외국어 학습자들의 ChatGPT 수용 및 거부 의도 분석: AIDUA 모델 기반
; 서창교††
; Chang-Kyo Suh††
초록
본 연구는 생성형 인공지능 수용 모형(AIDUA: Artificially Intelligent Device Use Acceptance Model)을 바탕으로, 외국어 학습자의 ChatGPT 수용 및 거부 의도에 영향을 미치는 요인을 실증적으로 분석하는 것을 주요 목적으로 한다. 특히 학습자의 인지적 평가와 정서적 반응이 수용 혹은 거부 의도에 어떤 영향을 미치는지를 살펴보았다. ChatGPT를 활용한 외국어 학습 경험이 있는 학습자 192명을 대상으로 설문조사를 실시한 결과, 사회적 영향과 쾌락적 동기는 성과 기대 및 노력 기대에 모두 유의미한 영향을 미쳤으며, 지각된 인간성은 노력 기대에 유의한 영향을 주는 것으로 나타났다. 아울러 학습자의 정서적 반응은 ChatGPT의 수용과 거부를 모두 설명하는 핵심 요인으로 확인되었다. 이러한 결과는 생성형 인공지능 도구의 교육적 잠재력을 실증적으로 뒷받침하며, 학습자의 감정과 동기를 반영한 맞춤형 외국어 학습 서비스 개발에 이론적‧실무적 시사점을 제공한다.
Abstract
This study aims to empirically analyze the factors influencing foreign language learners’ acceptance and rejection intentions of ChatGPT, based on the Artificially Intelligent Device Use Acceptance (AIDUA) model. In particular, the study investigates how learners’ cognitive appraisals and emotional responses affect their intentions to accept or reject the use of generative AI in language learning. A survey was conducted with 192 learners who had prior experience using ChatGPT for foreign language learning. The results indicate that social influence and hedonic motivation significantly influence both performance expectancy and effort expectancy, while perceived humanness significantly affects effort expectancy. Moreover, learners’ emotional responses were identified as key factors in explaining both acceptance and rejection of ChatGPT. These findings empirically support the educational potential of generative AI tools and offer theoretical and practical implications for developing personalized foreign language learning services that reflect learners’ emotions and motivations.
Keywords:
ChatGPT, Foreign Language learning, AIDUA Model, Learner Acceptance and Rejection키워드:
외국어학습, AIDUA 모델, 학습자 수용 및 거부1. 서론
생성형 AI는 의료, 교육, 법률 등 다양한 분야에서 혁신적인 변화를 이끌고 있음이 보고되고 있으며[1], 대화(ChatGPT), 에세이 작성(Claude), 이미지 생성(Midjourney), 음악 생성(MusicLM) 등 다양한 창작 활동에 활용되고 있다. 생성형 AI를 기반으로 하는 ChatGPT는 2022년 공개된 GPT-3.5 기반의 챗봇으로, 출시 5일 만에 100만 명, 2주일 만에 200만 명의 사용자를 확보하며 AI서비스 역사상 전례 없는 성장세를 보였다. 2024년 8월 기준으로 누적 수익이 2억 7000만 달러의 매출을 달성하였으며, 월간 활성 사용자 수는 1억 9,000만명을 넘어서는 등 ChatGPT가 전 세계 AI앱 시장을 선도하는 것으로 나타났다[2].
국내에서도 ChatGPT에 대한 관심이 점차 높아지고 있으며 20-50대 1,000명을 대상으로 한 설문조사에서 60.2%가 사전 인지, 32.8%가 실제 사용 경험이 있는 것으로 나타났다[3]. 특히 교육 분야에서도 생성형 AI를 적극적으로 활용하려는 움직임이 나타나고 있으며, 교원 90%가 ChatGPT에 관심을 보였고, 70%가 이미 실제 사용 경험이 있는 것으로 조사되었다[4]. 또한, 생성형 AI의 교육적 활용 방안에 관한 국내 KCI 등재지 68편을 대상으로 문헌분석, 토픽 모델링, 네트워크 분석을 실시한 결과, 주로 언어와 관련한 주제의 연구가 다수 이루어진 것으로 확인되었다[5].
언어 교육자와 연구자들은 언어학습 촉진 도구로 AI 챗봇을 추천하였으며[6], 언어학습 동기부여에 효과적이고[7], 어휘추론과 같은 특정 언어기술을 촉진 시킬 수 있다고 주장하였다[8]. 다만, 기존 언어학습 분야에서 활용된 AI 챗봇은 사전 정의된 응답만을 처리하여 제한된 대화처리 능력과 학습 능력으로 인해 새로운 정보를 학습하거나 유연하게 대처할 수 있는 능력이 부족하였다. 특히, 기존 AI 챗봇은 신기효과(Novelty effect)로 인해 학습자의 참여와 성과 향상이 단기적으로 끝나는 문제가 지적되어 왔다[9].
이러한 한계를 극복하기 위해, 새로운 정보를 생성하고 복잡한 언어 구조를 이해할 수 있는 생성형 AI 기술이 주목받고 있으며, 그 중에서도 ChatGPT의 활용 가능성이 활발히 연구되고 있다. 특히 ChatGPT는 학습자에게 즉각적인 피드백을 제공받거나, 대화 파트너로서 언어 능력 향상을 지원할 수 있으며, 개인의 선호도, 필요, 능력에 따라 맞춤형 학습을 제공하는 장점이 있어[10], 언어 학습자에게 새로운 기회를 제공할 수 있다.
이처럼 ChatGPT를 포함한 생성형 AI의 교육적 활용이 확대됨에 따라, 이를 설명하기 위한 이론적 방법에 대한 관심도 높아지고 있다. 지금까지의 선행연구에서는 주로 기술수용모형(Technology Acceptance Model: TAM), 통합기술수용모형(Unified Theory of Acceptance and Use of Technology: UTAUT)을 활용하여 생성형 AI의 수용 및 채택을 설명해 왔다[11]. 그러나 TAM과 UTAUT는 비지능적 기술을 대상으로 개발된 이론적 모형으로, AI 기술의 지능적 특성을 충분히 반영하지 못할 뿐 아니라, 사용자 거부 의사를 측정할 수 없다는 한계를 지닌다[12]. 또한, TAM은 유용성과 사용 용이성 등 지각된 평가에 중점을 둔 이론으로, 정서적 요인이 중요한 교육 환경에서는 기술 수용을 설명하는데 한계가 있다는 지적이 제기되어 왔다. 이를 극복하기 위해 선행연구에서는 TAM을 확장하여 호감도, 지각된 즐거움과 같은 정서적 요인을 반영함으로써, 감정이 학습자에게 영향을 미친다는 점을 강조하였다[13].
이러한 한계를 보완하고자, Lazarus의 인지-동기-감정모델 이론과 AI 서비스 로봇 사용 의사 측정 척도를 기반으로 한 AIDUA(Artificially Intelligent Device Use Acceptance)모델이 개발되었다[12, 14, 15]. AIDUA모델은 AI 기술이 적용된 장치에 대한 사용자의 수용과 거부를 설명할 수 있는 이론적 모델로서, 기존 기술수용모형의 한계를 극복할 수 있는 대안으로 제시되고 있다.
특히 TAM은 지각된 유용성과 사용 용이성이 태도를 매개로 행동 의도에 영향을 미치는 구조로, 인지적 평가에 초점을 맞추고 감정 요인은 고려하지 않는다는 한계가 있다. 반면 AIDUA는'감정'을 독립된 핵심 변수로 설정하며, 긍정적 감정(만족감, 기대감), 부정적 감정(두려움, 불안, 좌절)을 구분하여 수용 및 거부를 별개의 과정으로 설명할 수 있는 강점을 지닌다.
