공학계열 대학생의 생성형 AI 고도활용 유형에 따른 AI 리터러시 수준 분석: 프롬프트 작성 전략과 비판적 검증을 중심으로

1. 서론

생성형 AI(Generative Artificial Intelligence)는 대학에서도 보편적으로 광범위하게 활용되고 있으며, 이는 대학생의 학습 활동 전반에서도 예외가 아니다. 대학생들은 정보 탐색, 글쓰기 보조, 아이디어 생성, 요약, 번역, 코딩, 과제 수행 등의 다양한 학습과업에 생성형 AI를 활용하고 있다. 이는 학습 효율성과 생산성을 높인다는 장점이 있다. 그러나 생성형 AI를 교육적으로 활용하는 것이 비단 긍정적 효과만 있는 것은 아니다. 생성형 AI에 대한 과잉의존은 학습자의 의사결정, 비판적 사고, 분석적 사고와 같은 인지적 역량을 약화시킬 수 있다[1]. 그리고 생성형 AI를 학습 증진보다 과업 부담을 줄이는 수단으로 사용하고 있다는 오용 양상도 보고된 바 있다[2]. 생성형 AI 의존이 높을수록 비판적 사고가 낮아지고, 인지적 피로가 이 관계를 매개할 수 있다는 연구결과 또한 생성형 AI 활용이 학습자의 사고 과정에 미치는 영향을 보다 면밀히 검토해야 함을 뒷받침한다[3].

이 같은 현상은 생성형 AI 활용의 핵심이 더 이상 사용 여부나 빈도에만 국한되지 않고 질적인 측면도 검토할 필요가 있음을 시사한다. 즉, 동일하게 생성형 AI를 활용하더라도 학습자가 생성형 AI를 과업 수행의 대체 수단으로 사용하는지, 사고 확장과 산출물 점검의 도구로 사용하는지에 따라 교육적 의미는 달라질 수 있다. 이러한 생성형 AI 활용의 질적인 측면은 생성형 AI 고도활용(advanced use)이라는 관점에서 구체화 될 수 있다. 생성형 AI 고도활용은 단순히 AI를 자주 사용하거나 프롬프트를 능숙하게 작성하는 것만을 의미하지 않으며, 프롬프트 작성 전략과 더불어 생성된 산출물을 비판적으로 검증하는 전략이 균형을 이루는지 확인할 수 있는 변인이다[4-6]. 생성형 AI의 최근 사용 맥락에서는 적절한 도구 선택 및 효과적인 프롬프트 작성 능력과 함께 AI가 생성한 산출물의 정확성, 편향, 환각, 윤리적 위험을 검토하는 능력도 요구되기 때문에 학습자의 생성형 AI 고도활용 수준 및 패턴을 점검할 필요가 있다[4].

한편, 이러한 생성형 AI 사용맥락은 특히 공학계열에서 더욱 면밀하게 검토되어야 한다. 공학계열 학생들은 전공 학습 과정에서 문제해결, 설계, 자료 분석, 코딩, 실험 보고서 작성 등 생성형 AI를 활용할 수 있는 과업을 빈번하게 경험하기 때문이다[7]. 동시에 공학적 산출물은 정확성, 재현 가능성, 근거 기반 판단, 안전성과 같은 기준을 요구하므로 AI가 생성한 결과를 그대로 수용하는 방식의 활용은 학습 성과뿐 아니라 현장 의사결정 역량 형성에도 부정적 영향을 줄 수 있다[7, 8]. 따라서 공학계열 대학생의 생성형 AI 활용을 분석할 때는 단순한 사용 능력보다 프롬프트 작성 전략과 비판적 검증이 어떻게 결합되어 있는지, 그리고 이러한 활용 양상이 AI 리터러시 수준과 어떠한 관계를 가지는지 살펴볼 필요가 있다. 여기서 AI 리터러시는 단순히 AI 도구를 사용할 줄 아는 능력을 넘어 AI의 산출물을 이해하고 평가하며 책임 있게 활용하는 역량으로 정의된다[4, 9]. 따라서 생성형 AI의 교육적 활용을 논의하기 위해서는 단순한 활용 경험보다는 학습자가 AI를 이해하고 적절히 활용하며, 산출물을 평가하고 책임 있게 사용할 수 있는지를 종합적으로 확인할 수 있는 AI 리터러시를 함께 고려해야 한다.

