AIEd 지식베이스AIEd KB
이 페이지의 목차

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

개념

기술적 교수 내용 지식(TPACK)

생성일 2026-08-14 · 갱신일 2026-10-07

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

기술적 교수법적 내용 지식(TPACK) — 교수자가 교수에서 기술을 효과적으로 사용하는 데 필요한 통합된 지식을 기술하는 프레임워크(Mishra & Koehler, 2006)로, 기술 지식(TK), 교수법 지식(PK), 내용 지식(CK)과 그것들의 교차점이 상호작용하는 방식을 설명합니다. AI 시대에 TPACK은 AI-TPACK과 GenAI-TPACK으로 확장되어, 교수자가 생성형 AI를 교과 영역의 교수에 어떻게 통합하는지를 모형화합니다. 이는 교수자의 AI 역량이 어떻게 구조화되고 전문적 개발을 통해 쌓이는지를 이해하는 지배적인 이론적 렌즈입니다.

이러한 지배성은 부분적으로는 검색의 산물이기도 합니다. 기술 지원 교사 교육 연구 195건을 대상으로 한 PRISMA 범위 고찰에서 디지털 역량, TPACK, DigCompEdu가 명시적인 검색 서술자였으므로, 역량 프레임워크가 46.5%를 차지하는 것은 검색된 말뭉치가 아니라 그 검색을 반영한 결과입니다(Patiño Hernández 등(2026)).

생각해 볼 질문들

  • TPACK은 기술을 가지고 가르치는 것이 별개의 기술들의 합(자신의 교과를 아는 것 + 교수를 아는 것 + 도구를 아는 것)이 아니라 그것들의 상호작용의 산물이라고 주장합니다. 기술과 함께 진정으로 효과가 있었던 수업을 떠올려 보십시오. 단일한 것이 아니라 내용, 교수법, 기술 지식의 어떤 조합이 실제로 작동하고 있었습니까?
  • '기술에 능숙한' 교수자라면 AI로 가르칠 준비가 된 것이라는 것은 흔한 가정입니다. 그 가정은 어디에서 무너질 수 있을까요? 예를 들어 기술적으로 유창한 교수자가 AI를 교수법적으로 피상적이거나 내용적으로 부정확한 방식으로 쓰는 경우가 그렇습니다. 단순한 기술 검사가 놓치는 '역량'은 어떤 모습일까요?
  • AI 시대는 TPACK에서 기술의 의미를 수동적인 도구에서 계획하고, 생성하고, 지도할 수 있는 능동적인 행위자로 다시 틀 짓습니다. 교수자의 일이 도구를 조작하는 것에서 스스로 행동하는 AI를 오케스트레이션하는 것으로 옮겨간다면, 이것은 어떤 새로운 지식을 요구할까요? 그리고 어떤 정적인 체크리스트가 그것을 포착할 수 있을까요?
  • 이 페이지는 전문적 개발이 도구만이 아니라 교차점을 훈련해야 한다고 제안합니다. 여러분이 참여했거나 설계한 최근의 기술 교육을 떠올려 보십시오. 그것은 대체로 '소프트웨어 사용법'이었습니까, 아니면 기술과 함께 내용과 교수법을 쌓았습니까? 어느 접근이 교실의 실천을 더 많이 바꿀 것 같으며, 그 이유는 무엇입니까?
  • 연구는 서로 다른 '교수자 유형'인 최적화자, 창작자, 수동적 관찰자가 서로 다른 종류의 지원의 도움을 받는다는 것을 발견했습니다. 교수에서 AI를 사용할 때 여러분은 어떤 유형에 가장 가깝고, 어떤 스캐폴딩가 가장 도움이 될 것 같습니까? 학습자들은 여러분을 여러분이 생각하는 것과 같은 모습으로 기술할까요?
  • 일부 연구자들은 효과적인 AI 통합이 교수자의 지식만이 아니라 믿음과 효능감에서 나온다고 주장합니다. 학습에서 AI의 역할에 관해 여러분은 무엇을 믿으며, 그 믿음이 기술적 기술보다 여러분이 실제로 AI를 통합하는 방식과 여부를 어떻게 규정할 수 있을까요?