외국어 학습은 단순한 정보 탐색과는 달리, 지속적인 상호작용과 정서적 반응이 수반되는 복합적 학습 활동으로, 학습자의 심리적 요인을 반영한 접근이 필요하다. 따라서 ChatGPT와 같은 생성형 AI가 학습자에게 어떻게 받아들여지고 활용되는지를 이해하는 것은, 감정과 동기 등 개인의 특성을 고려한 맞춤형 교육 설계를 가능하게 한다. 이에 본 연구는 외국어 학습자가 생성형 AI를 수용하거나 거부하는 과정에서 인지적 평가와 정서적 요인이 어떠한 영향을 미치는지를 통합적으로 분석함으로써, 생성형 AI의 효과적인 교육적 활용을 위한 이론적 기반을 마련하고, 실제 교육 현장에서의 적용 가능성을 제시하고자 한다.
2. 이론적 배경
2.1 AI와 외국어 학습
인공지능(AI)은 최근 몇 년 동안 교육 환경과 밀접하게 연관되어 학습 지원과 학습 능력 향상을 위한 다양한 도구와 자원을 제공하며 발전해 왔다. 이는 우리가 언어를 배우고 가르치는 방식을 포함하여 일상 전반을 빠르게 변화시키고 있다. 특히 언어 학습에서 AI는 학습자의 언어 능력 향상을 위한 혁신적인 방법을 제시 함으로써 그 중요성이 점점 부각되고 있다[10].
여러 선행연구에서는 AI가 읽기 이해력[16], 반복적인 언어 연습[17], 영어 발음 교정[18] 등 언어 습득의 다양한 측면을 지원할 수 있음을 보여주었다. 또한 자동 채점, 피드백 제공, 맞춤형 교육 경험, 지능형 튜터링 및 예측 시스템 등 광범위한 교수‧학습 활동을 효과적으로 지원할 수 있는 가능성을 제시하고 있다[19]. 특히, 초급 수준의 외국어 교육에서 AI 활용은 교육적으로 유의미한 접근으로 평가되며 학습의 효율성과 접근성을 높이는 동시에 개인화된 언어학습 경험을 제공함으로써 학습자에게 최적화된 학습 경로를 제시할 수 있는 잠재력을 지닌다[20].
특히, 인공지능 기반 언어학습은 다음과 같은 교육적 장점을 제공한다. 첫째, 각 학습자에게 맞춤형 언어학습 경험을 제공할 수 있다[21]. 학습자 개인의 현재 실력 및 요구사항에 맞춘 학습이 가능하고 피드백 또한 개인적으로 이루어진다는 장점이 있다. 둘째, 언어 학습에서 시간과 장소에 구애받지 않아 접근성이 높다[22]. AI 기반 언어학습 도구는 기존 수업에 제한적으로 접근할 수 있거나 정규 수업 과정에 참여가 어려운 학습자들에게 언어 교육을 제공할 수 있다. 셋째, AI 기반 언어학습 도구는 학습의 흥미를 높일 수 있다[21]. 학습자가 선호하는 주제 선택이 가능하며, 주제별 대화 진행을 통해 학습자의 흥미를 유발할 수 있는 장점을 가진다.
선행연구를 통해 분류된 외국어 학습에서의 ChatGPT 적용 사례는 다음과 같다. 첫째, 말하기 연습 중심의 학습 방법이다. 학습자는 외국어 교재 학습을 마친 후, Talk-to-ChatGPT 확장프로그램을 활용하여 ChatGPT와의 상호작용을 통해 말하기 능력을 향상시키고자 하였다. 이 과정에서 실제 대화 상황과 유사한 환경을 경험할 수 있었으며, 전반적으로 말하기 연습에 도움이 되었으나 ChatGPT가 학습자의 말하기 수준을 충분히 고려하지 못하거나 발화 의도를 정확히 파악하지 못하는 등 한계도 일부 나타났다[23].
둘째, 프롬프트 기반 대화 환경을 구축하는 방식이다. 이 방식은 ChatGPT에 '대화 달성 목적','대화장소','대화 참여자'등 핵심 정보와 함께'명령 수행을 위한 지시문','수행 조건','이해 여부' 등의 보조 정보를 포함한 프롬프트를 입력하여, 학습자에게 필요한 맞춤형 대화를 설계하고 그에 따른 피드백을 제공받는 것이다. 이를 통해 학습자는 구조화된 대화 환경 속에서 실제 상황에 근접한 언어 연습을 수행할 수 있다[24].
셋째, 수준별 학습 환경을 구축하는 방법이다. 학습자의 언어 수준에 따라 필요한 어휘(예, 교재 어휘, HSK 4급 어휘)를 텍스트 파일로 저장한 뒤, 이를 ChatGPT에 사전 입력하여 해당 수준에 맞는 대화를 유도하도록 설정한다. 이후에는 대화와 관련된 구체적인 상황과 장소를 제시하고, 학습자에게 역할을 부여한 후 대화를 수행하게 한다. 이와 같은 접근은 학습자의 개별 수준에 적합한 맞춤형 언어학습을 가능하게 한다[25].
2.2 AIDUA 모델
AI 기술의 확산에 따라 사용자 수용에 대한 관심이 급증하고 있으나, 기존 연구들은 이를 체계적으로 설명할 수 있는 통합된 이론이 부족하여, AI 기술 수용에 대한 검증에 한계가 있다[11]. 주요 5개 데이터베이스(EBSCO host, Embase, Inspec, Scopus, Web of Science)에서 수집한 60편의 관련 연구를 분석한 결과, TAM, UTAUT, AIDUA 모델이 주로 활용되었으며, 적용 분야로는 고객 서비스(27%), 교육(11%), 의료(17%), 조직(15%), 소비자 제품(15%), 기타(15%) 순으로 나타났다. 이 가운데 TAM과 UTAUT는 사용자 행동 의도 분석에 가장 많이 사용된 모델로, 지각된 유용성, 성과 기대, 태도, 신뢰, 노력 기대 등의 변수가 다양한 산업 분야에서 AI 수용을 예측하는 데 유의미한 설명력을 보였다. 그러나 이들 모델은 기술 수용을 거부의 부재로 인식하는 한계가 있으며, 수용과 거부를 동시에 측정할 수 있는 AIDUA 모델이 향후 가장 높은 발전 가능성을 가진 이론으로 제시되고 있다[11].
TAM에 이론적 기반을 둔 AI 기술 수용 관련 연구들이 활발히 이루어지고 있지만, 그 한계에 대한 지적도 지속적으로 제기되고 있다. TAM의 핵심 구성 요소인 지각된 유용성과 사용 용이성은 주로 새로운 기술을 학습하는 데 초점을 맞춘 개념이지만, AI 기기의 경우 별도의 학습 없이도 사용이 가능하다는 점에서 이러한 변수가 AI 장치의 수용 의도를 설명하는 데 반드시 필요한 것은 아니라는 비판이 있다[12]. 또한, TAM은 여전히 기술 수용 의도를 측정하는 데 유용한 모델로 평가되지만, AI 서비스가 빠르게 발전함에 따라 그 예측력이 점차 감소하고 있다는 지적도 제기되고 있다[26].
이러한 한계롤 보완하고, AI 기술의 수용과 거부를 보다 정교하게 설명하기 위해 AIDUA(Artificially Intelligent Device Use Acceptance)모델이 제안되었다. AIDUA 모델은 Lazarus의 인지-동기-감정 이론을 기반으로 Lu 외[12]의 AI 서비스 로봇 수용 예측 요인을 결합하여, 인공지능 장치 수용을 설명하는 이론적 틀로 개발되었다[12, 14, 15].
