Whitesides의 교실 AI 연구 계획, 하원에 도달했지만 증거는 여전히 도입을 따라가지 못해

George Whitesides 하원의원은 교실에서 AI가 아동에게 미치는 영향에 관한 증거 공백을 전문가들이 파악하도록 지시하는 하원 위원회 수정안을 통과시켰다. 연구 기반이 아직 확고하지 않고 학교 도입이 빨라지는 가운데, 이 수정안은 음성 표결로 가결됐다.

이 법안은 이를 둘러싸고 유통되는 Google News 헤드라인이 시사하는 것보다 범위가 좁다. Whitesides 의원과 April McClain Delaney 의원, Andrea Salinas 의원은 연방 차원의 교실 실험을 만들거나 학교에 새 규정을 부과하지 않았다. 이들의 구상은 기존 연구를 검토하고 연구자들이 충분히 답하지 못한 질문을 파악하는 워크숍에 초점을 맞춘다.

이 구분이 실질적인 긴장을 만든다. 학교들은 이미 챗봇, 자동화 튜터, 수업 계획 시스템, 학습 분석 도구를 사용하고 있다. 의회는 이러한 도입 사례를 평가하는 데 필요한 증거를 이제 막 체계화하기 시작했다.

이 조치는 단독 법안이 아니라 더 큰 입법 패키지에 포함돼 있다. 하원 과학위원회의 법안 심사 과정에서 2025년 NSF AI Education Act인 H.R. 5351의 일부가 됐다. 이 경로는 법안에 추진력을 더하지만, 제정·예산 확보·전국적 연구 프로그램을 보장하지는 않는다.

하원 위원회가 실제로 승인한 내용

검증된 의회 조치는 전국적인 교실 AI 의무화가 아니라 연구 공백을 파악하는 수정안이다.

하원 과학·우주·기술위원회는 여러 인공지능 법안을 다루는 광범위한 법안 심사의 일환으로 H.R. 5351을 검토했다. 원 법안은 AI 교육, 연구, 인력 양성, 기관 간 협력을 위한 National Science Foundation 지원에 초점을 둔다.

그 과정에서 Whitesides 의원은 교실 내 AI 통합에 관한 워크숍을 신설하는 수정안을 제안했다. 위원회의 심사 기록에 따르면, 이 워크숍은 AI가 아동에게 미치는 영향과 관련한 데이터 및 공개 연구 결과의 공백을 파악하게 된다.

위원회 위원들은 이 수정안을 음성 표결로 채택했다. 이후 수정된 H.R. 5351을 찬성 33표, 반대 0표의 기록 표결로 하원에 호의적으로 보고했다.

이 조치들은 중요하지만, 입법 절차의 중간 단계에 해당한다. 위원회의 긍정적 보고는 법안을 하원 전체회의에서 검토할 가능성이 있는 단계로 보낸다. 그렇다고 법안이 법률이 되는 것은 아니다.

특히 독자가 Google News를 통해 헤드라인을 접할 때 이 차이는 중요하다. 집계된 헤드라인은 수정안, 법안, 공동 발의, 위원회 조치를 짧은 설명 하나로 압축하는 경우가 많다. 원 기록은 더 정확한 설명을 제공한다.

Whitesides 의원의 조치는 AI가 유익하거나 해롭다고 선언하지 않는다. 이는 의사결정자들이 교실 AI를 경험하는 아동에 관해 충분히 일관된 증거 체계를 갖추지 못했다는 전제에서 출발한다.

워크숍 방식은 이 불확실성을 반영한다. 연방 시험을 위해 단일 제품을 선정하는 대신, 관련 전문가들을 모아 연구자들이 알고 있는 내용과 아직 해결되지 않은 사항을 정리하게 된다.

이 과정은 학업 성과, 비판적 사고, 개인정보 보호, 접근성, 학생 의존도, 교사 업무량 또는 연령 적합성 등과 관련한 공백을 드러낼 수 있다. 다만 위원회 요약은 열거된 모든 사안이 동등한 관심을 받게 될 것이라고 확정하지 않는다.

