생성형 AI를 활용한 프로그래밍 학습에서 학생들이 실제로 얼마나 깊이 사고하며 배우는지를 들여다본 연구가 나왔다. 우멍첸 연구자는 학생이 질의를 구성하고 AI가 생성한 결과물을 평가·검증하며 문제해결 전략을 조율하는 과정 전반에서 ‘인식론적 사고(epistemic thinking)’가 핵심적인 역할을 한다고 보고, 이를 측정할 수 있는 개념 틀인 ‘인식론적 AI 리터러시(EAIL)’를 제안했다.
이 연구는 AI 리터러시를 단순한 도구 활용 능력이 아니라, 인간과 AI의 동적 상호작용 속에서 형성되는 과정 중심의 인식론적 현상으로 재정의한다. 연구진은 인식론적 목표·이상·신뢰할 만한 인식 과정을 다루는 기존의 AIR 프레임워크를 바탕으로, 학생이 생성형 AI와 함께 코딩하는 과정에서 인식론적 목표와 인식론적 과정이 어떻게 구체적으로 나타나는지 분석하고, 이를 대규모 상호작용 데이터에서 측정 가능한 형태로 조작화하는 방법을 탐구했다.
연구진은 대규모 인간-AI 공동 코딩 대화 데이터셋을 분석해 관찰 가능한 인식론적 목표 차원(숙달 지향 목표)과 인식론적 과정 차원(아웃소싱, 설명 요구, 검증 요구, 프롬프트 모니터링, 인식론적 정당화)을 식별했다. 이 다섯 가지 과정 유형은 학생이 AI의 답변을 얼마나 능동적으로 검토하고 자기 지식으로 소화하려 하는지를 가늠하는 지표로 활용됐다.
분석 결과는 우려스러운 경향을 드러냈다. 학생과 생성형 AI의 상호작용 가운데 78.8%는 숙달을 지향하지 않는 목표와, 아웃소싱이나 검증 요구 같은 상대적으로 신뢰도가 낮은 인식론적 전략에 의존하고 있었다. 반면 숙달 지향 목표가 인식론적 정당화 같은 고차원 전략과 결합해 높은 수준의 인식론적 참여를 보인 상호작용은 11.1%에 불과했다.
이번 연구는 생성형 AI가 교육 현장에 빠르게 확산하는 가운데, 학생들이 AI를 단순한 답안 생성기로 소비하는 데 그치지 않고 실제 이해와 역량 습득으로 이어지도록 설계하는 것이 얼마나 중요한지를 데이터로 보여준다. 이와 관련해 브라우저 안에서 AI 모델을 효율적으로 다루는 기술적 시도로 <a href=”https://www.storium.io/b53-experimenting-with-the-proposed-cross-origin-stora/”>Transformers.js의 모델 중복 다운로드 해소 실험</a>도 학습 환경에서 AI 접근성을 높이는 흐름과 맞닿아 있다. 연구진은 AI 리터러시 교육이 도구 사용법 전수를 넘어, 학생 스스로 검증하고 정당화하는 인식론적 습관을 기르는 방향으로 설계돼야 한다고 제언했다.