들어가며

  • **Crompton 등**은 설계 기반 연구를 통해 TPACK 프레임워크를 기관의 실천으로 확장하는 교수진 기술 통합 기준을 실행에 옮깁니다.

프레임워크

TPACK은 효과적인 기술 통합이 별개의 지식 영역들의 합이 아니라 그것들의 역동적 상호작용의 산물이라고 주장합니다. 이 프레임워크는 세 개의 기반 영역과 네 개의 교차점으로 이루어집니다.

  • 내용 지식(CK) — 가르칠 교과 내용에 관한 지식.
  • 교수법 지식(PK) — 교수 방법, 전략, 학생이 학습하는 방식에 관한 지식.
  • 기술 지식(TK) — 기술, 즉 생성형 AI를 포함한 도구를 사용하는 방법에 관한 지식.
  • 교수법적 내용 지식(PCK) — 특정 내용을 효과적으로 가르치는 방법.
  • 기술적 내용 지식(TCK) — 기술이 내용을 어떻게 규정하고 표상하는지.
  • 기술적 교수법 지식(TPK) — 기술이 교수 전략을 어떻게 지원하거나 제약하는지.
  • TPACK — 세 영역이 모두 상호작용하여 기술이 보강된 교과 특정 교수를 가능하게 하는 중심의 떠오르는 통합된 지식.

AI-TPACK과 GenAI-TPACK

AI 시대는 이 프레임워크를 지능을 지닌 기술로 읽는 쪽으로 밀었습니다. 수동적인 도구가 아니라, 생성형 AI는 계획하고 콘텐츠를 생성하며 지도하고 적응하는 능동적인 행위자입니다. 따라서 통합 지식은 점점 더 오케스트레이션, 즉 AI가 언제 어떻게 행동하고 스캐폴딩하며 인간의 판단에 자리를 내주는지를 결정하는 것을 포함합니다.

