대학 AI+X 교과목 개발을 위한 핵심 구성요소와 교수학습 활동 절차 탐색

국내 대학에서의 AI+X 융합교육은 정부 지원사업이나 대학 자체 교육과정 마련을 통해, AI 마이크로디그리 혹은 AI 융합전공과 같은 프로그램을 운영하고 방식으로 확산되고 있다[5, 6]. 정부지원 사업으로 교육부의 첨단산업 인재 양성 부트캠프, 대학 AI 기본 교육과정 개발 지원사업, 과학기술정보통신부(2026)의 AI 중심대학 사업 등이 있다. 대학들은 그 사업들을 운영하기 위해 AI 융합학과/학부/단과대 등을 새롭게 개설하거나 AI 비전공 학생들의 AI 융합 역량을 함양하기 위한 다양한 AI 융합전공 혹은 마이크로디그리 과정들을 개설하고 있다.

본 절에서는 이중 대표적인 몇 개 대학의 AI 융합 교육 사례를 살펴본다. 먼저 연세대학교는 인공지능 융합심화 전공 DAICE를 운영하고 있다[35]. 이 DAICE 모델을 통해 SW 비전공 학생들이 자신의 본 전공에 AI 역량을 융합할 수 있도록 AI+X 프로그램을 운영하고 있으며, 수요 단과대학의 원전공(X)에 AI 코어 과목을 제공하는 수요자 중심 AI+X 교육 모델을 제시하고 있다. DAICE는 원전공(X)에 AI 코어교육을 제공하고, 원전공 영역지식에 기반한 AI 융합심화 전공 과목을 개설한다는 점에서, AI+X 교육의 핵심 원리인 전공 지식과 AI 역량의 결합을 잘 보여준다. 세종대학교의 AI 마이크로디그리는 AI+X 융합교육을 소규모 인증 교육과정으로 제도화한 사례이다[36]. 세종대학교는 AI 마이크로디그리를 AI 기술과 전공지식을 융합한 마이크로 디그리 교육과정으로 정의하고 있으며, 각 과정은 AI기초, AI심화, AI-X(전공) 과목의 조합으로 구성된다. 이 교육과정은 학생들이 AI 기초와 심화, AI-X 교과목을 수강하면서 딥러닝, 생성형 AI 등 AI 기술의 기본 원리와 활용법을 익히고, 이를 전공 분야에 적용하여 실무 문제를 해결하는 AI 융합 실무 역량을 기르는 데 목적이 있다. 한양대는 인공지능 융합혁신인재양성 프로그램을 통해 AI 지식을 기반으로 창의적이고 실용적인 융합적 기술을 개발할 수 있는 산학인재 양성을 추진하고 있다[37]. 이를 위해 AI 지식을 다양한 도메인과 융합할 수 있는 유연한 ABCDEFG 교과과정을 설계 및 다양한 산업기술 수요 맞춤형 IC 인공지능융합전공을 신설하였다. 또한 신산업 문제해결을 통한 융합인재 양성을 위해 IC-PBL+를 고도화하고 확대하였다는 점에서 한양대학교 사례는 AI+X 교육이 산업 문제해결, 프로젝트 기반 학습, 산학협력과 긴밀히 결합될 수 있음을 보여준다.

플로리다 대학교(University of Florida, UF)의 AI Across the Curriculum은 대학 전체 교육과정에 AI 교육을 통합하려는 대표적인 고등교육 혁신 사례이다[11]. UF는 AI가 비즈니스, 도시계획, 농업, 의료, 글쓰기, 학습과 교수 활동 등 다양한 전문 영역에 이미 활용되고 있다는 인식에서 출발하여, 모든 전공 학생이 자신의 분야와 관련된 AI 리터러시를 갖추어야 한다고 본다. AI 교육을 특정 전공이나 컴퓨터공학 분야에 한정하지 않고 대학 전체의 핵심 역량 교육으로 확장하고 있다. UF의 AI 리터러시 모델은 AI 이해와 지식, AI 활용과 적용, AI 평가와 창조, AI 윤리의 네 가지 핵심 영역으로 제시된다. UF는 모든 전공 학생이 AI 기초 역량을 공식적으로 이수할 수 있도록 AI 기초 및 활용 역량 인증도 운영하고 있다. 또한 UF는 AI 교육을 강의실 내 지식 전달에만 머무르게 하지 않고, 산업체 문제 해결과 연결하는 I-CURE(Industry-partnered Course- based Undergraduate Research Experience)형태로 확장하고 있다.

