1. 서론
생성형 AI인 Chat GPT의 등장 이후 AI는 산업계와 교육계뿐 아니라 사회 전반에서 일상의 영역으로 스며들었다. 대화형 챗봇인 ChatGPT나 Gemini뿐만 아니라 이미지 생성 도구인 Midjourney, Nano Banana와 같은 애플리케이션의 보급은 다양한 분야의 사용자들이 AI를 손쉽게 도구로 활용할 수 있게 한다. 이른바 “AI의 민주화(democratization of AI)(Van der Sommen & De Groof, 2024, p.427)”가 실현되어 일부 전문가만의 영역이 아니라 누구나 접근 가능하고 응용할 수 있는 수준으로 확산된 것이다. 이러한 변화는 사람들의 학습 방식, 정보 접근 및 활용 방식은 물론 의사 결정 방식 자체를 바꾸는 혁신으로 받아들여지고 있다.
이에 한편에서는 AI의 놀라운 학습 능력을 더 잘 활용하는 방법을 적극적으로 모색하고 있지만, 또 한편에서는 AI에의 지나친 의존, 편향된 정보에의 노출 등 부작용을 우려하는 목소리도 높다. 따라서 AI 사용자의 입장에서 AI를 올바르게 인식하고 활용하는 능력, 즉 AI 리터러시가 요구되며, 이를 위한 적절한 교육도 중요해지고 있다. AI 리터러시는 “인공지능을 비판적으로 평가할 수 있고, 인공지능을 이용해서 효과적으로 의사소통하면서 협업할 수 있으며, 가정과 직장 등에서 인공지능을 도구로 쓸 수 있는 역량”으로 정의되고 있다(Long & Magerko, 2020, p.598). 역량이란 무언가를 알고 있는 지식과 그것을 활용하는 기술, 나아가 태도를 아우르는 개념으로 개발 가능한 것이다. 따라서 AI 리터러시는 AI를 이해하고 활용하며 평가할 수 있는 능력을 의미한다고 볼 수 있다. UNESCO(2023)에서는 생성형 AI 환경에서 요구되는 핵심 리터러시로서, 학습자가 효율적인 프롬프트를 설계하고 새로운 통찰력을 창출하는 능력, 생성된 AI 콘텐츠의 정확성과 관련성을 평가하는 비판적 사고력, 그리고 기술의 책임 있는 사용을 보장하는 윤리적 인식을 갖추는 것이 중요하다고 강조하였다.1( 또한 OECD(2025)에서도 인공지능 시대의 학습자 역량 함양을 위한 AI 리터러시 프레임워크를 제안하며, 초⋅중등 교육에서 AI 이해와 비판적 활용 역량이 핵심 리터러시로 작용함을 강조하였다.2)
이와 같이 AI 리터러시는 현대 사회가 요구하는 핵심 기초 역량으로 자리매김하고 있으며 고등 교육을 마치고 사회에 진출해야 하는 대학생들에게도 필수적인 기본 소양이 되었다. 따라서 대학은 이러한 변화에 대응하여 학생들이 AI를 이해하고 비판적으로 활용할 수 있도록 체계적인 교육 환경을 마련해야 하며, 이를 위해서는 먼저 대학생들이 현재 어떠한 수준의 AI 리터러시를 보유하고 있는지에 대한 실증적 진단이 선행되어야 한다. 특히 신입생의 경우 생성형 AI 기반의 학습 환경과 전문적 활용 맥락에 대한 경험이 제한적이기 때문에 AI 리터러시 수준과 교육 요구를 분석하는 것은 향후 대학 교양 교육의 방향을 설정하는 데에 중요한 의미를 가진다.
물론 AI, SW 및 컴퓨터와 관련된 전공에서는 AI를 활용하고 개발하는 능력을 기르기 위한 전공 교육이 이루어져 왔고, 교양 교육 차원에서도 SW 및 인공지능 교양 교육이 이루어지고 있다(송선영, 2014, pp.57-58). 그러나 AI 리터러시를 기르기 위해서는 컴퓨팅 사고력 증진을 위한 기술 관련 과목만이 아니라 사용자 기반으로 최신 AI 도구를 비판적으로 이해하고 다양한 맥락에서 활용할 수 있는 다양한 응용 교과목도 필요할 것이다. AI 리터러시는 문제 해결, 비판적 사고력, 윤리적 판단, 창의적 응용을 포함하는 다차원적 역량이기 때문에 이를 기르기 위해서는 기술 교과뿐만 아니라 다양한 학문 영역과 실제 과제 수행을 연결하는 응용형 교양 교육이 요구되는 것이다.
이러한 교육적 요구를 충실히 반영한 교과목을 설계하기 위해서는 먼저 대학생들이 현재 어떤 수준의 AI 리터러시를 갖추고 있는지, 그리고 어떤 교육을 필요로 하는지에 대한 정확한 실태 진단이 선행되어야 한다. 특히 대학에서 첫 학기를 맞이한 신입생은 고등학교 수준의 디지털 리터러시를 보유하고 있을 수 있으나 고등교육 환경과 생성형 AI 기반 학습⋅업무 환경에서 요구되는 AI 활용 역량은 개별 경험에 따라 차이가 발생할 수 있다. 따라서 신입생을 대상으로 한 AI 리터러시 분석은 대학의 기초 교양교육 방향 설정뿐만 아니라 학습자 요구를 반영한 수준별⋅맞춤형 교육과정의 필요성을 검토하는 데 중요한 근거가 된다.
이에 본 연구는 대학의 여러 전공 분야에 속한 1학년 신입생들이 실제로 어느 정도의 AI 리터러시를 갖추고 있는지를 분석하고, 이들이 경험한 AI 관련 학습 및 교육 활동, 그리고 앞으로 필요하다고 인식하는 교육 요구를 실증적으로 분석하는 데 목적을 둔다. 특히 전공 계열 등 학습자 변인에 따른 차이도 함께 살펴봄으로써 대학 교양 교육이 고려해야 할 요소들을 구체적으로 제시하고자 한다. 이러한 분석 결과는 실증적 자료로서 향후 AI 리터러시 기반 교양 교육의 기초 자료로 활용될 수 있을 것이다.
본고의 연구 문제는 다음과 같이 설정하였다.
2. AI 리터러시에 대한 이론적 검토
2.1. AI 리터러시의 개념과 하위 요소
리터러시(literacy)의 개념은 사전적으로는 ‘글을 읽고 쓸 줄 아는 능력’으로 정의되지만 최근에는 특정 영역의 정보와 도구를 이해하고 활용하는 능력으로 널리 쓰이고 있다. 그렇다면 AI 리터러시는 AI를 이해하고 활용하는 능력으로 거칠게 정의될 수 있을 것인데, 여러 선행연구에서 <표 1>과 같이 정의되고 있다.