H.R. 5351은 Whitesides 수정안보다 더 광범위한 내용을 다룬다. 더 넓은 법안 기록은 이 조치를 2025년 NSF AI Education Act로 규정한다. 그 입법 범위에는 인공지능 관련 교육 및 인력 개발이 포함된다.

Salinas 의원은 별도로 최대 8개의 커뮤니티 칼리지 또는 직업기술교육 AI 센터를 허용하는 수정안을 제안했다. 위원회는 이 제안을 찬성 14표, 반대 18표의 기록 표결로 부결했다.

이 결과는 법안 심사 내부의 구분선을 보여준다. 위원들은 수정된 법안을 만장일치로 진전시키고 증거 매핑을 음성 표결로 받아들였다. 하지만 AI 교육 인프라 확대를 위한 모든 제안을 승인한 것은 아니다.

McClain Delaney 의원의 참여 역시 이 구상을 AI 감독, 과학 정책, 교육을 검토하는 더 광범위한 의원 그룹 안에 위치시킨다. 다만 핵심 성과는 구체적이다. 위원회는 누락된 증거를 체계적으로 찾기 위한 Whitesides 의원의 제안을 받아들였다.

따라서 가장 정확한 해석은 신중해야 한다. 의회는 학교가 AI를 어떻게 사용해야 하는지 결정하지 않았다. 하원 위원회는 더 강한 결정을 정당화할 수 있으려면 먼저 더 명확한 그림이 필요하다는 데 동의했다.

지금 교실 도입이 의회를 압박하는 이유

정책 문제는 더 이상 학생들이 AI를 접하게 될지 여부가 아니라, 공공 증거가 도입 속도를 따라갈 수 있는지다.

생성형 AI는 조율된 교육과정 도입이 아니라 소비자용 도구를 통해 교육 현장에 들어왔다. 많은 교육구가 정책을 마련하기 전부터 학생들은 가정, 개인 기기 또는 학교 계정을 통해 범용 챗봇에 접근할 수 있었다.

교사들도 같은 압축된 일정에 직면했다. 일부는 수업 계획, 수준별 자료, 피드백 초안, 행정 업무에 AI를 사용했다. 다른 이들은 정확성, 개인정보 보호, 부정행위, 역량 발달 약화에 대한 우려로 학생의 접근을 제한했다.

이처럼 고르지 않은 도입은 국가 차원의 정책 수립을 복잡하게 만든다. “교실 내 AI”는 교사가 활동지를 작성하는 것부터 학생이 수학 수업 중 자동화 튜터링을 받는 것까지 매우 다른 개입을 뜻할 수 있다.

기술은 전통적인 교육 연구보다도 빠르게 변한다. 하나의 모델, 인터페이스 또는 안전 시스템을 중심으로 설계된 연구는 제품 업데이트 후 관련성이 떨어질 수 있다. 그러면 연구자들은 지속되는 교수 원리와 일시적인 제품 행동을 구분해야 한다.

학교가 이상적인 증거를 언제나 기다릴 수 있는 것은 아니다. 교육구 지도자들은 도구가 이미 이용 가능한 상황에서 허용 가능한 사용 정책, 조달 요건, 데이터 보호 장치, 교사 연수 우선순위를 선택해야 한다.

이로 인해 의회와 연방 연구기관에 압력이 가해진다. 광범위한 금지는 유용한 활용 사례를 막을 위험이 있다. 무비판적인 도입은 아동을 제대로 이해되지 않은 실험에 놓을 위험이 있다.

현재 उपलब्ध한 가장 강력한 연구들은 이미 서로 다른 방향을 가리킨다. Johns Hopkins의 교실 파일럿은 중·고등학생 22명이 공동 튜터로 사용한 안전장치가 적용된 챗봇을 조사했다.

