데이터가 보여준 학습 효율과 사고의 평준화

교실의 풍경이 바뀌고 있다. 학생들은 이제 빈 화면 앞에서 한참을 머뭇거리지 않는다. 생성형 인공지능에 몇 줄의 질문을 입력하면 개요가 정리되고, 논지가 배열되며, 문장이 다듬어진 초안이 순식간에 완성된다. 글쓰기의 시작은 더 이상 고통스러운 공백과의 싸움이 아니다. 문제는 그 다음이다. 이 편리함이 학습을 확장하는 도구인지, 아니면 사고를 압축하는 장치인지에 대한 질문은 아직 충분히 다뤄지지 않았다. 생성형 AI가 글쓰기 과정에 미치는 효과를 분석한 여러 실험 연구는 흥미로운 이중적 결과를 보여준다. 독일 중등학생을 대상으로 한 무작위 배정 실험에서 LLM 기반 피드백을 받은 집단은 글 수정 능력에서 통계적으로 유의미한 향상을 보였지만 효과 크기는 d=0.19에 그쳤다. 반면 과제 수행 동기(d=0.36)와 긍정적 정서(d=0.34)는 상대적으로 더 큰 개선을 보였다. 즉, AI는 학생을 더 열정적으로 만들 수는 있지만, 글 자체를 획기적으로 향상시키는 도구라고 보기는 어렵다는 결과다. 학습의 성취보다 학습의 감정에 더 강하게 작용하는 셈이다.

유사한 맥락에서 약 160,000편의 대학 입학 에세이를 분석한 연구는 또 다른 장면을 보여준다. ChatGPT 등장 이후 작성된 에세이와 AI 보조를 받은 에세이는 어휘 다양성은 증가했지만, 아이디어의 내용은 오히려 동질화되는 경향을 보였다. 표현은 풍부해졌지만 생각은 평균으로 수렴했다는 분석이다. 같은 주제를 다룬 글에서 고유한 관점의 폭이 줄어들고, 안전하고 일반적인 논지로 모이는 경향이 강화된 것이다. 이는 글쓰기의 외형적 향상과 사고의 독창성 사이에 미묘한 긴장이 존재함을 시사한다.

이 같은 실험 결과는 최근 발간된 『A New Direction for Students in an AI World: Prosper, Prepare, Protect』가 제기한 문제의식과 맞닿아 있다. 초·중등 교육 현장에서 생성형 AI 도입이 급속히 확산되는 상황을 추적한 이 연구는, 학습 효과의 수치보다 더 중요한 질문을 던진다. AI가 학습을 돕는 도구인지 여부가 아니라, 학습이라는 행위 자체를 어떻게 재구성하고 있는가라는 질문이다. 기술은 성취도를 약간 끌어올릴 수 있다. 그러나 사고의 형식과 과정까지 바꾸는 순간, 문제는 전혀 다른 층위로 이동한다. 글쓰기 영역에서 특히 눈에 띄는 대목은 ‘고유 아이디어’의 감소 현상이다. 인간이 추가로 작성한 에세이는 AI가 생성한 에세이에 비해 2배에서 8배 더 많은 독창적 아이디어를 확장시켰다는 분석이 제시됐다. 이는 단순한 문장력의 문제가 아니라, 사고의 확장 방식과 관련된다. AI는 방대한 데이터를 평균화해 가장 가능성 높은 문장을 제시한다. 반면 인간은 불완전하고 비효율적이지만, 맥락과 경험을 결합해 예측 불가능한 연결을 시도한다. 이 차이는 글의 구조를 넘어 학습의 본질과 연결된다.

