2.6.1. TF-IDF 가중치 분석

TF-IDF 분석은 문헌 코퍼스 내 개별 용어의 상대적 중요도를 산출하는 통계 기반 가중치 기법으로, 문서 내 등장 빈도와 전체 문헌 집합에서의 희소성을 통합하여 주제를 대표하는 핵심어를 식별하는 데 활용된다(Robertson, 2004). 본 연구는 교양교육과 인공지능 관련 연구의 주제적 특징을 정량적으로 탐색하기 위한 기초 단계로서 TF-IDF 분석을 수행하였다.

TF-IDF 분석은 다음의 목적에 따라 적용되었다. 첫째, 교양교육과 AI 연구에서 반복적으로 등장하는 핵심 개념을 식별하여 연구 경향을 구성하는 중심 어휘군을 파악하고자 하였다. 둘째, 분석 기간에 따른 용어 분포 변화를 비교할 수 있도록 어휘 벡터를 구축하여 향후 시계열적 분석이 가능하게 하였다. 셋째, TF-IDF에서 산출된 가중치는 이후 군집화 과정의 입력 변수로 활용되어 군집 모델의 초기 중심 설정과 구조적 안정성 확보에 기여하였다.

분석 과정에서는 국영문 병행 문헌의 특성을 고려하여 n-gram 범위(1-2)를 적용하였으며, 복합 개념(예: 프롬프트 설계, AI 윤리)의 의미 보존을 위해 바이그램(bigram)과 트라이그램(trigram)을 추가로 처리하였다. 또한 희귀어(min_df=2) 및 과빈도어(max_df=0.85)를 제거하여 통계적 왜곡을 방지하였고, 정제된 용어 행렬은 지도학습 및 임베딩 분석과 연계될 수 있도록 표준화하였다.

2.6.2. Naive Bayes 기반 주제 분류 절차

Naive Bayes 분류는 문헌별 주제적 소속을 자동화하여 분석의 일관성과 효율성을 높이기 위한 지도학습 기반 분류 기법으로 적용하였다(Murphy, 2012). 본 연구에서는 사전에 구축한 코드북을 기준으로 다섯 개의 상위 주제범주(①AI 리터러시 및 윤리, ②생성형 AI 기반 교수학습 설계, ③학습자 평가 및 피드백, ④교양교육 정책 및 철학, ⑤교원 역량 및 AI 연수)를 정의하고, 이를 지도학습 분류를 위한 분석 범주로 설정하였다. 모델 학습은 TF-IDF 가중치 행렬을 입력값(feature matrix)으로 사용하였으며, 단어 분포 기반 분류에 적합한 Multinomial Naive Bayes 알고리즘을 적용하였다. 과적합(overfitting)을 방지하기 위해 5-fold 교차검증을 하였으며, 정확도(accuracy), 정밀도(precision), 재현율(recall), F1-score를 기반으로 모델의 성능을 검증하였다. 또한 자동 분류 결과의 타당성을 확보하기 위해 전체 문헌 중 20%를 무작위 추출하여 연구자 2인이 독립적으로 이중 코딩(double-coding)을 수행하였다. 자동 분류와 연구자 코딩 간의 일치도는 Cohen’s κ 계수를 활용하여 평가하였고, 대부분의 범주에서 .80 이상의 합치도가 도출되어 분류결과의 신뢰성을 확보하였다. 불일치 사례는 제3의 연구자가 조정하여 최종 라벨을 확정하였다.