연구진은 두 집단의 최종 평가 점수에서 유의미한 차이를 발견하지 못했다. 또한 학생들이 의도된 코칭 과정을 따르기보다 챗봇을 정보원으로 자주 대했다는 점을 관찰했다.

Johns Hopkins의 연구 결과는 제품 접근성만으로 교육적 가치를 입증할 수 없는 이유를 보여준다. 상호작용의 설계, 교사의 기대, 학생의 행동이 모두 결과에 영향을 미친다.

또 다른 연구는 AI 지원 튜터링 시스템을 사용하는 12학년 수학 학생들을 조사했다. 이 설계에는 이란 공립 고등학교 4곳의 남학생 97명이 포함됐으며, 기존 학급을 실험 조건과 대조 조건에 배정했다.

이 연구는 수학 성취도, 유지, 참여도, 학생 인식과 관련한 향상을 보고했다. 하지만 대상 집단, 지역, 교수 맥락, 준실험적 구조 때문에 정책 입안자들이 이 결과를 모든 미국 학교에 일반화할 수 있는 정도에는 한계가 있다.

이는 이 연구만의 결함이 아니다. 교육 연구는 대개 지역적 맥락에 크게 의존한다. 학급 규모, 교사 준비도, 교육과정, 언어, 기기 접근성, 이전 성취도는 개입의 효과를 바꿀 수 있다.

연방 차원의 증거 검토는 반복적으로 확인된 결과와 고립된 결과를 구분하는 데 도움이 될 수 있다. 또한 어린 아동, 장애 학생, 농촌 학교, 다언어 학습자를 포함해 기존 연구가 간과한 집단을 파악할 수도 있다.

따라서 Google News를 통해 이 이야기를 접하는 교육자들에게 핵심은 또 하나의 의회 AI 발표가 아니다. 정부가 비교 가능한 증거를 만들 만큼 충분히 정밀하게 질문을 정의할 수 있는지다.

이 작업이 없다면 교육구들은 계속해서 공급업체 시연, 지역 파일럿, 교사 일화, 서로 다른 결과를 측정한 연구에 근거해 결정을 내리게 된다. 이러한 파편화된 접근은 낙관적 주장과 경고성 주장을 모두 검증하기 어렵게 만든다.

핵심 갈등은 도입 대 증거다

AI 도구는 제품으로서 교실에 들어오지만, 연구자들은 이를 변화하는 교수 시스템으로 평가해야 한다.

이것이 이 제안의 핵심 정책 갈등이다. 도입은 구매 결정과 개인의 행동을 통해 이뤄진다. 신뢰할 수 있는 증거에는 안정적인 정의, 비교 집단, 적절한 결과 측정, 지속적 효과를 감지할 충분한 시간이 필요하다.

챗봇은 독립적 숙련도를 높이지 않고도 과제 수행 성과를 높일 수 있다. 교사의 수업 준비 시간을 줄이는 한편 새로운 검증 업무를 만들 수도 있다. 학생들이 어려운 추론을 피하도록 유도하면서 참여도를 높일 수도 있다.

각 결과는 서로 다른 조건에서 사실일 수 있다. 그렇기 때문에 “AI가 학생들에게 도움이 되는가?”와 같은 단일 질문은 약한 정책 지침을 낳는다.

고등학교 수학을 대상으로 한 무작위 대조시험은 더 분명한 사례를 제시한다. 연구진은 표준 GPT-4 인터페이스, 교사가 설계한 안전장치를 갖춘 튜터, 기존 자료에 대한 접근을 비교했다.

AI를 사용한 학생들은 지원받는 연습 중 더 좋은 성과를 보였다. 그러나 연구진이 평가를 위해 AI 접근을 제거했을 때 표준 인터페이스를 사용한 학생들은 더 낮은 성과를 보였다. 안전장치가 적용된 튜터는 그 부정적 효과를 줄였다.

