이 연구는 AI 통합이 영어 학습자들의 심리적, 인지적 측면에 어떤 영향을 미치는지 조사합니다. 연구 결과, AI 사용은 불안(FoMO)을 증가시켜 독해력에 해를 끼치고, 디지털 번아웃은 이해력과 어휘력 간의 연관성을 약화시킨다고 밝혔습니다. 목표는 학습을 지원하기 위해 균형 잡힌 AI 활용의 필요성을 강조하는 것입니다.
연구 논문
이 연구는 AI 통합이 영어 학습자들의 심리적, 인지적 측면에 어떤 영향을 미치는지 조사합니다. 연구 결과, AI 사용은 불안(FoMO)을 증가시켜 독해력에 해를 끼치고, 디지털 번아웃은 이해력과 어휘력 간의 연관성을 약화시킨다고 밝혔습니다. 목표는 학습을 지원하기 위해 균형 잡힌 AI 활용의 필요성을 강조하는 것입니다.
이 연구는 인공지능(AI) 통합이 영어를 외국어(EFL) 학습자들의 심리적·인지적 결과에 어떻게 미치는지 조사합니다. 구체적으로, 인지된 AI 의존성, 윤리적 문제, 생성형 AI 사용이 놓치는 두려움(FoMO), 읽기 전략 척도로 측정되는 독해력, 어휘 습득에 미치는 영향을 조사하며, 디지털 번아웃의 조절 역할을 고려합니다. n = 450명의 EFL 학습자를 대상으로 단면 설문 설계를 사용했으며, 직접적 관계와 매개 관계를 평가하기 위해 편소제곱 구조 방정식 모델링(PLS-SEM)을 사용해 데이터를 분석하였습니다. 연구 결과는 AI 관련 요인들이 더 높은 FoMO를 유의미하게 예측하며, 이는 다시 독해 이해력에 부정적인 영향을 미친다는 것을 보여줍니다. 독해력은 어휘 습득을 강력히 지원하지만, 디지털 번아웃은 이 관계를 약화시킵니다. 이 연구는 교육에서 AI가 학습 성과를 촉진하는 동시에 심리적 부담에 기여한다는 이중 특성을 강조합니다. 이러한 결과는 언어 학습에서 균형 잡힌 AI 통합의 중요성을 강조하며, 디지털 불안과 번아웃을 완화하는 전략의 필요성을 강조합니다. 이론적 함의는 FoMO를 AI 기반 교육 맥락에서 중요한 정서 경로로 식별함으로써 기술 매개 학습 연구를 확장시킵니다. 실질적인 권고로는 디지털 웰니스 실천과 AI 도구를 병행하여 학습 효과를 최적화하고 심리적 부정적 영향을 최소화하는 것이 포함됩니다.
생성형 인공지능(AI)의 교육 분야 신속한 통합은 특히 영어를 외국어로 사용하는 (EFL) 맥락에서 전통적인 언어 학습 패러다임을 변화시켰습니다. AI 기반 어휘 어시스트, 자동 글쓰기 피드백 시스템, 적응형 학습 플랫폼과 같은 도구들은 효율성 향상과 맞춤형 지도를 약속합니다2. 하지만 이러한 기술 변화는 AI 의존성, 디지털 번아웃, 윤리적 문제 등 심리적·교육학적 도전도 초래했으며, 이는 학습 성과에 영향을 미칠 수 있습니다. 이 분야에서 충분히 연구되지 않았지만 중요한 현상 중 하나는 놓치는 것에 대한 두려움(FoMO)입니다. 이 심리 상태에서 학습자들은 사회적 비교 압력 때문에 AI 도구를 채택해야 한다고 느끼며, 이는 깊은 인지 참여를 희생할 수 있습니다. 기존 연구들은 AI가 언어 습득에 미치는 역할을 탐구했지만, 생성형 AI가 인지된 의존성 및 FoMO와 어떻게 상호작용하여 어휘 습득을 형성하는지에 대한 연구는 거의 없어, 교육에서 AI가 촉진과 부정적인 이중 요인이라는 점을 이해하는 데 상당한 공백이 남아 있습니다 6,7.
문헌을 검토하면 세 가지 주요 공백이 드러난다. 첫째, EFL 학습에서 AI에 관한 연구는AI 도입을 이끄는 심리적 메커니즘보다는 주로 성과 결과(시험 점수, 유창성 향상)에 초점을 맞추고 있습니다. 예를 들어, AI의 어휘 유지율은 잘 문서화되어 있지만, AI 없이는 효과적으로 배울 수 없다는 의존성 인식이 동기 부여와 장기 유지에 어떤 영향을 미치는지는 거의 알려져 있지않습니다. 둘째, FoMO는 소셜 미디어 맥락에서 광범위하게 연구되었지만, AI 매개 학습 환경에서의 역할은 아직 탐구되지 않았습니다. AI 도구는 종종 실시간으로 사회적으로 보이는 피드백(동료 벤치마킹 기능)을 제공하기 때문에, 학습자들은 뒤처질까 봐 불안감을 느끼고 AI10에 대한 의존도를 더욱 악화시킬 수 있습니다. 셋째, AI에 대한 윤리적 우려(데이터 프라이버시, 알고리즘 편향)는 널리인정되고 있지만, 의존성과 학습 효율성에 대한 조절 효과는 EFL 환경에서 실증적으로 검증된 바 없습니다. 이러한 격차들은 기술 수용, 동기 심리학, 인지 학습 이론을 연결하는 전체론적 조사의 필요성을 함께 강조합니다.