  • 별개의 지식을 넘어서. AI-TPACK 연구는 효과적인 AI 통합이 별개의 영역을 지니는 데서가 아니라 시스템 사고, 교수법적 믿음, **자기효능감**의 역동적 상호작용에서 나온다고 주장합니다. 이는 교수자의 AI 역량에 관한 정적이고 체크리스트 기반의 모형에 도전합니다. 교수자 유형(Systematic Optimizers, Prolific Creators, Passive Observers)은 교수자가 다중 에이전트 수업 작업 흐름을 설계하는 방식에서 드러납니다.
  • 통합 프레임워크가 빠뜨리는 것. 공동 행위성 비판은 TPACK과 SAMR이 교수자의 지식과 도입 수준은 다루면서도 권력, 데이터 소유권, 책임은 다루지 않는다고 지적합니다. 따라서 통합 지식에는 또 하나의 지식 영역이 아니라 명시적인 윤리적 경계가 필요합니다(Poudyal (2026)).
  • 교수법적 핵심에 대한 교차 수준 근거. 교사 46명과 중등 학생 2,832명을 대상으로 한 다수준 연구는 기술적 AI 지식만으로는 불충분하며, 학생들이 AI를 사회적 선에 관해 인식하는 것을 오히려 다소 낮추는 반면, 교수법적 AI 지식(TPAIK)이 학생들의 인식과 AI를 배우려는 행동 의도를 기른다는 것을 발견했습니다. 이 결과는 **'교수법이 먼저, 기술은 다음'**이라는 지침으로 압축되며, 위의 매개 역할 발견을 되울립니다.
  • 경계가 아니라 통합적 매개자로서의 윤리. 대학 교사 454명을 대상으로 한 설문에서 고립된 AI-기술 지식은 통합된 AI-TPACK와 부적 직접 연관이 있었고(β = −0.303) 총효과는 양으로 남았으며(β = 0.639), 이것은 교수법적, 내용적, 윤리적 지식을 통해 작동했습니다(Chen 등(2026)). 윤리적 지식은 그 효과를 이어 받아 교수법 지식(β = 0.353)과 내용 지식(β = 0.269)을 모두 예측했습니다.
  • 분야 전체를 조망하는 고찰의 렌즈. TPACK 관점에서의 체계적 고찰(Liu & Zhong, 2025)은 학생 학습에서의 GenAI에 관한 실증 연구 71편을 분석하여 전반적으로 양의 효과(Hedges' g = 0.752)가 있음을 발견하고, 학생을 위한 GenAI 리터러시와 교수자를 위한 GenAI-TPACK 전문적 개발을 이 분야의 두 가지 핵심 우선순위로 지목했습니다.
  • 숙련도만으로는 교수법적 통합을 예측하지 못합니다. Choi 등(2026)은 참가자를 나누기 위해 교수자의 Intelligent-TPACK를 측정하고, AI 활용 능력이 높은 예비 교사조차 수업 설계에서 AI 산출물에 수동적으로 의존한 반면, 측정된 AI-TPACK는 더 낮았으나 경험이 많은 교수자는 AI의 제안을 교수법적 맥락에 맞추어 비판적으로 다시 맞부딪히고 변용했음을 관찰했습니다. 이 결과는 위의 양상을 강화합니다. AI-TPACK는 경험에 기반한 교수법적 판단을 통해 교실에서 건전한 사용으로 옮겨 가며, 따라서 전문성 개발 지원은 AI 지식의 단순한 소유가 아니라 그것의 적용을 겨냥해야 합니다.
  • 교사 교육 맥락. TPACK은 기술을 교육과정 특정 교수에 통합하는 교수자의 역량을 기르는 데 기여합니다. 이것이 교사 교육과 전문적 개발 연구(예: 집중적인 GenAI 전문적 개발 프로그램, 예비 교사의 AI-TPACK 준비도)가 점점 더 그것을 관심 결과로 측정하는 이유입니다.
  • 교수법 지식이 GenAI 통합을 매개합니다. Mohebi와 ElSayary (2026)는 26개국의 재직 교사 325명을 설문하고 일곱 명을 인터뷰하여, 설명적 순차 혼합 방법 설계로 TPACK-GenAI를 모형화했습니다. 기술 지식(TK), 교수법 지식(PK), 교수법적 내용 지식(PCK)은 각각 전반적 TPACK-GenAI와 연관되었으나, 기술적 교수법 지식(TPK)이 이 연결을 매개했습니다. 이는 '숙련에서 교수법으로'의 이동이 중요하다는 근거입니다. GenAI 기술을 건전한 교실 사용으로 옮기는 것은 도구에 대한 익숙함만이 아니라 교수법-기술 통합 지식을 통해 작동합니다.
  • 고등교육에서는 내용 전문성이 GenAI 통합으로 이어지지 않습니다. Sutedjo, Chowdhury & Liu (2026)은 TPACK-21 도구를 변용하여 21세기 역량을 가르치는 데 GenAI를 사용하는 미국 연구중심대학의 교수진 127명을 조사했습니다. 교수진은 강한 CK(M = 5.15)와 PCK(M = 4.70)를 보고한 반면 기술이 통합된 지식은 낮았습니다. TPK(M = 2.62), TCK(M = 2.75), 전반적 TPACK(M = 2.55, 가장 낮은 영역)가 그것이며, CK는 TK나 기술이 통합된 어떤 영역과도 유의미한 상관이 없었습니다(r = .11–.15, ns). 기술이 통합된 세 영역은 서로 매우 강하게 상관되어(r = .81–.91) 단일한 GenAI 통합 요인으로 기능할 수 있습니다. 이 결과는 교차점을 훈련하기라는 설계 원칙을 강화합니다. 교수진 개발은 교과 내용 전문성이 저절로 이어질 것이라고 가정하기보다 전공 분야별 활동을 통해 GenAI 통합 지식을 의도적으로 쌓아야 하며, 기술이 통합된 영역을 공유된 GenAI 리터러시 기반으로 다루어야 합니다.
  • 기관의 양태와 교육 수준이 상호작용합니다. Mnguni 등(2026)은 남아프리카 캠퍼스 기반 대학(n = 85)과 원격 교육 대학(n = 97)의 졸업 연도인 과목 학생 교사 186명을 비교했습니다. 자기보고된 TPACK는 캠퍼스에서 더 높았고(64.0% 대 47.4%), 교수법 지식은 두 집단 모두에서 가장 덜 보고된 영역이었으며(캠퍼스에서 53%), AI 교육의 수준은 원격 기관에서만 자기보고된 TPACK와 연관되었습니다. 거기서는 5학점 단기 강좌를 이수한 것이 교육을 전혀 받지 않은 것보다 더 낮은 보고된 TPACK를 예측했습니다(p = .039, 캠퍼스에서는 p = .607). 따라서 준비도는 교육 시간만이 아니라 기관의 제공 맥락을 따르며, 저자들은 자기보고된 준비도가 수행 근거를 대신할 수 없다고 경계합니다.