2.6.3. S-BERT 임베딩 및 K-평균 군집화 절차

문헌 간 의미 기반 유사도 분석을 위해 S-BERT 임베딩 모델을 활용하여 텍스트를 벡터화하였다(Reimers & Gurevych, 2019). S-BERT는 문장 단위 의미 정보를 효율적으로 반영하는 신경망 기반 임베딩 구조로, 기존의 단어 기반 토픽 모델(LDA 등)이 가진 의미적 한계를 보완한다는 점에서 광범위하게 사용되고 있다. 본 연구는 사전 학습된 all-MiniLM-L6-v2 모델을 적용하여 각 문헌 초록을 384차원의 임베딩 벡터로 변환하였다. 해당 모델은 문장 수준의 의미 정보를 효율적으로 압축하도록 설계된 경량(sentence-level) 임베딩 모델로, 각 문장을 384차원의 고정 길이 벡터로 표현함으로써 의미적 유사도 계산과 군집 분석에 적합한 표현력을 제공한다(Reimers & Gurevych, 2019).

생성된 임베딩 벡터는 정규화 과정을 거친 후 K-평균 군집화의 입력 자료로 활용하였다. 군집화 과정에서는 군집 수에 따른 구조적 특성을 검토하기 위해 엘보우(elbow) 기법과 실루엣 계수(silhouette score)를 병행하여 최적 군집 수를 탐색하였다. 또한 군집 결과의 해석 타당성을 확보하기 위해 군집 유형별 핵심어(TF-IDF 상위 가중치 20개)와 사전에 정의된 자동 분류 범주 간의 일치도를 교차 검토하였다. 이를 통해 교양교육 분야에서 AI 활용 연구가 어떠한 주제 영역을 중심으로 분포하고 있는지를 구조적으로 분석하고자 하였다.

2.6.4. LLM 기반 요약 및 정성 검증 절차

군집 유형별로 도출된 논문군의 의미 구조를 더욱 명료하게 파악하기 위해, GPT-4o 기반 대규모 언어모델(LLM)을 활용하여 군집 단위 요약문을 생성하였다. 군집 유형별 대표 논문을 중심으로 초록을 결합하여 입력하였으며, 모델은 해당 군집의 핵심 어휘, 문제의식, 연구 목적, 적용된 AI 기술의 특성 등을 요약하였다. 자동 생성 요약문은 해석 오류, 과일반화, 누락 여부를 점검하기 위해 연구자 검증 절차를 병행하였다. 두 명의 연구자가 독립적으로 원문과 요약문의 일치성을 확인했으며, 내용 왜곡 또는 불일치가 확인된 경우 수동 보정을 하였다. 이 과정은 LLM 요약이 단독 분석결과로 사용되는 것을 방지하고, 정량 분석과 정성 해석이 균형 있게 결합하도록 하기 위한 절차이다.

2.6.5. 신뢰도 및 타당도 확보 전략

연구방법의 타당성과 재현성 확보를 위해 다음과 같은 다층적 검증 전략을 적용하였다. 첫째, 문헌 선정 단계는 PRISMA 2020 지침을 준수하여 포함 및 제외 기준과 선택 사유를 명시적으로 기록하였다. 둘째, 텍스트 분석 과정에서는 전처리 규칙(min_df, max_df, n-gram 범위), S-BERT 모델 선택, K값 결정 등의 하이퍼파라미터를 사전 고정하여 분석의 안정성을 유지하였다. 셋째, 자동 분류 결과는 연구자 이중 코딩으로 교차 검증하였으며, Cohen’s κ ≥ .80을 기준으로 신뢰도를 확보하였다. 넷째, 군집 분석 타당성을 보완하기 위해 대표 본문을 추가로 추출하여 군집 유형별 주제 해석의 일치 여부를 검토하였다. 다섯째, 코드, 불용어 사전, 전처리 규칙, 분석 환경(Python 3.10, scikit-learn 1.3, sentence-transformers 2.2)을 문서화하여 연구의 재현 가능성을 충족하였다.

3.1.1. 연도별 논문 수 변화와 전반적 추세

분석 대상 137편의 논문은 전체적으로 완만한 증가, 급격한 성장, 재편 및 다양화의 세 단계를 거치는 양상을 보였다. 첫째, 도입기(2018-2019)에는 논문 수가 매우 제한적이었으며, AI 자체보다는 4차 산업혁명, 자동화, 프로페셔널리즘의 위기, 대학 교양교육의 역할과 같은 거시 담론 속에서 AI가 부수적으로 다루어지는 경향이 강하였다(서동은, 2019; 정연재, 2020). 이 시기의 연구들은 AI 교육의 구체적 커리큘럼보다는, AI 시대에 교양교육이 무엇을 지향해야 하느냐는 철학적, 규범적 질문을 중심으로 논의를 전개하였다.

