[문제/가설 도출] AI 의존과 은폐에 의한 학업 능력의 저하를 막기 위한 방법 연구
이 글은 최근 발표된 사회/교육 관련 논문들을 분석하여, 아직 해결되지 않은 AI 관련 연구문제들과 가설들을 찾아보고 정리한 내용을 담고 있습니다.
이 글에서 언급하는 문제와 가설들은 인포리언스가 직접 개발하고 있는 “AI를 연구하는 AI 과학자 시스템(https://info.shadowego.com/ai_scientist_1/)”의 문제/가설 발굴 과정을 활용하여 추출한 결과입니다.
풀리지 않은 연구 문제 #1 : [수요] 정책 모호성(policy ambiguity)과 부정적 평가에 대한 두려움(fear of negative evaluation)이 AI 사용 은폐 의도(AI use concealment intention)에 미치는 영향을 완화하는 가이드라인을 마련해야 한다. [12][14]
학업에서 AI를 활용하는 경우가 늘고 있지만, 사용 규정이 모호하여 혼란이 발생하고 있습니다. 이로 인해 학생들은 부정적인 평가를 받을까 두려워하여 AI 사용을 숨기려 하며, 이는 학문적 진실성(학업에서 정직하게 행동하는 원칙)을 해치는 문제로 이어집니다.
이 문제는 '사용해도 되는지 모르는 상황'과 '나쁘게 볼까 봐 걱정하는 마음' 때문에 학생들이 AI 사용을 숨기려 하는지 묻습니다. 결국 이를 막기 위해 학교나 기관이 어떤 구체적인 가이드라인을 만들어야 하는지 알아내려는 것입니다.
기존 연구와의 관련성
연구에 따르면 AI 사용 은폐 의도(자신이 AI를 사용했다는 사실을 감추려는 마음)는 정책 모호성(규칙이나 지침이 불분명한 상태)와 부정적 평가에 대한 두려움(남들에게 나쁘게 평가받을까 염려하는 심리) 때문에 커진다고 보고되었습니다[12]. 또한, 컴퓨터 관련 학과에서는 ChatGPT 같은 AI 도구가 학문적 정직성을 해칠 수 있으므로 이를 방지할 명확한 규칙이 부족하다는 점이 지적되었습니다[14].
근거 논문
Enabling and Inhibitory Pathways of Students' AI Use Concealment Intention in Higher Education: Evidence from SEM and fsQCA [12]
개요: 이 연구는 대학생들이 학업에서 AI를 사용했다는 사실을 숨기려는 의도가 무엇 때문에 생기는지, 그리고 이를 줄이는 방법을 설명하는 것이 중요하다고 보았습니다. AI 사용이 유용하지만 규칙이 불분명하여 학생들이 부정적인 평가를 두려워하게 되는 현상을 이해하는 것이 목적입니다.
방법: 연구자는 인지-정서-행동 프레임워크를 사용하여, 학생들이 상황을 어떻게 인식하고 그로 인해 어떤 감정(두려움 혹은 안전감)을 느껴 숨기는 행동을 하는지 분석했습니다. 1346명의 학생 데이터를 바탕으로 통계 분석과 다중 조건 분석을 결합하여 서로 다른 경로를 확인했습니다.
핵심 결과: 분석 결과, 낙인이나 불확실한 규칙에 대한 두려움은 AI 사용을 숨기려는 의도를 높이는 반면, 자신감과 공정함, 지지는 심리적 안전감을 높여 숨기기 의도를 낮추는 두 가지 상반된 경로가 밝혀졌습니다.
Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges [14]
개요:이 논문은 컴퓨터 관련 학과에서 ChatGPT 같은 AI 도구가 학문적 정직성을 해칠 가능성을 다루며, 이를 해결하기 위한 명확한 가이드라인이 부족한 현실을 다룹니다. AI 도구의 사용을 완전히 막기보다는 교육적 이득과 윤리적 사용 규칙 사이의 균형을 맞추는 것이 중요다는 것입니다.
