예측형 인공지능 시스템이 인간의 탐색적 인지 과정에 미치는 영향을 분석한 이론적 연구가 arXiv에 공개됐다. 고전 인지 이론은 문제 해결을 구조화된 문제 공간에서의 탐색으로 설명하며, 반복적 상호작용을 통해 탐색이 점차 효율적인 표현 구조로 압축된다고 본다. 그러나 예측형 AI 시스템은 이와 다른 국면을 만들어낼 수 있다. 내부에서 탐색이 충분히 펼쳐지기 전에 외부에서 해결책과 의사결정 경로가 먼저 제공될 경우, 탐색의 다양화보다 안정화가 앞서 일어날 수 있다는 것이다.
이 논문은 안정화 드리프트, 내생적 탐색 교란, 반응성에 의해 형성된 전략 지형 위에서 주의(attention)가 진화하는 기하학적 동역학 프레임워크를 제시한다. 연구팀은 이 프레임워크에서 세 가지 주요 결과를 도출했다. 첫째, 지속적인 예측 안정화는 내재적 교란의 효과적 영향을 약화시켜 탐색 반응성을 감소시킨다. 둘째, 곡률이 비대칭적으로 누적되고 완화돼 지원 철회 이후 탐색 이동성의 지연 회복을 낳는 이력현상(hysteresis)이 발생한다. 셋째, 안정화 시점이 결정적이며, 광범위한 표현적 다양화가 이루어지기 전 조기 개입은 이후의 탐색 범위를 좁힌다.
이 프레임워크는 탐색 엔트로피, 조기 수렴, 예측 안정화 이후 지연된 회복 등에 관한 실증 가능한 예측을 제시한다. 연구팀은 더 넓은 의미에서, 예측형 시스템이 탐색적 인지의 기하학 자체를 재형성할 수 있다는 가능성을 제기하며 AI 보조 학습 환경 설계에 새로운 시사점을 던진다. 특히 교육 현장에서 AI 튜터링 도구를 언제, 어떤 방식으로 도입할 것인가에 대한 설계 원칙을 재고해야 한다는 실천적 함의가 있다. 학습자의 탐색 역량이 충분히 발달하기 전에 예측 지원이 개입하면, 장기적으로 독립적 문제 해결 능력의 폭이 좁아질 수 있기 때문이다.