기존에 제시된 선행연구를 살펴보면 주로 AI 리터러시의 개념과 측정도구 개발[4, 9-11], 공학계열 대학생의 생성형 AI 활용과 비판적 사고[7], 프롬프트 리터러시 및 프롬프트 작성 전략[6, 12], AI 과잉의존 및 윤리적 우려[1-3]를 각각 독립적으로 다루는 데 그쳤다. 그러나 생성형 AI 고도활용의 하위전략을 프롬프트 작성 전략과 비판적 검증으로 구분하여 두 전략이 균형적으로 발달하는지를 분석한 연구는 이루어지지 않았다. 두 전략은 모두 생성형 AI 활용 과정에서 요구되는 역량이지만 동일하게 발달한다고 가정하기는 어렵다. 따라서 프롬프트 작성 전략은 높은데 비판적 검증은 상대적으로 낮은 학습자, 혹은 두 전략이 모두 높은 학습자와 같은 다양한 유형의 학습자가 존재할 수 있다. 이에 따라 생성형 AI 고도활용을 프롬프트 작성 전략과 비판적 검증 수준의 결합 양상에 따라 유형별로 나누어 살펴볼 필요가 있다.

본 연구는 공학계열 대학생을 대상으로 생성형 AI 고도활용 유형에 따른 AI 리터러시 수준 분석하고자 한다. 즉, 생성형 AI 고도활용의 하위변인인 프롬프트 작성 전략과 비판적 검증의 균형성 및 불일치 양상을 탐색하고 이러한 유형에 따라 AI 리터러시 전체 및 하위요인 수준이 어떻게 달라지는지를 분석하고자 한다. 이에 따른 연구문제는 다음과 같다.

• 연구문제 1. 공학계열 대학생의 생성형 AI 고도활용에서 프롬프트 작성 전략과 비판적 검증의 균형 양상 혹은 불일치 양상은 어떻게 나타나는가?
• 연구문제 2. 생성형 AI 고도활용 유형에 따라 AI 리터러시 전체 및 하위요인 수준에는 어떠한 차이가 있는가?

2. 이론적 배경

3. 연구 방법

3.1 연구대상

본 연구는 수도권 소재 공학계열 중심 T 대학의 재학생을 대상으로 진행되었다. 자료는 2026년 2월 4일부터 13일까지 약 열흘간 온라인 Google 설문을 통해 수집되었다. 설문 참여자에게는 연구목적과 개인정보 수집 여부, 자료의 사용 범위 등을 사전에 안내하였다. 그리고 수집된 자료 중 불성실 응답, 중복 응답, 결측 응답 등을 제거하여 최종 143명의 응답자료를 분석에 활용하였다. 연구대상의 일반적 특성인 성별, 학년, 소속대학에 대한 자세한 결과는 Table 1과 같다.

Table 1.

General Characteristics of Research Participants

3.2 연구도구

이 연구에서 활용된 변인은 AI 리터러시와 생성형 AI 고도활용이다. AI 리터러시는 AI 이해, AI 활용, AI 평가, AI 윤리의 네 가지 하위요인으로 구성되며, 임철홍 외[10]와 Yan et al.[4]의 선행연구에 기반하여 문항을 구성하였다. 생성형 AI 고도활용은 Yan et al.[4]의 선행연구를 바탕으로 로 프롬프트 작성 전략과 비판적 검증의 두 하위요인으로 구성하였다. 모든 문항은 내용타당도 확보를 위해 교육학(교육측정 및 평가, 교육공학 등) 박사 5인의 검토를 거쳐 연구의 목적에 맞게 수정 및 번안되었으며, Likert 5점 척도로 측정하였다.

