Dartmouth AI 설문, 학생 사용과 동료에 대한 의심 사이의 격차 발견
Dartmouth는 미국 대학생 응답자의 8%가 AI 텍스트를 거의 수정하지 않고 복사한다고 답한 반면, 50%는 동료들이 그렇게 한다고 믿는다는 설문 결과를 공개했다. 10월 30일 발표된 Dartmouth AI 설문은 보고된 행동과 캠퍼스의 기대 사이에 중대한 격차가 있음을 보여준다. 또한 학생들이 다른 이들이 과제를 완료하는 방식을 신뢰하지 못할 때, 대학은 어떻게 학습을 보호해야 하는가라는 어려운 질문을 제기한다.
이 결과는 의미 있는 평가를 유지하면서 AI 역량을 장려하는 기관들에 압박을 가한다. 학생들은 챗봇의 설명을 가치 있게 여기면서도, 급우들이 이해하지 못한 작업에 대해 학점을 받는 것을 우려할 수 있다. 이 두 입장은 양립할 수 있다. 갈등의 핵심은 지원이 과제가 측정해야 하는 학습을 뒷받침하는지 여부다.
Wharton의 Hamsa Bastani가 이끈 연구는 유용한 기준점을 제공한다. AI 지원을 통한 성과 향상이 더 나은 독립적 학습을 자동으로 의미하지는 않는다. Dartmouth의 기여는 다르다. 이 설문은 다른 사람의 작업을 둘러싼 의심을 포함해 학생들의 경험과 인식을 기록한다. 이러한 관점을 함께 보면, 대학은 인간의 역량과 학업 규칙에 대한 신뢰 모두에 관한 근거가 필요하다는 점을 시사한다.
Dartmouth AI 설문이 실제로 발견한 것
핵심 발견은 학생들이 자신에 대해 말하는 내용과 다른 사람에 대해 믿는 내용 사이의 격차다.
Dartmouth의 학생 AI 조사 결과는 미국 대학생 1,003명과 Dartmouth 학생 1,533명을 바탕으로 한다. 전국 표본에는 가중치가 적용됐으며, Dartmouth 결과에는 적용되지 않았다. 현재 Dartmouth 학부생과 입학 예정 학생은 별도 집단으로 구성됐다.
전국적으로 11%는 AI를 사용해 문제 세트의 답을 찾았다고 답한 반면, 49%는 동료들이 그렇게 한다고 믿었다. 한편 70%는 AI가 재택 과제를 불공정하게 만들었다고 답했고, 39%는 동료들이 사용하기 때문에 AI를 써야 한다는 압박을 느꼈다.
이 응답들은 실제 도구 사용과 함께 인식된 경쟁 환경에도 주목할 필요가 있음을 보여준다. 답을 요청할지 결정하는 학생은 눈앞의 과제를 본다. 동시에 그 학생은 급우들이 어떻게 작업하는지, 교수자가 무엇을 탐지할 수 있는지, 어떤 지름길이 이점을 얻는지도 상상한다.
이는 실제 부정행위 빈도가 확인되기 전부터 제도적 문제를 만든다. 학생들이 통상적인 노력으로는 불리해진다고 믿는다면, 대학의 서면 정책은 설득력이 제한적이다. 규칙은 학생들이 이를 따르는 일이 여전히 가치 있다고 믿을 만큼 충분히 명확하고 신뢰할 수 있어야 한다.
이 설문은 응답자들이 상상하는 비율만큼 급우들이 부정행위를 한다는 사실을 입증하지 않는다. 낮은 자기보고식 복사 비율 역시 부정행위가 드물다는 점을 입증하지 않는다. 어느 쪽이든 과장하면 지나치게 확신에 찬 대응으로 이어질 수 있으므로, 두 주장 사이의 차이는 중요하다.
동료에 대한 추정을 검증된 행동으로 취급하면 의심을 증거로 바꾸게 된다. 자기보고를 완전한 기록으로 취급하면 응답자들이 자신을 유리하게 묘사했을 가능성을 무시하게 된다. 어느 해석도 어떤 과제가 여전히 개인의 이해를 측정하는지 결정할 수 있는 신뢰할 만한 근거를 교수자에게 제공하지 못한다.
