예비교사를 위한 AI-TPACK 기반 피지컬 AI 활용 교육과정 개발 및 적용

1. 서론

인공지능은 디지털 공간을 넘어 현실 세계와 상호작용하는 피지컬 AI로 확장되고 있다. AI는 더 이상 소프트웨어 기반의 정보 처리 기술에만 머무르지 않는다. AI는 센서로 데이터를 수집하여 해석하고, 이를 바탕으로 판단하여, 그 결과를 물리적 출력으로 구현하는 방향으로 발전하고 있다. 이러한 변화는 AI 교육 역시 알고리즘 이해나 도구 활용 중심에서 벗어나, 학습자가 이 전체 과정을 실제 물리적 환경에서 직접 경험하도록 확장될 필요가 있음을 시사한다.

피지컬 AI는 AI 융합교육을 실제 세계와 연결된 문제 해결 경험으로 구체화한다. 학습자는 이러한 과정을 수업에서 직접 경험하며, 이때 피지컬 컴퓨팅은 데이터를 수집하고 학습 결과를 실제 세계에 구현하는 핵심 도구로 활용된다[1]. 이러한 경험은 AI의 작동 원리를 실제 환경과 연결된 문제 해결 과정으로 이해하게 한다는 점에서 교육적 의의가 있다.

그러나 예비교사 대상 AI 교육 연구는 피지컬 AI보다 소프트웨어 기반 접근에 집중되어 왔다. 최근 연구는 AI 리터러시, AI 활용교육, AI 융합교육 프로그램 개발, 기술수용의도, 교수효능감 등으로 확대되고 있으나[2], 주요 연구 흐름은 생성형 AI, 챗봇, AI 플랫폼 활용 등 소프트웨어 기반 도구 활용에 초점을 두는 경향이 강하다[3]. 또한 기존 연구들은 AI 교육 내용을 편향적으로 다루거나 학습자 수준을 충분히 고려하지 못하여 피지컬 컴퓨팅이 지닌 교육적 가능성을 충분히 반영하지 못한 한계가 지적된다[4]. 나아가 AI 융합교육 연구에서도 피지컬 컴퓨팅 도구를 활용한 연구는 6.4%에 그치는 것으로 나타났다[5]. 이는 예비교사 교육에서 AI 융합교육의 범위가 소프트웨어 기반 도구 활용을 넘어, 물리적 환경과 상호작용하는 피지컬 AI 기반 수업 설계 및 실행 경험으로 확장될 필요성을 보여준다.

따라서 본 연구의 목적은 예비교사를 대상으로 AI-TPACK 기반의 피지컬 AI 활용 교육과정을 개발 및 적용하고, 그 과정이 예비교사의 AI 융합교육 교수역량에 미치는 영향을 분석하는 것이다.

2. 이론적 배경

2.1 피지컬 AI

피지컬 AI는 최근 주목받는 인공지능 개념으로, Miriyev & Kovač(2020)는 피지컬 AI를 지능적 유기체와 관련된 과업을 수행할 수 있는 물리적 시스템을 창조하는 이론이자 실천으로 정의하였다[6]. 이후 이 개념은 자율로봇, 재료, 구조, 지각이 통합된 다학문적 인공지능 분야로 설명되었다[7]. 국내 정책 담론에서도 피지컬 AI는 물리적 환경과 상호작용하며 실제 상황에서 작업을 수행하는 인공지능으로 제시되고 있다[8]. 이러한 논의는 인공지능이 디지털 환경 안에서 정보를 처리하는 수준을 넘어, 현실 세계를 인식하고 판단하며 물리적으로 상호작용하는 방향으로 발전하고 있음을 보여준다.

교육에서 피지컬 AI는 피지컬 컴퓨팅의 개념적 토대 위에서 설명될 수 있다. 피지컬 컴퓨팅 개념을 처음 제시한 O’Sullivan과 Igoe(2004)는 피지컬 컴퓨팅을 “물리적 세계와 컴퓨터의 가상 세계 간의 대화(conversation)를 창조하는 것[9]”으로 설명하였으며, 이 과정이 센서와 액추에이터를 통한 입력, 처리, 출력의 상호작용 구조를 바탕으로 이루어진다고 보았다. 이에 따르면 피지컬 컴퓨팅은 물리적 환경의 변화를 감지하고 이를 컴퓨터가 처리한 뒤 다시 물리적 반응으로 구현하는 체계라 할 수 있다.

피지컬 AI는 이러한 피지컬 컴퓨팅 구조에 인공지능의 데이터 해석 및 판단 기능이 결합된 확장 개념으로 볼 수 있다. 즉, 피지컬 AI는 인공지능이 센서를 통해 수집된 데이터를 해석하고 판단하며, 그 결과를 물리적 출력으로 구현하는 구조를 가진다. 따라서 교육에서의 피지컬 AI는 학습자가 센서 입력-데이터 해석-AI 판단-물리적 출력으로 이어지는 전 과정을 유기적 구조로 경험하도록 하는 교육적 접근으로 정의할 수 있다. 그 과정은 Figure 1과 같다.

