1. 서론
인공지능(AI) 기술은 사회 전반의 혁신을 이끄는 핵심 동력으로 자리 잡았으며, 교육 분야 역시 그 변화의 중심에 서 있다. 특히 2022년 말, ChatGPT와 같은 고도화된 생성형 AI의 등장은 교육계에 중대한 학문적⋅실천적 화두를 던졌다. 이러한 기술은 단순한 정보 검색을 넘어 사용자와의 상호작용을 통해 텍스트, 코드, 이미지 등 새로운 콘텐츠를 창출하며, 교육 현장에 전례 없는 가능성을 제시하고 있다. 이는 단순한 보조 도구의 등장을 넘어, 교수자와 학습자의 역할, 지식 구성 방식, 그리고 교육의 근본적인 목표에 대해 심도 있는 재고를 요구하는 전환점이라 할 수 있다(김문주, 2024).
그간 대학 교양 영어 교육은 구조적인 한계에 직면해 있었다. 대규모 강좌, 학습자 간의 큰 수준 편차, 제한된 수업 시수 등의 제약은 교수자가 모든 학습자에게 개별 피드백과 맞춤형 지도를 제공하는 것을 현실적으로 어렵게 만들었다(간진숙 외, 2023). 이러한 환경은 불가피하게 표준화된 커리큘럼에 의존하게 하여, 개별 학습자의 흥미와 필요를 충분히 반영하지 못하는 결과를 낳았다. 생성형 AI는 바로 이러한 난제를 해결할 유력한 대안으로 부상하고 있다. 24시간 대화 파트너이자 세심한 문법 교정자로서 즉각적인 피드백을 제공하는 AI는 개인화된 학습 환경을 구현할 수 있다는 점에서 주목받는다(박은영, 2024; 유경아, 2024). 특히 이는 교수자 1인이 다수의 학습자를 담당하는 대학 교양 영어의 구조적 한계를 기술적으로 보완할 수 있는 ‘인지적 조력자’로서의 가능성을 시사한다.
이러한 기대 속에 국내 관련 연구 또한 폭발적으로 증가하였다. 초기 연구가 챗봇이나 모바일 애플리케이션의 활용 가능성을 탐색하는 수준에 그쳤다면 (김나영, 2019; 정숙경, 2019), ChatGPT 이후에는 연구의 깊이와 범위가 현저히 확장되었다. 최근에는 쓰기(Lee, 2025), 말하기(백지연, 2024), 읽기(양혜진, 2025) 등 핵심 언어 기능 전반에 AI가 미치는 영향을 검증하는 심층 연구가 주를 이루며, 문법, 어휘, 자신감 등 여러 측면에서 긍정적 성과를 일관되게 보고하고 있다(정남숙, 2024).
그러나 긍정적 전망과 함께 신중한 접근을 요구하는 비판적 논의 또한 활발하다. 정보의 정확성과 신뢰성 문제, 학습자의 기술 의존도 심화, 그리고 표절과 같은 연구 윤리 문제는 여전히 해결해야 할 과제로 남아있다(김미경, 2023; 박혜경, 2024). 이는 AI 도입이 단순히 기술을 채택하는 문제를 넘어, 교육 철학, 평가 방식, 그리고 윤리적 가이드라인의 재정립을 요하는 복합적인 과제임을 시사한다.
AI 기술에 대한 기대와 우려가 교차하는 현시점에서, 지난 수년간 축적된 연구 성과를 체계적으로 종합하는 작업은 학술적으로 매우 유의미하다. 이에 본 연구는 2019년부터 2025년까지 국내에서 발표된 교양 영어 수업 내 AI 활용 관련 핵심 논문 50편을 선정하여 체계적 문헌분석을 수행하고자 한다. 분석 과정에서 연구 주제의 분포, 방법론적 경향, 주요 연구 결과를 심층적으로 고찰함으로써 국내 연구 지형도를 명확히 진단하고, 급변하는 기술 환경 속에서 단순한 도구 활용을 넘어 교육적 본질을 유지할 수 있는 학술적⋅실천적 가이드라인을 도출하고자 한다.
2. 연구 방법
2.1. 분석 대상 문헌 검색 및 선정
본 연구는 생성형 인공지능(Generative AI)을 포함한 AI 기술을 활용한 국내 대학 교양 영어 교육 연구의 현황을 체계적으로 고찰하고, 향후 연구 방향에 대한 시사점을 도출하는 데 목적이 있다. 이를 위해 체계적 문헌고찰의 국제적 표준인 PRISMA 2020(Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 지침(Page et al., 2021)을 준수하여 문헌 검색, 선별, 최종 분석 절차를 수행하였다[그림 1].
분석 대상 문헌의 시기는 AI 기술의 급격한 발전과 교육적 도입 시기를 고려하여 2019년 1월부터 2025년 8월까지로 한정하였다. 검색 데이터베이스는 국내 대표 학술 정보 서비스인 RISS와 한국학술지인용색인(KCI)을 활용하였으며, 검색식은 ‘인공지능’ OR ‘생성형 AI’ OR ‘ChatGPT’ AND ‘대학 영어’ OR ‘교양 영어’로 설정하여 관련 자료를 포괄적으로 수집하였다. 연구의 질적 수준을 보장하기 위해 등재학술지 게재 논문으로 대상을 한정하였으며, 학위 논문 및 학술대회 발표 자료는 제외하였다.
검색 결과 총 1,243편의 논문이 1차 추출되었다. 선정 및 배제 기준에 따라 1차로 연구 분야가 인문학 및 사회과학에 해당하지 않는 411편을 제외하였다. 이어 교육학, 영어영문학, 언어학에 포함되지 않는 386편을 추가 배제하였으며, 이후 영어교육과 직접적 관련성이 낮은 86편을 제외하였다. 마지막으로 제목, 초록, 키워드 검토를 통해 연구 목적에 부합하지 않는 310편(예: 대학생이 아닌 초⋅중등 대상 연구, 교양 영어가 아닌 다른 교과목에서 AI 활용한 연구)을 최종 배제하여, 총 50편의 논문을 분석 대상으로 확정하였다.
