AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

전문성 개발

생성일 2026-08-16 · 갱신일 2026-10-03

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

전문성 개발 — 교사의 준비 과정과 지속적인 전문성 개발로, 예비 교사 양성(초기 자격증 프로그램)과 현직 교사 전문성 개발을 모두 아우릅니다. AI 교육 연구에서 교사 교육이 핵심 관심사가 된 이유는, 교사의 AI 리터러시, 기술-교수법 지식, 윤리적 유창성, AI를 수업에 통합하려는 준비도가 교실에서의 AI 도입 성패를 좌우하기 때문입니다. 이 개념 페이지는 AI가 예비 교사와 현직 교사의 준비, 지식, 신념, 실제 수행 방식을 어떻게 재편하는지에 대한 지식 기반의 방대한 내용을 구조화합니다.

생각해 볼 질문들

  • 여기서 말하는 교사 교육은 예비 교사 양성(자격증 프로그램의 미래 교사)과 현직 전문성 개발(실제로 가르치는 교사)을 모두 포함합니다. 이 둘 중 어느 쪽이 AI 교실을 준비하는 데 더 큰 도전에 직면해 있다고 보시며, 그 이유는 무엇입니까?
  • 이 페이지는 교사 교육이 단지 AI 도구를 사용하는 방법이 아니라 AI를 이해하고, 평가하고, 윤리적으로 통합하는 방법을 가르쳐야 하며, 이것이 '교사라는 것이 무엇인지'를 재정의한다고 말합니다. 그런 재정의가 자격증 프로그램의 교육 내용을 어떻게 바꾸어야 한다고 보십니까?
  • AI-TPACK 같은 프레임워크는 고전적 TPACK 모델에 AI와 윤리 차원을 추가하여 확장합니다. 기술-교수법-내용 지식의 'AI 차원'이 챗봇 조작 방법 너머에 실제로 어떤 내용을 담고 있어야 한다고 보십니까?
  • 이 페이지에 인용된 55개 연구에 대한 범위 검토(scoping review)는 AI가 예비 교사의 수업 설계, 성찰, 비판적 사고를 향상시킨다고 봅니다. 그러나 AI가 이 중 일부를 대신해 줄 수 있다면, 교사 양성에서 AI의 활용은 언제 실제로 필요한 역량을 쌓아 주고, 언제 그 판단을 대체하게 됩니까?
  • AI 시대를 위한 교사 교육 프로그램을 다시 설계한다면, 미래의 모든 교사가 반드시 경험하게 할 것은 무엇이며, 어떤 부분은 의도적으로 AI에 위임하지 않도록 하겠습니까?

들어가며

교사 교육은 여러 지식 기반 줄기의 교차점에 놓여 있습니다. 교사 교육은 의학 및 보건 전문직 교육이나 인문·사회과학 교육처럼 하나의 학문·영역이면서, 동시에 교수(Teaching), 기술적 교수 내용 지식(TPACK), 교수자의 AI 역량, AI 리터러시 같은 일반 개념에 의존합니다. AI 시대의 교사 교육은 교사가 AI 도구를 사용할 수 있게 할 뿐 아니라 AI를 이해하고, 평가하고, 윤리적으로 통합할 수 있게 준비시켜야 하며, 이러한 전환은 교사라는 의미 자체를 재정의합니다. 학습 과학은 이 형성 과정이 짊어져야 할 지식을 제공합니다. 학습 과학이 사람이 어떻게 배우고 학습 환경을 어떻게 설계해야 하는지를 연구한다면, 교사 교육은 그러한 증거가 교사 자신의 설계·교수·평가 역량으로 자리 잡아야 하는 전문적 형성의 장입니다.

교차 수준의 증거는 설계 우선순위를 날카롭게 만듭니다. 46명의 교사와 2,832명의 중학생을 대상으로 한 다층 연구는 기술적 AI 지식이 아니라 교수법적 AI 지식(TPAIK)이 학생들의 사회적 선을 위한 AI에 대한 인식과 AI 학습 의도를 이끌었다고 밝혔습니다. 따라서 교사 교육은 도구 활용 능력보다 AI를 통해, 그리고 AI에 대해 가르치는 방법을 전면에 내세워야 하며, 이는 "교수법 우선, 기술은 그다음"이라는 지침과 일치합니다.