Figure 1.

Physical AI Structure

3. 연구 방법

3.1 연구 대상

본 연구는 K대학교에서 개설한 교양 교과목을 수강한 사범대학 재학생 20명을 대상으로 실시하였다. 해당 교육과정은 15주 동안 주 3차시씩 운영되었으며, 총 45차시로 구성되었다. 연구 분석에는 결석 등의 사유로 사전 또는 사후 설문에 참여하지 못한 경우를 제외하고, 사전-사후 설문에 모두 참여한 18명의 자료를 활용하였으며, 실험 대상의 일반적 특성은 Table 1과 같다. 모든 자료는 익명 설문으로 수집하였으며, 연구 참여는 자발적이며 교과 성적과 무관함을 사전에 안내하였다.

Table 1.

General Characteristics of Participants

3.2 연구 설계

본 연구는 예비교사를 위한 피지컬 AI 활용 교육과정을 개발하기 위해, 교육 프로그램의 타당성과 실행 가능성을 체계적으로 확보하는 ADDIE 모형에 따라 수행하였다[29]. 각 단계에서 필요한 자료를 수집·검토하여 다음 단계에 반영하는 방식으로 교육과정을 개발하였다. 연구 설계의 구조는 Figure 2와 같고 구체적인 절차는 Table 2와 같다.

Figure 2.

ADDIE-based Development Procedure

Table 2.

Research Activities across the ADDIE Phases of Curriculum Development

분석 단계에서는 교육과정 개발의 기초를 마련하기 위하여 피지컬 AI 관련 선행연구, 예비교사 대상 AI 교육 관련 국내·외 학술논문, 예비교사 대상 피지컬 컴퓨팅 관련 국내·외 학술논문을 검토하였다. 아울러 2022 개정 교육과정을 분석하여 학교 현장에서 요구되는 교육 내용과 방향을 확인하였다. 또한 예비교사 20명을 대상으로 학습자 요구를 조사하여 학습 수준, 관심 영역, 교육적 필요를 파악하고, 이를 교육과정 목표와 내용 구성의 근거로 활용하였다.

설계 단계에서는 분석 결과를 바탕으로 학습 목표를 설정하고, 교육과정 운영에 필요한 교수-학습 도구를 선정하였다. 요구분석 결과 피지컬 컴퓨팅 경험이 없는 학습자가 다수임을 고려하여, 다양한 유형의 피지컬 컴퓨팅 도구를 경험할 수 있도록 보드형, 모듈형, 로봇형 도구와 교육용 AI 플랫폼, 협업 기반 에듀테크를 선정하였다. 또한 이들 도구를 수업 설계에 활용할 수 있도록 AI-TPACK 기반의 교수-학습 구조를 설계하였다. 아울러 한 학기 운영을 전제로 전체 15주차, 총 45차시의 교수-학습 내용을 구성하고, 교육과정의 효과성을 측정하기 위한 검사도구를 선정하였다.

개발 단계에서는 설계 단계에서 도출한 내용을 실제 수업에 적용할 수 있도록 15주차(45차시)의 교수-학습 프로그램과 차시별 자료를 개발하였다. 각 차시의 학습 목표, 주요 활동, 프로젝트 과제, 활용 도구, 산출물 및 평가 요소가 교육과정의 전체 목표와 연계되도록 구성하였다. 또한 피지컬 AI 수업의 특성상 웹 프로그램 접속 환경, 펌웨어 업데이트, 기기 작동 여부 등 운영 변수를 고려하여, 매 주차 수업 전 관련 장비와 자료를 점검·보완하였다. 이를 통해 프로그램이 실제 수업 맥락에서 안정적으로 실행될 수 있도록 하였다.

실행 단계에서는 개발된 교육과정을 예비교사 20명에게 적용하였다. 적용 전 AI 융합교육 교수역량 수준을 파악하기 위해 사전 검사를 실시한 뒤, 15주차(45차시)의 교육과정을 운영하였다. 수업 과정에서는 학습자의 이해 수준과 활동 수행 정도를 확인하고, 필요에 따라 과제 난이도와 활동 방식을 조정하였다. 수업 종료 후에는 동일한 검사도구로 사후 검사를 실시하고, 학습자 인식을 확인하기 위해 만족도 설문을 실시하였다.

마지막으로 평가 단계에서는 사전-사후 검사 결과를 비교하여 예비교사의 AI 융합교육 교수역량 변화를 분석하고, 만족도 설문 결과를 함께 검토하여 교육과정의 교육적 효과와 적용 가능성을 종합적으로 평가하였다. 이어서 본 교육과정의 타당성을 확보하기 위해 전문가 검토를 시행하여 수정 및 보완 과정을 거쳤다.