<표 1>
국내외 문헌에 나타난 AI 리터러시의 개념
| 구분 | 개념 정의 |
|---|---|
| Long & Magerko(2020) | “개인이 AI 기술을 비판적으로 평가하고, AI와 효과적으로 소통하고 협업하며, 온라인, 가정, 직장에서 AI를 도구로 사용할 수 있도록 하는 일련의 역량” |
|
|
|
| 이유미, 박윤수(2021) | “AI 기술 매체를 이해하고 활용할 수 있는 능력과 이를 통해 사회와 소통할 수 있는 능력일 뿐 아니라 AI 사회에 대한 비판적 사고를 할 수 있는 능력” |
|
|
|
| 황현정, 황용석(2023) | “AI를 인지하고, AI에 대한 기술적 지식과 윤리적이고 비판적 이해를 바탕으로 AI 기기나 서비스를 생활과 업무에 적용할 수 있는 능력으로 더 나아가 AI를 설계하거나 창의적인 결과물을 산출하고 AI를 바탕으로 사회와 상호작용할 수 있는 능력” |
|
|
|
| Biagini et al.(2023) | “AI 모델과 애플리케이션을 직접 개발할 수 있는 능력 없이도 AI 애플리케이션을 이해하고, 활용하고, 모니터링하고, 비판적으로 성찰할 수 있는 능력” |
|
|
|
| 장수현, 남영준(2023) | “AI와 관련된 기본 개념과 원리를 이해하고, 문제 해결의 방법으로 윤리적인 방법을 통해 목적에 맞는 데이터를 획득하고, AI 도구와 소통하고 협력해 결과를 산출하고 이를 비판적으로 평가할 수 있는 역량” |
|
|
|
| OECD(2025) | “AI의 영향을 받는 세상에서 성공하기 위해 필요한 기술적 지식, 지속 가능한 역량, 미래를 대비한 태도.” |
이중 Long & Magerko(2020)을 먼저 살펴볼 필요가 있는데 AI 리터러시를 “개인이 AI 기술을 비판적으로 평가하고, AI와 효과적으로 소통하고 협업하며, 온라인, 가정, 직장에서 AI를 도구로 사용할 수 있도록 하는 일련의 역량”이라고 정의하며, 교육을 위한 5개 주제와 관련된 17개의 핵심 역량을 구체적으로 제시하고 있다. AI를 이용한 것과 이용하지 않은 것을 구분할 수 있는 역량부터 AI를 둘러싼 윤리적 문제에 대한 다양관 관점을 아는 역량, AI가 프로그래밍을 통해 만들어졌음을 이해하는 역량 등이다. 이 연구 결과는 이후 AI 리터러시의 하위 역량들을 나열하는 데에 많은 시사점을 제공한 연구로 잘 알려져 있다. 이유미, 박윤수(2021)은 국내 대학의 SW 교육과 AI 교육 내용을 분석하여 교양 교육 설계를 위한 AI 리터러시의 개념을 정의하였다. 이 연구 또한 기술 중심의 AI 교육을 넘어 사회적 사고를 포함한 융합적이고 종합적인 사고를 할 수 있는 교육 프로그램의 설계가 요구됨을 강조하였다는 점에서 의의가 있다. 또한 황현정, 황용석(2023)은 AI 리터러시에 대한 논의가 그간 전문성을 갖춘 AI 인재 양성에 집중되어 왔음을 지적하고, “AI 시대에 생활하기 위한 필수 능력으로서 수용자가 갖추어야 할 역량”이라는 관점에서 개념화하고 있다. Biagini et al. (2023)에서도 역시 “AI 모델과 앱 개발 능력 없이도 AI를 활용하는 능력”이라고 명시적으로 표현하여 AI 관련 전공에서 요구하는 개발 역량과 다른 개념임을 보여준다. 최근 연구인 OECD(2025)의 보고서에서는 AI 시대에 요구되는 “기술적 지식, 지속 가능한 역량, 미래를 대비한 태도”라고 정의를 내리고 있어 이것이 단순한 지식의 차원이 아니라 역량이며 태도임을 다시 한번 확인한다. 학습자가 인공지능을 활용하고, 창조하며, 관리하고, 설계할 수 있도록 하면서 동시에 그 혜택, 위험성, 윤리적 함의를 비판적으로 평가할 수 있게 하는 역량이라고 설명하고 있다. 국내 대학의 SW 비전공자 대상 교양 교과 과정 사례를 분석한 서주영, 신승훈(2024)의 연구에서는 AI 리터러시에 대한 개념적 정의는 내리고 있지 않으나, AI 리터러시 교육은 “AI 기술 자체를 학습해 시대적 역량을 갖추는 것뿐만 아니라, AI로 인하여 변화하는 시대를 이해하고 이를 예측하여 미래를 설계하기 위한 비판적 사고 역량이 포함되어야 하며, AI에 대한 기술적 이해와 인문사회학적 이해를 균형적으로 함양하는 교육”이라고 하였다(서주영, 신승훈, 2024, p.2154). 즉, SW 전공의 과학 기술 측면이 아니라 전공과 상관없이 인문사회적 이해까지 균형적으로 다룰 수 있는 역량을 의미한다는 것이다.
이와 같이, AI 리터러시는 특정 전공자 및 집단에 요구되는 역량이 아니라 일상 생활 전반에서 누구에게나 요구되는 역량이며 태도라 할 수 있다. 그리고 지식 관련 차원, 활용 관련 차원, 비판적 차원, 윤리적 차원의 다차원적 접근으로 AI 리터러시를 설명할 수 있다. 또한, 여러 문헌들은 조금씩 다른 표현으로 AI 리터러시를 정의하고 있지만 AI에 대한 이해로부터 시작되는 보편적이고 포괄적인 능력을 의미하고 있음을 알 수 있다. 비판적인 사고 및 평가와 활용을 강조하고 있으며, AI를 도구로 활용하는 종합적인 능력이라는 점을 드러내고 있다. 그리고 이 능력은 SW 및 AI 전공에서 목표로 하는 전공 활용 능력과는 다른 보편적인 활용 능력을 의미하는 것으로 AI의 작동 원리를 이해하고 이를 윤리적, 비판적으로 활용하는 종합 역량으로 볼 수 있을 것이다. 따라서, 본 연구에서는 AI 리터러시를 “AI를 이해하고 활용하며 비판하고 창의적으로 응용할 수 있는 능력과 변화하는 기술 환경에서 책임 있게 대응하려는 태도”까지 포괄하는 개념으로 정의한다.
그렇다면, AI 리터러시를 이루는 하위 요소들은 무엇인가? <표 2>와 같이 OECD(2025)의 보고서에서는 22개 역량을 포괄하는 4개의 범주를 설정하였는데, AI 활용(Engaging with AI), AI 창조(Creating with AI), AI 관리(Managing AI), AI 설계(Designing AI)가 그것이다. AI 활용은 새로운 콘텐츠나 정보에 접근하기 위한 도구로서 AI를 사용하는 것을 의미하며, AI 창조는 창의적인 과제나 문제 해결 과정에서 AI 시스템과 협력하는 것이다. 즉 프롬프트를 활용해 콘텐츠를 활용하는 것과 관련된 사항들이다. AI 관리는 정보 정리와 같이 AI가 인간의 업무를 어떻게 인간의 업무를 지원하고 향상시킬지 의도적으로 선택하는 것을 의미하며, AI 설계는 AI 시스템의 작동 원리를 이해하고 사회적, 윤리적 영향과 연결할 수 있는 것을 뜻한다. 또한 Pinsk & Benlian(2023)은 사회기술적 역량으로 AI 리터러시를 측정하는 척도로 5개의 하위 범주와 13개 항목을 제시하였다. 5개의 범주는 구체적으로 AI 기술 지식, AI에서 인간의 역할 관련 지식, 단계 지식, 사용 경험, 설계 경험이다. 임철홍 외(2024)에서는 Bloom의 분류 구조를 따라 AI 기술의 이해, 활용, 평가, 윤리의 4개 범주로 구분하였고, 중학생 대상의 AI 리터러시 검사 척도를 개발한 김성원, 이영준(2022)은 AI 리터러시가 AI의 사회적 영향, 이해, 실행 계획, 문제 해결, 데이터 리터러시, 윤리의 6개 하위 영역으로 구성된다고 하였다. 황현정, 황용석(2023)에서는 OECD(2018)의 역량 개념 틀에 맞추어 지식, 기술, 태도의 큰 틀로 나누어 AI의 비판적 평가, 이용 윤리성, 창조, 분석, 활용, 이해, 식별의 7가지 하위 차원을 기술하고 있으며, 황현정 외(2024)에서는 대학생을 위한 측정 척도를 개발하며 AI 식별, 이해, 응용, 사용, 창조로 다시 정비하였다.
