K-12 교육자의 55%는 AI를 사용하고 싶어 하지만, 이를 효과적으로 활용할 지식이 부족합니다 [Green Flag]. 이 숫자 하나가 미국 전역의 교실에서 벌어지고 있는 모순을 단적으로 보여줍니다. 교사들은 열의에 차 있지만 준비가 되어 있지 않다는 것입니다. 지난주, ETS는 교육자들이 인공지능을 교육에 통합할 준비가 실제로 얼마나 되어 있는지 측정하기 위해 설계된 새로운 AI 리터러시 평가를 출시했습니다 [EdWeek]. 시점이 중요합니다. 2024-25학년도 동안 교사의 85%와 학생의 86%가 AI 도구를 사용했다고 보고했으며, 학교 관련 목적으로 AI를 ‘자주’ 사용하는 교육자의 비율은 21%포인트나 급증했습니다 [Green Flag]. 마이크로소프트는 최근 이러한 교육 격차를 해소하기 위해 자체적인 전문가 개발 프로그램을 출시했습니다 [EdWeek]. 하지만 AI 사용이 급증하는 와중에도 한 가지 근본적인 질문은 답을 찾지 못했습니다. 과연 교사들은 자신이 사용하는 도구를 제대로 이해하고 있을까요? ETS 평가에서 나온 초기 신호들은 그 답이 대부분의 학교 지도자들이 예상했던 것보다 훨씬 더 불편한 진실임을 시사합니다.
대화의 흐름을 바꾼 ETS 테스트
일반적인 믿음은 간단했습니다. 교사들이 AI 도구를 정기적으로 사용한다면, 그 과정에서 자연스럽게 AI 리터러시를 개발할 것이라는 생각입니다. ETS 평가는 이러한 가정을 근본부터 뒤흔듭니다.
Photo by ETS는 교육자들이 챗GPT에 로그인하거나 AI 비서로 수업 계획을 생성할 수 있는지를 측정하기 위해 이 테스트를 설계한 것이 아닙니다. 대신, AI 생성 콘텐츠의 정확성 평가, 알고리즘 편향성 이해, 교실 환경에서의 데이터 개인정보 보호 문제 해결과 같은 실질적인 역량에 초점을 맞춥니다 [EdWeek]. 이 평가 체계는 피상적인 친숙함이 아닌, 응용 지식을 측정합니다.
이 차이는 매우 중요합니다. AI 도구를 매일 사용하는 교사라 할지라도, 그 도구가 편향되거나 부정확한 결과물을 내놓을 때 이를 식별하는 능력이 부족할 수 있습니다. ETS 평가는 바로 이러한 격차, 즉 도구 도입과 진정한 숙달 사이의 거리를 드러내기 위해 만들어졌습니다. 초기 결과에 따르면 이 거리는 상당하며, 특히 전문성 개발 예산이 가장 부족한 저소득 지역에서 더욱 두드러집니다.
교육자의 95%는 이미 자신의 교육 기관에서 AI가 어떤 식으로든 오용되고 있다고 생각합니다 [Green Flag]. ETS 테스트는 이러한 광범위한 불안감에 측정 가능한 근거를 제공합니다.
AI 사용과 이해는 다릅니다
ETS 데이터가 가장 날카롭게 바로잡는 오해는 바로 이것입니다. 도구 사용이 곧 역량은 아니라는 것입니다. 많은 교육자들이 AI 플랫폼과의 일상적인 상호작용을 그 시스템이 어떻게 작동하고, 어디서 실패하며, 어떤 위험을 수반하는지에 대한 진정한 이해와 혼동합니다.
Photo by 단순 사용자에서 리터러시를 갖춘 전문가로 나아가기 위해서는 다른 종류의 학습이 필요합니다. ETS 평가가 목표로 하는 구체적인 기술 영역을 살펴보겠습니다.
-
콘텐츠 평가: 교사가 교실 상황에서 AI가 생성한 허위 정보와 정확한 자료를 신뢰성 있게 구별할 수 있는가?
-
편향성 인식: 교육자가 훈련 데이터가 AI 결과물에 어떤 영향을 미치는지, 그리고 그것이 다양한 배경의 학생들에게 어떻게 영향을 미칠 수 있는지 이해하는가?
-
데이터 개인정보 보호: 교사가 AI 도구가 어떤 학생 데이터를 수집하고 어떻게 사용하는지 명확히 설명할 수 있는가?
-
윤리적 적용: 교사가 교육적 맥락에서 AI 사용이 도움이 되는 수준을 넘어 해가 되는 시점을 알고 있는가?
이것들은 추상적인 우려가 아닙니다. 미국 K-12 교육자의 36%는 이미 ‘표절 및 부정행위 증가’를 AI에 대한 가장 큰 우려 사항 중 하나로 꼽고 있습니다 [Green Flag]. 하지만 표절 탐지는 교육자에게 필요한 리터러시 체계의 극히 일부에 불과합니다. 진정한 과제는 교실 생활의 모든 차원에서 AI를 평가할 수 있는 비판적 사고 능력을 기르는 것입니다. 일회성 도구 튜토리얼만으로는 이를 달성할 수 없습니다.
‘준비된 교사’라는 신화 깨기
교육계에는 젊고 기술에 능숙한 교사들이 본질적으로 AI 통합에 더 잘 대비되어 있다는 믿음이 끈질기게 존재합니다. ETS 평가 체계는 이에 정면으로 도전합니다.
나이나 일반적인 기술 친숙도는 AI 리터러시를 예측하는 좋은 지표가 아닙니다.