아울러 측정도구의 내적일관성을 확인하기 위해 Cronbach’s α를 산출하였다. Cronbach’s α는 .6 이상을 최소 허용 가능한 수준으로 해석할 수 있다는 Hair et al.[15]의 기준을 참고하였다. 그 결과 AI 리터러시 전체의 신뢰도는 .848, 생성형 AI 고도활용 전체는 .782로 나타났다. 다만 프롬프트 작성 전략의 Cronbach’s α는 .647로 다른 하위요인에 비해 상대적으로 낮게 나타났다. 하지만 프롬프트 작성 전략 문항이 포함된 Yan et al.[4]의 활용(usage)변인에서도 Cronbach’s α가 .68로 나타났다는 점을 고려하고, 확인적 요인분석 결과 합성신뢰도(CR)이 .746으로 나타났다는 점을 종합하였을 때 탐색적 분석에 활용할 수 있는 수준으로 판단하였다. 측정도구에 대한 상세한 내용과 하위 변인의 신뢰도 검정 결과는 다음 Table 2와 같다.

Table 2.

Measurement Variables and Reliability

이어서 측정도구의 타당도를 추가로 검토한 결과 AI 리터러시의 4요인 모형은 CFI=.996, RMSEA=.023, 생성형 AI 고도활용의 2요인 모형은 CFI=1.000, RMSEA=.008로 나타나 양호한 구성타당도를 보였다. 표준화 요인부하량은 AI 리터러시가 .582~.982, 생성형 AI 고도활용이 .596~.933이었으며, 합성신뢰도(CR)는 각각 .735~.915와 .746~.902로 나타나 수렴타당도도 수용 가능한 수준이었다. 또한, 전체 하위요인 간 HTMT가 .90 미만으로 나타나 판별타당도 역시 전반적으로 확보된 것으로 판단하였다[16].

4. 연구 결과

4.1 변인별 기술통계 및 생성형 AI 고도활용 하위전략 차이

AI 리터러시 전체 및 하위변인, 생성형 AI 고도활용 전체 및 하위변인에 대한 기술통계 결과는 Table 3과 같다. 분석 결과, AI 리터러시 전체 평균은 3.73으로 나타났으며, 하위요인별로는 AI 이해 3.16, AI 활용 3.97, AI 평가 3.81, AI 윤리 3.98로 나타났다. 생성형 AI 고도활용 전체 평균은 4.06이었으며, 하위요인인 프롬프트 작성 전략은 4.14, 비판적 검증은 3.95로 나타났다.

Table 3.

Descriptive Statistics of Variables

변인별로 살펴보면 AI 리터러시에서는 AI 이해가 3.16으로 가장 낮았으며, 생성형 AI 고도활용에서는 비판적 검증의 수준이 3.95로 프롬프트 작성 전략보다 낮았다. 모든 하위변인을 종합하여 살펴보면 AI 이해가 가장 낮은 수준으로 나타났다. 이는 공학계열 대학생들이 코딩, 설계, 자료분석 및 과제 수행 등의 과정에서 생성형 AI를 실용적으로 활용하는 경험은 축적하고 있지만[7, 20], AI의 작동원리와 장단점, 기술적 한계에 대한 개념적 이해는 활용 수준보다 충분히 형성되지 않았을 가능성을 보여준다.

이어서 공학계열 대학생들의 생성형 AI 활용 측면에 있어 프롬프트 작성 전략과 비판적 검증이 균형을 보이는지를 확인하기 위해 대응표본 t-test를 수행하였다(Table 4). 그 결과 두 변인 간 차이는 p=.007 수준에서 유의하였다. 즉, 공학계열 학생들의 프롬프트 작성 전략 수준(M=4.14)은 비판적 검증 수준(M=3.95)보다 높은 것으로 나타났다.

Table 4.

Paired t-test results

4.2 생성형 AI 고도활용 유형화 결과

다음으로 두 변인의 평균 차이만으로는 설명할 수 없는 개인의 상대적 결합 양상을 확인하기 위해 잔차 기반 분류를 수행하였다. 유형화 결과 생성형 AI 고도활용 유형은 전반적 중저활용형(A), 고프롬프트-검증결핍형(B), 저프롬프트-검증우세형(C), 전반적 고활용형(D)의 네 가지로 나타났다(Table 5). 가장 많은 분포를 보인 유형은 전반적 고활용형(D)이 57명(39.9%)이었고, 고프롬프트-검증결핍형(B)이 46명(32.2%)으로 그 뒤를 이었다. 전반적 중저활용형(A)은 25명(17.5%), 저프롬프트-검증우세형(C)은 15명(10.5%)으로 비교적 낮은 분포를 보였다.