<표 2>
국내외 문헌에 나타난 AI 리터러시의 하위 요소
| 구분 | 내용 |
|---|---|
| OECD(2025) | AI 활용, AI 창조, AI 관리, AI 설계 |
|
|
|
| Pinsk & Benlian(2023) | AI 기술 지식, AI에서 인간의 역할 관련 지식, 단계 지식, 사용 경험, 설계 경험 |
|
|
|
| 임철홍 외(2024) | AI 기술의 이해, AI 활용, AI 평가, AI 윤리 |
|
|
|
| 김성원, 이영준(2022) | AI의 사회적 영향, AI 이해, AI 실행 계획, AI 문제 해결, 데이터 리터러시, AI 윤리 |
|
|
|
| 황현정, 황용석(2023) | AI 비판적 평가, AI 이용 윤리성, AI 창조, AI 분석, AI 활용, AI 이해, AI 식별 |
|
|
|
| 황현정 외(2024) | AI 식별, AI 이해, AI 응용, AI 사용, AI 창조 |
여러 연구에서 분류, 범주화한 AI 리터러시의 하위 요소들은 공통적으로 비판적 사고에 기반한 윤리 및 태도, 이해로부터 시작해 활용에 이르는 내용을 포괄하고 있다. 그러나 황현정 외(2024)에서는 AI 태도를 사용자가 갖추어야 할 마땅한 소양으로 보는 관점에서는 이것을 역량을 의미하는 리터러시의 범주에 넣는 것에 이견이 있다고 하며(황현정 외, 2024, p.271), 태도를 제외한 기술적 능력 중심으로 하위 영역을 범주화하고 있다. 그러나 생성형 AI가 일상과 학습, 직무 환경에 빠르게 확산된 현대 사회에서 태도 기반의 역량은 기능적 활용 능력만큼이나 필수적인 요소로 간주된다는 점, AI를 비판적으로 활용하려면 관련 윤리를 알고 비판적으로 평가할 수 있는 역량이 선행되어야 한다는 점, 대부분의 관련 연구에서 AI를 대하는 태도 또한 AI 리터러시를 구성하는 하위 범주 역량으로 보고 있다는 점을 고려할 때, AI에 대한 태도를 리터러시에 포함하는 것이 더 타당할 것이다. 이에 국내외 선행연구를 토대로 <표 3>과 같이 AI 태도, 지식, 기술의 세 범주로 구조화하고, AI 윤리, 평가, 식별, 이해, 그리고 사용, 응용, 창조의 총 7개 하위 요소로 AI 리터러시를 정리하고자 한다. 지식과 기술에 대한 요소는 황현정 외(2024)의 논의를 따랐으며, 태도에 대한 부분은 황현정, 황용석(2023)과 장수현, 남영준(2023)의 논의를 참고한 것이다.
<표 3>
AI 태도는 AI 기술을 책임감 있게 사용하기 위해 요구되는 윤리적 인식과 비판적 사고를 포함한다. 이중 AI 윤리는 AI 사용 과정에서 개인정보, 저작권, 공정성, 편향 등 사회적⋅윤리적 쟁점을 인지하고 적절한 판단을 내릴 수 있는 능력을 의미하며, AI 평가는 AI가 생성한 정보나 산출물의 정확성⋅신뢰성⋅편향성⋅적절성을 비판적으로 분석하는 능력을 의미한다. AI 지식은 AI 기술을 이해하고 식별하는 데 필요한 인지적 기반을 의미하는 것으로, AI 식별은 특정 기기나 서비스에 적용된 AI 기능을 알아보는 능력으로 사용자 중심 리터러시의 출발점이 된다. AI 이해는 자동화, 알고리즘, 머신러닝 등 AI 핵심 개념과 작동 구조를 이해하는 능력으로 상위 기술 역량인 AI 사용, 응용, 창조로 확장되는 지식적 토대이다(황현정 외, 2024). AI 기술은 AI를 실제 맥락에서 사용할 수 있는 기능적 역량으로 구성된다. AI 사용은 일상과 학업 및 직무 환경에서 AI 도구를 목적에 맞게 활용하는 능력을 의미하며, AI 응용은 보다 고차원의 역량으로 AI 기능을 문제 해결이나 기초적 분석에 적용하는 역량이다. AI 창조는 AI 모델을 설계하는 프로그래밍과 코딩 능력을 의미하는 것으로 문제를 재구조화하며 고차원적 해결 방안을 제시하는 창의적 능력이라고 할 수 있다.
이 개념적 틀은 단일한 기술 역량이 아닌 지식, 기술, 태도가 상호작용하는 복합적 역량 구조로서의 AI 리터러시 개념을 보여줄 수 있으며, AI 리터러시 수준을 보다 정교하게 파악할 수 있도록 구성된 분석 준거가 될 수 있다. 이에 본 연구에서는 앞으로의 논의 전개를 위해 <표 3>의 개념적 틀을 사용하고자 한다. 이 틀은 대학 신입생의 AI 리터러시 수준을 다면적으로 측정하고 하위 요소별 특성을 분석하는 데 기초적 기준을 제공하며 나아가 AI 활용 능력과 윤리적 판단, 비판적 사고, 창의적 응용 능력 등 현대 고등교육에서 요구되는 핵심 역량을 체계적으로 파악하는 데 중요한 이론적 바탕이 될 수 있다. 이를 토대로 본 연구는 신입생의 AI 리터러시 실태와 교육 요구를 실증적으로 탐색하고 향후 대학 교양교육이 고려해야 할 기초적 시사점을 도출하고자 한다.
2.2. AI 리터러시 수준에 대한 선행 연구
다음은 AI 리터러시 척도를 적용하여 대학 학습자들의 AI 리터러시 수준을 살핀 연구들의 결과를 살펴보고자 한다. 우선 문경희 외(2021)은 p 대학의 컴퓨터 비전공 신입생 153명을 대상으로 AI 학습 경험과 인식을 조사한 연구이다. 이 연구에서는 AI 리터러시라는 개념을 적용하지는 않았지만 AI 자기 효능감 및 이해도에 대해 조사를 하였다. 조사 결과는 AI의 일상생활에서의 적용 이해도는 보통 수준이었으나 직접적인 경험 및 학습 경험은 적은 것으로 나타났으며 비전공자들도 보편 교육을 받을 필요가 있다는 인식이 높게 나타났다. 김영우 외(2023)는 언어 및 언어교육 전공 대학생 112명을 대상으로 어느 정도 AI 리터러시를 갖추고 있는지 조사하였다. 그 결과, AI에 대한 관심은 많았으나 AI 리터러시는 낮은 수준에 머물고 있음을 밝혀내고 대학 교육 과정에서 실현할 수 있는 교육적 제안을 하였다. 측정 항목은 AI에 대한 관심, 언어 및 윤리의 중요성, 교육 필요성, 관련 지식, 기술적 역량, 태도 등으로 나뉘어 구성되었다. 이 연구는 측정 도구에 관해 여러 선행 연구를 참고하여 작성했다고 언급했지만 정확한 출처 및 세부 문항을 밝히고 있지 않고 있다. 이밖에 장수현, 남영준(2023)은 교과목은 아니지만 생성형 AI 리터러시 함양을 위한 대학 도서관 교육의 방향성을 제시하는 연구이다. 이 연구에서는 도서관을 이용하는 대학생 163명을 대상으로 AI 인식과 기능에 관련된 15개 문항을 통해 AI 리터러시를 측정하였다. 이 연구에서는 김성원, 이영준(2022)와 Teng et al.(2022)의 설문 항목을 참고하여 측정 항목을 개발했다고 밝히고 있다. AI에 대한 학생들의 설문 조사 결과를 보면, AI가 보다 세심한 관리가 필요한 기술라고 대체적으로 응답했으며, 기계 번역, 챗봇 사용과 같은 비교적 단순한 부분에서는 스스로의 수준을 높게 평가한 반면, 코딩 관련 항목에서는 역량을 낮게 평가하고 있었다(장수현, 남영준, 2023, p.275).
이처럼 사용자의 AI 리터러시 수준을 측정한 후 교육 방향 설정 및 교육 과정 설계를 위한 시사점을 도출하는 연구들이 이루어지고 있으나 아직 양적, 질적으로 축적된 연구 성과가 충분하지는 않다. 또한 기존의 연구들은 전공별, 기관별로 다양한 방식의 조사를 수행했는데 연구마다 적용한 AI 리터러시의 하위 요소와 측정 항목이 상이하고 개념적 정의 또한 통일되어 있지 않다. 즉, 선행연구들은 대학생의 AI 이해와 활용 수준을 부분적으로 파악하는 데에는 기여했으나, 생성형 AI 시대에 요구되는 지식, 기술, 태도의 통합적 역량으로서의 AI 리터러시를 진단할 수 있는 개념적 틀을 충분히 제시하지는 못하고 있는 것이다. 이에 본 연구는 선행 연구의 한계를 보완하고자 <표 3>에서 분류, 정의한 AI 리터러시의 하위 요소를 체계화한 도구를 마련하여 대학 신입생들이 AI 리터러시를 어느 정도 갖추었는지를 분석하고, 나아가 관련된 교육 경험 및 앞으로의 교육 요구도를 알아보고자 한다.