확정된 문헌에 대해서는 연구 시기, 대상, 방법론, 초점이 된 언어 영역 등을 중심으로 코딩을 실시하였다. 특히 분석의 객관성과 일관성을 극대화하기 위해 본 연구자는 전수 코딩 완료 후, 약 2주의 시간 간격을 두고 재코딩(Re-coding)을 실시하는 반복 비교 분석을 수행하였다. 1차 코딩 결과와 재코딩 결과 사이의 미세한 차이가 발생하는 항목에 대해서는 원문을 재독하여 분석 기준을 정교화하는 과정을 반복함으로써 연구자 내 신뢰도(Intra-rater reliability)를 확보하였다.
2.2. 분석 기준
선정된 50편의 논문은 연구의 다각적 분석을 위해 수립된 다음의 다섯 가지 분석 기준을 사용하여 체계적으로 검토되었다.
연도별 출판 동향: 주요 AI 도구 출시 이후, 시간의 흐름에 따라 해당 주제에 대한 학문적 관심도의 변화를 파악하기 위해 연도별 논문 수를 추적하였다. 이를 통해 기술 발전이 학술 담론의 형성과 확산에 미치는 영향을 계량적으로 분석하고자 하였다. 이는 특정 기술의 사회적 파급력이 학계의 연구 의제에 어떻게 반영되는지를 보여주는 지표가 된다.
핵심 연구 주제: 각 논문의 주제어, 연구 질문, 초록을 바탕으로 주제 분석(thematic analysis)을 실시하여 주요 연구 주제(예: 쓰기 능력 향상, 학습 동기 부여, 교수-학습 모델)별로 분류하였다. 이를 통해 어떤 연구 분야가 지배적으로 다루어졌는지, 그리고 상대적으로 연구가 미진한 분야는 무엇인지 확인하여 연구의 지형도를 입체적으로 구성하였다.
연구 방법: 연구자들이 설정한 연구 문제에 접근하는 방식을 이해하기 위해, 각 연구에 사용된 방법론을 구체적인 기준(예: 통제집단 유무, 데이터 수집 방식, 분석 기법)에 따라 양적 연구, 질적 연구, 혼합 연구로 분류하였다. 이는 해당 분야의 연구가 경험적 증거를 어떻게 축적하고 있는지를 보여주는 중요한 척도이다.
활용된 AI 도구: 기술적 지형도를 파악하기 위해 연구에 활용된 특정AI 도구(예: ChatGPT, 파파고, Grammarly 등)를 식별하고, 해당 도구가 연구 설계에서 수행한 역할(예: 주된 개입 도구, 보조 도구)을 분석하였다. 이는 기술의 발전이 교육 연구의 방법과 내용에 미치는 직접적인 영향을 보여준다.
이와 같은 구조적인 분석 절차와 정교화된 분석 기준을 통해, 본 연구는 국내 대학 교양 영어교육 분야의 AI 연구 현황에 대한 객관적이고 심층적인 분석을 수행하였다.
3. 연구 결과
3.1. 2023년 이후 연구의 양적 팽창과 학문적 패러다임의 전환
분석 결과, 대학 교양 영어교육 분야의 AI 연구는 2022년 말 생성형 인공지능인 ChatGPT의 등장 이후 폭발적인 증가세를 보였다. [그림 2]는 이러한 급격한 성장 추이를 시각적으로 보여준다. 막대그래프에 따르면 2019년과 2021년에는 소수의 연구만 보고되었으나, 2023년 이후 발표 논문 수가 큰 폭으로 증가하여 2024년과 2025년에 정점에 도달한 것을 확인할 수 있다. 이는 ChatGPT의 등장이 연구자들의 관심을 촉발하며 학문적 담론을 확장하는 계기가 되었음을 잘 보여준다.
2019~2021년의 초기 연구들은 주로 탐색적 성격을 띠었다. 이 시기 연구들은 학생들이 사용하는 모바일 학습 앱이나 초기 챗봇의 일반적인 사용 현황을 살펴보는 데 초점을 맞추었다. 예를 들어, 정숙경(2019)의 연구는 학생들이 유용한 앱에 대한 정보 및 흥미 부족으로 AI 기반 학습 도구의 사용률이 저조하며, AI 기술 자체에 대한 인식 또한 매우 제한적임을 실증적으로 밝혔다. 이 시기의 연구들은 생성형 AI가 본격적으로 논의되기 전, AI 기술에 대한 교육 현장의 수용도가 아직 초기 단계에 머물러 있었음을 보여준다.
초기 연구(2019~2021)가 기술 수용도와 단순 사용 현황 파악에 집중했다면, 2023년 이후의 연구는 AI를 교수-학습 프로세스의 핵심 변인으로 설정하여 그 인과적 효과를 검증하는 데 주력하였다. 특히 2023년은 연구 패러다임의 명백한 전환점으로, 연구자들은 ChatGPT를 수업에 직접 통합하여 쓰기와 말하기 등 구체적인 언어 능력 향상을 목표로 한 실험 연구를 활발히 전개하였다(이지연, 김영숙, 2023; 천승미, 2023). 대표적으로 천승미(2023)는 ChatGPT 활용 집단이 동료와 연습한 집단에 비해 말하기의 유창성과 정확성 측면에서 통계적으로 유의미한 우위를 보였음을 입증했다. 이러한 결과는 AI가 인간 동료와의 상호작용을 일정 부분 대체하거나 보완할 수 있다는 경험적 증거를 제시하였으며, 나아가 프롬프트 전략이나 AI 리터러시와 같은 고차원적 운영 방안으로 연구가 심화되는 논리적 근거를 마련하였다.