Table 5.

Paired t-test results

4.3 생성형 AI 고도활용 유형화 결과에 따른 AI 리터러시 차이

도출된 생성형 AI 고도활용 유형에 따른 AI 리터러시 전체 및 하위변인 수준에 차이가 있는지를 검증하기 위해 Welch ANOVA를 실시하였다(Table 6).

Table 6.

Differences in AI Literacy by Advanced Generative AI Use Profiles

그 결과 AI 리터러시 전체와 각 하위변인별 집단 간 차이가 유의한 것으로 나타났다. 이에 따른 Games- Howell 사후검정 결과 AI 리터러시 전체에 대해 고프롬프트-검증결핍형(B)집단과 전반적 고활용형(D)집단은 각각 중저활용형(A)집단과 저프롬프트-검증우세형(C)집단에 비해 높은 AI 리터러시 수준을 가지고 있는 것으로 나타났다.

AI 리터러시의 하위변인별로 살펴보면 AI 이해에서만 p=.01 수준에서 생성형 AI 고도활용 유형별 차이가 유의하였으며, 나머지 하위변인에 대해서는 p<.001 수준에서 유의한 집단별 차이가 나타났다.

AI 이해에서는 고프롬프트-검증결핍형(B)집단이 저프롬프트-검증우세형(C)집단보다 높은 수준을 보였고, AI 활용에서는 AI 리터러시 전체와 동일하게 고프롬프트-검증결핍형(B)집단과 전반적 고활용형(D)집단이 각각 중저활용형(A)집단과 저프롬프트-검증우세형(C)집단보다 높은 것으로 나타났다. 그리고 AI 평가에서는 고프롬프트-검증결핍형(B)집단과 전반적 고활용형(D)집단이 중저활용형(A)집단보다 높았다. AI 윤리에서는 중저활용형(A)집단이 타 집단에 비해 가장 낮은 수준을 보였다.

5. 결론 및 제언

본 연구는 공학계열 대학생을 대상으로 생성형 AI 고도활용 유형에 따른 AI 리터러시 전체 및 하위변인 별 어떠한 차이가 나타나는지 살펴보기 위한 목적으로 수행되었다. 이를 위해 생성형 AI 고도활용을 프롬프트 작성 전략과 비판적 검증의 결합 양상으로 보고, 두 하위변인을 잔차 기반 분류방법으로 유형화하였다. 그리고 유형별 AI 리터러시 수준 차이를 검증하였다. 이에 따른 주요 결론 및 제언은 다음과 같다.

첫째, 공학계열 대학생의 생성형 AI 고도활용 변인 (프롬프트 작성 전략, 비판적 검증) 간 유의한 차이( =2.745)가 나타났다. 분석 결과 공학계열 대학생들은 생성형 AI를 사용하는 데 있어 비판적 검증보다 프롬프트 작성 전략을 더 높은 수준으로 활용하고 있었다. 이는 공학계열 학생들이 생성형 AI를 적극적으로 활용하고 있다고 보고한 Fan et al.[20]의 연구와 동일한 맥락의 결과이다. 또한, Martin-Moncunill & Alonso[8]가 주장한 바와 마찬가지로 학생들은 생성형 AI를 활용할 때 원하는 산출물을 얻기 위해 질문을 조정하거나 조건을 제시하는 전략은 적극적으로 펼치지만, 생성된 산출물의 정확성, 근거, 출처, 편향 등을 점검하는 과정은 상대적으로 덜 수행하고 있음을 보여준다. 그러므로 생성형 AI 활용 교육에서는 프롬프트 작성법을 교육하는 것과 더불어 생성된 산출물을 평가하고 검토하는 과정도 중요하게 다루어질 필요가 있다[21]. 생성형 AI 고도활용 유형 분류 결과 전반적 고활용형 다음으로 고프롬프트-검증결핍형에 해당하는 학생들이 많았다는 점에서도 생성형 AI 정보 검증 교육의 중요성은 더욱 높다고 할 수 있다.

