Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation

핵심 요약

첫째, AI 과업 스캐폴딩(AI Task Scaffolding)은 비판적 사고(β=.185)와 기술적 문제해결(β=.170) 모두를 유의하게 향상시킨다. AI가 복잡한 과제를 단계적으로 분해해 주는 구조적 지원은 학습자의 능동적 인지 참여를 촉진한다.

둘째, 인지 오프로딩 성향(Cognitive Offloading Tendency)은 모든 결과 변인에 강력한 부적 효과를 보인다. 비판적 사고(β=-.240), 기술적 문제해결(β=-.312), 메타인지 자기조절(β=-.294) 모두를 약화시킨다.

셋째, AI 검증 리터러시(AI Verification Literacy)는 비판적 사고와 문제해결에 직접적 효과가 없지만, 메타인지 자기조절을 통한 간접 경로로만 작동한다. AI 결과물을 검증하는 능력만으로는 부족하며, 반드시 자기조절적 사고가 동반되어야 한다.

넷째, 메타인지 자기조절(Metacognitive Self-Regulation)이 AI 상호작용과 학습 성과를 연결하는 핵심 매개 변인이다. 이 모델은 비판적 사고 분산의 51.7%, 기술적 문제해결 분산의 50.8%를 설명한다.

다섯째, AI의 교육적 가치는 AI를 사용하느냐 마느냐가 아니라, 학습자가 AI와 어떻게 인지적으로 상호작용하느냐에 달려 있다. 동일한 AI 도구가 인지 발달을 지원할 수도, 저해할 수도 있다.

배경 및 이론적 맥락

생성형 AI의 고등교육 도입은 기술적 진보를 넘어 학습의 인지적 역학 자체를 근본적으로 변화시키고 있다. 기존 교육 기술과 달리, 생성형 AI는 설명을 제공하고 문제를 풀면서 인지 활동에 직접 참여한다. 이는 핵심적 질문을 제기한다: AI가 학생들의 인지 능력 발달을 돕는가, 아니면 대체하는가?

기존 연구는 모순된 결과를 보여준다. AI 기반 교수법이 학생 참여와 수학 성취도를 높인다는 증거가 있는 반면(Boateng et al., 2026; Gobert et al., 2024), AI에 대한 과도한 의존이 독립적 추론 능력과 비판적 사고를 약화시킨다는 증거도 존재한다(George et al., 2024; Gerlich, 2025). 이러한 불일치는 기존 연구의 근본적 한계에서 비롯된다: 대부분의 연구가 기술수용모델(TAM) 같은 인식 기반 모델에 의존하여, AI가 학습자의 인지 과정을 실제로 어떻게 변화시키는지를 설명하지 못했다.

본 연구는 자기조절학습 이론(Self-Regulated Learning Theory)과 인지부하 이론(Cognitive Load Theory)을 이론적 기반으로, AI 상호작용의 세 가지 차원, 즉 AI 과업 스캐폴딩(AI가 과제를 단계적으로 분해하는 구조적 지원), AI 검증 리터러시(AI 결과물을 비판적으로 평가하는 능력), 인지 오프로딩 성향(AI에 사고를 위임하는 경향)이 메타인지 자기조절을 매개로 비판적 사고와 기술적 문제해결에 미치는 영향을 검증한다.

연구 방법론

가나의 공립·사립 대학교 재학생 533명을 대상으로 한 횡단적 설명 연구(cross-sectional explanatory study)다. 참가자는 ChatGPT, Gemini 등 생성형 AI 도구를 학업에 사용한 경험이 있는 학부생(56.9%)과 대학원생(석사 31.1%, 박사 12.0%)이며, 성별 비율은 남성 50.5%, 여성 49.5%로 균형을 이루었다.

측정 도구는 선행 연구에서 검증된 척도를 AI 학습 맥락에 맞게 수정하여 구성했다. AI 과업 스캐폴딩 5문항(Akram et al., 2025; Kim et al., 2022), AI 검증 리터러시 4문항(Kalantzis & Cope, 2025), 인지 오프로딩 성향 5문항(Gerlich, 2025; Risko & Gilbert, 2016), 메타인지 자기조절 6문항(Romdhoni et al., 2025; Schunk, 2008), 비판적 사고 5문항(Pintrich, 1991), 기술적 문제해결 4문항(Rosenbaum, 1980)을 5점 리커트 척도로 측정했다. 모든 구인의 Cronbach’s α가 .80 이상이었다.