본 연구는 생성형 AI 사용, 인식된 AI 의존성 및 인지된 AI 윤리적 관심이 EFL 학습자들의 FoMO에 미치는 영향, 세 가지 독립 변수 모두를 EFL 학생의 독해 이해력에 연결하는 매개 역할, 그리고 읽기 이해와 어휘 습득 간 디지털 번아웃의 완화 효과를 조사하는 새로운 개념 모델을 제안함으로써 이러한 격차를 해소합니다. 제안된 연구는 자기결정 이론(SDT)12, AI 매개 학습 환경에서 FoMO의 심리적 메커니즘, 그리고 인지 부하 이론(CLT)14의 관점에서 AI 의존성이 내재적 동기와 학습자 자율성에 미치는 영향을 연구할 수 있는 포괄적인 이론적 틀 개발에 기여합니다.
이 연구의 이론적 기여는 세 가지입니다. 첫째, AI 의존성을 학습자 자율성에 대한 잠재적 위협으로 개념화하여 SDT를 확장하며, AI가 보편적으로 동기 부여를 높인다는 가정에 도전합니다. 둘째, 사회 비교 이론을 AI 매개 학습에 적용하여 FoMO가 소셜 미디어 현상에서 교육도구 채택의 동인으로 어떻게 변모하는지 밝혀냅니다. 셋째, AI의 인지적 이점(불필요한 부하 감소)이 의존성 유발 관련 부하16에 의해 상쇄될 수 있음을 입증하여 CLT를 정교하게 분석하여, AI가 기억 부호화에 미치는 영향을 미묘하게 이해할 수 있게 합니다. 이러한 이론적 발전은 AI 보조 학습 심리학에 관한 미래 연구의 토대를 제공합니다.
방법론적 엄격성과 실용적 적용성을 보장하기 위해 여러 주요 고려사항이 설계를 이끌었습니다. 중국 대학 EFL 학습자 대상 집단은 AI 도구에 대한 높은 노출과 제도적 통합을 통해 AI 의존성 연구에 적합한 맥락을 제공하기 때문에 선정되었습니다. 구성 경계는 각 잠재변수에 대해 검증된 다중 항목 척도를 사용하여 명확히 구분하여 개념적 중복을 방지합니다. 이 특정 척도들의 선택은 확립된 신뢰성과 복잡한 심리적·행동적 구조(다차원적 윤리적 문제, 학습 특화 디지털 번아웃)의 직접적인 실천화 덕분에 정당화되었습니다. 계획된 매개 및 조절 분석에 대해, 단면 데이터는 PLS-SEM 을 통한 예측 모델링에는 충분하지만, 매개 및 조절된 경로에 대한 명확한 인과 추론을 제한한다는 점을 인정합니다. 표본 크기인 465는 회귀분석과 PLS-SEM 모두에서 통계적 검정력 최소 요구사항을 훨씬 초과하며, 구조 경로 수 최대 수에 대한 '10배 법칙'을 준수하여 제안된 모델의 안정적이고 일반화 가능한 매개변수 추정치를 보장합니다.
연구의 핵심 구성 요소는 다음과 같이 정의됩니다: 인지된 AI 의존성은 학습자가 효율성과 과제 수행을 위해 AI 도구에 의존한다고 믿는 상태를 의미합니다. 인식된 AI 윤리적 우려는 알고리즘의 투명성, 공정성, 안전성, 책임성에 대한 우려를 포함합니다. 생성형 AI 사용은 텍스트나 이미지 생성에 AI 모델을 사용하는 빈도와 범위를 의미합니다. 놓치는 것에 대한 두려움(FoMO)은 다른 사람들이 자신이 결여한 보람 있는 경험을 하고 있을지도 모른다는 불안감을 말하며, 여기서 AI 기반 학습과 맥락화한 것입니다. 디지털 번아웃은 장기간 디지털 참여로 인한 정서적, 정신적 탈진 상태를 말합니다. 마지막으로, 학습 성과는 읽기 이해(Reading Comprehension)라는 글 자료를 활용한 전략 이해 능력과 어휘 습득(Vocabulary Acquisition)으로 측정됩니다. 이는 새로운 단어를 배우고 사용하는 데 있어 자기로 인식하는 효과성입니다.
이 글의 구조는 다음과 같습니다. 1장은 배경, 중요성, 연구 공백 및 본 연구의 기여를 다룹니다. 2장은 EFL 학습, 의존성, FoMO에서의 AI 이전 연구들을 검토하며 주요 논쟁을 종합합니다. 3장에서는 연구 설계, 인지된 의존성/FoMO 측정을 위한 설문조사, 어휘 유지율 평가를 위한 실험 과제를 결합한 방법론을 상세히 설명합니다. 4장에서는 중재/조정 분석을 포함한 연구 결과를 제시합니다. 5장은 이론, 교수법, AI 설계에 대한 함의를 논의하며, 6장은 한계와 향후 방향으로 마무리합니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
이 연구는 양저우 대학교에서 인간 대상 연구 윤리 지침을 준수하여 수행되었습니다. 참여 전에 모든 참가자로부터 사전 동의를 받아, 연구 목적, 설문 기반 절차, 자발적 성격, 그리고 언제든 불이익 없이 철회할 수 있는 권리를 충분히 알렸습니다. 모든 방법은 인간 연구의 윤리 기준을 준수하여 참가자의 기밀성, 데이터 익명화, 그리고 연구 전반에 걸쳐 보호를 보장했습니다. 이 연구는 참가자들에게 최소한의 위험으로 비침습적이고 설문 기반 데이터 수집을 포함했습니다. 이 연구는 교육 연구의 윤리 지침을 준수하여 참가자의 익명성과 자발적 참여를 보장합니다. 정보에 입각한 동의는 전자 방식으로 확보되었으며, 데이터 사용 및 저장에 대한 명확한 정보가 포함되어 있었습니다. 개인 식별 정보는 수집되지 않았으며, 응답은 비밀번호로 보호된 서버에 안전하게 저장됩니다. 참가자는 언제든지 철회할 권리를 유지할 수 있습니다. 잠재적 위험(설문 피로)은 간결한 설문지 설계를 통해 완화되며, 개별 식별을 방지하기 위해 결과를 집계 형식으로 보고합니다.
