교육 과학의 미래: 생성형 AI 사용, 신뢰, 그리고 고등교육에서 자기 인식 학업 성취 예측 변수로서의 인지 부하

요약

이 연구는 생성형 AI 사용과 AI에 대한 신뢰가 인지 부하를 통해 고등교육 학생들의 학업 성과에 어떤 영향을 미치는지 조사합니다. 390명의 학생 데이터를 활용한 부분 최소제곱 구조방정식 모델링(PLS-SEM)을 사용해 두 요인 모두 인지 하중을 크게 증가시켜 수행 능력을 긍정적으로 예측하고 그 효과를 매개한다는 것을 밝혀냈습니다.

초록

이 연구는 고등교육 학생들 사이에서 생성형 AI 사용, AI에 대한 신뢰, 인지 부하, 학업 성과 간의 복잡한 관계를 조사합니다. 인지 부하 이론과 신뢰 문헌에 기반한 이 연구는 학생들의 생성형 AI 도구에 대한 참여와 시스템에 대한 신뢰가 학업 성과에 어떤 영향을 미치는지, 인지 부하를 매개 메커니즘으로 삼고 있음을 조사합니다. 390명의 고등교육 학생을 무작위 표본으로 한 정량적 횡단면 연구 설계가 적용되었습니다. 데이터는 생성형 AI 사용, AI에 대한 신뢰도(인간 유사성 및 기능 측면), 인지 부하(내적 부하, 외위 부하, 자기 인식 학습), 학업 성취도를 측정하는 검증된 척도를 사용하여 수집되었습니다. 부트스트래핑 절차를 포함한 부분 최소제곱 구조 방정식 모델링(PLS-SEM, 5,000개의 재샘플)을 사용하여 가설 속 직접적 및 매개 관계를 검증하였습니다. 결과는 생성형 AI 사용(β = 0.34, p < 0.001)과 AI에 대한 신뢰(β = 0.28, p < 0.001)가 인지 부하와 유의하게 양의 상관관계를 보였음을 보여주었습니다. 인지 부하는 학업 성과와도 양의 상관관계가 있었다(β = 0.52, p < 0.001). 더 나아가, 인지 부하는 생성형 AI 사용과 학업 성과의 관계(β = 0.18, p < 0.001), AI에 대한 신뢰와 학업 성과의 관계(β = 0.15, p < 0.001) 간의 관계를 유의미하게 매개합니다. 이 모델은 학업 성과의 분산 중 45%를 설명했으며, PLS Predict는 높은 예측력을 확인했습니다. 이 연구 결과는 인지 부하 이론을 AI 강화 학습 맥락으로 확장하며, 인지 부하가 AI 관련 요인과 학업 성과를 연결하는 중요한 설명 경로로 기능할 수 있음을 시사합니다. 실질적으로 이 연구는 AI 문해력 증진, 인지 부하를 최적화하는 학습 환경 설계, 그리고 AI 도구 개발에서 기능적 신뢰성을 우선시하는 것의 중요성을 강조합니다. 이 연구는 인지 부하가 생성형 AI 사용과 AI에 대한 신뢰가 학업 성과로 이어지는 중요한 매개 메커니즘임을 실증적으로 보여줍니다.

서론

생성형 인공지능(GenAI)의 급속한 발전은 고등교육에 패러다임 전환을 촉발했으며, 학생들의 지식 접근, 처리 및 구성 방식을 근본적으로 변화시켰습니다^. ChatGPT, Gemini, Claude와 같은 도구들은 점점 더 학술 환경에 뿌리내리고 있으며, 최근 추정에 따르면 대학생의 30% 이상이 이 기술들을 수업 관련 활동에 정기적으로 활용하는 것으로 추정됩니다². 이 기술 혁명은 AI 통합이 학습 과정과 성과에 어떤 영향을 미치는지 이해하려는 교육자, 관리자, 연구자들에게 전례 없는 기회와 동시에 중대한 도전을 제공합니다^.

