AI 리터러시와 혁신의 사이,블랙박스를 열다
조직이 투자한 AI 교육이 성과로 이어지는 길
조직 안에서 AI 리터러시를 높이기 위해 막대한 시간과 비용 투자가 이뤄지고 있다. 표면적인 이유는 시대의 변화에 발맞춘 구성원들의 리스킬(Reskilling) 또는 업스킬(Upskilling)이겠지만, 단지 거기서 그칠 생각으로 하는 일은 결코 아니다. AI 리터러시 프로그램을 기획하고 개발하는 입장에서 보면, 이러한 투자를 통해 조직이 기대하는 것은 1차적으로 구성원들이 AI 사용에 익숙해지는 것이겠으나, 결과적으로는 AI 이전과 다른, 각자가 기존에는 할 수 없었던 수준의 혁신적인 성과를 내는 것이다. LG의 용어로 약간 숭고하게 표현하자면 ‘고객의 삶에 더 나은 가치를 제공하기 위한 고객경험 혁신’이 바로 그 지향점일 것이다.
그런데 여기서 과연 AI 리터러시 교육을 하면 혁신이 가능해질까 하는 근본적인 의문이 생긴다.
“How does AI literacy affect individual innovative behavior” 연구의 결과는 이 의문을 해결하기 위한 단서를 제공한다. 흥미롭게도 연구 결과에 따르면, AI 리터러시 그 자체는 개인의 혁신 행동에 직접적인 영향을 미치지 않는다. 기술을 이해하고 다룰 줄 안다는 사실만으로는 혁신이 보장되지 않는다는 뜻이다. 대신 AI 리터러시는 학습자의 심리적 욕구 만족(자율성, 유능감, 관계성)과 창의적 자기 효능감을 고취하는 선행 요인으로 작용한다. AI를 이해함으로써 도구에 대한 통제감과 자신감을 얻은 학습자는 그제야 목표 설정, 성찰, 전략 수정과 같은 능동적인 자기주도학습(SRL) 전략을 가동하게 되고, 이 치열한 자기 조절 과정을 거칠 때 비로소 혁신 행동이라는 결과물이 발현된다. 즉, 기술적 앎(Literacy)이 "할 수 있다"는 심리적 동기로 전환되고, 이것이 주도적인 학습 전략으로 구체화되지 않으면 혁신은 일어나지 않는다는 것이다.
교육 효과성 측정은 HRD의 풀리지 않는 숙제와도 같다. 결국 성과는 교육장이 아닌 각자의 업무를 통해 내는 것이기에 그 중간 과정이 늘 알 수 없는 ‘블랙박스’로 남아 있기 때문이다. 물론 이 연구 하나가 AI 리터러시에서 출발해 혁신으로 향하는 단일 경로를 완벽히 규명했다고 볼 수는 없겠으나, 그럼에도 불구하고 블랙박스 안을 들여다보기 위한 의미 있는 시도라는 점은 분명하다. HR이 진정한 의미에서 경영의 전략적 파트너로 역할하기 위해서라면, 바쁘고 어렵다는 케케묵은 핑계로 블랙박스를 방치할 것이 아니라, AI 리터러시를 넘어 혁신으로 가는 이 복잡하고 다양한 경로에 대해 깊은 관심과 지원을 기울여야 할 때가 아닐까 생각한다.
How does AI literacy affect individual innovative behavior: the mediating role of psychological need satisfaction, creative self-efficacy, and self-regulated learning
Ji, Y., Zhong, M., Lyu, S., Li, T., Niu, S., & Zhan, Z. (2025). How does AI literacy affect individual innovative behavior: the mediating role of psychological need satisfaction, creative self-efficacy, and self-regulated learning. Education and Information Technologies, 1-30.
1. 이 연구를 3줄로 요약하면?
생성형 인공지능(GAI)의 확산에 따라 학습자의 AI 리터러시(AIL)가 개인의 혁신 행동(IB)에 미치는 영향을 규명하고자 한 연구 한다.
460명의 대학생을 대상으로 한 설문과 구조방정식 모델링을 통해, AI 리터러시가 심리적 욕구 만족(PNS), 창의적 자기 효능감(CSE), 자기주도학습(SRL)을 매개로 혁신 행동에 영향을 미침을 분석한다.
