OECD AI 학습 과제 연구, 1.5년 AI 학습 손실 아닌 낮은 점수 확인
OECD의 AI 학습 과제 결과는 분명한 경고를 담고 있다. 특정 과제에 챗봇을 사용한 학생들은 대체로 이를 사용하지 않은 학생들보다 낮은 점수를 받았다.
이 결과와 함께 더 큰 수치도 제시됐다. OECD 평균 읽기 점수는 2015년부터 2025년 사이 28점 하락했으며, 이는 약 1.5년의 학습량에 해당한다. 수학 점수는 22점 떨어져 1년을 조금 넘는 학습량 감소로 나타났다.
이 수치가 챗봇이 10년에 걸친 하락을 초래했다는 뜻은 아니다. 대중용 생성형 AI 도구가 널리 보급된 것은 2022년 말 이후다. 성적 하락은 그보다 앞서 시작됐고, 약화된 가정 지원, 결석, 주의 분산, 팬데믹 혼란 등 여러 압력을 반영한다.
그럼에도 이 시점의 겹침은 중요하다. 기초 학업 성취가 이미 하락하는 가운데 AI가 교실에 들어왔다. 학교는 손쉬운 우회를 제한할지, 학생들에게 이 기술을 의도적으로 사용하도록 가르칠지라는 어려운 선택에 직면해 있다.
아시아 교육 시스템은 이 선택을 특히 선명하게 보여준다. 싱가포르, 한국, 마카오, 태국, 베트남, 필리핀에서는 챗봇 사용이 광범위하다. 그럼에도 여러 아시아 교육 시스템은 여전히 가장 높은 성취를 보이는 집단에 속한다.
새롭게 나타나는 구분은 단순히 AI 사용자와 비사용자 사이의 대립이 아니다. 답을 생성하는 AI와 교육적으로 안내된 AI의 차이이며, 도구가 노력을 대체할지 강화할지는 교사가 결정한다.
OECD AI 학습 과제 결과가 실제로 보여주는 것
PISA 2025는 챗봇 사용과 성취도 사이의 연관성을 발견했을 뿐, AI가 낮은 점수를 초래했다는 증거는 아니다.
OECD는 2026년 9월 8일 최신 국제학생평가프로그램 결과를 발표했다. PISA는 15세 학생들이 읽기, 수학, 과학 지식을 낯선 문제에 어떻게 적용하는지 평가한다.
2025년 평가는 91개 국가와 경제권의 학생 76만 명을 대상으로 했다. 지금까지 실시된 PISA 가운데 가장 큰 규모였다. 과학이 주요 평가 영역이었다.
이번 주기에서는 학생들이 학업 과제를 위해 AI 챗봇을 어떻게 사용했는지도 물었다. 질문은 지정된 텍스트 요약, 새 주제 조사, 글쓰기 과제 초안 작성, 일반적인 학습 도움을 다뤘다.
챗봇은 이미 대부분의 학생에게 도달해 있었다. OECD 국가 전체에서 조사된 어떤 학업 목적에도 AI를 전혀 또는 거의 사용하지 않았다고 답한 학생은 14%에 불과했다.
약 46%는 학습을 돕기 위해 AI를 적어도 매주 사용했다. 이는 학교 시스템이 실험적인 교실 추세가 아니라 이미 정착한 행동을 연구하고 있음을 보여준다.
여러 과제별 사용에서는 성취도 패턴이 불리하게 나타났다. 요약, 조사 또는 초안 작성을 위해 AI를 사용하지 않은 학생들은 과학에서 대체로 사용자보다 높은 성과를 냈다.
사용 빈도도 중요했다. 보통 수준의 사용자는 챗봇을 드물게 쓰거나 거의 매일 쓰는 학생보다 더 높은 점수를 받는 경우가 많았다. 과제 초안 작성에서는 다른 과제보다 보통 수준 사용의 이점이 더 약하게 나타났다.