문헌 검토
인식된 AI 의존성, 인식된 AI 윤리적 우려, 그리고 놓칠까 두려워하는 마음 (FoMo)
인공지능(AI)의 역동적인 교육 도입은 특히 영어를 외국어로 배우는 학생들 사이에서 언어 학습에 새로운 변화를 가져왔습니다17. 지능형 튜터링 시스템, 자동 작문 평가, 적응형 학습 플랫폼은 AI 기반이며 효율적이고 개별화된 학습 경험을 제공합니다18. 그럼에도 불구하고, 이러한 기술 발전과 함께 심리적 문제들도 있었습니다. 예를 들어, 심화된 '놓치는 공포증(FoMO)'은 사람들이 즐거운 활동에 참여하지 못한다고 두려워하는 사회적 불안의 일종입니다. 연구 결과에 따르면, 인지된 AI 의존성과 인지된 AI 윤리적 우려는 EFL 학습자들의 FoMO 수준을 강화하고 향후 AI 기반 교육과의 상호작용을 변화시킬 수 있습니다.
또한 AI가 언어 교육 과정에서 자리를 잡으면서, 학생들은 문법과 어휘를 교정하고 발음을 향상시키기 위해 이러한 도구에 의존하게 될 수있습니다. 이러한 의존성은 심리적 압박을 초래할 수 있으며, 학생들은 학업 지연을 막기 위해 AI 도구를 지속적으로 사용해야 한다고 느낄 수 있습니다. 디지털 의존에 관한 연구 결과는 기술에 대한 과도한 의존이 이러한 기기에 접근하지 못할까 두려워하는 불안을 유발한다는 결론에 이르렀습니다21. EFL 학습 분야에서는 AI가 필요하다고 믿는 학생들이 동료 학생들이 더많은 기술을 활용하고 있다고 생각해 FoMO(과감한 모습)를 느낄 수 있습니다. 이 현상은 사람들이 자신의 진보를 타인과 비교한다는 사회 비교 이론(23)과 일치한다. AI 강화 학습이 경쟁 신호로 인식될 때, 학생들은 이러한 도구 사용에 최대한 참여하지 않으면 학업 성공을 놓칠까 두려워할 수 있습니다24. 또한 AI 도구가 조성하는 지속적인 연결은 교육과 엔터테인먼트의 차이를 왜곡할 수 있으며, 이는 FoMO25를 더욱 강화하는 중독성 있는 가축화 행동을 강화합니다.
H1: 인지된 AI 의존성은 EFL 학습자들의 놓치기 두려움(FoMO)에 긍정적인 영향을 미칩니다.
H2: 인지된 AI 윤리적 우려는 EFL 학습자들 사이에서 놓치는 두려움(FoMO)에 긍정적인 영향을 미칩니다.
생성형 AI(ChatGPT 사용)와 놓칠까 두려워하는 마음(FoMo)
현재 교육 분야에서 생성형 AI(ChatGPT)의 인기가 증가함에 따라 언어 학습 과정에서 심리적 경험의 새로운 조건이 생겨났습니다 26,27. 최근 연구는 이러한 첨단 AI 도구의 사용이 학습자들의 정서적 상태를 크게 변화시킬 수 있음을 확인했으며, 특히 놓치는 두려움(FoMO)28 생성형 AI가 즉각적인 피드백을 제공하고, 학습 자료를 생성하며, 대화 연습을 시뮬레이션하도록 프로그래밍될수록, 학생들은 이러한 도구를 최대한 활용하지 못할 경우 뒤처질까 봐 불안감을 느끼고 걱정할 수있습니다. 이 과정은 기술 발전이 학습에서 더 많은 일을 가능하게 할 뿐만 아니라 학습 경험에 새로운 수준의 불안을 노출시키는 디지털 학습의 더 넓은 경향을 시사합니다.
생성형 AI 도구가 언어 학습자에게 미치는 심리적 영향은 자기결정 이론을 참고하여 설명할 수 있는데, 이 이론에 따르면 능력, 자율성, 그리고 친족관계가 기본적인 심리적 필요라고 본다. 학생들이 동료들이 AI의 도움으로 더 우수한 성과를 내고 있다고 믿는 경우, 이는 FoMO가 해결되지 않았기 때문이라고하지만, 이는 역량 감각에 대한 위협으로 인해 더욱 악화됩니다. 이러한 영향은 특히 학생들이 자신의 진도와 능력을 비교하기 때문에 어려운 학업 환경에서 더욱 심각해질 수 있습니다. 더불어, 생성형 AI 도구에 무제한으로 접근할 수 있기 때문에 학습자들이 뒤처지고 중요한 진전을 잃을까 두려워하는 지속적인 사용 문제도 초래할 수 있습니다.