2024년과 2025년에 이르러, 연구는 양적 성장을 넘어 질적으로 성숙하는 단계에 진입하였다. 연구의 질문은 단순히 “효과가 있는가?”를 넘어 “어떻게 하면 더 효과적으로, 그리고 비판적으로 활용할 수 있는가?”로 심화되었다. 이에 따라 효과적인 프롬프트 전략(Huh et al., 2024), AI 리터러시 교육(Dillon, 2024), 그리고 AI 사용과 비판적 사고의 균형을 도모하는 방안(박에이미, 김경혜, 2025) 등 보다 정교한 주제들이 다루어졌다. 이는 AI를 단순한 도구로 보는 관점에서 벗어나, 학습자와 상호작용하는 교육적 행위자로서 인식하고 그 관계를 심도 있게 탐구하려는 학문적 노력의 일환으로 해석될 수 있다.
3.2. 연구 주제의 분포 및 심층 분석: 기능적 편중과 인식의 진화
분석 대상 논문들을 주제별로 분류한 결과, <표 1>에서와 같이 인공지능 활용 연구는 크게 언어 기능별 효과, 학습자 중심의 요인분석, 그리고 교육적 적용이라는 세가지 방향에서 수행되었음을 알 수 있다. <표 1>은 총 50편의 논문을 주요 연구 주제별로 세분화하여 제시하여 최근 연구 동향을 구체적으로 파악할 수 있도록 하였다.
<표 1>
주요 연구 주제 분석
먼저, 언어 기능별 효과 측면에서는 영어 쓰기 능력을 다룬 연구가 27편으로 가장 높은 빈도를 보였다. 연구자들은 AI 도구가 문장 단위의 문법 피드백과 어휘 제안을 제공하는 미시적 수준을 넘어, 아이디어 생성이나 글의 구조화와 같은 거시적 수준에서도 학습자를 효과적으로 지원한다는 사실을 확인하였다(노유수, 2025; 유경아, 2024). 이어 말하기(Speaking) 영역(10편)에서는 AI 챗봇과의 상호작용을 통해 유창성과 정확성을 향상시키고, 면접 및 발표 연습, 발음 교정 등에 활용하여 그 효과를 검증하는 연구들이 활발히 진행되었다(김시현, 2025; 나경희, 2024; Mun, 2025). 읽기(Reading) 및 기타 영역에서는 AI를 활용한 텍스트 내용 이해, 독해 전략 수립뿐만 아니라 TOEIC 성취도 향상이나 연어⋅관용어와 같은 고정 표현 학습에 AI를 접목하여 그 효용성을 탐색하였다(간진숙 외, 2023; 문은주, 2025; 차민영, 임희주, 2023).
학습자 요인 관련 연구는 정의적 영역, 인식 및 태도, 학습 전략을 중심으로 분류하였다. 우선 AI 활용이 학습자의 정의적 측면에 미치는 긍정적 영향이 여러 연구를 통해 확인되었다. 일례로 윤택남과 이유진(2024)은 이미지 생성형 AI인 ‘Midjourney’를 활용한 영어 쓰기 활동이 대학생의 학습 흥미와 자신감을 통계적으로 유의미하게 향상시켰음을 입증하였다. 이러한 경향은 학습자들이 AI 쓰기 도구의 보조를 받을 때 영어 쓰기에 대한 불안감이 낮아지고, 과업 수행 과정에서 더 높은 자신감과 편안함을 느낀다는 Carrier et al.(2024)의 연구 결과와 궤를 같이한다. 특히 해당 연구는 학습자들이 전통적인 강의 방식이나 AI만을 엄격히 활용하는 수업보다, 두 방식이 유기적으로 결합된 혼합형(Blended) 교수법을 가장 선호한다는 점을 구체적으로 보여주었다. 결과적으로 AI는 학습자에게 실수를 두려워하지 않는 ‘심리적으로 안전한 환경’을 제공함으로써 영어 학습을 긍정적인 경험으로 전환시키며, 이는 심리적 요인이 언어 습득의 성공을 견인하는 핵심 동력임을 시사한다.
학습자의 인식 및 태도(32편)에 관한 연구 또한 주요하게 다루어졌다. 초기 연구에서는 인공지능 기반 학습 도구에 대한 낮은 인지도와 인간 교수자에 대한 압도적인 선호도가 보고되었으나 (김동미, 장병현, 2021; 정숙경, 2019), ChatGPT 보급 이후에는 기술적 유용성에 대한 학습자의 긍정적인 체감이 두드러지기 시작했다. 구체적으로 학습자들은 AI가 제공하는 피드백의 신속성과 사용의 편의성에 높은 만족도를 보였으며(임희주, 2023; 양혜진, 2025), 이러한 효율성을 바탕으로 향후에도 AI 도구를 지속적으로 활용하고자 하는 의사를 밝혔다(서혜진, 2024). 또한, 문법 및 문장 구조 개선 측면에서도 AI의 유용성을 매우 높게 인식하고 있는 것으로 나타났다(박혜경, 2024).
그러나 기술에 대한 신뢰와 별개로, 학습자들은 AI의 한계와 교수자의 역할에 대해 명확한 선을 긋고 있었다. 현일선(2025)은 학생들이 AI 피드백을 신뢰하면서도 이를 영작 평가 도구로 사용하는 것에는 회의적이며, 교수자의 개입이 동반된 ‘하이브리드’ 방식의 평가를 선호한다는 점을 규명하였다. 김정덕(2025) 역시 내용의 논리나 아이디어 구성과 같은 고차원적 피드백에 대해서는 비판적인 수용 태도를 보였다. 이러한 맥락에서 학습 과정 및 전략(23편)에 관한 연구들은 학습자의 메타인지적 성찰과 AI 리터러시 함양의 중요성을 강조하며, 지나친 AI 의존에 따른 주체적 언어 발달 저해(곽면선, 2025)나 윤리적 문제(Lee & Choi, 2024)를 경계하고 있다. 특히 학습자의 자기주도학습 능력과 프롬프트 리터러시(Prompt Literacy) 교육이 뒷받침될 때 비로소 AI의 교육적 효과가 극대화될 수 있음을 시사한다(양혜진, 2025; Dillon, 2024).