AIDUA 모델은 인지-동기-감정 이론을 바탕으로, AI 장치에 대한 사용자의 수용 및 거부 과정을 1차 평가, 2차 평가, 평가 결과의 세 단계로 설명한다. 먼저, 1차 평가는 해당 AI 장치가 사용자에게 얼마나 관련성이 있으며 사용자의 목표와 얼마나 일치하는지를 평가하는 과정으로, 사회적 영향, 쾌락적 동기, 의인화 요인이 포함된다. 2차 평가는 사용자가 AI 장치의 사용 여부를 결정하기 위해 비용과 혜택을 판단하는 과정으로, 성과 기대와 노력 기대가 사용자의 감정 형성에 어떠한 영향을 미치는지를 설명한다. 여기서 성과 기대는 AI 장치를 통해 기대되는 성과를 의미하고, 노력 기대는 AI 장치를 활용하기 위해 요구되는 노력 정도를 의미한다. 마지막으로 평가 결과는 사용자가 자극에 대해 최종적으로 반응하는 단계로, 앞선 다단계 인지 평가를 통해 형성된 감정이 행동 의도를 결정하는 핵심 요인이 된다[14]. AIDUA 연구모형은 Figure 1과 같다.
AIDUA Model
AIDUA 모델은 초기에는 주로 관광 서비스나 호텔 산업에서 AI 장치 수용을 설명하는 데 활용되었으나, 최근 생성형 AI와 관련하여 AIDUA 모델을 사용하여 수용과 거부를 분석하는 연구가 증가하고 있다.
2.3 관련 선행 연구
최근 AIDUA 모델을 기반으로 생성형 AI 수용에 영향을 미치는 요인을 분석한 연구들이 확산되고 있다. 예를 들어, ChatGPT 수용을 대상으로 한 연구에서는 AIDUA 모델에 신기성 가치, 지각된 인간성, 인지적 태도를 추가하여 분석을 진행하였다. 그 결과, 사회적 영향, 신기성 가치, 지각된 인간성이 성과 기대에 긍정적 영향을 미친 것으로 나타났으며, 반면, 쾌락적 동기와 신기성 가치, 지각된 인간성은 노력 기대에 부정적 영향을 미치는 것으로 나타났다. 성과 기대는 인지적 태도 및 정서적 태도를 통해 수용에 긍정적 영향을 주었고, 노력 기대는 인지적 태도에 한해 부정적 영향을 미치는 것으로 나타났다. 평가 결과에서 인지적 태도와 감정적 태도는 AI 장치 수용과 거부에 각각 긍정적, 부정적 영향을 미치는 것으로 나타났다[27].
가상비서를 대상으로 한 또 다른 연구에서는 사회적 영향과 쾌락적 동기가 성과 기대를 높이는 데 기여하는 동시에, 노력 기대에는 부정적인 영향을 미치는 것으로 나타났다. 이 연구에서는 감정은 수용에는 긍정적 영향을 주었으나 거부에는 통계적으로 유의한 영향을 미치지 않는 것으로 분석되었다[28].
한편, 생성형 AI가 만든 음악 콘텐츠를 대상으로 한 연구에서는 감정을 만족감과 불편함으로 분리하여 분석하였다. 이 연구에서는 성과 기대는 만족감에 긍정적 영향을, 불편함에는 부정적 영향을 미치는 것으로 나타났다. 만족감은 수용 의도를 높이고 거부 의도를 낮추는 요인으로, 불편함은 거부 의도만을 증가시키는 요인으로 작용하였다[29].
마지막으로, 생성형 AI 디자인 도구 수용에 관한 연구에서는 사회적 영향과 쾌락적 동기가 성과 기대와 노력 기대 모두에 영향을 미치는 것으로 나타났다. 이 연구에서는 감정이 수용과 거부 의도 모두에 유의미한 영향을 미치는 주요 요인으로 확인되었다[30].
선행 연구에서는 한국어 대화 연습용 학습 도구로서 ChatGPT의 활용 가능성에 대해 탐색하였으며, 학습자의 수용성이 높아 대화가 지속적으로 이어질 수 있다는 점에서, 반복적인 대화 연습이 중요한 한국어 학습자들에게 ChatGPT가 효과적인 보조 학습 도구가 될 수 있다고 보고하였다[31].
또 다른 선행 연구에서는 ChatGPT, Bard, Claude와 같은 챗봇이 학생들에게 즉각적인 피드백과 제안을 제공하거나 텍스트 기반 대화 파트너 역할을 수행함으로써, 글쓰기와 같은 언어 능력 향상에 도움이 될 수 있다고 주장하였다. 또한, 이러한 챗봇은 언제든지 교육 자료와 지원을 제공할 수 있기 때문에, 시간이나 장소의 제약으로 인해 전통적인 수업에 참여하기 어려운 학습자에게 특히 유용할 수 있다고 보았다[10].
영어교육(English Language Teaching, ELT) 및 영어학습(English as a Foreign Language, EFL) 분야에서 ChatGPT의 활용 방식을 메타 분석한 연구에 따르면, 학습자의 학습을 촉진하는 활용 방안으로 24시간 지원, 어려운 개념 설명, 대화상대 제공, 맞춤형 피드백 및 자료 제공, 글쓰기 지원, 자기주도 학습 등이 제시되었다[32].
또한, ChatGPT의 학습 도구로서의 이용 의도를 분석한 연구에서는 TAM 모형을 적용하고, 지각된 유용성과 지각된 사용 용이성 외에도 개별화, 인지적 몰입, 접근성 등의 독립변수를 추가하였다. 분석 결과, 인지적 몰입과 지각된 사용 용이성은 ChatGPT의 유용성에 긍정적인 영향을 미치며, 지각된 유용성은 태도 및 이용 의도에 유의한 영향을 주는 것으로 나타났다[33].
이와 같이 기존 연구에서는 ChatGPT가 문법 연습, 어휘 확장, 말하기 연습, 글쓰기 지도, 피드백 제공 등 다양한 언어 학습 활동에 활용되었으며, 학습자의 참여도와 학습 동기를 높이는 데 긍정적 역할을 한 것으로 보고되었다. 그러나 대부분의 연구는 활용 방안을 탐색하는데 그치고 있어, 정량적 분석을 기반으로 학습자의 수용 또는 거부 요인을 체계적으로 분석한 사례는 여전히 부족한 실정이다. 특히, 학습자의 인지-동기-감정으로 이어지는 심리적 요인이 외국어 학습 상황에서 ChatGPT 수용 또는 거부에 미치는 영향을 실증적으로 분석한 연구는 제한적이다. 이에 본 연구는 이러한 연구의 공백을 보완하고, 해당 요인이 수용과 거부에 미치는 영향을 통합적으로 분석하고자 한다.
3. 연구모형 및 가설
3.1 연구모형
본 연구는 외국어 학습자의 생성형 AI 수용 및 거부에 미치는 요인을 분석하기 위해 AIDUA 모델을 사용하였다. 이를 위해 AIDUA 모델의 1차 평가(인지단계) 구성 요소로서 사회적 영향, 쾌락적 동기, 지각된 인간성을 측정하였다.
