AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

교수자의 AI 역량

생성일 2026-05-08 · 갱신일 2026-10-09

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

교수자의 AI 역량 — 교수자가 AI를 교수와 학습에 효과적이고 윤리적이며 공정하게 통합하는 데 필요한 지식, 기술, 태도입니다. 이는 기술적 도구 사용을 넘어 교수법적 통합, 평가 리터러시, 윤리적 판단, 그리고 AI를 잘 사용하는 자신감을 포함합니다. 교수자의 AI 역량은 AI 리터러시에 대응하는 교수자 측의 짝이며, 전문적 개발을 통해 길러집니다. 이는 AI가 보강된 교실에서 교수자의 역할이 어떻게 전환되고 있는지의 핵심입니다.

생각해 볼 질문들

  • 이 페이지는 AI가 학습을 개선하는지의 여부에서 교수자가 '결정적인 요인'이라고 주장합니다. 즉 도구는 교수자가 그것을 계획하고 사용을 스캐폴딩하며 산출물을 평가할 수 있을 때에만 도움이 된다는 것입니다. 이것이 여러분의 경험과 맞습니까? 아니면 도구 자체가 교수자보다 더 중요하다고 보십니까?
  • 교수자의 AI 역량은 기술적 숙련, 교수법적 통합, 평가 리터러시, 윤리적 판단을 아우릅니다. 이 중 교수자가 가장 부족한 것은 어느 것이며, 훈련하기 가장 어려운 것은 어느 것이라고 보십니까?
  • 연구는 교수자가 스스로 인식하는 AI 기술과 실제 AI 기술 사이의 격차를 기록합니다. 사람들이 자신의 준비 상태를 과대평가하는 이유는 무엇이며, 그 격차를 정직하게 좁히려면 무엇이 필요할까요?
  • 이 페이지가 인용한 연구에서 집중적인 전문적 개발 프로그램이 AI 교수법적 기술에서 큰 향상을 만들어 냈는데, 이는 기술-교수법적 기술이 훈련될 수 있음을 시사합니다. 그것이 사실이라면 왜 그렇게 많은 교수자가 여전히 준비되어 있지 않아 보일까요? 무엇이 앞을 가로막고 있습니까?
  • 교수자가 'AI를 잘 사용할' 수 있다면, 여러분에게 '잘'은 무엇을 의미하며, 교수자가 단순히 도구를 도입한 것이 아니라 그것을 달성했다고 어떻게 알 수 있을까요?

들어가며

교수자의 AI 역량이 중요한 까닭은, AI가 학습을 개선하는지의 여부에서 교수자가 결정적인 요인이기 때문입니다. 연구는 일관되게 AI 도구가 더 나은 결과로 옮겨 가는 것이 교수자가 그것을 계획하고, 학생의 사용을 스캐폴딩하며, 산출물을 평가하고, 일관된 교수에 통합할 수 있을 때임을 보여 줍니다. 이 지식베이스의 문헌은 이 역량의 차원들, 자기 인식과 실제 기술 사이의 격차, 그리고 그것을 쌓는 전문적 개발을 살핍니다.

핵심 역량 차원

이 지식베이스의 연구는 몇 가지 상호 연결된 차원으로 수렴합니다.

  • 기술적 숙련: 교육 목표를 위한 효과적인 프롬프트를 만들고, 교수법적 적합성과 안전을 위해 AI 도구를 평가하고, 실시간으로 고장을 해결하는 것. 집중적인 GenAI 전문적 개발 프로그램은 AI-PCK 다섯 가지 구성 요소 모두에서 유의미한 향상(전반적 d = 2.36)을 기록하여, 기술-교수법적 기술이 훈련될 수 있음을 보여 주었습니다.

  • 교수법적 지식이 결정적인 층위입니다. 중등 AI 교육의 교차 수준 연구(교사 46명, 학생 2,832명)는 기술적 AI 지식만으로는 불충분하며, 학생들이 AI를 사회적 선에 관해 인식하는 것을 오히려 다소 낮출 수 있는 반면, 교수법적 AI 지식이 학생들의 인식과 AI를 배우려는 의지를 이끌었음을 발견했습니다. 따라서 역량 프레임워크는 교수법적 AI 지식을 부드러운 부가물이 아니라 핵심 차원으로 무게를 두어야 합니다.