마지막으로 교육적 적용 및 교수 설계(24편) 영역에서는 AI를 활용한 프로젝트 기반 학습(PBL)이나 협력 학습 모델의 개발이 활발히 논의되었다(김미경, 2023; 박에이미, 김경혜, 2025). 이들 연구는 AI가 단순한 보조 도구를 넘어 교수-학습의 패러다임을 전환하는 매개체로서의 가능성을 탐색하며, 기술 도입 과정에서 발생할 수 있는 윤리적 문제와 비판적⋅창의적 사고 능력 배양을 위한 교수자의 새로운 역할을 핵심 과제로 제시하고 있다(안태연, 민호기, 2024; Shi et al., 2024).
3.3. 연구 방법 및 AI 도구: 혼합 연구법의 선호와 ChatGPT의 독보적 위상
국내 대학 교양 영어 교육 분야의 AI 관련 연구들은 교육 현상의 다각적 분석을 위해 다양한 방법론을 동원하였으며, 그중에서도 양적 접근과 질적 접근의 강점을 결합한 혼합 연구법(Mixed methods)이 전체의 56%(28편)로 가장 높은 비중을 차지하였다(<표 2> 참조).
<표 2>
연구 방법 상세 분석
| 대분류 | 소분류 | 세부 내용 및 특징 | 관련 논문 | n | % |
|---|---|---|---|---|---|
| 혼합 연구 | 양적/질적 결합 | 설문, 시험 등 양적 데이터와 인터뷰, 성찰일지 등 질적 데이터를 통합분석 | 간진숙 외(2023), 곽면선(2025), 김나영 외(2025), 김나영, 김혜숙(2025), 김미경(2023), 김소정(2025), 김시현(2025), 김정덕(2025), 나경희 외(2025), 남미영(2025), 노유수(2025), 문은주(2025), 박은영(2024), 서혜진(2024), 양혜진(2025), 유경아(2024), 이선영, 박희영(2025), 이지연, 김영숙(2023), 임지수(2024), Bok & Cho(2023), Dillon(2024), Han(2024), Hong & Shin(2024), Lee & Choi(2024), Mun(2024), Mun(2025), Yang(2025), Yin(2025) | 28 | 56 |
|
|
|||||
| 양적 연구 | 실험연구 | 통제집단과 실험집단을 설정하여 AI 도구의 효과를 통계적으로 검증 | 강동호(2025), 김나영(2019), 김혜숙 외(2025), 정남숙(2024), 천승미(2023), Shi et al.(2024) | 6 | 12 |
|
|
|||||
| 조사연구 | 설문지를 통해 다수 학습자의 인식, 태도, 사용 현황 등을 분석 | 김동미, 장병현(2021), 박혜경(2024), 윤택남, 이유진(2024), 임희주(2023), 정숙경(2019), 차민영, 임희주(2023), Carrier et al.(2024), Lee & Davis(2024) | 8 | 16 | |
|
|
|||||
| 질적 연구 | 사례연구 | 소수의 특정사례를 심층적으로 분석 하여 구체적 맥락과 과정을 이해 | Lee(2025) | 1 | 2 |
|
|
|||||
| 내용분석 | 대화 로그, 작문, 성찰일지 등 텍스트 데이터의 의미와 패턴 도출 | 김태호(2024), 나경희(2024), 박에이미, 김경혜(2025), 백지연(2024), 안태연, 민호기(2024), 현일선(2025), Huh et al.(2024) | 7 | 14 | |
|
|
|||||
| 합계 | 50 | 100 | |||
이러한 방법론적 경향은 AI의 교육적 유용성을 통계적 지표로 입증하는 동시에, 기술 매개 학습 환경에서 학습자가 경험하는 개별적⋅주관적 변화를 심층적으로 포착하려는 학계의 통합적 접근 요구를 반영한다. 연구자들은 통제집단 설계를 통한 정량적 검증과 인터뷰 및 성찰일지를 활용한 정성적 분석을 병행함으로써, AI 기술이 학습 성과에 미치는 영향은 물론 학습자의 인지적⋅정서적 변화 과정까지 입체적으로 규명하고자 하였다. 일례로 노유수(2025)의 연구는 작문 능력의 향상을 통계적으로 검증함과 동시에 심층 인터뷰를 통해 학습자의 실제적인 활용 전략과 심리적 태도를 탐색함으로써 연구의 다각적 타당성을 확보하였다. 이어지는 분석 결과에서는 설문조사와 실험 중심의 양적 연구(28%)가 수행되었으며, 내용분석 및 사례연구 위주의 질적 연구(16%)가 상대적으로 적은 비중을 차지하고 있는 것으로 나타났다. 양적 연구 내에서는 설문 기반의 조사연구(16%)가 실험연구(12%)보다 다소 높게 나타났으며, 질적 연구의 경우 사례연구(2%)보다는 대화 로그나 성찰일지를 분석하는 내용분석(14%)이 주를 이루었다.