예비 교사 교육

예비(초기) 교사 교육은 자격증 프로그램 기간 중 미래의 교사를 준비시킵니다. 이 영역의 AI 연구는 다음과 같습니다.

  • AI-TPACK과 지능형 TPACK 준비도. 여러 검사 도구와 프레임워크가 AI/윤리 차원을 더하여 기술적 교수 내용 지식(TPACK) 프레임워크를 확장함으로써 예비 교사의 AI 통합 준비도를 측정하고 구축합니다.(Conceptualizing pre-service teachers' readiness for AI integration into teaching practices: An intelligent-TPACK approach)(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs)

  • 수용 양상, 그리고 사용 용이성/의도 역설. Chen 등(2026)은 128명의 예비 교사를 네 개의 ChatGPT 수용 집단으로 분류했습니다. 저항적 회의론자(14.06%)는 인지된 사용 용이성은 높지만 행동 의도는 매우 낮게 보고하여, 조작 기술 훈련만으로는 이들을 전환시키지 못함을 보여 주었습니다.

  • 적용과 효과. 55개 연구에 대한 범위 검토는 AI가 예비 교사의 수업 설계, 교과 지도, 실습 교수 기술, 평가, 성찰적 실천, 비판적 사고, 기술 통합, 교수법적 혁신을 향상시킨다고 보여 줍니다.(Harnessing artificial intelligence for preservice teachers' development: A scoping review of applications, benefits, and challenges)

  • 비계 없이 제공된 생성형 AI는 생성형 AI를 전혀 쓰지 않은 경우보다 낮은 점수를 받았습니다. 52명의 예비 교사를 대상으로 한 11주 준실험에서, 비계 없이 생성형 AI를 사용한 수업은 생성형 AI를 쓰지 않은 수업보다 루브릭으로 평가한 수업지도안 점수가 낮았습니다(조정 평균 86.54 대 81.87, F = 8.348, p = 0.006, η² = 0.146). 자기조절 학습이나 비판적 사고에서는 집단 간 차이가 없었습니다(Zhang 등(2026)).

  • 교육용 로봇공학과 머신러닝. 초기 교사 양성 과정에 코딩, 로봇공학, 머신러닝 활동(예: micro:bit)이 포함되어 미래 교사의 컴퓨팅 사고력을 길러 줍니다.(Coding, robots, computational concepts, and machine learning using the microbit card and the Maqueen and Nezha kits. A study in initial teacher training)

  • 진정성 평가와 메타인지. AI 매개 평가 모델(예: AAIWA)은 진정성 있는 루브릭 기반 평가, 상황 반응형 AI 피드백, 메타인지적 성찰을 예비 교사 프로그램에 통합합니다.(AI-mediated authentic assessment and metacognitive reflection: A mixed-methods study of the AAIWA model)

  • 과학교육에서 AI 지원 탐구. 튀르키예의 예비 과학교사 48명을 대상으로 한 준실험(Aydın)은 광합성과 호흡을 주제로 한 8주 AI 지원 안내 탐구 프로그램에 문제 중심 및 설계 중심 학습을 통합했습니다. 이 프로그램은 두 생물학적 과정에 대한 개념 이해에서 유의미한 향상을 낳았지만, AI 리터러시나 자기 인식 컴퓨팅 사고력에서는 유의미한 효과가 없었습니다. 이는 AI-IBL이 교사 후보생의 교과 이해를 깊게 할 수 있으면서도 그들의 AI/CT 역량을 자동으로 쌓아 주지는 않는다는 점을 일깨워 주며, 해당 역량에는 명시적이고 표적화된 설계가 필요합니다.

  • 구성주의 수업 설계를 위한 생성형 AI. SAHAB 모델은 생성형 AI가 교사로 하여금 구성주의 구성을 설계할 수 있게 하는 준실험적 전문성 개발 개입으로, 큰 효과를 보였습니다(d = 1.18). 이는 생성형 AI가 교사 후보생과 현직 교사 모두에게 콘텐츠를 전달하는 것을 넘어, 학생 중심 학습 활동의 설계를 지원하는 방식으로 수업 설계의 비계 역할을 할 수 있음을 보여 줍니다.