더 타당한 해석은 더 제한적이다. 학생들은 자신의 행동과 다른 이들에게 귀속하는 행동 사이에 상당한 불일치가 있다고 보고한다. 이제 대학은 일반적인 AI 정책이 이를 해결한다고 가정하기보다, 그 불일치를 직접 조사할 이유가 생겼다.
유용한 제도적 대응은 몇 가지 질문을 구분할 것이다. 어떤 지원이 허용되는가? 학생들은 실제로 어떤 지원을 사용하는가? 그들은 급우들이 어떤 지원을 사용한다고 믿는가? 그 결과물은 의도한 역량을 입증하는가?
이 질문들은 겹치지만, 하나에 답한다고 해서 다른 질문들이 해결되지는 않는다. 과제는 정책을 준수하면서도 독립적 추론에 대해서는 거의 드러내지 않을 수 있다. 대부분의 급우가 규칙을 따르는 수업에서도 학생은 불공정을 의심할 수 있다.
따라서 이 뉴스는 챗봇 도입 이상의 문제를 다룬다. Dartmouth는 평가의 신뢰성을 캠퍼스 AI 논의에서 측정 가능한 부분으로 만들었다. 이는 학생들이 자신의 작업이 공정하게 평가된다고 믿는 조건으로 관심을 옮긴다.
대학은 평가 신뢰성 문제에 직면해 있다
학생들이 서로 다른 종류의 지원에 접근할 수 있을 때, 대학은 성적이 무엇을 의미하는지 설명해야 한다는 압박을 받고 있다.
에세이 성적은 논증의 질, 글쓰기 발전, 연구 판단 또는 이런 역량들의 조합을 반영할 수 있다. 허용되는 AI의 기여가 불분명할 때 AI는 이러한 관계를 복잡하게 만든다. 다듬어진 제출물은 어떤 결정을 학생이 내렸는지 교수자가 확신하지 못하게 할 수 있다.
학생들이 급우들이 다른 실질적 기준 아래 작업한다고 믿을 때 문제는 더욱 심각해진다. 규정은 생성된 문장을 금지하면서 초안에 대한 피드백은 허용할 수 있다. 구체적인 사례가 없으면 학생들은 피드백이 끝나는 지점과 대체가 시작되는 지점을 해석해야 한다.
가상의 글쓰기 과제를 생각해 보자. 한 학생은 챗봇에게 약한 연결 표현을 찾아 달라고 요청한 뒤 독립적으로 수정한다. 다른 학생은 다시 작성된 논증을 받아 피상적인 변경만 한다. 두 학생 모두 자신의 활동을 편집이라고 설명할 수 있지만, 지적 기여는 다르다.
이러한 모호성은 교수진에게 구체적인 책임을 부여한다. 허용되는 지원을 과제의 목적과 연결해야 한다. 목표가 논증을 발전시키는 것이라면, 그 구조를 외주화하는 일은 학습의 증거에 영향을 미친다. 목표가 경쟁하는 논증을 평가하는 것이라면, 생성된 대안을 비교하는 일이 과제에 도움이 될 수 있다.
이는 승인된 도구의 보편적 목록으로 답할 수 있는 문제가 아니라 평가 설계의 문제다. 같은 챗봇도 서로 다른 행동을 지원할 수 있다. 특정 사용이 학생들이 연습해야 할 작업을 보존하는지 설명하는 데 애플리케이션 이름을 언급하는 것은 거의 도움이 되지 않는다.
신뢰할 수 있는 대응은 제출 전에 이러한 경계를 명확히 보여줄 것이다. 학생들은 무엇을 독립적으로 만들어야 하는지, 어떤 지원을 공개할 수 있는지, 교수자가 그 지원을 어떻게 평가하는지 이해해야 한다. 그렇지 않으면 집행은 작업이 끝난 뒤 해석을 둘러싼 논쟁이 될 위험이 있다.