  • 교수법적 통합: AI 사용을 학습 목표에 짝짓고, 학생의 메타인지와 자기교육에서의 AI 규제을 지원하는 스캐폴딩를 설계하고, AI를 수업 설계에 통합하는 것. AI-TPACK 연구는 교수자가 다중 에이전트 작업 흐름을 통해 기술적, 교수법적, 내용 지식을 어떻게 결합하는지를 모형화하고, 5수준 교수자-AI 협업 프레임워크(거래적에서 시너지적까지)는 GenAI가 교수자의 역량을 대체하고, 보완하고, 증강하는 방식을 포착합니다.

  • 평가 리터러시: AI가 생성한 콘텐츠와 학생의 AI 산출물을 평가하고, 학생이 AI를 사용할 때 타당성이 어떻게 달라지는지를 이해하는 것. 이는 자동화 평가, AI 탐지, 더 넓은 평가 재설계 과제에 연결됩니다. 추천 시스템의 경우 이것은 AI의 설명이 진정으로 이해 가능하고 교수법적으로 의미 있는지를 판단하는 것으로 확장됩니다. Feldman-Maggor 등(2025)은 설명이 원시 모형 특성을 드러낼 때보다 도메인(교육과정) 언어로 틀 지어질 때 교수자들이 AI 집단화 권고를 더 신뢰했음을 발견했습니다. 이는 불투명한 산출물을 그대로 받아들이기보다 설명의 질을 요구하고 평가하는 기술입니다.

  • 실증 가능한 기술로서의 모형 선택과 프롬프트 설계: 도구적 AI 리터러시에는 어떤 모형을 쓸지와 과제를 어떻게 표현할지를 아는 것이 포함됩니다. Jacobsen 등(2026)은 예비 교사 153명의 수업 계획 목표를 체계적으로 달리한 네 가지 프롬프트 아래 ChatGPT-4, Claude 3, Gemini Advanced가 비평하게 하여(N = 240개의 피드백, 연구 2는 345개), 피드백를 아홉 가지 품질 범주로 평가하게 했습니다. 모형 선택만으로 평가된 품질의 분산 중 26.9%(연구 2에서는 18.4%)를 설명했고, 프롬프트 설계가 그 위에 유의미한 15.9%(5.7%)를 더했습니다. 단 하나의 결정적 프롬프트 특성은 도메인 특정 기술 용어였으며, 이를 제거하면 품질이 유의미하게 낮아졌습니다(β = −0.412). 반면 예시를 더하고 사슬형 사고 지시를 빼는 것은 연구 1에서 유의미한 차이를 만들지 않았습니다. 저자들의 해석, 즉 교과 용어가 관련 있는 훈련 데이터 내용의 자물쇠를 열고 역할 프롬프트처럼 요청을 전문적으로 틀 짓는다는 해석과, 현재 사용 가능한 최전선 모형 중 가장 역량이 큰 것을 쓰라는 경험 법칙은 모형 선택을 기술적 결정이 아니라 교수법적 결정으로 만듭니다.

  • 윤리적이고 비판적인 사용: AI 산출물의 편향을 알아차리고, 학생 데이터를 보호하며(프라이버시), 공정한 결과를 보장하는 것(형평성). 문화적으로 적합한 AI 사용은 교수자가 LLM을 지배적 규범을 강화하기보다 자료를 다양화하는 데 사용할 수 있는지를 살핍니다.

  • 윤리적 책임은 개인이 아니라 분산되어 있습니다. 일곱 개 국가의 사례에 걸쳐 교수자는 AI 사용의 도덕적 문지기로 위치 지어지면서도 기관적·인식론적 지원을 결여하고 있으므로, 윤리적 AI 리터러시는 기술적 기술이 아니라 비판적이고 정치적 행위성으로 확장되어야 합니다(Raffaghelli 등(2026)).

  • 자신감과 태도: 교수자의 자신감은 도입을 규정합니다. 도입 연구는 자신감, 지원, 지각된 유용성이 교수자가 실제로 AI를 사용하는지를 이끈다는 것을 발견하고, 교수진의 지향은 연구와 교수에서의 도입을 규정합니다.