  • 대학원 수학 교육학 석사 학생을 위한 스마트 교실 훈련. Zhu, Liang, Mao, Wang(2026)는 지능형 교육 기술(자동 채점, 개인화 추천, 다중 AI 피드백)을 수업 전·중·후 단계에 걸쳐 도입하여 수학 교육학 석사 과정을 강화하는 방법을 보여 주었고, 수업 목표 설계 능력에서 통계적으로 유의미한 향상을 얻었습니다. 전이 가능한 D-T-E 모델(학문적 요구–기술적 역량 강화–평가 순환)은 스마트 교육을 대학원 교사 양성에 통합하기 위한 교과 특화 프레임워크를 교사 교육자에게 제공합니다.

  • 허용적 정책 아래에서의 도입은 설문조사가 시사하는 것보다 얇고, 평가 리터러시는 전이되지 않습니다. Zou 등(2026)은 생성형 AI 사용이 평가에서 명시적으로 허용된 홍콩의 세 교사 교육 과정에 속한 85명의 교사 후보생을 조사했습니다. 62.4%(53명)는 전혀 사용하지 않았고, 사용한 경우에도 활용이 얕고 교정 위주였습니다(교열 43.8%, 명확성 점검 34.4%, 텍스트 생성 18.8%, 브레인스토밍 12.5%). 표절로 오해받을 것에 대한 두려움(비사용자의 41.5%)과 단독 작업 선호(77.4%)가 기술 부족(13.2%)을 압도했고, 인터뷰 대상자 11명 중 9명은 허용적 정책이 잠재적 "함정"이 될 수 있다고 읽었습니다. 이는 예비 교사가 AI 사용이 허용된 수업에 도구 활용 준비도뿐 아니라 학문적 진실성 불안을 함께 가져온다는 증거입니다.

  • 교실 AI 정책 수립은 예비 교사의 사고를 드러내는 렌즈가 됩니다. Nash & Burriss(2026)는 주(state) 차원의 AI 지침이 없는 곳에서, 중등 영어 교사 양성 프로그램의 캡스톤 학년에 있는 27명의 예비 중등 영어 교사에게 자신이 6~12학년 교실에서 사용할 AI 정책을 작성하게 했습니다. 27명 중 26명은 일부 AI 사용을 허용했고, 거의 항상 교사가 지정한 과제·시간·장소로 제한했으며, 노동 관행과 저작권에 대한 윤리적 근거를 들어 전면 금지한 경우는 한 명뿐이었습니다. 22명은 아이디어 생성에 AI를 허용한 반면, 22명은 문장·단락·논문 작성에 AI를 사용하는 것을 금지하거나 불명확하게 두었고, 이에 따른 성찰은 교수법적 신념과 AI를 통합해야 한다는 느껴지는 의무 사이의 협상으로 읽혔습니다. 추상적으로 AI를 토론하게 하는 대신 예비 교사에게 정책을 직접 작성하게 하는 것은 그들의 철학, 신념, 교육과정 가정을 드러내어, 교수법 수업에서 가치가 높은 활동이 됩니다.

  • 정책이 실제 수행을 규율하지는 못합니다. 미국의 한 교사 교육 프로그램에서 네 학기에 걸친 설문조사 자료는 AI 탐지 소프트웨어를 검토하는 상황 속에서도 평가 준비를 위한 생성형 AI 사용이 57%에서 83%로, 학습을 위한 사용이 44%에서 76%로 증가했음을 보여 주며, 조사 물결을 거치며 윤리적 불확실성도 함께 높아졌습니다(Parker 등(2026)).

현직 전문성 개발

현직 전문성 개발은 AI를 통합하는 현직 교사를 지원합니다. 이 영역의 AI 연구는 다음과 같습니다.

