고등학생을 위한 생성형 AI 협력 탐구공동체 기반 데이터 교육 프로그램 개발

2.1 데이터 리터러시와 데이터 교육

데이터 리터러시에 대한 정의는 연구자에 따라 다양하게 제시되어 왔으나 대체로 데이터를 식별·이해·처리하고 이를 의사결정과 문제 해결에 활용하는 능력으로 수렴한다[3, 11, 12]. 초기 데이터 리터러시에 대한 논의는 데이터의 수집·정제·분석과 같은 기술적 능력에 무게를 두는 경향이 있었다. 그러나 점차 그 결과를 해석하여 자신의 주장을 뒷받침하거나 타인을 설득하는 데이터 기반 의사소통 능력의 중요성이 부각되었다[3, 13]. 이러한 관점에서 데이터 리터러시는 데이터를 다루는 분석적 차원과 데이터를 매개로 소통하는 의사소통적 차원을 통합적으로 포괄하는 역량으로 해석되었다.

이주영(2024)은 2022 개정 교육과정의 데이터 리터러시 요소가 담긴 성취기준을 분석하였다[5]. 성취기준은 데이터 리터러시 구성 요소를 데이터 개념, 수집, 관리, 평가, 적용이라는 다섯 영역으로 분류하여 제시하였다. 이는 2022 개정 교육과정에서 제시하는 데이터 리터러시도 데이터 개념·수집·관리라는 분석적 차원과 평가·적용이라는 데이터 기반 소통으로 이어지는 의사소통적 차원에 대응함을 의미한다. 분류된 성취기준은 전반적으로 데이터 해석과 탐구 관련 성취기준이 가장 많았다. 그러나 과목별 데이터 리터러시 요소를 통합적으로 다루기보다 한 영역에 치우쳐서 다루는 경우가 많았으며, 비정형 데이터를 다루는 성취기준 수가 적어 실생활과 연관된 데이터 탐구 교육이 적은 비율을 차지하고 있음을 알 수 있다[5]. 즉, 교육과정 상 데이터 교육의 확대가 이뤄지고 있으나 학습자 수요를 반영한 실질적인 데이터 리터러시 함양으로 이어지기 위해서는 데이터 리터러시의 분석적 차원과 의사소통적 차원을 아우르는 통합적인 교수 설계가 필요하다.

2.2 탐구공동체와 실천적 탐구 모형

Garrison, Anderson, Archer(2000)에 의해 제안된 탐구공동체(Community of Inquiry, CoI)는 사회적 구성주의에 기반한 모형이다[14]. 이 모형은 의미 있는 학습 경험이 사회적 실재감(Social presence), 인지적 실재감(Cognitive presence), 교수적 실재감(Teaching presence)이라는 상호의존적인 세 요소를 통해 형성된다고 본다. 사회적 실재감은 학습자가 공동체에 소속감을 느끼고 서로를 신뢰할 수 있는 환경에서 목적의식을 갖고 소통하는 능력이다. 교수적 실재감은 교육적으로 가치 있는 학습 결과를 위해 인지적·사회적 과정을 설계·촉진·조정하는 활동을, 인지적 실재감은 학습자가 지속적인 성찰과 담화를 통해 의미를 구성하고 확인하는 정도를 의미한다[14]. 탐구공동체는 이 세 가지 요소의 상호작용을 설명하는 모형으로서 협력적·탐구 기반 학습 경험을 설계하기 위한 교수 설계의 틀로 활용되어 왔다[15].

실천적 탐구 모형은 탐구공동체 모형에 기반하여 탐구 과정을 단계별로 제시한 모형이다. 비판적 사고와 점진적 지식 구성의 과정을 네 단계로 구조화한다[15, 16]. 촉발 단계(Triggering event)는 실생활 맥락에서 문제나 질문을 발견하여 탐구를 시작함으로써 학습자의 호기심을 유발한다. 탐색(Exploration) 단계는 문제를 해결하기 위해 문제 관련 정보와 가능한 설명을 탐색한다. 이를 위해 개인적 성찰과 사회적 교류를 수행한다. 통합(Integration) 단계는 탐색에서 형성된 아이디어를 연결하여 구조화된 의미와 해결안을 구성하고, 해결(Resolution) 단계는 구성한 해결안을 적용·검증한다. 이 네 단계는 추상적인 탐구 과정을 단계별로 설계 가능한 학습 활동으로 제시한다. 각 단계에 대응하는 촉발 활동, 탐색 활동, 통합 활동, 해결 활동을 설계함으로써 교수자는 탐구의 인지적 진행을 명시적으로 비계화할 수 있다.