  • K-12 교사 1,405명을 대상으로 한 5개국 설문에서 AI 준비도는 GenAI의 교수적 가치에 대한 긍정적 믿음을 예측했으나(B = .59, R² = .50) 오히려 더 큰 창의성 우려를 예측했고(B = .18), 같은 예측 요인이 우려의 7%와 6%만을 설명했습니다. 준비도를 쌓는 것만으로는 우려에 닿지 않습니다(Xiu 등(2026)).

준비도는 이에 따라 순서에 두고 측정해야 합니다. Capability–Decision 모형은 실증된 AI 역량을 태도와 자신감의 상류에 놓고, 자기보고만이 아니라 수행 지표를 제안합니다. 수업 설계 과제, 오류를 심어 둔 프롬프트 평가 과제, 내용 타당성 판단, 교실 산출물 루브릭이 그것입니다(Mnguni (2026)).

정서적·도덕적 준비도는 별개의 차원입니다. Vassallo (2026)은 몰타의 한 대학 교직원(응답자 109명)을 설문 조사하여 네 개의 도덕-정서 문항으로 AI 죄의식 지수(α = 0.88)를 만들고, 사용 후에 경험하는 후회보다 예기적 죄의식이 더 크다는 것을 발견했습니다. 가장 강한 지지는 AI 사용이 자신의 신빙성을 떨어뜨릴지 모른다는 우려였고(34.9% 동의), 이어서 사용할 때 부정행위를 하는 기분이 든다는 것이었으며(25.7%), 사용 후 후회는 9.2%에 그쳤습니다. 역량 프레임워크에 중요한 발견은, 비사용자가 사용자보다 더 높은 죄의식을 보고했다는 것(M = 3.25 대 M = 2.32)과 죄의식이 직업적 안정이 높아질수록 낮아졌다는 것입니다. 초기 경력 학술인이 가장 높고(M = 2.71), 선임 학술인이 가장 낮았습니다(M = 2.03). 따라서 정서적 준비도는 기술이나 자신감 측정으로 포착되지 않으며, 이 논문은 역량 프레임워크가 죄의식과 정체성에 대한 우려를 바로잡아야 할 결함이 아니라 정상적인 전환기 반응으로 다루어야 한다고 주장합니다.

그러한 재규정의 더 강한 버전은 GenAI를 기술의 격차가 아니라 임계 개념으로 보는 것입니다. 한 자기민속지적 서술은 교수진의 불안과 저항이 임계 횡단을 구성하는 것이므로 기술 기반 교육은 실패하고, 원칙에 따른 비도입은 교정되기보다 존중받아야 한다고 주장합니다(Laidlaw (2026)).

역량 격차

핵심적인 발견은 자기보고된 역량과 수행 기반 역량 사이의 격차입니다. AI 리터러시 평가에 관한 연구는 교수자가 자신이 할 수 있다고 믿는 것과 실제로 보여 줄 수 있는 것 사이에 상당한 불일치(최대 약 40%)를 기록합니다. AI 기술에 자신감을 가진 교수자가 기초적인 프롬프트 설계와 평가 능력을 결여하는 경우가 흔합니다. 이는 자기보고에 의존하기보다 교수자 역량의 **수행 기반 평가**를 동기로 삼고, 보정된 자기평가에 연결됩니다. 나이지리아 중등 교사 2,586명을 대상으로 한 전국 설문은 양변을 서로 다른 도구로 측정하여, 중간 정도의 AI 인식(M = 8점 만점에 3.13)에 비해 낮은 AI 교수법적 기술(M = 5점 만점에 2.47)을 보였으며, 초기와 중기 경력 교사가 경력이 많은 동료보다 더 높은 기술을 보고했습니다(Olurinola 등, 2026)).