투명성에도 실질적인 한계가 필요하다. 학생들에게 모든 상호작용을 기록하도록 요구하면 학습을 명확히 하지 못한 채 행정 업무만 늘릴 수 있다. 관련 증거란 추론, 출처 선택, 수정 또는 설명처럼 교수자가 목표 역량을 평가하는 데 도움이 되는 모든 것이다.
예를 들어 연구 판단을 평가하는 교수자는 학생들에게 겉보기에는 관련 있어 보이는 출처를 왜 배제했는지 설명하도록 요청할 수 있다. 수학적 이해를 평가하는 교수자는 새로운 조건에서 변경된 해법을 요구할 수 있다. 이는 가능한 대응이지, Dartmouth의 설문이 검증한 개입 조치는 아니다.
그 가치는 수업과의 정렬에 달려 있다. 한 분야에서 추론을 밝히는 요구사항이 다른 분야에서는 불필요한 장애물이 될 수 있다. 따라서 대학은 교수자가 의미 있는 증거를 정의할 여지를 남기는 공통 프레임워크가 필요하다.
공정성은 금지된 행동을 적발하는 문제를 넘어선다. 규칙을 따르는 학생들은 자신의 노력이 여전히 중요하다는 확신이 필요하다. 처벌만 설명하는 정책은 정당한 학습이 어떻게 인정받는지에 답하지 못한다.
즉각적인 압박은 교수진, 학과 리더, 학사 행정 책임자에게 가해진다. 이들은 책임 있는 AI에 관한 광범위한 약속을 학생들이 일관되게 해석할 수 있는 과제로 전환해야 한다. 이러한 전환이 없다면 접근성은 확대되는 반면 기대는 불확실하게 남는다.
이것이 Dartmouth AI 설문이 Dartmouth 밖에서도 중요한 이유다. 그 결과는 익숙한 교실의 긴장을 명시적으로 드러낸다. 평가 시스템은 다른 참여자들도 이해할 수 있는 기대에 직면한다고 학생들이 믿는 데 부분적으로 의존한다.
AI 지원은 작업을 개선할 수 있지만 학습은 여전히 불확실할 수 있다
더 나은 답과 더 잘 준비된 학생은 서로 다른 결과이며, 교육용 AI는 둘 다를 고려해야 한다.
이 구분은 AI에 대한 학생들의 긍정적 경험이 왜 역량 개발에 관한 우려를 해소하지 못하는지 설명한다. 설명은 명확하게 느껴질 수 있다. 초안은 읽기 쉬워질 수 있다. 문제는 정답에 도달할 수 있다. 그러나 이러한 관찰만으로는 학생이 무엇을 독립적으로 재현할 수 있는지 입증되지 않는다.
PNAS에 게재된 수학 학습 실험은 GPT-4 기반 인터페이스를 사용해 이러한 구분을 검토했다. 연구진은 일반 채팅 인터페이스, 교사의 정보를 반영한 안전장치를 갖춘 튜터, AI 지원이 없는 대조군을 비교했다.
일반 인터페이스는 지원을 받는 연습 성과를 향상했지만, 사용자들은 이후 접근 권한이 없을 때 더 낮은 수행을 보였다. 튜터의 안전장치는 그 피해를 상당 부분 완화했다. 이 연구는 고등학교 수학을 다뤘으므로, 대학 과목 전반의 결과를 입증하지는 않는다.
이 연구의 관련성은 측정 방식에 있다. 지원이 사라진 뒤의 수행을 평가하는 것은 도구와 함께 완료한 작업을 평가하는 것과 다른 질문을 던진다. 대학은 교육용 제품이 어떤 결과를 개선한다고 주장하는지 알아야 한다.
이 구분은 상충하는 제품 접근법을 설명하는 데도 도움이 된다. 일반 어시스턴트는 완성된 답을 요청받으면 직접 응답할 수 있다. 반면 학습 중심 인터페이스는 사용자를 중간 단계의 추론으로 안내할 수 있다. 어느 인터페이스의 명칭도 교육적 결과를 보장하지는 않는다.
