헌입니다. 이것은 수치심과 죄의식 연구에서처럼 학생들이 묘사하는 규범들이 윤리 문서들이 이름 붙이는 가치들에 대해 묻는 것이 아니라 가시성과 평판에 대해 묻는 경우가 흔한 이유에 대한 그럴듯한 설명입니다. 두 체계는 다른 것을 규제하고 있습니다.

감시가 규범을 해결하지 못하는 이유

기관이 비공식 규범을 공식 모니터링으로 대체하려 할 때, 증거는 일관되고 불리합니다. 105개 강좌에 걸친 학생 1,760명의 4시점 연구는 온라인 감독이 시험 불안을 유의미하게 높이고, 부정행위의 유혹에는 아무 효과가 없음을 발견했습니다. 그것은 지각된 난이도나 시험 수행도 바꾸지 않았습니다. 불안의 대가는 이미 취약한 학생들 — 약한 가정 환경과 덜 신뢰할 만한 기술을 지닌 학생들 포함 — 에게 집중되었습니다.

두 추가 연구는 감시가 규범 설정에 형편없는 도구인 이유를 설명합니다. 원격 감독에 대한 범위 검토는 모니터링이 부정행위를 억제하는 것으로 널리 인식되었으나, 남아프리카 강사들은 적극적 모니터링에도 부정직함이 지속된다고 보고했으며, Khalil 외(2022)가 "지하 윤리"라고 부르는 상황과 잦은 경미한 경보가 오탐과 교수진 검토 작업을 만들어 냈음을 발견했습니다. 감시는 공유된 기준에 대한 헌신보다 탐지에 대한 두려움을 통해 순응을 삽니다. 불완전한 정보 아래의 평가에 대한 한 모형은 메커니즘을 날카롭게 합니다: 억제는 탐지기의 포착률이 아니라 은닉된 사용과 정당한 작업을 구별하는 능력에 의존하며, 오탐이 참양보다 빠르게 증가할 때 학생들은 순종하는 대신 체제에서 이탈합니다. 규범에 직접 영향을 미치는 추가 결과는 이것입니다: 모니터링은 은닉된 사용의 매력을 낮추지만, 공개를 높이지는 않습니다. 학생들은 보고가 은폐보다 안전하거나 가치 있을 때만 개방 쪽으로 움직이며, 금지는 순종보다 은폐를 더 매력적으로 만들 수 있습니다.

절차적 정의 주장은 결론을 이끕니다: 능숙하거나 가볍게 편집된 AI 사용이 일반적 경우에 탐지 불가능하기 때문에, 탐지 위에 세워진 부정행위 절차는 효과 없이 불공정을 만들어 내며, 해답은 더 나은 감시가 아니라 더 나은 평가입니다.

그 대체의 대가는 교수진과 학생들이 실제로 이야기하는 곳에 나타납니다. 26개 교육 서브레딧에서 나온 AI 관련 기록 253,222건에 걸쳐, 모든 교수진–학생 스레드의 3분의 1이 탐지 또는 집행 분쟁이었고, 학생들이 그 중 68.4%를 열었으며, 부정성이 참여를 예측했습니다(ρ = −0.72) — 적대적 갈등이 생성 AI에 관한 역할 간 접촉의 가장 큰 규모 형태이며, 숙의가 아닙니다(Yüce 외(2026)).

