[Q레이션 레터 #1] 교육 현장의 고민을 해결해 드립니다 🤓💡

본 메일은 국가과학기술인력개발원(KIRD)이 발행하는 미래형 교수학습 동향 브리프 구독자와 알파캠퍼스 강사 회원 가운데 수신에 동의하신 분께 발송되었습니다.

2026.06.18 | No.01 | 구독하기

안녕하세요, 구독자 여러분!

6월 셋째 주, <KIRD Q레이션 레터>의 첫 호를 보냅니다. 매월 첫 번째 월요일에 찾아뵙는 <미래형 교수학습 동향 뉴스레터>가 AI 시대 글로벌 교육 동향의 큰 흐름을 짚어 드린다면, 이 레터는 매월 셋째 주 목요일 점심에 만나는 가벼운 큐레이션입니다.

💌 Q레이션 레터?

'Q레이션'은 Question과 큐레이션을 더한 말입니다. 교육 현장에서 자주 마주하시는 질문들에 대한 답을 드리기 위해 글로벌 매체에서는 어떤 이야기가 오가는지 한자리에 모았습니다.

지난 4월에 구독자분들을 대상으로 미래형 교수학습 동향 수요 조사를 시행하였는데요, 당시 교육기획자, 교수자, 행정가, 운영자, 연구자 등 다양한 분들이 응답하셨었습니다. 조사 결과를 살펴보니, 직무는 달라도 AI 시대를 지나며 비슷한 고민을 안고 계신 모습이 보였습니다.

그래서 이번 첫 호에서는 수요 조사에서 관심이 높았던 세 가지 Q를 담았습니다.
그럼 첫 Q부터 만나 보실까요? 🌿

🔦 "밝은 테마(라이트 모드)"로 설정하면
이미지와 글씨를 더 또렷하게 보실 수 있습니다.

☝️01. 교육기획자를 위한 Q

'AI 기반 콘텐츠 제작'은 이번 수요 조사에서 관심이 가장 높았던 주제 가운데 하나였습니다. 그 이유를 들여다보면, "강의 설계 시 다양하고 풍부한 콘텐츠 제작을 위해", "AI를 이용한 다양한 학습자료 개발" 같은 응답이 있었는데요. 한정된 시간과 인력 안에서 학습자에게 더 풍부한 자료를 전달하고 싶다는 마음이 느껴졌습니다.

그런데 막상 콘텐츠 제작에 AI를 들여놓으면, 생각보다 부딪히는 점이 있습니다. 바로 내용 전문가(SME: Subject Matter Expert)와는 어떻게 협업하느냐의 문제입니다. 전문가의 시간은 늘 빠듯한데, AI를 어떻게 쓰느냐에 따라 그 시간이 협업의 효율을 높일 수도, 낮출 수도 있거든요. 그렇다면 협업에서 AI는 어떤 역할을 맡을 수 있을까요?

🗣️ 준비와 정리는 AI에게, 대화는 전문가에게

Instructional Design Central(IDC) 창립자 Travis Jordan은 이 고민을 한 문장으로 정리합니다. AI는 내용 전문가를 대체하는 도구가 아니라, 전문가와 함께한 모든 시간을 몇 배로 키워 주는 도구라는 거죠. 저자는 준비와 정리는 AI에게 맡기고, 전문가와 마주 앉는 그 시간만큼은 사람만이 줄 수 있는 현장 지식과 판단에 집중하라고 권합니다.

<내용 전문가와 협업 시 AI로 할 수 있는 4가지>
① 인터뷰 전 도메인 브리핑 작성
② 대화 내용의 전사와 정리
③ 질문 다듬기와 후속 질문 설계
④ 코스 초안 잡기

이렇게 하면 전문가에게는 군더더기 없이 핵심만 추려진 질문이 전달되고, 전문가도 한결 적극적으로 참여하게 된다고 짚었습니다. 다만 한 가지 주의도 덧붙입니다. AI는 빠르지만 동시에 자신감 있게 틀리기도 한다는 점인데요. 특히 기술적 정확성, 법적 규제, 컴플라이언스가 중요한 분야에서는 전문가의 검증 흐름을 함께 설계해 두어야 한다는 점도 강조합니다.