FoMO는 학습 커뮤니티에서 AI 구현의 사회적 역학 형태로도 나타납니다33. 생성형 AI가 교육 환경에서 정상화되면, 교육 환경에서 장려되는 새로운 디지털 관행에 동조하려는 사회적 압력이 생길 가능성이 큽니다34. 이러한 압박은 특히 외국어를 배우는 경우에 강할 수 있는데, AI가 학습자의 노력 없이도 글쓰기, 문법, 의사소통을 돕기 위해 도움을 줄 수 있기 때문입니다. 이 변화에서 소외된다는 생각은 더 전통적인 방식으로 배우려는 학습자들조차도 강박적 사용 전략을 채택하도록 동기가 될 수 있습니다36. 새로운 연구들은 생성형 AI 사용과 FoMO 간의 관계에 미치는 다양한 학습자 특성의 매개 효과를 보다 자세히 이해하는 것이 필요하다고 강조합니다. 이 질문들에 대한 답은 디지털 리터러시 및 자기 조절 능력 수준, 학습 동기 등 AI 도구가 자원을 강화하는지 아니면 불안의 원인인지 결정할 수 있는 학습 동기 등의 요인에 따라 달라집니다37. 위 문헌을 바탕으로 다음과 같은 가설이 제안됩니다:
H3: 생성형 AI 사용 증가가 EFL 학습자들의 놓치는 두려움(FoMO)에 긍정적인 영향을 미칩니다.
놓칠까 두려워하는 마음(FoMo), 독해 및 어휘 습득
놓치는 두려움(FoMO)이라는 심리학적 개념은 온라인 학습 행동에 점점 더 큰 영향을 미치고 있으며, 이는 제2외국어 학습과 학업 성과와의 복잡한 관계를 부각시킵니다38. 최근 연구에 따르면, FoMO는 언어 학습 차원39에 따라 특히 독해와 어휘 습득에 있어 여러 언어 학습 차원의 학습에 차별화된 영향을 미칠 수 있습니다. 이 의존은 인지 부하41과 주의 제어 시스템42에 의해 동기부여된 것으로 보이며, 높은 FoMO를 가진 개인은 텍스트 내 물질적 상호작용의 독특한 패턴을 보입니다.
실증 연구에 따르면, 학습자가 읽기 자료가 사회적·학문적으로 가치 있다고 느낄 때 적당한 수준의 FoMO가 읽기 자료에 대한 참여도를 높인다고합니다. 그러나 과도한 FoMO 과도한 탐닉은 불완전한 독서와 낮은 정보딥 프로세싱과 연관되어 있어 이해력을 저하시킬 수 있다. 이 느낌은 디지털 독서 공간에서 더 두드러지는 것으로 보이며, 알림과 소셜 미디어 함정이주의력 방해를 증가시킵니다. 어휘 습득 측면에서 FoMO는 더 복잡한 관계를 보이지만, 참여도 증가로 인해 새로운 어휘 항목에 대한 노출이 증가할 수 있지만(46,47), 강박 학습 행동으로 인해 기억력이 저하된다.
새로운 증거들은 이러한 관계에 문화적, 개인적 차이가 있음을 시사합니다. 비교하자면, 집단주의 학습자들은 FoMO가 읽기이해력에 미치는 부정적 영향에 더 취약한 것으로 보이며, 이는사회적으로 비교하려는 경향이 증가하는 것과 관련이 있을 수 있습니다. 반면, FoMO 경험은 자기 조절 전략이 높은 학습자의 이해력과 어휘 학습에 영향을 미치지 않습니다 50. 위 문헌을 바탕으로 다음과 같은 가설들이 제안됩니다:
H4: 놓치는 것에 대한 두려움(FoMO)은 독해 능력에 부정적인 영향을 미칩니다.
H5: 독해력은 어휘 습득에 긍정적인 영향을 미칩니다.
학습에서 디지털 번아웃의 완화 효과
디지털 번아웃은 언어 습득 과정에 심리적, 사회적 영향을 미치는 최근 문제입니다51,52. 감정적, 인지적으로 매우 지치면서도, 기술 매개 학업 학습의 폭넓은 범위 때문에 동기부여가 부족했습니다. 디지털 번아웃은 언어 처리에 필요한 인지 능력에 부정적인 영향을 미쳤다53. 활발한 신경인지 연구들은 직업적 번아웃이 피로를 유발하며, 이는 단어 기억과 독해의 핵심 요소인 작업 기억 능력54에 영향을 미친다는 것을 보여줍니다. 이러한 정신적 피로가 디지털 번아웃 학습자들이 어휘 학습 과제를 수행할 때 약한 의미 부호화가 나타난 새로운 증거의 원인일 수 있습니다56.
디지털 번아웃은 언어 습득의 뚜렷한 인지적·정서적 요구로 인해 EFL 환경에서 독특하게 나타납니다. 일반적인 학업 번아웃과 달리, EFL 디지털 번아웃은 디지털 인터페이스를 통해 낯선 음운, 구문, 의미론을 처리하는 지속적인 인지적 부담으로 인해 악화되며, 이는 내용 기반 학습보다 작업 기억을 더 심하게 압도할 수 있습니다57. 더불어, AI 플랫폼에서의 언어 연습이 수행적 성격을 띠면서 정서 필터가 강화되는데, 학습자들은 즉각적인 알고리즘 기반 교정과 원어민 수준의 숙련도를 달성해야 한다는 압박감으로 인해 불안을 경험할 수 있습니다. 디지털 매개 언어 환경에서 강화된 인지 부하와 독특한 사회정서 압력의 조합은 특정 번아웃 프로필을 만들어 어휘 부호화와 독해 과정의 미묘한 과정을 직접적으로 방해합니다59.