생성형 AI는 개인화된 튜터링, 즉각적인 피드백, 생산성 향상의 가능성을 제공하지만, 학생들은 단순히 AI 생성 정보를 수^{동적으로 소비}하는 것이 아닙니다. 오히려 AI 강화 학습은 학생들이 프롬프트를 작성하고, 결과를 평가하며, AI 생성 응답을 외부 소스와 비교하고, AI 시스템에 대한 의존도를 조정하며, 기계 생성 콘텐츠를 학업 과제에 통합하는 지속적인 상호작용 과정을 포함합니다^. 이러한 상호작용적 요구는 전통적인 기술 사용 모델을 넘어서는 새로운 인지 역학을 도입하며, 동시에 특정 인지 부담을 줄이는 동시에 새로운 형태의 인지 노력과 과부하를 만들어낼 수 있습니다. 이러한 우려의 핵심은 AI 사용이 학습의 인지 과정에 어떤 영향을 미치는지에 관한 질문인데, 이 질문은 실증 문헌에서 거의 탐구되지 않고 있습니다. 인지 부하 이론(CLT)은 이러한 질문들을 검토하는 견고한 이론적 틀을 제공합니다. CLT는 학습이 작업 기억의 한계에 의해 제약받으며, 효과적인 교수 설계는 내용 복잡성에서 비롯된 내재적 부하, 부실한 교수로 인한 부작용 부하, 그리고 스키마 구축 및 자동화에 집중되는 관련 부하 세 가지 유형의 인지 부하를 관리해야 한다고 주장한다^. AI 강화 학습 환경에서 이러한 구분은 특히 두드러집니다⁷. 생성형 AI 도구를 사용하는 학생들은 동시에 강의 내용을 처리하고, AI 생성 정보를 정확성과 관련성을 평가하며, 인지 요구를 크게 증가시킬 수 있는 다양한 지식 프로세스 소스를 통합해야^합니다.

중요하게도, 인지 부하 이론은 인지 부하를 내재적, 외적 부하, 관련 부하로 구성된 다차원적 구조로 개념화하며, 각각이 학습에^{다르게 영향을} 미칠 수 있다는 점입니다. 9. 내재적 부하(intrinsic load)는 학습 자료의 본질적 복잡성에서 비롯되며, 불필요한 부하(extraneous load)는 비효율적인 교육 설계나 무관한 처리 요구로 인해 발생하는 불필요한 인지 부담을 반영하며, 관련 부하(relevant load)는 스키마 구축과 의미 있는 학습 과정과 관련된 생산적인 인지 참여를 의미합니다. 따라서 인지 부하를 일관되게 유익하거나 해롭게 해석해서는 안 됩니다. 내재적 및 관련 부하가 적절한 조건에서 더 깊은 이해를 지원할 수 있지만, 과도한 불필요한 부하는 제한된 인지 자원을 소모하여 학습을 방해할 수 있습니다.

사용 패턴을 넘어, 학생들의 AI 시스템에 대한 신뢰는 인간-AI 상호작용을 형성하는 중요한 심리적 요인으로 부각^됩니다. 기초적인 신뢰 프레임워크를 바탕으로 AI에 대한 신뢰는 두 가지 뚜렷한 차원으로 개념화될 수 있습니다: 선의, 진실성, 예측 가능성에 대한 인식을 포함하는 인간과 같은 신뢰; 그리고 기능 신뢰는^{기술 자체의} 신뢰성, 역량, 의존성에 대한 신뢰를 반영합니다. 이전 연구들은 신뢰가 기술 채택과^{지속 사용의} 결정 요인임을 입증했으나, 그 인지적 결과는 아직 거의 탐구되지 않았습니다. AI에 대한 신뢰와 인지 부하 간의 관계는 이론적으로 복잡하며, 일관되게 긍정적이거나 선형적으로 해석해서는 안 됩니다^. 한편으로는 AI에 대한 적절한 신뢰는 학생들이 AI 생성 콘텐츠에 더 깊이 참여하고, 응답 평가에 인지적 노력을 투자하며, 학습 과제에 기계 생성 정보를 통합하도록 유도할 수 있습니다^. AI 관련 요인과 학업 성과의 관계는 교육자와 기관이 궁극적으로 관심을 가지는 결과입니다¹⁵. 학업 성과는 교육 연구 전반에 걸쳐 다양한 방식으로 운영화되어 왔으며, 일부 연구는 학점평균(^GPA)과 같은 객관적 지표를 사용했고, 다른 연구는 학생들이 스스로 인식하는 학업 효율성(¹⁷)에 의존합니다. 자기 인식 측정은 학생들의 학습 능력과 과제 수행에 대한 메타인지 인식을 포착하며, 연구는 이것이 실제 학업 성취와 강한 연관성을 보인 것으로 나타났습니다(¹⁸). AI 강화 학습 환경에서는 학생들이 자신의 학습을 어떻게 인식하는지 이해하는 것이 특히 중요해집니다. 이러한 인식이 이후 AI 도구와 학습 전략에 대한 참여를 이끌 수 있기^{때문입니다.}

