AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

기술 수용 모형

생성일 2026-08-18 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

기술 수용 모형은 개인과 기관이 새로운 기술을 받아들이고, 도입하고, 계속 사용하는 이유를 설명하고 예측하는 데 쓰이는 이론적 틀입니다. 교육에서의 AI 연구에서는 학습자, 교사, 조직이 생성형 AI 도구를 도입하는 이유를 설명하는 틀입니다. 단일 모형이 아니라, 이것은 정보 시스템과 사회심리학 연구에 뿌리를 둔 이론의 계열이며, 그중 **기술 수용 모형(TAM)**이 가장 널리 적용됩니다. 이 지식베이스는 이 모형들을 함께 다룹니다. GenAI 도입 연구가 이들을 일상적으로 결합하고(TAM + UTAUT, TAM + TPB, UTAUT + ARCS), 또 그 핵심 구성개념 — 인지된 유용성, 인지된 사용 용이성, 사회적 영향 — 이 교육에서 AI 수용에 관한 거의 모든 연구에 되풀이해 등장하기 때문입니다.

생각해 볼 질문들

  • 새로운 앱, 도구, AI 서비스를 도입했던 때와 그것을 포기했던 때를 떠올려 보십시오. 각 결정을 실제로 이끈 것은 무엇이었습니까? 얼마나 유용해 보였는지, 얼마나 쉬웠는지, 주변 사람들이 무엇을 하고 있었는지? 여러분은 어떤 요인이 가장 중요하다고 의심하며, 설문이 그것을 정말 포착할 수 있을까요?
  • '도구가 명확히 유용하면 사람들은 그것을 쓸 것이다'는 흔한 믿음이 있습니다. 진정으로 유용한 기술이 좀처럼 자리를 잡지 못하거나, 명확히 제한적인 기술이 확산되는 상황을 보신 적이 있습니까? 객관적 유용성과 실제 도입 사이의 간극을 무엇이 설명할 수 있을까요?
  • TAM 같은 도입 틀은 1980년대에 꽤 단순한 시스템을 위해 설계되었습니다. 생성형 AI를 써 보셨다면, 그것이 워드 프로세서나 학습 관리 시스템과 어떤 점에서 다른지 — 그리고 '사용 용이성'과 '유용성'을 중심으로 세워진 모형이 말을 받아치는 존재에 대해 사람들이 맺는 관계를 포착하는 데 왜 어려움을 겪을 수 있는지?
  • 연구자들은 종종 인지된 위험과 신뢰가 AI 도입에 예상보다 덜 중요하다고 말합니다. 더 읽기에 앞서, 여러분의 예측은 어떻습니까? 학생들은 위험에도 불구하고 AI를 신뢰하기 때문에 도입합니까, 아니면 그런 우려는 편의성과 사회적 압력에 비하면 실제로 미미합니까?
  • 이 페이지는 도입 틀이 도구 사용을 일회적 결정으로 다룬다고 주장하지만, 효과적 사용은 지속적 판단일 수 있습니다. 여러분이나 여러분 학생들의 실천에서 'AI를 쓰기로 선택하는 것'과 '그것을 잘 쓰는 법을 끊임없이 결정하는 것' 사이의 경계가 흐려 보이는 곳은 어디이며, 우리가 단순한 도입이 아니라 그것을 측정한다면 무엇이 달라질까요?
  • 일부 연구자들은 하나의 모형이 모두에게 맞는다고 가정하는 대신 학습자를 서로 다른 '도입 페르소나'로 묶습니다. 단일 평균 도입 모형이 감출 수 있는 여러분 자신의 학습자, 동료, 학생 사이의 차이를 무엇이라 보시며, 그 차이들이 그들을 지원하는 방식을 어떻게 형성할 수 있을까요?

들어가며

메타분석적 증거 고등교육 학생의 AI 도입에 대한 메타분석(상관계수 233개, 연구 32편, N = 16,977)은 개인 요인(r = 0.57), 맥락 요인(r = 0.53), 기술 요인(r = 0.50)에 대해 중간 정도의 양의 상관을 발견하며, 사용 의도가 가장 강한 예측변수(r = 0.64)이고 인지된 위험/신뢰는 예상보다 약합니다. 이 연구의 중심 비판은 이 분야가 현대의 지능형 시스템에 앞서 존재하는 전통적 TAM/UTAUT 틀에 지나치게 의존하며, 의인화와 윤리 같은 AI 특정 요인을 간과한다는 것입니다. 이론과 증거 기반 정책을 발전시키는 데 그 간극이 중요하다는 것이 그 주장입니다.