새로운 기술을 채택할 때 개인은 주변 인물의 의견을 고려하는 경향이 있으며 선행연구[28-30]에서 생성형 AI라는 새로운 기술의 도입 시 사회적 영향이 유의한 영향을 끼친다는 사실이 검증되었다. 이에 본 연구에서는 사회적 영향을 독립변수로 선정하였다. 또한 ChatGPT와의 상호작용을 통해 학습자의 쾌락적 동기가 강화될 가능성이 있다. 학습자는 AI 챗봇과의 의사소통을 통해 재미와 즐거움을 경험하며, 이로 인해 심리적 안정감과 쾌락적 동기가 증진될 수 있음이 확인되었다[8]. 이를 바탕으로 본 연구에서는 쾌락적 동기를 독립변수로 포함하였다. 마지막으로 지각된 인간성은 ChatGPT와의 소통 과정에서 인간과 유사한 대화 형식과 상호작용을 경험하는 정도를 의미하며 기존 연구[34]에서 챗봇 사용자의 행동을 유발시키는 중요한 요인으로 인간과 유사한 대화(Human-Like Conversing)를 주장하였다. 이에 따라 지각된 인간성을 독립변수로 선정하였다.
이들 변수는 2차 평가에서 성과 기대와 노력 기대에 영향을 미치는 선행요인으로 작용한다. 나아가 2차 평가를 통해 형성된 성과 기대와 노력 기대는 ChatGPT 사용과 관련된 감정에 영향을 미치며, 최종적으로 사용자의 감정은 ChatGPT 수용과 거부에 영향을 미치게 되어 평가 결과로 이어진다.
3.2 연구가설
사회적 영향이란 사용자에게 중요한 다른 사람들이 사용자에게 새로운 기술을 채택해야 한다고 믿는 정도이다[35]. 신기술을 채택하기 전 개인은 자신과 중요한 사람들의 의견을 고려하며 다른 사람들의 의견이 부정적일 경우 이를 채택할 가능성이 줄어든다고 하였다[36]. 특히 개인이 충분한 지식을 가지고 있지 않을 때 이러한 경향이 두드러지게 나타난다[37]. 선행연구에서는 사회적 영향을 두 가지 형태로 나누고 대중 영향과 대인 영향으로 분류하였으며[38], ChatGPT의 사회적 이슈 및 파급력 등을 고려할 때 대중 매체와 대인 관계의 영향을 받을 것으로 보인다. 선행연구에서도 AIDUA모델의 독립변수인 사회적 영향은 성과 기대에는 긍정적 영향을 미치고, 노력 기대에는 부정적 영향을 미친다는 사실을 검증하였다[28, 30]. 본 연구에서는 선행연구를 바탕으로 본 연구에서는 다음과 같은 연구가설을 설정하였다.
H1: 사회적 영향은 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 성과 기대에 긍정적 영향을 미친다.
H2: 사회적 영향은 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 노력 기대에 부정적 영향을 미친다.
쾌락적 동기는 기술이나 특정 활동을 통한 상호작용 과정에서 사용자가 경험하는 즐거움과 정서적 만족의 정도를 의미한다[39]. 선행연구에 따르면 쾌락적 동기를 가진 사용자들은 AI 장치를 통해 새로움과 즐거움을 추구하며, 그 과정에서 더 큰 만족과 이점을 얻을 수 있다[40]. 즉, 사용자는 ChatGPT와 같은 생성형 AI와의 상호작용을 통해 즐거움과 재미를 인식할 수 있으며, 이러한 감정적 반응은 기술에 대한 기대 형성에 영향을 줄 수 있다.
AIDUA모델을 기반으로 한 ChatGPT 수용 관련 선행 연구에서는 쾌락적 동기가 성과 기대와 노력 기대에 각각 영향을 끼친다는 사실이 확인되었다[27]. 다만, 해당 연구는 일반적인 기술 수용을 대상으로 진행되어, 외국어 학습이라는 교육적 환경에서 쾌락적 동기의 영향이 동일하게 나타나는지 추가 검증하고자 하였다.
이에 본 연구는 ChatGPT를 외국어 학습 도구로 활용한 학습자를 대상으로 다음과 같은 연구가설을 설정하였다.
H3: 쾌락적 동기는 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 성과 기대에 긍정적 영향을 미친다.
H4: 쾌락적 동기는 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 노력 기대에 부정적 영향을 미친다.
지각된 인간성은 생성형 AI와의 소통에서 인간과 유사한 대화 형식과 소통 방식을 보여주는 특성이다[27]. AI의 사용자 만족도에 영향을 주는 변수로 AI 대화품질(인간다움, 인간과 유사한 반응, 긴급성 인식)을 검증하였다[41]. 인간과 AI의 상호작용에 관해 분석한 연구에서 "인간과 유사한 대화"가 사용을 촉진 시키는 요인임을 확인하였다[34].
AIDUA 모델에서 선행 변수로서 의인화(Anthropomorphism)를 제시하였으며, 이는 AI 장치의 인간적인 외모, 자아 인식, 감정 등 인간과 유사한 특성을 얼마나 가지고 있는지를 의미한다[14]. 그러나 생성형 AI는 인간의 특성을 나타낼 수 없는 텍스트 기반의 챗봇이기 때문에 ChatGPT와 같은 생성형 AI가 사용자와 상호작용에서 보여주는 특성을 반영하여 의인화 대신 지각된 인간성 개념을 사용하였다[27]. 그 결과 ChatGPT의 성과 기대에는 긍정적인 영향을 미쳤으며 노력 기대에는 부정적인 영향을 끼친다는 사실을 검증하였다. 선행연구를 바탕으로 본 연구에서는 다음과 같은 연구가설을 설정하였다.
H5: 지각된 인간성은 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 성과 기대에 긍정적 영향을 미친다.
H6: 지각된 인간성은 ChatGPT를 외국어 학습에 사용하고자 하는 학습자의 노력 기대에 부정적 영향을 미친다.
성과 기대(Performance expectancy)는 사용자가 정보 시스템을 사용하여 특정 활동을 완료하는 데 도움이 될 것이라고 믿는 정도이다[35]. 성과 기대는 기술 수용과 사용자 생산성을 향상시키는 핵심 변수로 조직이 새로운 기술이나 시스템을 성공적으로 도입하고 사용자의 생산성을 높이는 데 중요한 역할을 한다[39]. 챗봇은 학습자의 영어 읽기, 쓰기, 듣기, 말하기 능력을 지원할 수 있으며 학습동기를 향상시킬 수 있다[42]. 선행 연구에서는 ChatGPT를 활용한 번역 교육이 외국어 및 번역 학습의 학습 동기 부여 수단이 될 수 있음을 주장하였다[43]. 학습자가 생성형 AI를 외국어 학습의 효율성과 생산성을 높이는 유용한 도구로 인식할 경우, 해당 기술에 대한 수용 가능성도 높아질 수 있다.
이러한 성과에 대한 기대는 단순한 기능적 유용성을 넘어, 학습자가 학습 과정에서 의미있는 결과를 얻을 수 있을 것이라는 확신과 연결된다. 이는 긍정적인 감정을 유발하고, 나아가 기술 수용에 중요한 영향을 미칠 수 있다. 따라서 본 연구에서는 ChatGPT에 대한 성과 기대가 학습자의 감정에 미치는 영향을 검증하고자 다음과 같은 가설을 도출하였다.
H7: ChatGPT에 대한 성과 기대는 학습자의 긍정적인 감정에 긍정적 영향을 미친다.