고등교육에서 생성형 AI의 보급이 증가하고 있음에도 불구하고, 인지적·학문적 결과를 조사한 실증 연구는 여전히 드물다. 기존 연구들은 주로 채택 패턴, 윤리적 문제, 또는 학문 적용에 초점을 맞추고 있으며, AI 사용과 학습 성과를 연결하는 심리적 메커니즘에는 제한적인 관심을 보였다²². 더불어, 신뢰는 전자상거래와 인간-컴퓨터 상호작용에서 광범위하게 연구^{되었지만,} 교육 AI 맥락에서의 역할은 이론적으로 미완성이며 실증적으로 검증되지 않았습니다. 본 연구는 생성형 AI 사용, AI에 대한 신뢰, 인지 부하, 학업 성과 간의 연관성을 살펴보며, 인지 부하를 잠재적 매개 경로로 모델링하여 이러한 격차를 해결합니다. 인지 부하 이론²⁴와 신뢰 문헌에 기반한 이 연구는 다섯 가지 가설을 검토하는 매개 모델을 제안하고 검증합니다: (H1) 생성형 AI 사용이 인지 부하에 긍정적 영향을 미친다; (H2) AI에 대한 신뢰는 인지 부하에 긍정적 영향을 미칩니다; (H3) 인지 부하가 학업 성과에 긍정적 영향을 미친다; (H4) 인지 부하가 생성형 AI 사용과 학업 성과 간의 관계를 매개한다; 그리고 (H5) 인지 부하가 AI에 대한 신뢰와 학업 성과 간의 관계를 매개합니다.

생성형 인공지능(GenAI)의 고등교육에 통합된 것은 현대 교육 실천에서 가장 중요한 기술적 변화 중 하나이다²⁵. OpenAI가 개발한 ChatGPT와 같은 도구들은 인간과 유사한 텍스트 생성, 복잡한 문제 해결, 맞춤형 교육 지원 제공에 놀라운 능력을 보여주었습니다²⁶. 최근 실증 연구들은 대학생들 사이에서 광범위한 채택을 기록했습니다. 학생들은 브레인스토밍, 내용 요약, 교정, 개념 설명 등 다양한 학문적 목적으로 GenAI를 활용합니다²⁷. 이러한 확산은 학자들로 하여금 교육 환경에서 생성형 AI가 가진 가능성과 도전 과제를 모두 검토하게 만들었습니다. 지지자들은 생성형 AI 도구가 즉각적인 피드백을 제공하고, 복잡한 과제를 기반으로 하며, 학문 내용에 대한 다양한 관점을 제공함으로써 학습을 향상시킬 수 있다고 주장합니다²⁸. ChatGPT를 프로그래밍 작업에 사용한 학생들은 코드 품질이 향상되고 완료 시간이 단축되어 인지 하찮은 이점을 시사했습니다. 마찬가지로, 생성 AI는 개별 학생의 필요와 학습 속도에 맞게 콘텐츠를 조정하여 학습 경험을 개인화할 수^{있습니다.} 하지만 비평가들은 학문적 진실성, 표절 가능성, 학생들이 AI 생성 콘텐츠에 과도하게 의존할 때 비판적 사고 능력의 침식에 대해 우려를 제기했습니다^30,31. 이러한 상반된 관점은 생성형 AI 사용이 근본 학습 과정에 미치는 영향에 대한 엄격한 실증적 조사의 필요성을 강조합니다.

인지 부하 이론(CLT)은 학습 과제와 교수법이 부과하는 인지 요구를 이해하기 위한 포괄적인 틀을 제공합니다. CLT는 사실상 무제한적인 장기 기억과 용량 및 지속 시간 모두에서 매우 제한된 작업 기억으로 구성된 인간 인지 구조에 기반을 두고 있습니다^. CLT에 따르면, 학습은 정보가 작업 기억에서 성공적으로 처리되고 이후 장기 기억에 스키마로 저장될 때 발생합니다. 이 이론은 인지 부하의 세 가지 유형을 구분합니다: 학습 자료의 고유된 복잡성과 학습자의 기존 전문성에 의해 결정되는 내적 부하; 학습에 직접적으로 기여하지 않는 부실한 교육 자료와 활동으로 인해 부과되는 불필요한 부담; 그리고 스키마 구축과 자동화에 할당된 인지 자원을 의미하는 '관련 부하(germane load)'³³. 연구는 효과적인 교육 설계가 학습 성과를 최적화하기 위해 이 세 가지 부하 유형을 관리해야 한다는 것을 지속적으로 입증해 왔습니다. 높은 부가 부하는 인지 자원을 학습 과정에서 분산시켜 수행을 저해하는 반면, 적절한 내재적·관련 부하는 깊은 이해와 지식 전달을 촉진합니다^. 교육 환경에서 이러한 부하 치수를 측정하는 포괄적인 도구로, 다양한 학습 맥락에서 인지 부하를 실증적으로 조사할 수 있게 합니다. 최근에는 학자들이 CLT를 기술 강화 학습 환경으로 확장하여 디지털 도구가 인지 처리에 미치는 영향을 연구했습니다^. 생성형 AI 사용과 인지 부하 간의 관계는 이론적으로 복잡하지만 실증적으로는 충분히 탐^{구되지 않았습니다}. 한편으로 생성형 AI 도구는 정보 검색을 간소화하고, 다양한 출처를 종합하며, 접근 가능한 형식으로 정보를 제시함으로써 불필요한 부담을 줄일 수^{있습니다.} 학생들은 더 이상 여러 데이터베이스를 탐색하거나 복잡한 텍스트를 독립적으로 해석할 필요가 없어, 인지 자원을 더 깊은 처리에 활용할 수 있게 될 가능성이 있습니다³⁹.