🔍 증거 기반(evidence-based) 교수를 돕는 AI 도구들

앞선 글에 더해 University of Wisconsin-Stout의 Anne Schmitz 부교수와 AI 통합 전문가 Emily Laird의 'AI-Powered Pedagogy: A Guide to Evidence-Based Teaching Tools'도 함께 볼만한 실용 가이드입니다. 여기서는 학술 연구에 기반해 강의를 설계하고 운영할 때 AI 도구를 어떻게 활용할 수 있는지를 안내합니다.

페다고지의 효과성을 학술 연구에서 찾고 싶을 때는 Consensus에 "동료 학습이 STEM 학습에 어떤 영향을 미치는가?" 같은 질문을 던질 수 있고, 연구들 사이의 연결과 흐름을 시각화하고 싶을 때는 ResearchRabbit이나 Connected Papers를 활용할 수 있습니다. 모은 자료를 학습자용 스터디 가이드나 요약본으로 풀어내고 싶을 때는 NotebookLM을 고려할 수 있습니다. 그러면서도 두 저자는 AI 도구가 인간의 전문성과 교수법적 판단을 대체하지 않는다는 점을 강조합니다.

Q에서 가져갈 한 가지

교육 콘텐츠의 전문 지식을 가진 내용 전문가(SME)와 협업할 때 AI를 효율적으로 활용하는 팁이 담긴 글입니다. 핵심은 AI가 전문가를 대신하는 것이 아니라, 전문가가 가장 가치 있는 일에 집중할 수 있도록 AI와의 협업 과정을 재설계하는 것입니다. 콘텐츠 제작 과정에서 AI가 맡을 일과 전문가의 검증이 필요한 단계를 구분해 본다면, 더 효율적이면서도 전문성을 유지하는 협업 체계를 만들 수 있을 것입니다.

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다.

🔎 아티클 보기

✌️02. 교수자를 위한 Q

AI가 일상이 된 지금, 교육에서 가장 어려워진 일 중 하나는 바로 '평가'가 아닐까요? 과제도, 보고서도, 시험 답안도 AI가 만들어 주는 시대에서 학습자가 무엇을 알고, 무엇을 생각했는지를 어떻게 확인할 수 있을까요?

이번 수요 조사에서도 교수자분들의 비슷한 고민이 있었습니다. 그중 한 대학교 교수학습 지원센터 담당자께서 이런 궁금증을 남겨 주셨습니다.

"교수님들께서 학생들이 과제나 시험에 AI를 활용하지 않기를 원하셔서, 활용하지 않을 방법과 활용하되 평가하는 방법 등 전략을 알려 드리고 있는데… 타 대학 사례 또는 국외 사례가 궁금합니다."

아마 공감이 되는 지점이 있으실 겁니다. 그래서 최근에는 'AI 저항성 과제(AI-resistant assignments)', 즉 AI만으로는 완성할 수 없도록 설계한 과제에 대한 논의가 이루어지고 있는데요. 어떤 이야기가 오가고 있을까요?

🧭 PEACE: 자동화되지 않는 다섯 자리

교육 리더십 전문가 Andy Szeto는 AI 저항성 과제를 위한 다섯 가지 설계 원칙을 제안합니다. 그중 다섯 번째는 평가의 중심에 인간의 존재감을 두자는 것인데요. Kansas State University의 Donald A. Saucier 교수가 제안한 PEACE 프레임워크에 기댄 원칙으로, 가르치는 일에서 자동화될 수 없는 다섯 자리를 평가 설계의 출발점으로 삼자는 제안입니다. Szeto 역시 수업과 평가를 설계할 때 이 프레임워크를 염두에 둔다고 이야기합니다.

① 준비(Preparation): 수업 진행은 물론 가르칠 내용까지 충분히 준비되어 있는 것
② 전문성(Expertise): 내용 지식과 가르치는 방법을 모두 갖추되, 그 지식을 학습자가 이해할 수 있게 풀어내는 것
③ 진정성(Authenticity): 교수 페르소나가 꾸며낸 모습이 아니라 교수자 자신과 그 성격을 진솔하게 드러내, 학습자에게 진짜 사람으로 보이는 것
④ 돌봄(Caring): 학습자와 수업 내용을 아끼는 마음을 학습자가 실제로 느낄 수 있도록 말과 행동으로 보여 주는 것
⑤ 몰입(Engagement): 교수자가 수업 내용과 가르치는 일에 인지, 정서, 행동, 신체의 모든 차원에서 온전히 투입되어 그 열의가 학습자에게 전해지는 것