중국 AI+X 교육의 대표적 사례로는 저장대학교(Zhejiang University)를 중심으로 추진된 대학 간 협력형 AI+X 마이크로 프로그램 및 전공 과정을 들 수 있다[14]. 이 프로그램에서는 AI 전공자가 아닌 학생들이 AI의 기본 원리와 최신 동향을 학습하고, 이를 자신의 전공 분야에 통합하는 역량을 기르도록 설계되었다. 이 프로그램은 AI 이론·알고리즘·기술·윤리 및 AI+X 융합 연구를 포괄하는 교재 체계, 온라인 강좌, 실습 중심 학습 환경, 산업계 협력 구조를 갖추었으며, 학생들이 실제 문제해결 경험을 쌓을 수 있도록 설계되었다. 특히 이 AI+X 마이크로 프로그램에서 활용된 Wise Ocean 플랫폼은 AI+X 학습자를 위한 학습 자원 저장소이자, 도메인 특화 AI 적용 사례를 제공하고 프로젝트 기반 실습을 지원하는 플랫폼이다. 이 AI+X 사례는 AI 지식 전달을 넘어, 전공 맥락의 문제해결, 산업 연계, 실습 기반 학습, 마이크로 인증 체계를 결합한 AI 융합교육 모델로 이해할 수 있다.

국내외 대학의 AI+X 교육 사례를 종합하면, AI+X 융합 교육은 단일 교과목을 개설하는 수준을 넘어 융합전공, 마이크로디그리, 인증과정, 마이크로 전공과정 등 프로그램 단위로 제도화되고 있음을 확인할 수 있다. 또한 AI+X 교과목 개발을 위해 단순히 AI 지식이나 도구 활용 능력만을 고려해서는 안 되며, 학습자의 선행 역량과 전공 맥락의 문제 해결 역량, 문제 중심 교수학습 활동, 그리고 대학 차원의 지원 체계를 함께 고려해야 함을 보여준다. 이러한 시사점은 4.2절에서 AI+X 교과목 개발을 위한 핵심 구성요소를 학습자 역량, 수업 설계, 지원 체계의 세 차원에서 탐색하는 근거로 활용된다.

AI+X 교과목을 학습하기 위해서는 모든 전공 학생이 기본적으로 갖추어야 할 선행 AI 리터러시가 필요하다. AI+X 교과목은 AI 전공자를 위한 심화 기술 교육이 아니라, 다양한 전공 분야의 학생들이 자신의 전공 문제를 AI와 결합하여 해결하도록 설계되는 융합형 교과목이다. 따라서 학습자는 AI, 기계학습, 딥러닝, 대규모언어모델, 알고리즘, 데이터처리 등의 AI의 기본 개념과 작동 원리를 이해해야 하며, 동시에 AI의 한계, 편향, 환각, 신뢰성, 설명가능성, 사회적 영향까지 비판적으로 이해할 수 있어야 한다. 이러한 관점에서 AI 리터러시는 단순한 AI 지식 습득이나 도구 사용 능력을 넘어, AI와 효과적으로 상호작용하고 AI 결과를 비판적으로 평가할 수 있는 역량으로 이해될 필요가 있다.

특히 생성형 AI가 교육 환경과 전공 학습 전반에 빠르게 확산됨에 따라, AI+X 교과목에서는 생성형 AI 리터러시가 중요한 선행 역량으로 요구된다. 생성형 AI 리터러시는 AI 리터러시의 하위 범주로서, 생성형 AI 도구를 단순히 조작하는 능력이 아니라 다음의 요소를 포함하는 복합적 역량으로 정의된다. 1) 문제 상황에 적합한 프롬프트를 설계·조정하는 프롬프트 제어, 2) 생성 결과를 목적에 맞게 수정·보완하는 출력 정제, 3) 생성된 산출물이 전공지식 및 신뢰할 수 있는 근거에 부합하는지를 검토하는 사실·출처 검증, 4) 전공 데이터의 특성에 따라 발생하는 개인정보, 저작권, 편향 등의 문제를 다루는 데이터 윤리, 5) 산출물의 한계와 책임 소재를 인식하고 최종 판단을 내리는 책임 있는 활용으로 정의될 수 있다[15].