둘째, 학습자들의 생성형 AI 고도활용 수준은 프롬프트 작성 전략과 비판적 검증 양상에 따라 상이한 유형으로 나뉘었다. 즉, 잔차 기반 분류 분석 결과 전반적 중저활용형, 고프롬프트-검증결핍형, 저프롬프트-검증우세형, 전반적 고활용형의 네 가지 유형으로 도출되었다. 여기서 주목할 점은 프롬프트 작성 전략이 높았던 학생 모두가 동일한 패턴을 보이지는 않았다는 점이다. 프롬프트 작성 전략이 높았던 학생 중에서도 일부는 비판적 검증도 함께 높은 유형으로, 일부는 비판적 검증이 상대적으로 낮은 유형으로 분류되었다. 이는 프롬프트를 능숙하게 작성하는 능력이 산출물을 검증하는 능력으로까지 이어지지는 않을 수 있음을 의미한다[2, 4].

셋째, 생성형 AI 고도활용 유형에 따른 AI 리터러시 전체 및 하위변인 수준 간에 유의한 차이가 나타났다. AI 리터러시 전체 수준에서는 전반적 고활용형과 고프롬프트-검증결핍형이 전반적 중저활용형과 저프롬프트-검증우세형보다 높은 수준을 가진 것으로 나타났다. 이는 프롬프트 작성 전략을 적극적으로 활용하는 학생들이 AI 리터러시 전체 수준에서도 상대적으로 높은 자기인식 수준을 보일 수 있음을 의미한다[4, 6]. 다만 두 유형은 AI 평가를 포함한 전반적 AI 리터러시 수준이 유사하게 높았음에도 생성형 AI 활용의 비판적 검증에서는 서로 다른 수준을 보였다. 이는 AI 산출물을 평가할 수 있다는 역량 인식이 실제 생성형 AI 활용 과정에서 출처, 근거 및 정확성을 검증하는 전략으로 반드시 이어지는 것은 아님을 보여준다.

넷째, 저프롬프트-검증우세형은 전체 유형 중 가장 낮은 비율을 차지하였지만, 생성형 AI 고도활용의 불균형 양상을 보여준다는 점에서 주목할만한 유형이다. 이 유형의 AI 리터러시 수준을 함께 살펴보면 비판적 검증과 AI 윤리 수준은 상대적으로 높았지만, 프롬프트 작성 전략, AI 이해, AI 활용 및 AI 리터러시 전체 수준은 상대적으로 낮게 나타났다. 이는 AI 산출물을 신중하게 검토하고 윤리적 위험을 고려하려는 태도가 형성되어 있더라도 생성형 AI를 적극적으로 활용하거나 과업의 목적에 맞게 프롬프트를 구성하는 역량까지 함께 높아지지는 않는다는 것을 보여준다. 따라서 해당 유형의 학생에게는 기존의 검증지향적 태도를 유지하도록 하면서 과업 구조화, 프롬프트 구체화 및 AI와의 반복적 상호작용을 지원하는 교육이 제공될 필요가 있다.

마지막으로 AI 리터러시와 그 하위변인을 살펴보면 AI 윤리의 경우 예상과 다른 패턴이 도출되었다. 먼저 저프롬프트-검증우세형은 AI 리터러시 전체와 AI 활용에서는 상대적으로 낮은 수준을 보였으나, AI 윤리에서는 전반적 중저활용형보다 유의하게 높은 수준을 보였다. 이는 생성형 AI 활용에서 AI 산출물에 대한 신중한 태도나 검증지향 인식이 윤리적 판단과 연결될 수 있음을 시사한다. 하지만 고프롬프트-검증결핍형에서는 비판적 검증이 상대적으로 낮은 유형임에도 AI 윤리 수준이 낮게 나타나지 않았다.

