인공지능이 실제로 학습 결과를 개선하는 곳, 마찰을 일으키는 곳, 그리고 고등 교육이 다음에 무엇을 해야 하는지

인공지능은 이미 고등 교육에 도입되어 학생들이 학습하고, 교원이 가르치고, 기관이 성과를 평가하는 방식을 형성하고 있습니다. 이제 인공지능이 교실에 속하는지 여부는 더 이상 질문의 대상이 아닙니다. 학생들은 인공지능을 사용하고, 고용주는 인공지능에 대한 熟悉度를 기대하며, 기관은 책임 있게 대응하는 방법을 결정해야 합니다. 핵심 질문은 고등 교육이 인공지능을 어떻게 활용하여 학생들을 미래의 직업 세계에 준비시키는지입니다.

저는 고등 교육 전반에서 공통된 점은 공공 논쟁에서 제기되는 것보다 덜 이데올로기적임을 목격합니다. 학생들은 인공지능을 사용하여 어려움을 극복하고 진행할 수 있습니다. 교원들은 학습을 지원하면서 표준을 손상하지 않기 위해 실험합니다. 관리자들은 현실을 반영하는 지침을 설정하려고 합니다. 따라서 인공지능은 고등 교육이 이해, 독창성, 숙달을 증명하는 의미를 재고하는 데 영향을 미치고 있습니다.

웨스트클리프 대학교(Westcliff University)에서는 실용적인 접근 방식을 취하고 있습니다. 우리는 결과를 살펴보고, 실제 과정에서 발생하는 일을 관찰하며, 교원과 학생들의 의견을 듣고, 조정합니다. 그 과정에서 명확한 패턴이 나타납니다. 인공지능은 의도적인 설계에 통합될 때 학습을 개선하며,捷径이나 위협으로 간주될 때 문제를 일으킵니다.

인공지능이 실제로 학습을 개선하는 곳

아래에서 식별된 영역의 공통점은 자동화가 아니라 인지입니다. 인공지능은 피드백을 가속화하고, 생각을 명확하게 하고, 학생의 지적 책임 없이 반복을 지원합니다.

안내된 연습과 적절한 피드백

학습에서 가장 강력한 이익은 인공지능을 안내된 연습에 사용할 때 나타납니다. 학생들은 질문을 할 수 있고, 설명을 받고, 다시 시도하고, 즉시 피드백을 받을 때 이익을 얻습니다. 그 피드백 루프는 학습에 핵심적이며, 특히 개인 교사 주의가 제한된 대형 또는 비동기식 과정에서 중요합니다.

잘 설계된 인공지능 지원 도구는 답변을 제공하지 않으며, 학생들을 발견의 과정에 참여시키는 데 필요한 방향性的 피드백을 제공합니다. 인공지능이 불확실성을 해결하는 것이 아니라 생각을 자극하고, 질문하고, 사고를 지원하는 데 사용될 때, 그것은 강한 동료 학습이 더 깊은 이해를 지원하는 방식과 같습니다.

2025년 Scientific Reports의 연구에 따르면 인공지능 교사를 사용하는 학생들은 비교 조건의 학생들보다 더 효율적으로 학습했으며, 참여도와 동기가 더 높았다는 것을 발견했습니다. 주요 결론은 인공지능이 교사를 대체하는 것이 아니라, 빈번하고 적절한 피드백이 이해를 가속화하며, 인공지능이 이러한 피드백을 제공하는 데 도움이 될 수 있다는 것입니다.

인공지능은 또한 작성할 때 사용될 때 강화될 수 있습니다.

많은 학생들은 아이디어를 조직하거나, 논리를 명확하게 하거나, 효과적으로 수정하는 데 어려움을 겪습니다. 적절하게 사용될 때 인공지능은 구조적 약점을 드러내고, 불분명한推論을 식별하며, 더 분명한 생각을 자극하는 데 도움이 될 수 있습니다.

同時에, 학생들은 인공지능을 책임 있게 사용하는 방법을 학습해야 합니다. 이는 효과적인 프롬프트를 작성하는 방법, 인공지능 응답에 대한 妄想이나 부정확성을 인식하는 방법, 및 신뢰할 수 있는 출처에 대한 주장을 검증하는 방법을 포함합니다. 학생들이 인공지능 출력을 수동적으로 수신하는 대신에 질문하도록 가르치는 것은 그들의 작업의 무결성을 보호하고, 비판적思考力を 강화하는 데 도움이 됩니다.