나아가 학습자는 AI+X 교과목의 학습을 통해 실제 전공 문제해결에 AI 기술을 적용하는 역량을 함양해야한다. 학습자는 전공 분야의 문제를 분석하고, 해당 문제의 AI 적용 가능성을 판단하며, 문제해결에 적합한 AI 개념과 원리를 식별하고, 적절한 데이터 유형과 AI 도구를 선택·활용할 수 있어야 한다. 예를 들어 의료·보건 분야에서는 의료영상 분석, 환자 위험도 예측, 임상 문서 요약과 같은 문제 상황을 중심으로, 문제해결에 요구되는 데이터 유형과 AI 접근 방식을 식별할 수 있어야 한다. 의료영상 분석에서는 이미지 데이터를 기반으로 컴퓨터 비전, 합성곱 신경망, 이미지 분류, 객체 탐지 등의 개념과 원리를 적용할 수 있어야 한다. 이를 위해 3D Slicer로 의료 영상을 시각화 및 분석하고 MONAI를 활용하여 의료영상 딥러닝 모델을 개발할 수 있다. 환자 위험도 예측에서는 임상 데이터와 시계열 데이터를 기반으로 분류, 예측, 지도학습 등의 AI 원리를 적용할 수 있어야 한다. 이를 위해 scikit-learn을 활용하여 데이터 전처리, 예측 모델 학습 및 성능 평가를 수행할 수 있다. 임상 문서 요약과 같은 문제에서는 텍스트 데이터를 기반으로 자연어 처리 및 생성형 AI의 적용 가능성을 판단하고 활용할 수 있어야 한다. 이를 위해 Hugging Face Transformers, ChatGPT 등을 활용하여 임상 텍스트의 핵심 정보 추출, 개체명 인식, 문서 요약을 수행할 수 있다. 이때 AI 도구는 의료 판단을 대체하는 수단이 아니라 학습과 의사결정 보조 도구로 활용되어야 하며, 개인정보 보호, 데이터 비식별화, 편향, 임상 검증, 전문가 책임을 함께 고려해야 한다.

한편, AI+X 교과목은 전공 지식 기반 위에서 설계되어야 한다. AI는 범용 기술이지만, 실제 문제해결은 언제나 특정 전공 맥락 안에서 이루어진다. 의료 AI를 이해하기 위해서는 의학적 지식이 필요하고, 금융 AI를 이해하기 위해서는 금융·경제 지식이 필요하다. 따라서 AI+X 교과목에서 AI는 전공지식을 대체하는 것이 아니라, 전공지식을 확장하고 문제해결을 지원하는 도구로 위치해야 한다. 이때 학생들은 AI 산출물을 그대로 수용하는 것이 아니라, 자신의 전공지식에 근거하여 그 결과를 해석하고 판단할 수 있어야 한다.

따라서 AI+X 교과목 개발에서는 학습자가 수업에 들어오기 전에 갖추어야 할 선행 AI 리터러시와, 교과목 이수 후 함양되어야 할 전공 맥락 AI 리터러시를 구분하여 설계할 필요가 있다. 선행 AI 리터러시는 AI+X 학습에 참여하기 위한 기초 역량이며, 수강 후 함양되는 AI+X 리터러시는 전공 문제 해결 과정에서 AI를 비판적으로 검증하고 책임 있게 통합하는 심화 역량이다. 이러한 구분은 AI+X 교과목의 학습목표, 교수학습 활동, 평가 루브릭을 체계적으로 설계하는 데 중요한 기준이 될 수 있다. 학습자에게 요구되는 역량 영역을 정리하면 Table 4.와 같다.

Table 4.