분석 결과, AI 리터러시는 혁신 행동에 직접적인 영향을 주지는 않으나, 심리적·메타인지적 요인을 통해 간접적으로 혁신 행동을 촉진한다는 것을 입증한다.
2. 저자는 왜 이 연구를 진행했는가?
인간과 기계(GAI)의 협업이 일상화되는 미래 교육 환경에서, 학습자가 갖춰야 할 AI 리터러시가 실제 혁신 행동으로 이어지는 구체적인 메커니즘이 불분명하기 때문이다. 기존 연구가 주로 교사의 지원이나 일반적인 기술 수용에 초점을 맞춘 것과 달리, 이 연구는 AI 리터러시가 심리적, 메타인지적 과정을 거쳐 어떻게 혁신 성과로 연결되는지 밝히고자 한다.
3. 이 연구에서 중요하게 다뤄진 개념은?
AI 리터러시 (AI Literacy, AIL): AI를 이해하고, 사용하고, 평가하며 윤리적으로 활용하는 능력이다.
혁신 행동 (Innovative Behavior, IB): 학습이나 업무에서 새로운 아이디어, 방법, 제품을 도입하고 실행하는 행동이다.
심리적 욕구 만족 (Psychological Need Satisfaction, PNS): 자율성, 유능감, 관계성의 욕구가 충족되는 상태이다.
창의적 자기 효능감 (Creative Self-efficacy, CSE): 독창적이고 가치 있는 아이디어를 낼 수 있다는 개인의 믿음이다.
자기주도학습 (Self-regulated Learning, SRL): 학습자가 목표를 설정하고 과정을 모니터링하며 전략을 조절하는 과정이다.
4. 저자는 어떤 방법을 사용했는가?
GAI를 주 1회 이상 사용하며 복잡한 문제 해결에 활용하는 대학생 460명을 대상으로 눈덩이 표집법(Snowball Sampling)을 이용해 설문 조사를 실시한다. 수집된 데이터는 구조방정식 모델링(SEM)을 활용하여 탐색적 요인 분석(EFA), 확인적 요인 분석(CFA), 경로 분석 및 매개 효과 검증을 수행한다.
5. 연구의 결과는?
AI 리터러시는 혁신 행동에 직접적인 유의미한 영향을 미치지 않는 것으로 나타난다. 그러나 AI 리터러시는 심리적 욕구 만족과 창의적 자기 효능감을 높이고, 이는 다시 자기주도학습을 촉진하여 최종적으로 혁신 행동을 유발하는 완전 매개 효과를 보인다. 즉, AI 기술에 대한 이해는 학습자의 심리적 동기와 자기 조절 능력을 강화함으로써 간접적으로 혁신을 이끌어낸다.
1. 서론 (Introduction)
포스트 팬데믹 시대에 블렌디드 러닝은 더욱 보편적이고 포괄적인 학습 환경을 조성했다. 그러나 혁신 과정은 본질적으로 불확실하고 복잡하며 생성적인 특성을 가진다. 학습자들은 전통적으로 저널 검색, 전문가 자문, 웹 검색 등에 의존해 정보를 얻어왔으나, 이러한 방식은 다음과 같은 한계를 지닌다.
정보 검색의 비효율성으로 인해 적시에 지원을 받기 어렵다.
정보의 진위 여부에 대한 혼란이 인지적 갈등을 유발한다.
다양한 관점의 부재가 확산적 사고를 제한하여 창의성 개발을 저해한다.
GAI의 출현은 개인의 혁신에 큰 기회를 제공한다. 멀티모달 거대 언어 모델(LLM)은 강한 의인화 특성을 보이며 학습 과정 전반에 준-에이전트(quasi-agents)로 개입한다.
GAI는 다양한 소스와 양식에서 학습하여 새로운 데이터를 생성한다.
학습자에게 다감각적 경험과 정보 피드백을 제공하여 개인화된 학습과 창의적 문제 해결을 지원한다.