노력 기대(Effort expectancy)는 "사용자가 기술을 사용하는 데 있어 쉽거나 어려움을 느끼는지의 정도"를 의미한다[39]. 사용자가 인식하는 사용의 어려움은 새로운 기술을 수용하는 데 중요한 요인으로 작용한다. 선행 연구에서는 생성형 AI 사용 시 인지적 부담이 클수록 부정적인 감정이 형성될 가능성이 높다고 보고하였다. 특히 AI가 의사소통 문제를 일으키거나 복잡한 설계로 인해 추가적인 인지 작업을 요구할 때 사용자는 부정적인 감정을 경험하게 되며, 노력 기대가 감정 형성에 있어 중요한 부정적 요인으로 작용한다[14. 27, 30]. 또 다른 연구에서는 외국어 학습에서 ChatGPT와의 상호작용 시 일부 기술적 한계(음성 인식, 대화 이해)로 인해 학습자의 인지적 부담을 증가시키고 의사소통에 대한 불만과 부정적 감정을 유발한다는 사실이 검증되었다[23].
그러므로 본 연구에서는 학습자가 외국어 학습을 하는데 있어 ChatGPT 활용의 노력 기대를 측정하고 학습자의 감정에 미치는 영향을 검증하고자 다음과 같은 가설을 도출하였다.
H8: ChatGPT에 대한 노력 기대는 학습자의 긍정적인 감정에 부정적 영향을 미친다.
AIDUA모델애 따르면 1차, 2차 평가 이후 학습자는 ChatGPT에 대한 감정적 반응을 기반으로 외국어 학습에서 수용하거나 거부를 결정하게 된다. 이러한 감정적 반응은 정서적 요인이 학습 성과에 지속적으로 영향을 미치는 주요 변수임을 시사한다[44]. 정서적 여과 가설(Affective Filter Hypothesis)에 따르면 학습자의 동기, 자신감, 불안과 같은 정서적 요인이 언어 학습의 수용을 촉진시키거나 저해한다고 보았다.
선행 연구에서는 기대감, 만족감, 행복감, 기쁨, 즐거움, 놀라움과 같은 긍정적인 감정이 ChatGPT 수용과 관련되어 있음을 실증적으로 확인하였다[27]. 학습자가 긍정적 감정을 경험할 경우, ChatGPT를 수용할 가능성은 더욱 높아진다.
반면, ChatGPT 거부는 외국어 학습 시 인간과의 직접적인 상호작용을 더 선호하는 학습자의 선택을 의미한다. ChatGPT에 대한 의사결정에서 감정은 긍정적인 감정뿐만 아니라, 좌절, 두려움, 불확실성, 불안감, 걱정 등과 같은 부정적인 감정과도 관련될 수 있다[14]. 인지 평가 이론에 따르면, 부정적인 감정은 특정 제품이나 서비스의 거부로 이어질 가능성이 높다. 선행 연구에 따르면, 부정적인 감정은 AI 수용에 부정적 영향을 미치며, 반대로 긍정적인 감정은 거부에 부정적인 영향을 미친다는 사실이 검증되었다[31].
AIDUA 모델은 기존의 기술 수용 모형과는 달리 거부를 단순히 수용의 부정적 반응으로 보지 않고, 독립된 행동 의도로 설명한다. 이 모델에서 감정은 수용과 거부 모두에 영향을 미치는 핵심 요인이며, 각각 별개의 경로로 작용한다. 따라서 본 연구는 감정이 수용을 촉진하는지 여부를 검증하는데 그치지 않고, 긍정적인 감정이 수용을 증가시키는 동시에 거부 의도를 감소시키는 이중 효과를 갖는지 실증적으로 분석할 필요가 있다. 이는 AIDUA 모델의 구조적 특성으로, 감정의 역할을 보다 정밀하게 이해하는데 기여할 수 있다.
앞선 이론적 및 실증적 근거를 바탕으로 다음과 같은 가설을 도출하였다.
H9: ChatGPT 사용에 대한 긍정적인 감정은 학습자의 ChatGPT 수용에 긍정적인 영향을 미친다.
H10: ChatGPT 사용에 대한 긍정적인 감정은 학습자의 ChatGPT 거부에 부정적인 영향을 미친다.
3.3 변수의 측정 방법
본 연구에서 사용된 측정 항목은 AIDUA 모델 관련 선행 연구[14, 27]를 기반으로 도출된 선행 문항들을 참조하여 구성하였다. 외국어 학습자의 ChatGPT 수용 및 거부를 설명하기 위해 사회적 영향, 쾌락적 동기, 지각된 인간성, 성과 기대, 노력 기대, 감정, 수용, 거부의 총 8개 잠재변수를 설정하고, 각 변수를 측정하기 위한 총 30개의 문항을 Likert 7점 척도를 사용하였다. 각각의 측정 항목은 <부록>과 같다.
초기 항목 구성 이후에는 내용의 타당성을 확보하기 위해 교육공학 및 컴퓨터 교육전공의 전문가 2인으로부터 문항표현과 구성의 적절성을 자문받았다. 또한 문항의 이해 가능성과 응답 변별력을 사전에 검증하기 위해 파일럿 테스트(n=34)를 실시하였다. 그 결과 모든 문항의 표준편차가 1.0이상으로 나타나 적절한 변별력을 지니는 것으로 확인되었다.
4. 연구 결과
4.1 연구표본의 기술적 특성
본 연구는 외국어 학습에서 ChatGPT를 사용한 경험이 있는 학습자들을 대상으로 설문조사를 실시하였다. 설문조사는 2024년 11월 11일부터 11월 23일까지, 약 2주간 온라인 설문을 통해 192명으로부터 자료를 수집하였다. 본 연구의 분석방법은 PLS-SEM 구조방정식 분석을 사용하였으며, PLS-SEM 측정을 위한 표본크기는 첫째, 단일 잠재변수(구성개념)를 측정하는데 사용된 형성적 측정변수 최대수의 10배 보다 커야하며, 둘째, 구조모델에서 특정 잠재변수(구성개념)로 향하는 경로 최대수의 10배보다 커야한다[45]. 따라서 본 연구에서 사용된 표본 192명이 타당한 것으로 판단된다. 수집된 설문 자료에 대해 빈도 분석과 기술 통계량을 분석하기 위해 IBM SPSS 29.0을 활용하였다. 그리고 구조방정식 모형분석을 수행하기 위해 SmartPLS 4.0을 활용하였다.
표본의 기술적 특성은 <Table 1>에 나타나 있다. ChatGPT를 외국어 학습에 사용하는 목적으로 대화 127명(66.2%), 번역 118명(61.5%), 작문 65명(33.9%), 발음교정 8명(4.2%), 기타 6명(2.6%) 순으로 나타났다. 주당 ChatGPT의 사용횟수를 묻는 질문에서는 주 1회 미만이 80명(41.7%)로 나타났고, 주 1회~2회가 64명(33.3%), 주 3~4회 27명(14.1%), 주 5~6회 9명(4.7%), 매일이 12명(6.2%)로 나타났다. 1회 사용 시 ChatGPT의 사용시간을 묻는 질문에서는 30분 미만이 99명(51.6%)로 가장 높은 비율로 나타났으며, 30분~1시간 미만이 56명(29.2%), 1시간~2시간 미만이 25명(13%), 2시간~3시간 미만이 7명(3.6%), 3시간 이상이 5명(2.6%)으로 나타났다.
Demographic characteristics
4.2 측정모형의 검증
신뢰도는 동일 개념에 대한 측정을 반복했을 때 동일한 측정값을 얻을 가능성을 의미하며 개별 측정변수는 외부 적재치가 0.7 이상으로 나오면 신뢰성이 있다고 평가한다. 본 연구에서 모두 0.7 이상으로 나와 신뢰도는 있는 것으로 확인되었다.