또 하나 주목할 지점은 ‘협력자(active collaborator)’로서의 AI 사용 조건이다. 여러 정량·정성 연구는 AI를 초안 작성의 대리자가 아니라, 초기 아이디어를 자극하거나 피드백을 보완하는 보조 도구로 사용할 때 학습 효과가 비교적 안정적으로 나타난다고 분석한다. 예컨대 인간 교사의 피드백과 AI 피드백을 혼합한 모델에서는, 명확성·정확성·비판적 개선 지점 제시 측면에서는 인간이 우위에 있었고, 기준 기반 평가나 반복적 교정에서는 AI가 효율성을 보였다. 기술이 전면에 설 때보다 인간과 병렬로 배치될 때 성과가 균형을 이룬다는 의미다. 그러나 여기에서 질문은 다시 원점으로 돌아간다. 학생이 초안을 AI에 맡기고, AI가 제시한 구조를 수정하는 방식이 반복될 경우 사고의 출발점은 어디에 놓이게 되는가. 글쓰기의 시작이 자신의 문제 제기가 아니라, 이미 정리된 논지라면 사고의 긴장은 줄어든다. 편리함은 증가하지만, 사고의 마찰은 감소한다. 학습은 본질적으로 마찰을 동반하는 과정이라는 점에서, 이 변화는 단순한 도구의 문제가 아니다.

어휘는 다양해졌지만, 생각은 좁아졌는가

어휘 다양성이 높아졌다는 사실은 표면적으로는 긍정적인 신호처럼 보인다. 문장은 더 유창해지고, 표현은 세련되며, 문법적 오류는 줄어든다. 실제로 L2 학습자를 대상으로 한 연구들에서는 생성형 AI를 활용한 집단이 더 명확하고 응집력 있는 글을 작성하는 경향이 관찰됐다. 문장 구조의 안정성과 어휘 선택의 폭이 확장되면서 전반적인 완성도가 높아진 것이다. 그러나 같은 데이터 안에는 다른 흐름도 존재한다. 어휘는 풍부해졌지만, 주장과 관점의 폭은 오히려 평균으로 수렴하는 경향이 확인된다. 이는 단순히 문장력 향상의 문제가 아니라, 사고의 방향성이 표준화되고 있음을 시사한다. 대규모 에세이 분석에서 드러난 ‘아이디어 동질화’ 현상은 이 지점을 분명히 보여준다. ChatGPT 등장 이후 작성된 글에서는 표현의 다채로움이 증가했지만, 논지의 구성 방식과 결론의 방향은 유사한 패턴을 반복하는 비율이 높아졌다. 서로 다른 학생이 쓴 글임에도 불구하고, 문제 제기의 구조와 해결책 제시 방식이 놀라울 정도로 닮아 있었다는 분석이다. 이는 생성형 모델의 구조적 특성과 무관하지 않다. LLM은 확률적으로 가장 적합한 단어를 선택하는 방식으로 작동한다. 그 결과는 대체로 안전하고, 일반적이며, 극단을 피하는 방향으로 수렴한다. 예외적 사고보다는 평균적 사고가 강화되는 구조다.

이 지점에서 학습의 본질에 대한 질문이 등장한다. 글쓰기의 목적이 단지 매끄러운 문장을 생산하는 것이라면, 생성형 AI는 상당히 효율적인 도구다. 그러나 글쓰기가 자신의 관점을 형성하고 논증을 통해 사고를 확장하는 과정이라면 이야기는 달라진다. 사고는 대개 불완전한 초안에서 시작되고, 모순과 반박을 거치며 정제된다. 이 과정에는 시간과 불확실성이 필요하다. 생성형 AI는 그 불확실성을 빠르게 제거한다. 문제는 그 제거된 부분 안에 사고의 성장 동력이 포함되어 있을 수 있다는 점이다.