방법론적 다양성과 더불어 교육 현장에서 활용된 AI 도구의 분포 역시 주목할 만한 편중 현상을 보인다. <표 3>에서 볼 수 있듯이, ChatGPT는 학술적 논의의 중심에서 압도적인 위상을 점유하고 있다(40편). 반면, 초기 챗봇 형태인 소셜형 AI(미추쿠 등) 활용 연구는 2편, 파파고⋅구글 번역기와 같은 기계 번역기, Grammarly 등의 문법 검사기 활용 연구는 각각 4편 수준에 그쳤다. 또한, 이미지 생성 AI(Midjourney 등)나 TOEIC 학습을 위한 적응형 플랫폼 및 모바일 앱을 활용한 연구도 일부 수행되었으나(각 1~4편), 대다수의 연구는 ChatGPT에 집중되는 양상을 보였다. 이는 ChatGPT가 지닌 고도의 자연어 생성 능력과 범용성에 기인한 것으로, 단순한 규칙 기반 챗봇이나 번역 기능을 넘어 교육 전반에 걸친 심층적인 상호작용의 가능성을 열어주었기 때문이다. 결과적으로 ChatGPT는 현재 국내 교양 영어 교육 연구에서 명실상부한 핵심 탐구 대상으로 자리매김하였다.
<표 3>
활용된 AI 도구 상세 분석
| 도구 대분류 | 도구 소분류 | 구체적 예시 | 주요 역할 및 기능 | 관련 논문 | n |
|---|---|---|---|---|---|
| 대화형 AI | 과업 지향형 / 정보형 (Task-oriented) | Chat GPT-3.5 GPT-4 | 쓰기/말하기 파트너, 피드백 제공, 정보 검색, 아이디어 생성 | 강동호(2025), 곽면선(2025), 김나영 외(2025), 김나영, 김혜숙(2025), 김소정(2025), 김시현(2025), 김정덕(2025), 김태호(2024), 김혜숙 외(2025), 나경희(2024), 나경희 외(2025), 남미영(2025), 노유수(2025), 박에이미, 김경혜(2025), 박혜경(2024), 백지연(2024), 서혜진(2024), 양혜진(2025), 안태연, 민호기(2024), 유경아(2024), 이선영, 박희영(2025), 임지수(2024), 임희주(2023), 정남숙(2024), 차민영, 임희주(2023), 천승미(2023), 현일선(2025), Bok & Cho (2023), Carrier et al.(2024), Dillon(2024), Han(2024), Hong & Shin(2024), Huh et al.(2024), Lee(2025), Lee & Choi(2024), Lee & Davis(2024), Mun(2024), Mun(2025), Shi et al.(2024), Yin(2025) | 40 |
|
|
|||||
| 비과업 지향형 / 소셜형 (Social/Emotional) | 미추쿠, 레플리카 | 초기 대화형 상호작용, 문법 연습 | 김나영(2019), 박은영(2024) | 2 | |
|
|
|||||
| 보조 도구 | 기계 번역 | 파파고, 구글 번역 | 초기 번역, 어휘 및 표현 참고 | 김미경(2023), 김혜숙 외(2025), 서혜진(2024), 이지연, 김영숙(2023) | 4 |
|
|
|||||
| 문법 검사기 | Grammarly, Virtual Writing Tutor | 문법, 철자, 구두점 등 형식적 오류 교정 | 김미경(2023), 이지연, 김영숙(2023), Mun(2024) | 3 | |
|
|
|||||
| 이미지 생성 | DALL-E, Midjourney | 쓰기 활동을 위한 시각적 영감 제공 | 윤택남, 이유진(2024) | 1 | |
|
|
|||||
| 특정 플랫폼 | 적응형 학습 (AI-AL) | TOEIC 기반 AI 학습 프로그램 | 개인 수준 맞춤형 문제 제공 및 학습 관리 | 간진숙 외(2023), 김동미, 장병현(2021) | 2 |
|
|
|||||
| 모바일 앱 | 영어 학습 앱 (TOEIC 앱 등) | 모바일 환경에서의 자율 학습, 특정 기능 (단어, 리스닝) 연습 | 정숙경(2019) | 1 | |
전체 50편 중 40편에서 ChatGPT를 주요 도구로 활용하고 있다는 점은 기술적 수렴 현상을 극명하게 보여주는 동시에, 교육 현장의 연구가 특정 상용 서비스에 과도하게 의존하고 있다는 한계점도 시사한다. 이는 향후 연구가 특정 소프트웨어의 단발적 효과 검증을 넘어, AI 기술의 보편적 교육 원리를 정립하고 다양한 플랫폼을 아우르는 교수학적 모델을 설계해야 한다는 과제를 던져준다.
3.4. 분석 결과 종합: 교육적 효과 및 한계점
본 연구의 분석 대상이 된 50편의 문헌을 종합한 결과, 국내 대학 교양 영어 교육 내 AI 활용은 크게 ‘언어적, 정의적 교육 효과’와 ‘한계 및 우려 사항’이라는 두 가지 핵심 경로를 형성하고 있음이 확인되었다.
3.4.1. 교육적 효과
선행 연구들에서 가장 일관되게 보고된 성과는 언어 능력의 실질적 향상, 특히 쓰기 영역에서의 가시적인 변화이다. 분석 결과에 따르면, AI는 학습자에게 상시 접근 가능한 피드백 제공자로서 문법적 오류 수정, 어휘의 적절성 제고, 문장 구조의 개선 등을 지원하는 것으로 나타났다(유경아, 2024; Shi et al., 2024). 이러한 즉각적인 피드백 기제는 학습자가 자신의 오류를 실시간으로 인지하고 수정하는 학습 순환 구조를 형성하며, 기존 대규모 강의 환경의 한계였던 개별 맞춤형 지도를 보완하는 대안으로 활용되고 있음이 확인되었다.