3. 연구 방법
3.1. 연구 대상
본고는 국내 A 대학에 재학 중에 1학년 학생들을 대상으로 한다. 2024학년도 1학기 교양 교과목 수강생을 대상으로 연구의 취지와 내용을 설명하고 자료 수집 및 활용에 대한 동의를 구한 후 설문 조사를 실시하였다. 응답자는 총 169명으로 인구학적 정보는 <표 4>와 같다. 이들은 다양한 전공 계열에 속해 있으며 대학 입학 초기 단계에서 AI 리터러시와 관련된 교과⋅비교과 경험이 많지 않다는 점에서 연구 목적에 적합한 집단이다.
<표 4>
응답자 정보 (N=169)
| 구분 | 항목 | 인원(명) | 비율(%) |
|---|---|---|---|
| 성별 | 남 | 108 | 63.9 |
|
|
|||
| 여 | 61 | 36.1 | |
|
|
|||
| 전공 계열 | 공학 전공 | 132 | 78.1 |
|
|
|||
| AI 관련 전공 | 23 | 13.6 | |
|
|
|||
| 인문 계열 | 14 | 8.3 | |
|
|
|||
| 계 | 169 | 100 | |
성별은 남학생이 108명(63.9%)로 61명인 여학생(36.1%)보다 많았으며, 전공은 전자공학, 기계공학, 화학생명공학, 건설환경공학, 신소재공학 등 공학 전공이 132명(78.1%)로 가장 많았다. 다음으로는 인공지능소프트웨어학과, 정보통신공학과 등 AI 관련 전공이 23명(13.6%), 일본어과, 중국어과, 융합경영학과, 경제학과 등 인문 계열이 14명(8.3%)이었다. 이와 같이 다양한 전공의 신입생을 포함함으로써 전공 계열에 따른 AI 리터러시의 차이를 비교⋅분석할 수 있도록 하였다.
3.2. 조사 도구 및 분석 방법
<표 5>
설문지 구성
| 범주 | 항목 수 | 유형 | ||
|---|---|---|---|---|
| AI 리터러시 | AI 태도 | AI 윤리 | 3 | 5점 리커트 |
|
|
||||
| AI 평가 | 3 | 5점 리커트 | ||
|
|
||||
| AI 지식 | AI 식별 | 2 | 5점 리커트 | |
|
|
||||
| AI 이해 | 3 | 5점 리커트 | ||
|
|
||||
| AI 기술 | AI 사용 | 4 | 5점 리커트 | |
|
|
||||
| AI 응용 | 4 | 5점 리커트 | ||
|
|
||||
| AI 창조 | 5 | 5점 리커트 | ||
|
|
||||
| AI 관련 교육 경험 | 3 | 선택형 | ||
|
|
||||
| AI 관련 교육에 대한 관심 및 요구 | 5 | 5점 리커트, 선택형 | ||
AI 리터러시를 측정하는 24개 문항은 <표 3>의 하위 요소를 기반으로 구성하였으며, 구체적인 항목은 황현정 외(2024)의 측정 도구를 바탕으로 일부 항목을 추가한 것이다. 황현정 외(2024)에서 제시한 측정 도구는 국내 대학생들을 대상으로 탐색적 요인분석과 신뢰도 분석을 통해 신뢰도를 검증하였고, 확인적 요인분석으로 타당도를 검증한 5개 하위 범주, 18개 문항으로 구성되어 있다. 그러나 앞에서 살펴본 바와 같이 여기에는 AI 윤리 및 평가가 포함된 태도 범주가 제외되어 있다. 따라서 장수현, 남영준(2023)을 참고하여 AI 윤리와 평가에 해당하는 태도 범주의 6개 문항을 추가하였다. 이에 AI 윤리, 평가, 식별, 이해, 사용, 응용, 창조의 총 7개 범주, 24개 문항의 도구를 구성하였다. 그리고 문항의 표현은 학습자가 직관적으로 이해하기 쉬운 표현으로 다듬었으며, 모두 5점 리커트 문항으로 설계하였다.4) 그리고 김영우 외(2023)을 참고하여 대학 입학 전이나 현재 AI 관련 교육을 받은 적이 있는지, 그 경험은 어떠했는지를 질문하고, 앞으로 대학에서 받고 싶은 AI 관련 교육은 무엇인지를 조사하였다.
설문은 2024학년도 1학기 중 KSDC 온라인 조사로 배포되어 진행되었다. 조사를 실시하기 전에 AI 리터러시의 개념과 하위 영역인 태도, 지식, 기술의 개념을 설명하고, 설문 문항의 내용에 대한 자신의 현재 정도를 최대한 객관적으로 표시할 수 있도록 안내하였다. 수집된 데이터의 신뢰성은 <표 6>과 같이 신뢰할 수 있는 수준으로 나타났다.
결과는 IBM SPSS Statistics 26을 이용하여 분석되었다. 기초적인 기술통계를 실시한 후, 변인 간의 차이를 검증하기 위해 독립표본 t-검정, 일원배치 분산분석(One-way ANOVA)과 변인 간의 관계를 알아보기 위한 상관관계를 실시하였다. 다만, 일원배치 분산분석을 통한 전공 계열 간 차이 분석은 표본 구성에서 공학 계열과 타 전공 계열 학생 수의 현저한 불균형이 존재하므로 해석 과정에서 탐색적 분석(exploratory analysis)의 성격을 갖는다. 따라서 일원배치 분산분석 결과는 집단 간 경향성을 확인하는 데 목적이 있으며, 확증적 결론을 도출하기보다는 후속 연구에서 검증할 필요가 있음을 전제한다.
4. 연구 결과
4.1. 대학 신입생들의 AI 리터러시
AI 리터러시는 크게 AI 태도, AI 지식, AI 기술로 나뉘며, 각각 윤리, 평가, 식별, 이해, 사용, 응용, 창조라는 하위 범주로 세분화된다. 조사 대상의 AI 리터러시 수준은 <표 7>과 같이 나타났다. 전반적으로 3점대 중반 수준의 ‘보통’에서 ‘약간 높음’에 해당하는 수준을 보이고 있는데, 이는 생성형 AI의 빠른 확산으로 학생들이 AI에 대한 기본적 이해와 활용 경험을 자연스럽게 축적해 왔음을 보여주는 결과로 해석된다.
<표 7>
대학 신입생들의 범주별 AI 리터러시 수준 (N=169)
| 범주 | 구분 | 평균 | 표준편차 |
|---|---|---|---|
| AI태도 | AI 윤리 | 3.87 | 0.58 |
|
|
|||
| AI 평가 | 3.84 | 0.74 | |
|
|
|||
| AI지식 | AI 식별 | 3.88 | 0.62 |
|
|
|||
| AI 이해 | 3.85 | 0.64 | |
|
|
|||
| AI기술 | AI 사용 | 3.76 | 0.66 |
|
|
|||
| AI 응용 | 4.08 | 0.64 | |
|
|
|||
| AI 창조 | 2.31 | 0.98 | |
하위 범주별로 보면, AI 응용 범주는 평균 4.08로 가장 높은 수준으로 나타났다. AI 응용은 “AI의 제품에 대해서 비판적으로 평가하는 것과 더불어 AI를 보다 고차원적으로 응용할 수 있는 역량을 포함(황현정 외, 2023, p.264)”하는 것으로, 구체적으로는 AI를 활용하여 필요한 결과물을 얻고, AI 챗봇 등과 상호작용을 하며, 자신의 일상과 삶에서 AI를 유용하게 활용하는 것을 의미한다. 이는 학생들에게 이미 생성형 AI를 일상적 도구로 능숙하게 활용하는 사용자 경험이 넓게 형성되어 있음을 보여주는 것이다. 반면 AI 창조 범주는 가장 낮은 수준인 평균 2.31이었다. 이는 “AI를 설계하고 개발하는 경험이 있거나 AI에 대한 구체적인 지식을 갖춘 것(황현정 외, 2023, p.264)”을 의미하는 것으로 코딩이나 프로그램이 그 예이다. 즉, 조사 대상자들은 AI를 활용해 특정한 결과물을 얻고 실제 업무 및 일상생활에서 AI를 유용하게 적용하는 역량은 높지만, 그것을 개발하는 역량은 갖추고 있지 못하다는 것이다. 이 결과는 코딩 관련 항목에서 스스로의 역량을 낮게 평가한 장수현, 남영준(2023)의 결과와도 일치한다.