둘째, 확산 및 구조화 단계(2020-2022)에는 AI 교양교육을 표제로 내세운 실질적 교육과정 개발 수업 설계 연구가 뚜렷하게 증가하였다. 대학 SW, AI 기초교양, AI 리터러시 교과목, 비전공자 대상 AI 기초 교육, 경험학습 기반 AI 프로그램, SSI(과학 관련 사회 쟁점)를 활용한 인공지능 교양 교과 등 구체적인 교과목 설계와 사례 분석이 본격적으로 등장하였다(박미현 외, 2021; 이경희, 2023; 전수진, 2021). 이 시기는 ‘AI를 해야 한다’라는 선언적 담론에서 벗어나, ‘어떤 내용을, 어떤 방식으로, 누구에게 가르칠 것인가’라는 실천적 질문에 답하려는 시도가 두드러진 시기라 할 수 있다.

셋째, 전환 및 재편 단계(2023-2025. 상반기)에는 2022년 말 등장한 GPT를 포함한 생성형 AI를 직접적으로 다루는 교양교육 연구가 급증했다. GPT 이해와 활용, 생성형 AI 시대의 교양교육, 생성형 AI를 활용한 인문 교양교육, 생성형 AI 가이드 라인과 리터러시 등과 같이 생성형 AI를 교양교육의 핵심 환경 변화로 인식하는 논문들이 집중적으로 출현하였다(김종숙 외, 2025; 박지현, 박종진, 2024; 서민규 외, 2024; 이유미, 박윤수, 2024). 이 시기에는 교육 내용뿐 아니라 표절, 윤리, 가이드 라인, 학생, 교수자의 인식 등 제도와 윤리적 구조도 함께 논의되기 시작하였다.

이처럼 국내 AI 교양교육 연구는 도입기(담론 중심), 확산기(프로그램과 과정 중심), 전환기(생성형 AI와 윤리, 리터러시 중심)라는 시간적 경향을 보였으며, 특히 전환기 이후에는 AI가 단일 기술이 아니라 교양교육의 내용, 방법, 평가, 제도 전반을 재구성하는 요인으로 인식되고 있음을 확인할 수 있었다.

3.1.2. 학문 분야 및 학술지 분포

학술지 분포를 살펴보면, 연구들은 크게 교양교육, 교육학 중심 학술지, 컴퓨터, 정보, 디지털콘텐츠 관련 학술지, 융합, 인문사회, 철학 계열 학술지로 나뉘었다. 첫째, 교양교육 분야 학술지(예: 교양교육연구, 교양교육과 시민, 대학교양교육연구)에서는 AI 기술을 교양교육의 정체성, 인문 교양교육의 역할, AI 시대 시민성 및 인간다움 교육과 연계하여 논의하는 연구가 주를 이루었다(박남기, 2020; 서민규 외, 2024; 장수미, 2021). 이러한 연구들은 AI 기술 변화가 대학 교양교육의 철학적, 사회적 책무를 어떻게 재규정하는지에 초점을 둔다.

둘째, 컴퓨터, 정보, 교육공학 계열 학술지(예: 컴퓨터교육학회 논문지, 정보교육학회논문지, 한국컴퓨터정보학회논문지, 한국정보통신학회논문지)에서는 AI 역량, 컴퓨팅 사고력, SW 기초 교양교육, 디지털 리터러시의 효과와 구조를 검증하는 실증 연구가 주로 발표되었다(박윤수, 이유미, 2021; 유수진 외, 2022; 장은실, 오경선, 2023). 이 범주의 연구는 비전공자 중심 AI 교육, 기초 역량 강화, 프로그래밍 기반 교양과정 등 교육과정 개발과 정량 분석 중심의 연구 경향을 보여준다.