모형의 계열

기술 수용 모형 (TAM)

Davis (1989)가 제안한 TAM은 두 핵심 신념 — **인지된 유용성(PU)**과 인지된 사용 용이성(PEOU) — 이 사용자의 **태도(ATT)**를, 이어 **행동 의도(BI)**를, 이어 실제 사용을 형성하는 것으로 도입을 설명합니다. 정보 시스템 이론(합리적 행위 이론에서 적응)에 근거한 TAM은 교육에서 GenAI 도입의 지배적 틀이 되었습니다. 교육용 GenAI 연구에서 TAM은 종종 AI 리터러시, 신뢰, 사회적 영향, 자기 결정, 비판적 사용으로 확장되어 단순한 도입 너머의 수용 복잡성을 포착합니다.

UTAUT / UTAUT2 / UTAUT3

통합 기술 수용 및 사용 이론은 TAM을 기존 여덟 모형과 통합하여 네 핵심 결정요인 — 성과 기대, 노력 기대, 사회적 영향, 촉진 조건 — 으로 압축합니다(UTAUT2는 쾌락적 동기, 가격 가치, 습관을 더하고; UTAUT3는 개인 혁신성을 더합니다). 이 지식베이스는 교사와 학생 집단에 UTAUT를 적용합니다. 오스트리아 중등 수학 교사(448명 교사를 대상으로 한 UTAUT), 가나의 예비 과학 교사(UTAUT + TPB), 레소토의 학생들(UTAUT3 + ARCS, PLS-SEM과 fsQCA 사용). Jácome-Vásconez et al.는 522명의 대학생을 대상으로 UTAUT2를 설명 가능한 AI(Random Forest, SHAP, NCA, IPMA, K-Means)로 확장하여, 습관이 ChatGPT 사용 의도의 가장 강한 예측변수임을 발견하고 노력 기대가 선형적 동인이 아니라 필요 조건임을 보여 줍니다. 이 결과는 XAI가 회귀분석을 보완할 때에만 보입니다.

계획된 행위 이론 (TPB)

TPB는 태도, 주관적 규범, 인지된 행동 통제를 통해 의도를 설명합니다. AI 도입 연구에서 TAM/UTAUT와 자주 짝을 이룹니다. 예를 들어 Rizun et al.는 TAM, TPB, UTAUT, FATE(공정성, 책임성, 투명성, 윤리) 틀을 통합하여 학생의 ChatGPT 도입 행동 및 윤리 동인을 모형화합니다.

도입 연구는 대개 의도에서 멈춥니다. 한 TPB 확장 연구는 진정한 의도에도 불구하고 지연을 측정하여, 1,243명의 학부생에 걸쳐 인지된 행동 통제가 GenAI 보조 학습 미루기의 가장 강한 부적 예측변수(β = −0.331)임을 발견했으며, 의도-지연 연결은 학습 GenAI 불안이 중간 이상인 경우에만 유의했습니다(Li et al. (2026)).

확산 이론 (DOI)

Rogers의 DOI 이론은 도입을 혁신이 시간에 걸쳐 인구를 통해 확산되는 사회적 과정으로 설명하며, 혁신 속성(상대적 이점, 적합성, 복잡성, 시도 가능성, 관찰 가능성)과 수용자 범주를 강조합니다. 이는 이 지식베이스의 제도 수준 분석에 등장합니다. 예를 들어 Al-Rahmi et al.는 기술-조직-환경(TOE) 틀을 DOI와 결합하여 사우디 대학의 조직적 AI 도입을 모형화합니다.

기술-조직-환경 (TOE)

TOE는 도입이 기술적, 조직적, 환경적 맥락에 의해 형성된다고 규정합니다. 개인 수준 TAM/UTAUT에 대한 보완으로, 제도적 도입을 연구하는 데 쓰입니다(Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education 참조).

지식베이스에서의 응용

도입 모형은 학생과 교사의 AI 도구 수용을 모형화하기 위해 이 지식베이스 전반에 걸쳐 적용됩니다.