<표 8>은 AI 태도 범주에 포함된 AI 윤리와 평가에 대해 세부 항목별로 살펴본 결과이다. AI 기술이 가지는 부작용을 평가하고 윤리적인 문제점들을 이해하고 있는 것, 스스로 윤리적 원칙을 준수하는 것을 의미하는 역량들이다. ‘AI 사용의 장점과 단점을 알고 있다’가 평균 4.14로 가장 높게 나타나 학습자들이 AI 사용에 대한 기본적인 비판적 사고를 갖고 있음을 보여준다. 최근 생성형 AI 사용이 빠르게 확산되면서 저작권, 개인정보 침해, 편향성 문제 등 사회적 논란이 지속적으로 제기되어 왔는데, 신입생들은 이러한 담론에 이미 상당한 수준으로 노출되어 있으며 그에 따른 기본적 윤리 감수성을 갖추고 있는 것으로 해석된다. 그러나 ‘AI를 사회적으로 올바르게 활용하기 위한 방안을 제안할 수 있다’(평균 3.51)는 상대적으로 낮아 윤리적 문제를 인지하는 수준은 충분하나 이를 바탕으로 구체적인 해결 방안이나 정책적 대안을 제시하는 실천적 윤리 역량은 부족함을 보여준다. 즉, 윤리적 태도는 형성되어 있으나 실천까지는 도달하지 못한 상태라 할 수 있다.
<표 8>
AI 태도 범주의 리터러시 수준 (N=169)
AI 지식 범주의 세부 항목 수준은 <표 9>와 같다. ‘AI가 데이터로부터 학습하고 지능적 기능을 구현하는 것을 알고 있다’(평균 4.12)와 ‘AI가 이미지 및 비디오 인식을 통해 시각적 기능을 구현할 수 있다는 것을 알고 있다’(평균 4.14)는 높은 점수를 기록했는데, 이는 학생들이 이미 AI의 기술에 대해 폭넓은 이해를 가지고 있음을 보여주는 결과이다. 최근 미디어 및 교육 자료를 통해 AI 기본 개념이 보편화되고, SNS 매체 등을 통해 AI 기술의 작동 방식 관련 정보에 쉽게 접할 수 있게 된 환경적 요인을 반영하는 것으로 보인다. 그러나 AI 처리 과정 및 정보 재현에 대해서는 평균 3.28로 나타나 기술적인 부분에 대한 이해는 상대적으로 부족함을 보여준다. 즉, 개념적, 표면적 이해는 갖추고 있으나, 기술과 과정에 대한 이해는 부족한 상태인 것이다.
<표 9>
AI 지식 범주의 리터러시 수준 (N=169)
AI 기술 범주의 세부 결과는 <표 10>과 같다. AI 사용과 응용에서는 3~4점 대의 평균을 나타내고 있어 학업과 일상 등의 실질적 업무에서 효율성을 높이는 도구로 AI를 상당히 잘 쓰고 있음을 보여준다. 결과에서 흥미로운 점은 더 높은 수준인 AI 응용의 평균이 사용보다 다소 높게 나타났다는 것이다. AI 사용은 AI를 기본적으로 사용하고 활용할 수 있는 능력이고, AI 응용은 한 단계 더 나아가 AI를 통해 특정하게 필요한 결과물을 얻거나 실제 업무에 적용하는 역량을 의미한다(황현정 외, 2024, p.264). 이 결과는 학생들은 이미 일상생활과 학업의 영역에서 문제 해결, 정보 생성, 콘텐츠 생성 등의 업무를 잘 수행하고 있음을 보여주는 것이다. 특히, AI 응용에서 ‘나는 챗봇(예: ChatGPT), 시각 인식 프로그램(예: AI 얼굴 인식) 등 다양한 유형의 AI 와 상호작용해 본 경험이 있다.’는 항목의 평균이 4.15로 가장 높았는데, 이것은 생성형 AI가 보편적 기술로 일상화되고 있는 최근의 상황을 반영하는 결과로 보여진다. 생성형 AI의 인터페이스가 기존 기술에 비해 훨씬 직관적이기 때문에 별도의 전문 교육 없이도 고차원적 응용을 수행할 수 있게 된 것이다. 그러나 대조적으로 AI 모델 개발, 앱 설계 및 개발 등 창조적 활용을 요구하는 AI 창조 범주에서는 평균 2점 대의 낮은 수준을 보이고 있다. 즉, 코딩과 프로그래밍 등 AI를 전문적으로 활용하는 기술적 생산 역량은 아직 낮은 수준에 머무르고 있었다.
<표 10>
AI 기술 범주의 리터러시 수준 (N=169)
다음으로는 학습자 변인별 AI 리터러시의 차이를 검증하였다. 먼저 성별에 따라 AI 리터러시의 차이를 보이는지 검증하고자 독립표본 t-검정을 실시하였으나 유의한 차이를 보이지 않았다. 또한 AI 관련 교육 경험 여부에 따라서도 유의한 차이를 보이지 않았다.
전공 계열별 AI 리터러시의 차이를 보이는지 검증하고자 일원배치 분산분석을 실시하였다. 이에 앞서 집단 간 등분산 가정 충족 여부를 확인하기 위해 Levene 등분산 검정을 실시하였다. 분석 결과, 대부분의 하위 요소에서 Levene 검정이 p>.05로 나타나 분산의 동질성이 확보되었으므로 일반적 분산분석 절차를 적용하였다. 또한 분산분석 결과 유의미한 차이가 나타난 경우(F값 유의) 등분산 가정이 충족된 조건에 따라 Scheffé 사후검정을 실시하여 집단 간 평균 차이가 어느 집단에서 발생하는지 추가로 검증하였다. <표 11>과 같이 AI 창조 범주(F=3.854, p< .05)에서만 전공 계열 간 유의한 차이가 나타났으며, 사후검정 결과 인문 계열(c)이 AI관련(b)보다 유의하게 낮은 것으로 확인되었다(Scheffé: c < b). AI 창조 범주의 경우 전반적으로 모든 학생들의 리터러시가 낮은 편이나, AI 관련 전공 학생들의 평균 2.82에 비해 인문 전공 학생들은 2.09로 특히 낮게 나타났음을 볼 수 있다. 이는 AI 관련 전공 학생들이 AI 개발 및 프로그래밍에 관한 교육에 좀 더 많이 노출되었기 때문인 것으로 보인다. 물론 관련 전공생이라 해도 학부 신입생으로서 AI 개발 과목을 많이 수강하지는 않았겠지만 AI에 대한 관심이 높은 집단으로 볼 수 있다. 반면 인문 전공 학생들은 전공 특성상 AI 개발 능력을 키울 수 있는 기회가 거의 없었을 것이다. 이 결과는 AI 창조 범주에 있어서 인문 계열 학생들을 위한 별도의 교육이 필요함을 보여준다. 한편, 주목할 점은 AI 태도와 지식, 사용⋅응용 등 다른 범주에서는 전공 계열별 유의한 차이가 나타나지 않았다는 점이다. 이는 생성형 AI의 대중화로 인해 전공과 관계없이 학습자들의 사용자 기반 AI 리터러시가 유사한 수준으로 형성되었음을 시사한다.