방법: 저자들은 컴퓨터 교육에서 사용되는 다양한 평가 방식을 분류하고, 각 방식이 AI 도구로부터 어떤 영향을 받는지 분석했습니다. 이를 바탕으로 교수자들이 AI를 책임감 있게 활용할 수 있도록 일반적인 지침과 평가 유형별 구체적인 권장 사항을 제안했습니다.
핵심 결과: 이 논문은 제안된 가이드라인이 교육 목표를 유지하면서 부정행위의 가능성을 줄이는 데 도움이 될 수 있음을 보여주며, AI 도구가 존재하는 환경에서 학생 성과를 평가할 수 있는 수학적 모델을 소개했습니다.
AI를 사용했다는 사실을 숨기려는 마음을 줄이기 위해서는 명확한 사용 규칙이 필요합니다. 사람들은 평가를 받을 때 두려움을 느끼거나 규칙이 모호할 때 AI 사용을 숨기려 하기 때문입니다. 이러한 은폐 행동은 학업 과정의 정직성을 해치는 문제를 일으킵니다. 따라서 누구나 안심하고 AI를 활용할 수 있도록 돕는 가이드라인을 만드는 것이 중요합니다.
풀리지 않은 연구 문제 #2 : [한계] AI 과의존(Overreliance)으로 인한 학업 기술 저하(academic skill decline)를 방지하기 위한 지연된 AI 조력(Deferred AI-assistance)의 효과를 검증해야 한다. [3][6][11][12][20]
학생들이 인공지능에 너무 의존하여 실력이 떨어지는 것을 막기 위해, AI의 도움을 미리 주는 것이 아니라 필요한 순간에 미뤄서 주는 방법이 효과가 있는지 확인해야 합니다.
최근 교육 현장에서 AI 도구를 활용하는 일이 늘어나면서, 학생들이 이 도구에 지나치게 의존하는 'AI 과의존(Overreliance, AI를 너무 맹신하여 스스로 생각하지 않는 상태)' 현상이 큰 문제로 대두되고 있습니다. 이러한 과의존은 학생들이 스스로 문제를 해결하는 능력을 기르지 못하게 하여, 결과적으로 비판적 사고나 글쓰기 같은 기초 학업 역량이 저하되는 원인이 됩니다. 따라서 AI의 장점을 살리면서도 학생들의 실력이 떨어지지 않도록 하는 올바른 사용 방법을 찾는 것이 매우 중요합니다.
이 문제는 학생들이 AI에 너무 의지하여 스스로 공부하는 힘을 잃지 않게 하려면 어떻게 해야 할지 묻습니다. 구체적으로는, 학생이 먼저 스스로 고민해보게 한 뒤에 나중에 AI의 도움을 주는 '지연된 AI 조력(Deferred AI-assistance, 학생의 요청이나 일정 단계 이후에 AI 도움을 제공하는 방식)'이라는 방법을 사용했을 때, 학생들이 AI에 덜 의존하게 되는지를 알아보려 합니다. 즉, AI를 바로 옆에 두고 쓰는 것보다 적절히 늦게 도움을 주는 것이 학생들의 학업 기술을 지키는 데 더 좋은 방법인지 확인하려는 것입니다.
기존 연구들은 학생들이 AI 조수를 얼마나 믿느냐에 따라 올바르게 활용하거나 과도하게 의존하게 됨을 보여주며[3], AI 도우미가 학업 성적에 미치는 영향을 분석해 윤리적 사용의 기준을 마련해야 한다고 강조했습니다[6]. 또한 필리핀 학생들의 사례처럼 AI 의존도가 높아질수록 비판적 사고나 글쓰기 같은 기초 학업 역량이 실제로 저하될 수 있다는 우려가 제기되었습니다[11]. 한편, 데이터 과학 교육에서 학생들이 먼저 스스로 힌트를 작성하게 한 뒤에 AI의 도움을 받게 하는 방식이 힌트의 품질을 높이는 데는 효과가 있었지만[20], 이 방법이 과연 학생들의 AI 과의존을 막는 데 직접적인 효과가 있는지는 아직 검증되지 않았습니다.