셋째, 융합, 인문사회, 철학 계열 학술지(예: 문화와 융합, 디지털콘텐츠학회논문지, 현대유럽철학연구, 공학교육연구)에서는 AI를 철학, 예술, 미디어, 공학 교육과 접목하여 인문학적 성찰, 창의적 표현, 기술-인간관계 재해석 등을 다룬 융합형 연구가 다수 확인되었다(서동은, 2019; 윤주한, 2024; 홍석민, 2024).

종합하면, AI 교양교육 연구는 특정 학문 분야에 한정되지 않고, 교육학, 교양교육, 컴퓨터교육, 인문학, 융합학문 전반에 걸쳐 다학제적으로 확장되는 연구 흐름을 형성하고 있다. 이는 AI가 단순한 교수학습 도구를 넘어, 대학 교양교육의 철학, 내용, 방법, 평가 전반에 구조적 변화를 요구하는 범학문적 의제로 자리매김하고 있음을 보여준다.

3.2.1. TF-IDF 기반 핵심 주제어 중요도 분석

TF-IDF 분석을 통해 국내 AI 교양교육 연구에서 반복적으로 등장하는 주요 개념어를 도출한 결과, 연구들은 ‘생성형 AI’, ‘글쓰기 교육’, ‘AI 윤리’, ‘AI 리터러시’, ‘비전공자 교육’을 중심축으로 형성되고 있음이 확인되었다. 이는 국내 교양교육 맥락에서 AI 활용 논의가 최신 생성형 기술에 대한 대응, 기초 소양 강화, 윤리적 판단 능력 함양이라는 세 축을 중심으로 구조화되어 있음을 시사한다. 이 결과는 <표 2>에 제시되어 있으며, 교양교육 논의가 단순 기술 사용의 문제를 넘어, 역량-윤리-교수법-평가-콘텐츠 창작으로 확장되고 있음을 보여준다.

<표 2>

TF-IDF 기반 핵심 주제어 중요도 분석결과

3.2.2. S-BERT 기반 의미 군집화(K=6)

S-BERT 임베딩 및 K-평균 군집화 결과, 국내 AI 교양교육 연구는 총 6개 주요 주제군으로 구조화되었다. 각 군집은 문헌의 의미적 유사성을 기반으로 분류되었으며, TF-IDF 핵심어, GPT 요약 결과와 대표 논문들을 종합해 군집명을 도출하였다. <표 3>에 제시된 군집 분포를 보면, C4 군집이 38편(27.7%)으로 가장 높은 비중을 차지하였으며, C1 군집은 35편(25.5%), C2 군집은 28편(20.4%), C3 군집은 19편(13.9%)으로 나타났다. 반면 C5(8편, 5.8%)와 C6(9편, 6.6%) 군집은 상대적으로 소수의 연구로 구성되어 있었다. 또한 제시된 여섯 개 군집은 AI 교양교육의 연구 흐름이 기초, 설계, 지원, 평가, 윤리, 창의성의 전 범위를 아우르는 다층적 구조로 되어 있음을 보여준다.

<표 3>

S-BERT 기반 의미 군집화 분석결과

군집 구조의 응집도와 분리도를 확인하기 위해 실루엣 계수를 산출한 결과, 전체 평균 실루엣 계수는 .034로 나타났다. 일반적으로 실루엣 계수는 값이 높을수록 군집 간 경계가 명확함을 의미하지만, 본 연구와 같이 연구 주제 간 개념적 연관성과 중첩 가능성이 높은 교육 연구 코퍼스를 대상으로 한 의미 기반 군집 분석에서는 상대적으로 낮은 계수가 도출되는 경향이 보고된 바 있다(Chen et al., 2024). 또한 본 연구에서는 실루엣 계수를 단독 판단 기준으로 사용하지 않고, 엘보우 기법을 통해 군집 수 증가에 따른 구조적 안정성 변화를 함께 검토하였다. 그 결과 K=6에서 군집 내 응집도 감소 추이가 완만해지는 굴절점이 확인되었으며, 동일 범위 내 다른 K값들과 비교했을 때 실루엣 계수 역시 상대적으로 안정적인 수준을 보여 최적 군집 수로 판단하였다.