AI 윤리와 같이 책임 있는 활용, 공정성, 편향, 개인정보 보호 등 사회적으로 바람직한 판단이 요구되는 영역에서는 응답자가 자신의 실제 수행 수준보다 바람직한 방향으로 응답할 가능성, 즉 사회적 바람직성 편향(social desirability bias)을 배제하기 어렵다[22]. 따라서 본 연구에서 나타난 AI 윤리 수준은 학습자가 인식한 윤리적 판단 수준을 보여주는 결과로 이해해야 하며, 이것이 실제 산출물 검증, 출처 확인, 오류 탐지, 윤리적 의사결정 수행을 충분히 담보한다고 보기는 어렵다. Hornberger et al.[11] 또한 AI 리터러시 측정에서 자기보고식(self-reported) 평정이 실제 지식이나 수행역량과 차이를 보일 수 있음을 지적하였다. 그러므로 후속연구에서는 자기보고식 AI 윤리 문항과 AI 산출물의 오류 식별, 출처 검증, 편향 판단, 윤리적 딜레마 상황에 대한 의사결정 과제 등 실제 역량 수행기반 평가를 토대로 AI 윤리 인식과 실제 윤리적 수행 간의 관계를 검토할 필요가 있다.

본 연구는 다음과 같은 한계를 갖는다. 첫째, 연구대상이 수도권 소재 특정 대학의 공학계열 중심 학생으로 제한되므로 연구결과를 전체 대학생이나 모든 전공계열로 일반화하는 데에는 한계가 있다. 둘째, AI 리터러시와 생성형 AI 고도활용은 자기보고식 설문자료를 통해 측정되었으므로 본 연구에서 나타난 수준은 실제 수행역량 그 자체라기보다 학습자가 인식한 역량 수준으로 해석될 필요가 있다. 따라서 후속연구에서는 다양한 전공계열과 표본을 대상으로 실제 프롬프트 작성 과제, AI 산출물 오류 탐지, 출처 검증 등의 수행기반 평가를 병행하여 생성형 AI 활용역량을 측정할 필요가 있다. 한편, 본 연구의 표본에서 4학년이 상대적으로 높은 비율을 차지한 점은 프롬프트 작성 전략의 전체 평균을 끌어올리는 데 영향을 미쳤을 가능성이 있다. 학년별 응답 양상을 확인한 결과, 1학년(M=3.67)은 2~4학년(2학년: M=4.19, 3학년: M=4.16, 4학년: M=4.20)보다 프롬프트 작성 전략 수준이 상대적으로 낮았으나, 2학년부터는 학년별 차이가 크지 않았다. 이는 프롬프트 작성 전략이 학년 상승에 따라 지속적으로 증가한다기보다는, 전공수업과 프로젝트 등 생성형 AI 활용 경험이 본격화되는 시기에 일정 수준까지 형성될 가능성을 시사한다.

그럼에도 국내에서는 아직까지 생성형 AI 고도활용 변인을 바탕으로 학습자의 생성형 AI 활용 유형을 구분하고, 유형에 따른 AI 리터러시 수준 차이를 실증적으로 분석한 연구는 찾을 수 없었다. 따라서 본 연구는 공학계열 대학생의 생성형 AI 활용 유형을 분석하고, 이를 바탕으로 생성형 AI 교육에서 비판적 검증의 중요성을 제언하였다는 점에서 의의가 있다.