  • 지능형 TPACK 기반 전문성 개발 프레임워크. 연구에 기반한 한 프레임워크는 다섯 가지 i-TPACK 지식 영역과 네 가지 증거 기반 전문성 개발 경로(능동 학습, 모범/사례 제시, 코칭, 피드백/성찰)를 연결합니다.(Designing effective AI professional development: A framework grounded in intelligent-TPACK)

  • 생성형 AI 특화 기술·교수법 지식(TPK). 교사 교육자 자신이 교사를 준비시키기 위해 생성형 AI-TPK — 교수법적 추론, 윤리적 인식, AI 보조 수업 설계 — 을 갖추어야 합니다.(Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education)

  • 인간 중심적이고 비판적인 AI 리터러시. 설계 기반 연구는 교육자가 직접 참여하는 과제를 포함한 인간 중심 AI 활동을 통해 비판적 AI 리터러시를 실행하는 전문 학습 교육과정을 만들어 냅니다.(Human-centered AI for teacher educators: Designing professional learning for critical AI literacy)

  • 역량은 공부가 아니라 실행으로 쌓입니다. 현직 교사 122명을 대상으로 한 TPACK 기반 구조 모형은 과학 및 녹색 에너지 과제에서 AI를 실제로 사용하는 것과 ESD 연계 자료 개발에 참여하는 것이 AI 통합 역량을 예측한 반면, 추상적 AI 지식과 AI에 대한 태도는 그렇지 않았음을 보여 주었습니다(Riandi 등(2026)).

  • AI가 생성한 콘텐츠의 협력적 평가를 전문성 개발로 활용하기. Gat, Usher, Barak(2026)은 60명의 중학교 과학교사가 학문적·교수법적·교육과정적 판단을 통해 ChatGPT가 생성한 평가 문항을 채점한 워크숍을 보고합니다. 협력적 평가 자체가 전문성 개발로 기능하여, 교사들이 AI 산출물에 개념적 정밀성 기준을 적용하고 AI 콘텐츠가 AI에 대한 오개념을 강화할 위험을 드러내게 했습니다. 이는 교사를 생성형 AI 자료의 수동적 소비자가 아니라 비판적 평가자로 자리매김하게 합니다.

  • 언어 교육자를 위한 체계적 전문성 개발은 드물지만 효과적입니다. 23개 연구에 대한 체계적 검토(Li 등, 2026)에서는 체계적 전문성 개발을 보고한 연구가 세 편에 불과했는데 — 교육과정 내 문법 수업 모듈, 정부 주도 EMI 프로그램, 교육과정 내 챗봇 탐구 — 그러나 모두 지식, 자신감, 정체성 재구성에서의 향상으로 수렴했고, 교육자들이 생성형 AI를 보는 관점을 "대체 위험"에서 보조자·증강자로 옮겨 놓았습니다. 이 검토는 전문성 개발이 기술 역량 강화를 실천적 지혜와 짝지어야 한다고 주장하며, 인식 제고와 윤리에서 출발해 실습 중심 도구 숙달을 거쳐 AI 강화 수업의 공동 설계로 나아가야 한다고 말하고, "백엔드 다음 교실"이라는 2단계 도입 전략을 권합니다.

이 영역에서 수학을 위한 프레임워크 기반 생성형 AI 전문성 개발의 가장 분명한 사례는, Rhodes의 4P 프레임워크를 기반으로 만든 10개의 상호작용 모듈을 이수한 농촌 및 자원 부족 지역의 현직 교사 8명에 대한 연구입니다(How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge). 이 연구는 다른 곳에서는 부족한 현직 전문성 개발 설계를 위한 두 가지 설계 메커니즘을 제공합니다. 하나는 의도적으로 사라지는 비계(초기에는 명시적 안내, 이후에는 정당화·일반화·과제 설계 요청)이고, 다른 하나는 모듈 6~10에 걸친 모의 학생 추론입니다. 또한 MC, CK, PCK가 함께 움직였다는 발견도 함께 제공되지만, 이 연구는 참여도만 측정했을 뿐 교사 지식이나 학생 학습은 측정하지 않았습니다.

