arXiv:2607.19699v1 cs.CY

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

Brian Harrington, Irina Zlotnikova, Gayathri Nadarajan, Samuel Ekundayo

제출 2026-07-22

한국어 초록

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.

원문 초록

The rise of generative AI (GenAI) in higher education has prompted urgent debates surrounding academic integrity and ethical use. This study examines cross-cultural differences in student perceptions of GenAI use, comparing responses from students at Canadian and South Korean universities. Using a scenario-based survey administered in Fall 2024, we analyzed how students judged the ethicality and rule compliance of AI-assisted coding practices. Results reveal that Canadian students were consistently more likely to perceive the use of GenAI as both unethical and against institutional policies compared to Korean students, despite functionally identical institutional policies. Statistical analysis, including Mann-Whitney U tests and correlation coefficients, demonstrated significant differences across nearly all scenarios. Analysis of the factors used in generating scenarios indicated that the amount of AI-generated code incorporated into assignments most strongly influenced ethical judgments. Findings were interpreted through Hofstede's cultural dimensions framework, suggesting that cultural factors such as power distance, individualism, and uncertainty avoidance significantly shape students' ethical reasoning regarding GenAI. Our results contribute to the growing body of evidence emphasizing that equitable AI integration in education must be culturally responsive, taking into account diverse conceptions of academic integrity. We advocate for the development of nuanced AI-use guidelines that are sensitive to local cultural contexts while upholding fundamental principles of academic honesty. This study highlights the need for ongoing cross-cultural research to inform ethical AI policies and support responsible GenAI use in global higher education settings.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2607.19699v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2608.03600v2cs.AI공통 태그 Survey, Code Generation

편미분방정식 워크플로를 위한 대규모 언어 모델

Large language models for partial differential equation workflows

수치 방법과 심층 학습은 편미분방정식(PDE)으로 기술되는 시스템의 모델링과 시뮬레이션을 발전시켜 왔지만, 방정식 수립, 솔버 구성, 시뮬레이션을 설계 및 제어 결정으로 전환하는 일은 여전히 상당한 도메인 전문성과 계산 자원을 요구한다. 대규모 언어 모델(LLM)은 과학적 지식, 수학적 추론, 코드 생성, 도구 사용을 결합하여 이러한 작업을 자동화하고 조율할 기회를 제공한다. 본 논문에서는 발견, 해결, 최적화를 포함한 세 단계에 걸친 LLM 보조 PDE 연구를 검토한다. LLM이 물리적 지식, 수치 방법, 계산 피드백과 어떻게 상호작용하여 모델을 수립하고, 해법 절차를 구현하며, 설계와 제어를 안내하는지 살펴본다. 또한 과학적 타당성, 계산 성능, 워크플로 신뢰성을 평가하기 위한 기존 벤치마크와 평가 관행을 검토한다. 마지막으로, 특정 PDE 문제에 맞춘 수학·물리 추론 개발, 도메인 특화 및 멀티모달 사후 학습을 통한 전이 가능한 도메인 전문성 구축, 개방형 문제를 위한 능동적 실험 설계와 과학적 검증의 통합이라는 상호 연결된 세 가지 과제와 기회를 논의한다. 이러한 방향은 PDE 연구 전반에서 과학적 아이디어와 계산 방법을 개발하고 검증하는 데 LLM이 보다 실질적인 역할을 수행할 수 있는 경로를 제시한다.

arXiv:2609.23700v1cs.CR공통 태그 Survey, Code Generation

에이전트가 커널이 될 때: AI-네이티브 운영체제로 가는 길에서의 보안 체계화

When the Agent Becomes the Kernel: A Systematization of Security on the Path to AI-Native Operating Systems