따라서 학생들이 스스로 고민하는 시간을 갖게 하는 지연된 AI 조력 방식이, AI에 지나치게 의존하는 습관을 줄여 학업 기술 저하를 예방하는 데 실제로 효과가 있는지 검증되어야 합니다.
근거 논문
Impact of AI Assistants on Student Learning and Academic Performance [6]
개요: 이 연구는 AI 도우미가 학생의 학습과 학업 성적에 미치는 영향을 분석하고, 그 효과와 장점 및 문제점을 파악하는 것을 목표로 합니다. 이는 현대 교육 환경에서 AI 도구를 어떻게 효과적이고 윤리적으로 활용할지 결정하는 데 중요한 기준을 제공하기 때문입니다.
방법: 연구진은 챗봇, 가상 튜터, 적응형 학습 플랫폼과 같은 AI 시스템이 개인의 학습 패턴을 분석하여 맞춤형 교육과 즉각적인 피드백을 제공하는 방식을 조사했습니다. 또한 이러한 도구가 학생의 참여도를 높이고 인지적 부담을 줄여주는 메커니즘을 살펴보았습니다.
핵심 결과: AI 도우미는 맞춤형 학습과 즉각적인 피드백을 통해 학생의 이해력과 기억력을 높이고, 학업 성과를 향상시키는 데 긍정적인 효과가 있는 것으로 나타났습니다. 하지만 과도한 의존, 학문적 진실성 훼손, 데이터 프라이버시와 같은 윤리적 문제와 위험 요소도 함께 존재함을 확인했습니다.
Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies [11]
개요: 필리핀 대학생들이 AI에 점점 더 의존하게 되면서 비판적 사고나 글쓰기 등 기초 학업 역량이 저하되는지, 이 의존도가 실제 학업 능력에 어떤 영향을 미치는지 알아보려 했습니다.
방법: 필리핀 팜팡가 지역 대학생 651명에게 설문조사를 하고, '잠재 계층 분석'이라는 통계 기법을 사용해 학생들을 AI 의존도와 학업 특성에 따라 몇 개의 그룹으로 나누어 분석했습니다.
핵심 결과: 학생들은 연구와 글쓰기에서 AI를 중간 정도 이상으로 많이 의존하는 것으로 나타났으며, 분석 결과 4가지 유형의 그룹이 발견되었습니다. 특히 'AI 의존형 학습자' 그룹이 다른 그룹에 비해 학업 역량이 가장 낮은 것으로 밝혀졌습니다.
Hint-Writing with Deferred AI Assistance: Fostering Critical Engagement in Data Science Education [20]
개요: 데이터 과학 교육에서 학생들이 AI 도구에 지나치게 의존하지 않고 비판적으로 참여하도록 돕는 효과적인 방법을 찾는 것이 중요합니다. 이 연구는 학생들이 스스로 힌트를 작성하는 과정에서 AI의 도움을 언제, 어떻게 제공해야 학습 효과가 가장 좋은지 알아보려 했습니다.
방법: 학생들에게 올바른 코드와 틀린 코드를 보여주고, 틀린 코드를 위한 힌트를 작성하게 했습니다. 세 가지 방식을 비교했는데, 첫째는 혼자 작성(기본), 둘째는 AI 힌트를 보고 작성(즉시 도움), 셋째는 먼저 혼자 쓴 뒤 AI 힌트를 보고 수정(지연된 도움)하는 방식입니다.
핵심 결과: 지연된 AI 도움을 받은 그룹은 1주차에 다른 그룹보다 힌트 작성에 두 배 이상의 시간을 썼으며, 이 차이는 통계적으로 유의미했습니다(p = 0.02).