미래에는 인간-기계 협업 학습이 표준이 될 것이므로, 이에 적응하기 위해 학습자는 필수적인 AI 리터러시(AIL)를 갖춰야 한다. 높은 수준의 AIL을 가진 학생은 학습 동기, 자기 효능감, 메타인지 조절에서 더 나은 성과를 보인다. 그러나 인간-기계 협업 학습은 인지적 유연성 부족, 정서적 의존, 학습 위임과 같은 위험을 동반한다. 따라서 학습자는 GAI를 적극적으로 활용하여 학습 과정 전반에 참여하는 자기주도학습(SRL) 전략을 채택해야 한다.
자기 결정성 이론(SDT)에 따르면, 동기는 자율성, 유능감, 관계성이라는 세 가지 기본 심리적 욕구의 만족(PNS)에서 비롯된다. 이러한 욕구 충족은 학생이 GAI를 통해 메타인지 기술을 발휘하고 의미 있는 혁신을 하도록 돕는다. 또한, 창의적 자기 효능감(CSE)은 학습자가 새롭고 복잡한 문제에 직면했을 때 더 적극적인 탐구 태도를 취하게 하여 SRL 수준과 혁신 행동(IB)에 영향을 미친다.
현재 GAI가 개인의 창의성을 증폭시킨다는 강력한 증거는 부족하다. 기존 연구는 주로 인간 교사의 지원에 초점을 맞추었으며, GAI의 직접적인 영향이나 AI 리터러시가 혁신 행동의 전제 조건으로서 수행하는 역할을 간과했다.
AI 리터러시가 혁신 행동에 영향을 미치는 과정이 직접적이지 않을 수 있으며, 심리적 및 메타인지적 요인의 영향을 받을 가능성이 있다.
따라서 이 연구는 학습자의 심리적 욕구 만족(PNS), 창의적 자기 효능감(CSE), 자기주도학습(SRL)이 AI 리터러시(AIL)와 혁신 행동(IB) 사이에서 어떻게 매개 역할을 하는지 규명하고자 한다.
2. 문헌 검토 (Literature review)
2.1. AI 리터러시 (AI literacy)
강력한 AI 시대의 도래와 함께 AI 리터러시(AIL)는 개인이 기술과 협력적 관계를 형성하고 미래의 학습과 업무를 수행하기 위한 필수 요소가 되었다. AIL은 단순히 기술을 사용하는 것을 넘어, AI를 이해하고 평가하며 윤리적으로 고려하는 다차원적인 개념이다. UNESCO의 '학생 AI 역량 프레임워크'는 이를 인간 중심적 사고, AI 윤리, AI 기술 및 응용, AI 시스템 설계의 4가지 영역으로 구분하며, 이해·적용·창조의 단계로 나눈다.
학습자는 AI의 핵심 개념과 원리를 포괄적으로 이해하고 잠재적 편향과 위험을 식별하여 정보의 신뢰성을 비판적으로 평가한다.
높은 수준의 AIL을 가진 학생은 GAI 기술에 대해 긍정적인 태도를 보이며 협업하려는 의지가 강하다.
현재 연구는 AIL의 구조나 측정 도구 개발에 집중되어 있으며, 인간-기계 협업 맥락에서 심리적 측면이나 메타인지 기술과의 관계에 대한 탐구는 부족한 실정이다.
2.2. 심리적 욕구 만족 (Psychological needs satisfaction)
심리적 욕구 만족(PNS)은 자율성, 유능감, 관계성으로 구성된 동기적 요소이다. 자기 결정성 이론(SDT)에 따르면 이러한 욕구가 충족될 때 내재적 동기와 웰빙이 촉진되며 학습 참여가 강화된다. 특히 도전적인 혁신 과제에 직면했을 때, 욕구 만족은 부정적인 정서 상태를 조절하고 스트레스를 줄이는 데 기여한다.
AI 제품은 정서적 지원과 사회적 상호작용을 통해 개인의 PNS에 영향을 미친다.
대화형 챗봇이나 음성 비서는 긍정적인 피드백과 지식을 제공하여 학습자의 자율적 자기 조절을 지원한다.
기술의 '인간화'로 인해 GAI가 개인의 심리적 욕구를 어떻게 충족시키는지에 대한 연구가 시작되었으나, 인간-기계 협업 맥락에서 PNS, SRL, IB 간의 관계는 아직 충분히 밝혀지지 않았다.