내적 일관성 신뢰도는 동일한 잠재변수 측정을 위해 여러 개의 측정변수를 이용하는 경우 활용하며 평가 기준으로 크론바흐 알파, 합성신뢰도(CR)인 rho_c(pc)가 사용된다. 크론바흐 알파의 일반적인 수용범위는 0.6~0.9이며, rho_c(pc)의 일반적인 수용범위는 0.6~0.9이나 0.7 이상이면 바람직한 신뢰도이다[46].
타당도는 실제 측정하고자 하는 잠재변수를 정확하게 측정하고 있는지 예측하는 정도이다. PLS-SEM에서는 집중타당도와 판별타당도를 평가하게 된다. 집중타당도는 동일한 잠재변수를 서로 다른 측정 변수로 측정한 결과값 간에는 높은 상관이 있어야 함을 의미한다. 평균분산추출(AVE)이 0.5이상이면 적절한 집중타당도를 가진다고 할 수 있다. 판별타당도는 잠재변수와 잠재변수를 잘 구분할 수 있는 정도를 의미한다.
<Table 2>에 신뢰도 측정치 크론바흐 알파, rho_c(pc) 결과값과 타당도 모두 수용 기준을 충족하고 있으며 적절한 신뢰도 및 타당도를 가진 것으로 판단 할 수 있다.
Results of the Reflective Measurement Model
<Table 3>에서는 판별타당도 평가를 위해 Fornell-Larcker criterion를 측정하였으며[47], 판별타당도의 검증결과 AVE 제곱근이 나머지 잠재변수들 간의 상관관계 값보다 모두 크기 때문에 판별타당도가 있음을 확인하였다.
Fornell-Larcker criterion
4.3 구조모형의 검증
본 연구에서는 구조모델의 평가를 위해 내생잠재변수에 대한 잠재변수 간의 다중공선성을 확인하였다. 다중공선성 판단은 내부 VIF값을 기준으로 한다[48]. 구조 모델에서 잠재변수의 연결 화살표를 여러 개를 받는 종속변수에 대해 다중공선성이 발생할 수 있으므로 이러한 절차를 거치며 내부 VIF값이 모두 5미만으로 나타나 잠재변수들 간에는 다중공선성이 존재하지 않음을 확인하였다.
연구모형의 분석결과인 각 경로에 대한 표준화된 경로 계수와 경로 유의성은 <Figure 2>에 표기하였다.
Results of structural model testing
사회적 영향이 성과 기대에 미치는 영향(β=0.287, p=0.000<0.001)과 노력 기대에 대한 영향(β=-0.290, p=0.000<0.001) 통계적으로 유의한 것으로 나타났다. 따라서 연구가설 1과 연구가설 2는 통계적 유의수준에서 채택되었다. 쾌락적 동기가 성과 기대에 미치는 영향(β=0.395, p=0.000<0.001)은 유의하며, 또한 노력 기대에 미치는 영향(β=-0.358, p=0.000<0.001)도 유의한 것으로 나타났다. 따라서 연구가설 3과 연구가설 4는 유의수준에서 채택되었다. 그러나 지각된 인간성이 성과 기대에 미치는 영향(β=0.101, p=0.195)은 유의하지 않은 것으로 나타나 연구가설 5는 기각되었으며, 노력 기대에 미치는 영향(β=-0.157, p=0.033<0.05)은 통계적으로 유의한 것으로 나타나 연구가설 6은 유의수준에서 채택되었다.
성과기대가 감정에 미치는 영향(β=0.281, p=0.000<0.001) 및 노력 기대가 감정에 미치는 영향(β=-0.408, p=0.000<0.001)은 모두 유의하며, 따라서 연구가설 7과 연구가설 8은 통계적 유의수준에서 채택되었다. 감정이 수용에 미치는 영향(β=0.802, p=0.000<0.001)과 거부에 미치는 영향(β=-0.282, p=0.000<0.001) 또한 유의한 것으로 나타났다. 따라서 연구가설 9와 연구가설 10은 채택되었다. 해당 결과는 <Table 4>에 정리하였다.
Hypothesis test results
5. 결론
5.1 연구결과의 요약
본 연구 결과를 요약하면 첫째, 외국어 학습에서 ChatGPT 사용에 대한 사회적 영향이 성과 기대, 노력기대에 유의한 영향을 미치는 것으로 나타났다. 사회적 영향은 학습자가 자신에게 중요한 타인이 외국어 학습 시 ChatGPT를 사용해야 한다고 인식하는 일종의 사회적 압력으로 정의된다. 이러한 사회적 인식은 다른 사람들과의 상호작용을 통해 형성되며, ChatGPT의 활용이 자신의 학습 성과에 도움이 될 것인지에 대한 판단에 영향을 미치는 요인으로 작용할 수 있다. 본 연구 결과는 모바일 학습 서비스에서 사회적 영향이 성과 기대와 노력 기대에 모두 유의한 영향을 미친다는 선행연구[49]와 일치하며, ChatGPT 등 생성형 AI 수용과 관련된 연구[27, 30] 결과와 일치한다.
둘째, 쾌락적 동기는 성과 기대와 노력 기대에 각각 유의한 영향을 미치는 것으로 나타났다. 외국어 학습 시 ChatGPT와의 상호작용을 통해 유발된 쾌락적 동기는 학습자의 정서적 몰입을 증진시키는 동시에, 학습 성과 달성에 대한 기대 수준을 향상시키고 인지적 노력에 대한 부담을 경감할 수 있다는 인식을 제공함으로써 효과적인 학습 경험 형성에 기여한다. 이는 AIDUA 모델의 선행연구[14]의 견해와 일치한다.
셋째, 지각된 인간성은 성과 기대에는 유의한 영향을 미치지 못했으나, 노력 기대에 유의한 영향을 미치는 것으로 나타났다. 당초 AIDUA 모델에서는 의인화 개념을 사용하였으나 본 연구는 ChatGPT가 텍스트 기반 챗봇임을 반영하여, 학습자의 질문이나 명령을 정확히 이해하고 인간처럼 자연스럽게 응답하는 능력에 초점을 맞추어 지각된 인간성을 사용하였다. 선행연구에서 AI의 인간다움과 실제 기능적 성과 간의 명확한 연관성을 검증하지 못했으며[14], 생성형 AI를 도구로 사용한 연구에서도 의인화가 성과 기대로 이어지지 못했음을 확인하였다[30]. 다만, 생성형 AI의 인간다움이 학습자들이 ChatGPT를 사용하는 데 필요한 노력에 대한 인식을 줄이는 데 기여하는 것으로 보인다.
넷째, 외국어 학습에서 학습자가 ChatGPT를 활용하여 기대하는 학습 성과를 달성할 수 있다고 인식하는 경우, 이는 ChatGPT에 대한 긍정적인 감정 형성에 기여할 수 있는 요인으로 작용한다. 반면 학습자가 인지하는 노력 기대는 부정적 감정 형성에 유의한 영향을 미치는 것으로 나타났다. 이는 ChatGPT의 사용이 학습자의 정신적 노력을 증가시킬 경우, 오히려 학습자의 감정에 부정적 영향을 미칠 수 있음을 나타내며 이러한 결과는 선행 연구의 견해와 일치한다[27].
끝으로, 본 연구는 감정이 외국어 학습 시 ChatGPT의 수용과 거부에 중요한 역할을 한다는 점을 검증하였다. 이는 긍정적 감정이 행동에 영향을 미친다는 선행 연구[14, 27, 50]의 결과와 일치한다. 특히, 긍정적 감정은 ChatGPT 수용을 촉진하는 중요한 요인으로 유의미한 영향을 미친다. 감정은 ChatGPT에 대한 즉각적인 반응이 아니라 여러 단계의 인지평가 과정을 통해 형성된다. 감정이 AI 기기 수용에 미치는 영향은 매우 크게 나타났으며 반대 의사인 거부에 미치는 영향은 수용에 비해 낮은 것으로 나타났다. 이는 긍정적 감정이 높은 학습자 일수록 ChatGPT를 수용하려는 의지가 더 높아지는 경향 때문인 것으로 보인다.