공개된 수학 시험 연구는 인터페이스 설계가 AI가 학습을 지원하는지, 아니면 이를 대체하는지를 결정할 수 있음을 시사한다. 동일한 기반 모델도 서로 다른 교육적 결과를 낼 수 있다.

이 구분은 H.R. 5351을 통해 만들어지는 모든 워크숍의 방향을 정해야 한다. 연구자들은 모든 생성형 AI 사용을 하나의 개입으로 취급해서는 안 된다.

연구자들은 시스템이 무엇을 허용하는지, 어떤 정보를 받는지, 직접 답변을 제공하는지, 교사가 사용을 어떻게 감독하는지를 기록해야 한다. 또한 단기 과제 완료와 독립적인 지식 유지도 구분해야 한다.

연령도 중요하다. 제한된 튜터를 사용하는 고등학생은 대화형 보조 도구에 의존하는 초등학생과 다른 발달적 질문을 제기한다.

기간 역시 또 다른 과제를 만든다. 많은 파일럿은 몇 주 또는 한 학기 동안 진행된다. 이러한 기간은 즉각적인 변화를 감지할 수 있지만, 누적되는 의존도, 변화하는 학습 습관, AI 리터러시의 지연된 향상은 놓칠 수 있다.

결과 지표의 선택도 서사를 기울일 수 있다. 공급업체는 참여도를 강조할 수 있는 반면, 교육구는 시험 성과를 우선시할 수 있다. 학부모는 개인정보 보호, 독립적 추론, 인간적 상호작용의 질에 집중할 수 있다.

연방 워크숍은 통계만으로 이러한 가치 선택을 해결할 수 없다. 그러나 그 상충 관계를 드러내고 어떤 결과를 일관되게 측정할 가치가 있는지 권고할 수는 있다.

여기서 의회 이니셔티브는 특정 기업을 지지하지 않으면서도 가치를 더할 수 있다. 공동 연구 의제는 향후 파일럿을 교육구와 제품 전반에서 더 쉽게 비교할 수 있게 한다.

최소 보고 기준을 정의할 수도 있다. 연구자들은 참여자 인구통계, 교실 조건, 교사 관여, 모델 버전, 안전 설정, 기간, 평가가 AI 접근 여부에 따라 이뤄졌는지를 기록할 수 있다.

이러한 기준은 긍정적·부정적 결과를 더욱 유용하게 만들 수 있다. 또한 학교가 한 연구가 자신들의 학생이나 의도한 활용 방식과 맞지 않는 경우를 파악하는 데도 도움이 될 것이다.

그러나 이 제안에는 근본적인 제약이 있다. 워크숍은 의제, 분류 체계, 권고안을 만들어 낸다. 그렇다고 장기 추적 연구나 독립적인 제품 평가가 자동으로 만들어지는 것은 아니다.

의회는 여전히 후속 연구를 지원해야 한다. 기관에는 적절한 권한, 예산, 인력, 그리고 학교 파트너에 대한 접근권이 필요하다.

연구에 안정적인 모델 접근이나 상세한 제품 정보가 필요할 경우, 기술 기업들도 협력해야 한다. 그렇지 않으면 소프트웨어 변경 이후 연구자들이 결과를 재현하는 데 어려움을 겪을 수 있다.

헤드라인 뒤에 놓인 진짜 반전은 분명하다. AI 공급업체들은 교육을 유망한 적용 분야로 자주 설명한다. 위원회 수정안은 더 불편한 전제에서 출발한다. 정책 입안자들은 여전히 아동에게 미치는 영향에 관한 근본적인 질문에 답을 얻지 못하고 있다는 것이다.

기존 연구로도 여전히 결론낼 수 없는 것

교실 맥락이 개입의 성격을 바꾸기 때문에, 유망한 결과와 문서화된 피해는 공존할 수 있다.