광고

생산성의 향상과 학습의 심화는 같은가

생성형 AI 도입 이후 교육 현장에서 가장 자주 등장하는 단어는 ‘생산성’이다. 더 빠른 초안 작성, 즉각적인 피드백, 반복적 교정의 자동화는 분명한 시간 절감 효과를 제공한다. 교사의 업무 부담을 줄이고 학생의 과제 수행 속도를 높인다. 실제로 AI 기반 피드백은 반복적 연습 기회를 확대할 수 있다는 점에서 긍정적 평가를 받는다. 한 번의 피드백 효과는 작더라도(d=0.19), 자동화된 구조는 여러 차례의 수정과 연습을 가능하게 한다는 논리다. 문제는 생산성의 향상이 곧 학습의 심화로 이어지는가 하는 점이다. 인지과학은 학습이 단순한 정보 축적이 아니라 ‘grounding’, 즉 새로운 정보를 기존 이해와 능동적으로 통합하는 과정이라고 설명한다. 준비된 답안을 받아들이는 행위는 이 통합 과정을 단축할 수 있다. 평균화된 정보를 맥락 없이 받아들일 경우, 학습자는 결과를 이해했다고 느끼지만 실제로는 자신의 인지 구조 안에 깊이 연결되지 않을 가능성이 있다. AI가 제시한 문장을 수정하는 행위와, 처음부터 자신의 언어로 문제를 정의하는 행위 사이에는 질적인 차이가 존재한다.

이 차이는 결국 평가의 문제로 이어진다. 글의 완성도만을 기준으로 삼는다면 AI 보조 글쓰기는 충분히 경쟁력을 가질 수 있다. 그러나 사고의 깊이와 독창성을 평가하려 할 때, 평균화된 사고의 확산은 교육 체계 전반에 영향을 미친다. 학생 개개인의 관점이 서로 닮아간다면, 성취도는 상승할 수 있어도 차별성은 감소한다. 이는 입시와 수행평가, 대학 논술과 연구보고서까지 연쇄적으로 연결되는 문제다. 기술은 효율을 제공하지만, 교육은 효율만으로 설명되지 않는다.

마찰은 왜 학습의 일부인가

인간이 작성한 에세이가 AI 생성 에세이보다 2배에서 8배 더 많은 고유 아이디어를 확장했다는 분석은 단순한 비교 수치 이상의 의미를 가진다. 인간의 글쓰기는 종종 비효율적이다. 주제가 흔들리고, 논지는 수정되며, 한 문장은 여러 번 고쳐진다. 그러나 이 반복과 수정의 과정에서 사고는 확장된다. 스스로 문제를 정의하고, 반론을 예상하고, 기존 생각을 다시 조정하는 과정이 축적되기 때문이다. 반면 생성형 AI는 이미 정리된 구조를 제시한다. 그 구조는 빠르고 정돈되어 있지만, 사고의 출발점을 외부에 둔다. 출발점이 달라질 때 사고의 경로도 달라진다. 학습에서 인지적 부담(cognitive load)은 대개 제거해야 할 요소로 이해된다. 그러나 모든 부담이 제거 대상은 아니다. 개념을 처음 이해하려 할 때의 혼란, 논지를 정리하는 과정에서의 좌절, 자료를 비교하며 느끼는 모순은 학습의 핵심 단계다. 이러한 ‘마찰’은 시간이 걸리고 불편하지만, 사고의 구조를 강화한다. 생성형 AI는 이 마찰을 빠르게 제거한다. 초안을 제공하고, 문장을 매끄럽게 정리하며, 논리적 연결을 자동으로 보완한다. 그 결과 학생은 더 빠르게 결과물에 도달하지만, 사고의 긴장은 줄어들 수 있다.

여기서 중요한 것은 AI가 학습을 방해한다는 단정이 아니다. 문제는 사용 방식이다. 초기 아이디어를 자극하는 질문 도구로 활용할 때와, 완성된 초안을 대체하는 도구로 활용할 때의 효과는 다르게 나타난다. 연구들이 공통적으로 제시하는 결론은 전면적 대체보다 부분적 보완이 더 안정적인 성과를 낸다는 점이다. 인간 교사의 피드백과 AI의 반복 교정을 결합하는 하이브리드 모델이 그 사례다. 명확성·정확성·비판적 개선 지점 제시에서는 인간이 우위를 보였고, 기준 기반 평가와 반복적 수정에서는 AI가 효율성을 보였다. 기술과 인간이 병렬적으로 배치될 때 균형이 형성된다는 의미다.