같은 저자의 Capability–Decision 모형에서 오는 상보적 측정 경고도 있습니다. TPACK가 자기보고되고 지각된 행동 통제가 자기효능감로 측정될 때, 둘은 경험적으로 구분되지 않을 수 있으므로, 어떤 연구도 의도를 예측하는 것이 역량인지 일반적 자신감인지를 판단할 수 없습니다(Mnguni (2026)).

  • AI가 실제의 문제 기반 과제 안에서 스캐폴딩될 때 통합된 TPACK가 가장 크게 움직입니다. Chen과 Osman (2026)은 8주 AI 지원 CTD-PBL 모듈과 전통적 교수를 3학년 예비 물리 교사 130명(각 조건 65명, 온전한 학급 준실험 설계)에게 비교했습니다. 집단은 과제 특정 프롬프트 템플릿을 통해 DeepSeek을 사용했고, 모든 AI 산출물은 수업 산출물로 들어가기 전에 인간의 검증을 거쳐야 했습니다. 모듈 집단은 사후 검사에서 더 높은 TPACK(M = 4.04 대 3.40, p < 0.001, d = 1.02)와 더 높은 지각된 협력적 문제 해결(M = 3.62 대 3.05, d = 0.88)을 보고했으며, 두 결과 모두에서 집단 × 시점의 유의미한 상호작용이 나타났습니다. 향상이 나타난 지점이 TPACK 관련 세부 사항입니다. 차원별 효과가 가장 컸던 곳은 통합된 영역, 즉 TPCK(d = 1.21), PCK(d = 1.06), TPK(d = 0.95)였으며, 협력 향상은 공유된 지식 구성과 사회적 규율에서 가장 뚜렷했습니다. 즉 교차점이었습니다. 저자들은 이것을 통합된 교수 조건과 연관된 차별적 변화로 제시하며 AI 효과로 제시하지 않습니다. AI는 문제 기반 과제의 사슬, 구조화된 협력, 강사의 스캐폴딩, 동료 피드백, 반성적 수정과 결코 분리되지 않았으며, 두 결과 모두 역량에 대한 설문 기반 지각이었지 실증된 교실 수행은 아니었습니다.

  • 개입은 기반 영역을 먼저 움직일 수 있습니다. Intelligent-TPACK 프레임워크에 직접 기반한 6개월 전문적 개발 프로그램은 기술적 AI 지식을 가장 크게 높였고(AITK: 3.92에서 4.43, t(63) = 3.856, p < .001, d = .48), 기술-교수법 지식이 그다음(AITPK: d = .33), 통합된 AITPACK가 가장 적게(d = .26) 움직였으며, 윤리적 인식은 비교적 정체로 남았습니다(Tan, Cheng & Ling, 2025). 이 순서는 Chen과 Osman의 통합 영역 향상과 거울상이며, 둘 모두 자기보고입니다.

리터러시와 교실 통합 사이의 매개자로서의 AI-TPACK. 중국의 예비 과학 교사를 대상으로 한 구조방정식 모형(Zou, Li, Wang & Du, 2026)은 AI-TPACK를 나란한 역량이 아니라 일반적인 AI 리터러시가 교수 실천이 되는 전달 메커니즘으로 위치 짓습니다. AI 리터러시는 AI-TPACK를 강하게 예측했고, AI-TPACK는 차례로 과학 교수 자기효능감를 예측했으며, 교수 자기효능감은 AI가 통합된 탐구를 통해 가르치려는 의도의 가장 강한 단일 예측 요인이었습니다.