<표 11>
전공 계열에 따른 AI 리터러시 차이
| 종속변수 | 집단 | 표본수 | 평균 | 표준편차 | F | P | Scheffe |
|---|---|---|---|---|---|---|---|
| AI 윤리 | 공학(a) | 132 | 3.82 | 0.61 | 1.783 | 0.171 | - |
|
|
|||||||
| AI관련(b) | 23 | 4.06 | 0.38 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.95 | 0.49 | ||||
|
|
|||||||
| AI 평가 | 공학(a) | 132 | 3.79 | 0.74 | 2.984 | 0.053 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.86 | 0.78 | ||||
|
|
|||||||
| 인문(c) | 14 | 4.29 | 0.54 | ||||
|
|
|||||||
| AI 식별 | 공학(a) | 132 | 3.89 | 0.64 | 0.199 | 0.820 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.91 | 0.47 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.79 | 0.67 | ||||
|
|
|||||||
| AI 이해 | 공학(a) | 132 | 3.85 | 0.67 | 0.131 | 0.877 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.86 | 0.47 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.76 | 0.65 | ||||
|
|
|||||||
| AI 사용 | 공학(a) | 132 | 3.76 | 0.68 | 0.116 | 0.891 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.80 | 0.53 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.70 | 0.66 | ||||
|
|
|||||||
| AI 응용 | 공학(a) | 132 | 4.10 | 0.66 | 0.688 | 0.504 | - |
|
|
|||||||
| AI관련(b) | 23 | 4.07 | 0.50 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.89 | 0.60 | ||||
|
|
|||||||
| AI 창조 | 공학(a) | 132 | 2.24 | 0.96 | 3.854* | 0.023 | c<b |
|
|
|||||||
| AI관련(b) | 23 | 2.82 | 0.94 | ||||
|
|
|||||||
| 인문(c) | 14 | 2.09 | 1.11 | ||||
다음으로는 AI 리터러시를 이루는 범주인 윤리, 태도, 식별, 이해, 사용, 응용, 창조 간의 상관관계를 확인하기 위해 피어슨 상관관계 분석(Pearson’s correlation analysis)을 실시하였다. <표 12>의 결과를 보면 AI 윤리는 평가(r = .530, p <.001), 식별(r = .613, p <.001), 이해(r = .606, p <.001), 사용(r = .614, p <.001), 응용(r = .510, p <.001), 창조(r = .288, p <.001)와 모두 유의한 정(+)적 상관관계를 보였다. 또 다른 범주들 또한 통계적으로 유의한 정(+)적 상관관계를 보였다.
<표 12>
AI 리터러시 주요 변수 간 상관관계 분석
| 변수 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|
| AI 윤리 | 1 | ||||||
|
|
|||||||
| AI 평가 | .530*** | 1 | |||||
|
|
|||||||
| AI 식별 | .613*** | .460*** | 1 | ||||
|
|
|||||||
| AI 이해 | .606*** | .472*** | .587*** | 1 | |||
|
|
|||||||
| AI 사용 | .614*** | .431*** | .579*** | .666*** | 1 | ||
|
|
|||||||
| AI 응용 | .510*** | .259*** | .516*** | .576*** | .690*** | 1 | |
|
|
|||||||
| AI 창조 | .288*** | .163* | .294*** | .329*** | .415*** | .272*** | 1 |
AI 윤리는 특히 AI 사용(r= .614), AI 식별(r= .613)과 높은 상관관계를 보이는데 이것은 윤리적 태도가 실질적 사용과 구별 능력에 크게 영향을 미침을 의미한다. 즉, 윤리적 인식이 단순 태도를 넘어 실질적 사용 능력과 지식 기반에 직접적으로 연결되는 핵심 요소임을 보여준다. 이는 AI 기술의 장단점, 위험성, 책임 문제를 이해하는 태도가 AI 활용의 질적 수준을 결정하는 기초 요인임을 의미한다. 반면, AI 창조는 다른 변수들과 비교적 낮은 상관관계(r= .288~ .415)를 보이고 있는데, 이는 창조적 기술 능력이 독립적인 전문성을 요구하며 기존의 AI 태도나 지식 수준이 이를 충분히 보장하지 못함을 보여준다. 즉, 단순한 AI 이해나 윤리적 감수성만으로는 개발 및 설계 능력으로 이어지기 어려우며, 전공 교과 코딩 교육을 통해 AI 창조와 관련한 고차원적 능력을 길러야 할 것이다.
이상의 결과를 요약하면, 대학 신입생들의 AI 리터러시는 전반적으로 ‘보통에서 약간 높은 수준’으로 나타났으며, 생성형 AI의 일상적 활용과 관련된 AI 응용과 AI 사용이 두드러지게 높은 반면 AI 모델 개발과 코딩 등의 전문적 생산 능력을 요구하는 AI 창조는 가장 낮은 수준을 보였다. 이는 신입생들이 AI를 일상적, 학업적 도구로 적극 활용하고 있으나 기술 설계 및 개발과 같은 고차원적 역량은 충분히 갖추지 못했음을 의미한다. 또한 AI 태도 영역에서는 AI 사용의 장단점 인식과 기본적 윤리 감수성은 높았지만 사회적 활용 방안을 제안하는 실천적 윤리 능력은 상대적으로 낮아 태도적 역량이 아직 초기 단계임을 보여주었으며, 지식 영역에서는 AI의 기능적 개념에 대한 이해도는 높았으나 정보 처리 과정 등 구조적 이해는 부족함이 나타났다. 전공 계열 간 차이는 AI 창조 영역에서만 유의하게 나타났는데 AI 관련 전공이 인문 계열보다 높은 점수를 보였다. 또한 모든 하위 요소 간 유의한 정적 상관관계가 나타났는데, 특히 AI 윤리와 사용⋅식별⋅이해 간의 높은 상관은 윤리적 인식이 AI 활용 전반의 질적 수준을 결정하는 핵심 요소임을 시사한다. 반면 AI 창조는 다른 요소들과의 상관이 가장 낮아 전문 기술 역량이 사용자 기반 리터러시와는 구별되는 독립적 능력임을 보여주었다.
4.2. 대학 신입생들의 AI 리터러시 관련 교육 경험과 요구
이 절에서는 AI 리터러시 역량 강화를 위한 교육의 방향성을 찾기 위해 조사 대상의 AI 관련 교육 경험과 요구를 분석하고자 한다. 먼저 AI 관련 교육 경험에 대해서는 <표 13>과 같이 조사 대상의 88.17%가 경험이 있다고 밝혔다. 이는 최근 초⋅중등 디지털 리터러시 교육 강화 정책(송선영, 2024)5) 과 생성형 AI의 대중화로 인해 신입생들이 이미 다양한 형태의 AI 관련 학습 기회에 노출되고 있음을 보여준다. 특히, AI 도구 활용 경험의 확산은 단순한 기술 학습을 넘어 일상생활과 학습 과정에서 자연스럽게 AI를 사용하는 태도 형성에도 영향을 미친 것으로 해석할 수 있다.
경험이 있다고 응답한 학습자들에게는 교육 장소 및 방법을 질문하였는데 <표 14>에서와 같이 고등학교와 대학 정규 교과목이 가장 많은 것으로 나타나 이미 학교 교육 과정 내에서 AI 관련 교육이 많이 이루어지고 있음을 보여준다. 절반 정도의 학습자가 고등학교에서 AI 관련 교육을 받았다고 응답했고, 기타 응답으로는 초등학교와 중학교도 있었다. 이는 AI 교육이 더 이상 선택적 영역이 아니라 초⋅중등을 포함한 정규 교육 과정에 빠르게 통합되고 있음을 의미한다. 특히 고등학교 단계에서의 기초 코딩, 알고리즘 이해, 디지털 리터러시 교육이 확산되면서 신입생들은 이미 일정 수준의 AI 기술 개념을 이해한 상태로 대학에 진입하고 있다. ‘기타’ 응답은 16.11%였는데 온라인 무료 강좌, 유튜브 기반 학습 등 학교 밖의 비형식적 학습 경험이 있었다.6) 그러나 대학 비교과 활동이나 독학의 비율이 상대적으로 낮다는 점은 학생들이 자발적으로 AI 학습을 심화하는 데에는 여전히 한계가 있다는 점을 반영한다. 또한, AI 교육 경험에 대해 성별과 전공 계열 간 차이가 있는지 확인하고자 카이제곱 검정으로 교차분석을 실시하였다. 그 결과 성별과 전공 계열에 따른 교육 경험 비율은 통계적으로 유의하지 않아 AI 교육 경험이 특정 집단에 편중되지 않고 전반적으로 고르게 확산되어 있음을 보여준다.