이것이 실행에 의미하는 바

• 추론하는 대신 사용을 가시적으로 만드십시오. 학생들은 서로를 정확히 판단할 수 없으며, 반복된 협업은 그것을 고치지 못합니다. AI 지원 작업의 가벼운 공유 기록, 주석, 또는 프롬프트 기록은 집단에게 사실에 기초해 추론할 무언가를 줍니다.
• 말로 한 규범이 서면 규범을 이길 것을 기대하십시오. 교실에서 말해진 것이 강의계산서와 모순된다면, 학생들은 교실을 따를 것입니다. 둘 사이의 정렬은 더 엄격한 조항보다 가치 있습니다.
• 공개를 미덕 문제가 아니라 설계 문제로 다루십시오. 공개는 보고가 숨기는 것보다 안전하거나 가치 있을 때 가능해집니다. 그것은 성격 특질로서의 정직을 요구하기보다 공개된 사용이 평가 자체에서 읽히도록 만드는 것을 의미합니다.
• 학문적 변이를 존중하십시오. 학과에 걸친 27%에서 5%까지의 퍼짐은 정상화해야 할 모순이 아니라, 자격증이 무엇을 인증하는지에 대한 다른 판단입니다. 기관 차원의 지시는 존재하지 않는 학문을 위해 쓰이는 경향이 있습니다.
• 규범을 설정하기 위해 모니터링에 손대지 마십시오. 감독는 이용 가능한 가장 강한 연구에서 부정행위의 유혹을 바꾸지 않고 불안만 높였으며, 그 대가는 가장 불리한 학생들에게 집중시킵니다.
• 규범에서 누가 빠져 있는지 물으십시오. 윤리 문헌은 학생들에게 거의 의무를 부여하지 않고 그들의 판단을 거의 고려하지 않는 반면, 교실은 그들에게 많은 것을 부여하고 사회적으로 강제합니다. 그 간극을 좁히는 것은 규정 준수가 아니라 교과의 질문입니다.

연결된 개념

• 학문적 진실성 — 이 규범들이 함께 자라는 공식 규칙서
• AI 사용 및 공개 진술 — 규범들이 가장 직접 규제하는 실행
• 학생을 위한 AI 활용에 대한 프레이밍 — 교실이 기대를 밝히는 방식
• AI 오용의 감소 — 규범 설정의 교수법적 대응
• 학습자 정체성 — AI 사용이 가시적이 될 때 학습자가 누구로 여겨지는가
• AI 탐지 — 대부분 실패하는 기술적 대응
• 원격 감독 시험 — 규범의 대용물로 시도된 감시
• 신뢰 — 규범과 공개가 모두 의존하는 것
• 형평성 — 사회적 대가를 흡수하는 사람
• 도움 요청 — 수치심이 가장 먼저 억제하는 행동
• 모둠 활동 — 집단 규범이 협상되는 곳
• 학생 경험 — 이 모든 것의 살아진 면
• 불안과 스트레스 — 정의적 잔여물
• AI 거버넌스 — 이 규범들이 그 아래 놓이는 공식 계층
• 윤리 — 학생들에게 할 말이 가장 적은 문헌

연결된 문서

• Students' Perception Accuracy of Partners' AI Use and its Relation to Collaboration Performance — 파트너의 AI 사용에 대한 학생의 인식 정확도와 그것의 협업 수행과의 관계
• Stuck in a Spiral": Shame and Guilt as Social Regulators of AI Use in Computing Education — 컴퓨터 공학 교육에서 AI 사용의 사회적 규제자로서의 수치심과 죄의식
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — 교수들이 대학에서 AI를 규제하는 방식: 31,000개 강좌 강의계산서의 증거
• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — AI 죄의식 콤플렉스: 학술 기술 채택의 도덕적 정서와 윤리적 딜레마
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — AI 교육을 위한 윤리적 가치와 규범 확인
• The fear of Big Brother: The potential negative side-effects of proctored exams — 빅 브라더에 대한 두려움: 감독 시험의 잠재적 부정적 부작용
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — 감시 아래에서: 간호 평가에서의 원격 감시 실행 지도
• Assessment Design Under Imperfect Information: Generative AI, Disclosure, and Student Response in Higher Education — 불완전한 정보 아래의 평가 설계: 생성 AI, 공개, 학생 반응
• Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI — 탐지 불가능한 것을 탐지하기: 생성 AI 이후의 부정행위 절차
• Cheating or Competing? University Students' Experience of AI Marketing and What It Means for AI Literacy Programming — 부정행위인가 경쟁인가? 마케팅 교육에서의 AI
• Students' Agency in GenAI-Mediated Group Assessment: An Ecological-Emergent Perspective — 생성 AI 지원 집단 평가에서의 에이전시
• ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit — Reddit 담론 분석: 교수진–학생 접촉이 탐지 및 집행 분쟁에 집중됨(Yüce 외 2026)