격차는 지각된 기술과 실제 기술 사이에만 있는 것이 아니라 교수자가 아는 것의 넓이에도 있습니다. 우크라이나 중등 교육자 2,018명을 대상으로 한 전국 설문에서 84%가 전문적 실천에서 AI를 사용한다고 보고한 반면, ChatGPT를 넘어서는 전문 AI 서비스의 이름을 댈 수 있는 사람은 11%에 불과했습니다(Marienko, Markova & Semerikov (2026)). 두 번째로 드러나는 좁음은 교수자가 이름 댈 수 있는 것이 아니라 자발하는 데 있습니다. 재직 교사 53명이 자신의 교실 사례를 OECD AI 리터러시 프레임워크에 맞추어 분류한 결과, AI에 능통한 실천 43건에 비해 실패는 10건에 불과했습니다(Wang 등(2026)). 그들의 역량 선택은 실천적 판단(AI 산출물 평가, N = 38)에 모였고, 사회적 편향(N = 5), 윤리적 정렬(N = 6), AI의 에너지 사용(N = 9)에는 거의 미치지 못했습니다.

격차는 자기보고뿐 아니라 산출물에서도 보입니다. 교사 준비 과정에서 교사 교육자가 자신의 교수법 강좌에 AI를 설계한 여러 기관에 걸친 교수진 협력체는, 예비 교사가 윤이 나는 AI 지원 수업 계획을 만들어 내면서도 왜 그 계획이 학습자와 기준에 맞는지를 설명하지 못하는 경우를 보고했습니다. 계획 자체는 그 뒤에 깔린 추론에 관해 아무것도 말해 주지 않기 때문입니다. 이에 대한 한 대응은 산출물이 아니라 정당화를 채점하는 것입니다. 실천의 교수법 프레임은 연습을 실천의 근사로 다루는 또 다른 대응을 제시합니다. 구조화된 사후 피드백이 수반된 AI 매개 예행연습은 예비 교사의 탐침 질문과 탐색 질문의 사용을 높였으나, 예비 교사 자신이 내린 수행 판단은 관찰자가 기록한 것과 여전히 달랐습니다.

교육 후에 낮아진 자기평가는 학습이 아니라 상실의 신호일 수 있습니다. 홍콩 대학 교사 64명을 통제 집단 61명과 비교한 6개월 Intelligent-TPACK 전문적 개발 프로그램에서 전반적 AI 역량은 약 반 표준편차만큼 높아졌으나(Cohen's d = −.521), 두 집단 모두에서 사후 검사 점수가 사전 검사보다 낮아진 교사가 있었습니다(Tan, Cheng & Ling, 2025). 인터뷰는 이 하락을 무의식적 무역능력에서 의식적 무역능력으로의 이동, 즉 Dunning–Kruger 효과가 예측하는 보정에 돌렸으며, 잃어버린 기술에 돌리지 않았습니다. 저자들은 사전-사후 자기보고가 개입을 과소평가한다고 결론짓습니다. 향상의 일부가 도구 자체의 하향 보정으로 도착하기 때문입니다.

격차는 비참여로도 드러납니다. Watson & Rainie (2026)은 2025년 말 미국 대학 교수진 1,057명을 설문 조사하여 26%가 생성형 AI 도구를 전혀 사용하지 않으며, 3분의 1이 교수를 위해 사용하지 않기로 선택하고, 비사용이 예술과 인문학(40%)에 집중되어 있음을 발견했습니다. 격차의 기관적 측면은 개인적 측면보다 더 컸습니다. 68%가 자신의 학교가 교수와 멘토링을 위해 생성형 AI를 사용하도록 교수진을 준비시키지 않았다고 말했으며, 교수진은 학과 차원 도입의 주요 장애로 동료의 저항(82%)과 낯섦(83%)을 꼽았습니다. 이는 역량 구축, 동료 규범, 정책이 함께 움직여야 하는 그림입니다.

예비 교사 교육은 이 역량의 윤리적 차원을 대부분 비껴갑니다. 예비 초등 수학 교사를 위한 AI 도입 교육에 대한 체계적 고찰(Pinto 등 2026, 341건의 기록 중 선별된 11개 연구)은 개입이 단기적 기술·교수법적 향상에 집중하고, 11개 중 9개가 1회에서 6회에 걸친 짧은 개입이었으며, 윤리가 11개 중 3개 연구에서만 다루어졌음을 발견했습니다. 역량 프레임워크는 윤리적 판단을 차원으로 이름 붙이지만, 그것을 쌓기 위해 마련된 예비 교사 문헌은 그것을 거의 가르치거나 측정하지 않습니다.