<표 14>
AI 관련 교육 장소 및 방법 (N=149, 복수 응답)
| 구분 | 인원(명) | 비율(%) |
|---|---|---|
| 고등학교 | 85 | 57.05% |
|
|
||
| 대학 정규 교과목 | 82 | 55.03% |
|
|
||
| 기타 | 24 | 16.11% |
|
|
||
| 대학 비교과 활동 | 18 | 12.08% |
|
|
||
| 독학 | 18 | 12.08% |
|
|
||
| 학원 | 4 | 2.68% |
AI 학습에 있어서 가장 큰 어려움은 <표 15>와 같이 전체 학습자의 71.01%가 코딩 지식 부족을 꼽았으며, 절반 정도의 학습자는 컴퓨터 지식 부족(44.97%)을 꼽았다. 이것은 4.1절의 AI 리터러시 수준 결과에서 AI 창조 범주가 가장 낮게 나타난 것과 연결지어 생각해 볼 수 있다. <표 13>과 같이 대학 신입생들은 AI 교육 경험이 있고 AI 도구를 사용하는 데에는 익숙하지만 AI를 설계하고 개발할 정도의 기술적이고 전문적인 코딩, SW 지식은 부족하다고 인식하는 것이다. 이는 비전공자도 쉽게 접근할 수 있는 기초 코딩과 컴퓨터 지식에 대한 교육이 필요함을 시사한다. 또한 학습 기회 부족(43명, 25.44%)과 학습 시간 부족(30명, 17.75%)을 언급한 비율도 적지 않아 시간 제약을 고려한 효율적 학습 설계에 대해서도 고민할 필요가 있다.
<표 15>
AI 학습의 어려움 (N=169, 복수 응답)
AI 관련 교과목에 대한 요구를 보면 <표 16>과 같이 관심과 교육 요구도가 보통 이상의 수준으로 나타났으며, 이중 비전공자 대상의 교양 교과목(평균 3.85)에 대한 요구가 가장 높게 나타난 점은 주목할 만하다. 이는 AI가 특정 전공 영역을 넘어 전 학문 분야의 공통 핵심 역량이 되었음을 반영하며 AI 리터러시를 대학 교양교육의 핵심 구성 요소로 편성할 필요성을 시사한다. 또한 비교과 활동 요구도(평균 3.67)가 비교적 높은 수준을 보인 것은 학생들이 교과에서 다루지 못하는 실무적 기술, 심화된 도구 활용법, 콘텐츠 제작 등 실제적 학습에 대한 요구를 가지고 있음을 보여준다.
<표 16>
AI 관련 교과목 교육 요구 (N=169)
한편, 학습자들이 요구하는 교과목은 <표 17>을 보면 AI 코딩 과목(52.07%)에 대한 요구가 가장 높았다. 이는 앞선 AI 학습의 어려움 분석과 일치하는 결과로 학생들이 가장 부족하다고 느끼는 지식과 기술 영역이 동시에 가장 필요하다고 인식되는 것이다. 다음으로 생성형 AI 활용 응용 과목(48.52%)과 생성형 AI를 활용한 콘텐츠 제작(34.32%)에 대한 요구가 있었다. 이는 AI를 목적에 맞게 활용하고 창의적으로 응용하는 실천적 능력을 중요하게 여기는 최근의 AI 리터러시 논의(Biagini et al., 2023; OECD, 2025)와 부합한다. 기타 요구가 있었던 교과목으로는 AI 윤리, 저작권 특강, 실무 관련 내용을 가르치는 과목 등이 있었다. 다양한 생성형 AI 활용을 가르치는 응용 과목에 대한 요구는 앞서 살펴본 Biagini et al.(2023) 외 여러 연구들에서 논하고 있는 보편적 역량으로서의 AI 리터러시에 부합하는 것이다. Biagini et al.(2023)에서는 AI 모델과 앱 개발 능력 없이도 AI를 활용하는 능력을 강조하였고, 일상과 직무, 학업 등에서 AI를 적절하게 사용하는 역량이 필요함을 언급하였다. 이에 대학에서는 코딩뿐만 아니라 일상과 실무에 적용할 수 있는 다양한 응용 과목도 개발할 필요가 있다.
<표 17>
요구하는 교양 교과목 (N=169, 복수 응답)
| 내용 | 인원(명) | 비율(%) |
|---|---|---|
| AI 코딩 과목 | 88 | 52.07 |
|
|
||
| 다양한 생성형 AI를 유용하게 사용하는 법을 가르치는 응용 과목 | 82 | 48.52 |
|
|
||
| 생성형 AI를 활용해 텍스트, 이미지, 동영상 등의 콘텐츠 제작법을 가르치는 과목 | 58 | 34.32 |
|
|
||
| 생성형 AI를 활용하는 글쓰기 과목 | 20 | 11.83 |
|
|
||
| 기타 | 7 | 4.14 |
성별에 따라 AI 교육 요구도에 차이를 보이는지 검증하고자 독립표본 t-검정을 실시한 결과는 <표 18>과 같다. AI 지식과 기술 요구, 교육 요구, 비교과 활동 등에 대한 항목에서는 성별 간 차이가 없었으나, AI에 대한 관심도에 있어서는 남학생(평균 3.84)이 여학생(평균 3.46)보다 유의미하게 높게 나타났다(t = 2.855, p < .01). 이는 남학생들이 AI 기술과 트렌드에 더 많은 관심을 보이고 있음을 의미하는 것으로 ChatGPT 출시 초기 관찰된 성별 차이의 경향과 같다. 그러나 성별에 관계없이 AI 교육 및 비교과 활동에 대한 필요성을 공통적으로 느끼고 있는 것으로 나타나 AI 리터러시 교육이 특정 성별을 떠나 전반적인 학생층을 위한 보편적 교육으로 요구되고 있음을 알 수 있다.7)
<표 18>
성별에 따른 AI 교육 요구의 차이
| 종속변수 | 집단 | 표본수 | 평균 | 표준편차 | t | P |
|---|---|---|---|---|---|---|
| AI 관심도 | 남 | 108 | 3.84 | 0.81 | 2.855** | .005 |
|
|
||||||
| 여 | 61 | 3.46 | 0.89 | |||
|
|
||||||
| AI 지식과 기술 요구 | 남 | 108 | 3.71 | 0.99 | 1.846 | .067 |
|
|
||||||
| 여 | 61 | 3.43 | 0.94 | |||
|
|
||||||
| AI 교육 요구 | 남 | 108 | 3.68 | 0.91 | 1.465 | .145 |
|
|
||||||
| 여 | 61 | 3.46 | 0.96 | |||
|
|
||||||
| 비전공자 대상 AI 교과목 요구 | 남 | 108 | 3.89 | 0.98 | 0.703 | .483 |
|
|
||||||
| 여 | 61 | 3.79 | 0.76 | |||
|
|
||||||
| AI 관련 비교과 활동 요구 | 남 | 108 | 3.67 | 0.93 | -0.037 | .970 |
|
|
||||||
| 여 | 61 | 3.67 | 0.89 | |||
다음으로 전공 계열별 AI 교육 요구도의 차이를 보이는지 검증하고자 일원배치 분산분석을 실시한 결과는 <표 19>와 같다. 전공 계열에 따라 AI 지식과 기술에 대한 요구(F = 5.136, p < .01)가 유의한 차이를 보이는 것으로 나타났다. AI 관련 전공 학생들(평균 4.17)이 인문 계열 전공 학생들(평균 3.29)보다 AI 지식과 기술에 대한 요구가 높음을 볼 수 있다. 이는 AI 관련 전공 학생들이 전공 특성상 더 심화된 기술 교육을 필요로 하며 기초 교육을 넘어 전문적 기술 이해와 프로젝트 기반 역량 강화를 원하고 있음을 의미한다. 반면 공통 교양 교과목이나 비교과 활동 요구에서는 차이가 없었으므로 AI 리터러시의 기본 역량은 전공과 관계없이 모든 학생이 공통적으로 필요로 하는 범교양적 역량임이 확인된다.