튜터는 여전히 지나치게 많은 것을 드러내는 힌트를 제공할 수 있다. 학생이 절제된 질문을 할 때 일반 어시스턴트도 유용한 연습을 지원할 수 있다. 제품의 행동, 학생의 선택, 과제 설계, 이후 평가는 모두 특정 상호작용이 무엇을 의미하는지에 영향을 미친다.
같은 긴장은 INSEAD와 University of Pennsylvania 연구진이 설명한 온디맨드 지원 연구에서도 나타난다. 이들의 체스 훈련 실험은 참가자들이 원할 때마다 추가 AI 도움을 요청할 수 있었을 때 학습이 더 약해졌음을 발견했다.
연구진은 학습자가 자신의 의존성을 인식하더라도 편리한 지원이 생산적인 어려움을 대체할 수 있다고 주장한다. 이 결과는 사용자 통제와 교육적 이점을 동일시하는 데 신중해야 한다는 근거를 제공한다. 그렇다고 요청된 모든 도움이 학습을 저해한다는 점을 입증하는 것은 아니다.
대학 구매자에게 실질적 함의는 더 엄격한 평가 기준이다. 만족도, 빈번한 사용, 완료된 과제는 학생들이 도구를 유용하게 여긴다는 점을 보여줄 수 있다. 그러나 학생들이 기관이 가르치려는 역량을 개발하는지는 여전히 알 수 없다.
따라서 평가는 어시스턴트를 제거한 뒤 완료하는 과제를 포함할 수 있다. 또한 학생들이 실수를 설명하는지, 낯선 상황에 아이디어를 적용하는지, 근거 없는 결론을 식별하는지도 살펴볼 수 있다. 이러한 측정은 다듬어진 결과물만 보는 것보다 역량을 더 직접적으로 다룬다.
이 과제는 지식 노동으로도 확장된다. 직원은 지원을 받아 보고서를 완성하면서도 그 가정을 방어하지 못할 수 있다. 개발자는 왜 작동하는지 이해하지 못한 채 제안된 수정안을 받아들일 수 있다. 이는 Dartmouth가 측정한 결과가 아니라 예시적 위험이다.
학생들에게 중요한 것은 현재의 편의성과 미래의 자립성 사이의 관계다. AI 지원은 학생들이 점점 더 이해하게 되는 과제를 해결하도록 도울 때 가치가 있다. 그러나 완성된 결과물이 달라지지 않은 이해도를 감출 때는 교육적으로 정당화하기가 더 어려워진다.
이 글의 핵심적인 절충점이 바로 이것이다. 대학은 학생들이 판단력을 기르는 연습을 유지하면서 AI 경험을 쌓기를 바란다. 이 증거는 완성된 작업물의 외관에 근거한 확신보다 신중한 설계와 평가를 요구한다.
인식 격차는 검증된 부정행위 비율이 아니다
이 설문조사는 신뢰에 대한 우려를 뒷받침하지만, 금지된 AI 사용의 정확한 유병률을 판단할 수는 없다.
Dartmouth의 설문조사 워킹페이퍼는 이러한 불일치를 설명할 수 있는 여러 경쟁 가설을 논의한다. 응답자는 자신의 행동을 축소 보고하거나, 동료의 행동을 과대평가하거나, 유난히 눈에 띄는 사례를 기억할 수 있다. 이러한 가능성은 동시에 존재할 수 있다.
저자들은 자기 보고 비율을 두 배로 높여도 많은 사용 유형에서 격차가 남는다고 보고한다. 이 분석은 축소 보고에 대한 민감도를 검증한다. 올바른 보정치를 확립하거나 독립적으로 관찰된 부정행위 비율을 밝히는 것은 아니다.
이 구분은 학생들이 단지 다른 모든 사람에 대해 잘못 알고 있다는 그럴듯하지만 뒷받침되지 않는 결론을 막는다. 이 설문조사는 동료에 대한 추정치에 의문을 제기할 이유를 제공한다. 그러나 어떤 학생이 어떤 과제에서 어떤 지원을 사용했는지를 정확히 보여 주는 외부 기록은 제공하지 않는다.