일반 학습 도움에서는 다른 결과가 나왔다. 사회경제적 배경을 조정한 뒤에도 학습을 돕기 위해 매주 AI를 사용한 학생들은 비사용자와 대체로 비슷한 수준의 성과를 보였다.
전체 학업 과제 분석은 이러한 관계를 인과관계로 해석하지 말라고 명시적으로 경고한다. 학생들은 서로 다른 이유와 조건에서 AI를 도입한다.
학업에 어려움을 겪는 학생은 과제가 이미 어렵기 때문에 챗봇을 더 자주 찾을 수 있다. 이 패턴은 AI가 처음의 어려움을 만들었다는 증거 없이도 사용자 집단의 낮은 점수를 낳을 수 있다.
접근성도 비교를 복잡하게 한다. AI를 전혀 사용하지 않은 학생들은 더 불리한 배경 출신인 경향이 있었다. 빈번한 사용자는 유리한 배경 출신일 가능성이 더 높았다.
사회경제적 조정은 이러한 불균형을 줄이지만, 측정되지 않은 모든 차이를 없앨 수는 없다. 동기, 사전 지식, 교사 관행, 평가 설계, 개별 프롬프트의 질은 모두 결과에 영향을 줄 수 있다.
가장 안전한 결론은 자극적인 헤드라인보다 더 제한적이다. 특정 학업 과제를 외주화하는 행위는 더 약한 평가 지식과 상관관계를 보이지만, 보통 수준의 학습 지향적 사용에서는 같은 불이익이 나타나지 않는다.
이 구분은 실질적인 정책 질문으로 이어진다. 학교는 단순히 로그인 횟수를 세어 AI를 평가할 수 없다. 어떤 인지적 작업이 여전히 학생에게 남아 있는지를 살펴야 한다.
1.5년 수치는 10년에 걸친 읽기 성취 하락을 설명한다
널리 반복되는 1.5년 손실은 AI가 유발한 측정된 불이익이 아니라 2015년 이후의 읽기 성취도 하락을 뜻한다.
OECD 국가 전체의 평균 읽기 성취도는 2015년부터 2025년까지 28점 하락했다. OECD는 이 차이를 약 1년 반의 학습량으로 환산한다.
수학은 같은 10년 동안 22점 하락했다. 과학 성취도는 10년간 더 완만하게 하락했으며, 2022년과 2025년 사이에는 대체로 안정적으로 유지됐다.
PISA 결과는 과학, 수학, 읽기 전반에서 성취가 낮은 학생이 5명 중 1명이라는 점도 보여준다. 이 비율은 2022년에는 16%였다.
연대기는 ChatGPT나 유사 서비스에 초점을 맞춘 단순한 설명을 배제한다. 더 광범위한 하락은 생성형 AI가 일반 소비자 제품으로 자리 잡기 전에 시작됐다.
PISA는 10년 동안 동일한 개별 학생을 추적하지 않는다. 대신 비교 가능한 15세 학생 집단을 표본으로 삼아 개인의 학습 이력이 아닌 시스템 수준의 관점을 제공한다.
또한 한 시점의 성과를 측정한다. 이 평가는 학생의 챗봇 활동과 시험에서 드러난 지식을 연결하는 모든 단계를 관찰할 수 없다.
따라서 OECD는 서로 분리해 유지해야 할 두 가지 결과를 제시한다. 학업 성취도는 10년 동안 하락했고, 현재의 AI 사용 패턴은 서로 다른 성취도 수준과 상관관계를 보인다.
그 교차점은 여전히 주목할 만하다. 많은 학생이 탄탄한 읽기와 수학 기초를 이미 갖추지 못한 장기적 학습 위기 속에서 생성형 AI가 등장했다.
챗봇은 사용자가 논증을 독립적으로 구축하지 못하더라도 일관된 문단을 작성할 수 있다. 독자가 핵심 주장을 식별하지 않아도 한 장을 요약할 수 있다.