신뢰는 인간과 기술 간의 상호작용을 형성하는 근본적인 심리적 메커니즘입니다. 정보 시스템 맥락에서 신뢰는 다차원적이며,^{기술 시스템의 능력}, 선의, 무결성에 대한 신념을 포괄합니다. AI에 적용할 때, 신뢰는 두 가지 개념적으로 뚜렷한 차원으로 구분할 수 있습니다: 선의와 예측 가능성과 같은 인간적 특성의 귀속을 포함하는 인간과 유사한 신뢰; 그리고 기능 신뢰(Functional Trust)는^{기술 역량}의 신뢰성에 대한 신뢰를 반영합니다. 이 구분은 특히 교육 환경에서 중요한데, 학생들이 학업 과제에 AI 생성 콘텐츠에 얼마나 의존할지 결정해야 하기 때문입니다. 상세 가능성 모델에 따르면, 개인은 동기와 능력에 따라 중심 경로 또는 주변 경로를 통해 정보를 처리합니다. 신뢰가 높을 때 학생들은 중앙 경로 처리에 참여하여 AI가 생성한 콘텐츠를 면밀히 검토하고 상세히 설명^{하여 학습에} 대한 인지 부하를 증가시킬 수 있습니다. 학업 성적은 교육 연구에서 궁극적인 기준 변수로, 학점평균과 같은 객관적 지표와 학생의 자기 인식 학업 효율성을 포착하는 주관적 지표 모두를 통해 실질적으로 적용된다⁴³. 자기인식 측정은 학생들의 학습 능력에 대한 메타인지 인식에 대한 귀중한 통찰을 제공하며, 객관적 성과 지표와 강한 연관성을 보여주었습니다. 학습 효율성과 과제 완료와 관련된 항목을 포함하여 학생들이 인지한 학업 효율성을 평가하기 위한 자기 인식⁴⁴. 이 접근법은 특히 AI 강화 환경에서 적합하며, 학생들이 AI 도구를 통해 학습할 수 있다는 자신감이 실제 학습 성과에 영향을 미칠 수 있기 때문입니다.

프로토콜

자료표는 생성형 AI 사용을 위한 적응 및 검증된 척도, AI에 대한 신뢰, 인지 부하, 자기 인식 학업 성과, 표본 및 설문 절차, 데이터 분석 도구(SPSS 및 SmartPLS) 등 연구에 사용된 도구, 소프트웨어, 척도를 요약합니다. 더불어, 이 연구는 실험적 조작, 의료 절차 또는 참여자에게 신체적 또는 심리적 위험을 초래할 수 있는 개입이 포함되지 않아 윤리적 승인이 적용되지 않았습니다. 이 연구는 비침습적이고 자가 작성된 온라인 설문지를 사용하여 학생들의 학업 환경에서 생성형 AI 사용에 대한 인식, 경험 및 행동에 대한 데이터를 수집했습니다. 이 연구는 설문조사 완료 외에는 직접적인 상호작용이 없었기 때문에 임상시험, 생의학 절차, 실험적 치료가 이루어지지 않았고, 참가자들은 해를 끼칠 수 있는 실험적 조건에 노출되지 않았습니다. 데이터 수집 전에 모든 참가자는 연구의 목적, 자발적 참여, 익명성과 기밀 유지 조치를 설명하는 상세한 사전 동의서를 제공받았습니다. 사전 동의는 설문지를 작성하고 제출함으로써 묵시적으로 획득되었으며, 이는 사전 동의 양식에 명시적으로 명시되어 있습니다. 참가자들은 자신의 답변이 오직 학술 연구 목적으로만 사용될 것이며, 개인 식별 정보는 수집되거나 보고되지 않을 것임을 보장받았습니다. 또한, 참가자들은 설문지를 제출하기 전에 언제든지 연구에서 철회할 권리가 있음을 통보받았으며, 이는 아무런 제재 없이 이루어졌습니다. 모든 데이터는 연구팀만 접근할 수 있는 비밀번호로 보호된 기기에 안전하게 저장되었으며, 개별 응답자의 신원 확인을 방지하기 위해 집계된 결과를 보고했습니다. 이러한 조치들은 IRB 검토의 공식 요구가 적용되지 않음에도 불구하고, 헬싱키 선언의 윤리 원칙과 인간 참여자 연구에 대한 기관 지침에 따라 연구가 수행되도록 보장했습니다.