2.3. 창의적 자기 효능감 (Creative self-efficacy)
창의적 자기 효능감(CSE)은 독특하고 가치 있는 아이디어를 생성하고 제안할 수 있다는 개인의 능력에 대한 믿음을 의미한다. 이는 불명확하고 복잡한 문제 해결 과제에서 학습자의 자신감을 높이고, 실패에 직면했을 때 회복탄력성을 유지하게 한다. 인간-기계 협업 환경에서 GAI가 CSE에 미치는 영향은 복합적이다.
GAI 도구는 개인화된 상호작용과 탐구 기회를 제공하여 창의적 과제에 대한 효능감을 높일 수 있다.
반면, GAI의 환각 현상(부정확한 정보)이나 부적절한 응답은 학습자의 경험을 저해하고 효능감을 감소시킬 수 있다.
기존 연구는 주로 조직 심리학 분야에 집중되어 있어, 교육 환경에서 AIL이 CSE와 SRL을 거쳐 혁신 행동으로 이어지는 과정에 대한 탐구가 필요하다.
2.4. 자기주도학습 (Self-regulated learning)
자기주도학습(SRL)은 학습자가 목표를 설정하고, 과정을 모니터링하며, 전략을 조정하여 결과를 달성하는 능동적인 과정이다. 자기 조절 능력이 뛰어난 학생은 학습 지속성이 높고 스트레스 대처 능력이 우수하다. 보통 외부 지원(교사, 동료)이 필요하지만, GAI는 API를 통해 언제 어디서나 "인간-기계-사물"의 연결을 촉진하여 이러한 지원을 수행할 수 있다.
GAI 애플리케이션은 학습자의 상태에 따라 응답을 조정하고 개인화된 추천을 제공하여 자기 조절을 돕는다.
챗봇 보조 학습이 자기 조절 능력을 향상시키고 부적절한 사용으로 인한 부정적 영향을 완화한다는 연구 결과가 있다.
반면, GAI의 대체적 성격이 학습자의 의존성과 인지적 태만을 유발할 수 있다는 우려도 존재하므로, 인간-기계 협업 환경에서 SRL이 혁신 행동에 미치는 영향을 규명해야 한다.
2.5. 혁신 행동 (Innovative behavior)
혁신 행동(IB)은 아이디어의 생성, 촉진, 실행을 포함하는 다단계 과정으로, 학습이나 업무에서 새로운 아이디어와 방법을 실현하는 능력을 말한다. 대학생의 혁신 행동은 창업 보육이나 연구 성과 등에서 중요한 역할을 한다. GAI의 등장은 대학생의 IB를 향상시킬 수 있는 기회를 제공한다.
ChatGPT 등은 서로 먼 개념을 연결하고 인지 과정을 가속화하여 아이디어 생성의 창의성을 높인다.
기존 데이터셋을 기반으로 하지만, 충분한 양의 개념을 생성함으로써 솔루션의 독창성을 향상시킬 수 있다.
그러나 GAI의 즉각적인 반응은 기술적 의존성을 키우고 독립적인 사고 기회를 줄여 창의적 사고 발달을 저해할 위험도 있다.
3. 연구 가설 및 프레임워크 (Research hypotheses and framework)
3.1. AI 리터러시와 심리적 요인 (PNS, CSE)
AI 리터러시(AIL)는 학습자가 생성형 AI(GAI)와 효과적으로 상호작용하기 위한 기초 역량이다. AIL이 높으면 GAI를 자신의 필요에 맞춰 활용하여 자율성과 유능감을 느끼고(PNS), 성공적인 문제 해결 경험을 통해 창의적 자신감(CSE)을 얻는다.
H1: AIL은 심리적 욕구 만족(PNS)과 정(+)의 관계가 있다.
H2: AIL은 창의적 자기 효능감(CSE)과 정(+)의 관계가 있다.
3.2. AI 리터러시와 행동 및 학습 (SRL, IB)
AIL은 학습자가 GAI 도구를 능동적으로 선택하고 학습 과정을 최적화하도록 돕는다. 또한, AI 기술을 활용해 아이디어를 생성하고 문제를 해결함으로써 혁신 행동(IB)을 촉진할 것으로 기대된다.