이는 완성된 과제물과 유지된 능력 사이에 측정 격차를 만든다. 숙제의 질은 높아질 수 있지만, 도움 없이 수행하는 능력은 제자리걸음을 하거나 떨어질 수 있다.
그러면 교사는 오도된 신호를 받는다. 매끄럽게 다듬어진 제출물은 더 강한 학습, 유용한 편집 지원, 광범위한 기계 지원 또는 거의 완전한 위임을 뜻할 수 있다.
학생도 비슷한 착각에 빠질 수 있다. 즉각적인 결과물이 정확해 보이기 때문에 빠른 완성은 숙달처럼 느껴질 수 있다. 이 오해는 도움 없는 시험이나 이후 과제에서야 드러난다.
그렇다고 모든 챗봇 상호작용이 해롭다는 뜻은 아니다. 교육적 가치는 AI가 회상, 추론, 수정, 설명을 유지하는지에 달려 있다는 의미다.
OECD 사무총장 Mathias Cormann은 이 구분을 명확히 표현했다. 그는 기술이 학습을 강화할 수 있지만, 주의력, 노력, 이해를 대체할 때는 그렇지 않다고 말했다.
이 발언은 책임을 학생 너머로 확장한다. 제품 설계, 교사 지시, 과제 구조, 학교 정책이 AI가 대체 수단이 되기 쉬운 정도를 결정한다.
1.5년의 하락은 학교가 피상적 참여의 또 다른 원인을 감당할 여지가 거의 없다는 점에서 사안을 더 중요하게 만든다. 그러나 그 원인에 대한 인과적 추정치를 제공하지는 않는다.
요약과 초안 작성이 가장 첨예한 충돌을 만드는 이유
AI가 과제가 훈련하도록 설계된 정신적 작업을 완수할 때 교육적 위험이 커진다.
요약 과제는 짧은 문서를 만드는 데 그치지 않는다. 학습 목적은 학생이 근거를 선택하고, 핵심 아이디어를 구분하며, 의미를 재구성하도록 만드는 데 있다.
챗봇이 이러한 단계를 수행하면 학생은 숨은 기술을 반드시 연습하지 않은 채 눈에 보이는 결과물을 받는다. 같은 문제는 사전 조사에도 적용된다.
조사 과제는 질문 형성, 출처 비교, 불확실성 관리, 근거 선택을 가르친다. 완성된 개요를 요청하면 학생의 작업 흐름에서 이러한 결정이 사라질 수 있다.
초안 작성은 더 명확한 충돌을 제시한다. 글쓰기는 지식의 최종 표현에 그치지 않는다. 약한 추론, 빠진 근거, 해결되지 않은 모순을 발견하도록 돕는다.
생성된 초안은 그러한 생산적 마찰을 없앨 수 있다. 학생들은 자신의 논증을 만들기도 전에 유창한 문장에서 출발해 편집자가 된다.
이 메커니즘은 OECD AI 학습 과제 결과를 설명하는 데 도움이 된다. 비사용자는 특정 과제에서 대체로 사용자보다 높은 성과를 냈고, 보통 수준의 사용자는 드물게 또는 집중적으로 사용하는 학생보다 더 나은 성과를 보이기도 했다.
이 패턴은 금지냐 도입이냐의 선택보다 곡선에 가깝다. 어느 정도의 지원은 학습을 도울 수 있지만, 광범위한 위임은 지속적인 지식을 만드는 노력을 줄인다.
OECD의 별도 디지털 교육 검토도 비슷한 결론에 이른다. 생성형 AI는 교육 원칙이 사용을 이끌 때 도움이 될 수 있다.
교육 도구는 피드백을 제공하기 전에 학습자에게 한 단계를 설명하도록 요청할 수 있다. 힌트를 제공하거나 연습 문제를 만들고, 근거 없는 주장을 반박하도록 할 수도 있다.
일반적인 챗봇은 대체로 요청을 만족시키는 데 최적화돼 있다. 학생이 답을 요청하면 시스템에는 과제가 의도한 난이도를 보존할 이유가 거의 없다.