  • 자격 취득 이후 프로그램. 현직 과학교육자의 AI 리터러시와 활용은 AI 관련 자격 취득 이후 프로그램 설계에 반영됩니다.(Science educators' AI literacy and AI usage in teaching: Implications for post-qualification programs)

  • 교사 설계 작업에서의 AI 지원과 안내. Pishtari, Gnadlinger & Ley(2026)는 13명의 고등교육 교사로 하여금 반나절 프로그램에서 AI 미사용·AI 챗봇·AI+훈련 조건에 걸쳐 활동을 설계하게 했습니다. AI 접근은 고차원적(Bloom) 과제 달성을 높이고 인지된 인지적 노력을 줄였으며, 이후의 상호작용 훈련 세션은 질적 수준은 정체되었으나 노력을 약간 높였습니다(유의미 부하 대 부수 부하의 구분은 미해결). 이 연구는 AI 시대 교수를 위한 전문성 개발이 교수법에 기반한 설계 프레임워크(Bloom, ICAP)와 구조화된 챗봇 상호작용 전략을 모두 필요로 한다고 규정하면서도, 질적 향상이 교수법적 판단이 AI로 외주화되는 것을 가릴 수 있음을 경고합니다.

지식, 신념, 실제 수행

교사 교육 연구 전반의 핵심 발견은 교사가 말하는 것과 실행하는 것 사이의 간극입니다. 교사들은 흔히 조작적 AI 기술을 갖추었다고 말하지만, 실제로는 교수법적으로 의미 있는 지식을 적용하는 데 어려움을 겪습니다.(Beyond operational skills: Teachers' AI knowledge and interactions with generative AI in lesson planning) 이 구분은 경험과 AI 숙련도가 교차할 때 더욱 깊어집니다. Choi 등(2026)은 기술적으로 유창한 초보자조차 수업 설계 중 AI 산출물을 수동적으로 수용하는 반면, 측정된 AI 숙련도가 더 낮은 경우에도 경험이 풍부한 교사는 비판적으로 재프롬프팅하고 AI 제안을 자신의 학생과 맥락에 맞게 조정한다는 것을 발견했습니다. 함의는 현직 전문성 개발이 "AI 기술을 쌓는 것"만으로는 충분하지 않다는 것입니다. 전문성 개발은 교사의 경험과 숙련도 프로파일에 차별화되어야 하며, 초보자에게는 응답 평가 및 비판적 적응 비계를, AI 숙련도가 약한 경험 많은 교사에게는 실습 중심 AI 기술 강화를 제공해야 합니다. AI가 생성한 수업지도안에 대한 전문가의 판단은 그러한 비판적 적응 태도를 예외가 아닌 규범으로 자리 잡게 합니다. Karaismailoglu, Surmeli, Yildirim(2026)은 튀르키예의 과학교육 전문가 11명이 6학년 한 단원에 대해 ChatGPT-4와 Teacher's Buddy가 만든 수업지도안을 사용 가능한 초안으로 평가했음을 발견했습니다. 11명 중 7명은 "수정하여 적용 가능"하다고 판단했고, 직접 "적용 가능"하다고 한 경우는 3명에 불과했으며, 그들의 선호는 원점수와 달라 구조적 충실성보다 정서적·맥락적 특질을 더 중시했습니다. 따라서 교사 교육은 AI가 생성한 교수 자료를 평가하고, 조정하고, 지역화하는 능력을 예비와 현직 프로그램 모두에서 핵심 전문 역량으로 길러야 합니다. 심리적 요인도 중요합니다. 자기효능감는 AI-TPACK을 긍정적으로 예측하는 반면, 강한 전통적 교수 신념은 인지적 장벽으로 작용할 수 있습니다.(Assessing AI-TPACK readiness in mathematics teacher education: The role of self-efficacy and teaching beliefs) AI에 대한 신뢰는 기술 지식과 윤리적 인식(투명성, 공정성, 책무성, 포용성)에 의해 함께 형성됩니다.(Unpacking ethics-domain of intelligent-TPACK scale in relation to in-service teachers' trust and distrust) 교사의 AI 리터러시 측정 자체도 활발한 전선입니다. 대부분의 AI 리터러시 평가가 학생이나 일반 사용자를 대상으로 하기 때문에, 6차원 ED-AI 프레임워크에 기반한 교사 AI 리터러시 척도(TAILS)가 예비 언어 교사를 위해 탐색적·확인적 요인분석을 거쳐 개발·검증되어 교사 교육 내의 측정 공백을 메웠습니다. 이와 비슷하게 간과되어 온 질문은 준비의 방식이 AI 준비도를 바꾸는지 여부입니다. Mnguni 등(2026)은 남아프리카공화국의 최종 학년 과학교사 후보생 186명을 조사하여, AI 통합 교수를 위한 자기보고 TPACK이 캠퍼스 기반 대학교(64.0%)에서 원격 교육 대학교(47.4%)보다 높았음을 발견했고, 두 기관 모두에서 교수법 지식이 가장 취약했습니다. AI 훈련은 원격 기관에서만 자기보고 TPACK과 연관되었으며, 그곳에서는 5학점 단기 과정이 훈련을 전혀 받지 않은 경우보다 보고된 TPACK이 더 낮게 예측되었습니다. 따라서 원격 준비 과정은 캠퍼스 프로그램용으로 설계된 훈련이 그대로 전이된다고 가정하지 말고, 자체적인 증거 기반을 가져야 합니다.

