1. 서론
최근 생성형 AI 기술의 발달은 교육 분야에 큰 변화를 가져오고 있다. 생성형 AI(Artificial Intelligence)는 인공신경망을 이용하여 콘텐츠를 프롬프트를 통해 창의적인 텍스트, 이미지, 오디오, 동영상 등을 생성할 수 있는 기술이다. 특히 2022년 11월 공개된 ChatGPT는 OpenAI에서 개발한 대규모 언어 모델(Large Language Model, LLM)로, 사전 학습된 생성형 트랜스포머(Generative Pre-Trained Transformer, GPT) 아키텍처를 기반으로 한다. ChatGPT는 대규모 텍스트 데이터를 학습하여 자연어를 이해하고 생성할 수 있으며, 사용자의 질문이나 명령어(prompt)에 대해 맥락적으로 적합한 응답을 생성하는 능력을 갖추고 있다. 2023년에 발표된 GPT-4 모델은 논리적 추론(logical reasoning), 창의적 산출물 생성(creativity)을 제공하며, 텍스트뿐 아니라 이미지 입력까지 처리할 수 있는 멀티모달(multimodal) 기능을 지원한다. 이러한 특징은 ChatGPT가 단순한 대화형 AI를 넘어, 교육⋅연구⋅산업 등 다양한 영역에서 활용될 수 있는 기반을 마련하였다.
AI 활용 교육은 AI 기술, 서비스 등을 활용해 실생활 문제를 해결하는 역량을 길러주는 교육으로 AI 기술과 서비스는 교육, 융합, 정책, 산업 등 많은 분야에서 활용된다(한선관 외, 2021/2022).
교육 현장에서 AI에 대한 명령어를 통해 이미지, 텍스트, 소리, 동영상 등 새로운 콘텐츠 생성으로 학생들을 가르치는 방식이 빠르게 변화하고 있으며, 생성형 AI를 활용한 교육은 전통적인 교육 방법보다 학생들에게 더 효과적이고 혁신적인 학습 환경을 제공한다. 코드 작성, 데이터 분석, 데이터 시각화, 디버깅 등 생성형 AI는 학생 개인의 학습 상황에 따라 맞춤형으로 피드백을 제공할 수 있다.
생성형 AI를 SW 교육에 활용하는 연구는 단순히 현재의 교육을 개선하는 것뿐만 아니라, 미래의 기술을 준비하는 과정이다. 생성형 AI의 교육적 활용에 관한 연구는 SW 교육의 미래를 선도하는 중요한 과제이다(장운초, 곡위강, 2022).
생성형 AI는 프로젝트 수업에 있어 프로젝트 기획부터 문제 해결을 위한 아이디어를 제공함으로써 프로젝트의 진행을 돕고, SW 관련 프로젝트를 작업하는 1학년 학생들에게 코딩 작업과 데이터 분석과 같은 어려운 부분을 더욱 빠르게 해결할 수 있도록 지원할 수 있다. 생성형 AI는 자동으로 학생들이 작성한 코드의 오류를 찾아내고, 더 나은 해결 방법을 제시할 수 있다. 코드의 품질이나 코드 작성에 대한 피드백을 실시간으로 제공함으로써 학습자들이 더 빠르게 개선점을 반영할 수 있고 자동화된 피드백 시스템을 구축하는 연구는 교육의 질을 높이는 데 큰 도움이 될 것이다. SW 교육에 있어서 AI를 활용하면 교육자는 학생들의 코드 오류를 하나하나 확인하고 피드백을 주는 데 많은 시간을 할애하지 않아도 된다. 생성형 AI는 반복적이고 시간 소모적인 작업을 대신 수행하고, 교육자는 더 창의적이고 전략적인 교육 활동에 집중할 수 있어 학생들의 SW 교육에 생성형 AI를 활용하는 교육에 관한 연구가 필요하다.
본 연구에서는 ChatGPT를 2주~10주차에 걸친 파이썬 프로그래밍 수업과 12주 ~ 14주 SW 프로젝트 산출물 작업 과정에 적극적으로 활용하고, ChatGPT를 활용한 SW 교양 교육에 대한 학생들의 인식과 ChatGPT 활용 현황을 분석하고자 한다. 본 연구의 연구 문제는 다음과 같다.
2. 관련 연구
2.1. 생성형 AI 활용 SW 교양 교육
생성형 AI는 텍스트, 이미지, 동영상, 오디오 등 다양한 형태의 창의적인 콘텐츠를 생산해 내는 인공지능 기술로 방대한 데이터를 기반으로 학습되고, 학습된 대규모 모델을 기반으로 작동하고 서비스된다. 생성형 AI 서비스의 대화형 생성 AI는 ChatGPT, Copliot, Gemini, AskUp, Clova 등이 있고, 이미지 생성 AI는 Midjourney, DaLL-E, Stable Diffusion Online 등이 있으며, 음악 생성 Udio, Suno, 동영상 생성은 Sora, Lumiere, Runway, Vrew 등이 있다(장운초, 곡위강, 2024).
생성형 AI 시대의 교양 교육의 방향성은 생성형 AI에 관한 연구와 생성형 AI 가이드라인 데이터를 통해 생성형 AI 활용에 따른 표절과 윤리 교육의 필요성을 제안하였다. 대학의 교양 교육은 학습자가 빠르게 변화하는 기술에 영향을 받는 사회를 이해하고 이를 바탕으로 주체적, 비판적, 윤리적으로 자신의 삶을 디자인 할 수 있는 방법을 고민할 수 있도록 설계하는 것이 필요하다(이유미, 박윤수, 2024).
생성형 AI를 수업에 적용하고자 할 때 학습자에게 요구되는 역량 중의 하나는 ‘질문하는 능력’이다. SW 교육에서 프로젝트 산출물을 작업할 때 원하는 출력물을 얻기 위해 질문을 재구성하여 정보를 좀 더 비판적으로 분석할 수 있으며 원하는 결과물을 만들어 낼 수 있다. 생성형 AI를 수업에 적용할 때 생성형 AI를 사용하는 목적과 사용 규칙에 대한 안내가 필요하고, 과제나 학습에서 어느 범위까지 활용할 수 있는지 학습자에게 안내가 필요하다. 생성형 AI의 ‘할루시네이션’에 대한 문제는 교육 분야에서 학생들에게 직접 제공되는 제품의 활성화가 제한적일 수 있다. 생성형 AI를 자동화 측면보다 다양한 역할을 가진 조력자 측면으로 보조 교육 도구로 활용하는 것이 바람직할 것이다. GATe(Generative AI based Teaching and Learning) 프레임워크는 수업 기획, 수업 설계, 수업 실행, 수업 환류 등 4단계의 과정으로 구분한다. 수업 기획 단계는 AI의 이용 요건 확인, 학습자 분석, 교육과정 분석, 수업 환경 분석 등 4단계로 구분하고, AI 융합 교육에서 필요로 하는 생성형 AI 활용 교수학습 프레임워크를 개발하였다. 수업 기획 단계는 ‘AI 이용 요건 확인’, 수업 설계 단계에서는 ‘생성형 AI 탐색’, 수업 실행 단계에서는 ‘생성형 AI 활동’으로 구분하여 교수학습 과정에 따른 세부 활동과 역할을 제시하였다. 수업 환류 단계에서는 교수자의 수업 분석, 수업 평가. 수업 개선 세부 요소를 포함하였다. 교양 SW/AI 교육에서 프로젝트 산출물을 제작하기 생성형 AI를 활용한 교수학습 프레임워크의 수업 실행 단계에서 생성형 AI를 프로젝트 단계별로 적극적으로 사용하게 하였다(박선하 외, 2024).