이러한 실천적 탐구 모형의 특성은 실제 데이터를 활용한 프로젝트 학습 수행에 적합하다. 프로젝트 기반 학습은 학습자 주도의 탐구를 강조하는 탐구 기반 학습의 한 형태이지만, 충분한 안내와 비계 없이 운영될 경우 학습 효과가 제한적일 수 있다[17]. 따라서 학습자가 실제 데이터를 다루며 의미 있는 결과에 도달하도록 하려면 탐구의 흐름을 구조화하고 단계별로 지원을 제공하는 설계 틀이 필요하다. 실천적 탐구 모형은 문제 정의에서 정보 탐색, 의미 구성, 해결안 적용에 이르는 탐구의 전 과정이 데이터 프로젝트의 절차와 부합한다. 또한, 실천적 탐구 모형은 개인의 분석·성찰과 공동체 내 협력적 담화를 함께 강조한다는 점에서 데이터 리터러시의 분석적 차원과 의사소통적 차원을 통합적으로 향상할 수 있다. 이에 본 연구는 실천적 탐구 모형의 네 단계를 데이터 프로젝트 수업의 구조적 골격으로 삼아 차시를 설계하였다.

2.3 생성형 AI 협력 탐구공동체

생성형 AI의 등장으로 인해 탐구공동체의 확장 가능성이 제기되었다. 최근 연구들은 생성형 AI를 학습 공동체에서 학습자·교수자와 상호작용하는 하나의 실재(Presence)로 개념화한다[18]. 이러한 관점에서 탐구공동체에 생성형 AI를 통합하려는 시도가 활발히 이루어지고 있으며, 생성형 AI가 사회적·인지적·교수적 실재감을 강화하거나 실시간으로 개인화할 수 있다는 개념적 모형들이 제안되고 있다[9].

Pratschke(2024)는 탐구공동체의 세 실재감을 생성형 AI를 행위자로 하여 확장 및 재개념화하였다[8]. 사회적 실재감은 협력자 AI(Collaborator AI)로 재개념화되었다. 협력자 AI는 학습자와 상호작용할 수 있는 비인간 행위자로 가상의 동료, 역할 학습자, 동기부여자 등으로 기능한다. 인지적 실재감은 학습자의 개념 이해와 정보 분석 능력을 심화하는 분석가 AI(Analytical AI)로 재개념화되었다. 분석가 AI는 시나리오 생성자, 데이터 해석자, 비판적 사고자, 창의적 사고자로 기능한다. 교수적 실재감은 학습 과정을 안내 및 촉진하는 촉진자 AI(Facilitator AI)로 재개념화된다. 촉진자 AI는 학습의 전 과정에서 학습자가 설계된 학습 과정을 잘 따라올 수 있도록 안내하거나, 학습자 개인 수준에 맞춘 콘텐츠를 선정하는 역할로서 기능한다. 이는 생성형 AI가 탐구공동체 내의 실재감으로서 동작했을 때 학습이 실시간으로 개인화됨으로써 학습자를 지원할 수 있음을 개념적으로 제시한다[9].