또한, 학습자의 정의적(affective) 측면에서도 유의미한 변화가 보고되었다. 비대면 기반의 AI 상호작용은 타인의 시선이나 평가 부담을 완화하여 학습자의 ‘정의적 필터’를 낮추는 역할을 한다(이지연, 김영숙, 2023). 이는 영어 사용에 대한 심리적 장벽을 낮추어 학습 불안을 감소시키고 자신감을 증진시키는 결과로 이어졌으며, 나아가 학습자가 스스로 학습 과정을 관리하고 전략을 수정하는 자기주도적 학습 태도의 형성에도 긍정적인 영향을 미치는 것으로 파악되었다(간진숙 외, 2023).
3.4.2. 한계 및 우려 사항
기술 도입의 긍정적 성과와 더불어, 문헌들은 공통적으로 실행상의 한계점과 잠재적 위험 요소를 지적하고 있다. 가장 빈번하게 언급된 문제는 정보의 신뢰성으로, AI가 사실과 다른 정보를 정교하게 생성하는 ‘환각 현상(hal-lucination)’이나 언어적 맥락 오독에 따른 오류 가능성이 주요 한계로 보고되었다(박혜경, 2024). 이는 학습자가 AI의 결과물을 무비판적으로 수용할 경우 발생할 수 있는 학습 왜곡의 위험성을 시사한다.
이와 함께 기술에 대한 과도한 의존이 초래하는 인지적 측면의 부작용도 확인되었다. AI를 활용한 신속한 과제 해결 방식은 학습자가 필수적으로 거쳐야 할 비판적 사고나 문장 구성의 노력을 생략하게 함으로써, 장기적으로는 문제 해결 역량의 저하를 야기할 수 있다는 우려가 제기되었다(김미경, 2023). 특히 학습자가 AI를 심층적인 학습 도구가 아닌 단순한 번역이나 교정 수단으로만 소비할 경우, 언어 역량의 근본적인 체득보다는 피상적인 결과물 도출에 그칠 수 있음이 지적되었다(남미영, 2025). 이러한 결과는 분석 대상 문헌들이 AI의 도구적 유용성을 인정하는 동시에, 학습자의 주체적 참여를 보장할 수 있는 교육적 설계가 필수적임을 공통적으로 시사한다.
4. 논의
본 연구에서 분석한 50편의 학술 논문을 바탕으로 도출된 주요 결과를 중심으로, 교육자와 연구자들에게 실질적이고 구체적인 시사점을 제공하고자 한다.
4.1. 연구 주제의 편중 현상과 확장 가능성
본 연구에서 분석한 50편의 문헌 중 쓰기 영역을 다룬 연구는 27편으로, 단일 기능 영역 중 가장 높은 비중을 차지하고 있다. 이러한 쓰기 중심의 연구 경향은 최근 해외 메타분석 연구들에서도 공통적으로 나타나는데, 이는 생성형 AI 연구가 초기 단계에서 ChatGPT를 활용한 텍스트 생성 및 자동 피드백의 즉각적인 유용성에 과도하게 의존했음을 보여준다(Feng et al., 2025; Wang et al., 2025). 그러나 최근 해외 연구들은 AI가 듣기와 말하기 기능 향상에도 유의미한 효과가 있음을 입증하며, 언어 교육 전반으로의 영역 확장 필요성을 뒷받침하고 있다(Hou & Min, 2025; Wu, 2024; Xu & Wang, 2024).
따라서 향후 연구는 말하기, 듣기, 읽기 교육 전반으로 그 영역을 균형 있게 확장해야 하며, 기술 도입을 넘어 학습자의 주체적 참여를 보장하는 설계가 병행되어야 한다. 구체적인 방안은 다음과 같다.
첫째, 말하기 교육에서는 단순한 AI 역할극 시뮬레이션을 넘어 ‘메타인지적 대화 설계 및 성찰 모델’로의 전환이 필요하다. 학습자가 직접 대화의 목적, AI의 페르소나, 상황적 맥락(Meaning Constraint)을 설정하게 함으로써 학습 주도권을 강화해야 한다(Hou & Min, 2025). 또한, 학습자는 AI가 제공하는 음성학적 피드백을 수동적으로 수용하는 데 그치지 않고, 자신의 발화 로그와 AI의 분석 데이터를 대조하여 스스로 교정 전략을 수립하는 ‘데이터 기반 성찰 학습’ 과정에 능동적으로 참여해야 한다.
둘째, 듣기 교육에서는 학습자의 수준에 맞춘 ‘적응형 청해 모니터링 모델’의 개발과 적용이 요구된다. 이는 단순히 시스템이 난이도를 조절하는 것에 머물지 않고, 학습자가 자신의 이해도에 따라 AI에게 발화 속도, 어휘 수준, 배경지식 제공 여부를 직접 요청(prompting)하게 함으로써 자기조절학습(SRL)의 핵심인 ‘환경 조절 전략’을 실천하게 하는 설계이다(Wu, 2024). 특히 AI가 생성한 멀티모달 텍스트를 비판적으로 청취하고 자신의 이해 과정을 스스로 평가하는 메타인지적 활동이 병행될 때, AI는 비로소 단순 도구를 넘어선 교육적 가치를 지닌다(Wang et al., 2025).
셋째, 읽기 교육 역시 단순한 정보 습득을 넘어 AI를 활용한 배경지식 탐색이나 비판적 질문 생성 등 고차원적 독해 역량을 함양하는 방향으로 나아가야 한다. 최근 음성, 이미지, 영상을 포괄하는 멀티모달(multimodal) AI 기술의 발달은 이러한 언어 4대 영역의 통합적 접근 가능성을 더욱 높여주고 있으며, 이를 통해 학습자가 다감각적인 환경에서 주체적으로 언어 입력을 처리할 수 있는 환경을 구축해야 한다(김나영, 김혜숙, 2025).