생성형 AI의 기능 중 텍스트 생성 기능을 활용하여 코드와 교수학습 자료를 생성하기 위해 프롬프트 엔지니어링 기법과 교수학습 전략을 적용하여 학습자 수준을 고려한 코드 생성과 연습 문제를 생성하여 유사도가 높은 양질의 코드를 생성하고 생성형 AI를 활용하여 다양한 수준의 학습자에게 개별 교육을 제공하였고, AI 교육 및 정보교육 환경을 개선하였다(강의선, 2024).
교양필수 기초코딩 교과목에 ChatGPT를 사용한 분반과 사용하지 않는 분반을 분석한 결과 ChatGPT를 활용한 분반 학생들의 교과목 만족도, ChatGPT 활용 인식 등에서 긍정적인 인식을 하는 것을 확인하였고, 교양필수 기초 코딩에서는 ChatGPT를 활용하는 것이 AI 챗봇에 의존적으로 되어 학생들의 역량을 개발하는데 부정적인 효과가 나타날 수 있음을 주의사항으로 이야기하고 있다. ChatGPT를 활용하면서 기초 코딩은 수업 초반부터 생성형 AI를 사용하기보다는 함수 단원까지 기본 문법을 충실히 가르치고 함수 이후부터 사용하도록 하는 것이 학생들의 AI 리터러시 역량과 SW코딩 역량을 기르는 데 필요하리라 본다(김완섭, 2023).
생성형 AI를 적용하여 프롬프트를 개발하여 학습자 수준을 고려한 코드와 연습 문제를 생성하여 생성형 AI를 활용하여 다양한 수준의 학습자에게 개별 교육이 필요한 AI 교육 및 정보교육 환경을 개선하였다(김슬기, 2023).
생성형 AI ChatGPT는 SW 교과목의 프로젝트 산출물을 개발하는 과정에서 학습자들의 기술 지원 도구로서의 활용도가 높음을 확인하였다. 생성형 AI는 교양 SW 교육에서 학습자들에게 프로젝트 수업을 하는 데 있어 보조 도구로 사용될 수 있다(노은희, 2024).
소그룹 활동에 생성형 AI를 활용은 참여자들의 흥미와 몰입을 유도하여 참여도를 증진하고, 인도자의 역할 부담을 줄이고 참여자들의 자발성과 지속성을 유도할 수 있다. 소그룹 활동에 있어 생성형 AI의 활용은 팀 활동을 하는데 적극적으로 참여할 수 있도록 돕는 역할을 할 수 있다(주희현, 2024).
생성형 AI를 활용할 때 직면할 수 있는 실제 문제들을 시뮬레이션 하는 교육 내용이 포함되어야 하며, 각 전공에 따라 생성형 AI의 체계적인 통합을 유도할 수 있는 맞춤형 전문 교육과정을 개발할 필요가 있다(서희정 외, 2024).
ChatGPT를 활용한 프로젝트 교양 수업에서 학습자들은 ChatGPT를 통해 발표 내용 구성, 자료 조사, 발표문 작성, 내용 정교화, 아이디어 도출 등에서 도움을 받았으며, 동료 평가에서도 발표 구조 및 내용의 완성도가 높은 평가를 받았고, ChatGPT가 교수자를 보조하여 정보 탐색 및 발표 구성 과정에서 실질적인 지원을 제공할 수 있음을 사례를 통해 확인함으로써 ChatGPT가 프로젝트 수업에서 교수자의 보조 도구로서 PBL의 효과성을 높이는데 기여할 가능성을 제시하였다(하오선, 2025).
ChatGPT는 학습 과정에서 깃허브(GitHub)의 코드를 대량 학습하였기에 Python 언어로 코드를 설계하고 생성할 수 있고, 디버깅, 코드 솔루션 제공되어 교양 필수 SW/AI 교육에 용이하다.
2.2. 생성형 AI와 프롬프트 엔지니어
생성형 AI를 효과적으로 활용하기 위해서는 생성형 AI에게 어떻게 요청할 것인지. 프롬프트를 어떻게 구성해야 하는지를 이해해야 한다. 생성형 AI에게 어떻게 요청하느냐에 따라서 생성형 AI가 제공하는 답변이 달라지기 때문이다. 프롬프트는 사용자가 제공한 입력을 의미하고, 단순한 단어나 구문, 질의에서부터 더욱 정교하고 상세한 지침에 이르기까지 복잡성이 다양할 수 있다. 프롬프트는 LLM(Large Language Model)으로부터 사용자가 원하는 결과를 도출하기 위해 입력하는 것으로, AI 모델에게 내리는 지시 사항이다. 프롬프트는 LLM에 규칙을 시행하고, 프로세스를 자동화하고, 생성된 출력의 특정 품질을 보장하기 위해 제공되는 지침이다. 프롬프트 엔지니어링(Prompt Engineering)은 AI에게 구체적인 지시를 내려 원하는 결과를 얻어내는 기술이다. 프롬프트 엔지니어링은 생성된 결과물에 대한 품질을 높이는 프롬프트 입력 값들에 대한 최적의 조합을 찾는 작업이다. 모델의 재훈련이나 미세조정을 하지 않고 다양한 작업에서 원하는 출력물을 얻을 수 있게 한다.