연구 설계

이 연구는 생성형 AI 사용, AI에 대한 신뢰, 인지 부하, 학업 성취도 간의 복잡한 관계를 조사하기 위해 정량적이고 횡단면적인 연구 설계를 사용합니다. 이 설계는 대규모 표본에서 표준화된 데이터를 수집하는 효율성과 효과성을 고려한 설문 전략을 통해 운영되었으며, 이를 통해 가설 속 관계에 대한 강력한 통계적 검증을 가능하게 했습니다. 설문 방법은 검증된 척도를 사용하여 각 구성요소를 체계적으로 측정할 수 있게 하여, 수집된 데이터가 신뢰할 수 있고 모든 응답자 간에 비교 가능하도록 보장합니다. 더불어, 단일 시점에서 데이터를 수집하는 횡단면 접근법의 채택은 학생들 사이에서 생성형 AI 사용 및 신뢰의 현재 빈도를 검토하는 동시에, 이 변수들 간의 상호 연관성과 연구 대상 집단 내 인지 부하 및 학업 성취에 대한 집단적 영향을 평가할 수 있어 특히 적합하다.

참가자와 표본 채취 절차

이 연구의 대상 인구는 고등교육 기관에 재학 중이며, 특히 ChatGPT 및 유사한 대형 언어 모델을 학술 목적으로 생성형 AI 도구를 적극적으로 사용한 경험이 있는 학생들이었습니다. 이 집단의 대표성을 높이고 발견의 일반화를 높이기 위해 층별 무작위 표본 추출 기법이 사용되었습니다. 표본 프레임은 대학 교무처에서 제공되었으며, 모든 학부에 현재 등록된 학생들의 전체 명단을 포함하고 있습니다. 계층화는 학문 분야와 학문 연도라는 두 가지 주요 인구통계 변수를 기반으로 했습니다. 학문 분야는 인문사회과학, 자연과학, 공학기술, 경영경제학의 네 가지 주요 계층으로 분류되었습니다. 학년은 4개 단계로 나뉘었는데, 학부 1학년, 2학년, 3학년, 4학년과 석사, 박사 과정 대학원생이 포함되었습니다. 이러한 이중 계층화 방식은 학생 내 각 하위 집단에서 비례 대표성을 보장하여, 어떤 학문 분야나 학문 수준에서도 과잉 또는 과소대표를 방지했습니다. 각 계층에서 참가자들은 무작위 번호 생성기를 사용해 무작위로 선정되었으며, 전체 학생 집단에서 해당 계층의 대표성에 비례하여 뽑혔습니다. 이러한 체계적인 참가자 선발 접근법은 최종 표본이 학문적 배경과 교육 진도를 포함한 고등교육 학생 집단의 다양성을 정확히 반영하도록 보장했습니다.