본 결과는 군집이 통계적으로 무작위적이거나 불안정하다는 의미라기보다는, 국내 AI 교양교육 연구가 생성형 AI 활용 수업, 기초 AI 소양, 교수⋅학습 설계, 학습자 경험, 윤리 및 사회문화적 논의 등 인접한 주제 영역들이 상호 분절되지 않은 채 연속적⋅중첩적으로 축적되어 왔음을 반영하는 것으로 해석할 수 있다. 즉, 본 연구에서 도출된 군집 구조는 명확히 분리된 토픽 집합이라기보다는, AI 교양교육 연구 담론이 형성해 온 주제적 지형과 연결 구조를 드러내는 의미적 분포로 이해하는 것이 타당하다.

3.2.3. 군집별 심층 분석

S-BERT 임베딩과 K-평균 군집화를 통해 도출된 여섯 개 군집(C1-C6)은 국내 AI 교양교육 연구가 기술 중심 접근을 넘어, AI 시대의 시민성, 윤리, 리터러시, 창의성을 교양교육의 핵심 목표로 재구조화하는 방향으로 확장되고 있음을 보여준다. 전반적으로 AI와 전통 인문 교양은 분리된 축이 아니라 상호 보완적으로 결합하며, 교양교육의 정체성과 역할이 새로운 방식으로 재편되고 있다.

우선 C1 연구들은 AI 기술을 단순한 교수학습 도구가 아니라 인간, 가치, 사회와의 관계를 다시 묻는 인문학적 주제로 다룬다. 생성형 AI의 편향, 책임성, 인간-기계 공존과 같은 문제를 탐구하며, 교양교육이 기술적 효율성을 넘어서 철학적, 윤리적 사고를 확장하는 장이 되어야 함을 강조한다. 예컨대 여성학 수업에서 ChatGPT의 젠더 편향을 분석하게 한 연구(엄혜진, 2025)나 SF 문학을 통해 로봇 윤리를 논의한 연구(이경희, 2018)는 AI 시대의 교양교육이 비판적 성찰을 중심에 두어야 한다는 점을 보여준다.

C2 연구들은 생성형 AI, 특히 ChatGPT를 활용한 글쓰기, 문해력 교육을 중심으로 한다. 학습자들은 아이디어 생성, 구조화, 문장 교정 등에서 AI를 활용해 부담을 줄인다고 인식하지만, 출처 불명확성, 신뢰성 문제, 표절 위험 등 윤리적 쟁점을 꾸준히 지적한다. ChatGPT 기반 글쓰기 수업에서 시간 절감 효과와 동시에 무비판적 수용이 초래하는 문제를 드러낸 연구(오선경, 2023)나, AI 텍스트와 학습자 글을 비교 분석하여 AI 리터러시를 향상시키는 비교학습 전략을 제시한 연구(김민지, 2024)는 생성형 AI 환경에서 문해력의 핵심이 단순 산출 능력이 아닌 비판적 검증으로 이동하고 있음을 시사한다.

C3은 비전공자 대상 AI/SW 기초 교육을 중심으로, 수준별, 단계별 교육과정 설계의 필요성을 제기한다. 학생들이 수학, 통계 프로그래밍 등에 높은 부담을 느낀다는 진단을 바탕으로, 흥미와 선행 지식을 고려한 맞춤형 교과 구성이 강조된다. Engaged Learning 기반의 수준별 교양 AI 교육과정 개발(노은희, 조문기, 2024)이나 IPA 분석을 통해 윤리, 사회적 영향 등 난도 낮은 주제를 교육의 출발점으로 배치한 연구(박주연, 2021)는 AI 교양교육의 설계가 ‘누구에게 무엇을 어떤 순서로 가르칠 것인가’라는 교육과정 문제로 이동하고 있음을 보여준다.

