Measuring How Students Rely on Generative AI in Academic Writing: Development and Multi-Source Validation of the Generative AI Reliance Types Scale (GenAI-RTS)
생성형 AI(GenAI)가 학부생 학술 글쓰기에 점점 더 깊이 통합됨에 따라, 학생들이 이러한 도구를 단순히 사용하는지 여부가 아니라 어떻게 의존하는지가 학습, 학문적 정직성, 교육적 형평성에 대한 핵심 질문이 되었다. 기존 의존 측정 도구는 귀납적으로 개발되었고, 개별적 문제 해결 과제에 초점을 맞추었으며, 주로 동질적 표본으로 검증되었다. 본 연구는 생성형 AI 의존 유형 척도(GenAI-RTS)를 개발하고 검증하였다. 이는 전략적, 도구적, 의존적, 대화적이라는 이론적으로 도출된 4가지 GenAI 의존 유형을 측정하는 20문항 도구이다. 검증은 교육 및 심리 검사 표준(Standards for Educational and Psychological Testing)의 다중 출처 프레임워크를 따랐으며, 미국 소수자 대학(U.S. Minority-Serving Institution) 학부생 382명의 설문조사와 목적 표집(purposively sampled)된 14명 학생의 면담에 기반하였다. 6개 경쟁 모델에 대한 확인적 요인 분석(confirmatory factor analysis) 결과, 전략적 의존이 의도적 사용(Deliberate Use)과 비판적 평가(Critical Evaluation)라는 두 하위 요인으로 구성되는 5요인 구조를 지지하였고, 도구적·의존적·대화적 요인이 함께 포함되었다(CFI = .92, RMSEA = .08; DWLS CFI = .98, RMSEA = .07). 하위척도 신뢰도는 수용 가능에서 양호하였으며(omega = .75-.88), 성별, 1세대(first-generation) 지위, STEM/비STEM 전공에 걸친 스칼라 측정 불변성(scalar measurement invariance)이 유지되었다는 것은, 우리가 아는 한 GenAI 의존 도구에 대한 최초의 증거이다. Rasch 분석(Rasch analysis) 결과 5점 응답 형식이 범주 기능(category functioning)을 개선할 것으로 나타났다. 전략적 의존은 AI 리터러시와 정(+)의 상관이 있었고, 의존 유형은 여러 글쓰기 과정 및 결과 변수에서 학생들을 구별하였다. GenAI-RTS는 연구자와 교육자에게 학부생 의존 프로필을 식별하고 연구, 평가, AI 리터러시 개입을 지원하기 위한 이론적으로 정당화된, 심리측정학적으로 검증된 도구를 제공한다.
ChatGPT와 같은 생성형 AI(GenAI) 애플리케이션의 사용이 증가하면서, 고등교육 기관(HEI)들은 기관 내 도입을 안내하기 위해 다양한 가이드라인과 정책을 발표해 왔다. 컴퓨터 과학(CS) 강좌에서 GenAI 도입은 특히 높으며, 학생 학습에 미치는 영향도 크다. 동시에 학생들이 다양한 용도로 GenAI를 사용하기 시작하면서 강사들도 그 사용을 다루도록 요구받고 있다. 현재 기관이 제공하는 지침과 강의 현장에서의 수용에 대한 비교 분석은 부족한 상태다. 본 논문에서는 이 공백을 메우기 위해 기관 수준과 컴퓨팅 강좌 수준의 지침을 비교하여 이러한 영역을 더 잘 이해하고자 한다. 미국 내 연구 중심 대학으로 분류되는 고등교육 기관의 기관 및 강좌 실라버스 지침에 대한 이차 분석을 활용한다. 분석 결과, 기관 수준 지침은 사용을 더 적극 권장하는 편이지만, 강좌 수준에서는 여전히 신중하게 수용되고 있음을 보여준다. 시사점을 논의하고, 향후 GenAI 도입을 안내하기 위한 강사 중심 프레임워크를 제안한다.