References

• Zhai, C., Wibowo, S., & Li, L. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. Smart Learning Environments, 11, 28. [https://doi.org/10.1186/s40561-024-00316-7]
• Yeung, L., Chow, D., Wong, P., & Lau, S. (2026). In ChatGPT they trust: A study of students’ perceptions and misuse of ChatGPT in higher education. AI and Ethics, 6, 11. [https://doi.org/10.1007/s43681-025-00855-w]
• Tian, J., & Zhang, R. (2025). Learners’ AI dependence and critical thinking: The psychological mechanism of fatigue and the social buffering role of AI literacy. Acta Psychologica, 260, 105725. [https://doi.org/10.1016/j.actpsy.2025.105725]
• Yan, W., Liu, Y., Mamaeva, V., Dong, F., Tao, G., Li, R., & Yang, H. (2026). Generative AI literacy: Scale development and its influence on privacy protection behaviors and information verification behaviors. Telecommunications Policy, 50, 103117. [https://doi.org/10.1016/j.telpol.2025.103117]
• Annapureddy, R., Fornaroli, A., & Gatica-Perez, D. (2025). Generative AI literacy: Twelve defining competencies. Digital Government: Research and Practice, 6(1), 13. [https://doi.org/10.1145/3685680]
• Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, 100225. [https://doi.org/10.1016/j.caeai.2024.100225]
• Han, O. (2024). Generative AI and critical thinking in engineering education: A study on application of prompt engineering. Journal of Engineering Education Research, 27(6), 38-47. [https://doi.org/10.18108/jeer.2024.27.6.38]
• Martín-Moncunill, D., & Alonso Martínez, D. (2025). Students’ trust in AI and their verification strategies: A case study at Camilo José Cela University. Education Sciences, 15(10), 1307. [https://doi.org/10.3390/educsci15101307]
• Chen, K., Tallant, A., & Selig, I. (2025). Exploring generative AI literacy in higher education: Student adoption, interaction, evaluation and ethical perceptions. Information and Learning Sciences, 126(1/2), 132-148. [https://doi.org/10.1108/ILS-10-2023-0160]
• Im, C., Cho, Y., & Jeong, D. (2024). A study on developing of AI literacy scale for college students. Journal of Information Technology and Architecture, 21(3), 285-296. [https://doi.org/10.22865/jita.2024.21.3.285]
• Hornberger, M., Bewersdorff, A., Schiff, D., & Nerdel, C. (2025). Development and validation of a short AI literacy test (AILIT-S) for university students. Computers in Human Behavior: Artificial Humans, 5, 100176. [https://doi.org/10.1016/j.chbah.2025.100176]
• Kwon, E., & Lee, Y. (2025). A study on university students’ prompt types in generative AI: Focusing on the discussion of prompt literacy. The Korean Journal of Literacy Research, 16(5), 115-144. [https://doi.org/10.37736/KJLR.2025.10.16.5.04]
• Ravšelj, D., Keržič, D., Tomaževič, N., Umek, L., Brezovar, N., et al. (2025). Higher education students’ perceptions of ChatGPT: A global study of early reactions. PLOS ONE, 20(2), e0315011. [https://doi.org/10.1371/journal.pone.0315011]
• Holzmann, U., Anand, S., & Payumo, A. (2025). The ChatGPT Fact-Check: Exploiting the limitations of generative AI to develop evidence-based reasoning skills in college science courses. Advances in Physiology Education, 49, 191-196. [https://doi.org/10.1152/advan.00142.2024]
• Hair, J., Hult, G., Ringle, C., Sarstedt, M., Danks, N., & Ray, S. (2021). Evaluation of reflective measurement models. In Partial Least Squares Structural Equation Modeling (PLS-SEM) Using R. (pp. 75-90). Springer. [https://doi.org/10.1007/978-3-030-80519-7_4]
• Henseler, J., Ringle, C., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. [https://doi.org/10.1007/s11747-014-0403-8]
• Gnas, J., Urban, J., Feuchter, M., & Preckel, F. (2024). Socio-emotional experiences of primary school students: Relations to teachers’ underestimation, overestimation, or accurate judgment of their cognitive ability. Social Psychology of Education, 27, 2417-2454. [https://doi.org/10.1007/s11218-024-09915-1]
• Delacre, M., Leys, C., Mora, Y., & Lakens, D. (2019). Taking parametric assumptions seriously: Arguments for the use of Welch’s F-test instead of the classical F-test in one-way ANOVA. International Review of Social Psychology, 32(1), 13. [https://doi.org/10.5334/irsp.198]
• Games, P., & Howell, J. (1976). Pairwise multiple comparison procedures with unequal N’s and/or variances: A Monte Carlo study. Journal of Educational Statistics, 1(2), 113-125. [https://doi.org/10.3102/10769986001002113]
• Fan, L., Deng, K., & Liu, F. (2025). Educational impacts of generative artificial intelligence on learning and performance of engineering students in China. Scientific Reports, 15, 26521. [https://doi.org/10.1038/s41598-025-06930-w]
• Oates, A., & Johnson, D. (2025). ChatGPT in the classroom: Evaluating its role in fostering critical evaluation skills. International Journal of Artificial Intelligence in Education, 35, 1793-1824. [https://doi.org/10.1007/s40593-024-00452-8]
• Ling, Y., Kale, A., & Imas, A. (2026). Underreporting of AI use: The role of social desirability bias. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, Barcelona, Spain, 62, 1-22. [https://doi.org/10.1145/3772318.3791073]