디지털 번아웃과 독해는 어휘 발달에서 매우 미묘한 관계를 보여줍니다. 학생들이 강한 읽기 능력을 가질 때 우연적 어휘 지식은 맥락적 추론을 통해 얻을 가능성이 높지만(60), 번아웃이 심한 학생들에서는 어휘와 읽기 수행 간의 양의 상관관계가 감소한다61. 시선 추적 측정 결과, 언어 노화 학습자들은62번 읽기 중 새로운 어휘 대상에 대한 고정 시간이 감소하는 것으로 나타났으며, 이는 어휘가 풍부한 배경에서의 정신 집중도 감소를 시사합니다. 이는 인지 피로가 동시 이해와 어휘 처리에 관여하는 집행 기능의 능력에 영향을 미친다고 보는 주의 조절 이론과 유사합니다. 디지털 번아웃의 조절 역할은 자기 조절과 학습 환경 설계의 개인차에서만 분명히 드러난다는 점을 주목할 수 있다63. 번아웃의 부정적 영향에 대한 회복력은 이해력 장애에 직면해도 어휘 우위를 유지하기 위해 고성능 메타인지 전략을 가진 학습자들에게서도 잘 드러납니다. 위 문헌을 바탕으로 다음과 같은 가설들이 제안됩니다:
H6: 학습에서의 디지털 번아웃은 어휘 습득에 부정적인 영향을 미칩니다.
H7: 학습에서의 디지털 번아웃은 독해와 어휘 습득 간의 관계를 부정적으로 조절하여, 번아웃이 높을수록 이해가 어휘 향상에 미치는 긍정적 효과를 약화시킵니다.
놓칠까 두려움(FoMo)의 매개 효과
교육에 인공지능이 도입되면서 독해 결과를 결정하는 복잡한 심리 시스템이 추가되었습니다64. 새로운 데이터에 따르면, 놓치는 두려움(FoMO)이 학습자의 AI 기술 참여와 독서 성취 사이의 연관성을 중재하는 중요한 매개체임을 보여줍니다65. 이 매개 효과의 역할은 AI 도구가 보다 효율적인 학습을 촉진하는 수단으로 홍보되는 환경에서 특히 두드러지며, 이는 고차 사고를 방해할 수 있는 심리적 압력을 유발합니다66. 학습자들이 AI 지원에 비합리적으로 의존한다는 사실을 깨닫고 자율 학습 불안이 생기지 않도록 하기 위해, 최근 연구들은 인식된 AI 의존 수준이 자율학습 능력에 대한 불안 발달에 어떤 영향을 미치는지 규명하는 데 초점을 맞추고 있습니다. 이 불안감은 학생들이 인공지능향상 결과와 비교해 할 수 없는 것을 생각할 때 FoMO로 전환되며, 깊은 이해 단계에서 인지 자원을 멀어지게 하는 경향이 나타납니다.
AI 적용과 관련된 윤리적 문제는 FoMO 경로와 일치하며, AI 사용으로 인해 도덕적 갈등을 겪는 학습자들은 동료의 행동에 대해 경계심을 높이는 모습을 보여 윤리와 독해 사이에 주의 구분을 형성하는 데 도움이 된다70. 이는65를 읽을 때 독자가 더 퇴행적인 안구 움직임을 보이는 시선 추적 연구에서도 반영됩니다. 중재 효과는 윤리적 문제가 명확히 밝혀지지 않을 때 특히 두드러지며, 독서71을 저해하는 지속적인 인지 부담을 남긴다. 생성형 AI 도구는 거의 즉시 결과를 생성할 수 있는 새로운 유형의 중재를 만듭니다. 위 문헌을 바탕으로 다음과 같은 가설들이 제안됩니다:
H8: 놓치는 것에 대한 두려움(FoMO)은 인지된 AI 의존성과 독해 사이의 관계를 매개합니다
H9: 놓치는 것에 대한 두려움(FoMO)은 인지된 AI의 윤리적 우려와 독해 사이의 관계를 매개합니다
H10: 놓칠까 두려움(FoMO)은 생성형 AI 사용과 독해 사이의 관계를 매개합니다
이론적 틀
이 연구는 주로 자기결정 이론(SDT)12에 의해 안내되며, AI 도구가 학습자의 동기와 인지 참여를 뒷받침하는 근본적인 심리적 욕구에 어떻게 영향을 미치는지 이해하기 위한 일관된 틀을 제공합니다. 모델에 따르면, 인지된 AI 의존성은 자율성과 역량이라는 SDT의 주요 요구를 직접적으로 위태롭게 하며, 독해나 어휘 습득과 같은 목표 달성에 대한 외부 조절에 과도하게 의존하게 하여 언어 학습에 대한 내재적 동기를 저해할 수 있습니다. 이 맥락에서 놓치는 것에 대한 두려움(FoMO)은 2차 사회 비교 이론72에서 설명되는 친족성의 틀 안에서 이해된다. AI의 광범위한 사용으로 인해 또래 사이에 형성된 사회적 규범은 FoMO 상태를 만들어내며, 이는 놓치는 것에 대한 불안으로 이어지고, 이는 의존도를 증가시키고 독립적으로 배우려는 동기를 더욱 낮춥니다.