LLM으로부터 원하는 결과를 얻기 위해 사용하는 프롬프트 엔지니어링 방법은 여러 가지가 있다. 제로샷 프롬프팅(zero-shot)은 LLM에게 아무런 데이터나 예시를 주지 않고 바로 특정 작업을 수행하도록 지시하는 방법으로 정확도가 높지 않고 모호하거나 부정확한 대답을 내놓을 가능성이 크다. 원샷 러닝(One-shot)은 LLM에게 명령을 내릴 때 실행 방법에 대한 예시 한 개를 제공함으로 AI에게 명확한 방향성을 제시함으로써 비슷한 유형의 요청에 대해 어떻게 반응해야 하는지를 알려 주는 방법이다. 퓨샷 러닝(Few-shot)은 LLM에게 특정 명령을 내릴 때 2~3가지부터 수십 개의 예시를 제공한다. CoT(Chain of Thought)는 ‘생각 사슬’로 복잡한 수학 문제를 풀기 위해 문제를 쪼개어 단계적으로 푸는 것과 유사한 방법으로 LLM에게 문제 해결 과정에서 따라야 할 생각의 단계나 논리적 순서를 제시하면 LLM은 이 사고 과정을 따라 문제를 분석하고 각 단계를 거치면서 최종 해답에 도달한다. CoT접근 방식의 핵심은 AI가 단순히 결과를 도출하는 것이 아니라 문제 해결 과정에 필요한 논리적 사고를 모방하도록 한다. 문제를 해석하고 주어진 해결책을 사용함으로 ‘생각’하는 방법을 배우게 된다. CoT는 복잡한 문제 해결과 추론을 요구하는 작업에 유용하다. 프롬프트 엔지니어링은 원하는 결과를 정확히 의도하는 대로 항상 일관되게 만드는 게 목표이다. 학생들에게 원하는 결과를 의도한 대로 일관성 있게 내기 위해 충분한 설계와 실험이 중요하다. 기본적인 프롬프트 구성은 지시(Instruction), Context(맥락), Input Data(입력 데이터), Output Indicator(출력 지시자)이다. 지시(Instruction)에서는 사용자가 AI에게 수행해야 할 작업을 명시적으로 지시하는 부분으로 AI는 어떤 종류의 응답을 생성할지 이해하게 된다. Context(맥락)에서는 AI가 정확한 응답을 생성하기 위해서 참고할 수 있는 예시나 배경 정보 등을 제공한다. Input Data(입력 데이터)는 AI가 처리해야 할 실제 데이터나 텍스트로 이 입력 데이터를 기반으로 AI는 작업을 수행한다. 입력 데이터는 AI가 처리해야 하는 구체적인 정보이다. Output Indicator (출력 지시자)는 AI가 생성할 출력의 형태나 포맷을 명시하는 부분으로 모델의 결과를 사용자가 원하는 형태로 결과를 받을 수 있도록 한다. 프롬프트를 작성하기 위해서는 해결하려는 문제를 명확하게 구체적으로 정의하고 다양한 해석이 가능한 모호한 단어나 표현은 피하도록 한다. 입력의 구분이 되는 부분을 표시하는 방법으로 < >나 ““등의 구분 기호를 사용한다. 출력은 구조화된 형식(Html, JSON 등)으로 요청한다. 모델에 하나 이상의 샘플 프롬프트를 제공하여 예상 출력을 명확히 하도록 한다. LLM 모델에 ‘생각할 시간’을 주도록 한다. ChatGPT는 오답을 정답처럼 그럴듯하지만 잘못된 정보를 생성하여 환각 (Hallucinations)을 일으킬 수 있으므로 이를 방지하기 위해 모델에게 먼저 관련 정보를 찾도록 요청한 다음 모델이 참조 정보를 기반으로 질문에 대해 답변하도록 한다(김진중, 2024).
White 외(2023)는 양질의 결과를 얻기 위해 <표 1>과 같이 프롬프트를 문서로 만들어 프롬프트를 6개의 범주와 16개의 패턴 원리로 제시함으로 프롬프트 엔지니어링은 특정 맥락에서 반복되는 문제에 재사용이 가능하며 SW 프로그래밍이 체계적인 접근 방식을 통해 개발 과제를 해결하는 것처럼 프롬프트 패턴을 통해 LLM과 사용자 간의 체계적인 상호작용이 필요함을 주장하였다(White et al.,2023).
<표 1>
Classifying Prompt Patterns
2.3. Engaged Learning 수업모델
Engaged Learning 수업은 문제 정의 → 아이디어 도출 → 해결 방안 적용 및 확인에 이르는 일련의 수업 활동에 학습자가 능동적으로 참여하여 수업에서 학습한 내용을 강의실 밖의 현실 문제 해결에 필요한 살아있는 지식으로 재구성하고 학습의 전이를 촉진할 수 있도록 경험 학습 중심의 교수-학습 과정으로 운영되는 수업이다(숭실대학교 교수학습혁신센터).
교과목의 학습 목표 달성을 위해서 학습자는 실생활에 연계된 문제를 인식 정의하고, 문제를 해결하려는 방법을 탐색하며, 학습자들 간 협력을 통해서 문제의 해결 방법을 찾아 실제 현장에서 결과물을 도출하는 교수-학습 과정으로 운영하는 수업이다. 학습자가 주도하는 방식으로 교수 학습 활동은 다양한 팀으로 구성하여 협력 학습을 한다. 참여형 학습에서 교수자의 역할은 안내자, 퍼실리데이터, 코디 등의 역할을 한다. S 대학에서는 2019년에 Engaged Learning 수업을 운영하고 있다. 학생의 경험을 중요하게 여기는 학생 참여 경험형 수업 방식이다. Engaged Learning 수업 모델의 수업 과정의 단계는 3단계로 [그림 1]과 같다.
Engaged Learning 수업 모델의 첫 번째 단계인 ‘문제 정의’ 단계에서는 사전에 학습된 내용으로 문제를 탐색한다. 두 번째 단계는 ‘아이디어 도출’ 단계로 자료를 수집하고 아이디어를 나눈 뒤 해결 방안을 선정한다. 세 번째 단계는 해결 방안 적용 및 확인 단계로 최종 결과물이 산출된다. 교수자는 교수자 재량으로 3단계 기본 원리를 시작하기 전에 일정 기간 강의 중심 수업으로 진행한다. 이후 남은 기간 3단계의 기본 원리를 적용하여 프로젝트 수업이 이루어진다. 해결 방안 탐색 및 적용에 이르는 일련의 학습 활동에 학습자는 수업에 주도적으로 참여하여 수업에서 학습한 내용을 강의실 밖의 현실 문제 해결에 적합한 지식으로 재구성할 수 있도록 경험학습 중심의 교수-학습 과정으로 구성된 수업 모델이다(노은희, 2024).
박도현과 성신형(2022)은 Engaged Learning 방법을 이용한 기독교 교양필수 교과목이 인문학적 교양을 쌓은 교과의 역할을 할 가능성을 확인하였다(박도현, 성신형, 2022).
차봉준(2022)는 Engaged Learning 수업 방법 문제정의-아이디어 도출 - 해결 방안 적용⋅확인 3단계 수업 원리를 적용하여 3학점 체계의 수업모형을 설계하여 학습자가 자기 주도적으로 인류세 시대의 지구적 환경 문제를 스스로 발견하고 정의할 수 있도록 교과목을 구성하여 운영하였고, 현대사회가 지닌 다층적, 다각적인 환경적 문제들에 대해 학습자가 자기 주도적으로 문제를 발견하고, 도출된 문제에 대해 스스로 아이디어를 생성하여 문제를 해결해 나가는 과정 가운데 인류세 시대에 대한 이해와 인문학의 필요성에 공감할 수 있을 것으로 기대한다고 하였다(차봉준, 2022).
2.4. 컴퓨팅적 사고(Computational Thinking)
컴퓨팅적 사고(Computional Thinking)는 2006년 지넷 윙이 제시한 개념으로, 문제를 분석하여 컴퓨터로 문제를 해결하기 위한 절차를 만드는 것으로 컴퓨팅 사고는 문제의 해결책을 만드는 사고 과정이고 이러한 방법으로 생성이된 해결 방법은 컴퓨터에 의해서 실행될 수 있다고 주장하였다. Wing은 컴퓨팅적 사고는 컴퓨터 전공자들들 뿐만 아니라 누구나 활용할 수 있는 보편적인 사고와 기술이라고 하였고 인간 활동의 필수 요소가 되어 더 이상 특수한 철학으로 존재하지 않을 때 자연스러운 삶이 일부가 될 것이라고 하였다(Wing, J. M.(2006)).