이 차이는 튜터링과 과제 완성을 가른다. 튜터는 학습자가 추론에 대한 책임을 유지하도록 지원을 조절한다. 답변 엔진은 그 책임을 즉시 없앨 수 있다.
문제는 부정행위에만 국한되지 않는다. 학생은 학교의 허용적인 규칙 아래 AI를 공개적으로 사용하면서도 교육과정이 기대하는 수준보다 적게 연습할 수 있다.
학업 진실성 정책은 저자성, 공개, 금지된 지원을 다룬다. 학습 설계는 더 깊은 질문을 던진다. 학생이 여전히 스스로 수행해야 하는 사고는 무엇인가?
학교에는 두 층위가 모두 필요하다. 공개는 교사에게 AI가 개입했음을 알릴 수 있지만, 그 상호작용이 이해를 강화했는지는 보여주지 않는다.
과정 증거가 더 유용해진다. 학생들은 메모, 출처 추적 기록, 연속된 초안, 프롬프트 기록, 거부한 제안에 대한 짧은 설명을 보관할 수 있다.
학생 지식 베이스는 이러한 추적 가능한 과정을 지원할 수 있다. 교육적 가치는 생성된 답을 수집하는 데 있지 않고, 근거와 추론을 다시 검토하는 데서 나온다.
평가 역시 지원을 받은 성과와 도움 없이 수행한 성과를 비교해야 한다. 학생은 AI 지원 에세이를 작성한 뒤 그 논증을 구두로 방어하거나, 지원 없이 관련 글을 쓸 수 있다.
이런 설계는 모든 상호작용을 부정행위로 취급하지 않으면서 AI 사용을 드러나게 한다. 또한 지원이 독립적인 능력으로 이전됐는지도 밝혀낸다.
이것이 핵심적인 역전이다. AI는 결과물을 개선할 수 있지만, 그 결과물이 나타내도록 의도된 학습 과정을 약화시킬 수 있다.
아시아는 높은 도입률과 높은 성취도가 공존할 수 있음을 보여준다
아시아의 결과는 잦은 챗봇 접근이 자동으로 낮은 학업 성취를 낳는다는 주장을 반박한다.
싱가포르는 가장 명확한 반례를 제공한다. 싱가포르 학생들은 학업 과제 전반에서 광범위한 AI 사용을 보고하면서도 세계 최고 수준의 성과를 유지했다.
싱가포르 학생의 약 66%는 학습을 돕기 위해 챗봇을 적어도 매주 사용했다. OECD 평균은 약 46%였다.
개별 과제에서도 주간 AI 사용률은 높았다. 싱가포르에서는 46%가 기초 조사에, 41%가 요약에, 45%가 글쓰기 과제 초안 작성에 AI를 사용했다.
조사 대상 활동 전반에서 AI를 전혀 또는 거의 사용하지 않았다고 답한 비율은 4%에 불과했다. OECD 국가 전체의 14%와 비교되는 수치다.
싱가포르의 PISA 프로필은 또 다른 중요한 수치를 제시한다. 약 81%가 학교 수업 중 AI가 생성한 정보를 평가하는 방법을 배웠다.
이 수업 활동의 OECD 평균은 약 63%였다. 참여 교육 시스템 전반에서 보고된 노출 비율은 31%에서 80% 이상까지 분포했다.
따라서 싱가포르는 높은 접근성과 이례적으로 폭넓은 평가 교육을 함께 갖추고 있다. 학생들은 AI를 접하지만, 상당수는 그 결과물을 의심하고 검토하는 훈련도 받는다.
한국은 이 패턴의 또 다른 형태를 보여준다. 학교 과제 AI 사용 지수는 OECD 평균을 웃돌았지만, 성취도는 여전히 최상위권 교육 시스템에 속했다.
한국과 싱가포르는 모두 광범위한 디지털 학습 정책을 추진해 왔다. 싱가포르의 국가적 접근법은 인공지능 도구를 명시적으로 포함한다.
