고등교육 내 기관 및 강좌 수준 생성형 AI 정책의 비교 분석: 컴퓨팅 교육 지도에 대한 시사점
A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
한국어 초록
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.
원문 초록
With the increased use of generative AI (GenAI) applications such as ChatGPT, higher education institutions (HEIs) have released a range of guidelines and policies to direct adoption within their institutions. In computer science (CS) courses GenAI adoption is especially high and the implications for student learning are significant. At the same time, instructors have also been forced to address the use of GenAI as students have started to use it for a range of functions. Currently, comparative analysis of guidance provided by institutions and its uptake in instruction is lacking. In this paper we bridge this gap by comparing institutional and computing course level guidance to better understand this terrain. We utilize secondary analysis of institutional and course syllabi guidelines from higher education institutions in the U.S. classified as research-intensive. Our findings reveal that although institutional guidance is more pro-use, at the course-level the uptake is still guarded. We discuss the implications and propose an instructor-centered framework to guide future adoption of GenAI.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2607.12296v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
The impact of generative artificial intelligence on academic development of Chinese students in humanities and social sciences
앨리스는 잘못했을까? 대학 컴퓨팅 교육에서 생성형 AI 사용에 대한 학생 인식의 문화 간 차이
Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education
고등교육에서 생성형 AI(GenAI)의 확산이 학문적 정직성과 윤리적 사용을 둘러싼 긴급한 논쟁을 촉발했다. 본 연구는 캐나다와 한국 대학 학생들의 응답을 비교하여 GenAI 사용에 대한 학생 인식의 문화 간 차이를 조사한다. 2024년 가을에 실시한 시나리오 기반 설문을 사용하여, 학생들이 AI 보조 코딩 실습의 윤리성과 규정 준수 여부를 어떻게 판단하는지 분석했다. 결과는 기능적으로 동일한 기관 정책에도 불구하고, 캐나다 학생들이 한국 학생들에 비해 GenAI 사용을 부도덕하고 기관 정책에 위배된다고 인식할 가능성이 일관되게 더 높았음을 보여준다. Mann-Whitney U 검정과 상관계수를 포함한 통계 분석은 거의 모든 시나리오에서 유의미한 차이가 있음을 입증했다. 시나리오 생성에 사용된 요인 분석에 따르면, 과제에 포함된 AI 생성 코드의 양이 윤리적 판단에 가장 강하게 영향을 미친 것으로 나타났다. 연구 결과는 Hofstede의 문화 차원 이론을 통해 해석되었으며, 권력 거리(power distance), 개인주의(individualism), 불확실성 회피(uncertainty avoidance)와 같은 문화적 요인이 GenAI에 관한 학생들의 윤리적 추론을 크게 형성한다는 것을 시사한다. 본 연구 결과는 교육에서 공평한 AI 통합이 학문적 정직성에 대한 다양한 개념을 고려하는 문화적으로 반응적인 접근이어야 한다고 강조하는 증거의 축적에 기여한다. 우리는 학문적 정직성의 근본 원칙을 지키면서 지역 문화적 맥락에 민감한 세밀한 AI 사용 지침의 개발을 주장한다. 본 연구는 글로벌 고등교육 환경에서 윤리적 AI 정책을 수립하고 책임 있는 GenAI 사용을 지원하기 위한 지속적인 문화 간 연구의 필요성을 강조한다.
학술 글쓰기에서 학생의 생성형 AI 의존 방식 측정: 생성형 AI 의존 유형 척도(GenAI-RTS)의 개발 및 다중 출처 검증
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.
GenAI 스킬 우회: 대학 학생과 교직원의 AI 리터러시 분기 경로 분석
The GenAI Skill Bypass: Mapping Divergent Pathways of University Students and Staff AI Literacy
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.
AI Native Games: A Survey and Roadmap
인쇄 회로 기판 설계 및 테스트에서의 생성형 인공지능(GenAI) 기반 자동화 조사
Surveying GenAI-based Automation in Printed Circuit Board Design and Test
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.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.