반대 결론 역시 뒷받침되지 않는다. 높은 동료 사용 추정치가 기관들이 그러한 추정 수준의 부정행위에 직면해 있음을 입증하지는 않는다. 응답자들은 서로 다른 비교 집단을 떠올리거나 동일한 행동을 다르게 해석할 수 있다.
AI 사용과 규정 위반 사이에도 구분이 있다. 초안 작성, 편집 또는 해답 제공이 규정을 위반하는지는 과제에 따라 달라진다. 행동에 대한 응답은 해당 기대 기준과 연결될 때에만 부정행위의 증거가 된다.
이러한 한계가 조사 결과를 없애지는 않는다. 오히려 증거가 뒷받침할 수 있는 범위를 규정한다. 설문조사는 응답자들이 설명한 모든 활동을 독립적으로 검증하지 않고도 우려, 체감되는 압박감, 보고된 행동을 기록할 수 있다.
따라서 소통에는 세심함이 필요하다. 과장된 인식을 바로잡으려는 대학은 수치와 함께 불확실성도 설명해야 한다. 자기 보고를 확정된 진실처럼 제시하면 명백한 위반을 목격한 학생들 사이에서 신뢰성을 훼손할 수 있다.
동시에, 우려스러운 동료 사용 추정치만 전달하면 기관이 줄이고자 하는 경쟁 압박을 오히려 증폭시킬 위험이 있다. 학생들은 이 메시지를 금지된 지원이 일반적이며 필요하다는 확인으로 해석할 수 있다.
이 논문은 학생 집단과 학문 분야 간 차이도 설명한다. 이러한 비교가 어떤 학생들이 AI를 책임 있게 사용하는지를 단순히 순위 매기는 방식으로 바뀌어서는 안 된다. 분야마다 부여하는 과제가 다르고, 응답자마다 의미 있는 지원이 무엇인지에 대한 기대도 다르다.
추가적인 복잡성은 결과와 관련된다. AI가 글쓰기를 해친다는 학생들의 믿음은 중요한 우려를 드러내지만, 글쓰기 능력의 측정된 저하를 의미하지는 않는다. AI가 이해도를 높인다는 그들의 확신 역시 별도의 평가가 필요하다.
기관은 어느 쪽 믿음도 실험 결과처럼 제시하지 않으면서 진지하게 받아들일 수 있다. 적절한 다음 단계는 보고된 이점이나 우려가 실제 수업 과제의 어느 지점에서 나타나는지 파악한 뒤, 관련 학습을 검토하는 것이다.
바로 이 지점에서 Dartmouth AI 설문조사는 가장 분명한 기여를 한다. 이는 검증할 가치가 있는 질문과 다뤄야 할 경험을 식별한다. 편리한 헤드라인이 이러한 결과를 부정행위, 학습 손실 또는 보편적인 학생 행동에 대한 확실성으로 바꿔 버린다면 그 가치는 줄어들 것이다.
Dartmouth의 AI 도입은 교육 기대 기준을 더욱 시급하게 만든다
AI 접근성을 제공하는 일은 학생들이 교육 과정 안에서 그 접근성을 어떻게 활용해야 하는지 설명할 책임을 수반한다.
2025년 12월 3일 발표된 Dartmouth의 캠퍼스 AI 파트너십에는 Anthropic의 Claude for Education과 Amazon Bedrock이 포함된다. 대학은 학문적 활용 분야에서의 협력과 함께 학생, 교직원 및 직원에게 제공되는 접근성을 설명한다.
이러한 기관 차원의 약속은 설문조사에 실질적인 의미를 부여한다. Dartmouth는 AI를 캠퍼스 생활에 통합하면서 학생들의 경험을 연구하고 있다. 따라서 접근성과 교육적 평가는 같은 논의에 속한다.