이러한 동기 부여 역학은 인지 부하 이론(CLT)73에서 설명하는 인지 결과로 설명됩니다. 생성형 AI는 불필요한 인지 부하를 최소화하여 학습을 향상시킬 수 있지만(예: 즉각적인 정의를 통해), 과도하게 의존하면 어휘를 깊이 인코딩하고 장기 기억에 저장하는 데 필요한 중요한 인지 부하를 줄여 어휘 습득에 역효과를 낼 수 있습니다. 이 문제는 디지털 번아웃(Digital Burnout) 상태가 인지적 자원을 소모하여 이해와 학습 간의 연계를 약화시키는 현상으로 더욱 악화시킵니다. SDT는 동기 경로에 대한 일반적인 설명을 제공하고, CLT는 이후 인지적 과정을 상세히 설명하며, 사회 비교 이론은 이후 사회정서 자극(FoMO)을 설명하는데, 이는 AI 이중 언어 학습 영향에 대한 복합적 설명을 이룬다.
연구 설계
본 연구는 AI 관련 요인(인지된 의존성, 윤리적 문제, 생성형 AI 사용), 놓치는 두려움(FoMO), 디지털 번아웃, 언어 학습 성과(읽기 이해 및 어휘 습득) 간의 관계를 조사하기 위해 정량적 실증 연구 설계를 채택했습니다. 횡단면 설문 기반 접근법을 사용하여 단일 시점에서 데이터를 수집하여 상관관계와 매개 및 조절 효과를 평가할 수 있습니다. 이 설계는 구조 방정식 모델링(SEM)을 사용하여 잠재 구성 요소 간의 복잡한 관계를 분석할 수 있어 제안된 이론 모델을 검증하는 데 특히 적합합니다.
개체 수 및 표본
대상 집단은 중국 대학의 EFL 학습자로, AI 지원 언어 학습 도구가 점점 커리큘럼에 통합되고 있습니다. 편의 표본 추출 기법을 사용해 465명의 참가자를 모집했으며, 표본 크기는 G*Power 3.174를 이용한 선험 검정량 분석을 통해 결정되었습니다. 계획된 다중 회귀분석(α = 0.05, 검정권 = 0.95, 중간 효과 크기 f² = 0.15)의 경우, 분석은 최소 166명의 참가자 샘플 크기를 제시하여 465명의 표본이 충분한 통계적 검정력을 제공함을 확인시켜 주었습니다. 표본 크기도 SEM 분석을 수행하기에 충분하며, PLS-SEM의 요구사항을 충족합니다. PLS-SEM은 모델75에서 구조물로 가는 최대 샘플 경로 수의 10배여야 함을 의미합니다. 표본은 중국 내 여러 지리적 지역에 위치한 여러 대학의 표본 단위를 사용하여 일반화 가능성 측면에서 높은 결과를 얻기 위해 모집됩니다. 반면, 지원자 연령, 성별, 영어 능력 수준, AI 도구 사용 빈도와 같은 인구통계학적 변수들은 기록되어 향후 연구에서 대조 요소로 활용될 예정입니다.
우리의 연구 결과의 분석적 무결성을 보장하기 위해 데이터 수집과 준비 과정 전반에 걸쳐 여러 품질 관리 조치가 시행되었습니다. 초기 설문조사 분포는 87%의 응답률을 기록했습니다. 데이터 수집 후에는 엄격한 선별 절차가 적용되었습니다: 10% 이상의 누락된 미완성 설문조사는 리스트별로 제외하고, 문항 수준에서 남은 산발적 누락값은 SPSS의 기대-최대화 보정 알고리즘을 사용하여 통계적 검정력을 보존하고 편향을 최소화했습니다. 또한, 내장된 주의력 검사 질문은 부주의 응답자를 식별하고 제거하는 데 도움을 주었습니다. 이러한 포괄적인 절차와 다변량 이상치 선별을 결합하여, 최종 분석 데이터셋(N=450)은 이후 구조 방정식 모델링에 대한 높은 신뢰성 기준을 충족하도록 보장했습니다.
데이터 수집 절차
데이터는 참여와 접근성을 극대화하기 위해 온라인과 현장 방법을 모두 활용하는 혼합 방식 방식으로 수집되었습니다. 연구팀은 대상 대학의 강의자들과 협력하여 공식 위챗 수업 그룹을 통해 학생들에게 독특한 설문 링크를 직접 배포했습니다. 이 방법은 신뢰할 수 있는 채널을 활용해 응답률을 높였습니다. 현장 데이터 수집을 위해 수석 연구원과 훈련된 조교들이 예정된 세션 중에 지정된 교실을 방문했습니다. 간단한 연구 소개 후, 종이 기반 설문조사 패킷을 배포했습니다. 정보에 입각한 동의를 받는 절차는 각 방식에 맞게 조정되었습니다. 온라인 버전에서는 첫 페이지에 디지털 동의서가 제시되었습니다. 설문지 문항이 활성화되기 전에 "위의 정보를 읽고 이해했으며, 자발적으로 참여에 동의합니다"를 선택해야 했습니다. 현장 참가자의 경우, 설문조사 패킷에 상세 정보지가 첨부되었고, 설문지를 받기 전에 참여자들이 신체적 동의서에 서명하여 서면 동의를 받았습니다. 전체 설문지는 응답자의 피로를 최소화하기 위해 15-20분 이내에 완료하도록 설계되었습니다. 데이터 품질을 보장하기 위해 두 가지 주의 점검 항목("이 진술에 '강력히 동의하지 않음'을 선택해 주세요")이 설문조사에 삽입되었습니다. 10% 이상의 누락이 있는 미완성 제출물과 주의 점검에 실패한 제출물은 시스템에 의해 자동으로 표시되어 이후 제외되었습니다. 데이터 수집 기간은 4주에 걸쳐 진행되었으며, 이 기간 동안 초기 배포 채널을 통해 두 차례 알림 메시지가 전송되었습니다. 수집 후, 데이터셋은 누락값, 단변량 및 다변량 이상치, 정규성 가정 위반 검사 등 엄격한 정제 과정을 거쳤으며, 이후 통계 분석에 들어갔습니다.