3.3 연구 절차

3.3.1 AI-TPACK 기반 교육과정 설계

AI-TPACK은 교수-학습 활동을 인공지능 이해, TPACK 이해, TPACK 수업 관찰 및 경험, TPACK 수업 설계 및 실천, TPACK 수업 평가 및 성찰의 5단계로 제시한다. 본 연구에서는 이 단계 구조를 바탕으로 피지컬 AI의 특성이 반영되도록 교육과정을 재구성하였다. 구체적으로 초기 단계에서는 피지컬 AI의 개념, 센서–데이터–AI–출력의 구조, 보드형·모듈형·로봇형 도구 실습을 다루었으며, 이후 단계에서는 이를 교과 수업 맥락에 적용할 수 있도록 사례 분석과 수업 설계 활동을 배치하였다. 단계별 교수자·예비교사 활동은 부록 1과 같으며, 원형 AI-TPACK 모델에 새로 추가 또는 수정한 부분은 볼드체로 표시하였다.

이소율, 김귀훈(2025)의 연구에 따르면, AI 융합교육에서는 실제 교과 수업에 적용 가능한 통합적 수업 설계와 실행 중심의 역량이 중요하다고 강조하였다[27]. 이에 본 연구는 예비교사가 AI 개념 이해를 넘어 피지컬 AI 기반 수업을 분석, 설계, 실천, 성찰하는 일련의 과정을 경험하도록 교육과정을 구성하였다.

3.3.2 피지컬 AI 활용 교육과정 구성

본 연구에서는 김재휘, 김동호(2016) 연구가 피지컬 컴퓨팅 도구의 유형을 보드형, 모듈형, 로봇형으로 구분한 것을 참고하여 교육과정을 구성하였다[30]. 이에 따라 교육과정은 예비교사가 각 유형의 피지컬 컴퓨팅 도구를 형태별로 다양하게 경험하고, 형태별 특징에 대해 이해하고, 이를 AI와 연계하여 수업 설계에 활용할 수 있도록 조직하였다.

교육과정은 AI-TPACK 모델을 기반으로 다섯 단계로 구성하였다. 1단계에서는 인공지능과 피지컬 AI의 개념을 이해하고 교육용 AI 도구와 피지컬 컴퓨팅 도구의 기본 기능을 탐색하도록 하였다. 2단계에서는 AI 융합교육과 TPACK의 개념을 이해하고, 교과 융합 AI 프로젝트와 피지컬 AI 프로젝트를 수행하도록 하였다. 3단계에서는 교과별 AI 융합 교육 사례를 분석하고 공유하여 수업 적용 가능성을 탐색하도록 하였다. 4단계에서는 이러한 프로젝트 경험을 바탕으로 적절한 교수-학습 도구를 선정하여 AI 융합 수업을 설계하고 시연하도록 하였다. 5단계에서는 수업 평가와 성찰을 통해 설계한 수업을 반성하고 개선 방향을 도출하도록 하였다.

3.3.3 전문가 내용 타당도 검토

개발된 교육과정의 내용 타당성을 확인하기 위해 I-CVI를 기준으로 전문가 검토를 실시하였다. 1차 검토에서 I-CVI 0.83 미만인 항목은 자료를 수정·보완한 뒤 2차 검토를 거쳐 교육과정 최종본에 반영하였다. 검토에는 컴퓨터교육 박사 학위 소지 대학교수 1명과 박사 2명, AI 융합교육·컴퓨터교육 박사과정 교사 3명, 총 6명(평균 교육 경력 14.8년)이 참여하였다.

검토 문항은 매우 적절함을 4점, 매우 부적절함을 1점으로 하는 4점 리커트 척도로 구성하였으며, 결과는 항목별 I-CVI(Item Content Validity Index)와 척도 수준의 S-CVI/Ave로 산출하였다. 그 결과 2차 검토에서 모든 문항의 I-CVI가 1.00으로, 즉 S-CVI/Ave 1.00으로 나타나, 본 교육과정이 권장 기준을 충족하는 내용 타당도를 확보한 것으로 판단하였다[31]. 구체적인 내용은 Table 3과 같다.

Table 3.

Results of the Content Validity Expert Review (I-CVI)

3.4 측정 도구

3.4.1 AI 융합교육 교수역량 검사 도구

예비교사의 AI 융합교육 교수역량을 측정하기 위하여 배윤주 외(2023)가 개발한 ‘예비교사의 AI 융합교육 교수역량 측정 도구’를 활용하였다. 해당 도구는 AI 융합교육 설계역량, 실행역량, 평가역량의 3개 하위요인 23 문항으로 구성된다. 원 도구의 각 하위요인의 신뢰도는 설계역량 .931, 실행역량 .913, 평가역량 .910으로 보고되었으며, 전체 신뢰도는 Cronbach’s α = .963으로 나타났다. 모든 문항은 5점 Likert 척도(1점=전혀 그렇지 않다, 5점=매우 그렇다)로 응답을 수집하였다. 도구의 구체적인 내용은 Table 4와 같다.

Table 4.

Structure of AI Convergence Education Teaching Competency Scale

3.4.2 학습자 만족도 검사 도구

학습자 만족도 검사는 교육과정에 대한 예비교사의 반응과 수용성을 확인하기 위해 실시하였다. Kirkpatrick의 4수준 평가모형에 따르면 교육 프로그램의 효과는 반응(Reaction), 학습(Learning), 행동(Behavior), 결과(Results)의 단계로 평가될 수 있으며, 학습자 만족도는 이중 1수준인 반응 평가에 해당한다[32]. 따라서 본 연구에서는 사전-사후 역량 검사와 수업 산출물 분석을 보완하는 자료로 만족도 검사를 활용하였다.