학습과捷径 사이의 차이는 결국 기대에 달려 있습니다. 교사가 개요, 초안, 및 변경된 이유에 대한 짧은 반영을 요구할 때, 학생들은 그들의 생각에 책임을 지게 됩니다. 그들은 작업에 적극적으로 참여하며, 최종적으로 그들의 작업을 결정합니다. 2025년 대형 언어 모델에 대한 체계적인 검토는 작성 및 피드백을 주요 사용 사례로 식별하면서도過度 의존에 대한警告도 issuance합니다.

초안 및 수정을 넘어 인공지능은 학생의 논증에 도전하는 대화 상대가 될 수 있습니다. 왜 주장이 중요하거나, 어떤 증거가 부족할 수 있으며, 특정 청중이 어떻게 반응할 수 있는지 물어봅니다. 이렇게 하면 작성은 제출 과제가 아닌 지적 방어 및 정련의 과정으로 변합니다. 그 과정의 평가를 통해 교사들은 학생의 비판적 글쓰기 마음의 발전에 대한 귀중한 통찰력을 얻을 수 있습니다.

사다리 필요 학생들을 위한 장벽 감소

인공지능은 다국어 학습자, 첫 세대 학생, 및 복귀 성인에게 개인화된 설명, 예제, 및 명확화를 제공하여 불필요한 장벽을 낮출 수 있습니다. 이것은 교사를 대체하지 않습니다. 참여를 더 완전히 할 수 있도록 장벽을 낮춥니다.

진짜 기회는 실시간으로 조정되고, 능력의 성장에 따라 지원을 의도적으로 줄이는 적응적 사다리에 있습니다. 인공지능이 도전을 제거하는 것이 아니라 조정할 때, 학생들은 진행의 증거를 통해 자신감을 구축하며, 의존성이 아닌 능력의 성장에 의존합니다.

교원에게 시간을 돌려주는 것

인공지능은 교원들이 시간이 걸리는 작업인 채점 기준, 예제 질문 생성, 토론 스레드 요약, 또는 첫 번째 피드백 제안 생성을 지원할 수 있습니다. 이익은 교사가 절약한 시간을 더 가치 있는 작업에 재투자할 때 발생합니다. 더 나은 과제 설계, 더 풍부한 토론, 및 더 직접적인 학생 지원입니다.

기관이 마찰을 겪는 곳

평가의 유효성은 핵심적인 도전입니다

학습 평가의 가장 심각한 문제는 전통적인 의미의 표절이 아닙니다. 그것은 많은 일반적인 평가가 인공지능이 널리 사용될 때 더 이상 학습을 효과적으로 측정하지 못한다는 것입니다.

학생들의 인공지능 채택은 이미 널리 퍼져 있습니다. HEPI 및 Kortext의 2025년 학생 생성 인공지능 설문조사에 따르면 92%의 학생이 어떤 형태로든 인공지능을 사용했으며, 88%가 평가를 위해 사용했다고 보고했습니다. 과제가 거의 이해 없이 완료될 수 있다면, 그것은 더 이상 학습 결과를 유효하게 측정하지 못합니다.

이것이为什么誠実性에 대한 논쟁이 지속되는 이유입니다. 인공지능은 전통적인 평가의 약점을暴露하고 있습니다. 평가가 약할 때, 의심이 커집니다. 더 강력하거나 잘 설계된 측정은 그 긴장을 줄입니다.

정책의 지연 및 불일치

많은 기관은 아직도 따라가고 있습니다. 2025년 EDUCAUSE 인공지능 랜드스케이프 연구에 따르면, 조사 당시 fewer than 40%의 기관이 공식적인 사용 정책을 가지고 있었습니다.

명확성이 отсутств할 때, 교원들은自己的 규칙을 설정하며, 학생들은 혼합된 메시지를 받습니다. 한 과정은 인공지능 실험을 권장하며, 다른 과정은 인공지능을 완전히 금지합니다. 이러한 불일치는 신뢰를 약화시키고, 인공지능의 윤리적 사용을 가르치고, 혜택을 창출하기 어렵게 만듭니다.

지속 가능한 기술 없이 성과 향상

인공지능은 장기적인 능력 없이 단기적인 성과를 향상시킬 수 있습니다. 2025년 GPT-4 기반 튜터링에 대한 필드 실험에 따르면, 인공지능 튜터링은 연습 중에 성과를 향상시켰지만, 도구가 제거되면 학생들이 때때로 성과가 저하되는 것을 보여주었습니다. 기관의 위험은 인공지능이 도구를 제거하면 표면화하는 격차를 숨기는 것입니다. 특히 인공지능이 학습에서 발생하는 생산적인 어려움을 줄일 때, 학생들이 독립적인 능력을 개발하지 않고도熟練해 보일 수 있습니다.