효과가 있는 전문적 개발

이 지식베이스의 전문적 개발 문헌은 효과적인 접근을 다음과 같이 확인합니다.

  • 집중적이고 이론에 기반한 프로그램: 집중적인 GenAI 전문적 개발 프로그램은 교사와 예비 교사 163명이 AI-PCK 구성 요소 모두에서 유의미한 향상을 보였으며, 예비 교사가 가장 큰 이득을 얻었습니다. 자기결정이론에 기반한 전문적 개발은 요구를 지탱하는 교육이 교수자의 AI 리터러시, 태도, 참여를 개선하면서 불안을 줄임을 보여 줍니다.
  • 설계 기반이고 통합적인 접근: 설계 기반 연구에 기반한 GenAI 리터러시 교육은 기술적 지식과 GenAI 이전 도구에 대한 과도한 강조를 다루고, 통합적이고 발달적인 프레임워크와 사회정서 역량의 통합은 리터러시를 순수한 기법 너머로 넓힙니다.
  • 탐구와 실제적 실천: AI 지원 탐구 모형은 예비 교사의 AI 리터러시와 실제적 수행을 쌓습니다.
  • 맥락 특정 준비도: EPIQ-AI 준비도 프레임워크는 교수진의 준비도가 교수진 역량, AI 거버넌스, 품질 보증의 정렬을 요구하는 사회기술적 문제임을 강조합니다.
  • 지원은 경험과 AI 활용 능력에 따라 달라져야 합니다. Choi 등(2026)은 교수자가 수업 설계에서 실제로 AI와 상호작용하는 방식이 교수 경험과 AI 활용 능력 중 어느 하나가 아니라 둘의 상호작용에 달려 있음을 발견했습니다. AI 활용 능력이 높은 경력 교수자는 AI 산출물을 맥락에 맞추어 비판적으로 변용하는 반면(재프롬프트, 보완), 기술적으로 유창한 예비 교사라 할지라도 AI의 응답을 그대로 받아들이고 학생과 맥락을 거의 고려하지 않는 경향이 있습니다. 이는 프로파일 기반의 전문적 개발을 요구합니다. 예비 교사에게는 응답 평가 체크리스트와 프롬프트 템플릿을, AI 활용 능력이 낮은 경력 교사에게는 직접적인 기술 함양을 제공하십시오.

믿음의 구성은 두 번째 프로파일 축입니다. TALIS 2024의 교사 40,680명 가운데 같은 비사용 상태도 서로 반대되는 장벽을 가립니다. 무관심 프로파일의 83.3%는 교수법적 유보를, 절제된 지지 프로파일의 66.2%는 지식과 기술의 부족을 꼽았습니다(Fang & Jin (2026)). AI 관련 전문적 학습은 나이나 학력보다 프로파일 소속을 더 일관되게 따라갔습니다.

  • 교수자들은 AI에 대한 하나의 개념화를 공유하지 않습니다. 덴마크 고등교육 교사 16명을 대상으로 한 현상기록학적 연구는 AI로 가르치는 것에 대한 개념화가 세 가지, AI로 학습하는 것에 대한 개념화가 세 가지임을 발견했습니다. 따라서 단일 워크숍 모형은 어떤 교수 집단의 일부분에만 도달합니다(Stenalt (2026)).

  • 공동 설계와 교수법적 프롬프트 리터러시는 부가물이 아니라 역량입니다. 학습 과제의 교수자-AI 공동 설계에 대한 체계적 고찰(Wang, Liu & Islam 2026, 28개 연구)은 지배적인 협업 양상이 조력자이자 콘텐츠 생성자로서의 AI이며, 교수자의 더 완전한 공동 설계와 대화적 파트너십 역량에 격차가 있음을 밝힙니다. Talebzadeh (2026)은 기술적 AI 교육과 교수법적 추론을 짝짓는 전문적 개발(PCK를 프롬프트에 부호화하는 '교수법적 프롬프트 리터러시'를 쌓는 것)이 교수자가 AI 산출물을 효과적인 차별화된 모둠 활동으로 바꾸게 하는 것임을 보여 줍니다.