H3: AIL은 자기주도학습(SRL)과 정(+)의 관계가 있다.
H4: AIL은 혁신 행동(IB)과 정(+)의 관계가 있다.
3.3. 심리적 요인과 결과 변수 (SRL, IB)
GAI를 통해 심리적 욕구(자율성, 유능감, 관계성)가 충족되거나 창의적 효능감이 높아지면, 학습자는 내재적 동기를 얻어 학습을 주도적으로 조절(SRL)하고 혁신적인 행동(IB)에 나선다.
H5 & H6: 심리적 욕구 만족(PNS)은 SRL 및 IB와 정(+)의 관계가 있다.
H7 & H8: 창의적 자기 효능감(CSE)은 SRL 및 IB와 정(+)의 관계가 있다.
3.4. 자기주도학습과 혁신 행동 (SRL -> IB)
기술 강화 학습 환경에서 학습자는 목표 설정, 자원 탐색, 성찰 등 자기주도학습(SRL) 전략을 통해 혁신 과정의 유연성을 확보한다. 이러한 자기 조절 능력은 혁신 행동으로 이어진다.
H9: 자기주도학습(SRL)은 혁신 행동(IB)과 정(+)의 관계가 있다.
3.5. 연구 모형 (Research Model)
이 연구는 계획된 행동 이론(TPB)을 바탕으로 한다. 학습자의 GAI 활용은 AI 리터러시라는 전제 조건에서 시작되지만, 실제 행동(IB)은 심리적(PNS, CSE) 및 메타인지적(SRL) 요인의 매개를 거쳐 나타난다는 구조적 모형을 제안한다.
4. 연구 방법 (Method)
4.1. 참여자 (Participants)
연구는 총 460명의 대학생으로부터 수집된 유효 설문 데이터를 바탕으로 진행되었다. 참여자의 연령은 18세에서 50세 사이이며, 여성이 63.9%로 남성보다 높은 비율을 보였다. 학력은 학사 학위 소지자(49.8%)와 석사 학위 소지자(42.2%)가 주를 이뤘다. 이들은 ChatGPT, Google Bard, Claude, Mid Journey 등의 GAI 도구를 주 1회 이상 사용하여 정보 수집, 이미지 생성, 코드 디버깅, 연구 활동 등을 수행하고 있다.
4.2. 연구 절차 (Procedure)
연구는 설문지 설계, 배포, 데이터 처리, 분석의 4단계로 체계적으로 진행되었다. 전문가 타당도 검증과 예비 조사를 거쳐 문항을 수정한 후, 'So Jump' 플랫폼을 통해 눈덩이 표집법(snowball sampling)으로 설문을 배포했다. 데이터의 신뢰성을 확보하기 위해 응답 시간이 지나치게 짧거나(110초 미만) 불성실한 응답은 제외하였다. 수집된 데이터는 무작위로 분할하여 탐색적 요인 분석(EFA)과 확인적 요인 분석(CFA)에 각각 활용되었다.
4.3. 측정도구 (Questionnaire)
설문은 리커트 5점 척도로 구성되었으며, 선행 연구에서 타당성이 입증된 척도를 본 연구의 맥락인 GAI 환경에 맞춰 수정하여 사용했다.
AI 리터러시(AIL): Wang et al.(2022)의 척도 8개 문항을 사용하여 AI 제품의 사용 능숙도와 기능 평가 능력을 측정한다.
심리적 욕구 만족(PNS): Xia et al.(2023)의 척도 9개 문항을 활용하여 GAI 사용 과정에서 느끼는 자율성, 성취감, 지원감을 측정한다.
창의적 자기 효능감(CSE): Gong et al.(2009)의 척도 4개 문항을 통해 독창적이고 실용적인 아이디어를 제안할 수 있다는 개인의 믿음을 측정한다.
자기주도학습(SRL): Sha et al.(2012) 등의 척도를 기반으로 개발된 7개 문항을 통해 목표 설정 및 전략 조절 능력을 측정한다.
혁신 행동(IB): Janssen(2000)의 척도 6개 문항을 사용하여 아이디어의 생성, 촉진, 실행 단계를 측정한다.