전체의 연쇄(AI 리터러시 → AI-TPACK → 자기효능감 → 의도)는 유의미했으며, AI-TPACK를 통한 경로와 자기효능감을 통한 경로도 각각 유의미했습니다. 종합하면 AI 리터러시와 의도의 연관은 대부분 직접이 아니라 이 매개자들을 통해 작동했으며, 이 결과는 성별, 학년, 전공, AI 사용 빈도를 통제한 뒤에도 유지되었습니다. 이 모형의 실천적 주장은 진입점을 지닌 순서입니다. AI 리터러시는 필요하지만 불충분하며, 통합의 작업은 기술적, 교수법적, 내용 지식이 결합하는 곳에서 이루어집니다. 이곳은 또한 교수자가 그 교과를 가르치는 자신감이 쌓이는 곳입니다.

  • 네 번째 역량으로서의 검증. Orhon, Cekerol, Ugur (2026)은 모형에 AI 검증 지식, 즉 확률적인 AI 산출물을 정당한 결정의 근거로 다루기 전에 전공 분야별 검증에 붙이는 지식을 더하고, 설계 교육을 위한 과정 중심의 루브릭과 짝을 이룹니다.

AI 교육에서 이것이 중요한 이유

TPACK은 이 지식베이스 근거 기반의 교수자 측을 조직하는 프레임워크입니다. 이는 교수자의 AI 역량이 도구 유창함을 넘어서는 이유를 설명합니다. 교수자는 기술적, 교수법적, 내용 지식을 함께 통합하여 AI를 학습 향상으로 바꾸어야 합니다. 이 지식베이스의 교수자의 AI 역량 페이지가 역량 차원을 다룬다면, TPACK은 그것의 밑에 놓인 지식 구조입니다. 교수자의 자신감, 전문적 개발, 전환되는 교수자의 역할에 관한 연구는 모두 이 프레임워크 안에서(또는 그것에 맞서) 작동합니다. 이 프레임워크는 이제 전체 프로그램을 평가하는 것으로 확장되고 있습니다. Wu & Li (2026)는 AI 인증 프로그램을 TPACK 차원으로 평가하는 AHP-Fuzzy-AHP 체계를 구축하고, 전문가의 우선순위와 현재의 제공 사이에서 가장 큰 격차가 기술 인프라가 아니라 교수진의 전문적 역량임을 발견했습니다. 이는 자격 인증이 교수자의 통합된 교수법적 역량에 투자해야 함을 알립니다.

설계 함의

  1. 도구만이 아니라 교차점을 훈련합니다. 전문적 개발은 고립된 도구 교육을 제공하기보다 기술적, 교수법적, 내용 지식을 함께 쌓아야 합니다. 이것이 핵심 TPACK 설계 원칙입니다.
  2. AI를 기계가 아니라 행위자로 다룹니다. AI-TPACK는 이 프레임워크를 AI 에이전트의 오케스트레이션으로 확장하여, AI가 언제 행동해야 하는지에 관한 시스템 사고와 교수법적 판단을 요구합니다.
  3. 교수자 프로파일에 따라 전문적 개발을 달리합니다. 서로 다른 교수자 유형(최적화자, 창작자, 관찰자)은 서로 다른 스캐폴딩의 도움을 받습니다. 각각 심화된 프레임워크, 신속한 피드백, 명시적인 시연이 그것입니다.
  4. 통합된 역량을 평가합니다. TPACK 지향의 결과(예: AI-PCK 향상)는 자기보고된 도구에 대한 익숙함이 아니라 통합된 역량으로 측정해야 합니다.

연결된 개념

연결된 문서

연결된 FAQ

메타데이터

대상 독자Faculty Developers, Instructors
기술과 기법생성형 AI
교육에서의 인공지능 기초AI 리터러시, 교육과정 설계, 교육 개발, 학습 설계, 교수(Teaching), 기술적 교수 내용 지식(TPACK), 교수자의 AI 역량
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.