분석은 AMOS 23을 사용한 구조방정식 모델링(SEM)으로 수행하고, 매개효과는 편향 교정 부트스트래핑(bias-corrected bootstrapping, 5,000회 재표집)으로 검증했다. 확인적 요인분석(CFA) 결과 모델 적합도가 우수했다(χ²/df = 1.368, CFI = .983, TLI = .981, RMSEA = .026).

연구 결과

1. AI 과업 스캐폴딩의 긍정적 효과. AI 과업 스캐폴딩은 비판적 사고(β=.185, p<.001)와 기술적 문제해결(β=.170, p<.001)에 유의한 정적 직접 효과를 보였다. 메타인지 자기조절에 대한 효과(β=.102, p=.027)도 유의했으나 상대적으로 약했다. AI가 복잡한 과제를 구조화된 단계로 분해해 제공할 때, 학습자의 체계적 추론과 능동적 인지 참여가 촉진된다는 것을 보여준다.

2. AI 검증 리터러시의 간접 효과. AI 검증 리터러시는 비판적 사고(β=.076, p=.090)와 기술적 문제해결(β=.043, p=.385)에 직접적 효과가 없었다. 그러나 메타인지 자기조절에 대한 정적 효과(β=.167, p<.001)가 유의했고, 이를 통한 간접 효과(비판적 사고: β=.016, p=.019; 문제해결: β=.018, p=.005)가 확인되었다. 이는 완전 매개(full mediation) 패턴으로, AI 결과물을 검증하는 능력이 학습 성과로 이어지려면 반드시 메타인지적 자기조절이 활성화되어야 함을 뜻한다.

3. 인지 오프로딩의 파괴적 효과. 인지 오프로딩 성향은 비판적 사고(β=-.240, p<.001), 기술적 문제해결(β=-.312, p<.001), 메타인지 자기조절(β=-.294, p<.001) 모두에 강력한 부적 효과를 보였다. 학습자가 AI에 핵심 인지 과정을 위임하면, 독립적 추론의 기회가 줄어들고 메타인지 조절이 약화되며 궁극적으로 고차 인지 역량이 저하된다. 특히 기술적 문제해결에 대한 부적 효과(β=-.312)가 가장 컸다.

4. 메타인지 자기조절의 핵심 매개 역할. 메타인지 자기조절은 AI 과업 스캐폴딩(H4, H7), AI 검증 리터러시(H5, H8), 인지 오프로딩 성향(H6, H9) 모두와 학습 성과 사이의 관계를 유의하게 매개했다. 전체 모델은 비판적 사고 분산의 51.7%, 기술적 문제해결 분산의 50.8%, 메타인지 자기조절 분산의 30.7%를 설명하는 높은 설명력을 보였다.

결론 및 의미

1. AI는 ‘양날의 검’이 아니라 ‘거울’이다: 학습자의 인지적 태도를 그대로 반영한다. 이 연구의 가장 핵심적 발견은, AI의 교육적 가치가 도구 자체에 내재된 것이 아니라 학습자의 상호작용 방식에 의해 결정된다는 것이다. AI 과업 스캐폴딩은 인지를 강화하고, 인지 오프로딩은 인지를 약화시킨다. 이는 ‘힌턴의 역설’ 제2부 ‘인지적 항복의 심리학’의 핵심 주장과 정확히 일치한다. 제7장 ‘편리함의 함정’에서 논의하는 것처럼, 기술이 제공하는 편리함을 무비판적으로 수용할 때 인간 고유의 인지 능력이 위축된다. 이 연구는 그 메커니즘을 실증적으로 규명한 것이다. 교수자는 AI를 교실에 도입할 때, 학생들이 AI의 편리함에 ‘항복’하지 않도록 의도적으로 설계된 인지적 마찰(productive friction)을 포함시켜야 한다.

2. 메타인지 자기조절이 AI 시대 교육의 핵심 역량이다: 기존의 ‘정보 리터러시’ 교육만으로는 부족하다. AI 검증 리터러시가 직접적으로 비판적 사고에 영향을 미치지 못한다는 발견은 충격적이다. AI 결과물을 검증할 줄 아는 것만으로는 학습 성과가 향상되지 않는다. 반드시 메타인지 자기조절, 즉 ‘내가 AI를 어떻게 사용하고 있는지’를 스스로 계획·모니터링·평가하는 능력이 동반되어야 한다. ‘힌턴의 역설’ 제4부 ‘교육의 재설계’에서 강조하는 ‘메타학습(learning how to learn)’ 역량의 중요성이 실증적으로 입증된 것이다. 대학 교육에서 AI 리터러시 교과목을 개설할 때, 단순히 ‘팩트체킹 방법’을 가르치는 것에 그치지 말고, 학생들이 자신의 AI 사용 패턴을 반성적으로 모니터링하도록 하는 메타인지 훈련을 반드시 포함해야 한다. 이전에 리뷰한 Zhu et al.(2026)의 ‘의존적 오프로딩 vs. 자율적 오프로딩’ 이분법과도 직결되는 결과다. 자율적 오프로딩은 메타인지 자기조절이 작동하는 오프로딩이고, 의존적 오프로딩은 메타인지가 부재한 오프로딩이다.