Core Learner Competencies for AI+X Course Development

1) TADPER 기반 AI +X 교수학습 활동 절차

AI+X 교과목은 전공 분야의 실제 문제를 출발점으로 삼아, 해당 문제해결에 필요한 AI 개념과 도구를 연결하고, 학생들이 AI 산출물을 생성·검증·수정·성찰하는 과정을 경험하도록 설계되어야 한다. 이를 위해 본 연구에서는 TADPER 모형을 제안한다. 이 모형은 전체 수업 설계 모형이라기보다는 교수학습 활동 설계 단계에서 활용되는 AI+X 문제해결 활동 절차로 크게 6단계- 전공 문제 정의(Target problem), AI 개념 연결(AI concept mapping), 데이터 준비 및 품질 검토(Data preparation and quality review), AI 도구 활용 실습(Practice with AI tools), 결과 평가와 검증(Evaluation and verification), 성찰과 개선(Reflection and redesign) -로 구성된다. 이 절차는 학생들이 전공 분야의 실제 문제를 출발점으로 삼아, 해당 문제를 해결하는 데 필요한 AI 개념과 데이터, 도구를 연결하고, AI 산출물을 비판적으로 검증하며, 최종적으로 전공 맥락에 적합한 해결안을 개선하도록 지원한다. Table 5.는 이 모형의 단계를 보여준다.

Table 5.

TADPER Model

이 모형은 AI+X 교육의 전공 문제해결 맥락에, Merrill(2002)의 교수 제1원리(First Principles of Instruction)[38]와 문제중심학습(PBL)의 원리를 통합한 교수학습 활동 절차로 볼 수 있다. Merrill의 교수 제1원리가 실제 문제 중심성, 기존 지식의 활성화, 시범, 적용, 통합을 강조하는 점에서, TADPER의 전공 문제정의, AI 개념 및 데이터 준비, AI 도구 활용, 평가와 성찰 단계와 연결된다. 아울러 PBL이 비구조화된 실제 문제를 중심으로 학습자의 자기주도적 문제해결 과정을 강조한다면, TADPER는 여기에 AI 개념 매핑, 데이터 품질 검토, AI 도구 활용, 윤리적 성찰을 명시적으로 포함함으로써 AI+X 교육에 특화된 교수학습 절차로 확장된다. TADPER 모형의 첫 번째 단계인 전공 문제정의는 AI+X 교과목의 출발점으로, 전공 분야에서 AI를 활용하여 해결할 수 있는 실제 문제를 정의하는 과정이다. 이 단계에서 학습자는 전공 영역에서 발생하는 문제 상황을 탐색하고, 해당 문제가 AI를 통해 해결될 가능성이 있는지를 판단한다. 이는 AI 기술 자체를 먼저 제시하는 방식이 아니라, 전공 문제를 중심으로 AI 학습의 필요성을 도출한다는 점에서 AI+X 교과목의 정체성을 형성하는 핵심 단계이다. 두 번째 단계인 AI 개념 매핑은 전공 문제해결에 필요한 AI 원리와 개념을 도출하고 이를 전공 맥락과 연결하는 과정이다. 이 단계에서 학습자는 자신이 정의한 문제가 분류, 예측, 생성, 요약, 추천, 이상 탐지 등 어떤 AI 과제 유형에 해당하는지 분석하고, 해당 문제해결에 필요한 AI 개념을 구조화한다. 이를 통해 학습자는 AI 도구 사용에 앞서 AI 시스템의 작동 원리와 한계를 이해하게 되며, 전공 문제해결 활동을 단순한 도구 활용이 아니라 개념 기반의 학습 활동으로 발전시킬 수 있다. 세 번째 단계인 데이터 준비 및 품질 검토는 전공 문제해결에 필요한 데이터를 확인하고, 해당 데이터의 품질과 활용 가능성을 검토하는 과정이다. 이 단계에서 학습자는 문제해결에 필요한 데이터 유형을 파악하고, 데이터의 출처, 정확성, 최신성 등을 점검한다. 또한 개인정보, 민감정보, 저작권, 보안, 편향 가능성과 같은 윤리적 쟁점을 검토하고, AI 도구 활용에 앞서 필요한 전처리 절차를 계획한다. 이 단계는 AI 결과의 신뢰성과 타당성이 데이터의 성격과 품질에 의해 크게 좌우된다는 점을 학습자가 이해하도록 한다. 네 번째 단계인 AI 도구 활용 실습은 학습자가 AI 도구를 활용하여 전공 문제해결 활동을 실제로 수행하는 과정이다. 이 단계에서 학습자는 앞서 정의한 전공 문제, 연결한 AI 개념, 검토한 데이터를 바탕으로 적절한 AI 도구를 선택하고, 분석·예측·분류·요약·생성 등의 활동을 수행한다. 또한 프롬프트 설계, 데이터 입력, 산출물 생성, 결과 수정 과정을 기록함으로써 AI 활용 과정을 명시화한다. 이 단계는 학습자가 AI를 전공 문제해결의 도구로 활용하는 실질적 경험을 제공한다. 다섯 번째 단계인 평가와 검증은 AI 도구를 통해 생성된 산출물의 정확성, 편향성, 환각 여부를 검토하는 과정이다. 이 단계에서 학습자는 AI 결과를 신뢰 가능한 참고자료, 전공지식과 비교하고, 오류나 누락, 과장, 근거 부족을 확인한다. 또한 AI 산출물이 개인정보, 저작권, 편향, 책임성 측면에서 문제가 없는지 검토한다. 여섯 번째 단계인 성찰과 개선은 AI 활용 과정과 결과를 성찰하고, 이를 바탕으로 산출물과 문제해결 과정을 개선하는 단계이다. 이 단계에서 학습자는 문제 정의, AI 개념 연결, 데이터 준비, 도구 활용, 결과 검증의 전 과정을 되돌아보고, AI 활용의 적절성과 한계를 분석한다. 또한 AI 산출물의 오류와 부족한 점을 수정하고, 필요한 경우 문제 설정, 데이터, 프롬프트, 도구, 평가 기준을 재설계한다. 이 단계는 학습자가 AI를 단순한 자동 생성 도구가 아니라 비판적 사고와 전공 문제해결을 지원하는 협력도구로 활용하도록 돕는다는 점에서 의미가 있다.