C4와 C5는 모두 AI 기반 학습 지원과 평가를 다루지만, 초점이 다르다. C4는 적응형 학습 시스템과 AI 평가 도구의 활용을 중심으로 학습 환경의 변화를 분석하며, ALEKS와 같은 시스템이 개인화된 학습 경로를 제공해 성취와 자기 주도성을 높였다는 결과가 보고된다. 대규모 교양 강좌에서 AI 서술형 평가 시스템 도입 후 학습 충실도와 피드백 만족도가 향상됐다는 연구도 이를 뒷받침한다. C5는 AI 역량과 컴퓨팅 사고력의 관계를 실증적으로 검증하여, 실습 중심 수업이 두 역량 향상에 효과적이라는 결과(유수진 외, 2022)나 AI 리터러시의 이해, 적용, 규범 차원을 포함하는 측정도구 개발 연구(정연재, 주소영, 2025)를 통해, AI 활용 교양교육이 근거 기반 교육으로 이동하고 있음을 보여준다.

마지막 C6은 이미지 생성 AI와 같은 도구를 활용한 창의적 콘텐츠 제작과 융합 교육에 주목한다. 이미지 생성 AI를 철학적 관점에서 해석하며 융합 교양교육의 방향을 모색한 연구나, AI 생성 이미지, 시와 같은 텍스트를 기반으로 의미를 재구성하여 영상을 제작하는 과정을 분석한 연구는 AI가 새로운 표현 방식과 상상력의 매개로 기능할 수 있음을 보여준다(이현정, 2024). 이러한 흐름은 교양교육이 기술 사용법과 윤리 규범을 넘어서 예술, 미디어, 철학을 교차하는 창의적 경험의 장이 될 수 있음을 시사한다.

종합하면, C1부터 C6에 이르는 연구들은 국내 AI 교양교육이 윤리적 성찰, 생성형 AI 기반 문해력, 비전공자 대상 기초 소양, 적응형 학습, AI 평가 시스템, AI 역량의 실증 분석, 창의 융합적 콘텐츠 활동 등으로 폭넓게 분화되고 있음을 보여준다. 동시에 이들 군집은 상호 분리된 영역이 아니라, 비판적, 창의적 리터러시와 윤리적 기술 이해, 근거 기반 교육이라는 공통된 문제의식 아래 서로 연결되어 축적되고 있음을 보여준다. 이는 국내 AI 교양교육 연구가 일정한 방향성과 구조를 형성해 왔음을 보여주는 동시에, 현재 연구 담론이 어떠한 주제 축을 중심으로 집중⋅확장되어 왔는지를 비판적으로 점검할 수 있는 분석적 근거를 제공한다.

3.3.1. 국내 AI 교양교육 연구가 제시하는 교육적 시사점

첫째, AI 시대 교양교육의 정체성과 핵심 가치에 대한 재정의가 강조되고 있었다. C1 연구군에서는 생성형 AI 확산을 인간, 사회, 윤리 관점에서 이해하고 판단하는 능력이 교양교육의 필수 요소로 제시되었다(서동은, 2019; 장수미, 2021). 알고리즘 편향, 데이터 윤리, 자동화 사회의 인간성 등은 교양교육이 다루어야 할 새로운 교육적 의제로 부상하고 있었다.

둘째, 생성형 AI 기반 문해력과 언어, 글쓰기 교육의 중심성이 강화되고 있었다. C2 연구군의 글쓰기, 문해력 연구들은 ChatGPT 활용 전략, 프롬프트 리터러시, 생성형 텍스트의 해석과 검증 등을 교양교육의 핵심 역량으로 보고 있었다(김민지, 2024; 오선경, 2023). 학습자들은 AI를 활용해 글쓰기 과정의 부담을 줄이지만, 동시에 표절, 출처 문제, 사실 오류와 같은 위험성도 인식하고 있어, 비판적 리터러시의 중요성이 지속적으로 제기되고 있었다.