<표 19>
전공 계열에 따른 AI 교육 요구의 차이
| 종속변수 | 집단 | 표본수 | 평균 | 표준편차 | F | P | Scheffe |
|---|---|---|---|---|---|---|---|
| AI 관심도 | 공학(a) | 132 | 3.62 | 0.88 | 3.643 | 0.028 | - |
|
|
|||||||
| AI관련(b) | 23 | 4.13 | 0.63 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.79 | 0.80 | ||||
|
|
|||||||
| AI 지식과 기술 요구 | 공학(a) | 132 | 3.55 | 1.00 | 5.136** | 0.007 | c<b |
|
|
|||||||
| AI관련(b) | 23 | 4.17 | 0.65 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.29 | 0.91 | ||||
|
|
|||||||
| AI 교육 요구 | 공학(a) | 132 | 3.52 | 0.95 | 2.661 | 0.073 | - |
|
|
|||||||
| AI관련(b) | 23 | 4.00 | 0.74 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.64 | 0.84 | ||||
|
|
|||||||
| 비전공자 AI 교과목 요구 | 공학(a) | 132 | 3.84 | 0.89 | 0.064 | 0.938 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.87 | 0.92 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.93 | 1.07 | ||||
|
|
|||||||
| AI 관련 비교과 활동 요구 | 공학(a) | 132 | 3.61 | 0.94 | 1.586 | 0.208 | - |
|
|
|||||||
| AI관련(b) | 23 | 3.96 | 0.82 | ||||
|
|
|||||||
| 인문(c) | 14 | 3.79 | 0.70 | ||||
이와 같이 대학 신입생들은 이미 높은 비율로 AI 교육을 경험하고 있으며 생성형 AI 기반 기술을 일상과 학업에서 적극적으로 활용하고 있다. 그러나 코딩, AI 모델 구축 등 생산적 기술 역량은 여전히 부족하며 이는 자신들이 AI 학습에서 가장 어려움을 느끼는 부분과도 밀접하게 일치한다. 교과 및 비교과 요구 분석에서는 비전공자 대상의 AI 교양 교과목과 실무 중심의 응용, 콘텐츠 제작 과목에 대한 요구가 높게 나타나 AI 리터러시 교육이 실질적 활용과 창의적 적용까지 확장되어야 함을 시사한다. 또, 성별과 전공 계열별 분석에서는 기본적인 AI 교육 요구는 집단 간 차이가 없는 것으로 나타나 AI 리터러시 교육이 특정 전공이나 특정 집단이 아닌 전 학생층을 대상으로 한 필수 교양 교육으로 자리해야 함을 보여준다. 한편, AI 관련 전공 학생들은 보다 심화된 기술 교육을 요구하고 있어 전공 계열별 맞춤형 교육 또한 필요함을 알 수 있다. 따라서 대학 교양 교육에서는 학습자들이 일상과 실무에서 필요한 AI를 비판적으로 선택하고 이를 윤리적, 생산적으로 활용할 수 있는 다양한 교육적 접근이 이루어져야 할 것이다.
5. 결론
AI 기술이 일상에 빠르게 확산되고 있고 생성형 AI로 인해 AI 활용이 보편화되면서 AI 리터러시는 대학생들에게 필수적인 미래 역량으로 자리잡고 있다. AI 리터러시는 태도, 지식, 기술의 상호작용이 이루어지는 다차원적인 역량으로 볼 수 있으며, 윤리, 평가, 식별, 이해, 사용, 응용, 창조의 일곱 가지 하위 요소로 개념화할 수 있다. 이 연구는 이러한 개념과 하위 요소에 근거해 조사 도구를 마련하였고, 대학 신입생들의 AI 리터러시 하위 역량을 계량적으로 분석하고 AI 관련 교육 경험 및 요구를 파악함으로써 차후 대학 교양 교육의 설계에서 고려해야 할 실증적 근거를 제시하는 데 목적을 두었다. 이에 본고는 A 대학의 1학년 학생들 169명을 대상으로 설문 조사를 통해 AI 리터러시를 측정하고 교육 경험 및 요구를 조사하였다.
AI 리터러시 측정 결과, 전반적으로 보통 이상의 수준이었으나 하위 범주별로 차이가 있었다. 가장 두드러진 특징은 신입생들의 AI 활용, 응용 역량은 높은 반면 AI 창조 역량은 매우 낮다는 점이다. 이는 생성형 AI가 강력한 사용자 친화적 인터페이스를 제공하며 학습자들이 자연스럽게 고차원적 출력물을 만들어내는 데 익숙해졌음을 의미한다. ChatGPT나 이미지 생성 모델과 같은 도구가 전문가 수준의 고급 기술 없이도 고차원적 결과물을 생산할 수 있는 환경을 제공하기 때문에 학생들은 응용 능력에서 높은 점수를 보인 것으로 해석된다. 반면 창조 능력은 AI 모델 설계, 프로그래밍, 알고리즘 이해 등 전문 기술과 결부된 영역이므로 이러한 능력의 부족은 자연스러운 결과라 할 수 있다. 특히 AI 창조 범주에서는 전공 계열에 따른 유의미한 차이도 발견되었는데, 인문 계열 학생은 AI 관련 전공의 신입생들에 비해 활용 및 개발에 대한 리터러시가 부족함이 나타났다.
AI 관련 교육 경험과 요구 분석에서는 대다수의 학생이 AI 관련 교육 경험이 있으나 여전히 코딩 지식 부족과 컴퓨터 지식 부족을 어려움으로 꼽았다. 그리고 AI 코딩 과목과 생성형 AI 활용 과목에 대한 높은 요구를 보였으며 비전공자를 위한 교양 교과목 및 비교과 활동에 대해서도 요구가 나타났다. 그러나 전공 계열별로 요구하는 지식과 기술 수준이 다른 것으로 나타나 과목 개발시 이 점을 고려할 필요가 있음을 시사하였다.
이와 같은 결과는 Biagini et al.(2023)이 강조한 바와 같이 AI 시대의 리터러시는 반드시 개발 능력을 포함할 필요는 없으며 오히려 “AI 모델을 직접 개발하지 않더라도 AI를 이해하고 활용하고 모니터링할 수 있는 능력”이 중요하다는 논의와도 맞닿아 있다. 그러나 동시에 대학 교육은 단순 AI 활용 수준에 머무르지 않고 학생들이 AI의 사회적, 윤리적 함의를 이해하며 기술적 한계와 위험성을 인식할 수 있도록 태도 기반의 리터러시를 강화해야 한다. 더 나아가 전공 계열의 특성을 반영하여 생산자 리터러시로의 진입을 지원하는 다층적 교육 체계가 필요하다. 즉, 대학 교육에서 사용자 리터러시와 생산자 리터러시 간의 균형을 어떻게 설정할 것인가가 중요한 과제임을 시사한다.
이에 본 연구는 대학 교양교육의 차원에서 참고할 수 있는 몇 가지 방향성을 제시한다. 우선, 모든 전공의 학생들이 기본적으로 갖추어야 할 AI 이해와 활용 능력을 지원하기 위해 AI 기본 리터러시를 다루는 교과목을 도입할 필요가 있다. 또한 AI 윤리, 비판적 평가, 책임 있는 활용 등 태도적 요소가 AI 리터러시 전반과 밀접하게 연관되는 점을 고려할 때 윤리와 평가 중심의 교육 모듈을 적절히 보완하는 방안도 함께 논의될 수 있다. 더불어 생성형 AI의 활용 능력이 높게 나타났으며 이에 대한 요구도 높다는 결과를 반영해 실제적 도구 활용과 콘텐츠 제작을 지원하는 응용 중심 교과나 비교과 프로그램의 확대도 이루어져야 할 것이다. 마지막으로 전공 계열별 역량 수준과 요구가 상이하게 나타난 점을 고려해 코딩, 데이터 분석, AI 모델 설계 등 심화 역량을 다루는 맞춤형 교육 제공 여부를 검토해야 한다.
이 연구는 AI 리터러시의 하위 요소를 구조화한 개념적 틀을 바탕으로 대학 신입생의 역량 수준을 다차원적으로 분석하고 대학 교육 설계의 기초 자료를 제시했다는 점에서 의의를 지닌다. 그러나 특정 대학의 1학년 학생만을 대상으로 했으며, 전공 계열별 비교는 표본의 불균형으로 인해 탐색적 분석의 수준에서 해석되어야 한다는 점에서 결과를 일반화하는 데에 제약이 있을 수 있다. 또한 자기보고식 설문 조사로 이루어져 실제 AI 리터러시 수준과 차이가 있을 수 있다는 한계를 지닌다. 향후 연구에서는 다양한 대학과 전공 영역을 포함한 표본 확장, 수행평가 기반의 실제 역량 측정, AI 리터러시 교육 프로그램의 효과성 검증 연구, 사용자 리터러시와 생산자 리터러시 간의 연계 전략 및 세부적 교육 모델 개발 등이 이루어져야 할 것이다. 앞으로 AI 리터러시의 중요성은 더욱 커질 것이며, 대학은 이러한 시대적 요구 및 변화에 대응하여 지속적으로 교육 과정을 개선하고 학생들의 요구를 반영해야 한다. 본 연구의 결과가 생성형 AI 시대의 고등교육에서 AI 리터러시 교육을 논의하는 데 참고할 수 있는 기초 자료로 활용되기를 바란다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