대학이 지원하는 도구는 학생이 독립적으로 발견한 애플리케이션과는 다른 함의를 지닌다. 학생들은 적절한 사용에 관한 지침을 기관에 기대하는 것이 합리적이다. 접근 가능성만으로는 개별 과제의 경계를 전달할 수 없다.
교수진 또한 기관의 지원이 무엇을 의미하는지 명확히 알아야 한다. 캠퍼스 라이선스가 모든 과목이 해당 제품을 채택해야 한다는 뜻은 아니다. 그렇다고 한 교수자의 제한이 대학의 더 광범위한 파트너십에 가치가 없다는 뜻도 아니다.
의미 있는 결정은 학습 목표와 관련된다. 연구 프로젝트를 정리하는 데 도움을 주는 보조 도구는 고급 과제에 적합할 수 있다. 같은 지원도 입문 과목이 학생들에게 특별히 기르도록 요구하는 구성 능력을 우회할 수 있다.
이는 대학 지도부와 공급업체 모두에 압박을 만든다. 기관은 도입이 교육적 약속을 어떻게 뒷받침하는지 설명해야 한다. 학계 도입을 추구하는 공급업체는 제품의 작동 방식이 교육자가 실제로 부여하는 과제에 어떻게 부합하는지 보여야 한다.
이 설문조사는 Claude와 ChatGPT를 비교하거나 교육용 보조 도구의 순위를 매기지 않는다. 따라서 Dartmouth의 파트너십은 특정 모델이 학생들이 보고한 우려를 해결한다는 증거가 아니라 도입 맥락으로 다뤄져야 한다.
마찬가지로, 수학 실험에서 GPT Base와 GPT Tutor를 비교한 것은 해당 연구 내의 인터페이스와 수업 설계에 관한 것이다. 이는 현재 상용 제품의 순위를 확립하지 않는다. 관련 비교 대상은 지원의 형태와 그에 따른 측정된 결과 사이에 있다.
캠퍼스 조달의 관점에서는 유용한 질문들이 제시된다. 교육자는 과제의 목표에 맞춰 지원을 구성할 수 있는가? 학생들은 제안과 검증된 증거를 구분할 수 있는가? 기관은 제품 사용을 핵심 성공 지표로 삼지 않으면서 독립적인 수행 능력을 평가할 수 있는가?
이 질문들이 중요한 이유는 기관의 목표가 즉각적인 사용자 선호와 다를 수 있기 때문이다. 마감 압박을 받는 학생은 완성된 답변을 선호할 수 있다. 추론 능력 개발을 목표로 설계된 과목은 학생이 그 답변을 받기 전에 불확실성을 헤쳐 나가도록 요구할 수 있다.
과제는 이러한 교육 목적을 이해하기 쉽게 만드는 것이다. 설명 없는 마찰은 자의적으로 느껴질 수 있다. 제한과 기술 사이의 명시적인 연결은 수업이 무엇을 기대하는지 학생들에게 더 분명하게 설명해 준다.
같은 원칙은 개인 지식 관리에도 적용된다. 자료를 정리하는 일과 이를 이해하는 일은 관련되어 있지만 별개의 과제다. 유용한 학습 시스템은 학습자의 판단을 위한 여지를 남기면서 뒷받침하는 증거에 접근할 수 있게 해야 한다.
따라서 Dartmouth의 도입은 지침의 필요성을 더욱 시급하게 만든다. 학생들은 지원이 언제 연습에 도움이 되는지, 언제 제출물이 보여 주는 내용을 바꾸는지, 그리고 교수자가 그 차이를 어떻게 평가할 것인지에 대한 설명이 필요하다.
설문조사 발표 이후 주목할 점
다음으로 유용한 증거는 대학의 결정, 입증된 학습, 고용주의 기대를 연결할 것이다.
첫 번째 신호는 Dartmouth가 조사 결과를 구체적인 학업 지침으로 옮기는지 여부다. Dartmouth의 설문조사 발표는 교육 및 연구 권고안에 관한 교수진 리더십 보고서가 곧 나올 것이라고 밝힌다.