참여자 인구통계학과 관련해, 390명의 응답자 표본은 일반적으로 18세에서 35세 이상에 이르는 다양한 연령대의 학생들로 구성되었으며, 기관 인구통계에 비례한 균형 잡힌 성 정체성을 보였습니다. 표본에는 4학년 전부와 대학원생이 포함되어, 학업 발전의 다양한 단계와 AI 도구에 대한 다양한 노출 수준을 포함했습니다. 학문 분야별로 비례적으로 대표되었으며, 인문학, 과학, 공학, 경영학 배경 학생들이 표본에 포함되었습니다. 또한, 이전 기술 경험, 생성형 AI 사용 빈도, 모국어 상태 등 기본 인구통계 정보를 수집하여 조사 대상 주요 변수에 대한 맥락을 제공했습니다. 이 포괄적인 인구통계학적 프로파일링은 두 가지 목적을 가졌습니다. 첫째, 표본의 기술적 특성화를 가능하게 했고, 둘째, 연구자들이 이후 분석에서 잠재적 교란 변수를 통제할 수 있게 했습니다. 표본 추출 절차와 인구통계학적 특성에 대한 상세한 문서화는 다른 연구자들이 이 연구를 정확히 재현할 수 있도록 보장하며, 이를 통해 재현성이라는 과학적 요구를 충족하고 다양한 기관 및 문화적 맥락 간 의미 있는 비교를 가능하게 합니다. 더 나아가, 이러한 엄격한 표본추출 접근법은 결과의 외부 타당성을 강화하여 더 넓은 고등교육 학생 집단에 대한 결과를 보다 확신 있게 일반화할 수 있게 했습니다. 본 연구의 데이터는 구조화된 자가 참여 온라인 설문지를 사용하여 수집되었습니다. 설문지는 다섯 개의 섹션으로 나뉘며, 확립되고 검증된 척도를 사용하여 연구의 핵심 구성 요소를 측정하도록 설계되었습니다. 모든 항목은 별도 명시가 없는 한, 1점('매우 반대')에서 5점('강력히 동의')까지 5점짜리 리커트 척도로 측정됩니다.

계측 및 측정

생성형 AI 사용, 특히 ChatGPT는⁴⁵개 연구에서 적용한 8문항 척도를 사용해 정량화되었습니다. 이 규모는 단순한 사용 빈도를 넘어 학생들이 AI와 상호작용하는 다면적인 특성을 포착합니다. 문항들은 세 가지 주요 차원에 초점을 맞춥니다: (a) 다양한 학업 과제의 사용 빈도, (b) 도구가 사용되는 구체적인 목적(예: 브레인스토밍, 내용 요약, 교정), 그리고 (c) 학생들이 이 도구가 언어 관련 학업을 향상시키는 데 얼마나 효과적이라고 인식하는지. AI에 대한 신뢰는 대인 신뢰⁴⁶과 기술 신뢰라는 확립된 틀에서 출발한 다차원적 개념으로 개념화되었습니다. 이 척도는 두 가지 뚜렷한 차원으로 구성되어 있습니다. 인간과 같은 신뢰: 이 6개 항목으로 구성된 하위 척도는 학생들이 AI에게 선의, 진실성, 예측 가능성 등 인간과 유사한 특성을 부여하는 정도를 측정합니다. 예를 들어, 학생들은 AI가 자신의 최선의 이익을 위해 행동하는지 아니면 편향되지 않은 정보를 제공하는지 평가합니다. 기능 신뢰도: 이 5개 항목으로 구성된 하위 척도는 AI의 기능적 성과에 대한 신뢰도를 평가합니다. 이 연구는 기술 자체의 신뢰성, 역량, 신뢰성에 초점을 맞추며, AI가 학업 과제를 효과적으로 수행할 수 있는 기능을 갖추고 있다는 믿음을 담고 있습니다.

인지 부하는 CLT에 기반한 또 다른 연구⁴⁷에서 변형한 척도로 측정되었습니다. CLT의 삼각적 구조를 포착하기 위해 이 척도는 세 가지 하위 척도로 나뉩니다: 내재적 부하(3개 항목): 이 하위 척도는 학습 자료와 과제 자체에 내재된 복잡성과 난이도를 평가합니다. 예를 들어, "내 과제에서 다루는 주제들은 매우 복잡하다"와 같다. 불필요한 부하(3문항): 이 하위 척도는 교육 설계와 정보 전달 방식에 의해 가해지는 인지 부담을 측정합니다. 예를 들어, "과제 지침은 종종 불명확하고 따라하기 어렵습니다. 자기 인식 학습(4문항): 이전 교육 연구에 따라, 이 하위 척도는 관련 부하 자체를 직접 측정하기보다는 관련 인지 처리의 근사적 지표로 사용되었습니다⁴⁸. 이 문항들은 의미 있는 학습과 관련된 이해, 이해, 스키마 구축 과정에 투자된 정신적 노력에 대한 학생들의 인식을 담고 있습니다. 그러나 자기인식 학습이 학업 능력과 성취에 대한 더 넓은 인식과 개념적으로 겹칠 수 있기 때문에, 이는 관련 부하의 결정적 측정이라기보다는 생산적 인지 참여의 부분적 운영적 표현으로 신중하게 해석되어야 한다. 이해, 이해, 그리고 내용을 완전히 숙달했다는 느낌과 관련된 항목들이 포함되어 있습니다. 교육^연구에서 확립된 선례에 따라 학업 성취도는 자기 인식 척도를 사용하여 운영화되었습니다. 4개 항목으로 구성된 악기가 사용되었습니다. 이 접근법은 학생들의 학습 효율성과 학업 성취에 대한 주관적 평가를 포착하는 데 적합합니다. 이 척도는 인지된 학업 효율성에 초점을 맞추며, "나는 내 수업을 성공적으로 완료할 수 있다고 자신한다", "나는 내 학업 과제를 효율적이고 효과적으로 관리하는 법을 배웠다고 느낀다"와 같은 진술을 포함한다.