5. 연구 결과 (Results)
5.1. 설문지의 탐색적 요인 분석 (Exploratory factor analyses of questionnaire)
변수에 영향을 미치는 항목 수와 각 항목 간의 상관관계를 확인하기 위해 탐색적 요인 분석을 수행하였다. 주성분 분석과 베리맥스(Varimax) 회전 방식을 사용하였으며, 요인 적재값이 0.5 미만인 항목은 제외하였다.
분석 결과, 데이터는 자기주도학습(SRL), 심리적 욕구 만족(PNS), 창의적 자기 효능감(CSE), AI 리터러시(AIL), 혁신 행동(IB)의 5개 요인으로 분류되었다.
5개 요인의 누적 분산 설명력은 66.73%로 나타났으며, 전체 설문지의 크론바흐 알파(Cronbach's alpha) 계수는 0.934로 높은 신뢰도를 보였다.
최종적으로 5개 변수와 23개 항목으로 구성된 설문 구조가 확립되었다.
5.2. 설문지의 확인적 요인 분석 (Confirmatory factor analyses of questionnaire)
이론적 기대와 실제 데이터의 적합성을 평가하기 위해 확인적 요인 분석을 실시하였다.
신뢰도 검증: 모든 변수의 개념 신뢰도(CR) 값은 0.84~0.89로 권장 기준인 0.7을 상회하였으며, 크론바흐 알파 값 또한 0.830~0.886으로 나타나 내적 일관성이 확보되었다.
수렴 타당도 검증: 평균 분산 추출값(AVE)이 모두 0.5 이상이며, 모든 항목의 요인 적재값이 0.5 이상으로 유의하여 수렴 타당도가 입증되었다.
판별 타당도 검증: 각 변수의 AVE 제곱근 값이 다른 변수 간의 상관계수보다 크게 나타나, 측정 모델의 판별 타당도가 확보되었음을 확인하였다.
5.3. 모형 적합도 검증 (Model goodness of fit test)
제안된 연구 모형이 실제 데이터를 얼마나 잘 반영하는지 평가하기 위해 다중 적합도 지수를 확인하였다. 분석 결과, 전반적으로 모형 적합도가 우수한 것으로 확인되었다.
5.4. 경로 분석 (Path analysis)
가설 검증을 위한 경로 분석 결과는 다음과 같다.
AI 리터러시(AIL)의 영향: AIL은 PNS(H1), CSE(H2), SRL(H3)에 유의미한 정(+)의 영향을 미쳤다. 그러나 IB(H4)에 대한 직접적인 영향은 유의하지 않은 것으로 나타났다(p>0.1).
심리적 욕구 만족(PNS)의 영향: PNS는 SRL(H5)과 IB(H6)에 유의미한 정(+)의 영향을 미쳤다.
창의적 자기 효능감(CSE)의 영향: CSE는 SRL(H7)과 IB(H8)에 유의미한 정(+)의 영향을 미쳤다.
자기주도학습(SRL)의 영향: SRL은 IB(H9)에 유의미한 정(+)의 영향을 미쳤다.
설명력: AIL은 PNS의 31.8%, CSE의 27.1%를 설명하였다. AIL, PNS, CSE는 SRL 변동의 46.8%를 설명하였으며, 모든 변수가 결합하여 IB 변동의 54.2%를 설명하는 것으로 나타났다.
5.5. 간접 효과 분석 (Indirect effect analysis)
부트스트래핑(Bootstrapping) 기법을 5,000회 실시하여 매개 효과를 검증하였다. 신뢰구간(95% CI)에 0이 포함되지 않으면 매개 효과가 유의한 것으로 판단한다.
분석 결과, 모든 가설 경로에서의 매개 효과가 유의하게 나타났다.
AIL이 PNS, CSE, SRL을 통해 IB로 이어지는 간접 경로와, 이들이 순차적으로 연결된 이중 매개 경로(예: AIL → PNS → SRL → IB) 모두 유의미하였다.
AIL과 IB 사이의 직접 효과가 유의하지 않았으므로, PNS, CSE, SRL은 AIL과 IB 사이를 완전 매개하는 것으로 해석된다.