만족도 검사 문항은 총 14문항으로 구성하였으며, 교육과정 구성, 교수-학습 상호작용, 학습 경험, 이론-실습 연계, 전반적 만족도의 5개 영역을 포함하였다. 각 문항은 5점 Likert 척도(1점=전혀 그렇지 않다, 5점=매우 그렇다)로 응답하도록 하였다. 학습자 만족도 검사 도구의 구성은 Table 5와 같다.

Table 5.

Structure of the Learner Satisfaction Questionnaire

4. 연구 결과

4.1 교육과정 개발 결과

본 연구에서 개발한 교육과정은 AI-TPACK 모형을 기반으로 예비교사가 인공지능과 피지컬 AI를 이해하고 이를 수업 설계와 실행에 적용할 수 있도록 구성하였다. 교육과정은 총 15주, 45차시로, 인공지능 및 피지컬 AI 이해 → TPACK 이해 및 인공지능·피지컬 AI 프로젝트 → AI 융합 교육 사례 분석 및 공유 → AI 융합 수업 설계 및 실천 → AI 융합 수업 평가 및 성찰의 5단계로 개발하였다.

1단계에서는 인공지능, 피지컬 AI, 생성형 AI 및 AI 기반 에듀테크의 개념을 다루어 AI 융합교육의 기초를 이해하였다. 2단계에서는 TPACK과 TPACK 기반 수업 설계를 이해한 뒤, AI 프로그래밍 실습과 피지컬 AI 프로젝트를 수행하도록 하였다. 프로그래밍 실습에서는 Teachable Machine, Entry AI 등으로 이미지 분류, 컴퓨터 비전, 자연어 처리 등 인공지능의 기본 원리를 경험하였고, 피지컬 AI 프로젝트에서는 micro:bit, Arduino, pingpong robot 등으로 센서 입력–데이터 해석–AI 판단–물리적 출력의 과정을 구현하였다.

3단계에서는 인문·사회, 자연·공학, 예술·체육 영역의 AI 융합 수업 사례를 분석 및 공유하여 AI-TPACK의 적용 방안을 탐색하였고, 4단계에서는 예비교사가 AI 융합 수업을 직접 설계·공유하였으며, 5단계에서는 피드백과 성찰을 통해 수업 개선 방안을 도출하였다.

이처럼 본 교육과정은 이해–실습–사례 분석–설계–성찰의 단계적 구조를 통해 예비교사의 AI 융합교육 교수역량을 함양하도록 설계되었다. 개발된 교육과정의 주차별 구성은 Table 6과 같으며, 이를 한국어로 번역한 내용은 부록 2에 제시하였다.

Table 6.

AI-TPACK-Based Physical AI Curriculum for Pre-service Teachers

4.2 교육과정 적용 결과

4.2.1 AI 융합교육 교수역량

본 연구에서 개발한 교육과정이 교수역량에 미치는 효과를 분석하기에 앞서, 측정도구의 신뢰도를 확인하기 위해 내적 일관성 지수인 Cronbach’s α 계수를 산출하였다. 그 결과, 전체 AI 융합교육 교수역량의 Cronbach’s α는 사전 .887, 사후 .870으로 나타났으며, 모든 하위 영역에서도 .80 이상으로 확인되어, 본 측정도구는 사전-사후 검사 모두 양호한 내적 일관성을 확보하였다. 자세한 결과는 Table 7과 같다.

Table 7.

Reliability of AI Convergence Education Teaching Competency Scale(N=18)

교육과정 적용에 따른 AI 융합교육 교수역량의 변화를 확인하기 위해 사전-사후 점수에 대해 Wilcoxon 부호순위 검정을 실시하였다. 분석 결과, 전체 AI 융합교육 교수역량은 사전 점수(M=3.68, SD=.42)보다 사후 점수(M=4.39, SD=.46)가 높게 나타났으며, 이러한 차이는 통계적으로 유의하였다(Z=-3.73, p<.001). 하위 영역별 분석 결과, 설계 역량(Z=-3.73, p<.001), 실행 역량(Z=-3.27, p=.001), 평가 역량(Z=-3.46, p=.001) 모두에서 사전 점수에 비해 사후 점수가 통계적으로 유의하게 향상되었다. 또한 전체 교수역량과 각 하위 영역의 효과크기(r)는 .77~.88의 범위로 나타났으며, Cohen(1988)의 기준에 따라 모두 큰 효과크기(r≥.50)에 해당하였다. 자세한 결과는 Table 8에 제시하였다.

Table 8.