김진숙 외(2015)는 교육부와 한국교육학술정보원(KERIS) (2015)은 ISTE&CSTA(2011)의 개념을 인용하여 컴퓨팅적 사고의 구성 요소를 분해, 패턴 인식, 추상화, 알고리즘, 프로그래밍으로 컴퓨팅 사고력의 구성 요소를 재정의하였다.
노지혜(2023)는 대학의 교양 SW 기초 교육은 SW를 기반으로 일상 생활의 문제를 창의적으로 해결할 수 있는 능력을 기르기 위해서 컴퓨팅적 사고력, 창의적 문제 해결력을 신장시키기 위해 수업을 설계하고, 설계 된 수업은 전체 학생들의 컴퓨팅 사고력, 창의적 문제해결이 유의하게 향상되었다고 하였다.
최숙영(2016)은 컴퓨팅 사고력이란 창조적인 다중의 추상화 차원의 사고로 문제를 해결하는 과정을 컴퓨팅 시스템에서 처리될 수 있는 형태로 알고리즘화하는 논리적 사고라고 주장하였다.
송윤희(2024)는 대학생의 자기주도학습능력과 컴퓨터 사고력이 AI 리터러시에 긍적적인 영향을 미치고 대학생의 AI 리터러시를 높이기 위해 자기주도학습 능력과 컴퓨팅 사고력을 높여야 한다고 하였다. 이러한 논의들은 컴퓨팅적 사고가 단순한 프로그래밍 역량을 넘어, 문제 해결을 위한 핵심적인 고차 사고 능력으로 자리 잡고 있음을 보여준다.
3. 연구 방법
3.1. 연구 대상
본 연구의 대상은 2025년 1학기 교양 필수 교과인 컴퓨팅적사고 과목군의 ‘컴퓨팅적사고와 코딩기초’를 수강한 S 대학 1학년 신입생 181명이다. 남학생은 100명(55.2%), 여학생이 81명(44.8%)으로 대학별 학생은 자유전공학부 51명(28.7%), 인문 사회 37명(20.3%), 경영 41명(22.5), 공과 대학 54명(30.2%)으로 구성되었다.
3.2. 교과목 설계
본 교과목은 Engaged Learning 수업 모델을 이용하여 진행한 수업으로 학생들은 자기 수준에 맞는 과목을 선택할 수 있다. 디지털테크놀로지 영역의 컴퓨팅적 사고 교과목군의 3개의 세부 교과목 중 ‘컴퓨팅적사고와 코딩기초’ 교과목은 가장 쉬운 단계의 수업으로 1학년 교양 필수로 2시간 2학점으로 이론과 실습을 병행한 수업으로 Engaged Learning 수업 모델과 ChatGPT를 활용하여 운영하였다.
3.2.1. 교과목 개요 및 수업계획서
교과목은 코딩의 기본 문법을 학습하고, 알고리즘적 사고로 다양한 문제를 해결하는 방식을 학습한다. 이론, 실습, 팀별 프로젝트 활동으로 컴퓨팅적 사고에 대한 학습을 진행하고, 현실 상황에서 문제 해결을 위한 코딩 작업을 위해 파이썬 프로그램을 학습하고, 파이썬을 통해 팀별 Engaged Learning 단계에 따라 ChatGPT를 활용하여 팀별 프로젝트를 진행하였다. 15주 2시간 이론과 실습을 병행한 대면 수업으로 프로젝트 수업에서는 Engaged Learning 수업 모델을 활용하였고, 교과목 개요 및 수업 목표는 <표 2>와 같다. ChatGPT의 활용은 15주차 수업계획서 <표 3>에 설계된 대로 기본 문법 학습을 배우고, 팀별 활용 과제 활용하도록 하였고, 프로젝트 산출물 작업에는 적극적으로 사용하도록 권장하였다.
<표 2>
컴퓨팅적사고와 코딩기초 교과목 개요 및 수업 목표
<표 3>
‘컴퓨팅적사고와 코딩기초’ 교과목 수업계획서
<표 4>는 EL(Engaged Learning) 수업 모델에 ‘컴퓨팅적 사고와 코딩기초’ 교과목의 프로젝트 평가(25점) 항목을 제시하여 학생들이 팀별 ChatGPT를 적극적으로 활용하게 하였다. EL 수업 모델의 수업 과정 3단계의 1단계에는 문제를 정의하고, 2단계는 아이디어를 도출하고 3단계에서는 최종 결과물을 산출하고, 현장 적용과 피드백 과정이다.
<표 4>
EL+수업과정 ‘컴퓨팅적사고와 코딩기초’ 교과목 프로젝트 평가 항목
3.3. Engaged Learning을 적용한 ChatGPT 활용 프로젝트 사례
Engaged Learning을 적용한 ChatGPT활용 팀 활동 프로젝트 사례는 <표 5>, <표 6>과 같다. Engaged Learning 모든 단계에 ChatGPT를 사용할 수 있도록 하였고, 생성형 AI를 활용하여 산출물을 제작하는 과정에 ChatGPT 사용 부분을 작성하여 제출하도록 하였다.
4. 연구 결과
4.1. 인구 통계학적 특성
본 연구는 2025년 1학기 교양 필수 ‘컴퓨팅적 사고와 코딩기초’교과목을 수강한 S 대학 1학년 학생들로 <표 7>에 기술된 바와 같다. 표본 조사 분석에 이용된 설문 응답자는 총 181명으로 남학생 100명(55.2%), 여학생 81명(44.8%)이다. 단과대별 학생은 자유전공학부 49명(26.9%), 인문 사회 37명(20.3%), 경영 41명(22.5), 공과대학 54명(30.2%)의 분포로 구성되어 있다.
4.2. 전공별 수강 전 코딩 경험
대학별 학습자 맞춤 교육의 필요성과 기초 역량 진단의 중요성을 뒷받침하는 자료로 활용하기 위해 대학별 수강 전 코딩 경험을 알아본 결과 181명의 응답자 중 ‘컴퓨팅적 사고와 코딩기초’ 교과목을 수강하기 전 코딩 경험이 없는 학생은 93명(51.4%), 코딩 경험이 있는 학생은 88명(48.6%)으로 <표 8>에 기술된 바와 같다. 대학별로 살펴보면, 공과대학 학생들의 코딩 경험 비율이 34명(63.5%)로 가장 높았다. 이는 공학 계열의 교육 과정이 프로그래밍 및 컴퓨터 활용 역량을 중요하게 생각하기 때문으로 해석된다. 경영 계열은 21명(51.2%), 자유전공학부 29명(59.2%), 인문사회 계열 학생들은 23명(62.3%)이 코딩 경험이 없다고 응답하였다. 인문사회 계열의 경우 기초 코딩 교육의 필요성이 상대적으로 더 크다고 판단된다. 분석 결과 대학별 학생들이 코딩에 접근한 경험이 달라서 기초 교과목 임에도 향후 수업 참여도와 학습 성과에 영향을 미칠 수 있음을 시사한다.