본 연구는 생성형 AI가 탐구공동체의 일원으로 학습자의 주도적인 학습을 돕도록 설계하여 학습자의 인지적 부담을 조절하는 비계로 설정하였다. 그러나 생성형 AI 활용이 학습을 유발하는 인지적 자극을 제거할 경우 학습자의 자기조절과 메타인지를 약화할 수 있다[19]. 그러므로 본 연구는 생성형 AI가 탐구를 대신하는 주체가 아니라 탐구를 지원하는 협력자로 기능하도록 Pratschke(2024)가 제안한 프레임워크에 근거하여 설계하였다[8]. 이는 생성형 AI 활용의 잠재적 위험을 통제하기 위해 교수적 실재감과 명시적 설계가 중요하다는 최근 논의와도 부합한다[9]. 본 연구에서 생성형 AI는탐구공동체의 세 행위자 중 분석가 AI와 촉진자 AI의 역할을 중심으로 배치되었다. 사회적 실재감은 생성형 AI가 아닌 인간 동료 학습자 간의 팀 기반 탐구와 상호 피드백을 통해 구현하도록 설계하였는데, 이는 학습자 간 신뢰와 소속감에 기반한 사회적 실재감의 본래적 성격과[14] 생성형 AI가 인간 상호작용을 대체할 때 발생할 수 있는 학습 기제 약화의 우려[19]를 함께 고려한 역할 분담이다.

3.1 연구 절차

본 연구는 Richey와 Klein(2014)의 설계·개발 연구 방법론에 따라 수행되었다[10]. 설계·개발 연구 방법은 도구를 개발하는 유형 1 연구와 교수 설계 및 모형을 개발하는 유형 2 연구로 분류된다. 본 연구는 고등학생 학습자의 데이터 프로젝트 수행을 위해 실천적 탐구 모형에 기반한 생성형 AI 협력 교육 프로그램을 유형 2 연구 절차에 따라 개발하였다. 본 연구의 절차는 Table 1과 같으며 선행문헌 검토, 초기 교육 프로그램 개발, 내적 타당화, 외적 타당화 순서로 진행되었다.

Table 1.

Program Development Procedures

분석 및 개발(Analysis & Development) 단계에서는 데이터 교육과 학습자 분석 문헌을 검토하여 교수 설계 방향을 설정하였다. 설계 방향에 부합하는 교수 모형, 학습 내용, 데이터를 선정하고 이에 기반한 12차시의 초기 프로그램을 개발하였다. 프로그램 타당화(Program Validation)는 두 단계로 이뤄졌다. 내적 타당화 단계에서는 전문가 집단의 심층 검토를 통해 프로그램의 학술적 적합성과 현장 적용 가능성을 점검하고, 수합된 의견을 반영하여 프로그램을 수정·보완하였다. 수정된 프로그램은 고등학생 대상으로 적용하여 외적 타당화를 수행하고 최종 프로그램을 도출하였다.

3.2 연구 대상

본 연구에서 개발한 교육 프로그램의 내적 타당화를 위해 구성된 전문가 집단은 Table 2와 같다. 전문가 집단은 검토의 다면성을 확보하기 위해 세 축으로 구성되었다. 첫째, 교수 설계 및 데이터·정보 교육의 이론적 타당성을 점검할 컴퓨터교육 전공 교수진, 둘째, 프로그램에서 다루는 분야별 데이터(생물·경영·환경)의 전문 지식 정확성을 검토할 해당 분야 전문가, 셋째, 고등학교 현장에서의 실천적 적용 가능성을 평가할 현직 교사로 검토진을 선정하였다.

Table 2.

Expert panel

본 연구의 외적 타당화는 2025년 12월 강원특별자치도 A 고등학교 2학년 학생 28명(여 14명, 남 14명)을 대상으로 진행되었다. 정규 교육과정 내 편성 제한으로 인해 캠프형 프로그램으로 운영되었으며, 연구 설계는 단일집단 전후 검사 설계(One-group pre test-post test design)로 진행되었다. 수업 전후로 데이터 리터러시 검사를 실시하였고, 면담에 동의한 5명의 학생을 대상으로 수업에 대한 반응을 확인하였다.