TADPER 모형은 특정 전공 분야에 국한되지 않으며, 각 전공의 문제 상황과 데이터 유형에 맞게 유연하게 적용할 수 있다. 그런데, 이 TADPER 모형은 예술, 인문학 등 창작과 질적 탐구를 중심으로 하는 전공 분야에는 모형의 일부 단계, 특히 데이터 준비(D)와 결과 검증(E) 단계의 의미가 해당 전공의 맥락에 맞게 재해석될 필요가 있다. 예술+AI 수업에서는 데이터 준비가 창작 재료와 레퍼런스 수집으로, 결과 검증이 예술적 판단과 동료 비평으로 재구성될 필요가 있다. 또한 TADPER 모형의 각 단계는 순차적으로 진행되는 선형적 절차로 제시되었으나, 실제 교수학습 상황에서는 단계 간 순환적 관계가 자연스럽게 발생할 수 있다. 예를 들어 AI 도구 활용 실습(P) 과정에서 데이터의 한계가 발견되어 데이터 준비(D) 단계로 되돌아가거나, 결과 검증(E) 과정에서 AI 개념 연결(A) 단계의 수정이 필요해지는 경우가 있다.

2) 5.2.2 AI+X 교과목 설계 9단계와 TADPER의 관계

앞서 제시한 TADPER 모형은 AI+X 교과목 전체를 개발하기 위한 모든 절차를 포함하는 거시적 교육과정 개발 모형이라기보다, 교과목 설계 과정 중 교수학습 활동을 구체화하는 단계에서 활용되는 문제해결 중심 교수학습 활동 절차이다. 즉, TADPER는 학생들이 수업 안에서 전공 문제를 정의하고, AI 개념과 데이터를 연결하며, AI 도구를 활용하여 산출물을 생성·검증·개선하는 학습 활동의 흐름을 제시한다. 반면 AI+X 교과목 설계 9단계는 교과목의 목표 설정, 학습자 분석, 내용 선정, 평가 계획, 수업 실행 및 개선까지 포함하는 상위 수준의 교과목 개발 절차이다. 따라서 두 체계는 병렬적 관계가 아니라 포함 관계에 있으며, TADPER는 AI+X 교과목 설계 9단계 중‘교수학습 활동 설계’단계에서 구체적인 활동 설계 원리로 활용된다.