다른 아시아 경제권은 광범위한 지역적 범주화가 왜 위험한지를 보여준다. 일본은 학교 과제에서의 사용률이 비교적 낮은 반면, 싱가포르는 매우 높은 사용률을 보고한다. 두 나라 모두 높은 성과를 보인다.
중화 타이베이는 높은 성취도와 낮은 평균 AI 사용률, 그리고 2021년부터 이어진 대규모 디지털 학습 정책을 결합하고 있다. 마카오는 높은 성취도와 광범위한 도입을 함께 보인다.
중국 본토 결과는 중국 전체가 아니라 베이징, 상하이, 장쑤, 저장을 포괄한다. 독자는 이 표본을 국가 전체 추정치로 해석해서는 안 된다.
더 나은 비교 기준은 수업 통제력이다. 여러 고성과 교육 시스템은 디지털 도구를 교실 목표에 맞게 조정하는 데 교사에게 중심적 역할을 부여한다.
OECD 교육국장 안드레아스 슐라이허는 학생들이 여전히 붓과 먹으로 글을 쓰는 중국 서예 교실을 설명했다. 이후 교사들은 AI를 사용해 필적을 분석했다.
이 교실 사례가 유용한 이유는 기술이 학생의 작업물을 만들어내지 않았기 때문이다. 학생이 이미 수행한 작업에 대해 피드백을 제공했다.
이 구조는 핵심 연습을 그대로 유지한다. 학생들은 글자 하나하나를 만들고, 교사는 학습 목표를 정하며, 소프트웨어는 진단 레이어를 더한다.
이를 챗봇에게 에세이 초안을 작성해 달라고 요청하는 경우와 비교해 보자. 두 번째 작업 흐름은 작문의 핵심 행위를 모델에 넘긴다.
이 때문에 “교육에서의 AI”는 결과 변수로 기능하기에는 지나치게 광범위한 표현이다. 서예 피드백, 자동 초안 작성, 안내형 튜터링, 즉각적 요약은 서로 다른 개입 방식이다.
국가 평균은 교실 간 차이도 가릴 수 있다. 어떤 교사는 근거 확인과 구두 변론을 요구할 수 있다. 다른 교사는 제한된 감독 아래 무제한 생성을 허용할 수 있다.
따라서 아시아의 도입 사례는 OECD의 학생 수준 연관성을 반박하지 않는다. 그것은 시스템 설계가 도입의 의미를 바꿀 수 있음을 보여준다.
고성과 아시아 교육 시스템은 정책을 금지와 무제한 접근 사이의 선택으로 규정하는 국가들에 압박을 가한다. 세 번째 경로도 보인다. 교사 권한 아래 이루어지는 안내형 노출이다.
수치가 여전히 알려주지 못하는 것
PISA는 경고 신호를 포착하지만, 관찰 연구 설계상 AI의 효과를 이를 사용하는 학생과 학교의 특성으로부터 분리해낼 수는 없다.
이 조사는 사용 빈도와 목적에 관한 학생 응답에 의존한다. 해당 상호작용을 둘러싼 모든 프롬프트, 응답, 수정 또는 교실 규칙을 포착하지는 못한다.
두 학생은 AI를 매우 다르게 사용하면서도 동일한 빈도 범주를 선택할 수 있다. 한 학생은 설명을 요청할 수 있고, 다른 학생은 거의 검토하지 않은 생성 텍스트를 제출할 수 있다.
“학습을 도와줘”라는 광범위한 표현은 추가적인 불확실성을 만든다. 이는 튜터링, 번역, 브레인스토밍, 연습문제 생성, 답안 확인 또는 직접적인 해답 요청을 뜻할 수 있다.
이번 PISA 주기에서 과학 점수는 주요 결과 지표다. 이는 글쓰기 품질, 창의성, 자신감, 연구 역량 또는 장기 기억 유지에 미치는 모든 영향을 대표할 수 없다.