셋째, 비전공자를 위한 AI 데이터 기초 역량 교육이 교양교육의 필수 요소로 확장되고 있었다. C3 연구군은 비전공자의 부담, 학습 격차, 선행학습 수준을 고려한 단계별 AI 기초 교과 설계의 필요성을 강조하였다(노은희, 조문기, 2024; 박주연, 2021). 이는 AI 기초, 컴퓨팅 사고력이 새로운 대학 공통 교양으로 자리잡고 있음을 보여준다.

넷째, AI 기반 학습 지원과 평가 시스템의 고도화 가능성이 제시되고 있었다. C4 연구군에서는 적응형 튜터링, 자동 피드백, AI 기반 서술형 평가 도입 등 교수학습 운영상의 혁신을 다루는 연구가 증가하였다. 이러한 연구들은 AI 기반 평가가 대규모 교양 강좌에서 학습자 상태를 정밀하게 파악하고 교수자의 부담을 완화하며 피드백의 질을 향상할 수 있음을 보여주었다.

다섯째, AI 역량 및 컴퓨팅 사고력의 실증적 분석이 증가하고 있었다. C5 연구군은 AI 활용 능력의 하위 구성 요소를 측정하고 학습자의 성과 변화를 검증하는 실증 연구를 중심으로 이루어졌으며, AI 교양 역량 측정도구 개발 및 역량 구조 분석 연구가 등장하였다(유수진 외, 2022; 정연재, 주소영, 2025).

여섯째, AI를 활용한 창의 융합적 활동 중심 교양교육이 새로운 영역으로 확장되고 있었다. C6 연구군은 이미지 생성 AI, 텍스트 생성 모델 등을 활용해 창작, 미디어 제작, 융합 프로젝트를 수행한 연구를 제시하여, 교양교육이 예술, 철학, 기술을 결합한 창의적 경험의 장으로 재구성되고 있음을 보여주었다(홍석민, 2024).

3.3.2. 국내 AI 교양교육 연구에서 나타난 한계

첫째, 연구 주제 및 연구방법의 편중이 확인되었다. 윤리 담론 중심 연구(C1, C2)에 비해 실제 AI 도구를 수업에 적용한 실험 연구(C4)나 정량적 효과 검증(C5)은 상대적으로 부족하였다. 생성형 AI 기반 교수학습 실험은 주로 탐색적 수준에 머물러 있어, 정책적, 제도적 확장을 뒷받침할 근거가 충분하지 않았다.

둘째, 현장 적용성 측면에서 실증 연구가 부족했다. 다수의 연구가 문헌 분석, 인식 조사, 단기 사례 연구에 머물러 있어, 장기 추적 연구, 학습자 변인별 차이 분석, 효과 크기 기반 검증 등이 미흡하였다. 이는 AI 교양교육의 실제 적용 가능성을 평가하는 데 제약을 초래하였다.

셋째, 교양교육 체제, 거버넌스 기반의 구조적 논의가 미흡하였다. AI 교양 역량의 위치, 교양교육 내 편성 방식, 전공과 비교과와의 연계 전략 등 대학 차원의 제도 설계에 관한 연구는 여전히 제한적이었다. 이는 AI 교양교육이 체계적으로 구축되기 위한 교육과정과 제도적 기반이 미정립 상태임을 보여준다.

넷째, 윤리 중심 연구와 기술 중심 연구 간의 균형 부족이 확인되었다. 일부 연구는 인문학, 윤리적 성찰을 강조하는 반면, 다른 연구는 기술 활용 중심 분석에 집중하고 있어, 윤리-기술-교수학습을 통합적으로 논의하는 연구는 제한적이었다. 이는 AI 교양교육의 이론적 정합성을 확보하는 데 추가적 탐구가 필요함을 시사한다.