3.3 측정 도구

고등학생의 데이터 리터러시를 측정하기 위해 송유경 외(2021)가 개발한 데이터 리터러시 측정 도구를 활용하였다[13]. 본 도구는 4점 Likert 자기보고식 척도로 ‘통계적 분석 능력'과 ‘데이터를 활용한 의사소통 능력'의 두 준거로 구성된다. ‘통계적 분석 능력’은 수집된 데이터의 구조, 표집 방법, 목적을 이해하고 이상치나 결측치를 식별할 수 있는 데이터 이해 능력과 가설에 따라 수집하고자 하는 데이터를 결정하는 데이터 수집 준비 능력, 데이터에서 필요한 특성과 변수를 추출하여 탐색할 수 있는 데이터 분석 능력, 데이터의 출처와 수집 과정 및 오류를 비판적으로 파악할 수 있는 데이터 평가 능력이 포함된다. ‘데이터를 활용한 의사소통 능력’은 데이터를 가장 적절한 형태의 시각화 방법으로 표현하고 이를 설명할 수 있는 데이터 표현 능력과 데이터를 근거로 합리적인 결정을 내리거나 상대를 설득하는 근거로 사용하는 데이터 기반 의사소통 능력이 포함된다.

본 도구는 고등학생을 대상으로 개발되었으나 원 연구의 신뢰도는 과학고등학교 학생 표본에서 보고되었으므로, 본 연구 표본(N = 28)에서 내적 일관성 신뢰도(Cronbach's α)를 재산출하였다. 전체 척도 기준 Cronbach's α는 사전 .843, 사후 .919로 높은 일관성 신뢰도를 나타냈으며, 각 세부항목별 문항은 Table 3과 같다.

Table 3.

The factors of Data literacy

3.4 분석 방법

프로그램 전후 데이터 리터러시 향상 효과를 검증하기 위해 대응표본 t-검정(Paired t-test)을 실시하고 효과 크기(Effect size)를 산출하였다. 대응표본 t-검정의 정규성 가정을 충족하는지 확인하기 위해 사전-사후 차이 점수에 대해 Shapiro-Wilk 검정을 실시하였다. 그 결과 통계량 W = .932, p = .071 (p > .05)로 나타나 정규성 가정을 충족하였다. 또한 데이터 리터러시의 하위 요인별 t-검정의 반복 실시로 인한 제1종 오류 누적을 통제하기 위해 하위 요인 분석에 Holm-Bonferroni 순차 기각 절차를 적용하여 보정된 p값을 산출하였다. 또한, 효과크기는 소표본에서 효과 크기가 과대추정되는 정적 편향을 보정한 Hedges’ g값과 95% 신뢰구간(Confidence Interval, CI)을 제시하였다. 질적 자료인 학생 면담 결과는 개방 코딩을 실시한 뒤 수업에 대한 좋은 점, 부족한 점, 개선할 점으로 범주화하여 분석하였다[20].

4.1 내적 타당화 결과

내적 타당화는 개발된 초기 프로그램의 학술적 타당성과 현장 적용 가능성을 점검하고 수정 및 보완하기 위해 전문가 심층 검토 방식으로 수행하였다. 검토 준거는 (1) 프로그램 목표 및 내용이 데이터 리터러시 함양 및 2022 개정 교육과정의 지향에 부합하는지, (2) 각 단계에 배치된 생성형 AI의 협력 역할이 해당 탐구 활동 및 인지 부하 조절이라는 설계 의도에 부합하는지, (3) 교수학습 자료가 일반계 고등학생의 수준과 수업 운영 여건에 비추어 적절한지의 세 차원으로 구성하였다. 검토진은 각 준거에 대해 정성적 의견을 제시하였다.

수집된 정성 피드백은 검토 준거를 분석틀로 삼아 ‘목표 및 내용 체계’, ‘생성형 AI 협력 설계’, ‘교수·학습 자료’의 세 범주로 정리하였다. 복수의 검토진이 공통으로 제기한 의견을 우선적으로 반영하였으며, 상충하는 의견은 연구진 협의를 거쳐 본 연구의 설계의 이론적 근거에 비추어 채택 여부를 판단하였다.