도출 근거
AI 과의존은 해결되지 않은 문제이며[3, 6, 12], 학업 기술 저하를 초래하고[11], 지연된 AI 조력은 힌트 작성 시간과 품질을 개선하는 것으로 나타났으나[20] 과의존 방지 효과는 검증되지 않았습니다.
다시 말해서, 인공지능에 너무 의존하면 학생들의 실력이 점차 떨어지는 문제가 발생합니다. 인공지능의 도움을 당장 주지 않고 나중에 제공하는 방식이 이 과의존을 막는 데 효과가 있는지 확인해야 합니다. 지연된 도움은 힌트의 질을 높인다는 장점이 있지만, 과의존을 예방하는 효과는 아직 검증되지 않았기 때문입니다. 이 문제는 적절한 타이밍에 인공지능을 활용하는 것이 학업 기술 저하를 방지하는 데 중요한지 밝힐 것입니다.
가설: 지연된 AI 조력을 적용하면 즉각적인 AI 조력에 비해 학습자의 과의존도가 낮아지고 학업 기술 저하가 방지될 것이다. [11][20]
개요: 일반적으로 AI는 학습자가 요청하면 즉각적으로 도움을 제공하는 표준 방식(기존 방식; 보통 적용되는 일반적인 방법)을 따릅니다. 이 문제는 이와 대비되는 지연된 AI 조력(도움 제공을 미루기; 학습자가 먼저 스스로 노력하게끔 답변을 늦게 주는 방식)을 새로운 조건으로 설정하여 비교합니다.
이 가설은 학습자가 문제를 풀 때 AI의 도움을 바로 받는 대신, 일정 시간 동안 스스로 고민하게 만든 뒤에 도움을 주면 어떤 효과가 나타나는지 검증하는 것을 목표로 합니다. 도움을 미루면 학습자가 포기하지 않고 더 오래 스스로 해결하려 노력해서, 자신의 실력이 떨어지는 것을 막을 수 있을 것이라고 기대합니다. 즉, AI를 너무 믿고 의지하는 습관을 줄여 학업 역량(학업 능력; 공부를 해내는 힘)을 지키려는 목적입니다.
예상 결과: 지연된 조력 그룹이 즉각적 조력 그룹에 비해 스스로 문제를 해결하려는 시간이 길고 학업 역량 점수가 높게 유지될 것이다.
검증 방법: 프로그래밍 과제에서 지연된 조력과 즉각적 조력 조건 간의 과의존도 및 학업 성취도 비교.
풀리지 않은 연구 문제 #3 : [공백] 반성 평가 디자인(reflective assessment design)이 AI 의존형 학습자(AI-dependent learners)의 학업 기술 저하(academic skill decline)를 완화하는지 검증해야 한다. [8][11]
최근 학생들이 AI를 편리한 도구로만 사용하다 보니 스스로 생각하거나 글을 쓰는 힘이 약해지고 있습니다. 이를 해결하기 위해 학생들이 자신의 학습 과정을 돌아보게 만드는 평가 방식이 제안되었지만, 이것이 실제로 학생들의 능력 저하를 막아줄지는 아직 명확하지 않습니다. 따라서 올바른 학습 습관을 되찾게 하는 구체적인 해결책이 필요한 상황입니다.
이 연구는 '반성 평가 디자인(학생이 자신의 학습 과정을 깊이 되돌아보게 만드는 평가 방식)'이라는 방법이, AI에 너무 의존하는 학생들의 '학업 기술 저하(공부하는 기본 능력이 떨어지는 현상)'를 막아줄 수 있는지 묻습니다. 즉, 학생들이 AI를 올바르게 사용하도록 이끄는 평가가 실제로 그들의 기초 실력을 지켜주는지 확인하려는 것입니다.