6. 논의 (Discussion)
6.1. 변수별 수준 및 기술 통계 해석
참여자의 5개 변수 평균 점수는 모두 임계값(3점)을 상회하였다.
-. AI 리터러시(3.97): 가장 높은 점수를 기록했으며, 이는 참여자들이 AI에 대한 지식과 기술을 어느 정도 갖추고 있음을 시사한다. 기술 사용 빈도가 높을수록 AIL이 높아지는 경향과 일치한다.
-. 심리적 욕구 만족(3.73) 및 자기주도학습(3.70): 비교적 높은 수준이다. GAI의 의인화 및 지능형 기능이 학습자의 심리적 욕구를 충족시키고 효과적인 자기 조절 학습을 촉진함을 의미한다.
-. 창의적 자기 효능감(3.57) 및 혁신 행동(3.67): 상대적으로 낮은 점수를 보였다. 이는 GAI가 생성한 결과물의 참신성에 대한 확신이 부족하거나, GAI의 내재적 결함(오류 등)이 창의적 아이디어 생성에 대한 자신감을 저하시킬 수 있음을 시사한다. 따라서 혁신 행동을 촉진하기 위해서는 심리적, 메타인지적 개입이 필요하다.
6.2. AI 리터러시(AIL)의 영향력 해석
AIL은 심리적, 메타인지적 요인에 강력한 영향을 미치는 선행 변수임이 확인되었다.
-. PNS 및 CSE에 대한 영향 (H1, H2 지지): AIL이 높은 학습자는 GAI의 기능과 한계를 명확히 이해한다. 이들은 GAI를 주도적으로 활용하여 자율성을 확보하고, 협업을 통해 관계성을 충족하며, 성공적인 문제 해결 경험을 통해 창의적 자기 효능감을 높인다.
-. SRL에 대한 영향 (H3 지지): GAI의 작동 원리를 이해하는 학습자는 프롬프팅이나 미세 조정(fine-tuning)과 같은 능동적 전략을 사용하여 학습 과정을 조절하고 최적화한다.
-. IB에 대한 영향 (H4 기각): AIL은 혁신 행동을 직접적으로 예측하지 않았다. 혁신 행동은 단순한 정보 획득을 넘어 위험 감수, 회복탄력성 등 복합적인 심리적 요인을 필요로 하기 때문이다. 또한, GAI에 대한 지나친 의존이 오히려 창의적 사고를 저해할 가능성도 제기된다.
6.3. 심리적 요인(PNS, CSE)과 자기주도학습(SRL)의 역할
심리적 욕구의 만족과 창의적 효능감은 내적 에너지를 활성화하여 학습 및 혁신 행동을 이끈다.
-. PNS의 효과 (H5, H6 지지): GAI가 제공하는 맞춤형 자원과 정서적 상호작용은 자율성, 유능감, 관계성을 충족시킨다. 이러한 욕구 충족은 내재적 동기로 전환되어 적극적인 자기 조절(SRL)과 혁신 행동(IB)을 촉진한다.
-. CSE의 효과 (H7, H8 지지): 높은 창의적 효능감을 가진 개인은 명확한 목표를 설정하고 전략을 지속적으로 조정(SRL)하며, 불확실한 상황에서도 위험을 감수하고 아이디어를 구현(IB)하려는 경향이 강하다. GAI의 지원은 이러한 효능감을 강화하는 역할을 한다.
6.4. 자기주도학습(SRL)과 혁신 행동(IB)의 관계
SRL은 혁신 행동을 유의미하게 예측한다(H9 지지). GAI 환경에서 학습자는 과제를 기계와 자신에게 유연하게 배분할 수 있다. 아이디어 생성, 촉진, 실행의 각 단계에서 GAI의 피드백을 활용하여 전략을 성찰하고 조정하는 자기 조절 과정은 혁신 행동의 핵심 요소인 유연성을 높여준다.
6.5. 매개 효과의 의미
AIL이 IB에 미치는 직접 효과는 유의하지 않은 반면, 매개 변수를 통한 간접 효과는 모두 유의하게 나타났다. 이는 AIL이 혁신 행동으로 이어지기 위해서는 반드시 심리적, 메타인지적 과정을 거쳐야 함을 의미한다.