Wilcoxon Signed-Rank Test Results for AI Convergence Education Teaching Competency (N=18)

이러한 결과는 본 교육과정 적용 이후 예비교사의 AI 융합교육 교수역량 전반에 긍정적인 변화가 나타났음을 시사한다. 다만 본 연구는 18명의 예비교사를 대상으로 한 단일 집단 사전-사후 설계이므로, 신뢰도 계수와 효과 검정 결과를 해석할 때 표본 규모와 연구 설계상의 제한을 고려할 필요가 있다.

4.2.2 학습자 만족도

학습자 만족도를 영역별로 분석한 결과, 전반적 만족도(M=4.84)가 가장 높게 나타났으며, 수업 운영(M=4.83), 교수–학습 상호작용(M=4.83), 이론–실습 연계(M=4.82) 순으로 높은 만족도를 보였다. 학습 경험 영역(M=4.77) 역시 높은 수준으로 나타나 본 프로그램이 전반적으로 긍정적인 학습 경험을 제공한 것으로 확인되었다. 자세한 결과는 Table 9에 제시하였다.

Table 9.

Learner Satisfaction Score by Category

4.2.3 수업 산출물

본 교육과정에서 예비교사들은 단계별 프로젝트를 통해 전공 교과 내용에 AI 및 피지컬 AI를 통합한 산출물을 제작하였다. 본 절에서는 대표 산출물을 1) 프로젝트 유형별 대표 산출물과 2) AI-TPACK 요소별 분석으로 나누어 제시한다.

1) 프로젝트 유형별 대표 산출물

대표 산출물로 교과 융합 AI 프로젝트, 교과 융합 피지컬 AI 프로젝트, 최종 AI-TPACK 기반 피지컬 AI 수업 설계 산출물을 제시하였다. 세 산출물은 AI의 판단 결과가 구현되는 방식에서 차이를 보인다. 교과 융합 AI 프로젝트는 입력 데이터를 AI가 분류 등의 판단을 하여 그 결과를 화면 정보나 피드백으로 제시하는 소프트웨어 기반 활동인 반면, 교과 융합 피지컬 AI 프로젝트는 AI의 판단 결과가 micro:bit 등 피지컬 컴퓨팅 도구의 입·출력 장치와 연결되어 물리적 반응으로 구현된다는 점에서 확장된다.

첫째, 교과 융합 AI 프로젝트의 대표 사례는 가정 교과의 '엔트리를 활용한 의복 정보 알리미'이다. 중학교 3학년 기술·가정의 의복 재료와 세탁 및 관리 내용을 바탕으로, 학습한 이미지 분류 모델이 의류를 인식하면 섬유 특성과 드라이클리닝·세탁기·손세탁 등 적절한 관리 방법을 안내하는 챗봇으로 설계되었다. 이는 교과서의 세탁 취급 주의 표시와 섬유 구분 내용을 AI 이미지 분류와 연결한 사례로, AI가 의복 관리라는 교과 내용(CK)을 표현·전달하는 교수-학습 도구로 활용되어 기술과 교과 내용을 결합한 기술내용지식(TCK)이 두드러진다. 다만 그 결과가 화면 안내에 머문다는 점에서 소프트웨어 기반 활용에 해당한다. 이와 관련한 자료는 Figure 3과 같다.

Figure 3.

Example of an AI-TPACK-Based AI-Convergence Lesson Product

둘째, 교과 융합 피지컬 AI 프로젝트의 대표 사례는 중국어 교과의 'micro:bit AI를 활용한 중국어 감정 표현 학습 수업'이다. 예비교사는 기쁨·분노·슬픔의 감정 어휘를 선정하고 감정별 한자 필기 이미지를 직접 구축해 Teachable Machine 분류 모델을 학습시켰다. 학습자가 직접 쓴 한자를 모델이 감정별로 분류하면, 그 결과는 MakeCode와 연계되어 micro:bit LED 표정으로 출력된다. 여기서 AI는 중국어 감정 표현이라는 교과 내용을 위한 교수-학습 도구로써 기술내용지식(TCK)을 갖춘다. 다만 첫째 프로젝트와 달리 AI의 판단이 micro:bit LED라는 물리적 출력으로 구현된다. 이처럼 쓰기(입력)-글자(데이터)-분류(AI)-LED(출력)의 과정이 학습 활동을 이끈다는 점에서, 기술이 교수-학습 방식을 매개하는 기술교수지식(TPK)까지 확장된 것으로 볼 수 있다. 이에 대한 자세한 내용은 Figure 4와 같다.

Figure 4.

Example of an AI-TPACK-Based Physical AI Convergence Lesson Product

셋째, 최종 산출물은 예비교사가 전공 교과 내용에 피지컬 AI를 활용해 설계·구현한 AI 융합 수업 과정안이다. 대표 사례는 중학교 과학II '우주 탐사' 단원으로, 학습자가 탐사선이 되어 소행성을 피하며 우주선을 조작하고 퀴즈를 해결하는 게임형 활동이다. 예비교사는 Entry와 micro:bit를 연계해 A, B 버튼 입력으로 우주선을 조종하고, 행성별 신호 지연(화성 0초, 목성 2초)을 구현해 지구와의 거리에 따른 통신 지연이라는 우주 탐사의 과학적 특성을 경험하도록 했으며, 퀴즈에는 AI 이미지 인식으로 탐사 행성을 판별하는 과정을 포함하였다. 이전의 두 프로젝트가 각각 기술내용지식(TCK)과 기술교수지식(TPK)에 초점을 두었다면, 이 산출물은 교과 내용·교수 전략·기술이 결합된 가장 통합적인 형태(TPACK)로, 구성요소별 분석은 2)에서 다룬다. 함께 제출된 교수-학습 자료는 Figure 5, 요약된 수업 설계안은 Table 10와 같으며, 이에 대한 피지컬 AI 요소 분석은 Table 11과 같다.