4.2. “효율적 도구”를 넘어 “학습 파트너”로
AI를 단순한 수행 도구로 활용하는 것과 능동적인 학습 파트너로 인식하는 것 사이에는 본질적인 교육적 차이가 존재한다. 국내외 선행 연구에서 공통으로 지적하듯, 학습자들이 AI를 과제 완수를 위한 ‘빠른 해결책’으로만 소비하는 경향은 단기적 성과를 높일 수는 있으나 심층적인 언어 습득과 인지적 발달을 저해할 위험이 크다(남미영, 2025; Feng et al., 2025). 이러한 한계를 극복하기 위해서는 AI를 학습자의 사고를 대신하는 존재가 아닌, 인지적 능력을 확장하고 촉진하는 ‘마음 도구(Mind Tool)’이자 지적 파트너로 재정의해야 한다(Chang & Sun, 2024).
이러한 인식의 전환을 실천하기 위해서는 학습자의 프롬프트 리터러시(Prompt Literacy) 교육이 체계적으로 선행되어야 한다. 학생들은 단순히 결과물을 얻기 위한 명령어를 입력하는 수준을 넘어, 자신의 학습 목표에 부합하는 정교한 프롬프트 패턴(Prompt Patterns)을 설계하고 제어하는 법을 익혀야 한다(Wang et al., 2025; Yang & Li, 2024). 예를 들어, “문장을 고쳐줘”라는 일방적 요구 대신, “해당 문장을 학술적인 톤으로 수정하되, 위반된 문법 규칙을 구체적으로 설명해줘”라거나 “제시한 주장의 논리적 허점을 지적하고 비판적인 반론을 제기하여 내가 다시 답변할 수 있게 유도해줘”라는 식의 상호작용적이고 전략적인 요청을 할 수 있어야 한다.
특히 학습자는 AI가 생성한 결과물을 무비판적으로 수용하지 않고, 자신의 기존 지식이나 타 출처와 비교하는 ‘비판적 검증(Cross-validation)’ 과정을 반드시 거쳐야 한다(Wang et al., 2025). 이러한 성찰적 상호작용은 AI를 단순한 정보 제공자가 아닌 학습의 동반자로 격상시키며, 학습자가 AI와의 대화 과정을 스스로 모니터링하고 조절하게 함으로써 궁극적으로 메타인지 능력과 자기조절학습(SRL) 역량을 향상시키는 핵심적인 계기가 될 것이다(Chang & Sun, 2024; Wu, 2024).
4.3. AI 시대 교사의 역할 재정립
AI 기술의 비약적인 발전이 교사의 역할을 대체할 것이라는 일각의 우려와 달리, 본 연구의 결과는 오히려 교수자의 전문성이 더욱 중요해지고 있음을 시사한다. AI는 문법 교정이나 정보 요약과 같은 반복적이고 일상적인 과업을 효율적으로 처리함으로써, 교사가 학생들과의 고차원적인 상호작용에 집중할 수 있는 환경을 제공하는 보완재의 성격이 강하다(정남숙, 2024). 해외 연구들 역시 AI가 제공하는 자동 피드백(AWF)의 효능이 여전히 검증 단계에 있으며, 기술적 수월성이 곧 교육적 타당성을 보장하는 것은 아니라는 점을 들어 교수자의 개입과 통합적 리더십의 중요성을 강조하고 있다(Li & Zhao, 2025; Shi & Aryadoust, 2024).
실제로 학습자들은 AI의 기계적인 피드백보다 교수자의 깊이 있는 조언과 정서적 교감을 더 신뢰하는 경향을 보인다(Bok & Cho, 2023). 특히 최신 연구에 따르면, AI를 활용한 학습에서 인지적 지원뿐만 아니라 불안 감소와 동기 부여 같은 정서적 지원이 통합될 때 학습 효과가 극대화되는데, 이러한 복합적인 지지는 여전히 인간 교사의 고유한 영역으로 남아 있다(Liu et al., 2024; Wu, 2024). 따라서 교수자의 새로운 역할은 단순한 지식 전달자에서 학습 환경의 촉진자(facilitator) 또는 ‘하이브리드 교수 전략 설계자’로 재정의될 필요가 있다.
교사는 AI의 신속한 기능적 피드백과 교수자의 심층적인 정서적⋅논리적 지도가 결합된 ‘하이브리드 피드백 시스템’을 구축해야 한다(Li & Zhao, 2025). 또한, 학습자와 AI 간의 상호작용 로그(log) 데이터를 분석하여 개별 학습자의 인지적 과부하나 학습 경로를 진단하고 맞춤형 처방을 내리는 ‘데이터 리터러시를 갖춘 학습 코치’의 역할을 수행해야 한다(Yang & Li, 2024). 더불어 학생들이 AI를 윤리적으로 활용하고 결과물을 비판적으로 평가할 수 있도록 가이드라인을 제시하는 것은 AI 시대 교사가 갖추어야 할 필수적인 전문성이다(Wang et al., 2025). 이는 기술이 학습을 대체하는 것이 아니라, 교수자의 설계 하에 학습의 질을 심화시키는 핵심적인 교육적 장치가 될 것이다(Huh et al., 2024).
4.4. 연구의 한계 극복 및 향후 과제를 위한 로드맵
본 연구에서 분석한 50편의 선행 연구들은 공통적으로 인공지능 활용의 긍정적 가능성을 입증하고 있으나, 연구 주제와 방법론적 측면에서 몇 가지 뚜렷한 한계를 노출하고 있다. 이는 최근 해외 학계에서 지적되는 GenAI 연구의 과제들, 즉 특정 도구(ChatGPT)에 대한 과도한 의존이나 이론적 프레임워크의 부재와도 맥락을 같이한다(Wang et al., 2025). 이러한 한계를 극복하고 국내 교양 영어 교육 내 AI 활용 연구를 학술적으로 고도화하기 위한 향후 과제를 제언하고자 한다.