-. 단순 매개: AIL은 PNS, CSE, SRL을 각각 경유하여 IB에 영향을 미친다.
-. 이중(순차적) 매개: AIL → PNS → SRL → IB 및 AIL → CSE → SRL → IB의 경로가 확인되었다. 즉, 높은 AI 리터러시는 긍정적인 심리적 변화(욕구 만족, 효능감)를 이끌어내고, 이는 다시 메타인지적 전략(자기주도학습)을 활성화하여 최종적으로 혁신 행동을 유발한다.
7. 결론, 한계 및 향후 연구 (Conclusion, limitation and future study)
7.1. 연구의 시사점
AI 시대에 새로운 기술 참여를 거부하는 것은 불가능하며, 인간-기계 협업을 위해서는 일정 수준의 AI 리터러시가 필수적이다. 연구 결과는 다음과 같은 교육적, 실천적 시사점을 제공한다.
AI 리터러시는 개인 혁신 효율성의 기초가 된다. 인간과 기계의 역할 결합은 창의성을 증진시키므로, 학습자는 GAI의 최신 발전과 핵심 개념, 윤리적 고려사항을 숙지해야 한다. 다만, GAI 접근성의 불평등(디지털 격차)이나 GAI의 거짓 정보 생성(환각) 문제는 학습자의 AI 리터러시 발달을 저해할 수 있다. 따라서 교육자는 프롬프트 엔지니어링 및 윤리 교육을 제공하고 적절한 비계(scaffolding)를 설정하여 학생들이 한계를 인식하고 창의적 문제 해결에 집중하도록 지원해야 한다.
심리적 욕구 만족과 창의적 자기 효능감은 혁신 행동의 동력이 된다. 학습자는 기계가 인간을 대체하는 것이 아니라 인간의 고유한 능력(웰빙, 효능감 등)을 어떻게 향상시키는지에 초점을 맞춰야 한다. 만약 학습자가 GAI의 결함으로 인해 부정적 경험을 하게 되면 심리적 에너지가 감소할 수 있다. 교사는 학생들이 좌절하지 않도록 초기 사용자에게 정서적 지원을 제공하고, 작고 점진적인 과제를 통해 성공 경험을 쌓아 효능감을 높이도록 유도해야 한다.
AI 리터러시는 자기주도학습의 효과성을 결정한다. 높은 AI 리터러시를 가진 학습자는 혁신 목표에 맞춰 GAI 사용 전략을 조정하고 진행 상황을 모니터링할 수 있다. 그러나 현재의 범용 대규모 언어 모델은 사전 지침 없이는 자기 조절 학습을 효과적으로 지원하지 못할 수 있다. 따라서 교육자는 특정 도메인에 특화된 훈련을 시키거나, 학습자가 능동적으로 과정을 조절하도록 유도하는 정서적이고 빈번한 피드백 메커니즘을 고려해야 한다.
7.2. 한계 및 향후 연구 제언
이 연구는 다음과 같은 네 가지 한계를 지니며, 이를 바탕으로 후속 연구 방향을 제안한다.
표본의 경험 편향: 연구 참여자가 이미 GAI 사용 경험과 일정 수준의 AI 리터러시를 보유한 개인들로 구성되었다. 향후 연구는 디지털 격차로 인한 AI 리터러시의 차이가 심리, 메타인지, 혁신 행동에 미치는 영향을 고려해야 한다.
인구통계학적 편중: 표본의 성별 구성(여성 63.2%)과 전공(인문사회 계열 위주)이 편중되어 있어 결론에 영향을 미쳤을 수 있다. 결과의 일반화를 위해 성별 차이 등에 주목한 추가 연구가 필요하다.
연구 설계의 한계: 자기주도학습과 혁신 행동은 장기적인 과정임에도 불구하고 횡단적 연구로 진행되었다. 변수 간의 인과관계를 더 명확히 하기 위해 종단적 추적 조사나 실험 연구가 권장된다.
혁신 활동 유형의 다양성: 고등교육 내 혁신 활동은 연구, 창업, 제품 개발 등 다양하며 각 그룹마다 GAI 활용 단계가 다를 수 있다. 향후 연구는 혁신 과제와 기대 성과의 일관성을 확보하여 이러한 차이를 다루어야 한다.