Figure 5.

Example of an AI-TPACK-Based Physical AI Lesson Product (Instructional Materials)

Table 10.

Example of an AI-TPACK-Based Physical AI Lesson Product (Instructional Plan)

Table 11.

Physical AI in Representative Lesson Products

2) AI-TPACK 요소별 분석

본 연구에서는 산출물을 AI-TPACK 구성요소(CK, PK, TK, PCK, TCK, TPK, TPACK)를 기준으로 분석하였다. 이 때 기술지식(TK)은 AI 도구뿐 아니라 피지컬 AI 도구의 작동 원리와 활용 가능성에 대한 이해를 포함하는 것으로 보았다. 다. 대표 산출물(중학 과학 '우주 탐사' 단원의) 매핑 결과는 Table 12와 같으며, 이를 한국어로 번역한 내용은 부록 3에 제시하였다.

Table 12.

AI-TPACK-Based Mapping of a Representative Lesson Product

매핑 결과, 모든 구성요소가 고르게 나타나 AI 기술이 교과 내용·교수 전략과 분리되지 않고 통합적으로 활용되었음을 확인하였다. 특히 센서 입력–데이터 해석–AI 판단–물리적 출력으로 이어지는 피지컬 AI 구조가 교과 수업 맥락으로 재구성되었고, 설계 단계에서 구성된 기술교수내용지식(TPACK)이 발표 및 시연을 통해 실제 수업 실행 장면으로 전환되었다. 이는 예비교사가 피지컬 AI를 교과 내용과 연계하여 AI 융합수업으로 설계하고 실행할 수 있음을 보여준다.

5. 결론

본 연구는 예비교사의 AI 융합교육 교수역량 향상을 위해 AI-TPACK 기반 피지컬 AI 활용 교육과정을 ADDIE 모형에 따라 15주(45차시)로 개발하고, 이를 사범대학 예비교사에게 적용하여 교육적 효과를 분석하였다. 교육과정은 인공지능 및 피지컬 AI 이해, TPACK 이해, TPACK 수업 관찰 및 경험, TPACK 수업 설계 및 실천, TPACK 수업 평가 및 성찰의 단계로 구성되었으며, 보드형/모듈형/로봇형 피지컬 컴퓨팅 도구와 AI 도구를 적절하게 활용할 수 있도록 개발되었다.

본 연구의 주요 결과와 그에 대한 논의는 다음과 같다. 첫째, AI-TPACK 기반 피지컬 AI 활용 교육과정 적용 후 예비교사의 AI 융합교육 교수역량이 사전 대비 사후에 통계적으로 유의하게 향상되었고, 설계·실행·평가 전 영역에서 큰 효과크기가 나타났다. 이는 교수역량 전반의 긍정적 변화 가능성을 시사한다. 다만 18명 단일집단 사전-사후 설계라는 점에서 결과 해석에는 신중함이 필요하다.

둘째, 학습자 만족도 분석 결과, 본 교육과정은 전반적으로 높은 만족도를 보였다. 특히 수업 운영, 교수-학습 상호작용, 이론과 실습의 연계, 전반적 만족도 영역에서 높은 점수가 나타났다. 이는 본 교육과정이 피지컬 AI와 AI 융합교육에 대한 이론적 이해뿐 아니라, 실제 도구 활용과 프로젝트 수행을 통해 예비교사에게 의미 있는 학습 경험을 제공하였음을 보여준다.

셋째, 수업 산출물 분석을 통해 예비교사가 AI와 피지컬 컴퓨팅 도구를 교과 내용과 연계하여 수업으로 구현할 수 있음을 확인하였다. 예비교사들은 교과 성취기준을 분석하고, 학습 목표에 적합한 AI 및 피지컬 AI 도구를 선정하여 교수학습 과정안을 설계하였다. 또한 최종 발표에서 수업 설계 의도와 교수-학습 흐름을 설명하고, 구현한 활동을 직접 시연함으로써 수업의 실행 가능성을 점검하였다. 이는 본 교육과정이 예비교사의 AI 융합교육 교수역량을 단순한 수업 설계 수준에 머물게 하지 않고, 실행과 평가 역량으로 확장하는 데 기여하였음을 시사한다.