AI 기반 교육에 관한 연구는 특정 조건에서 긍정적인 효과를 점점 더 많이 보고하고 있다. 2026년 Scientific Reports의 한 연구는 12학년 수학 학생들이 사용한 AI 튜터링 시스템을 분석했다.

연구진은 장기 기억 유지 효과를 포함해 실험군의 성과가 개선됐다고 보고했다. 이 튜터링 연구는 유용한 데이터 포인트를 제공하지만, 모든 챗봇이나 튜터링 제품이 같은 결과를 낸다는 점을 입증하지는 않는다.

시스템, 과목, 학생 집단, 교사의 수업 방식이 모두 중요하다. 교육과정을 중심으로 설계된 수학 플랫폼은 제한 없는 질문에 답하는 범용 챗봇과 다르다.

다른 연구들도 비슷한 차이를 보여 준다. AI 학습 분석은 교사가 학습에 어려움을 겪는 학생이나 교실 활동의 패턴을 파악하도록 도울 수 있다. 그러나 대시보드는 동기, 사회적 맥락, 또는 오해된 행동을 누락한 측정치를 교육자가 신뢰하게 만들 수도 있다.

연구자들이 시험 점수를 넘어설수록 증거 공백은 특히 커진다. 비판적 사고, 창의성, 자신감, 협업, 지적 자립성은 일관되게 측정하기 어렵다.

프라이버시 역시 해결되지 않은 영역이다. 어떤 시스템은 민감한 학생 데이터를 수집하면서 학업 지표를 개선할 수 있다. 교육적 효과가 데이터 보호 의무를 없애 주지는 않는다.

편향에는 별도의 평가가 필요하다. 모델은 언어, 방언, 장애 맥락, 문화적 참조에 따라 서로 다른 수준의 품질을 낼 수 있다. 교실 평균은 학생 집단 간 불평등한 성과를 가릴 수 있다.

접근성에는 기회와 위험이 모두 있다. AI는 지시를 다시 표현하고, 예시를 생성하거나, 대체 의사소통을 지원할 수 있다. 부정확하거나 부적절한 편의 제공은 새로운 장벽을 만들 수도 있다.

교사는 여전히 주요 변수다. 경험 있는 교육자는 조작된 답변을 알아차리고 학생의 사용 방식을 바로잡을 수 있다. 교육을 충분히 받지 못한 교사는 미묘한 오류를 발견하지 못하거나 생성된 자료를 검토하는 데 추가 시간을 쓸 수 있다.

학교 자원도 결과를 좌우한다. 안정적인 기기, 기술 지원, 전문성 개발을 갖춘 교육구는 자원이 부족한 학교와 같은 방식으로 도입을 경험하지 않을 것이다.

연구 기반은 대조군 설정에도 어려움을 겪는다. “전통적 수업”은 교실마다 상당히 다르다. AI 때문이라고 여겨지는 차이는 일부 교사의 수업 방식, 교육과정의 질, 또는 학생의 외부 도움 접근성을 반영할 수 있다.

빠른 모델 업데이트는 단순 비교를 더욱 약화한다. 연구는 정확한 모델 버전이나 시스템 설정을 문서화하지 않은 채 상용 제품을 언급할 수 있다. 그러면 미래 연구자들은 브랜드명은 재현할 수 있어도 원래의 개입은 재현하지 못한다.

이런 문제들은 증거 매핑 작업의 필요성을 뒷받침하지만, 동시에 그 한계도 드러낸다. 워크숍은 누락된 데이터를 식별할 수 있지만, 학교가 어느 정도의 불확실성을 감수해야 하는지 판단할 수는 없다.

정책 입안자들은 결국 판단을 내려야 한다. 어떤 사용 사례에 더 강한 증거가 필요한지, 어떤 위험이 제한을 정당화하는지, 어떤 저위험 활용이 감독된 실험의 대상이 될 만한지를 결정해야 한다.