모의 수업 실천

콘텐츠와 신념을 넘어, 교사 준비는 점점 더 확장 가능한 실습을 위해 모의 교실을 활용합니다. EducaSim는 생성형 학생 에이전트(페르소나, 과정 기반 기억, 대규모 언어 모델(LLM)-as-judge 발화 오라클을 갖춤)를 사용하여 약 20,000명의 학생이 수강하는 CS1 과정에서 훈련 중인 교사를 위해 소집단 토론 수업을 모의합니다. 254개 세션(평균 약 16분)에 걸쳐 선택적 준비 도구로 배치된 이 도구는 저비용(\0.05–0.05–\\0.10/세션)의 역할극 실습과 함께 구조화된 세션 후 피드백(발화 시간 통계, LLM이 식별한 수업 행동) 및 자기 성찰 프리롬프트를 제공합니다. 이는 학생 시뮬레이션 패러다임을 보완합니다. 모의 학습자는 단순한 평가가 아니라, 특히 실시간 코칭을 확장할 수 없는 대규모 온라인 과정에서 경험적이고 고빈도의 교사 준비 수단이 됩니다. 교과 특화 사례로는 Student GPT(Zhuang & Zhang 2025)가 있는데, 흔한 비율 추론 오개념을 가진 중학생 역할을 수행하는 커스텀 ChatGPT 챗봇으로, 예비 중등 수학 교사가 교수법 수업 내에서 위험 부담이 낮은 개인화된 상호작용으로 그러한 오개념을 진단하고 교정하는 연습을 할 수 있게 하여, 가벼운 생성형 AI 역할극이 실천 중심 교수를 어떻게 뒷받침할 수 있는지를 보여 줍니다.

교사 교육자를 위한 시사점

  • AI 리터러시와 비판적 AI-TPACK을 모두 구축하십시오. 예비 및 현직 교사는 AI 통합 준비도가 필요합니다. 여러 검사 도구가 TPACK에 AI/윤리 차원을 더해 확장합니다(AI-TPACK, i-TPACK 전문성 개발). 도구 사용과 더불어 윤리적 추론, 투명성, 공정성을 함께 가르치십시오.

  • 말하는 것과 실행하는 것의 간극을 좁히십시오. 교사들은 흔히 조작적 AI 기술을 갖추었다고 말하지만 교수법적으로 적용하는 데 어려움을 겪습니다. 지식에서 실제 수행으로 나아가는 전문성 개발을 설계하십시오(수업 설계).

  • 모의 실습으로 준비 과정의 규모를 확보하십시오. EducaSim 방식의 모의 교실은 훈련 중인 교사에게 피드백을 받는 저비용·고빈도의 실습을 제공하여, 제한된 실시간 코칭을 보완합니다.