측정 및 축척 적응
인지된 AI 의존성
인지된 AI 의존성은 Morales-García 등에서 적용한 5문항 척도를 사용해 측정되었습니다. 이 척도는 사람들이 일상 활동과 의사결정 과정에서 인공지능에 얼마나 의존하는지를 측정합니다. 이 항목들은 AI 도구를 효율적으로 사용해야 한다는 인식과 AI 지원 없이는 작업할 수 없는 점 등 여러 의존성의 측면을 반영합니다.
인식된 AI 윤리적 우려
윤리적 문제는 김과 고가77번 개발한 다차원 척도를 사용해 평가하였다. EFL 집단에 대한 타당성과 관련성을 강화하기 위해, 이 척도의 네 가지 차원은 AI 기반 언어 학습이라는 구체적인 맥락 내에서 구성되었습니다. 이 척도는 투명성(8개 항목), 공정성(5개 항목), 안전(5개 항목), 책임(8개 항목)의 네 가지 핵심 차원으로 구성됩니다. 각 차원은 AI 의사결정 과정의 명확성, AI 알고리즘의 편향, AI 사용과 관련된 위험, AI 배포 시 책임성 등 다양한 윤리적 도전을 평가합니다. 이러한 집중된 운영화는 EFL 학습자들이 직면할 수 있는 윤리적 딜레마에 직접 대응하도록 보장합니다.
생성형 AI 사용
생성형 AI 사용은 Abbas 등78의 8개 항목 척도를 사용해 운영화되었습니다. 이 척도는 텍스트 및 이미지 제작 장치를 포함한 생성형 AI 모델의 사용 수준과 정기성을 측정합니다. 이 제품들은 학술, 직업, 개인 등 다양한 응용 분야를 분석하며, 사람들이 이를 어떻게 삶에 통합하고 활용하는지 이해하는 데 도움을 줍니다. 이러한 포괄적인 접근법은 생성형 AI가 학습자 생태계에 통합된 모습을 포착할 수 있게 하며, 이는 AI의 광범위한 심리적·인지적 영향을 이해하는 데 필수적인 전제 조건입니다.
놓치는 것에 대한 두려움 (FoMO)
놓치는 것에 대한 두려움은 Mazlum과 Atalay79의 17개 항목 척도를 사용해 측정되었습니다. 이 척도는 또래가 자신이 부재한 채 보람 있는 경험을 하고 있다는 불안을 미묘하게 평가하기 위해 선정되었습니다. 이 연구는 디지털 매개된 학습 환경과 매우 관련된 요소들, 즉 온라인 연결을 유지하려는 강박적 욕구와 AI가 촉진하는 우수한 학습 전략, 자원, 동료 발전을 놓칠까 두려워하는 점을 포착하여 AI 사용과 심리사회적 불안을 직접적으로 연결한다는 점에서 특히 적합합니다.
독해
독해 능력은 Mokhtari 등80에서 적용한 읽기 전략을 사용하여 측정되었으며, 여기에는 글로벌 독서 전략 5문항, 문제 해결 전략 5문항, 지원 독서 전략 5문항의 세 가지 차원이 포함됩니다. 이 척도는 개인이 글을 어떻게 접근하고 이해하는지를 평가하며, 정보를 종합하고 이해의 어려움을 해결하며 외부 보조 도구를 활용해 이해를 향상시키는 능력에 중점을 둡니다.
학습에서의 디지털 번아웃
학습에서의 디지털 번아웃은 Erten과 Özdemir81에서 변형한 척도로 측정되었으며, 디지털 노화(12문항), 디지털 결핍(6문항), 정서적 탈진(6문항)의 세 차원으로 구성되었습니다. 이 척도는 과도한 스크린 타임으로 인한 피로, 단절감, 온라인 학습 요구로 인한 정신적 피로 등 장기간 디지털 참여의 부정적 심리적 영향을 평가합니다.
어휘 습득
어휘 습득은 Li 등82의 4문항 척도를 사용해 평가하였습니다. 이 척도는 사람들이 새로운 단어를 다양한 맥락에서 받아들이고, 기억하며, 사용하는 데 있어 어휘 학습 전략의 효과를 측정하는 데 사용됩니다. 이 자료는 자기보고 능력과 어휘 사용에 대한 자신감을 평가합니다.
데이터 분석 계획
연구는 가정된 관계를 엄격히 검토하기 위해 포괄적이고 2단계의 분석 전략을 채택합니다. 초기 데이터 스크리닝과 예비 분석은 SPSS 28을 사용하여 수행되며, 데이터 분포를 평가하는 기술 통계, 척도 신뢰도 분석(크론백 알파), 그리고 주요 구성 요소 간 예비 연관성을 조사하기 위한 이변량 상관관계에 중점을 둡니다. 모든 리커트 척도 문항은 5점 간격 척도로 코딩되었습니다(1=매우 반대하여 5=매우 동의). 이 기초 분석은 데이터 품질을 보장하고, 더 복잡한 모델링으로 넘어가기 전에 데이터셋의 기본 특성에 대한 필수적인 통찰을 제공합니다. 주요 분석에서는 SmartPLS 4를 사용하여 잠재 변수83을 포함하는 복잡한 예측 모델을 견고하게 처리하는 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 구현합니다. 분석은 측정 모델에 대한 철저한 평가로 시작되며, 확인적 요인 분석을 통해 척도의 심리측정적 특성을 확립합니다. 주요 평가에는 내부 일관성(복합 신뢰도), 수렴 타당도(추출된 평균 분산), 판별적 타당도(포넬-라커 기준 및 이성형질-단일 형질 비율) 검정이 포함됩니다. 이 단계들은 구성이 이론적으로 타당하고 경험적으로도 구별되도록 보장합니다.