Whitesides의 제안은 그러한 선택의 근거가 되는 정보를 개선하기 위해 설계된 것으로 보인다. 이를 연방 입법자들이 교실 AI 논쟁에 결론을 내렸다는 증거로 제시해서는 안 된다.

그 회의적 시각은 긍정적 결과에도 적용된다. 소규모 시범사업은 작동 원리와 실무적 문제를 드러낼 수 있지만, 그 자체만으로 전국적 결론을 뒷받침하는 경우는 드물다.

부정적 결과도 마찬가지로 신중하게 다뤄야 한다. 제한 없는 챗봇에서 나온 유해한 결과가 모든 보호장치가 있는 튜터가 학습에 해를 끼친다는 것을 입증하지는 않는다. 이는 시스템 설계가 연구 질문의 일부여야 하는 이유를 보여 준다.

따라서 Google News를 통해 유입된 독자들은 이분법적 해석을 경계해야 한다. 위원회는 “AI는 효과가 있다”와 “AI는 실패한다” 사이에서 선택하는 것이 아니다. 책임 있는 정책을 위해서는 그러한 주장이 지나치게 광범위하다는 점을 인정하고 있다.

주 차원의 실험은 연방 정책보다 더 빠르게 진행되고 있다

주와 교육구는 이미 연방 연구 의제가 이해해야 할 실질적인 실험을 만들어 가고 있다.

North Carolina는 유용한 비교 사례를 제시한다. 이 주의 2026년 교육 법안에는 AI 교육, 제품 접근, 보고 요건, 공식 평가가 포함됐다.

주는 Khanmigo 라이선스와 교육자 과정을 위해 예산을 배정했다. 또한 Office of Learning Research에 학생 성과와 성장에 미치는 영향을 포함해 제품의 효과를 연구하도록 지시했다.

이 법은 2028년 4월 1일까지 결과를 입법 감독 위원회에 제출하도록 요구한다. 참여와 사용 현황에 대한 연례 보고도 요구한다.

별도 조항은 또 다른 AI 교육 플랫폼인 MagicSchool을 다룬다. 주는 두 프로그램 모두의 평가를 요구하며, 이는 연방 워크숍 제안보다 제품별 접근에 더 가깝다.

North Carolina 법률은 교육자 준비를 위한 주제도 열거한다. 여기에는 환각, 출처 평가, 학업 윤리, 프라이버시, 편향, 접근성, 가족과의 투명성이 포함된다.

이 모델은 의회에 몇 가지 교훈을 제공한다. 첫째, 도입과 평가는 별도 단계로 다루기보다 함께 설계할 수 있다.

둘째, 제품 수준의 데이터는 구체적인 답을 제공할 수 있다. 연구자들은 누가 시스템을 사용했는지, 얼마나 자주 사용했는지, 참여 집단 간 결과가 달랐는지를 측정할 수 있다.

셋째, 주 차원의 시범사업은 더 폭넓은 연방 연구를 대체할 수 없다. 한 주의 조달 선택, 교육과정, 인구통계, 보고 체계가 국가 전체를 대표하지 않을 수 있다.

연방 워크숍은 이러한 지역 실험을 연결할 수 있다. 공통 지표를 식별하고, 의미 있는 비교가 가능하도록 주들이 충분한 방법론적 세부사항을 공개하도록 장려할 수 있다.

연방정부는 개별 교육구가 감당할 수 없는 독립 연구를 지원하는 역할도 맡는다. 장기 추적 연구, 여러 주에 걸친 시험, 인구통계 집단 전반의 평가는 조정과 지속적인 자원이 필요하다.

국가 연구 의제는 중복된 노력을 줄일 수 있다. 교육구들은 학생 프라이버시, 교사 업무량, 평가의 무결성, 자립적 학습에 대해 비슷한 질문을 자주 던진다.

공유된 증거가 지역 통제를 없애지는 않는다. 지역 의사결정자들이 지역사회에 맞게 정책을 조정할 더 강한 근거를 제공할 것이다.