AI+X 교과목을 설계하기 위한 전체 단계를 살펴보면 Table 6.과 같이 크게 9단계로 구분될 수 있다. 위에서 기술한 TADPER 모형은 이 중 여섯 번째 단계인 교수학습 활동 설계 단계에서 활용된다. AI+X 교과목 설계는 먼저 교육 목표와 학습성과를 설정하는 것에서 출발한다. 이 단계에서는 학습자가 무엇을 배우고, 수업 후 무엇을 수행 할 수 있어야 하는지를 명확히 하며, 전공 역량, AI 활용 역량, 윤리적 판단 역량을 학습성과로 구체화한다. 다음으로 학습자 분석을 통해 학습자의전공 배경, AI 사전지식, 코딩 경험, 데이터 분석 경험, 학습 동기와 수강 목적을 파악한다. 이는 학습자의 출발점을 고려하여 수업의 난이도와 활동 수준을 조정하기 위한 단계이다. 이후 전공 문제 및 AI 적용 가능성 분석 단계에서는 전공 분야에서 AI로 해결할 수 있는 실제 문제를 탐색하고, 해당 문제가 AI 적용에 적합한지 검토한다. 이때 문제의 실제성, 데이터 확보 가능성, AI 도구 활용 가능성 등을 함께 고려한다. 내용 선정 및 구조화 단계에서는 전공 문제해결에 필요한 AI 개념, 데이터 유형, AI 도구, 결과 해석 방법 등을 선정하고, 이를 적절한 순서로 조직한다. 즉, 학습자가 전공 문제를 이해하고 AI 개념과 도구를 연결하여 문제해결 과정으로 확장할 수 있도록 내용을 체계화한다. 평가 계획 수립 단계에서는 학습성과를 무엇으로, 어떻게 확인할 것인지를 정한다. 교수학습 활동 설계 단계에서는 TADPER 모형을 기반으로 학생들이 수행할 구체적인 활동을 설계한다. 데이터 및 AI 도구 준비 단계에서는 수업 운영에 필요한 데이터셋, AI 도구, 실습 환경, 계정, 프롬프트 예시, 분석 템플릿 등을 준비한다. 교수 자료 개발 단계에서는 수업에 필요한 슬라이드, AI 도구 실습 가이드, 평가 체크리스트 등을 개발하여 수업을 지원한다. 마지막으로 수업 실행 및 평가·개선 단계에서는 수업이 계획대로 운영되었는지, 학습목표가 달성되었는지, 학생 산출물과 AI 활용 과정이 적절했는지를 평가한다. 이후 평가 결과와 학생 만족도, 교수자의 관찰 내용을 바탕으로 교과목을 개선한다.

Table 6.

TADPER Model

AI+X 교과목은 전공 분야의 실제 문제를 AI를 활용하여 해결하는 문제해결 중심 수업으로 설계되어야 한다. 특히 AI+X 교과목에서는 AI를 학생 사고의 대체물이 아니라 학습과 문제해결을 지원하는 협력 도구로 활용하도록 설계하는 것이 중요하다. 예를 들어 학생이 AI를 활용하여 초안을 생성한 뒤, 그 결과를 비판적으로 검토하고, 오류를 수정하며, 신뢰할 수 있는 근거 자료를 통해 내용을 검증하고, 최종 결과물에 자신의 판단과 해석을 반영하도록 해야 한다. 이러한 과정은 학생이 AI를 산출물을 수동적으로 수용하는 것이 아니라, 인공지능과 협력하면서도 최종 판단의 주체로서 사고하고 책임지는 경험을 제공한다. 또한 AI+X 교과목에서는 윤리와 책임이 수업 전 과정에 통합되어야 한다. 즉, AI 윤리는 별도 주제로만 다루기보다 문제 정의, 데이터 수집, 도구 활용, 결과 해석, 보고서 작성, 발표와 평가의 전 과정에 포함되어야 한다.

AI+X 교과목의 평가 역시 결과 중심에서 과정 중심으로 전환될 필요가 있다. 생성형 AI 시대에는 최종 결과물만으로 학생의 사고 과정과 학습 성과를 판단하기 어렵다. 따라서 프롬프트 기록, 수정 이력, 성찰 일지, 근거 기반 보고서, 포트폴리오, 구두 발표 및 질의응답, 인공지능 리터러시 평가 기준 등을 활용하여 학생의 문제 정의, 인공지능 활용, 검증, 수정, 성찰 과정을 종합적으로 평가해야 한다.

마지막으로, 위의 9단계 설계 체계를 기반으로 AI+X 교과목은 빠르게 변화하는 AI 기술 환경에 대응하기 위해 모듈형 교육과정으로 설계될 필요가 있다. 전공 문제, 인공지능 개념, 데이터 활용, 도구 실습, 결과 검증, 윤리적 성찰 등을 단위 학습 요소로 구성하면 새로운 도구와 사례가 등장했을 때 필요한 부분만 유연하게 갱신할 수 있다. 이는 AI+X 교육의 지속 가능성과 전공별 적용 가능성을 높이는 데 기여할 수 있다.