  • 역량의 목록이 아니라 역량을 쌓는 구조. Perl-Nussbaum과 Finkelstein (2026)은 규모가 큰 공립 R1 물리학과에서 격주로 여섯 차례의 교수진 학습 공동체를 운영했습니다. 시리즈 전체로 교수진 19명이, 각 모임에는 약 10명이 참여했으며, 모든 세션이 지역 데이터로 열리고 실제 익명화된 학생 과제에 대한 AI의 소집단 테스트로 옮겨가고 집단적 토론으로 마무리되었고, 이는 교육 패키지가 아니라 다섯 항목의 공유 저장소를 산출했습니다. 평가 리터러시는 설계 도구를 통해 같은 방식으로 쌓일 수 있습니다. Paula 등(2026)의 파일럿에서 경험이 풍부한 STEM과 보건 강좌 코디네이터 여덟 명이 사용자 지정 GPT의 평가 초안을 학문적 기준에 비추어 비평함으로써 평가 리터러시를 길렀습니다. 비록 산출물이 반복적으로 학문적 맥락을 놓치고 주제 순서를 무시하며 한 경우에는 날조된 참고문헌을 반복된 프롬프트 속에서도 유지했을지라도 말입니다. 여덟 명 모두 학문적 판단을 자신에게 남겨 두고 처음부터 끝까지의 자동화를 거부했으며, 이로써 개발 메커니즘은 도구 교육이 아니라 생성된 초안에 대한 구조화된 비평이 됩니다.

  • 짧은 세션은 수용은 움직여도 도입은 움직이지 못할 수 있습니다. Mesenhöller와 Böhme (2026)은 독일 초등·중등 교사 100명을 대상으로 한 3시간 INSIGHT 세션을 평가하여, 지각된 유용성과 지각된 사용 용이성이 모두 유의미하게 높아졌으나(유용성 t(99) = −3.24, p = .002, d = .32, 사용 용이성 d = .25) 차별화를 위한 AI 기반 기술을 사용하려는 행동 의도는 변하지 않았음을 발견했습니다. 저자들은 자신들의 기준선이 이미 유리했음을 지적하여 천장 효과가 가능하다고 봅니다. 전문적 개발 설계에 대한 함의는 좁지만 유용합니다. 짧은 세션은 교수자가 AI 도구를 어떻게 판단하는지는 바꾸어도 그것을 사용할 계획인지는 바꾸지 못할 수 있으며, 이런 종류의 변화는 일회성 행사가 아니라 후속 조치를 필요로 합니다.

  • 강사는 유창함을 선호하지만 학습은 스캐폴드에 돌립니다. 강사 41명을 대상으로, GPT-4o 기준 모형이 전반적으로 더 선호되었으나(21 대 13), 미세 조정된 3단계 모형(확인, 탐색, 발전)은 학습에 기여한 것으로 더 자주 평가되었고(18 대 13), 두 판단은 39%의 경우에만 일치했습니다(Molnar 등(2026)).

  • 기관의 지원: 전문적 개발은 지속 가능한 도입을 위해 기관 인프라(정책, 기관 변화)와 짝을 이루어야 합니다.

  • 저작 도구가 교수법적 충실성을 보장하지는 않습니다. Riahi 등(2026)은 전문적 개발 워크숍에서 교육용 챗봇을 설정한 중학교 교사 27명을 연구하며 포커스 그룹과 설정 및 상호작용 기록을 함께 분석했습니다. 교사들은 챗봇을 교수자가 정의한 규칙에 의해 제한되는 수업용 스캐폴드로 다루었으나, 기록에 기반한 의도와 행동의 정렬은 응답성(88.9%)과 페르소나(81.5%)에서는 규칙(70.4%)과 목적(59.3%)보다 강했습니다. 설정 가능한 제어 장치만으로는 교수법적 의도가 행동으로 옮겨가지 않으므로, 챗봇의 교수법을 표현하고, 시험하고, 다듬는 것 자체가 저작 도구가 지원해야 할 역량입니다.