Photo by 스마트폰과 함께 자란 35세 미만의 교사는 AI 인터페이스를 다루는 데는 완벽하게 능숙할지 몰라도, 그 인터페이스가 신뢰할 수 있고 편향되지 않은 결과를 생성하는지 평가할 기초 지식은 부족할 수 있습니다. 마찬가지로, STEM 교육자들은 종종 기술적인 AI 개념에서는 높은 점수를 받지만, 학생 교육에서 AI 사용의 윤리적, 교육학적 차원에서는 상당한 격차를 보입니다.
AI 준비도는 별개의 역량입니다. 일반적인 기술 능력, 교과 전문성, 그리고 열정과도 구분됩니다. 이는 측정 가능한 결과를 동반하는 체계적이고 헌신적인 학습을 필요로 합니다.
이러한 통념이 지속되는 이유 중 하나는 점점 더 벌어지는 인식의 격차 때문입니다. 적절한 AI 교육 지원이 존재한다고 믿는 지도자들과 이를 받지 못했다고 말하는 교육자들 사이에 단절이 커지고 있습니다 [Green Flag]. 관리자들은 도구 도입률이 높아지는 것을 보고 숙달도도 따라올 것이라고 가정합니다. ETS 평가는 그 가정을 검증할 틀을 제공하며, 초기 신호들은 그 가정이 사실이 아님을 시사합니다.
학교 시스템이 구조적으로 뒤처지는 이유
교사 준비도의 격차는 주로 개인의 실패가 아닙니다. 이는 학교 시스템이 AI 전환에 접근해 온 방식의 구조적 불일치를 반영합니다.
Photo by 대부분의 교육구는 AI 지원 기기와 플랫폼에는 막대한 투자를 하면서도, 교육자 훈련에는 훨씬 적은 예산을 투입해 왔습니다. 하드웨어 조달 비용은 지속적으로 전문성 개발 지출을 큰 차이로 앞지릅니다. 그 결과, 교실은 강력한 도구들로 가득 차 있지만, 이를 책임감 있게 사용할 준비가 되지 않은 교육자들이 운영하게 됩니다.
세 가지 구조적 요인이 문제를 더욱 악화시킵니다.
- 통합된 프레임워크 부재: 대부분의 교육구에는 교육자들을 위한 일관성 있는, 교육구 전체의 AI 리터러시 발전 계획이 없습니다. 공유된 기준 없이는 교육이 단편적이고 일관성 없게 유지됩니다.
- 느린 교육과정 주기: 주 교육과정 검토 과정은 보통 수년이 걸려, AI의 빠른 발전을 따라가기에는 너무 느립니다.
- 전문성 개발 모델의 불일치: 지배적인 전문성 개발 모델은 여전히 특정 도구에 초점을 맞춘 단기 워크숍에 의존하고 있으며, 이전 가능한 비판적 사고를 구축하는 지속적이고 집단 기반의 학습 방식이 아닙니다.
마이크로소프트가 최근 AI 중심의 전문성 개발을 제공하려는 움직임은 이러한 구조적 격차를 인정한 것입니다 [EdWeek]. 하지만 기업의 교육 프로그램만으로는 교육구가 지속적인 교육자 역량을 구축하는 데 필요한 시스템 개혁을 대체할 수 없습니다.
측정 가능한 기준으로 격차 해소하기
방향을 바로잡기 위해서는 더 많은 AI 노출이 자동으로 더 준비된 교사를 만든다는 생각에서 벗어나야 합니다. ETS 평가의 실질적인 영향은 교육계에 부족했던 것, 즉 측정 가능한 기준선을 제공한다는 점입니다.
Photo by 검증된 평가 도구를 통해 교육구는 준비 수준을 추측하는 대신 특정 기술 결함을 식별할 수 있습니다. 이 기준선은 목표 지향적인 전문성 개발의 기초가 됩니다. 즉, 일반적인 워크숍이 아니라 역량 벤치마크와 연계된 구조화된 발전 과정입니다.
이러한 변화는 다음과 같습니다.
-
도구 튜토리얼에서 비판적 리터러시로: 교육은 단순히 버튼을 클릭하는 방법이 아니라 평가, 윤리, 응용 추론을 강조해야 합니다.
-
하루짜리 세션에서 지속적인 코호트(동일 집단) 학습으로: 확장된 협력 학습 모델은 단발성 행사보다 더 강력한 지식 유지를 이끌어 냅니다.
-
선택적 심화 과정에서 핵심 필수 요건으로: AI 리터러시는 교사 양성의 주변부에서 자격 기준의 중심으로 이동해야 합니다.
현재 공인된 교사 양성 프로그램 중 의무적인 AI 리터러시 과정을 포함하는 곳은 거의 없습니다. 이것이 바뀌지 않는 한, 매년 새로운 교사 집단은 ETS 테스트가 측정하도록 설계된 동일한 기초적 격차를 안고 교실에 들어서게 됩니다. 이 평가는 위기를 해결하지는 못하지만, 위기를 더 이상 무시할 수 없게 만듭니다.
학교는 더 이상 교사의 준비도에 대한 안일한 가정을 할 여유가 없습니다. 교육자와 학생 모두에게서 AI 사용이 급증하는 상황에서, 도구 도입과 진정한 숙달 사이의 격차는 교육의 질과 학생의 성과에 실질적인 결과를 초래합니다. 나아갈 길은 명확합니다. 측정 가능한 기준선을 설정하고, 지속적인 역량 기반 훈련에 투자하며, AI 리터러시를 교사 양성의 기초에 포함시켜야 합니다. 지금 당장 AI가 형성하는 교실을 헤쳐나가는 학생들은 준비도를 가정하는 것이 아니라 검증받은 교육자를 가질 자격이 있습니다.