응급 통화 수신원은 공공 안전 대응의 첫 번째 운영 연결 고리로, 연간 2억 4천만 건 이상의 통화를 처리하면서 지속적인 교육 위기에 직면해 있다. 많은 센터에서 인력 부족이 25%를 초과하며, 신규 직원 한 명을 양성하는 데 숙련된 인력을 현업에서 이탈시키는 일대일 교육이 최대 720시간 필요할 수 있다. 전통적인 교육 방식은 이러한 제약 조건 하에서 확장에 어려움을 겪으며, 교육 범위와 피드백 적시성 모두를 제한한다. 메트로 내슈빌 긴급 통신부(MNDEC)와의 협력을 통해, 우리는 실세계 제약 조건 하에서 생성형 AI(GenAI) 기반의 통화 수신 교육 시스템을 설계·개발·배포하였다. 6개월에 걸쳐 배포 규모는 초기 파일럿에서 1,120회의 교육 세션에 참여한 190명의 운영 사용자로 확대되었으며, 통제된 환경이나 순수 시뮬레이션 평가에서는 대부분 드러나지 않는 시스템 제공, 엄격성, 복원력, 인적 요소와 관련된 체계적인 과제들이 노출되었다. 98,429건의 사용자 상호작용, 조직 프로세스, 이해관계자 참여 패턴을 포착한 배포 로그를 분석함으로써, 구체적인 설계 및 거버넌스 실천 방안과 결합된 네 가지 핵심 교훈을 도출하였다. 이 교훈들은 실질적인 제약 조건이 인간 중심 설계를 근본적으로 형성하는 안전 필수적 공공 부문 환경에서 AI 기반 교육 시스템을 제공하고자 하는 연구자와 실무자에게 실증적 지침을 제공한다.
고등교육 기관은 학생과 교직원 모두가 생성형 AI(GenAI) 리터러시를 개발하도록 보장해야 한다는 기대를 점점 더 받고 있다. 이에 대응하여 기관들은 전문성 개발 프로그램을 도입하고 학생 교육과정에 GenAI 스킬을 임베딩하고 있다. 그러나 현재의 교육 프레임워크는 일반적으로 GenAI 리터러시의 선형적 진행을 가정하며, 창의적 응용에 앞서 기초적인 기술 이해가 선행되어야 한다고 전제한다. 본 논문은 분류체계 기반 자기평가 도구(n = 158)의 심리측정 분석을 통해 이러한 가정에 이의를 제기한다. 우리는 Rasch 측정 이론과 Guttman 순서화를 적용하여 학생, 교수진, 전문 직원 전반에 걸쳐 잠재적으로 인식되는 GenAI 스킬 난이도 순서를 매핑하였다. 결과는 인식된 역량 프로파일에서 근본적인 분기를 드러낸다. 교수진은 보다 전통적인 선형 경로를 따르는 반면, 학생들은 기초적인 개념 이해를 습득하기 전에 고수준의 창작 과제를 먼저 숙달하는 "역전된" 프로파일을 나타낸다. 또한 학생과 교수진 간 스킬 난이도의 상관관계는 약했다(r = 0.188). 우리는 이러한 "스킬 우회"가 취약한 유창성 감각을 형성하며, 프롬프트 작성에 대한 높은 자기효능감이 AI 메커니즘에 대한 낮은 리터러시를 은폐한다고 주장한다. 이러한 발견은 "획일적" 교육과정에 이의를 제기하고, 진정한 인간-AI 시너지를 촉진하는 진단 기반의 모듈형 개입을 위한 경험적 근거를 제공한다.
