교수진은 AI와 관련하여 어떤 역량을 갖춰야 합니까?

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

교수진 역량은 프롬프트 작성 훨씬 너머로 확장되어야 합니다. 지식베이스의 AI 리터러시 종합은 네 가지 광범위한 차원을 확인합니다:

• AI 능력과 한계에 관한 기초적 이해.
• AI 도구를 사용하는 실무적 역량.
• 정확성, 편향, 적절성, 불확실성에 관한 비판적 평가.
• 윤리적·제도적 인식으로서 정직성, 프라이버시, 형평성, AI 거버넌스 같은 문제를 수반합니다.

교수법적 층위

교수자에게는 그러한 차원들에 교수법적 층위가 추가로 필요합니다. 교수진은 다음을 할 수 있어야 합니다:

• 학생이 어떤 인지적 작업을 유지해야 하는지 결정하기.
• 학습 목표와 일치하는 AI 활용을 선택하기.
• 타당한 AI 시대 평가를 설계하기.
• 학생에게 AI 사용의 검증과 조절을 가르치기.
• 환각, 지나친 의존, 아첨을 인식하기.
• 인간의 판단이 자동화를 뒤집어야 하는 경우를 알기.

교수진은 또한 생성형 AI를 고립된 도구로 보기보다는 생성형 AI가 지원하는 워크플로가 어떻게 맞물리는지 평가할 만큼 충분한 시스템 이해를 가질 필요가 있습니다. 교사 AI 역량 및 교수진 개발을 참조하십시오.

자신감은 역량이 아니다

지식베이스에 요약된 연구는 또한 자신감을 역량과 동일시하는 것에 경고합니다: 자기보고된 AI 리터러시는 실증된 능력과 상당히 달라질 수 있어, 자신감 설문만이 아니라 성과 기반 전문성 개발과 실제적 실습이 더 바람직합니다. 교사 다중 에이전트 워크플로 연구는 또한 시스템 사고, 교수법적 신념, 자기효능감이 AI 통합에서 상호작용하므로, 전문성 개발은 획일적인 도구 워크숍이 아니라 차별화되어야 함을 시사합니다.

전문성 개발이 실제로 움직이는 것과 그렇지 않은 것

최근 고등교육 연구는 교수진 역량이 강한 곳과 무너지는 곳에 구체적인 숫자를 제시합니다. 미국의 대형 연구중심 대학 교수진 127명을 대상으로 한 조사가 기술적 교수 내용 지식(TPACK)-21 도구를 사용하여 자기인식한 교수법적 내용 지식은 높고(M = 4.70) 내용 지식은 상한에 가깝지만(M = 5.15), 기술이 통합된 영역은 현저히 낮음을 발견했습니다 — 기술적 교수법 지식(M = 2.62), 기술적 내용 지식(M = 2.75), 전체적 TPACK(M = 2.55, 일곱 중 최저). 내용 전문성은 생성형 AI 통합 지식을 예측하지 못했고(CK 상관 r = .11–.15, 모두 비유의), 따라서 교수진 개발은 학문 숙달이 전이된다고 가정할 수 없으며, 생성형 AI 역량을 의도적이고 학문 특화적 프로그래밍을 통해 구축해야 합니다. 세 개의 기술 통합 영역이 r = .81–.91로 상관했으므로, 그것들은 별개의 기술이라기보다 공유된 기초로서 가르칠 만한 단일한 생성형 AI 통합 역량으로 기능할 수 있습니다.

훈련이 할 수 있는 것과 없는 것 역시 시사적입니다. 고등교육 교사 13명을 대상으로 한 피험자 내 설계 연구에서, 교사에게 챗봇을 제공한 것은 학습 설계의 질을 유의하게 개선했습니다 — Bloom 고차 과제 두 개 이상을 달성한 비율이 **41.7%에서 91.7%**로 상승했으며(p = .01) — 그리고 인지된 인지적 노력을 크게 낮췄습니다(중위수 6.33에서 3.33, p = .004). 그 위에 덧입혀진 교수법적 프롬프팅 훈련은 질을 더 개선하지 못했고 노력을 약간 높였습니다. 즉, AI 접근은 교수 행동을 쉽게 바꾸지만, 더 깊은 역량은 워크숍 이상을 필요로 하며, 질적 향상만으로 교사가 그 실천을 내면화했다는 증거가 되지는 않습니다.

표준, 주체성, 정체성

역량은 또한 제도적 질문입니다. 미국 28개 기관과 11개국의 참가자 114명을 대상으로 한 설계기반연구는 학술 역할 전반에 걸친 여섯 가지 교수 기술 표준을 산출했습니다 — Instructor, Coordinator, Leader, Researcher, Learner, Contributor — 기존 프레임워크(기술적 교수 내용 지식(TPACK), SAMR)와 교육자 표준(ISTE, UNESCO, DigCompEdu)이 K-12 교사나 교수 차원만을 다루기 때문입니다.

27개국 교사 287명을 대상으로 한 조사는 채택이 순수하게 기술적 틀로 설명되기 어려운 이유를 보여줍니다: 정제된 모델은 행동 의도의 분산의 **79.8%**를 설명했으나, 인지된 인위적 자율성은 의도에 유용성을 통해서만 간접적으로 영향을 미쳤고, 위험 회피는 유의한 부적 예측변수였으며(−.163), 교사는 자신의 사용보다 학생의 지나친 의존과 정직성 위험을 훨씬 더 우려했습니다. 채택은 자동화의 호소력이 아니라 맥락에 민감한 판단에 의존했습니다. 마지막으로, 경험 많은 두 학자의 인터뷰는 AI 통합이 반복되는 정체성 긴장 — 교수법 대 플랫폼, 교육자 대 촉진자, 돌봄 대 준수 — 을 만들어내며, 그것이 교수법적 가치에 뿌리를 둔 원칙적 선택성을 통해 탐색됨을 시사합니다. 따라서 역량에는 AI를 사용하는 능력뿐 아니라 AI를 사용하지 말아야 할 때에 관한 전문적 판단이 포함됩니다.

학생 대응 항목은 제 강의에 AI 리터러시를 어떻게 통합해야 할까요? 및 고등교육에서 AI 리터러시 중재의 증거는 무엇인가?를, 교수자 대응 요약은 교수자가 알아야 할 AI 교육 연구의 핵심 발견 10가지는 무엇인가요?를 참조하십시오.