  • 비판적 사용 확장: Nguyen et al.는 공학/CS 학생을 위해 TAM을 비판적 사용으로 확장하여, 태도와 비판적 사용이 의도를 직접 예측하며 — 비판적 사용이 과의존에 대비하는 안전장치 역할을 한다는 것을 발견했습니다.
  • 통합 사회인지 모형: Asag & Al Mamun은 방글라데시 공학 학생을 위해 TAM과 UTAUT를 통합했습니다(사용 분산의 64% 설명).
  • 사람 중심 프로파일: 변수 중심 모형이 아니라, Saihi & Ahmed는 GenAI 도입 페르소나를 군집화하고, Chen et al.는 잠재 프로파일 분석을 사용하여 예비 교사들 사이의 ChatGPT 수용 프로파일 네 개를 식별합니다. 이는 단일 모형과 선형적 설명을 넘어서려는 이 분야의 움직임을 보여 줍니다.
  • 문화 간 검증: Martínez-Moreno et al.는 스위스와 중국에 걸쳐 도입 관련 동기 구성개념을 문화 간 검증합니다.
  • 심리적 연관 변수: Wu et al.는 TAM에 기반하여 동기, 자기효능감, 불안, 위험 인식을 AI 지원 영어 학습의 수용에 연결합니다.
  • 규제 역량 비판: Kim은 도입 중심 TAM 모형이 사용을 안정적 결정으로 다루지만, 효과적 AI 사용은 판단, 수정, 선택적 수용의 지속적 과정이라고 주장하며, AI 리터러시를 수용이 아니라 규제 역량과 비판적 사고으로 재규정합니다.

계획된 행위 이론 같은 신념 틀에 TPACK 계열 역량을 병렬 예측변수로 덧붙이는 것은 구성개념 중첩을 초래하고 역량, 태도, 통제의 인과적 순서를 미결로 남깁니다. 역량-결정 모형은 대신 AI-TPACK 역량을 태도와 인지된 행동 통제의 상류에 놓습니다(Mnguni (2026)).

  • ChatGPT 도입의 ML 결정요인: 탐색적 ML 접근은 학생의 인식과 인구통계가 의도된 학문적 ChatGPT 사용과 어떻게 관련되는지를 SHAP 분석으로 검토하여, 핵심 학습 관련 구성개념을 식별했습니다. 알고리즘 성능 극대화보다 교육적 의미를 우선시한 것입니다(An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
  • 교사를 위한 수용 지렛대로서의 설명 가능성과 도메인 관련성: 자동화 신뢰 이론을 AI 권고에 대한 교사 수용에 적응시켜, Feldman-Maggor et al. (2025)는 설명 가능한 AI에 의해 높아지는 이해 가능성이 AI 집단화 도구에 대한 신뢰와 수용 모두에 양으로 상관했고, 데이터 기반 특성 중요도 설명보다 교육과정 언어를 쓴 도메인 주도 설명이 세 측면 모두에서 더 나았다는 것을 발견했습니다. 수용은 또한 교수법적 정렬과 업무 경감 잠재력에 의해 추동되었습니다. 표준 TAM/UTAUT 구성개념이 좀처럼 포착하지 못하는 상황적 요인들로, 도입 모형을 맥락과 설명 가능성으로 확장할 근거를 강화합니다.
  • 교수 자료 수준에서 측정된 수용 (2026). Wang, Chuang and Wu (2026)는 연령 계층형 AI 리터러시 안내서 두 권을 사용한 794명의 K-12 학생과 37명의 교사를 대상으로 성과 기대, 노력 기대, 인지된 재미, 행동 의도를 조작화하여, 표본 분할 EFA와 CFA로 네 요인 구조를 검증하고 9-12세 및 13-18세 판본에 걸친 측정 불변성을 지지했습니다. 어린 학습자는 네 구성개념 모두에서 더 높은 수준을 보고했으며, 재미는 두 코호트 모두에서 의도와 가장 강한 상관을 보였습니다. 어린 집단에서 표준화된 재미-의도 계수가 1.00을 넘었고 두 구성개념 사이의 HTMT가 .950였습니다. 저자들은 그것을 구성개념 중첩과 가능한 억제 현상으로 읽으며, 거대한 효과가 아니라고 봅니다. 자료에 적용된 수용 도구가 구조적 해석을 복잡하게 하는 경험적으로 뒤얽힌 요인을 만들어 낼 수 있다는 유용한 교훈입니다.

한계와 확장

TAM의 인지적 초점은 또한 AI 사용의 정서적·관계적 차원을 충분히 포착하지 못합니다. 간호학 학생과 교수를 대상으로 한 질적 연구는 네 고전 TAM 구성개인과 더불어, 참가자들 — 주로 학생들 — 이 AI를 심리사회적 지원의 원천으로 기술했다는 것을 발견했습니다. 스트레스 중의 정서적 위안과 반성을 위한 비밀스러운 공간입니다. 이는 인지된 유용성을 수행 향상 너머 웰빙까지, 고강도 전문 훈련의 차원에서 확장하며, 도입 모형이 도구적 효용만이 아니라 정서적·심리사회적 요인에도 주목해야 한다고 제안합니다.