4.3. ChatGPT 활용 SW 교육 만족도
단과대별 ChatGPT 활용 SW 교육 만족 간의 연관성을 알아보기 위해 교차분석을 실시하였다. <표 9>에 기술된 바와 같이, 카이제곱 값이 11.203이고 유의수준 0.05에서 유의 확률이 0.262이므로 단과대별 ChatGPT 활용 SW 교육 만족 간의 서로 연관성이 없는 것으로 나타났다. ChatGPT 활용 SW 교육 만족도는 181명의 응답자를 대상으로 한 설문조사에서, 응답자의 105명(58.0%) ‘매우 긍정’, 61명(33.7%) ‘긍정’으로 응답하여, 총 166명(91.7%)이 긍정적인 만족도를 보였다. ‘보통’ 응답은 14명(7.7%), ‘부정’ 응답은 단 1명(0.6%)에 불과했고, ‘매우 부정’ 응답은 전혀 없었다. 자유전공학부는 48명(97.9%)로 가장 높은 학습 만족도를 보였고, 부정적인 응답은 전혀 없었다. 경영 대학도 38명(92.7%)으로 높은 만족도를 보였다. 인문 사회 대학은 33명(86.5%), 공과 대학은 48명(86.2%)이 만족했다. 대학별 ChatGPT를 활용한 SW 교육은 학습자들에게 매우 긍정적으로 받아들여지고 있다.
<표 9>
ChatGPT 활용 SW 교육 만족도
| 대학 | n/% | ChatGPT 활용 SW 교육 만족 | ||||||
|---|---|---|---|---|---|---|---|---|
|
|
||||||||
| 전혀 그렇지 않다 | 그렇지 않다 | 보통이다 | 그렇다 | 매우 그렇다 | 합계 | χ² (p) | ||
| 자유전공학부 | n | 0 | 0 | 1 | 23 | 25 | 49 | 11.203* |
|
|
||||||||
| % | 0.0 | 0.0 | 2.0 | 46.9 | 51.0 | 100.0 | ||
|
|
||||||||
| 인문 사회 | n | 0 | 0 | 5 | 11 | 21 | 37 | |
|
|
||||||||
| % | 0.0 | 0.0 | 13.5 | 29.7 | 56.8 | 100.0 | ||
|
|
||||||||
| 경영 | n | 0 | 0 | 3 | 10 | 28 | 41 | |
|
|
||||||||
| % | 0.0 | 0.0 | 7.3 | 24.4 | 68.3 | 100.0 | ||
|
|
||||||||
| 공대 | n | 0 | 1 | 5 | 17 | 31 | 54 | |
|
|
||||||||
| % | 0.0 | 1.9 | 9.3 | 31.5 | 54.7 | 100.0 | ||
|
|
||||||||
| 합계 | n | 0 | 1 | 14 | 61 | 105 | 181 | |
|
|
||||||||
| % | 0.0 | 0.6 | 7.7 | 33.7 | 58.0 | 100.0 | ||
4.4. ChatGPT 활용 권장 단계
대학별 ChatGPT 활용 권장 단계를 알아보기 위해 교차 분석을 실시하였다. <표 10>에 기술된 바와 같이, 카이제곱 값이 17.815이고 유의 수준 0.05에서 유의 확률 0.273이므로 대학별 ChatGPT 활용 권장 단계는 서로 연관성이 없는 것으로 나타났다. SW 교육을 위한 Python 프로그래밍 언어 사용에 있어 CahtGPT 활용 권장 단계를 분석하면 전체 응답자 181명 중 가장 많은 75명(41.4%)이 ‘프로젝트 작업’ 단계에서의 활용을 권장했으며, 두 번째로는 55명(30.4%)으로 ‘모든 단계에서 사용’을 권장했다. 이는 ChatGPT가 단순한 코드 생성보다는 실제 애플리케이션 개발과 같은 포괄적인 코딩 프로젝트 해결 및 과정 전반의 효율성 증대에 유용한 도구로 인식되고 있음을 시사한다. 반면, ‘변수’, ‘조건문’, ‘반복문’과 같은 기초적인 코딩 단계에서의 활용 권장 비율은 상대적으로 낮았다. [그림 2]는 ChatGPT 활용 권장 단계를 시각적으로 표현한 것으로 대학별로 살펴보면, 자유전공학부와 경영 대학이 ChatGPT 활용 권장 단계에서 ‘프로젝트 작업’ 26명(53.1%), 18명(43.9%)으로 높게 권장하였고, 이는 프로젝트 작업에 ChatGPT의 필요성을 강하게 느끼는 것으로 해석될 수 있다. 반면, 인문 사회대학과 공과 대학은 ‘모든 단계에서 사용’을 각각 14명(37.8%), 20명(37.0%)로 권장했는데, 이는 이들 대학 학생들이 ChatGPT를 특정 단계에 국한하지 않고 코딩 학습 및 프로젝트 전반에 걸쳐 포괄적으로 활용하고자 하는 경향을 나타낸다. 특히 공과대학의 경우 ‘프로젝트 작업’ 단독 권장 비율이 가장 낮아, 이미 프로젝트 수행 능력을 갖춘 학생들이 전체 워크플로우 내에서 ChatGPT를 보조적인 도구로 활용하려는 경향을 시사한다.
<표 10>
ChatGPT 활용 권장 단계
| 대학 | ChatGPT_활용 권장 단계 | ||||||||
|---|---|---|---|---|---|---|---|---|---|
|
|
|||||||||
| 변수 | 조건문 | 반목문 | 함수 | 프로젝트 | 모든 단계 | 전체 | χ²(p) | ||
| 자유전공학부 | n | 0 | 1 | 1 | 10 | 26 | 11 | 49 | 17.815* |
|
|
|||||||||
| % | 0.0 | 2.0 | 2.0 | 20.4 | 53.1 | 22.4 | 100.0 | ||
|
|
|||||||||
| 인문사회 | n | 1 | 1 | 1 | 6 | 14 | 14 | 37 | |
|
|
|||||||||
| % | 2.7 | 2.7 | 2.7 | 16.2 | 37.8 | 37.8 | 100.0 | ||
|
|
|||||||||
| 경영 | n | 1 | 4 | 1 | 7 | 18 | 10 | 41 | |
|
|
|||||||||
| % | 2.4 | 9.8 | 2.4 | 17.1 | 43.9 | 24.4 | 100.0 | ||
|
|
|||||||||
| 공대 | n | 1 | 4 | 6 | 6 | 17 | 20 | 54 | |
|
|
|||||||||
| % | 1.9 | 7.4 | 11.1 | 11.1 | 31.5 | 37.0 | 100.0 | ||
|
|
|||||||||
| 전체 | n | 3 | 10 | 9 | 29 | 75 | 55 | 181 | |
|
|
|||||||||
| % | 1.7 | 5.5 | 5.0 | 16.0 | 41.4 | 30.4 | 100.0 | ||
4.5. ChatGPT 활용 프로젝트 산출물 작업 분석
대학별 ChatGPT 활용 프로젝트 산출물 작업에 대한 만족에 대해 교차 분석을 실시하였다. <표 11>에 기술된 바와 같이, 카이제곱 값이 5.711이고 유의수준 0.05에서 유의 확률이 0.456이므로 대학별 ChatGPT 활용 프로젝트 산출물 작업 만족은 서로 연관성이 없는 것으로 나타났다.