데이터 분석 전략

부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 생성형 AI 사용, AI에 대한 신뢰, 인지 부하, 자기 인식 학업 성과 간의 관계를 조사하였습니다. PLS-SEM 선정은 방법론적 고려와 분석적 고려사항에 의해 결정되었습니다. 첫째, 이 연구는 완전히 확립된 인과 이론을 검증하기보다는 AI 강화 학습 맥락 내에서 비교적 새롭게 등장하는 개념들 간의 연관 경로를 분석하는 예측 지향적이고 탐색적 모델링 관점을 채택한다. 둘째, PLS-SEM은 여러 잠재 구조와 매개 경로를 포함하는 복잡한 모델에 적합하다고 여겨지며, 특히 분산 설명과 예측 분석이 주요 목적일 때 더욱 그렇습니다. 또한, PLS-SEM은 비정규 데이터 분포 조건에서도 견고하며, 중간 정도의 표본 크기를 사용하는 사회과학 설문 연구에 적합합니다. 고등교육에서 생성형 AI 연구가 탐색적 성격을 띠고 지각 구성 요소 간 예측적 연관성을 검토하는 데 중점을 둔 점을 고려할 때, PLS-SEM은 본 분석에 방법론적으로 적합하다고 여겨졌습니다.

수집된 데이터는 SmartPLS 4 소프트웨어를 이용한 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 2단계 접근법으로 분석됩니다. PLS-SEM은 복잡한 예측 모델에 적합한 분산 기반 기법으로, 데이터를 정규 분포로 요구하지 않습니다. 1단계: 측정 모델 평가. 첫 번째 단계는 구성어의 신뢰성과 타당성을 평가하는 것입니다. 내부 일관성 신뢰도는 크론바흐 알파 및 복합 신뢰도를 사용하여 0.70의 임계값을 평가합니다. 수렴 타당성은 각 구성요소의 외부 부하(> 0.70)와 추출된 평균 분산(AVE, > 0.50)을 분석하여 확립됩니다. 판별적 타당도는 구성체들이 경험적으로 구별되도록 보장하며, 포넬-라커 기준과 이성특성-단일형성(HTMT) 상관관계 비율을 사용하여 평가합니다. 2단계: 구조 모델 평가. 측정 모델이 신뢰할 수 있고 타당하다고 확인되면, 구조 모델을 평가하여 연구의 가설을 검증합니다. 이는 5,000개의 재샘플을 이용한 부트스트래핑 절차를 사용하여 경로 계수(β)의 유의성과 관련성을 검토하는 것을 포함합니다. 평가의 핵심 기준에는 결정 계수(R²)가 포함됩니다: 모델의 예측력(즉, 특히 학업 성취도와 같은 내생 변수에서 설명되는 분산)을 측정하기 위함입니다. 예측 관련성 (Q²): 눈가리개 절차를 사용하여 모델의 예측 정확도를 평가합니다. 효과 크기 (f²): 각 독립 변수가 종속 변수에 미치는 실질적 영향을 평가합니다. 매개 분석: AI 관련 선행 요인(생성형 AI 사용, AI에 대한 신뢰)과 학업 성과 간의 관계에서 인지 부하의 매개 역할을 검증하기 위함. 간접 효과의 유의성은 부트스트랩 신뢰구간을 사용하여 평가할 것입니다.

결과

기술적 통계

생성형 AI 사용, 인간적 신뢰, 기능 신뢰, 내적 부하, 외적 부하, 자기 인식 학습, 학업 성과 등 주요 변수들의 중심 경향과 분산을 요약하기 위해 기술적 통계가 계산되었습니다. 기술적 분석은 SPSS 버전 26을 사용하여 수행되었으며, 결과는 아래 표 1 에 제시되어 있습니다.