향후 몇 달간 유용한 질문은 이 지침이 얼마나 구체화되는지다. 에세이, 문제 세트, 연구 프로젝트 및 수정 작업과 연결된 사례는 기관의 원칙이 일상적인 수업 과제에 어떻게 도달하는지 보여 줄 것이다. 광범위한 선언만으로는 해석의 부담 대부분이 학생들에게 남게 된다.
권고안이 관찰 가능한 기대 기준을 정의한다면, 이는 설문조사가 교육 실천에 정보를 제공하고 있다는 주장을 강화할 것이다. 반대로 평가 경계를 설명하지 않은 채 일반적인 장려에만 대응이 집중된다면 그 주장은 약화될 것이다.
두 번째 신호는 캠퍼스 평가가 지원을 받은 결과물과 독립적인 역량을 구분하는지 여부다. 이를 위해서는 참여율을 보고하거나 호의적인 반응을 수집하는 것 이상이 필요하다. 독립적으로 완료한 과제의 증거는 학습 문제를 직접적으로 다루는 데 도움이 될 것이다.
이러한 평가는 신중한 해석이 필요하다. 평가는 과목이 가르치는 내용과 부합해야 하며, 결과는 연구된 집단과 과제에 구체적으로 한정되어야 한다. 한 환경에서 성공한 개입은 보편적 주장이 아니라 추가 검증을 정당화할 것이다.
학생들이 의도한 기술을 유지하거나 다른 상황으로 전이한다면, 이 신호는 AI 도입에 대한 신뢰를 강화할 것이다. 이에 상응하는 독립적 증거 없이 지원받은 제출물만 더 강해진다면 핵심 질문은 여전히 미해결로 남는다.
세 번째 신호는 Dartmouth의 고용주 연구다. 대학은 신입 직무, 변화하는 책임, 필요한 기술에 관해 고용주를 조사하고 있다고 밝힌다. 이 작업은 학생들의 기대와 조직이 설명하는 요구를 비교하는 데 도움이 될 수 있다.
고용주의 응답도 여전히 면밀한 검토가 필요하다. 표명된 선호는 관찰된 채용 결정과 다르며, AI 기술에 대한 열의가 어떤 역량이 중요한지를 설명하지는 않는다. 업무, 감독 및 평가에 관한 구체적인 사례가 일반적인 지지보다 더 많은 정보를 제공할 것이다.
고용주가 대학이 가르치고 평가할 수 있는 구체적 역량을 식별한다면, 이러한 결과는 직업 준비도에 대한 근거를 강화할 것이다. 불일치가 드러난다면 기관은 AI 교육의 이점을 설명하는 방식을 수정할 이유를 얻게 된다.
이 신호들 중 어느 것도 또 다른 학생 설문조사가 임박했다고 가장할 필요는 없다. Dartmouth는 다음 학생 설문조사 시점을 2027년 8월로 제시한다. 더 가까운 시기의 변화는 기관 지침, 평가 관행, 그리고 이미 진행 중인 고용주 연구와 관련된다.
Dartmouth AI 설문조사를 지켜보는 독자에게 유용한 다음 단계는 어떤 증거가 기관의 접근 방식을 바꿀지를 묻는 것이다. 학생들은 과제의 어느 부분이 독립적인 판단을 보여야 하는지 물을 수 있다. 교육자는 허용된 지원이 그 목표와 어떻게 관련되는지 설명할 수 있다. 고용주는 AI가 생성한 답변이 그럴듯해 보일 때를 포함해 신입 직원이 옹호할 수 있어야 하는 추론을 설명할 수 있다. 제품 팀은 사용자가 도구가 지원한다고 주장하는 역량을 유지하는지 평가할 수 있다. 대응이 전개되는 과정에서 이러한 구체적인 결정을 지켜보라. 기관이 AI가 학생들을 업무에 대비시킨다고 말할 때, 학생들이 여전히 자신이 만든 결과물을 설명하고, 의문을 제기하며, 적용할 수 있음을 보여 주기 위해 무엇을 측정할 것인가?