  • 신념과 신뢰를 다루십시오. 자기효능감는 AI-TPACK을 예측하는 반면 강한 전통적 교수 신념은 장벽이 될 수 있고, 신뢰는 투명성/공정성에 의해 형성됩니다. 기술만이 아니라 이런 심리적 요인에 주의를 기울이십시오.

  • 교실의 딜레마에서 역산하기. Kohnke 등(2026)은 홍콩의 한 대학교에서 예비 교사 17명을 인터뷰하여, 예상되는 교실의 딜레마로부터 거슬러 올라가 교사 교육 설계의 요구를 도출했습니다. 예비 교사들은 생성형 AI 환경에서 학문적 진실성, 프라이버시, 필수 인간 능력의 보존에 대한 우려를 제기하며, 책임 있는 사용을 부차적 덧붙임으로 다루지 않고 윤리, 프라이버시, AI 리터러시(비판적 사고와 함께)를 교사 준비 전반에 엮는 교육과정 함의를 지적했습니다.

  • 교사 성찰에서의 인지적 매개자로서의 AI(2026): 실천 기반 성찰 삼각형 모형은 AI를 개별 교사의 성찰과 학습 공동체의 공유된 전문 지식 사이를 매개하는 역할로 사용하여, 성찰이 집단적 전문 학습으로 전환되지 못하는 흔한 실패를 다룹니다(The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development).

  • 생성형 AI 평가 설계를 전문 교육과정의 일부로 만드십시오. Zou 등(2026)의 교사 후보생들은 생성형 AI에 대응하여 자신의 미래 학교 평가를 재설계할 의도가 거의 없었고, 유치원 및 중등 참가자들은 대체로 이 기술이 자신의 교수 맥락과 무관하다고 판단했습니다. 이는 지식 공백이라기보다 평가 리터러시의 미발달 차원입니다. 따라서 교사 교육 프로그램은 윤리적 생성형 AI 사용을 전문 교육과정의 일부로 자리 잡게 해야 하며, 프로그램 차원의 정책 일관성과 수용 가능한 사용·수용 불가한 사용의 구체적 사례, 그리고 학생의 실제 AI 사용에 대한 적시의 피드백를 함께 제공해야 합니다.

  • 위임 가능한 일과 위임 불가능한 일을 구분하십시오. O'Byrne(2026)은 예비 교사가 다수 포함된 학부생 23명이 경계 작업을 지속하든 초기에 위임하든 비슷한 수준의 산출물을 만들었음을 발견했고, 저자 귀속에 관한 "부정 행위의 긴장"은 가장 많은 경계 작업을 한 이들 사이에서 가장 강했습니다. 따라서 교수 목표는 어떤 해석 작업을 넘기지 말아야 하는지를 판단하는 것입니다.

  • 교실 정책 작성 활동을 교사 교육의 핵심 활동으로 만들고, 모호함을 정책의 결함으로 다루십시오. Nash & Burriss(2026)은 예비 교사에게 자신의 교실 AI 정책을 작성하게 하는 것이 글쓰기의 목적이 무엇인지에 관한 수사학적 세계 구축으로 기능하며, 추상적 토론이 열어 주지 않는 신념의 창이 됨을 발견했습니다. AI가 글쓰기-산출물과 글쓰기-과정을 분리하기 때문에, 프로그램은 교사들이 브레인스토밍, 초안 작성, 수정, 교열 전반에 걸쳐 사고와 학습과 가치가 실제로 어디에 있는지 — 최종 텍스트에만 사고를 두지 않고 — 파악하도록 돕고, 신념을 실행 가능하고 모호하지 않은 규칙으로 옮기도록 지원해야 합니다. 이때 AI 리터러시 교육이 함께 제공되어야 합니다. AI가 생성한 텍스트를 금지하면서도 학생이 제출하는 AI 생성 콘텐츠에 책임을 묻는 것과 같은 모순은 학생이 준수할 수 없는 상태를 만듭니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

수준Teacher Education, K 12, Adult Learning
대상 독자Instructors
교육에서의 인공지능 기초AI 리터러시, 교수(Teaching), 기술적 교수 내용 지식(TPACK)
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.