가변	심술궂은	표준편차	왜곡	커토시스

토론

이 연구의 첫 번째 주요 발견은 생성형 AI 사용이 인지 부하와 양의 상관관계를 보인다는 것(β = 0.34, p < 0.001)을 보여주었으며, 이는 가설 1과 일치하는 결과입니다. 이 결과는 ChatGPT 같은 생성형 AI 도구를 더 자주 사용한다고 보고한 학생들이 학습 활동 중 인지 부하가 더 높다고 보고한다는 것을 시사합니다. 생성형 AI 사용과 인지 부하 간의 이러한 긍정적 연관성은 단순한 기술 사용 프레임워크보다는 인간-AI 상호작용 관점에서 더 잘 이해될 수 있습니다. 생성형 AI에 더 자주 참여하는 학생들은 단순히 정보를 소비하는 것이 아니라, 신속한 작성, 출력 해석, 출처 비교, 신뢰성 평가, AI 생성 콘텐츠를 학술 작업에 어떻게 포함할지에 대한 의사결정을 포함하는 반복적 상호작용 과정에 참여합니다⁴⁹. 이러한 상호작용 과정은 지속적인 인지 모니터링과 평가적 판단을 요구하는 경향이 있습니다....

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
눈가리기 절차	SmartPLS 4 (기본 제공)	N/A	구조적 모델의 예측 관련성에 대한 Q²를 계산합니다.
부트스트래핑 절차 (5,000회 재샘플)	SmartPLS 4 (기본 제공)	N/A	경로 계수(β) 및 간접 효과의 유의성을 평가하는 데 사용됩니다.
인지 부하 척도 - 외부 부하 (3항)	Hadie & Yusoff (2021)	N/A (검증된 척도)	교육 설계 및 정보 표현에서 비롯된 인지적 부담.
인지 부하 척도 - 본질적 부하 (3항)	Hadie & Yusoff (2021)	N/A (검증된 척도)	학습 자료/과제의 지각된 복잡성/난이도.
인지 부하 척도 - 자기 지각 학습 (4항)	Hadie & Yusoff (2021)	N/A (검증된 척도)	관련 인지 처리의 대리; 이해 및 스키마 구성을 위한 정신적 노력을 포착합니다.
Fornell-Larcker 기준	SmartPLS 4 (기본 제공)	N/A	구성의 차별 타당성을 평가합니다.
생성형 AI 사용 척도 (8항)	Abbas et al. (2023)	N/A (적응된 척도)	학업 과제를 위한 생성형 AI (ChatGPT) 사용의 빈도, 목적 및 인지된 효과를 측정합니다. 5점 리커트 척도.
HTMT 상관 비율	SmartPLS 4 (기본 제공)	N/A	이기종-동종 비율; 추가 차별 타당성 검사.
동의서	연구팀 (기관 지침)	N/A	연구 목적, 자발적 참여, 익명성, 기밀성 및 철회 권리에 대한 상세한 설명. 설문조사 완료를 통한 묵시적 동의.
온라인 설문지 플랫폼	지정되지 않음 (일반)	N/A	구조화된 자체 관리 웹 기반 설문지; 모든 항목은 5점 리커트 척도(1 = 매우 동의 않함 - 5 = 매우 동의함)입니다.
표본 추출 기준	대학 등록 사무소	N/A (기관 기록)	모든 학과의 현재 등록된 학생 목록을 사용한 계층 무작위 추출.
자기 지각 학업 성과 척도 (4항)	교육 연구 선례에서 적용	N/A (적용된 척도)	학업 효율성 및 성취도에 대한 주관적 평가(예: 과정에 대한 자신감, 효율적인 과제 관리).
SmartPLS 4 소프트웨어	SmartPLS GmbH	버전 4	분산 기반 구조적 방정식 모델링 소프트웨어; PLS-SEM 분석, 부트스트래핑, 눈가리기에 사용됨.
SPSS 버전 26	IBM	N/A	예비 데이터 스크리닝, 기술 통계 및 모든 사전 PLS-SEM 데이터 관리(해당하는 경우)에 사용됩니다.
계층 무작위 추출 절차	연구팀(수동)	N/A	학문 분야(4개 범주) 및 학년(5개 레벨: 1학년-4학년 학사 + 대학원)에 따른 계층을 기반으로 합니다. 계층 내 랜덤 넘버 생성기 사용.
AI 신뢰 척도 - 기능성 신뢰(5항)	기술 신뢰 문헌에서 적용	N/A (적용된 척도)	학업 과제에 대한 AI의 인지된 신뢰성, 능력 및 신뢰성을 측정합니다.
AI 신뢰 척도 - 인간적 신뢰(6항)	대인 관계 신뢰(Rempel et al.) 및 기술 신뢰 문헌에서 적용	N/A (적용된 척도)	AI에 기인하는 선의, 성실성 및 예측 가능성을 평가합니다.