<표 11>
ChatGPT 활용 프로젝트 산출물 작업 만족도
| 대학 | n/% | ChatGPT 활용 프로젝트 산출물 작업 만족도 | ||||||
|---|---|---|---|---|---|---|---|---|
|
|
||||||||
| 전혀 그렇지 않다 | 그렇지 않다 | 보통이다 | 그렇다 | 매우 그렇다 | 전체 | χ² (p) | ||
| 자유전공학부 | n | 0 | 0 | 2 | 27 | 20 | 49 | 5.711* |
|
|
||||||||
| % | 0.0 | 0.0 | 4.1 | 55.1 | 40.8 | 100.0 | ||
|
|
||||||||
| 인문 사회 | n | 0 | 0 | 0 | 15 | 22 | 37 | |
|
|
||||||||
| % | 0.0 | 0.0 | .0 | 40.5 | 59.5 | 100.0 | ||
|
|
||||||||
| 경영 | n | 0 | 0 | 3 | 18 | 20 | 41 | |
|
|
||||||||
| % | 0.0 | 0.0 | 7.3 | 43.9 | 48.8 | 100.0 | ||
|
|
||||||||
| 공대 | n | 0 | 0 | 3 | 22 | 29 | 54 | |
|
|
||||||||
| % | 0.0 | 0.0 | 5.6 | 40.7 | 53.7 | 100.0 | ||
|
|
||||||||
| 전체 | n | 0 | 0 | 8 | 82 | 91 | 181 | |
|
|
||||||||
| % | 0.0 | 0.0 | 4.4 | 45.3 | 50.3 | 100.0 | ||
전체적으로 모든 대학에서 ChatGPT 활용에 대한 부정적인 인식은 전혀 없었으며, ‘보통’으로 평가한 비율 또한 최소 0.0%에서 최대 7.3%로 매우 낮아, 프로젝트 산출물 작업에서 ChatGPT 활용은 긍정적인 영향을 미친다고 인식됨을 알 수 있다. 특히 인문 사회대학은 긍정 응답이 37명(100%)으로 가장 높은 만족도를 보였다. 자유전공학부는 47명(95.9%), 공대 51명(94.4%)으로 프로젝트 작업에서 ChatGPT의 강력한 유용성을 크게 체감하고 있음을 시사한다. 경영대학은 ‘긍정적’ 43.9%, ‘매우 긍정적’ 48.8%로 다른 단과대에 비해 ‘긍정적’ 및 ‘매우 긍정적’의 합산 비율이 92.7%로 상대적으로 가장 낮았으며, ‘보통’ 응답 비율(7.3%)도 가장 높아, ChatGPT가 프로젝트 산출물 작업에 미치는 영향에 대해 다른 단과대 대비 상대적으로 미온적인 태도를 보임을 알 수 있다. 대부분의 단과대에서 ChatGPT는 프로젝트 산출물 작업에 매우 긍정적인 영향을 미친다고 평가했다.
4.6. ChatGPT 활용한 산출물 작업 창의력 향상
대학별 ChatGPT 활용 프로젝트 산출물 작업을 통한 창의력 향상에 대해 교차 분석을 실시하였다. <표 12>에 기술된 바와 같이, 카이제곱 값이 8.814이고 유의수준 0.05에서 유의 확률이 0.719이므로 단과대별 ChatGPT 활용 프로젝트 산출물 작업을 통한 창의력 향상은 서로 연관성이 없는 것으로 나타났다.
<표 12>
ChatGPT 활용 산출물 작업 창의력 향상
| Major (class) | n/% | ChatGPT 활용 산출물 작업 창의력 향상 | ||||||
|---|---|---|---|---|---|---|---|---|
|
|
||||||||
| 전혀 그렇지 않다 | 그렇지 않다 | 보통이다 | 그렇다 | 매우 그렇다 | 전체 | χ² (p) | ||
| 자유전공학부 | n | 0 | 0 | 11 | 25 | 13 | 49 | 8.814* |
|
|
||||||||
| % | 0.0 | 0.0 | 22.4 | 51.0 | 26.5 | 100.0 | ||
|
|
||||||||
| 인문 사회 | n | 1 | 3 | 8 | 17 | 8 | 37 | |
|
|
||||||||
| % | 2.7 | 8.1 | 21.6 | 45.9 | 21.6 | 100.0 | ||
|
|
||||||||
| 경영 | n | 0 | 3 | 9 | 17 | 12 | 41 | |
|
|
||||||||
| % | 0.0 | 7.3 | 22.0 | 41.5 | 29.3 | 100.0 | ||
|
|
||||||||
| 공대 | n | 1 | 1 | 10 | 27 | 15 | 54 | |
|
|
||||||||
| % | 1.9 | 1.9 | 18.5 | 50.0 | 27.8 | 100.0 | ||
|
|
||||||||
| 전체 | n | 2 | 7 | 38 | 86 | 48 | 181 | |
|
|
||||||||
| % | 1.1 | 3.9 | 21.0 | 47.5 | 26.5 | 100.0 | ||
ChatGPT 활용 산출물 작업 창의력 향상을 분석한 결과, 전반적으로 ChatGPT가 산출물 작업의 창의력 향상에 긍정적인 영향을 미친다는 인식이 지배적이다. 전체 응답자 중 74.0%가 ‘긍정적’ 또는 ‘매우 긍정적’으로 평가했으며, ‘매우 부정적’과 ‘부정적’ 응답은 각각 1.1%, 3.9%로 낮은 비중을 차지했다. 대학별 살펴보면, 자유전공학부는 ‘매우 부정적’ 및 ‘부정적’ 응답이 전혀 없었고, 77.5%가 긍정적 또는 매우 긍정적으로 평가하여 높은 만족도를 보였다. 특히 ‘긍정적’ 응답이 51.0%로 가장 높게 나타났다. 반면, 인문 사회 대학은 ‘매우 부정적(2.7%)’과 ‘부정적(8.1%)’ 응답이 있어, 모든 단과대 중 가장 높은 부정적 인식을 보였으며 (총 10.8%), 긍정적/매우 긍정적 응답 합계는 67.5%로 가장 낮았다. 경영 대학 역시 ‘부정적’ 응답이 7.3%로 존재했으나, 긍정적/매우 긍정적 응답은 70.8%로 나타났다. 공과 대학은 ‘보통’ 응답 비율(18.5%)이 가장 낮았고, ‘긍정적(50.0%)’과 ‘매우 긍정적(27.8%)’의 합산 비율이 77.8%로 모든 단과대 중 가장 높은 긍정적 평가를 보여, 공대생들이 ChatGPT가 산출물 창의력 향상에 크게 기여한다고 인식하고 있음을 시사한다. 대부분의 단과대에서 ChatGPT가 산출물 작업 과정의 창의력 향상에 긍정적인 도구로 인식되고 있으나, 일부 대학(인문사회, 경영, 공대)에서는 소폭의 부정적 인식이 존재하며, 특히 인문 사회 대학에서 부정적 응답 비율이 상대적으로 높았다.