이 접근법은 독립성을 보존해야 한다. 제품 개발자는 중요한 기술 지식을 보유하고 있지만, 긍정적인 결과에 대한 상업적 이해관계도 갖고 있다.

따라서 연구 설계는 자금 지원, 데이터 접근, 제품 변경, 공급업체 참여를 공개해야 한다. 결과에는 선택된 성공 지표뿐 아니라 불리한 결과도 포함돼야 한다.

학부모, 교사, 학생은 결과를 정의하는 과정에 참여해야 한다. 행정 효율성만을 중심으로 설계된 연구는 교실이 직접 경험하는 영향을 놓칠 수 있다.

도구의 실제 사용 방식은 종종 의도된 설계와 다르므로 학생의 목소리는 특히 중요하다. Johns Hopkins 시범사업에서는 연구자들이 코칭 대화를 예상했지만, 학생들은 정보를 요청하는 것으로 나타났다.

의도된 사용과 실제 사용 사이의 이러한 간극은 부수적인 문제가 아니다. 이는 AI 시스템이 추론을 장려하는지, 지름길을 제공하는지, 아니면 단순히 사용되지 않는지를 결정할 수 있다.

연구자들은 접근이 종료될 때 어떤 일이 일어나는지도 살펴봐야 한다. 학생들이 도구가 지원을 제공하는 동안에만 향상된다면, 학교는 그 결과가 교육 목표와 부합하는지 판단해야 한다.

이 우려는 AI 평가를 익숙한 교육 원칙과 연결한다. 지원은 역량을 키워야 하며, 지원이 제공되는 동안의 성과만 개선해서는 안 된다.

AI knowledge base를 사용하는 사람들도 관련된 구분에 직면한다. 빠른 검색은 사고를 지원할 수 있지만, 검색 품질만으로 이해를 입증할 수는 없다.

교실 AI에서는 이 차이가 더 큰 중요성을 가진다. 아동은 자동화 시스템이 지원하거나, 우회하거나, 재구성할 수 있는 능력을 여전히 발달시키는 중이기 때문이다.

이 제안의 중요성을 보여 줄 세 가지 신호

수정안의 중요성은 입법 진전, 연구 설계, 그리고 학교가 실제로 활용할 수 있는 증거에 달려 있다.

첫 번째 신호는 H.R. 5351이 위원회를 넘어 얼마나 진전하는지다. 위원회는 수정된 법안을 호의적으로 보고했지만, 추가적인 하원 조치가 여전히 필요하다.

독자들은 의회 지도부가 법안을 상정하는지, 하원이 문구를 변경하는지, 상원이 호환 가능한 법안을 검토하는지를 지켜봐야 한다. 법안 제정은 증거 매핑이 연방의 우선 과제가 됐다는 주장을 강화할 것이다.

진전하지 못한다고 해서 위원회의 우려가 사라지는 것은 아니다. 이는 하나의 위원회 내부의 합의가 완성된 연방 프로그램으로 이어지지 않았음을 보여 줄 것이다.

두 번째 신호는 그 결과로 열리는 워크숍의 설계다. 참가자 선정은 그 과정이 교실의 문제를 온전히 포착할 수 있는지를 보여 줄 것이다.

신뢰할 수 있는 집단에는 교육 연구자, 발달 전문가, 교사, 학교 지도자, 학생, 학부모, 접근성 전문가, 프라이버시 전문가, 기술 연구자가 포함돼야 한다. 공급업체의 참여는 유용한 맥락을 더할 수 있지만, 의제를 지배해서는 안 된다.

워크숍은 더 많은 연구를 요구하는 광범위한 요청보다 구체적인 연구 질문을 만들어 내야 한다. 유용한 결과물은 우선순위 연령 집단, 결과 지표, 연구 기간, 보고 기준, 학생 데이터 보호장치를 식별할 것이다.