평등에 대한 우려는 변하고 있습니다

인공지능은 지원을 민주화할 수 있지만, 접근 및 인공지능 문해력이 다를 때 격차를 넓힐 수 있습니다. 더 나은 기기, 유료 도구, 및 인공지능 사용에 대한 더 많은 경험을 가진 학생들은 보이지 않는 이점을 가지고 있습니다.

평등의 영향은 도구에 대한 접근을 넘어섭니다. 인공지능은 시간, 인지적 부담, 및 감정적 긴장을 관리하는 방법, 특히 일,養育, 언어 장벽, 또는 교육 복귀를 균형잡는 학생들을 위해, 점점 더 많이 형성하고 있습니다. 인공지능을 잘 사용할 때, 그것은 학습 필드를 평준화하고, 안정시키고, 자신감을 구축할 수 있습니다. 인공지능을 불균형하게 사용할 때, 그것은 보이지 않는 격차를 깊게 할 수 있습니다.

거버넌스 및 데이터 관리

인공지능이 학문적 자문을, 튜터링, 및 평가에 통합됨에 따라, 거버넌스는 학문적 품질의 문제가 됩니다. 기관은 학생 데이터가 어떻게 사용되는지, 벤더가 어떻게 처리하는지, 및 평등이 어떻게 모니터링되는지 이해해야 합니다.

NIST 인공지능 위험 관리 프레임워크와 같은 프레임워크는 구조를 제공하지만, 거버넌스는 협력적이고 투명하게 적용될 때만 작동합니다. 웨스트클리프와 같은 인공지능을 사용하는 기관에서, 거버넌스 결정은 점점 더 학문적 품질 보증으로 작동하며, 자격의 신뢰, 평가의 무결성, 및 기관의 평판을 직접 형성합니다.

고등 교육 리더가 우선시해야 할 것

1. 평가를 재설계하여 학습을 가시화하라

인공지능 탐지는 장기적인 해결책이 아닙니다. 그것은 반응적이며, 적대적이며, 기본적인 측정 문제를 해결하지 않습니다.

더 지속 가능한 접근 방식은 평가를 재설계하여 推論, 지식 처리, 및 수행을 강조하는 것입니다. 이것은 구두 변론, 구조화된 후속 질문, 과정 기반 평가, 적용 프로젝트, 및 교실 내 합성 과제를 포함할 수 있습니다.

웨스트클리프에서, 우리는 평가를 변경하는 일부로 구두 반응 접근 방식을 사용했습니다. 한 예는 소크라테스 메트릭(Socratic Metric)입니다.それは 인공지능을 사용한 평가 프레임워크로, 학생들에게 녹음된 반응을 제공하여 교과 자료 및 때때로 이전 작성에 आध한 열린 프롬프트에 대한 즉각적인 피드백을 받을 수 있도록 합니다. 교사들은 학생들의 반응을 검토하여 이해의 깊이와 진정성을 평가할 수 있습니다.

목표는 강제가 아니라 가시성입니다. 구두 반응 형식은 학생들이 반복적인 후속 질문에 어떻게 생각하는지 보여주며, 이것은 아웃소싱하기 어렵고, 의미 있게 평가하기 쉽습니다. 소크라테스 메트릭은 여러 가능한 접근 방식 중 하나의 예입니다. 더 넓은 관점은 평가가 출력이 아니라思考에 초점을 맞출 필요가 있다는 것입니다.

유용한 리더십 질문은 간단합니다. 학생이 이 과제에서 인공지능을 사용하면, 여전히 의도된 학습 결과를 측정합니까?答案이 불분명하다면, đó가 재설계에서 시작해야 할 곳입니다.

2. 인공지능 문해력을 핵심 학습 결과로 다루어라

학생들은 인공지능이 일상적으로 사용되는 직업 세계에 진입할 것입니다. 그들은 판단에 대한 기술이 아니라熟練度가 필요합니다.

세계 경제 포럼의 2025년 미래의 직업 보고서는 인공지능 및 데이터 관련 기술의 중요성을 강조합니다. 인공지능 문해력은 강점 및 한계를 이해하는 것, 편향 및 불확실성을 인식하는 것, 출력을 검증하는 것, 데이터를 책임 있게 처리하는 것, 및 인공지능을 효과적으로 사용하는 것을 포함해야 합니다.