4.7. ChatGPT 활용 산출물 작업 융합 역량 향상
대학별 ChatGPT 활용 프로젝트 산출물 작업을 통한 융합 역량 향상에 대해 교차 분석을 실시하였다. <표 13>에 기술된 바와 같이, 카이제곱 값이 8.044이고 유의 수준 0.05에서 유의 확률이 0.530이므로 대학별 ChatGPT 활용 프로젝트 산출물 작업을 통한 융합 역량 향상은 서로 연관성이 없는 것으로 나타났다. 대부분 대학에서 ChatGPT가 프로젝트 산출물 작업의 융합 능력 향상에 긍정적인 영향을 미친다고 인식하고 있었다. 전체 응답자 중 83.4%가 ‘긍정적’ 또는 ‘매우 긍정적’으로 평가했으며, ‘부정적’ 응답은 전혀 없었고, ‘매우 부정적’은 1.1%에 불과했다. 특히 공과 대학은 긍정이 88.8%로 모든 단과대 중 가장 높아, 공대 학생들이 ChatGPT가 산출물 작업의 융합 능력을 향상시키는 데 매우 효과적인 도구라고 강력하게 인식하고 있음을 보여준다. 또한 ‘보통’ 응답 비율도 9.3%로 가장 낮았다. 자유전공학부 또한 긍정적/매우 긍정적 응답 합계가 83.6%로 높았으며, 특히 ‘긍정적’ 응답이 57.1%로 두드러졌다. 반면, 인문사회대학은 긍정적/매우 긍정적 응답 합계가 78.3%로 가장 낮았고, ‘보통’ 응답 비율이 21.6%로 가장 높아, 다른 단과대에 비해 ChatGPT가 융합능력 향상에 미치는 영향에 대해 다소 유보적이거나 중립적인 시각을 가진 응답자가 상대적으로 많음을 시사한다. 경영대학은 ‘매우 긍정적’ 응답이 41.5%로 자유전공학부와 인문사회대학보다 높게 나타났으나, ‘매우 부정적’ 응답이 2.4%로 유일하게 존재하여 소수의 부정적 인식을 보이기도 했다. 종합적으로, ChatGPT는 프로젝트 산출물 작업의 융합능력 향상에 대부분 긍정적인 기여를 하는 것으로 평가받고 있으며, 특히 이공계열인 공대에서 그 유용성에 대한 인식이 가장 높게 나타났다.
<표 13>
ChatGPT 활용 산출물 작업 융합 역량 향상
| Major (class) | n/% | ChatGPT 활용 산출물 작업 융합능력 향상 | ||||||
|---|---|---|---|---|---|---|---|---|
|
|
||||||||
| 전혀 그렇지 않다 | 그렇지 않다 | 보통이다 | 그렇다 | 매우 그렇다 | 전체 | χ² (p) | ||
| 자유전공학부 | n | 0 | 0 | 8 | 28 | 13 | 49 | 8.044* |
|
|
||||||||
| % | 0.0 | 0.0 | 16.3 | 57.1 | 26.5 | 100.0 | ||
|
|
||||||||
| 인문 사회 | n | 0 | 0 | 8 | 18 | 11 | 37 | |
|
|
||||||||
| % | 0.0 | 0.0 | 21.6 | 48.6 | 29.7 | 100.0 | ||
|
|
||||||||
| 경영 | n | 1 | 0 | 7 | 16 | 17 | 41 | |
|
|
||||||||
| % | 2.4 | 0.0 | 17.1 | 39.0 | 41.5 | 100.0 | ||
|
|
||||||||
| 공대 | n | 1 | 0 | 5 | 26 | 22 | 54 | |
|
|
||||||||
| % | 1.9 | 0.0 | 9.3 | 48.1 | 40.7 | 100.0 | ||
|
|
||||||||
| 전체 | n | 2 | 0 | 28 | 88 | 63 | 181 | |
|
|
||||||||
| % | 1.1 | 0.0 | 15.5 | 48.6 | 34.8 | 100.0 | ||
4.8. ChatGPT 프로젝트 활용 용도
프로젝트 작업에서 ChatGPT사용 용도는 <표 14>, [그림 3]에 표시된 바와 같이 총 419건의 응답(n)과 231.5%에 달하는 ‘% of cases %’를 통해 한 응답자가 여러 목적에 ChatGPT를 활용하고 있음을 보여 준다. ChatGPT는 프로젝트 작업에서 코딩(64.6%) 및 디버깅(49.7%) 목적으로 가장 빈번하게 활용되고 있으며, 이는 ChatGPT가 프로젝트 산출물 개발 및 문제 해결 과정에서 핵심적인 기술 지원 도구로 강력하게 기능하고 있음을 시사한다. 또한, 특정 문법 사용법(34.8%), 함수 사용법(33.7%) 등 구체적인 프로그래밍 지식 습득 및 적용에도 높은 활용도를 보이며, 사용자들이 실질적인 개발 생산성 향상을 위해 ChatGPT를 적극적으로 활용하고 있음을 알 수 있다. 반면 프로젝트 계획 및 설계(16.6%), 주석 작성(16.0%), 프로젝트 주제 선정(16.0%)과 같은 기획 단계나 문서화 작업에서의 활용도는 상대적으로 낮은 수준을 보여주고 있다. ChatGPT의 활용이 창의적인 아이디어 도출이나 전략 수립보다는 구체적인 기술 구현 및 문제 해결에 집중되어 있음을 의미하며, 향후 연구에서는 이러한 활용 격차를 해소하고 ChatGPT의 활용 범위를 확장하기 위한 방안 모색이 필요하리라 본다.
5. 결론 및 제언
본 연구는 2025년 1학기 교양 필수 ‘컴퓨팅적 사고와 코딩기초’ 교과목을 수강한 S 대학교 1학년 학생 181명으로 자유전공학부 49명(26.9%), 인문 사회 대학 37명(20.3%), 경영 대학 41명(22.5%), 공과 대학 54명(30.2%) 1학년 신입생 대상이다. 교양 필수인 SW관련 교과목에 생성형 AI인 ChatGPT 활용하고 만족도와 ChatGPT의 활용 양상을 분석하였다.
분석 결과 첫째, ChatGPT 활용 SW 코딩 교육에 대한 학습 만족도는 전체 응답자 181명 중 91.7%가 긍정적으로 평가하여 전반적으로 매우 높은 만족도를 보였다. 부정적인 응답은 0.6%(1명)에 불과했으며, ‘매우 부정’ 응답은 없었다. 단과대별 만족도 간에는 통계적으로 유의미한 연관성이 없었으나, 학과별로는 미묘한 차이가 나타났다. 자유전공학부(97.9%)와 경영(92.7%)이 특히 높은 만족도를 보였으며, 인문 사회(86.5%)와 공대(86.2%)도 높은 만족도를 나타냈다. 다만 공대에서만 유일하게 1.9%(1명)의 부정 응답이 발생하였다. 이러한 결과는 학과별 사전 지식 수준, 교육에 대한 기대치, 또는 유용성 인식 차이에서 기인했을 가능성을 시사한다.