전문가 검토 의견 및 수정은 Table 4와 같이 이뤄졌다. 목표 및 내용 체계 면에서 교육 내용이 데이터 처리 및 분석에 치우쳐 있다는 의견을 받았다. 이를 개선하기 위해 12차시의 차시 구성을 실천적 탐구 모델의 4단계에 명시적으로 매핑하였다. 또한, 생성형 AI의 협력을 통해 데이터 처리 및 분석에서 코딩 등에 걸리는 시간 및 인지 부하에 도움을 줌으로써 학습자가 데이터 기반 해석에 초점을 맞추도록 구조화하였다. 생성형 AI의 협력 설계 면에서 생성형 AI가 파이썬 코드를 모두 작성할 경우 인지적 외주화가 발생할 수 있다는 의견을 받았다. 이를 개선하기 위해 AI가 제안한 코드는 학생이 반드시 비판적으로 사고 후 사용하는 개입 절차를 거치도록 활동지에 추가하였다. 또한, 교수학습 자료 면에서 생성형 AI의 도움에도 일반계 고등학생들이 실제 공공 데이터 전부의 결측치나 이상치를 처리하기엔 시간 및 인지 부하가 클 수 있다는 의견을 받았다. 이를 개선하기 위해 일부 데이터를 전처리하는 작업을 수행하는 활동을 통해 데이터 전처리의 목표를 인지하고 작업을 수행할 수 있는지 확인 후, 시간이 부족한 학습자에게 전처리가 완료된 학습용 데이터를 제공할 수 있도록 설계하였다.

Table 4.

Expert Feedback and Revision

4.2 최종 개발 프로그램

최종 개발된 프로그램은 Table 5와 같으며, 실천적 탐구 모형의 촉발·탐색·통합·해결 네 단계에 기반한 12차시로 구성되었다. 각 단계에는 해당 탐구 활동을 지원하는 생성형 AI의 협력 역할이 배치되었다. 프로그램은 생물·경영·환경 분야의 전문 지식을 담은 데이터를 활용하도록 설계되었다. 분야별로 생물은 DNA 구조 데이터, 경영은 상권 분석 데이터, 환경은 COVID-19 관련 데이터를 제공하였다. 활용 도구로는 ChatGPT Plus를 사용하였다.

Table 5.

Final Data Education Program

촉발 단계(1-4차시)에서는 각 분야에 적용되는 AI 기술 동향을 탐색하고 데이터 과학을 이해하기 위한 파이썬 기초 실습을 진행하였다. 이 단계에서 생성형 AI는 탐구 방향 설정을 돕는 시나리오 생성자로 협력하도록 설계되었다. AI는 디지털 신기술로 인한 직무 변화 동향과 요구되는 핵심 역량에 관한 시나리오를 제공하였으며, 학습자는 AI와의 질의응답을 통해 자신의 진로 흥미가 실제 직무와 어떻게 연결되는지 확인하고 자신의 관심 분야에 따라 탐구 방향을 결정하였다.

탐색 단계(5-8차시)에서는 데이터 분석에 필요한 파이썬 제어문과 라이브러리를 학습한 뒤 데이터 처리를 실습하며 분야별 문제를 탐색하였다. 학습자는 데이터 정제에 필요한 리스트 자료구조와 Pandas, Matplotlib, Folium 등 라이브러리의 기초 사용법을 익혀 데이터 처리를 실습하였다. 이 단계에서 생성형 AI는 실제 공공 데이터를 일반계 고등학생이 전처리하는 데 드는 시간 및 인지 부하를 조절하는 데이터 해석자로서 기능하도록 설계하였다. 이후 관심 분야가 같은 학습자끼리 팀을 구성하여 데이터 기반 문제 탐색을 수행하였으며, 이 단계에서 생성형 AI는 문제의 맥락적 타당성을 점검하도록 돕는 비판적 사고자로 설계하였다. 학습자는 AI가 요약한 사회적 문제의 정의와 원인을 검토하고, 자신의 교과 배경지식과 정보 검색을 바탕으로 그 내용을 비판적으로 검증하였다.