첫째, 연구 주제의 외연 확장을 통해 기술의 다면적 가치를 조망해야 한다. 현재의 쓰기 편중 현상을 탈피하여, 말하기, 듣기, 읽기 교육 전반으로 영역을 균형 있게 확장할 필요가 있다. 특히 해외 연구들이 제안하듯, 멀티모달(multimodal) AI 기술을 활용하여 텍스트를 넘어 음성, 이미지, 영상이 유기적으로 통합된 언어 학습 환경을 구축하고 그 교육적 효과를 검증하는 연구가 시급하다(Wang et al., 2025; Wu, 2024). 이는 기술적 수월성을 언어의 4대 영역 통합 발달로 환원시키는 핵심 경로가 될 것이다.
둘째, 실천적 차원에서의 하이브리드 교수 모델과 리터러시 교육의 체계화가 요구된다. 단순히 AI 도구를 활용하는 수준을 넘어, AI를 학습자의 사고를 촉진하는 ‘마음 도구(Mind Tool)’로 설정하고 자기조절학습(SRL) 능력을 강화할 수 있는 교수-학습 모델이 설계되어야 한다(Chang & Sun, 2024). 또한, 학습자가 AI의 결과물을 비판적으로 평가하고 자신의 학습 목표에 맞게 제어할 수 있도록 돕는 ‘비판적 검증(Cross-validation)’ 기술과 프롬프트 리터러시를 교양 영어 커리큘럼의 필수 요소로 정착시켜야 한다(Feng et al., 2025; Wang et al., 2025).
셋째, 연구 방법론의 정교화를 통해 결과의 신뢰성과 지속성을 확보해야 한다. 국내외 연구 모두 단기적인 만족도나 사전⋅사후 평가에 치중되어 있다는 한계를 지닌다. 따라서 AI 활용이 실제 언어 습득 및 리터러시 발달에 미치는 장기적인 영향을 파악하기 위해 최소 1학기 이상의 추적 관찰을 포함한 종단적 연구가 반드시 수행되어야 한다(Feng et al., 2025; Li & Zhao, 2025).
마지막으로, 데이터 수집의 다각화를 통해 학습 과정을 과학적으로 규명할 필요가 있다. 설문이나 인터뷰와 같은 주관적 보고식 데이터의 한계를 보완하기 위해, 학습자와 AI 간의 상호작용 로그(log) 데이터, 작성 텍스트의 코퍼스(corpus) 분석, 그리고 자연어 처리(NLP) 기술을 활용한 객관적인 지표 분석을 적극적으로 도입해야 한다(Kartal & Yeşilyurt, 2024; Yang & Li, 2024). 이러한 방법론적 고도화는 국내 교양 영어 교육 분야에서 AI 활용의 교육적 타당성을 견고하게 뒷받침하는 학술적 토대가 될 것이다.
5. 결론
본 연구는 2019년부터 2025년까지 발표된 50편의 핵심 문헌을 분석하여 국내 대학 교양 영어 교육 내 AI 활용의 현주소를 진단하고 학술적 방향성을 제시하였다. 연구 결과, 생성형 AI는 단순한 기능적 보조 수단을 넘어, 교육적 설계에 따라 비판적 사고와 소통 역량을 함양하는 유기적 파트너로서의 잠재력을 충분히 입증하였다.
첫째, 연구 결과에서 도출된 쓰기 중심의 편중과 단기적 효과 검증의 한계는 향후 연구가 ‘균형’과 ‘지속성’을 확보해야 함을 시사한다. 특히 최신 해외 연구 트렌드에 발맞추어, 말하기와 듣기 영역에서도 AI의 멀티모달 기능을 활용한 통합적 교수 모델을 개발해야 한다. 단순히 기술의 효과성을 확인하는 단기 연구에서 벗어나, 실제 언어 습득으로 이어지는 인과적 과정을 추적하는 종단적 연구를 통해 AI 교육의 학술적 토대를 견고히 해야 한다.
둘째, 학습자들의 긍정적 태도와 비판적 우려가 공존한다는 발견은 학습자의 주체적 참여를 보장하는 AI 리터러시 교육이 교양 영어의 필수 목표가 되어야 함을 의미한다. 단순히 도구를 사용하는 법을 가르치는 수준을 넘어, 프롬프트 패턴을 설계하고 생성물의 진위를 판단하는 비판적 검증 역량을 강화해야 한다. 이는 AI를 자기조절학습의 도구로 활용함으로써 기술 시대에 필요한 고차원적 사고력을 함양하는 대학 교양 교육의 본연의 가치와도 직결된다.
셋째, 기술적 수월성에도 불구하고 교수자에 대한 신뢰가 여전히 높게 유지되고 있다는 분석 결과는 AI 시대 교수자의 역할을 ‘대체’가 아닌 ‘재정의’의 관점에서 보게 한다. 교수자는 AI가 제공하는 데이터와 피드백을 해석하고, 이를 바탕으로 학습자의 정서적 교감과 논리적 심화를 지도하는 ‘하이브리드 교수 전략 설계자’이자 ‘데이터 리터러시를 갖춘 학습 코치’로서 전문성을 발휘해야 한다. 이러한 교수자와 기술 간의 보완적 관계 정립은 교육의 질적 고도화를 위한 필수 요건이다.
결론적으로 본 연구는 AI가 교양 영어 교육의 혁신적 기제임을 확인하는 동시에, 인간 중심의 교육적 설계와 학습자의 메타인지적 개입 없이는 그 효과가 피상적인 결과물 도출에 그칠 수 있음을 경고한다. 본고에서 제안한 연구 영역의 다변화, 성찰 중심의 리터러시 교육, 그리고 하이브리드 교수 모델의 확립은 기술 중심에서 교육 중심으로의 전환을 촉진하는 데 기여할 수 있을 것이다. 나아가 향후 대학 교양 영어 교육 현장에 최적화된 AI 통합 커리큘럼을 설계하는 데 유용한 토대가 되기를 기대한다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