둘째. ChatGPT 사용 권장 단계를 분석한 결과, 단과대별 권장 단계 간에는 통계적으로 유의미한 연관성이 없었다. 전체 응답자의 41.4%가 ‘프로젝트 작업’ 단계에서 ChatGPT 활용을 가장 많이 권장했으며, 30.4%는 ‘모든 단계에서 사용’을 권장했다. 이는 ChatGPT가 단순한 코드 조각 생성보다는 포괄적인 코딩 프로젝트 해결 및 과정 전반의 효율성 증대에 유용한 도구로 인식되고 있음을 시사한다. ‘변수’, ‘조건문’, ‘반복문’과 같은 기초적인 코딩 단계에서의 활용 권장 비율은 상대적으로 낮았다. 대학별로 살펴보면, 자유전공학부(53.1%)와 경영대학(43.9%)은 ‘프로젝트 작업’에 대한 권장 비율이 높았고, 인문사회대학(37.8%)과 공과대학(37.0%)은 ‘모든 단계에서 사용’을 가장 높게 권장했다. 특히 공과대학의 경우 ‘프로젝트 작업’ 단독 권장 비율이 가장 낮아, 이미 프로젝트 수행 능력을 갖춘 학생들이 전체 워크플로우 내에서 ChatGPT를 보조적인 도구로 활용하고 있음을 알 수 있다.
셋째, ChatGPT 활용 프로젝트 산출물 작업에 대해 단과대별 만족도 간에는 통계적으로 유의미한 연관성이 없었다. 모든 단과대에서 ChatGPT 활용에 대한 부정적인 인식은 전혀 없었으며, 대부분 긍정적인 영향을 미친다고 인식되었다. 특히 인문사회대학(59.5% 매우 긍정적)과 공과대학(53.7% 매우 긍정적)은 프로젝트 산출물 작업에서 ChatGPT의 강력한 유용성을 크게 체감하고 있었다. 경영대학은 92.7%로 다른 단과대에 비해 상대적으로 낮았으며, ‘보통’ 응답 비율(7.3%)도 가장 높아 상대적으로 미온적인 태도를 보였다. 이러한 결과는 ChatGPT가 비전공 학생들의 SW교육 프로젝트 산출물 작업에 전반적으로 매우 긍정적인 도움을 주고 있음을 보여준다.
넷째, ChatGPT 활용 산출물 작업이 창의력 향상에 미치는 영향을 분석한 결과, 단과대별 창의력 향상 인식 간에는 통계적으로 유의미한 연관성이 없었다. 전체 응답자의 74.0%가 긍정적 또는 매우 긍정적으로 인식하여, ChatGPT가 창의력 향상에 긍정적인 영향을 줄 수 있다고 생각한다. 공과 대학은 긍정적/매우 긍정적 합산 비율이 77.8%로 가장 높아, ChatGPT가 산출물 창의력 향상에 크게 기여한다고 인식하는 것으로 나타났다. 반면, 인문사회대학은 10.8%가 부정적 인식을 보여 모든 단과대 중 가장 높은 부정적 비율을 나타냈다. 이는 ChatGPT의 창의력 기여에 대한 인식이 전공별로 상이할 수 있음을 시사한다.
다섯째, ChatGPT 활용 프로젝트 산출물 작업이 융합 능력 향상에 미치는 영향을 분석한 결과, 단과대별 융합 능력 향상 인식 간에는 통계적으로 유의미한 연관성이 없었다. 전체 응답자의 83.4%가 긍정적으로 평가하여, ChatGPT가 융합 능력 향상에 대부분 긍정적인 기여를 하는 것으로 나타났다. 특히 공대는 긍정적인 응답 합계가 88.8%로 모든 단과대 중 가장 높아, ChatGPT가 융합 능력을 향상시키는 데 매우 효과적인 도구라고 강력하게 인식하고 있음을 보여주었다. 인문 사회대학은 긍정적/매우 긍정적 응답 합계가 78.3%로 가장 낮았으며, ‘보통’ 응답 비율이 21.6%로 가장 높아 다소 유보적인 시각을 가진 응답자가 많음을 시사한다.
여섯째, ChatGPT의 구체적인 활용 목적을 다중 응답 방식으로 분석한 결과, 총 419건의 응답이 수집되었으며, ChatGPT는 코딩(64.6% of cases) 및 디버깅(49.7% of cases) 목적으로 가장 빈번하게 활용되고 있으며, 이는 ChatGPT가 소프트웨어 개발 및 문제 해결 과정에서 핵심적인 기술 지원 도구로 강력하게 기능하고 있음을 시사한다. 또한, 특정 문법 사용법(34.8% of cases)과 함수 사용법(33.7% of cases) 등 구체적인 프로그래밍 지식 습득 및 적용에도 높은 활용도를 보이며, 사용자들이 실질적인 개발 생산성 향상을 위해 ChatGPT를 적극적으로 활용하고 있음을 알 수 있다. 반면, 프로젝트 계획 및 설계(16.6% of cases), 주석 작성(16.0% of cases), 프로젝트 주제 선정(16.0% of cases)과 같은 기획 단계나 문서화 작업에서의 활용도는 상대적으로 낮은 수준을 보였다. 이는 ChatGPT의 활용이 창의적인 아이디어 도출이나 전략 수립보다는 구체적인 기술 구현 및 문제 해결에 집중되어 있음을 의미한다. 대학별 ChatGPT 활용 목적은 공대 학습자들은 코딩(31.6%), 함수 사용법(32.8%), 디버깅(30.0%) 등 기술 구현 및 문제 해결 목적으로 가장 높은 활용 비중을 나타냈다. 이는 ChatGPT가 이공계열의 개발 생산성 향상에 핵심적인 도구로 강력하게 기능하고 있음을 보여준다. 자유전공 학생들은 주석 작성(37.9%)과 디버깅(26.7%)에서 가장 높은 활용도를 보였는데, 이는 코드 가독성 향상 및 오류 해결에 대한 높은 관심을 반영하는 것으로 해석될 수 있다. 인문사회 계열은 프로젝트 주제 선정(13.8%)과 프로젝트 계획 및 설계(13.3%) 등 초기 기획 단계에서의 ChatGPT 활용이 상대적으로 가장 낮았으며, 전반적인 활용 목적에서 다른 전공 대비 낮은 참여율을 보였다. 경영 대학은 프로젝트 주제 선정(31.0%)과 특정 문법 사용법(27.0%)에서 비교적 높은 활용도를 나타냈는데, 이는 경영 전공자들이 기획 단계의 아이디어 탐색이나 특정 도구 사용법 학습에 ChatGPT를 활용하는 경향이 있음을 시사한다. 이처럼 각 전공의 특성과 학습 요구 사항에 따라 SW 교육에서 AI 도구의 활용 양상이 상이하게 나타남을 보여주며, 향후 대학별 맞춤형 AI 교육 및 활용 전략 개발에 중요한 기초 자료가 될 것이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