역할의 사다리 위 한 단계가 아니라 상황적인 것으로 역량을 다루는 설계 기반 반례가 있습니다. 22명의 고등교육 교사 교육자와 함께 한 Eyal(2025)의 설계 기반 연구에서 참가자들은 공개된 평가 프레임워크 다섯 개를 살피고 세 개의 상호 관련된 축을 중심으로 대안을 공동 설계했습니다. 맥락 적합성(인프라, 사회문화적 요인, 지역의 요구, 발달 단계), 전문적 요구(학문 분야, 교수법, 리더십, 지원), 역동적 발달이 그것입니다. 이 모형은 고정된 역량 수준을 거부하고 비선형적 진행을 허용하며, 1에서 5로 평정하는 20문항의 반성적 자기평가 설문지를 함께 제공합니다. 다만 그 검증은 질적일 뿐 정량적 신뢰도 검증은 없어, 이는 검증된 도구가 아니라 설계적 기여로 서 있습니다.

  • 메타분석적 추정. Guo 등(2026)은 34개 연구의 효과 크기 212개를 통합하여, 교수자의 AI 리터러시 전문적 개발을 g = 0.76(95% CI [0.50, 1.02])으로 추정했습니다. 기술에서 가장 강하고(g = 0.91), 태도와 가치에서 가장 약했습니다(g = 0.61). 명백한 출판 선택을 보정하면 추정치는 약 g = 0.49로 낮아집니다.

  • 참여하는 느낌이 아니라 출석이 향상을 예측합니다. 같은 6개월 프로그램에서 출석률이 역량 향상을 예측했고(β = .407, p = .001), 스스로 인식한 참여는 그렇지 않았습니다(β = .049, p = .692). 학문 분야, 교수 경험, 직함은 거의 설명하지 못했으며, 저자들은 출석을 행동적 투자로, 인식된 참여를 피상적 참여로 읽습니다(Tan, Cheng & Ling, 2025).

  • 가치는 전공 분야별 프로그램에서도 기술에 뒤처집니다. 홍콩의 영어 교사 30명을 대상으로 한 1년 프로그램에서 다중 양태 평가 전략에 대한 지식은 5점 만점에 3.13에서 4.15로(부분 η² = 0.571), 학생을 지원하는 역량은 3.05에서 3.98로(0.482) 높아져 모두 유의미했으나, 모든 가치 하위 영역은 Bonferroni로 보정된 α = .006 아래에서 통계적으로 평탄하게 남았습니다. 교사들은 이 향상을 워크숍만이 아니라 학교 안 공동 계획과 학교 간 집단 회의에 돌렸습니다(Jiang 등, 2026)).

  • 마이크로러닝이 대학 교사의 AI 역량을 발전시킬 수 있다. Cechovsky (2026)는 두 번의 온라인 집단 토론에 걸쳐 직업 교육용 모듈 두 개를 정제하여 다섯 가지 설계 원칙 — 명확한 구조와 오리엔테이션, 안내와 탐색 지원, 분절과 모듈화, 다중 양식 제시, 학습자 활성화 — 를 얻었으며, 플랫폼 탐색과 모듈 위치 파악이 주된 실제 장벽으로 나타났습니다.

전환되는 교수자의 역할과 교수자의 AI 역량

AI가 일상적인 교수와 평가 과제를 떠맡을수록, 교수자의 고유한 기여는 오케스트레이션, 판단, 관계로 옮겨갑니다. 즉 AI를 언제 어떻게 사용할지 결정하고, 학생의 주체성과 비판적 사용을 스캐폴딩하며, 형평성을 보장하고, AI가 줄 수 없는 사회적·정서적 지원을 제공하는 것입니다. 이는 교수자 역량을 인간 참여형 감독, 윤리적 판단, 자기조절 학습의 지원을 중심으로 다시 규정하며, 교수(Teaching)와 과도한 의존을 막는 일에 연결됩니다.

교육에서의 인공지능을 위한 함의

  • 자기보고만이 아니라 수행을 평가하기: 기록된 자기보고 격차를 고려할 때, 교수자의 역량은 실증을 통해 평가되어야 합니다.