3. 인지 오프로딩은 ‘행동적 선호’가 아니라 ‘인지 발달의 구조적 제약’이다. 인지 오프로딩 성향의 부적 효과가 모든 결과 변인에서 가장 강력했다는 사실은, 이것이 단순한 학습 습관의 문제가 아니라 인지 발달 자체를 제약하는 구조적 메커니즘임을 시사한다. ‘힌턴의 역설’ 제3부 ‘전문성의 미래’에서 논의하는 것처럼, AI에 반복적으로 사고를 위임하면 전문성 형성에 필수적인 ‘의도적 연습(deliberate practice)’의 기회가 체계적으로 제거된다. 기술적 문제해결에 대한 부적 효과(β=-.312)가 비판적 사고에 대한 효과(β=-.240)보다 더 크다는 것은, 실습적·절차적 지식이 이론적·분석적 지식보다 인지 오프로딩에 더 취약하다는 것을 뜻한다. 이는 코딩, 공학, 의료 등 실무 역량이 중요한 분야에서 AI 의존의 위험이 특히 크다는 경고다.

4. ‘어떻게 AI를 사용할 것인가’를 교수법의 중심에 놓아야 한다. Suazo Galdames et al.(2026)의 체계적 리뷰에서 ‘인지 오프로딩과 비판적 자율성 사이의 긴장’이 AI 교육의 핵심 과제로 제기되었고, Abdelbaki(2026)는 생성형 AI를 비판적 사고의 ‘촉매’로 전환하는 교수법을 제안했다. 본 연구는 그 구체적 메커니즘을 밝혀냈다: AI 스캐폴딩을 통한 구조화된 지원은 인지를 강화하고, 무조건적 의존은 인지를 약화시키며, 검증 리터러시는 메타인지가 동반될 때만 효과가 있다. 교수자는 (1) AI를 과제 분해 도구로 활용하되, (2) 학생에게 AI 결과물에 대한 비판적 평가를 요구하고, (3) AI 사용 과정 자체를 성찰하는 메타인지 일지(metacognitive journal) 작성을 과제에 포함시키는 3단계 전략을 채택해야 한다.

5. 부모와 학생이 지금 당장 할 수 있는 것: ‘3분 메타인지 점검’을 습관화하라. AI를 사용한 뒤 세 가지 질문을 스스로에게 던지는 것만으로도 인지 오프로딩의 부정적 효과를 상당히 완화할 수 있다. (1) “이 결과물에서 내가 직접 생각한 부분은 무엇인가?” (2) “AI 없이 이 과제를 해결할 수 있었을까?” (3) “AI를 사용하면서 내가 새롭게 배운 것은 무엇인가?” 이 세 질문은 메타인지 자기조절의 핵심인 계획(planning), 모니터링(monitoring), 평가(evaluation)에 각각 대응한다. ‘힌턴의 역설’ 제5부 ‘작은 승리의 과학’에서 강조하는 것처럼, 거창한 변화가 아니라 작고 반복적인 성찰 습관이 AI 시대 인지 자율성을 지키는 가장 실천적인 방법이다.

출처

Davor, I., Larbi, E., & Boateng, F. O. (2026). Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation. Frontiers in Education, 11, 1855869. https://doi.org/10.3389/feduc.2026.1855869

AI 활용 내역

이 글은 AI(Claude, Anthropic)를 활용하여 논문 분석, 한국어 리뷰 작성, 인포그래픽 제작을 수행했습니다. 논문의 원문 데이터와 해석은 원저자의 것이며, 리뷰어의 해석과 ‘힌턴의 역설’과의 연결은 블로그 저자의 관점입니다.

본문의 사실 관계는 원 논문을 기반으로 검증하였으나, AI가 생성한 텍스트에는 의도치 않은 오류가 포함될 수 있습니다. 정확한 수치와 해석은 원 논문을 참고해 주십시오.