AI+X 교육이 대학 교육과정 안에서 확산되고 지속가능하게 운영되기 위해서는 개별 교수자의 관심과 역량에만 의존하는 방식에서 벗어나, 대학 차원의 체계적인 지원 체계가 마련되어야 한다. AI+X 교과목은 전공 지식, AI 기술, 데이터 활용, 윤리적 판단, 문제해결 기반 교수학습이 결합되는 복합적 교육 형태이기 때문에, 교수자 개인의 노력만으로 설계·운영·평가의 전 과정을 안정적으로 수행하기 어렵다. 따라서 대학은 교수자 역량 개발, 학습자 기초 역량 지원, AI 실습 인프라, 산학협력 네트워크, 교육자료 공유 체계, AI 활용 및 평가 가이드라인, 마이크로디그리 또는 이수 인증 체계, 그리고 이를 조정하는 거버넌스 구조를 통합적으로 마련할 필요가 있다. 본 절에서는 교수자 역할의 재정의와 역량 개발, 학습자 지원 체계, 대학 차원의 인프라 및 제도 지원의 측면에서 살펴본다.

1) 교수자 역할의 재정의와 역량 개발

AI+X 교육 환경에서 교수자는 기존의 전공 지식 전달자 역할에 머무르지 않고, AI 기술과 전공 지식을 유기적으로 연결하는 학습 설계자 또는 학습 촉진자(facilitator), 비판적 사고의 안내자, 윤리적 AI 활용의 조력자로서 역할을 수행해야 한다. 이는 수업 설계 방식, 평가 방법, 학습자와의 상호작용 방식 전반에 걸친 근본적 전환을 의미한다. 교수자는 AI가 수행할 수 있는 반복적 지식 전달 기능을 넘어, 비판적 사고 유도, 창의적 문제해결 촉진, 윤리적 판단 지원 등 고차원적학습 경험을 설계하는 역할을 담당해야 한다. 이를 위해 교수자가 갖추어야 할 핵심 역량은 Table 7.과 같이 구조화할 수 있다.

Table 7.

Core Competencies Required of Instructors

그러나 비 AI 전공 교수자가 짧은 시간 안에 AI의 원리와 개념, 주요 도구의 활용법, 데이터 기반 문제해결 방식까지 충분히 이해하는 것은 쉽지 않다. 또한 AI 기술에 대한 이해가 부족한 상태에서 전공지식과 AI를 융합한 수업을 설계하는 데에는 현실적인 어려움이 따른다. 따라서 대학은 교수자의 개별적 노력에 의존하기보다 공식적인 교수자 역량 개발 지원체계를 제공해야 한다. 구체적으로는 신임 교수자를 위한 AI+X 교수법 기초 연수, 경력 교수자를 위한 전공별 심화 워크숍, AI 전공 교수자와 비 AI 전공 교수자의 공동 수업 설계 프로그램, 교수자 학습공동체, 수업 컨설팅, 우수 사례 공유 세미나, AI 교육 전문가 멘토링 등을 운영할 필요가 있다.

2) 학습자 지원 체계

AI+X 교과목이 효과적으로 운영되기 위해서는 학습자의 AI 기초 역량을 진단하고 보완할 수 있는 지원 체계가 필요하다. AI+X 교과목은 단순한 AI 도구 사용법 교육이 아니라 전공 문제를 AI 기반으로 분석하고 해결하는 교육이므로, 학습자는 최소한의 AI 리터러시를 갖추어야 한다. 여기에는 AI의 기본 개념과 작동 원리에 대한 이해, 데이터의 유형과 품질에 대한 기초 이해, 주요 AI 도구의 기능적 활용 능력, AI 결과물에 대한 비판적 해석 능력, AI 활용의 윤리적 책임 인식 등이 포함된다. 이에 최근 다수의 대학들이 학습자의 AI 리터러시 역량 함양을 위한 AI 기초 교과목을 교양 필수 과목으로 지정하여 운영하는 추세이다. 이러한 교양 교육이 AI+X 전공 교육과 효과적으로 연계되기 위해서는, 교양과 전공 교과목 간의 교육과정 연계가 체계적으로 설계되어야 한다. 예컨대 교양 단계에서 형성된 AI 기초 역량이 전공 AI+X 교과목에서 심화·적용될 수 있도록, 수준별 학습 위계와 교과목 간 선수 관계를 명확히 설정할 필요가 있다. 또한 AI+X 교육은 개별 교과목 수준에만 머무르기보다 프로그램 수준의 학습 경로로 확장될 필요가 있다. 이에 따라, 학습자의 전공 기반 AI 융합 역량을 체계적으로 기르고 학습자의 학습 선택권을 확장할 수 있도록 각 대학에서는 AI+X 마이크로디그리, AI 융합전공, 연계전공, 자격 인증과 같은 이수 인증 체계를 마련하고 있다. 이러한 다층적 학습 경로는 학습자가 자신의 전공, 진로, 관심에 따라 AI 역량을 유연하게 쌓아갈 수 있는 개인화된 학습 생태계를 구성하며, 대학 교육의 유연성과 반응성을 높이는 데 기여할 것이다.