사고의 출발점을 어디에 둘 것인가

그러나 하이브리드 모델 역시 전제 조건이 있다. 학생이 자신의 질문을 먼저 형성하고 난 뒤 AI를 활용하는지, 아니면 질문 자체를 AI에 위임하는지에 따라 결과는 달라진다. 사고의 출발점이 외부에 놓일수록 학습자는 결과를 소비하는 위치에 서게 된다. 반대로 출발점을 스스로 설정할수록 AI는 사고를 확장하는 도구로 기능할 가능성이 높아진다. 문제는 많은 학습 상황에서 출발점이 점점 외부로 이동하고 있다는 점이다. 생성형 AI는 평균화된 지식을 기반으로 응답을 생성한다. 이는 안정성과 예측 가능성을 제공하지만, 동시에 예외적 관점을 약화시킨다. 사용자의 기대에 부합하는 방향으로 응답을 조정하는 특성 또한 지적된다. 만족을 높이기 위한 응답 조정은 비판적 긴장을 완화시키는 방향으로 작동할 수 있다. 학습자가 결과를 검증하기보다 수용하는 경향을 강화할 경우, 사고의 자율성은 점차 축소된다. 이는 단순한 글쓰기 기술의 문제가 아니라, 학습 태도와 연결된 문제다.

결국 질문은 하나로 모인다. 우리는 더 빠른 글쓰기를 원하는가, 아니면 더 깊은 사고를 원하는가. 두 목표가 항상 충돌하는 것은 아니지만, 자동화가 전면에 설수록 균형은 흔들릴 수 있다. 생성형 AI는 이미 교실 안에 들어와 있다. 남은 문제는 그것을 어떻게 배치할 것인가다. 도구로 둘 것인가, 출발점으로 둘 것인가. 이 선택은 개별 교사의 수업 설계를 넘어 교육 체계 전체의 설계 문제로 확장된다.

완성도를 평가하는 체계는 무엇을 강화하는가

이 변화는 곧바로 평가 체계와 연결된다. 수행평가, 논술, 보고서 과제는 오랫동안 사고의 구조를 드러내는 장치로 기능해왔다. 그러나 평가 기준이 문장 완성도와 논리적 정돈 수준에 집중될수록, 생성형 AI 보조 글쓰기는 상대적으로 유리한 위치를 차지하게 된다. 표현의 매끄러움은 상승하지만, 사고 형성 과정은 보이지 않게 된다. 결과물 중심 평가는 자동화된 문장 생산과 충돌하지 않는다. 오히려 그 효율을 강화할 수 있다. 문제는 교육이 단지 결과를 산출하는 체계가 아니라는 점이다. 학습은 사고의 경로를 훈련하는 과정이며, 그 경로에는 시행착오와 비효율이 포함된다. 생성형 AI는 그 비효율을 줄이는 데 탁월하다. 그러나 교육 체계가 효율만을 기준으로 재편될 경우, 사고의 깊이를 측정하는 장치는 약화될 수 있다. 입시와 대학 평가 구조 역시 이 변화에서 자유롭지 않다. 서로 다른 학생의 글이 유사한 구조와 논지로 수렴한다면, 차별성은 어디에서 발견될 것인가라는 질문이 남는다.

결국 1회차의 결론은 단순한 찬반이 아니다. 생성형 AI는 글쓰기 능력을 일정 부분 보완하고, 학습 동기를 자극하며, 반복적 피드백 기회를 확대한다. 동시에 아이디어의 평균화와 사고 출발점의 외부화라는 위험을 내포한다. 기술은 학습을 대체하지 않는다. 그러나 학습의 형식을 재구성한다. 우리는 지금 그 재구성이 어떤 방향으로 진행되고 있는지를 확인하는 단계에 서 있다. 더 빠른 문장을 얻는 대신 무엇을 잃고 있는지, 혹은 잃지 않기 위해 무엇을 설계해야 하는지에 대한 질문은 다음 회차로 이어진다.

#AI와교육 #학습의재설계 #생성형AI #글쓰기교육 #비판적사고 #인지적오프로드 #AI피드백 #교육평가 #수행평가 #논술