우리는 생성형 AI가 학술적 판단이 형성되고 학문적 신뢰가 구축되는 바로 그 실천들을 잠식함으로써 연구를 저하시킬 수 있다고 주장한다. 지식의 생산과 검증을 위한 구성적 조건으로서, 이러한 실천들은 AI가 그토록 효과적으로 모사하는 연구의 최종 산출물로 환원될 수 없다. 따라서 연구자들이 대규모 언어 모델(LLM)과 같은 시스템에 탐구의 핵심 과제를 위임할 때, 그들은 이러한 실천들을 더 이상 수행하지 않게 되고, 그와 함께 그 실천들이 제공하는 형성적 경험에 대한 접근을 잃어버릴 수 있다. AI가 생성한 개별 연구 산출물은 오히려 개선된 것처럼 보일 수도 있지만, 그 이면의 연구자는 성장에 실패한다. 이러한 위험에 맞서, 인간을 단순히 AI 출력물의 프롬프터나 품질 검토자로서 루프 안에 두는 것만으로는 연구를 지적 형성의 장으로 보존하기에 불충분하다. 대신 필요한 것은 판단이 점진적으로, 종종 마찰을 통해, 그리고 학문 공동체에의 참여를 통해 형성되는 살아있는 실천으로서의 연구에 대한 새로운 헌신이다. 우리가 이를 옹호하는 이유는, 그것이 자동화될 수 없는 연구의 네 가지 원천이자 근거—암묵적 지식, 개인적 헌신, 사회화, 그리고 깊은 읽기—에 기반하기 때문이다. 이 실천은 우리가 제2의 학문이라 부르는 것을 실현하는데, 이는 생성형 AI가 할 수 있는 것과 할 수 없는 것에 대한 비판적 경험으로부터 선택된 학문적 장인정신의 재전유를 의미한다. 위임될 수 없고 위임되어서도 안 되는 것이 바로 연구 공동체가 소중히 여기고 책임져야 할 것이 된다. 이것이 우리에게 남은 것이다.
Generative AI now enables games to produce dialogue, quests, characters, images, and worlds at runtime. Yet generation alone does not make a game AI-native, nor does it guarantee playability. This paper defines AI-native games by whether runtime generative AI is constitutive of the core loop: if the AI component were removed or trivially replaced, the central form of play would collapse or become fundamentally different. This counterfactual criterion separates AI-native games from AI-augmented games, boundary artifacts, chatbots, tavern-style role-play, procedural content generation, and AI-assisted production. Using this definition, we screen candidate artifacts and analyze 53 publicly available AI-native games and prototypes. We introduce a dual-axis G/N taxonomy: the G-axis captures player-facing game type, while the N-axis captures the dominant AI mechanic that makes generative AI indispensable to play. The corpus is concentrated around language-forward designs, especially narrative adventure, epistemic interaction, and generative narrative, while categories such as semantic adjudication, multi-agent simulation, generative construction, and relationship/companion play remain less represented. We argue that the central design problem is organizing semantic openness into stable gameplay. AI-native design depends on mechanical invariants: goals, rules, state, feedback, pacing, and player agency that make open-ended AI outputs interpretable and consequential. We conclude with a roadmap for controllable generation, AI-as-mechanic design, multimodal and multi-agent systems, inference economics, evaluation, safety, and regulation.
The widespread deployment of generative artificial intelligence (AI) models has raised serious concerns about the proliferation of AI-generated content. This has led to a surge of interest in, and demand for, reliable tracking and detection mechanisms for content that is AI-generated, such as watermarking, metadata tagging, content tagging, and more. The problem has captured the attention of policymakers as well as the popular media, and a spate of recent bills in the US have sought to regulate the spread of AI content, and enforce or promote methods to track and label it. This work performs a critical analysis of the policy discourse surrounding generative AI content transparency in the US and EU. Through a broad document selection methodology, we first collect a broad corpus of documents containing legislative language and policy-relevant discourse on the topic. We then analyze these through inductive coding, and leverage our coding to systematize these documents, identifying key patterns, gaps, and open questions. We identify critical points of disconnect between policy and technological capabilities and practice, and we highlight and discuss potential ambiguities and pitfalls raised by the trends in our corpus.