  • 도구만이 아니라 전체 역량을 훈련하기: 전문적 개발은 학습 이론에 기반하여 기술적, 교수법적, 평가적, 윤리적 차원을 함께 쌓아야 합니다.

  • 기술과 함께 자신감을 쌓기: 태도와 자기효능감는 도입을 규정하므로, 전문적 개발은 불안을 줄이고 실제적이고 지원받는 실천을 통해 자신감을 쌓아야 합니다.

  • 기관 층위를 지원하기: 지속 가능한 교수자 역량은 고립된 교육이 아니라 정렬된 정책, 거버넌스, 역량을 요구합니다.

  • GenAI 교육과정 설계를 위한 교수자의 디지털 역량. Guillén-Gámez (2026)은 재직 교사 434명으로 TAM 기반 진단 도구를 검증했습니다. 교육과정 계획에서 GenAI를 사용하는 디지털 역량의 주요 예측 요인은 행동 의도였으며, 자기효능감이 근원적 동인이었습니다.

교수자의 AI 역량을 위한 심리측정 도구

  • 한 심리측정 연구는 교사자의 AI 역량을 측정하기 위해 특히 언어 교사 교육 안에서 AI 리터러시를 측정하는 교수자 AI 리터러시 척도(TAILS)를 개발하여, ED-AI 프레임워크의 여섯 차원을 실행에 옮겼습니다. 이 도구의 개발은 학생이나 일반 사용자를 대상으로 하는 평가의 공백을 메우고, 교수자의 AI 역량의 측정을 뒷받침합니다.

이후 도구의 지형 자체가 검토되었습니다. Zainal, Mohd Matore, Maat(2026)의 교수자 AI 리터러시 측정 도구에 관한 체계적 고찰은 2019년부터 2025년 사이에 발표된 도구 33개를 평가하고, 이 분야가 방법론적으로 단조롭다는 것을 발견했습니다. 31개(93.9%)가 지각된 자신감의 자기보고 척도이고, 지식을 객관적으로 검증하는 것은 2개(6.1%)뿐이며, 수행 기반 과제를 사용하는 것은 하나도 없습니다. 내적 일관성은 가장 강한 품질 영역이었고(33개 중 28개가 A등급), 공정성은 가장 약했으며, 측정 불변성이나 문항 기능 차이에 관한 근거를 보고한 도구는 5개(15.2%)였습니다. 내용도 기술에 뒤처져, 29개 도구(87.9%)가 일반적 AI 개념을 대상으로 하고, 생성형 AI를 다루는 것은 4개(12.1%)뿐이며 모두 2025년작입니다.

연결된 개념

연결된 문서

연결된 FAQ

연결된 리소스

  • Claw-ED
    교사가 선택한 모델을 사용해 자신의 커리큘럼을 편집 가능한 수업 초안, 학생 자료, 슬라이드로 바꾸는 로컬 우선 AI 교수 보조 도구입니다.
  • EduGems
    Google Gemini의 사전 제작 '젬(Gems)' 라이브러리가 계속 늘어나고 있습니다. 계획, 피드백, 설문, 이미지, AI 사용 성찰을 위한 공유 가능한 사전 작성 프롬프트를 제공합니다.
  • 플레이랩
    교육자가 자신의 AI 앱을 직접 만들고, 공유하고, 평가하는 비영리 제작자 플랫폼으로, 커리큘럼에 기반하고 원하는 모델로 실행되며 교사의 가시성이 기본적으로 내장되어 있습니다.
  • TeacherServer
    K-12 교사와 대학 교수를 위한 단일 목적 수업 자료 생성기의 대규모 무료 라이브러리입니다: 수업 계획, 학습지, IEP 목표, 루브릭, 사례 연구, 수학 문제 등을 제공합니다.

메타데이터

수준K 12, Higher Ed
대상 독자Faculty Developers, Learners, Instructors
학습과 교수자기효능감
기술과 기법생성형 AI, 지능형 튜터링, 대규모 언어 모델(LLM)
형평성, 윤리, 그리고 책임 있는 사용형평성
교육에서의 인공지능 기초AI 리터러시, 교육 개발, 교수(Teaching)
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.