기존 연구와의 관련성
기존 연구에서는 대학 교육에서 AI를 윤리적이고 책임감 있게 사용하도록 유도하는 평가 방법을 설계하는 것이 중요하다고 보고했습니다[8]. 하지만 다른 연구에서는 필리핀 학생들의 사례를 통해 AI 의존도가 높아질수록 비판적 사고나 글쓰기 같은 기초 학업 역량이 오히려 떨어진다는 우려를 제기했습니다[11]. 따라서 책임감 있는 AI 사용을 돕는 평가 방법이 실제로 학업 역량 저하 문제를 해결할 수 있는지 검증해야 할 필요가 있습니다.
근거 논문
Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning [8]
개요: 대학 교육에서 학생들이 AI를 윤리적이고 책임감 있게 사용하도록 유도하는 평가 방법을 설계하는 문제를 다룹니다. 이는 AI 사용이 단순히 편리한 수단에 그치지 않고, 올바른 학습 관행이 사회적 규범으로 자리 잡게 하기 위해 중요합니다.
방법: 학생들의 AI 사용 전략이 서로 영향을 주고받는 상황을 수학적 게임 이론으로 모델링하여, '성찰 보상'과 같은 평가 설계 요소가 행동에 미치는 영향을 시뮬레이션했습니다. 이를 통해 개인의 이익뿐만 아니라 집단 전체의 행동 패턴이 어떻게 변하는지 분석했습니다.
핵심 결과: 성찰에 대한 보상이 일정 수준 이상(약 1.5)으로 높아지면, 편의적인 AI 사용이 급격히 줄어들고 의미 있는 성찰을 동반한 책임감 있는 AI 사용이 지배적인 전략이 됨을 보였습니다. 또한 성찰 노력에 드는 비용이 낮고 동료의 영향에 민감할수록 책임감 있는 사용이 더 잘 확산되었습니다.
도출 근거
반성 평가 디자인은 의미 있는 반성을 통해 오남용을 해결하고 책임감 있는 AI 사용을 촉진하지만[8], AI 의존형 학습자는 학업 기술 저하 및 침식 문제를 겪고 있어[11] 이에 대한 구체적인 개선 효과가 필요합니다.
인공지능에 지나치게 의존하는 학습자들은 스스로 생각하는 힘이 점점 약해질 수 있습니다. 자신의 학습 과정을 되돌아보게 하는 반성 평가 방식이 이런 기술 저하를 막아줄 수 있는지 확인해야 합니다. 반성 평가는 인공지능을 잘못 쓰는 문제를 줄이고 책임감 있는 사용을 돕는 장점이 있기 때문입니다. 이 문제는 적절한 피드백이 학습자의 역량을 지키는 데 어떤 역할을 하는지 밝히는 데 필요합니다.
가설 : 반성 평가 디자인을 적용하면 AI 의존형 학습자의 학업 기술 저하가 완화될 것이다. [8][11]
반성 평가 디자인(스스로 생각해보게 하는 평가 방식)을 적용하면 AI 의존형 학습자(AI에 지나치게 의존하는 학습자)의 학업 기술 저하(공부하는 능력이 떨어지는 현상)가 완화될 것입니다.
이 가설은 AI를 많이 쓰는 학습자들이 공부하는 능력이 떨어지는 문제를 막기 위해, 일반적인 학습 방법 대신 스스로 생각해보게 하는 평가 방식을 비교하는 맥락에서 나왔습니다. 이 가설은 AI에 너무 의존하는 학습자들에게 '스스로 생각해보게 하는 평가 방식'을 쓰면, 공부하는 능력이 떨어지는 것을 막을 수 있다는 것을 검증하려 합니다. AI가 대신해주는 일이 많아지면 내 실력이 줄어들 수 있는데, 이 평가 방식이 그런 부작용을 줄여줄 것이라고 기대하기 때문입니다.
즉, AI에 의존하는 학습자들에게 스스로 생각해보게 하는 평가 방식을 실제로 적용했을 때, 공부하는 능력이 떨어지는 것을 정말 막을 수 있는지 검증되어야 합니다.