자율성 인식과 위험 회피를 도구 특정 확장으로. 27개 국가와 지역의 GenAI 경험이 있는 교사 287명을 대상으로 한 혼합 방법 설문(Dai et al. (2026)))은 TAM을 모형 계열이 거의 손대지 않은 방향으로 확장합니다. 도구 자체의 인지된 자율성입니다. 인지된 인공 자율성(교사들이 GenAI가 부여된 교수 과업을 얼마나 독자적으로 수행할 수 있다고 믿는 정도)과 위험 회피를 고전 구성개념에 더하여, 이들이 다듬은 구조 모형은 행동 의도 분산의 79.8%를 설명했습니다(χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041). 인지된 유용성은 다시 지배적이었고(PU → BI β =.832, p <.001), 사용 용이성은 유용성에 기여했습니다(PEU → PU β =.479). 교훈적인 것은 우회로들입니다. 인공 자율성은 의도에 직접 작용하지 않았지만(β =.026, ns), 유용성을 통해 작용했습니다(AA → PU β =.188, p <.001; 간접 AA → PU → BI =.156, 95% CI [.082,.240]). GenAI를 더 유능하다고 본 교사들은 그것을 더 즉각적으로 받아들일 만하다고 본 것이 아니라 더 유용하다고 본 것입니다. 위험 회피는 인지된 유용성을 낮추지 않고(RA → PU ns) 의도를 낮췄습니다(RA → BI β = −.163, p <.001). 교사들의 우려가 자신의 사용이 아니라 학생들의 사용 — 부정행위와 학문적 정직성, 약화된 기초 지식과 고차원적 사고, 환각, 줄어든 인간 상호작용, 윤리적·법적·형평성 위험 — 에 집중되었기 때문입니다. 사용 용이성은 전체적으로는 비유의적이었으나(PEU → BI β =.068), 실제로 교수에서 AI를 사용한 경험이 있는 225명의 교사들 사이에서는 유의했습니다(β =.138, p <.05). 노력은 실제 만남 이후에야 기록되는 익숙한 양상입니다. 태도는 의도와의 상관(r =.929)이 판별 타당성을 침범할 때 제외되어야 했습니다. 교사들은 GenAI를 준자율 수준에 놓았습니다(130명이 수준 2 "교사 보조", 94명이 수준 3 "부분... [truncated]

위험 인식을 차원 특정 확장으로. 중국 대학생 814명을 대상으로 한 설문(Du, Ning, Shi & Chen (2026)))은 인지 평가 이론과 보호 동기 이론을 TAM/UTAUT2에 접목하여, 학생들이 생성형 AI를 도입하는지가 아니라 그것에서 무엇을 얻는지를 묻습니다. 위험이 도입을 균일하게 억제한다는 모형 계열의 가정은 살아남지 못합니다. 위험 인식은 정보, 보안, 기술, 윤리, 법적 차원으로 갈라지고, 이들은 혜택을 서로 반대 방향으로 움직입니다. 학생들이 프라이버시 관행을 통해 관리할 수 있다고 믿는 위협인 보안 위험은 인지된 학업 지원과 기술 발달에 양으로 연관되었는데, 문제 중심 대처와 일치합니다. 반면 학습자가 쉽게 검증할 수 없는 정보 위험은 회피를 통해 심리적·정서적 지원, 일상생활, 여가 혜택을 침식했습니다. 한계점 분석은 또한 차원 특정 절단점을 넘어 부호가 바뀌는 효과들을 보여 주었고, 사용 경험은 독립적으로 중요했습니다. 1년 이상 GenAI를 사용한 학생들은 네 영역 전반에 걸쳐 더 높은 혜택을 보고했습니다. 수용 연구에 대한 실천적 함의는 "인지된 위험"이 모형화하기에 너무 거친 구성개념이라는 것입니다. 학생들이 참여하는지 물러서는지를 결정하는 것은 위험의 단순한 존재가 아니라 통제 가능성입니다.

위험과 사용의 연결은 체계에 따라서도 다릅니다. 해당 문항을 시행한 TALIS 2024 체계 49개에 걸쳐, 인지된 AI 유용성은 49개 모두에서 AI 사용에 양으로 연관되었으나, 인지된 위험은 40개에서는 음으로, 9개에서는 양으로 연관되었습니다(Fang & Jin (2026)).

연결된 개념

연결된 문서

메타데이터

수준Higher Ed
대상 독자Learners
기술과 기법생성형 AI, 기술 수용 모형
연구 방법과 평가AIED 연구 방법
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.