🪞 결과물이 아니라 '과정'을 평가한다

저자는 학습 과정을 가시화하는 일도 함께 강조합니다. 결과물만 보지 않고 거기에 이르는 과정까지 평가에 담아, 초안이나 기획 노트, 관찰 일지처럼 학습자의 사고가 드러나는 흔적을 같이 보는 거죠. 결과물만 놓고 보면 AI가 만든 것인지 학습자가 만든 것인지 가늠하기 어렵지만, 거기까지 가는 길을 함께 보면 학습자의 생각이 보인다는 관점입니다. 또 과제 안에서 AI를 언제 쓸 수 있고 언제 쓸 수 없는지를 설계 단계에서 미리 명확히 정해 두는 일도 함께 짚습니다.

🎤 AI 저항성 과제 설계 사례

저자는 자신의 강의에서 운영해 온 'Community Introduction Town Hall' 사례를 소개합니다. 학습자가 학군(school district) 리더 후보 역할을 맡아 학교 공동체 앞에서 실시간 발표와 짧은 질의응답을 마치는 과제로, AI가 발표 초안 작성을 도울 수는 있어도 그 자리에 직접 서서 사람들과 마주하고 응답하는 일까지는 대신해 주지 못한다는 설계 철학이 담겨 있습니다.

이와 함께 참고할 만한 자료로 University of North Florida CIRT가 공유한 Instructional Design Best Practices for AI-Resistant Assignment Prompts 가이드가 있습니다. '개인화와 고유한 맥락(Personalization and Unique Context)'이라는 큰 틀 안에 다섯 갈래의 구체 설계 접근을 제안하고 있어, 본인의 강의 맥락에 맞게 응용해 보실 수 있습니다.

Q에서 가져갈 한 가지

AI 저항성 과제를 어떻게 설계할 수 있을지에 대한 원칙과 사례가 담긴 글입니다. 핵심은 학습 결과물에서 AI 사용 여부를 가려내거나 AI의 사용을 금지하는 것이 아니라, 학습자의 사고 과정과 경험이 평가 과정에서 자연스럽게 드러나도록 과제를 설계하는 것입니다. 학습자의 AI 사용을 완전히 가려내기 어려운 현실에서, 결과물보다 사고 과정을 함께 보는 시선을 지금 진행하는 평가 설계에 한번 적용해 보시면 어떨까요?

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다.

🔎 아티클 보기

👌03. 모두를 위한 Q

마지막 Q는 직무에 상관없이 많은 분이 공통으로 남겨 주신 고민입니다. 'AI를 계속 쓰다 보면 학습자가 스스로 생각하는 법을 잊는 것은 아닐까?', 'AI가 잘못된 정보를 주고 있는데도 학습자가 그대로 믿고 있는 건 아닐까?'라는 고민입니다. 아마, 이러한 질문은 학습자뿐만 아니라 스스로에게도 던져 보셨을 겁니다.

이 고민을 다룬 Brooklyn College(CUNY) 교육대학원 강사 Norman Eng의 글은 한 걸음 더 나아가 보다 근본적인 질문을 던집니다. 바로 "우리는 정말 AI를 교육에 통합해야 하는가?"라는 것이죠. 그가 인용한 McDonald 외(2025)의 분석을 보면, 미국 116개 R1 대학(연구 활동이 매우 활발한 대형 연구중심 대학) 가운데 63%가 생성형 AI 활용을 권장하고 있습니다. 다만 Norman Eng은 흐름에 대해, 정작 AI를 활용한 학습 효과를 보여 주는 증거는 일관되지 않거나 오히려 우려스러운 신호가 나타난다고 진단합니다.

그렇다면 AI 시대에서 학습은 어떻게 설계해야 하는 걸까요?

🤯 '인지 오프로딩'을 넘어 '인지 항복'으로

우려스러운 신호 가운데 하나는 Shaw와 Nave(2026)의 연구가 제시한 '인지 항복(cognitive surrender)' 개념입니다. 사고의 일부를 도구에 맡기는 '인지 오프로딩(cognitive offloading)'을 넘어 판단의 권한 자체를 기계에 통째로 넘겨버리는 현상을 가리키는데요. 두 연구자는 참가자들에게 문제를 풀게 하면서 AI 챗봇을 자유롭게 쓸 수 있게 하되, AI가 틀린 답을 내놓는 상황도 의도적으로 섞어 실험을 진행했습니다. 그 결과 AI 사용은 선택이었는데도 참가자들이 절반 넘는 문제에서 챗봇을 열어 봤고, 그렇게 열어 본 경우 AI가 틀린 답을 줬을 때조차 그 오답을 79.8% 그대로 따랐다고 해요. 두 연구자는 Knowledge at Wharton 팟캐스트에서 이 연구를 설명하기도 했습니다.