5.2 연구의 시사점과 향후 연구 과제
본 연구는 두 가지 시사점을 제공한다. 첫째, AIDUA 모델은 주로 여행 및 관광 분야의 AI 서비스 로봇, ChatGPT, 가상비서, 생성형 AI 컨텐츠 수용과 관련하여 일부 검증되었으나 외국어 학습에서 ChatGPT의 수용 의도를 설명한 연구는 찾아보기 어려웠다. 본 연구는 ChatGPT 수용 및 거부와 관련하여 AIDUA 모델의 타당성과 유용성을 제시하여 이론적인 기여를 제공한다. 둘째, ChatGPT와 같은 생성형 AI 기술은 빠르게 발전하고 있으며 외국어 학습 도구로써 학습자의 AI 활용은 지속적으로 증가할 것으로 예상된다. 본 연구는 에듀테크 기업들에게 외국어 학습자의 생성형 AI 수용 분석 결과를 제시하여 생성형 AI 도입 전략 수립 및 서비스 구축 등의 실무적인 기여를 제공한다.
본 연구의 한계점과 향후 연구과제는 다음과 같다. 첫째, 외국어 학습에서 ChatGPT 등 생성형 AI의 수용에 대한 분석이 이루어졌으나, 교육적 활용 동기 등 학습자의 동기를 유발하는 요인을 충분히 반영하지 못했다는 한계점을 가지고 있다. AIDUA 모형의 예측력을 높이기 위해서 ChatGPT 등 생성형 AI가 가지는 서비스 특성을 외부 요인으로 추가할 수 있다.
둘째, AIDUA 모델에서 감정은 수용 및 거부에 직접적으로 영향을 미치는 요인으로써 AI 서비스 이용에서 예상되는 비용과 편익을 평가한 후 발생하는 정서적 반응을 의미한다. 선행 연구에서는 감정을 만족감과 불편함 두 가지 요인으로 구분하여 생성형 AI 수용 의도를 측정하였고[32], 또 다른 연구에서는 감정을 인지적 평가와 정서적 평가로 구분하여 ChatGPT 수용 의도를 측정하였다[30]. 따라서, 외국어 학습 측면에서 ChatGPT 사용자가 느끼게 되는 다양한 감정 요소를 구체적으로 측정하기 위해서는 정서적 평가를 세분화하는 연구도 필요하다.
References
- Altman, R., Brynjolfsson, E., Elam, M., Ganguli, S., & Parli, V. (2023). Generative AI: Perspectives from Stanford HAI. Stanford University Human-Centered Aritificial Intelligence (HAI) . https://hai.stanford.edu/generative-ai-perspectives-stanford-hai
- Sensor Tower. (2024). 2024 AI App Market Insights [Report]. https://sensortower.com/ko/blog/state-of-ai–apps-2024-report-KR
- Yang, J. (2023, April 12). A Study on the Experience and Perception of ChatGPT Use [Media Issue, Vol. 9, No. 3]. Korea Press Foundation. https://www.kpf.or.kr/front/research/selfDetail.do?seq=595547
- Seoul Metropolitan Office of Education. (2023). The ChatGPT Era, Ask the Field Teachers [Survey report]. https://enews.sen.go.kr/news/view.do?bbsSn=182562&step1=3&step2=1
-
Lee, S.H., & Song, K.S. (2023). Exploration of Domestic Research Trends on Educational Utilization of Generative Artificial Intelligence. The Journal of Korean Association of Computer Education, 26(6), 15–27.
[https://doi.org/10.32431/kace.2023.26.6.002]
- Fryer, L.K., Coniam, D., Carpenter, R., & Lăpușneanu, D. (2020). Bots for Language Learning Now: Current and Future Directions. Language Learning & Technology, 24(2), 8–22.
-
Lee, S., Noh, H., Lee, J., Lee, K., Lee, G.G., Sagong, S., & Kim, M. (2011). On the Effectiveness of Robot-Assisted Language Learning. ReCALL, 23(1), 25–58.
[https://doi.org/10.1017/S0958344010000273]
-
Jeon, J. (2021). Chatbot-assisted dynamic assessment (CA-DA) for L2 vocabulary learning and diagnosis. Computer Assisted Language Learning, 36(7), 1338–1364.
[https://doi.org/10.1080/09588221.2021.1987272]
-
Huang, W., Hew, K. F., & Fryer, L. K. (2021). Chatbots for language learning—Are they really useful? A systematic review of chatbot‐supported language learning. Journal of Computer Assisted Learning, 38(1), 237–257.
[https://doi.org/10.1111/jcal.12610]
-
Bozkurt, A., Xiao, J., Lambert, S., Pazurek, A., Crompton, H., Koseoglu, S., ... Jandrić, P. (2023). Speculative Futures on ChatGPT and Generative Artificial Intelligence (AI): A Collective Reflection from the Educational Landscape. Asian Journal of Distance Education, 18(1), 53–130.
[https://doi.org/10.5281/zenodo.7636568]
-
Kelly, S., Kaye, S.A., & Oviedo-Trespalacios, O. (2023). What Factors Contribute to the Acceptance of Artificial Intelligence? A Systematic Review. Telematics and Informatics, 77, 101925.
[https://doi.org/10.1016/j.tele.2022.101925]
-
Lu, L., Cai, R., & Gursoy, D. (2019). Developing and Validating a Service Robot Integration Willingness Scale. International Journal of Hospitality Management, 80, 36–51.
[https://doi.org/10.1016/j.ijhm.2019.01.005]
-
Zhang, C. (2010). Technology acceptance in learning settings from a student perspective: A theoretical framework. In Proceedings of the 3rd International Conference on Educational Technology and Computers (pp. 47–51). Association for Computing Machinery.
[https://doi.org/10.1145/1867651.1867663]
-
Gursoy, D., Chi, O.H., & Nunkoo, R. (2019). Consumers’ Acceptance of Artificially Intelligent (AI) Device Use in Service Delivery. International Journal of Information Management, 49, 157–169.
[https://doi.org/10.1016/j.ijinfomgt.2019.03.008]
-
Lazarus, R.S. (1991). Progress on a Cognitive-Motivational-Relational Theory of Emotion. American Psychologist, 46(8), 819–834.
[https://doi.org/10.1037/0003-066X.46.8.819]
-
Xu, Z., Wijekumar, K., Ramirez, G., Hu, X., & Irey, R. (2019). The effectiveness of intelligent tutoring systems on K-12 students' reading comprehension: A meta-analysis. British Journal of Educational Technology, 50(6), 3119–3137.
[https://doi.org/10.1111/bjet.12758]
-
Kim, N.Y. (2019). A Study on the Use of Artificial Intelligence Chatbots for Improving English Grammar Skills. Journal of Digital Convergence, 17(8), 37–46.
[https://doi.org/10.14400/JDC.2019.17.8.037]
-
Noviyanti, S.D. (2020). AI-based Pronunciation Checker: An Alternative for Independent Learning in Pandemic. The Journal of English Language Teaching in Foreign Language Context, 5(2), 162.
[https://doi.org/10.24235/eltecho.v5i2.7246]
-
Pokrivčáková, S. (2019). Preparing Teachers for the Application of AI-powered Technologies. Journal of Language and Cultural Education, 7(3), 135–153.