이것은 모든 학생을 기술 전문가로 만드는 것이 아닙니다. 그것은 인공지능과 함께 협력할 수 있는 사람들을 졸업시키는 것입니다. 또한, 인공지능 문해력은 학생 결과를 넘어 기관의 능력입니다. 교원, 관리자, 및 학문적 리더들은 일관성, 공정성, 및 학습 경험 전반의 신뢰를 보장하기 위해 공유된 유창성이 필요합니다.

3. 신뢰를 구축하는 거버넌스를 마련하라

좋은 거버넌스는 혁신을 늦추지 않습니다. 그것은 성장 전략이어야 하며, 인공지능이 더 빠르고 안정적으로 확장하도록 도와줍니다. 그것은 학문적 리더십, IT, 법률/개인 정보 보호, 및 학생 지원을 포함하는 작은, 기능적인 그룹이 필요합니다. 또한, 명확한 역할 및 의사 결정 권한이 필요합니다.

또한, 그것은 간단하고 투명해야 합니다. 교원과 학생들은 인공지능이 어디서 사용되는지, 어떤 데이터가 수집되는지(또는 수집되지 않는지),誰가 접근할 수 있는지, 및 어떻게 결정이 내려지는지 알 수 있어야 합니다. 이러한 기본 사항이 명확하면, 사람들이 새로운 도구를 채택하기 더愿意합니다. 왜냐하면 그들은 정보를 제공받고, 보호된다고 느끼기 때문입니다.

4. 교원 능력 강화에 투자하라

교원은 의미 있는 인공지능 통합의 핵심입니다. 그들은 정책 성명만이 아니라 실제적인 지원이 필요합니다.

가장 효과적인 노력은 실무적입니다. 과제 재설계 워크샵, 효과적인 관행의 예, 명확한 채점 기준, 및 교사들이 무엇이 효과적인지 공유할 수 있는 커뮤니티가 포함됩니다. 교원들이 인공지능의 강점 및 한계를 모두 이해할 때, 그들은 더 나은 학습 경험을 설계할 수 있습니다.

교원들을 이 전환에서 지원하는 것은 또한 더 깊은 변화를 의미합니다. 즉, 교원은 내용의 주요 출처에서 학습 설계자, 思考 평가자, 및 학문적 판단의 관리자로 바뀝니다.

5. 영향력을 측정하라, 채택을 측정하지 마라

인공지능은 다른 교육적 개입과 마찬가지로 평가되어야 합니다. 채택만으로는 성공을 나타내지 않습니다.

올바른 질문은 결과에 초점이 맞춰져 있습니다. 학생들이 지식을 유지하고 있습니까? 그들은 학습을 새로운 상황에서 전이하거나 일반화하고 있습니까? 평등의 격차는 좁혀지거나 넓어지고 있습니까? 졸업생들은 독립적인 판단을 보여주고 있습니까?

기관이 이러한 제2의 효과를 측정하지 않으면, 효율성을 최적화하는 동안 신뢰, 평등, 및 장기적인 능력을默默하게 약화시키는リスク가 있습니다. 인공지능을 사용하는 기관에서 영향력을 측정하는 것은 성과 지표를 넘어誰가 혜택을 받는지,誰가 어려움을 겪는지, 및 어떤 형태의 노력이 증폭되거나 줄어드는지 이해하기 위해 더 깊이 살펴보는 것을 의미합니다.

인공지능은 증폭기입니다. 무엇을 증폭하는지는 우리에게 달려 있습니다.

인공지능 통합이 확실하다는 것을 알면, 고등 교육 리더들에게 가장 중요한 질문은 기관이 의도적으로 학습을 재설계할 것인지, 또는 기존 모델이 인공지능의 무게 아래崩壊할 것인지입니다.

인공지능은 본질적으로 유익하거나 유해하지 않습니다. 그것은 단순히 학습 시스템이 이미 보상하는 것을 증폭시킵니다. 그것이 효과적이든, 효과적이지 못하든.

고등 교육이 표면적인 완성을 보상한다면, 인공지능은 그것을 가속화할 것입니다. 기관이 推論, 반성, 및 진정한 수행을 설계한다면, 인공지능은 더 깊은 학습과 더 나은 직업 세계 준비를 지원할 수 있습니다.

성공하는 기관은 평가를 재설계하고, 인공지능 문해력을 핵심 능력으로 가르치고, 신뢰를 보호하면서 책임 있는 혁신을 허용하는 방식으로 인공지능을 거버넌스할 것입니다. 그것이 다음 단계의 학문적 리더십입니다.