3) 대학 차원의 인프라 및 제도 지원

AI+X 교육이 실질적으로 구현되기 위해서는 안정적인 기술 인프라가 선행되어야 한다. 대학은 학습자가 전공 맥락에서 AI 도구를 직접 실습할 수 있는 AI 실습 플랫폼을 구축하고, 컴퓨팅 자원(클라우드 GPU 환경, API 접근권 등)을 교육 목적으로 제공해야 한다. 또한 전공별 AI 활용 실습 시나리오, 데이터셋, 교안, 강의 자료를 공유하는 모듈형 교육 자원 플랫폼을 구축하여 교수자 간 자원 공유와 재활용을 촉진해야 한다.

AI+X 교육의 실효성을 높이기 위해서는 산업 현장과의 긴밀한 연계가 필수적이다. 기업과 공동으로 설계하는 캡스톤 프로젝트, 현업 전문가의 게스트 강의, 인턴십 및 현장실습 연계, 공동 교육과정 개발 등의 산학협력 모델을 통해 학습자는 AI가 실제 전공 분야에서 어떻게 활용되는지를 직접 경험할 수 있다. 특히 AI+X 교육은 추상적인 AI 개념 학습보다 실제 문제해결 경험이 중요하므로, 산업체와 지역사회가 제시하는 실제 문제를 교육과정에 연결하는 구조가 필요하다.

AI 도구의 활용이 보편화됨에 따라, 대학은 학습 성취도를 공정하고 타당하게 평가하기 위한 명확한 AI 활용 평가 가이드라인을 수립해야 한다. 이 가이드라인은 어떤 AI 활용의 허용 범위, AI 보조 결과물에 대한 출처 표기 방식, 인간의 사고와 판단을 증명하는 과정 기록 방법, 그리고 표절 및 학문적 부정행위 판단 기준 등을 포함해야 한다. 특히 AI+X 교과목의 평가는 AI가 쉽게 대신할 수 있는 단순 지식 재현보다, 전공 맥락의 문제해결력, 데이터 해석력, 비판적 사고력, 창의적 적용 능력, 윤리적 성찰 능력을 중심으로 구성되어야 한다. 이를 위해 포트폴리오 평가, 과정 중심 평가, 프로젝트 기반 평가, 발표 및 구술 평가, 동료 평가, AI 활용 성찰 보고서 등을 함께 활용할 수 있다.

AI+X 교과목 개발을 위해서는 AI 전공 교수와 비 AI 전공 교수 간의 교과목 공동 설계 및 협력 강의가 효과적이다. 이를 위해서는 부서 간 협업을 공식화하는 제도적 장치, 예컨대 교과목 공동 개발에 대한 업적 인정 기준이나 학과 간 공동 강의 운영 지침이 마련되어야 한다. 나아가 AI+X 교육 지원 체계의 지속가능성을 위해서는 명확한 거버넌스 구조가 필요하다. 교무처, 교수학습지원센터, AI 관련 학과, 산학협력단 등 여러 부서가 유기적으로 협력하는 교내 AI 교육 운영위원회 또는 전담 센터 설치를 고려할 수 있다. 또한 AI 기술의 빠른 변화 속도를 감안하여, 교육과정과 지원 체계를 정기적으로 검토하고 갱신하는 상시 피드백 및 개선 루프를 제도화하는 것이 중요하다.