[https://doi.org/10.2478/jolace-2019-0025]
- Lee, S.J. & Kim, J.Y. (2022). A Study on Korean Language Education Methods Using Artificial Intelligence. Facts and Perspectives of Language, 56, 47-70.
- Fryer, L., & Carpenter, R. (2006). Bots as Language Learning Tools. Language Learning & Technology, 10(3), 8–14.
- Seo, J.H. (2023). A Study on Content Design of AI Chatbots for Korean Speaking Practice [Master’s thesis], Yonsei University. https://www.riss.kr/link?id=T16072421
-
Im, M.J., Yoon, T.N., & Lee, S.B. (2024). Affective Characteristics and Perceptions of University English Learners on ChatGPT-Based English Speaking Activities. Linguistic Research, 70, 267–288.
[https://doi.org/10.17002/sil..70.20241.267]
- Korea Education and Research Information Service. (2023). A Study on the Use of AI Tools for Korean Language Learning of Multicultural Students (RM 2023-14).
-
Ki, Y.M. (2024). A Preliminary Study on the Use and Limitations of ChatGPT as a Tool for Foreign Language Learning. Journal of Korean-Chinese Language and Culture, 74, 3–28.
[https://doi.org/10.16874/jslckc.2024..74.001]
-
Sohn, K., & Kwon, O. (2020). Technology acceptance theories and factors influencing artificial intelligence-based intelligent products. Telematics and Informatics, 47, 101324.
[https://doi.org/10.1016/j.tele.2019.101324]
-
Ma, X., & Huo, Y. (2023). Are users willing to embrace ChatGPT? Exploring the factors on the acceptance of chatbots from the perspective of AIDUA framework. Technology in Society, 75, 102362.
[https://doi.org/10.1016/j.techsoc.2023.102362]
-
Han, S.H., & Lee, T.M. (2024). A Study on the Acceptance and Rejection of Virtual Assistants Based on the AIDUA Model. Information Society and Media, 25(1), 85–122.
[https://doi.org/10.52558/ISM.2024.04.25.1.85]
-
Choi, J.S., & Min, Y. (2024). A Study on the Factors Affecting the Acceptance and Rejection of Generative AI Content: Focusing on AI Cover Music. Broadcast and Communication Research, 127, 153–186.
[https://doi.org/10.22876/kjbtr.2024..127.005]
-
Ahn, S.M. (2024). A Study on the Antecedents of Designers’ Acceptance and Rejection of Generative Design Tools: Focusing on the AIDUA Model. The Journal of the Korea Contents Association, 24(6), 77–93.
[https://doi.org/10.5392/JKCA.2024.24.06.077]
-
Kim, D.H. (2024). A Study on the Possibility of Using ChatGPT as a Learning Tool for Korean Conversation Practice: Focusing on Learner Error Acceptance. Language and Literature Studies, 119, 301–338.
[https://doi.org/10.17297/rsll.2024.119..011]
-
Crompton, H., Edmett, A., Ichaporia, N., & Burke, D. (2024). AI and English language teaching: Affordances and challenges. British Journal of Educational Technology, 55(6), 2503–2529.
[https://doi.org/10.1111/bjet.13460]
-
Kim, J.E & Kim, M.R. (2024). Exploration for the intention to use of ChatGPT as educational instrument using technology acceptance model. The Journal of Korean Association of Computer Education, 27(3), 75-85.
[https://doi.org/10.32431/kace.2024.27.3.007]
-
Mygland, M. J., Schibbye, M., Pappas, I. O., & Vassilakopoulou, P. (2021). Affordances in human-chatbot interaction: A review of the literature. Responsible AI and Analytics for an Ethical and Inclusive Digitized Society, Cham, Switzerland, 12896, 3–14.
[https://doi.org/10.1007/978-3-030-85447-8_1]
-
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, 27(3), 425–478.
[https://doi.org/10.2307/30036540]
-
He, P., Lovo, S., & Veronesi, M. (2022). Social Networks and Renewable Energy Technology Adoption: Empirical Evidence from Biogas Adoption in China. Energy Economics, 106, 105789.
[https://doi.org/10.1016/j.eneco.2021.105789]
-
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.
[https://doi.org/10.1287/mnsc.46.2.186.11926]
-
Tsu Wei, T., Marthandan, G., Chong, A. Y.-L., Ooi, K., & Arumugam, S. (2009). What drives Malaysian m‐commerce adoption? An empirical analysis. Industrial Management & Data Systems, 109(3), 370–388.
[https://doi.org/10.1108/02635570910939399]
-
Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178.
[https://doi.org/10.2307/41410412]
-
Fryer, L.K., Ainley, M., Thompson, A., Gibson, A., & Sherlock, Z. (2017). Stimulating and Sustaining Interest in a Language Course: An Experimental Comparison of Chatbot and Human Task Partners. Computers in Human Behavior, 75, 461–468.
[https://doi.org/10.1016/j.chb.2017.05.045]
-
Hsu, C.-L., & Lin, J. C.-C. (2023). Understanding the user satisfaction and loyalty of customer service chatbots. Journal of Retailing and Consumer Services, 71, 103211.
[https://doi.org/10.1016/j.jretconser.2022.103211]
-
Yang, J.I. (2024). A Study of College Professors' and Students' Perceptions toward ChatGPT-based Learning. New English Literature, 87, 119–136.
[https://doi.org/10.21087/nsell.2024.02.87.119]
-
Lee, S.H. (2023). The Practical Study Case of Translation Class Using ChatGPT: Focusing on the Undergraduate Student Translation Assignments. Journal of Translation Studies, 24(3), 351–379.
[https://doi.org/10.15749/jts.2023.24.3.011]
- Krashen, S. (1985). The Input Hypothesis: Issues and Implications. London: Longman.
- Barclay, D.W., Higgins, C.A., & Thompson, R. (1995). The Partial Least Squares Approach to Causal Modeling: Personal Computer Adoption and Use as Illustration. Technology Studies, 2(2), 285–309.
- Shin, G.K. (2023). SmartPLS 4.0 Structural Equation Modeling (Focus on Master’s and Doctoral Theses and Academic Papers). Cheongram.
-
Shaffer, J.P. (1995). Multiple Hypothesis Testing. Annual Review of Psychology, 46, 561–584.
[https://doi.org/10.1146/annurev.ps.46.020195.003021]
-
Hair, J.F. Jr., Hult, G.T.M., Ringle, C.M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). Sage.
[https://doi.org/10.1007/978-3-030-80519-7]
-
Sung, H.N., Jeong, D.Y., Jeong, Y.S., & Shin, J.I. (2015). Self-Efficacy and Behavioral Intention in Mobile Learning. International Journal of u- and e- Service Science and Technology, 8(9), 197–206.
[https://doi.org/10.14257/ijunesst.2015.8.9.21]
-
Watson, L., & Spence, M.T. (2007). Emotions in Consumer Behaviour. European Journal of Marketing, 41(5–6), 487–511.
[https://doi.org/10.1108/03090560710737570]
Appendix
부 록
설문 문항
· 2005년 계명대학교 경영정보학과(학사)
· 2007년 경북대학교 경영학부 (석사)
· 2010년 경북대학교 경영학부 (박사수료)
· 현재 한국교육학술정보원 부장
관심분야 : AI, 언어학습, e-learning
sumaher78@keris.or.kr
· 1986년 경북대학교 경영학과(학사)
· 1990년 POSTECH 산업공학(석사)
· 1994년 POSTECH 산업공학(박사)
· 현재 경북대학교 교수
관심분야 : SCM, 지능정보시스템, 텍스트 마이닝
ck@knu.ac.kr