본 논문은 현대 첨단 시스템 설계에 내재된 조합적 복잡성을 다루며, 설계 자동화(automation-in-design, AiD)를 변혁적 패러다임으로 제시한다. 우리는 심층 학습과 생성형 AI를 활용해 새로운 시스템의 창출을 자동화하는 계산적 설계 합성(computational design synthesis, CDS) 프레임워크를 제안한다. 두 가지 사례 연구(e-drive 시스템 설계 및 공간 치수 결정 문제)가 이 접근법의 검증 사례로 작용한다. 사례 연구에서 사용된 AI 기반 방법은 공학에서 시뮬레이션 기반 최적화로부터 최소한의 인간 감독 하에 자율 설계로 나아가는 근본적 전환을 나타낸다.
미국 저작권법(Title 17) 하에서 생성형 AI 음악 창작의 법적·기술적 쟁점을 검토하며, 프롬프트 인코딩·확산 모델·신경 vocoder 등 파이프라인 구성요소를 침해 위험에 대응시킨다. 무단 가사 복제는 음악 저작물 침해 위험이 높지만 AI 합성 보컬 유사성은 연방 녹음물 보호를 벗어나 주 퍼블리시티권에 해당하며, 가사·멜로디와 보컬 정체성 사이의 규제 공백을 드러내고 정책 개선 방향을 제안한다.
Generative artificial intelligence(GenAI) is reshaping learning in higher education, with particularly pronounced implications for the humanities and social sciences(HSS), where learning outcomes are commonly expressed through written and interpretive forms that align closely with GenAI's capabilities. Yet, systematic evidence on the educational impacts of GenAI on HSS students remains limited. Addressing this gap, this study draws on a large-scale survey of HSS students in China to examine its role in academic development. Guided by relevant learning theories, this study focuses on four dimensions: patterns of use, effects on learning processes and academic performance, challenges associated with GenAI use, and preferred approaches to curricular integration. We found that more than half perceived enhanced learning motivation, independent thinking and creativity, although a substantial minority reported little change or even decline. Comparatively, a notably larger majority reported academic performance gains, although these gains may partly reflect limitations in conventional assessment practices. The study identifies variations in perceived learning and performance improvements among students with differing durations of GenAI experience, along with observable disciplinary differences and modest gender differences. While an overwhelming majority valued the importance of ethical considerations, only slightly more than half were satisfied with privacy protection. Limited accuracy and overreliance emerged as the most pressing concerns reported by students. Students favored partial or optional curricular integration supported by practice-oriented training, and widely recognized GenAI's significance for their future professional development. Grounded in student perspectives, this study offers evidence-based recommendations for the responsible and pedagogically meaningful integration of GenAI
생성형 인공지능(GenAI)은 하드웨어 및 소프트웨어 영역의 응용 분야에서 점차 더 많이 사용되고 있습니다. 이는 출시 전 복잡한 시스템의 개발 및 테스트에 수반되는 수작업을 줄이는 것을 목표로 합니다. 하드웨어 영역 내에서 대부분의 작업은 집적 회로의 설계 자동화, 특히 하드웨어 기술 언어를 활용하는 데 집중되어 있습니다. 그러나 다른 유형의 하드웨어도 존재합니다! 본 조사에서는 대신 인쇄 회로 기판(PCB) 설계 수명 주기 전반에 걸쳐 GenAI가 어떻게 활용되어 왔고 현재 활용되고 있는지 살펴봅니다. 여기에는 공급망, 시스템 사양, 회로 설계, 레이아웃 및 최적화, 검증(validation) 및 테스트, 그리고 PCB 조립 및 배포가 포함됩니다. 이러한 관점을 통해 발견된 연구들의 분류 체계(taxonomy)를 제시하며, 이를 의도와 기여도에 따라 분류합니다. 본 조사는 또한 이 영역에서 GenAI가 직면한 주요 기술적 과제, 예를 들어 도메인 특화 데이터 부족 및 기존 PCB 도구와의 통합에 대한 제한된 지원 등을 식별합니다. 마지막으로 미래 연구 방향에 대해 논의합니다: 본 조사 결과, PCB 설계 및 테스트의 다양한 작업에 GenAI를 통합하는 방안을 고려할 때 여전히 많은 기회가 남아 있음을 확인하였습니다.