이상의 결과를 종합하면, AI-TPACK 기반 피지컬 AI 활용 교육과정은 예비교사가 AI를 단순한 디지털 도구로 활용하는 수준을 넘어, 물리적 환경과 상호작용하는 피지컬 AI의 특성을 이해하고 이를 교과 수업에 통합하도록 지원하는 교육 방안으로 볼 수 있다. 본 연구는 기존 예비교사 대상 AI 교육이 주로 소프트웨어 기반 도구 활용에 집중되어 온 한계를 보완하고, 센서 입력–데이터 해석–AI 판단–물리적 출력으로 이어지는 피지컬 AI의 구조를 예비교사 교육에 적용하였다. 나아가 AI-TPACK을 두 방향에서 확장하여, 개념적으로는 ‘도구이자 내용으로서의 AI’를 센서 입력–데이터 해석–AI 판단–물리적 출력의 피지컬 AI로 확장하고, 교수 설계 측면에서는 보드형·모듈형·로봇형 도구 선정과 센서·액추에이터를 교과 내용과 연계하는 과정을 함께 고려하였다. 이로써 예비교사의 AI 융합 수업 설계·실행·평가를 지원하는 교육과정 사례를 제시하였다는 점에서 의의가 있다.

다만 본 연구에는 몇 가지 제한점이 있다. 첫째, 본 연구는 단일 대학의 예비교사를 대상으로 수행되었으며, 분석 대상의 수가 제한적이므로 연구 결과를 모든 예비교사에게 일반화하는 데에는 한계가 있다. 둘째, 단일집단 사전-사후 검사 설계를 적용하였기 때문에 교육과정 효과를 보다 엄밀하게 검증하기 위해서는 통제집단을 포함한 후속 연구가 필요하다. 셋째, 본 연구는 자기보고식 검사와 만족도 조사, 수업 산출물 분석을 중심으로 효과를 분석하였으므로, 향후에는 수업 시연 분석, 면담 및 성찰일지 분석 등을 병행하여 예비교사의 역량 변화를 보다 다각적으로 탐색할 필요가 있다.

후속 연구에서는 다양한 전공과 학교급의 예비교사를 대상으로 피지컬 AI 활용 교육과정을 확대 적용하고, 교과별 특성에 따른 AI 융합 수업 설계 양상을 비교 분석할 필요가 있다. 또한 예비교사가 개발한 피지컬 AI 기반 수업안을 실제 학교 현장에 적용하여 학습자에게 미치는 영향을 검증한다면, 피지컬 AI 활용 교육의 현장 적용 가능성과 교육적 효과를 보다 구체적으로 확인할 수 있을 것이다.