또한 일반적인 AI 활용 형태를 구분해야 한다. 교사 생산성 도구, 보호장치가 있는 튜터, 개방형 챗봇, 자동 채점 시스템, 예측 분석은 서로 다른 작동 방식과 위험을 제시한다.

세 번째 신호는 기관과 입법자들이 확인된 공백을 자금 지원을 받는 독립 연구로 연결하는지 여부다. 후속 조치 없는 연구 의제는 빠르게 낡아갈 것이다.

의미 있는 후속 조치에는 다기관 시험, 장기 추적 연구, 공통 보고 프레임워크, 또는 충분히 대표되지 않은 학생 집단에 초점을 맞춘 보조금이 포함될 수 있다. 방법과 결과에 대한 공개 접근은 이러한 투자의 가치를 더욱 높일 것이다.

주 차원의 평가는 더 이른 시험대를 제공할 것이다. North Carolina의 보고와 2028년 4월 연구 마감일은 입법부가 제품 도입으로부터 유용한 증거를 확보할 수 있는지를 보여 줄 것이다.

연구자들은 도입 건수를 넘어 살펴봐야 한다. 높은 사용량은 관심, 편의성, 또는 기관의 요구를 나타낼 수 있다. 그것만으로 학습을 독립적으로 입증하지는 않는다.

학생들이 AI 없이도 지식을 유지하는지, 교사들이 검증 이후 시간을 절약하는지, 결과가 학생 집단별로 달라지는지를 살펴봐야 한다. 프라이버시 사고와 지원 수요도 평가에 포함돼야 한다.

향후 증거가 정책을 바꿀 수 있을 때 이 제안은 신뢰를 얻을 수 있다. 연구는 이미 내려진 결정을 단순히 정당화하는 데 그치지 않고, 교실에서의 활용을 축소·확대하거나 재설계할 수 있어야 한다.

이 기준은 기술 기업에도 적용된다. 공급업체는 학교가 특정 연령대, 과목, 제품 구성, 학습 목표와 연계된 증거를 요구할 것이라 예상해야 한다.

개발자는 모델 변경 사항, 안전 기능, 데이터 관행, 의도된 수업 내 작동 방식을 문서화해 대비할 수 있다. 안정적인 연구 접근성이 보장되면 독립 연구팀이 시간 경과에 따라 주장을 검증하는 데 도움이 될 것이다.

교육자도 마찬가지로 실용적인 질문에서 시작할 수 있다. 학생이 연습해야 할 역량은 무엇인가? 시스템은 어떤 지원을 제공하는가? 이후 학생은 독립적으로 수행할 수 있는가? 어떤 정보가 학교 밖으로 나가는가?

학부모는 도구 사용이 선택 사항인지, 어떤 데이터를 저장하는지, 교사가 그 결과물을 어떻게 검토하는지 물을 수 있다. 이 질문들은 법안의 향방과 무관하게 여전히 중요하다.

Google News를 통해 이 이야기를 접하는 지식 노동자들에게 더 큰 교훈은 교육을 넘어선다. AI 도입은 그 영향을 평가할 책임이 있는 제도보다 더 빠르게 진행되는 경우가 많다.

학교에서는 사용자가 아동이고 목표가 생산성만이 아니라 발달이기 때문에 이 격차가 특히 두드러진다. 더 빠른 답변이 반드시 더 나은 교육적 결과를 의미하는 것은 아니다.

Whitesides 수정안은 증거 격차를 해소하지 않는다. 대신 이를 더 명확히 정의할 수 있는 가능성 있는 장치를 만든다.

이는 신중한 조치이지만, 의회가 후속 조치를 취한다면 이후 연구의 방향을 형성할 수 있다. 다음 질문은 입법자들이 전문가를 소집할 수 있는지가 아니다. 그들의 작업이 학교가 신뢰하고, 공급업체가 쉽게 악용할 수 없으며, 학생에게 실질적인 이익이 되는 시험을 만들어 내는지다.