이후 구조 모델을 검토하여 구성요소들 간의 가설적 관계를 검증합니다. 경로 계수는 크기, 방향, 통계적 유의성을 분석하며, 효과 크기(f²)는 실질적 영향을 평가하기 위해 계산됩니다. 모델의 예측 관련성은 Stone-Geisser Q² 통계량을 사용하여 평가되며, 내생성 변수 예측 능력을 검증하기 위한 눈가리개 절차를 거쳐 평가합니다. 매개 분석에서는 Preacher와 Hayes84의 부트스트래핑 접근법을 사용하여 간접 효과에 대한 견고한 신뢰구간을 제공하고 잠재적 교란 변수를 통제합니다. 감속 효과는 PLS 곱 지표 방법을 사용하여 생성된 상호작용 항을 통해 테스트되며, 유의미한 상호작용 효과를 해석하기 위해 단순 기울기 분석이 수행됩니다. 모든 분석은 5,000개의 부트스트랩 샘플을 사용하여 안정적인 추정치를 산출하고 결과의 견고성을 보장합니다.
주요 분석에서는 SmartPLS 4를 사용하여 잠재 변수83을 포함하는 복잡한 예측 모델을 견고하게 처리하는 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 구현합니다. 공분산 기반 SEM(CB-SEM)보다 PLS-SEM을 선택한 이유는 내생 변수(어휘 습득)를 예측하는 연구의 주요 목적과 매개 및 조절 메커니즘을 포함하는 복잡한 모델에 의해 정당화됩니다85. 더불어, PLS-SEM은 전체 모델 내 모든 잠재 구성 요소 간의 관계를 동시에 추정하여 측정 오차를 고려하기 때문에 다중 회귀보다 선호됩니다. 실험 설계는 강력한 인과적 추론을 제공하지만, 본 연구의 횡단면적 성격은 실제 학습 맥락에서 예측 관계를 확립하는 것을 목표로 하며, PLS-SEM이 이에 적합합니다86. 마지막으로, 데이터 분석과 연구 결과를 위한 이 연구의 결과를 아래 결과 섹션에서 확인할 수 있습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
기술적 통계
기술 통계는 이 연구의 주요 변수들, 즉 인식된 AI 의존성, 윤리적 문제, 생성형 AI 사용, 놓치는 것에 대한 두려움(FoMO), 독해 능력, 디지털 번아웃, 어휘 습득 등을 개괄적으로 보여줍니다. 분석은 데이터의 중심 경향, 분산, 분포 특성을 보여주어 AI 기술에 대한 참여자들의 관심과 그에 따른 심리적·추론적 결과를 이해할 수 있게 합니다. 구성체 간 정규성과 변동성은 평균, 표준편차, 왜도, 굽도 등의 측정을 통해 측정하였다. 이 연구 결과는 AI 통합의 다양한 정도, 윤리적 문제, 학습 관련 문제를 드러내며, 이는 이후 추론 분석에 영향을 미칩니다.
표 1은 중심 경향, 변동성, 분포, 신뢰도 측정 등 이 논문에서 분석된 가장 중요한 변수들을 심층적으로 설명합니다. 연구 결과에 따르면 응답자들은 인지된 AI 의존도(M = 3.72, SD = 0.91)와 AI 윤리적 우려(M = 4.05, ...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
이번 연구는 EFL 학습자들 사이에서 AI 관련 요인, 심리 상태, 학습 결과 간의 복잡한 상호작용을 조사하여 여러 주요 결과를 도출했습니다. 우리의 방법론적 접근, 특히 PLS-SEM 사용은 이러한 복잡한 관계를 모델링하는 데 매우 중요했습니다. 이론 확인에 더 적합한 공분산 기반 SEM(CB-SEM)과 달리, PLS-SEM은 예측적 방향성과 매개 및 조절 변수를 가진 복잡한 모델을 다룰 수 있는 능력 덕분에 이 탐색적 연구에 최적의 선택이 되었습니다85. 재현성을 강화한 핵심 방법론적 단계는 SmartPLS 4의 엄격한 2단계 분석 프로토콜로, 측정 모델 검증부터 시작되었습니다. 이를 통해 "생성 AI 사용"과 "읽기 전략"과 같은 구조가 구조적 경로를 검증하기 전에 경험적으로 구별되고 신뢰할 수 있음을 보장하여, 확인된 관계의 타당성을 강화했습니다.
분석 결과, 인지된 A...
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
모든 저자는 이해 상충이 없음을 선언합니다.
이 연구는 장쑤성 사회과학기금(Grant No: (23YYB011)의 지원을 받고 있습니다. 이 연구는 프린스 술탄 대학교의 언어 및 커뮤니케이션 연구소 하 RL-CH-2019/9/1 연구비 지원을 받았습니다.
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| 노트북 컴퓨터 | 델 테크놀로지스 | 해당 없음 | 데이터 처리 및 문서화에 사용됩니다 |
| 통계 소프트웨어(SPSS) | IBM 주식회사 | 버전 26.0 | 통계 분석에 사용됨 |
| 마이크로소프트 엑셀 | 마이크로소프트 | 오피스 365 | 데이터 입력 및 기본 데이터 처리 |
액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.
이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청
허가 요청