🧠 AI를 자주 쓸수록 비판적 사고가 약해질까?

비슷한 우려를 다른 각도에서 보여준 연구도 있습니다. SBS Swiss Business School의 Gerlich(2025)는 영국 성인 666명을 대상으로 한 혼합 방법 연구에서 AI 도구에 더 많이 의존하는 사람일수록 비판적 사고 점수가 낮게 나타나며, 이 관계를 인지 오프로딩이 매개한다는 상관관계를 보고했습니다. 한편 고등교육에서 생성형 AI 활용이 학습자의 인지에 미치는 영향을 17편의 연구로 분석한 Qu 외(2025)의 메타분석은, 생성형 AI가 학습 성과에 전반적으로 긍정적인 효과를 주되 그 효과가 이해와 적용 같은 저차원 인지 스킬(lower-order cognitive skills)에 집중되고 분석, 평가 및 창조 같은 고차원 사고 스킬(higher-order thinking skills)로 갈수록 줄어든다고 보았습니다.

🎯 AI 통합 전에 묻는 네 가지 질문

그렇다면 학습 설계는 어디로 가야 할까요? Norman Eng은 'AI를 어떻게 통합할까'를 묻기 전에, '오프라인 페다고지(offline pedagogy)'를 기본값으로 두고 AI가 학습을 정말로 뒷받침할 때만 통합하라고 제안합니다. 그리고 그 판단을 위한 네 가지 질문을 함께 던집니다.

① (AI 도구가) 학습자가 핵심 내용 지식을 활용하고 기억하고 표현하는 데 실제로 도움이 되는가?
② (AI 도구가) 학습자가 자신의 학습을 새로운 맥락에 응용하도록 요구하는가?
③ (AI 도구가) 학습자의 독립적이고 증거에 기반한 사고를 대체하지 않고 뒷받침하는가?
④ (AI 도구가) 의미 있는 사람 간 상호작용을 그대로 지켜 주는가?

저자는 네 질문 가운데 어느 하나라도 명확히 "그렇다"고 답하기 어렵다면, 기본값은 'AI를 포함하지 않는 쪽'이어야 한다고 이야기합니다.

Q에서 가져갈 한 가지

AI를 교육에 통합할지에 대해 결정하기 전, 반드시 살펴보아야 할 네 가지 질문이 담긴 글입니다. 핵심은 AI를 무조건 활용하는 것이 아니라 학습 효과를 높일 수 있을 때만 선택적으로 활용해야 한다는 것입니다. AI를 잘못 활용하면 자칫 학습자의 비판적 사고가 약해질 수 있는 만큼, 이번 아티클이 내가 설계한 교육에서 AI가 학습자가 스스로 사고하고 판단할 기회를 빼앗고 있지는 않은지, 학습자가 직접 생각하고 경험해야 할 영역은 어디인지에 대해 다시 한번 생각해 보실 수 있는 계기가 되기를 바랍니다.

*아래 버튼을 눌러 KIRD 블로그에서 자세한 내용을 확인하실 수 있습니다.

🔎 아티클 보기

이달의 Q레이션, 어떻게 보셨나요?

비슷한 고민을 안고 계셨다면, 오늘 읽으신 이야기를 주변과 한번 나눠 보시면 어떨까요.

앞으로도 함께 들여다보면 좋을 질문이 있다면 들려주세요!
보내 주시는 이야기 하나하나가 다음 호의 Q가 됩니다.

소중한 의견 보내기 ⭐

교수학습 동향의 큰 흐름이 궁금하다면
<미래형 교수학습 동향 브리프>

이번 레터가 교육 현장에서 바로 펼쳐 볼 작은 인사이트라면,
매월 발행되는 동향 브리프는 글로벌 교수학습·HRD 분야의 큰 흐름을 한 호에 담아 드립니다. 거시 동향부터 현장 사례, 학습 팁까지 짚어 매월 첫 번째 월요일에 보내 드려요.

📬 동향 브리프 보러 가기