References

• Chung, C. C., & Lou, S. J. (2021). Physical computing strategy to support students’ coding literacy: An educational experiment with arduino boards. Applied Sciences, 11(4), 1830. [https://doi.org/10.3390/app11041830]
• Seo, H., Kwon, H., & Cho, Y. (2023). Analysis of cases and effectiveness of AI-based instruction for pre-service teachers. Culture and Convergence, 45(12), 845-857. [https://doi.org/10.33645/cnc.2023.12.45.12.845]
• Lee, J. (2025). Exploring research trends in AI education and its use for pre-service teachers. Journal of The Korean Association of Information Education, 29(2), 173-182. [https://doi.org/10.14352/jkaie.2025.29.2.173]
• Lim, S., Ko, H., Kim, S., & Lee, Y. (2025). A systematic literature review of research using physical computing in K-12 artificial intelligence education. The Journal of Korean Association of Computer Education, 28(8), 1-14. [https://doi.org/10.32431/kace.2025.28.8.001]
• Lim, C., Han, O., Chae, J., Hong, S., Ko, B., & Lim, E. (2025). Research trends and future directions in AI convergence education. Journal of Educational Technology, 41(1), 363-395. [https://doi.org/10.17232/KSET.41.1.363]
• Miriyev, A., & Kovač, M. (2020). Skills for physical artificial intelligence. Nature Machine Intelligence, 2(11), 658-660. [https://doi.org/10.1038/s42256-020-00258-y]
• Li, Y., Li, Z., Duan, Y., & Spulber, A. B. (2023). Physical artificial intelligence (PAI): the next-generation artificial intelligence. Frontiers of Information Technology & Electronic Engineering, 24(8), 1231-1238. [https://doi.org/10.1631/FITEE.2200675]
• Ministry of SMEs and Startups. (2025, April 9). Discussing innovation directions for small and medium manufacturers in the era of AI technology innovation [Press release]. https://www.mss.go.kr/site/smba/ex/bbs/View.do?bcIdx=1057974&cbIdx=86
• O’Sullivan, D., & Igoe, T. (2004). Physical computing: Sensing and controlling the physical world with computers. Thomson.
• Hong, H., & Park, C. (2023). Development of a transportation-technology problem-centered, AI-based convergence education program in middle school technology subjects to improve computational thinking. The Journal of Korean Association of Computer Education, 26(1), 83-94. [https://doi.org/10.32431/kace.2023.26.1.008]
• Kim, Y., & Kim, Y. (2024). The effect of AI-integrated physical computing programming education on elementary students' computational thinking. Journal of the Korea Society of Computer and Information, 29(3), 227-235.
• Kim, S. (2026). The effect of design-thinking-based AI education using generative AI on elementary students' AI literacy. The Journal of Korean Association of Computer Education, 29(1), 116-127. [https://doi.org/10.32431/kace.2026.29.1.011]
• Lee, E., & Song, K. (2025). Development of a social-emotional learning (SEL)-based AI social robot maker education program using affective computing. The Journal of Korean Association of Computer Education, 28(5), 33-44. [https://doi.org/10.32431/kace.2025.28.5.004]
• Choi, S. (2026). Development of a project-based AI robot education program to enhance middle school students' AI literacy and creative problem-solving. The Journal of Educational Information and Media, 32(1), 443-468. [https://doi.org/10.15833/KAFEIAM.32.1.443]
• Kim, G., Cho, M., & Kim, G. (2025). The effects of a cooperative-learning-based AI convergence relational-character project lesson using physical computing on elementary students' AI competency and collaborative problem-solving. Journal of Learner-Centered Curriculum and Instruction, 25(7), 137-151. [https://doi.org/10.22251/jlcci.2025.25.7.137]
• Song, Y., Lee, E., Kim, M., Choi, S., Kim, S., & Kim, Y. (2025). Development and application of an AI-based education program in technology subjects to improve collaborative problem-solving competency and AI literacy in the digital age. The Korean Journal of Technology Education, 25(3), 51-78. [https://doi.org/10.34138/KJTE.2025.25.3.51]
• Lee, H. (2023). The effects of using physical computing on AI education: Focusing on middle school students' self-efficacy and attitudes toward AI [Master's thesis], Seoul National University.
• Song, J., & Kim, Y. (2023). Development and effects of a problem-solving-based safety education program using physical computing. Journal of the Korea Society of Computer and Information, 28(11), 235-243.
• Kim, J. (2025). The effects of using generative AI in a 3D-printing maker education program on middle school students' character design improvement and creative self-efficacy [Master's thesis], Seoul National University.
• Kim, T., & Han, S. (2021). Development and application of an online physical computing curriculum for pre-service teachers. Journal of The Korean Association of Information Education, 25(4), 621-632. [https://doi.org/10.14352/jkaie.2021.25.4.621]
• Choi, E., & Park, J. (2024). Development of a curriculum to enhance pre-service elementary teachers' professionalism in AI-convergence instruction. Journal of The Korean Association of Information Education, 28(2), 191-203. [https://doi.org/10.14352/jkaie.2024.28.2.191]
• Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017-1054. [https://doi.org/10.1111/j.1467-9620.2006.00684.x]
• Choi, J., Jeon, S., Kim, S., & Park, J. (2022). Design of an AI-TPACK model for cultivating pre-service teachers' professionalism in AI-convergence classes. The Journal of Korean Association of Computer Education, 25(2), 79-89. [https://doi.org/10.32431/kace.2022.25.2.007]
• Park, C., Kim, S., Kim, S., Hong, J., & Park, J. (2023). Development of an AI-TPACK-model-based education program for elementary pre-service teachers to design AI subject-convergence lessons. The Journal of Korean Association of Computer Education, 26(3), 15-29. [https://doi.org/10.32431/kace.2023.26.3.002]
• Shin, H., & Baek, S. (2025). The effects of an AI-TPACK education program for elementary and secondary teachers. Journal of Learner-Centered Curriculum and Instruction, 25(6), 131-150. [https://doi.org/10.22251/jlcci.2025.25.6.131]
• Cukurova, M., & Miao, F. (2024). AI competency framework for teachers. UNESCO Publishing.
• Lee, S., & Kim, G. (2025). Determinants and latent profile analysis of teachers' AI-convergence education competency: Focusing on TAM, TPACK, and background variables. The Journal of Korean Association of Computer Education, 28(12), 74-92. [https://doi.org/10.32431/kace.2025.28.12.008]
• Bae, Y., Park, G., Hong, J., & Lee, J. (2023). Development of a measurement tool for pre-service teachers' AI-convergence education teaching competency. Journal of Learner-Centered Curriculum and Instruction, 23(23), 339-351. [https://doi.org/10.22251/jlcci.2023.23.23.339]
• Branch, R. M. (2009). Instructional design: The ADDIE approach. Springer. [https://doi.org/10.1007/978-0-387-09506-6]
• Kim, J., & Kim, D. (2016). Development of an elementary physical computing curriculum to improve computational thinking. Journal of The Korean Association of Information Education, 20(1), 69-82. [https://doi.org/10.14352/jkaie.2016.20.1.69]
• Polit, D. F., & Beck, C. T. (2006). The content validity index: are you sure you know what's being reported? Critique and recommendations. Research in Nursing & Health, 29(5), 489-497. [https://doi.org/10.1002/nur.20147]
• Kirkpatrick, D., & Kirkpatrick, J. (2006). Evaluating training programs: The four levels (3rd ed.). Berrett-Koehler Publishers.
• Fritz, C., Morris, P., & Richler, J. (2012). Effect size estimates: Current use, calculations, and interpretation. Journal of Experimental Psychology: General, 141(1), 2-18. [https://doi.org/10.1037/a0024338]
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.