통합 단계(9-10차시)에서는 제공된 분야별 데이터를 활용하여 가설을 설정하고, 이를 검증하기 위한 데이터 분석 결과를 도출하였다. 학습자들은 가설을 뒷받침하기 위해 변수를 정의하고 데이터를 추출하여 보고서를 작성하였으며 이에 필요한 시각화 자료를 생성하였다. 이 단계에서 생성형 AI는 데이터 해석자로서 프로그래밍의 기술적 장벽을 완화하는 역할을 수행하였다. 다만 학습자가 AI의 산출물을 단순히 복사·활용하는 인지적 외주화를 방지하기 위해 AI가 제안한 코드를 학습자가 반드시 비판적으로 검증하는 개입 단계를 필수적으로 수행하도록 하였다. 이에 따라 학습자들은 시각화의 적절성과 데이터 왜곡 여부, 가설 검증 부합 여부를 주체적으로 판단하여 최종안을 작성하였다.

해결 단계(11-12차시)에서는 프로젝트 결과를 보고서로 제작하고 피드백을 수행하였다. 이 단계에서 생성형 AI는 학습자의 자기 평가를 돕는 피드백 생성자로 기능하였다. 학습자는 평가 루브릭에 기반하여 설계된 AI로부터 보고서 초안에 대한 피드백을 받아 분석 과정을 다면적으로 성찰하였고, 이를 반영하여 최종 보고서를 완성하였다.

학습자의 생성형 AI 활용은 활동지에 구조화된 프롬프트 가이드라인에 따라 이루어졌다. 가이드라인은 탐구 단계별로 프롬프트 유형, 예시 문장, 활용 목적을 제시하였으며, 학습자는 예시를 참고하여 자신의 탐구 맥락에 맞는 질문을 직접 작성하고 AI의 답변을 요약·검토하도록 구조화되었다. 예를 들어, 촉발 단계에서는 시나리오 기반 질문과 직무 설명 프롬프트(예: "이 이야기 속 환경 데이터 분석가가 역할을 수행하기 위해 필요한 역량이나 활동을 설명해줘.")로 진로 연계 탐구 방향 설정을 지원하였다. 통합 단계에서는 응용 프롬프트(예: "이 데이터를 어떤 그래프로 표현하면 좋을까?")로 시각화 설계를 지원하였다.

4.3 외적 타당화 결과

4.3.1 데이터 리터러시 향상 효과

학생들의 데이터 리터러시 변화를 알아보기 위해 IBM SPSS 26을 활용하여 대응표본 t-검정(Paired t-test)을 실시하였다. 효과크기는 소표본에서 과대추정되는 편향을 보정하는 Hedges' g로 산출하였으며, 추정의 정밀도를 함께 보고하기 위해 95% 신뢰구간(Confidence Interval, CI)을 제시하였다. 분석 결과는 Table 6과 같다.

Table 6.

Paired t-test Result of Data Literacy

학생들의 데이터 리터러시 평균은 프로그램 적용 전 2.75점에서 적용 후 3.38점으로 상승하였으며 통계적으로 유의미한 향상이 관찰되었다(t = 7.106, p < .001). 사전-사후 변화의 효과크기(Hedges' g)는 1.65(95% CI [1.01, 2.27])로 매우 큰 효과(g > 1.2)에 해당한다[21].

데이터 리터러시의 하위 영역별 분석 결과는 Table 7과 같다. 하위 요인에 Holm-Bonferroni 순차 기각 절차를 적용한 결과, 모든 요인이 보정 후에도 통계적으로 유의하였다(보정 p < .001). 효과크기는 데이터 이해 g = 1.49(95% CI [0.81, 2.17]), 수집 준비 g = 1.22([0.67, 1.78]), 분석 g = 1.54([0.83, 2.24]), 평가 g = 1.23([0.70, 1.76]), 표현 g = 1.27([0.64, 1.91]), 의사소통 g = 1.18([0.63, 1.71])로 산출되어 모두 큰 효과(g > 0.8) 이상을 보였다[21]. 또한 모든 요인에서 신뢰구간의 하한이 0보다 충분히 크게 나타나 사전-사후 변화의 방향이 일관되게 정적임을 뒷받침하였다.

Table 7.

Paired t-test Result of Data Literacy