생성형 인공지능(GenAI)이 산업 전반으로 확산되는 가운데, 이 프리프린트는 대학이 학생의 AI 준비도를 학과 단위에서 어떻게 정의할지에 주목한다. 현행 접근이 기관 정책이나 개별 교강사 판단에 머무르면 학생에게는 메시지가 엇갈리고, 학과별 기대치는 파편화되며, 대학 운영진의 가시성도 낮아질 수 있다고 본다. 논문은 이런 공백을 메우기 위한 틀로 Program-Level AI Learning Outcomes(PLAI-LOs)을 제안한다.
핵심은 졸업생이 특정 전공에서 GenAI를 “with, without, and about” 무엇을 알고 무엇을 할 수 있어야 하는지 학과 수준에서 먼저 정리하는 데 있다. 여기서 PLAI-LOs는 기존 프로그램 학습성과를 보완하며, 기관 우선순위, 프로그램 수준 AI 학습성과, 과목 수준 학습성과, 과제 수준 목표를 서로 맞물리게 하도록 설계됐다. 연구진은 정의의 중심을 “GenAI를 쓸 수 있는가”가 아니라 “GenAI와 함께, 없이, 그리고 GenAI에 관해 무엇을 할 수 있어야 하는가”로 옮긴다.
운용 방식도 비교적 구체적이다. 논문은 Backward Design 절차로 PLAI-LOs를 만들고, 이를 개별 학습 산출물 단위의 GenAI 정책으로 구현한다. 절차는 최신 GenAI 기술과 실무를 점검한 뒤, 프로그램 리더가 개선된 블룸 분류를 활용해 학과 차원의 학습성과를 정하고, 교강사가 이를 수업에 적용하며, 각 과제마다 허용 가능한 GenAI 사용 범위를 정한 뒤, 태그가 붙은 과제 성과를 다시 프로그램 수준으로 환류하는 반복 구조다.
사례는 컴퓨팅과 음악 두 전공에서 제시됐다. 표 1에는 각 전공의 예시 PLAI-LO가 6개씩 담겼는데, 예를 들어 컴퓨팅 전공은 GenAI 없이 다중 파일 소프트웨어를 설계·구현·테스트·디버그하는 역량, GenAI를 활용해 초기 문제를 구체화한 뒤 해법을 독자적으로 구현하는 역량, AI 지원 코드와 결과를 보안·효율·강건성 측면에서 검증하는 역량 등을 포함한다. 음악 전공은 GenAI 없이 고수준 연주·작곡·지휘를 수행하는 능력, GenAI와의 공동 작곡, AI가 생성한 음악 자료를 비판적으로 평가하는 역량 등이 예시로 든다.
| 구성 요소 | 원문에 나온 내용 | 근거 위치 |
|---|---|---|
| PLAI-LOs의 정의 | 프로그램 졸업생이 GenAI를 with, without, and about 어떻게 알고 할 수 있어야 하는지를 정의하는 틀 | p.1 abstract |
| 구현 방식 | Backward Design으로 학과 차원의 PLAI-LOs를 만들고, 개별 학습 산출물 수준 GenAI 정책으로 구현 | p.2 The Framework; p.3 2.1 |
| 컴퓨팅 예시 | GenAI 없이 소프트웨어 설계·구현·테스트·디버그, GenAI로 초기 문제 구체화 후 독자적 구현, AI 지원 코드 검증 등 6개 예시 | p.4 Sample PLAI-LOs for Computing |
| 음악 예시 | GenAI 없이 연주·작곡·지휘, GenAI와 공동 작곡, AI 생성 음악 자료 평가 등 6개 예시 | p.4 Sample PLAI-LOs for Music |
자료: STORIUM 정리
이 논문이 제시한 범위는 내부 평가 실험이 아니라 개념적 프레임워크와 적용 예시다. 논문은 학습 산출물 수준의 GenAI 정책이 학생에게 무엇을 언제 가르치고, 언제 GenAI 없이 수행해야 하는지를 학과가 정하는 데 도움을 줄 수 있다고 설명한다. 동시에 연구가 더 나아가서는 이런 과제 수준 지침이 학생이 학습을 GenAI에 외주화하지 않고 자기 학습에 더 참여하게 만드는지 살펴봐야 한다고 덧붙인다. arXiv v1 프리프린트 상태이며 동료검토 전이다.
저작권자 © STORIUM 무단전재 및 재배포 금지