이 평가는 방향성도 확립할 수 없다. 성취도가 낮은 학생들이 도움이 필요해서 AI를 채택했을 수 있으며, 이 경우 AI 사용은 부분적으로 어려움에 대한 반응이 된다.
빈번한 사용자는 자동화를 부추기는 과도한 학업량에 직면했을 수 있다. 지원 체계가 약한 학교는 저렴한 대안으로 소비자용 챗봇에 의존했을 수 있다.
반대 방향의 가능성도 있다. 반복적인 과제 위임은 연습을 줄이고 이후의 비보조 수행 능력을 약화시킬 수 있다. PISA는 각 메커니즘의 기여도를 판단할 수 없다.
AI 리터러시 교육과 점수 간 관계도 주의가 필요하다. 교육적으로 유리한 환경의 학생들은 이러한 학습 기회를 더 자주 보고한다.
검증을 효과적으로 가르치는 학교는 더 우수한 교사, 더 나은 자원, 더 많은 지원을 제공하는 가정을 보유할 수도 있다. 이러한 요인은 독립적으로 성취도에 영향을 줄 수 있다.
그럼에도 OECD는 유망한 패턴을 발견했다. 수업에서 AI 정보를 평가한 빈번한 일반 학습 AI 사용자는 사용 빈도가 낮거나 사용하지 않는 학생보다 과학 성취도가 약간 더 높았다.
이 결과는 안내형 사용을 뒷받침하지만, 특정 수업이 차이를 일으켰다는 사실을 입증하지는 않는다. 보고서는 복잡한 학습 환경 안에서의 연관성을 설명한다.
추가적인 불확실성은 제품 변화와 관련된다. 2025년에 사용된 챗봇은 정확성, 인터페이스 설계, 개인화, 교육적 안전장치 측면에서 이후 시스템과 다르다.
미래의 도구는 더 나은 튜터가 될 수 있다. 반대로 과제를 눈에 띄지 않게 완수하는 능력도 더 향상돼, 겉으로 드러난 결과물과 실제로 유지된 역량 사이의 격차를 넓힐 수 있다.
도입은 이미 광범위하게 이루어지고 있으므로 학교는 완벽한 증거를 기다릴 수 없다. 그렇다고 예비적 상관관계를 보편적 금지 조치로 바꿔서도 안 된다.
전면 금지는 사용을 음지로 몰아갈 수 있다. 또한 학생들이 고등교육과 직장에서 마주하게 될 도구를 감독 아래 연습할 기회를 빼앗을 수 있다.
무제한 도입에는 반대의 위험이 있다. 소비자용 챗봇은 개별 교육과정을 기준으로 설계되지 않았는데도, 제품의 기본 설정이 교육 방식을 결정하게 만든다.
신중한 정책 대응은 통제된 실험이다. 학교는 허용되는 과제를 정의하고, 비보조 평가를 유지하며, 검증 방법을 가르치고, 시간에 따른 결과를 비교할 수 있다.
학교는 제출물의 품질 이상을 측정해야 한다. 유용한 지표에는 지연 회상, 독립적 전이, 출처 정확성, 수정 품질, 추론을 설명하는 능력이 포함된다.
이러한 지표는 OECD의 AI 학교 과제 결과 뒤에 있는 메커니즘을 검증할 수 있다. 챗봇이 인지 작업을 지원하는지, 아니면 그 부재를 감추는 데 그치는지를 보여줄 것이다.
학교가 PISA로부터 배우고 있는지를 보여줄 세 가지 신호
다음 단계는 평가 설계, 교사 주도의 AI 리터러시, 그리고 안내형 사용이 독립적 수행으로 이어진다는 증거에 의해 결정될 것이다.
첫 번째 신호는 과정 인식형 평가로의 전환이다. 학교는 AI가 어떻게 사용됐는지를 공개하도록 하고, 학생들이 지원 없이도 같은 지식을 입증하도록 요구해야 한다.