예상 결과: 반성 평가 그룹이 일반 사용 그룹에 비해 학업 역량 점수 저하 폭이 작거나 유지될 것입니다.
검증 방법: AI 의존형 학습자 그룹을 대상으로 반성 평가 설계 전후의 학업 역량 점수의 변화를 측정합니다.
반성 평가 디자인을 적용하면 인공지능에 의존하는 학습자들의 학업 능력이 떨어지는 것을 막을 수 있을 것입니다. 반성 평가를 받은 그룹은 일반적으로 사용하는 그룹에 비해 학업 역량 점수가 덜 떨어지거나 현재 수준을 유지할 것으로 예상됩니다. 이를 검증하기 위해 인공지능 의존도가 높은 학생들을 대상으로 설계 적용 전후의 점수 변화를 측정할 것입니다. 이 가설은 올바른 평가 방식이 학습자의 실력을 보호하는 데 효과적인지 증명하는 데 중요합니다.
참고 문헌
[1] (arxiv, 2026) AI Hallucination from Students' Perspective: A Thematic Analysis — https://arxiv.org/abs/2602.17671
[2] (arxiv, 2026) Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System — https://arxiv.org/abs/2606.03822
[3] (arxiv, 2026) Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators — https://arxiv.org/abs/2604.01114
[4] (arxiv, 2026) The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — https://arxiv.org/abs/2605.05472
[5] (arxiv, 2026) Three Years with Classroom AI in Introductory Programming: Shifts in Student Awareness, Interaction, and Performance — https://arxiv.org/abs/2603.22672
[6] (openalex, 2026) Impact of AI Assistants on Student Learning and Academic Performance, — https://doi.org/10.48175/ijarsct-32279
[7] (arxiv, 2026) Shaping Credibility Judgments in Human-GenAI Partnership via Weaker LLMs: A Transactive Memory Perspective on AI Literacy — https://arxiv.org/abs/2603.26522
[8] (arxiv, 2026) Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning — https://arxiv.org/abs/2605.27400
[9] (arxiv, 2026) Mapping generative AI use in the human brain: divergent neural, academic, and mental health profiles of functional versus socio emotional AI use — https://arxiv.org/abs/2604.08594
[10] (arxiv, 2026) From Diagnosis to Inoculation: Building Cognitive Resistance to AI Disempowerment — https://arxiv.org/abs/2602.15265
[11] (arxiv, 2026) Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies — https://arxiv.org/abs/2604.27349
[12] (arxiv, 2026) Enabling and Inhibitory Pathways of Students' AI Use Concealment Intention in Higher Education: Evidence from SEM and fsQCA — https://arxiv.org/abs/2604.10978
[13] (openalex, 2026) A case study: rethinking “Average Intelligence” and the artificiality of AI in academia — https://doi.org/10.1007/s00146-026-02873-6
[14] (arxiv, 2026) Use of AI Tools: Guidelines to Maintain Academic Integrity in Computing Colleges — https://arxiv.org/abs/2604.11111
[15] (arxiv, 2026) Examining discontinuance of AI-mediated informal digital learning of English (AI-IDLE) among university students: Evidence from SEM and fsQCA — https://arxiv.org/abs/2604.27506
[16] (arxiv, 2026) Auditing Student-AI Collaboration: A Case Study of Online Graduate CS Students — https://arxiv.org/abs/2601.08697
[17] (arxiv, 2026) Teacher Professional Development on WhatsApp and LLMs: Early Lessons from Cameroon — https://arxiv.org/abs/2604.04139
[18] (arxiv, 2026) A Multi-Agent Framework for Democratizing XR Content Creation in K-12 Classrooms — https://arxiv.org/abs/2604.04728
[19] (arxiv, 2026) Transforming Science Learning Materials in the Era of Artificial Intelligence — https://arxiv.org/abs/2602.18470
[20] (arxiv, 2026) Hint-Writing with Deferred AI Assistance: Fostering Critical Engagement in Data Science Education — https://arxiv.org/abs/2604.19931