구두 변론, 감독하 글쓰기, 프롬프트 기록, 출처 기록, 단계별 초안을 주목할 필요가 있다. 이러한 접근법은 다듬어진 결과물과 실제 이해를 구분한다.
교육 시스템이 이를 널리 도입한다면, OECD의 경고는 금지보다 재설계가 필요하다는 주장을 강화할 것이다. 과제가 그대로 유지된다면, 보이지 않는 위임은 계속 측정하기 어려울 것이다.
두 번째 신호는 생성된 정보를 평가하는 교육의 확대다. OECD 학생 약 10명 중 6명은 이미 학교 수업에서 이를 수행한다고 보고한다.
이 교육의 질은 단순한 체크 항목보다 중요하다. 학생들은 주장을 검증하고, 원자료를 찾고, 불확실성을 식별하며, 설득력 있어 보이지만 근거가 부족한 문장을 알아볼 수 있어야 한다.
싱가포르의 81% 노출률은 결과를 완전히 설명하는 근거가 아니라 유용한 기준점이다. 다른 교육 시스템은 평가 연습이 학생 행동을 바꾼다는 점을 보여줘야 한다.
AI 리터러시가 확대되는 동시에 독립적 수행이 향상된다면, 안내형 사용은 지지를 얻는다. 더 나은 결과 없이 노출만 늘어난다면, 학교는 더 강력한 수업 설계가 필요할 것이다.
세 번째 신호는 서로 다른 형태의 지원을 비교하는 종단적 증거다. 연구자들은 튜터링, 피드백, 브레인스토밍, 요약, 조사, 초안 작성을 구분해야 한다.
또한 지연 평가도 필요하다. 학생들이 일주일 또는 한 달 뒤 더 적은 지식을 유지하더라도, 즉각적인 과제 수행은 향상될 수 있다.
다음 PISA 주기가 도움이 되겠지만, 학교는 3년 단위 평가 하나에만 의존해서는 안 된다. 교육청과 정부 부처는 기존 수업 안에서 통제된 평가를 운영할 수 있다.
OECD는 이미 PISA 2029를 위한 미디어 및 AI 리터러시 영역을 준비하고 있다. 이 평가는 학생들이 AI 매개 정보와 비판적으로 소통할 수 있는지를 보여줘야 한다.
제품 개발사도 분명한 시험대에 놓여 있다. 교육 모드는 학생들이 기초 문제를 풀어 보기 전에 완성된 답을 제공하지 않도록 설계돼야 한다.
교사에게는 힌트의 깊이, 출처 요구 사항, 연령 적합성, 활동 기록을 통제할 수 있는 기능이 필요하다. 이러한 기능이 없다면 “AI 튜터”는 교육적 보장이라기보다 마케팅 범주에 머문다.
학부모와 학생도 지금 같은 기준을 적용할 수 있다. 챗봇이 사고를 확장하는지, 사고를 점검하는지, 아니면 사고를 대체하는지 물어보라.
요약의 경우, 먼저 읽고 핵심 요점을 초안으로 정리한 뒤 피드백을 요청하라. 조사의 경우, AI에게 비교를 요청하기 전에 원자료를 수집하라.
글쓰기의 경우, 모델을 비평에 사용하기 전에 논지를 세우고 초기 구조를 작성하라. 핵심 연습에는 비보조 버전을 유지하라.
보도된 OECD 경고는 심각하지만, 가장 극적인 해석은 뒷받침되지 않는다. AI가 PISA에서 인과적으로 1.5년의 불이익을 받은 것은 아니다.
실제 발견은 더 유용하다. 챗봇이 특정 학교 과제를 수행할 때 학생들은 종종 더 낮은 점수를 기록하는 반면, 안내형·중간 수준의 학습 사용은 다른 패턴을 따른다.
이것은 학교에 즉각적인 질문을 남긴다. AI 정책은 지식을 만들어내는 노력을 보호하고 있는가, 아니면 학생들이 제출하는 결과물만 개선하고 있는가?