대규모 언어 모델(LLM) 에이전트는 이제 코드 저장소 편집, 받은편지함 운영, 구매 완료 등 결과에 큰 영향을 미치는 행동을 수행하는 특권 주체(principal)가 되었다. 그 권한은 커널급이지만, 고전적 시스템 보안이 요구하는—모든 접근에 개입하는 신뢰할 수 있는 중재자—는 없이 주어진다. 운영체제(OS) 벤더들은 이 사실상의 에이전트 커널을 중심으로 플랫폼을 재구축하고 있으며, 완전한 중재(mediation)를 설계 문제로 물려받고 있다. 우리는 이러한 시스템의 보안을 하나의 구분을 중심으로 체계화한다: 출처(provenance)에 대한 중재로 통과하는 경계는 결정론적 검사를 허용하는 반면, 콘텐츠 의미론(content semantics)에 대한 것은 그렇지 않다. 신뢰 경계(trust-boundary) 분류체계는 중재가 발생해야 하는 위치를 규정하고, 핵심 중재 격차를 두 종류의 의미론적 판단에 고립시킨다: 신뢰할 수 없는 입력에서 데이터와 지시(instruction)를 구별하는 것, 그리고 허가된 행동과 비허가 행동을 구별하는 것. 우리는 이 격차가 입력과 행동이 사전에 열거된 집합으로 제한되지 않는 모든 곳에서 감지되지 않은 공격의 환원 불가능한 잔존(residual)을 남긴다고 주장한다. 동일한 구분은 공격 성공 통계를 실행 가능하게 만들어, 각 수치를 배포 부채(건전한 결정론적 중재자가 사용되지 않은 경우)부터 구조적 격차(그러한 중재자가 알려지지 않은 경우)까지의 스펙트럼에 배치한다. 우리는 런타임 모니터링, 아키텍처 분리, 권한 부여(authorization)에 걸친 방어를 체계화하고, 현재 평가가 평가 타당성(evaluation-validity) 실패를 통해 배포된 보안을 과대평가하는 경향이 있음을 보인다. 마지막으로, 우리는 그 분석을 사실상의 커널을 넘어, 모델 자체가 중재 핵심(arbitration core)이 되는 아키텍처까지 확장하고, 보안 우선 AI-네이티브 OS를 위한 설계 제약, 미해결 과제, 연구 의제를 도출한다.

arXiv:2609.24348v1cs.SE공통 태그 Survey, Code Generation

응용 AI 교육을 위한 경량 사양 주도 AI 지원 소프트웨어 개발 수명 주기: AI-SDLC 접근법

A Lean and Spec-Driven AI-Assisted Software Development Lifecycle for Applied AI Education: The AI-SDLC Approach

AI 코딩 에이전트는 코드 완성을 넘어 계획, 구현, 테스트, 저장소 수준 작업 실행까지 소프트웨어 개발을 점점 더 지원한다. 그러나 실무에서의 사용은 종종 기존 소프트웨어 공학 관행과 약하게만 연결되어 있다. 본 연구의 목표는 거버넌스가 적용된 에이전트형 소프트웨어 공학을 위한 경량의 사양 주도 수명 주기를 개발하고 평가하는 것이다. 이 수명 주기는 기존 소프트웨어 공학 관행과 사양(specifications), AGENTS.md, 단계별 에이전트 스킬 파일을 통한 저장소 로컬 가이던스를 결합한다. 이 접근법은 FHNW 과정 AI-assisted Software Development 맥락에서 개발되었으며, 학생들이 비즈니스 지향 소프트웨어 사용 사례에 적용하였다. 교육적·실무적 적용 가능성은 폐쇄형 평점 항목과 개방형 질문을 결합한 학생 설문을 통해 탐구하였다. 본 연구의 기여는 AI 코딩 에이전트가 명시적이고 검토 가능하며 테스트 지향적인 소프트웨어 개발 수명 주기 내에서 제한된 자율성으로 동작하도록 하는 프로세스 중심 프레임워크이다.

arXiv:2607.21832v1cs.SE공통 태그 Survey, Code Generation

AI 코딩 에이전트는 소프트웨어 개발에 어떻게 기여하는가? 에이전틱 풀 리퀘스트에 대한 실증 연구

How Do AI Coding Agents Contribute to Software Development? an Empirical Study of Agentic Pull Requests

최근 대규모 언어 모델(LLM)의 발전과 소프트웨어 공학 작업 전반에 걸친 급속한 도입으로, 인공지능(AI) 코딩 에이전트는 현대 소프트웨어 개발 워크플로의 필수 구성 요소가 되었다. 개발자들이 이러한 코딩 에이전트로부터 점점 더 많은 이점을 얻고 있지만, 소프트웨어 품질에 미치는 영향은 여전히 충분히 이해되지 않았다. 특히 소프트웨어 개발 수명 주기 전반에 걸쳐 에이전틱 기여가 어떻게 변화하는지는 철저히 조사되지 않았다. 본 연구는 에이전틱 풀 리퀘스트(PR)를 사람이 생성한 PR과 비교하여 특성을 규명하고, 개발 수명 주기의 서로 다른 단계에서 그 속성이 어떻게 변화하는지 조사하는 것을 목표로 한다. AIDev 데이터셋을 사용하여, 먼저 에이전틱 PR과 사람이 생성한 PR 간 병합률 차이가 시간에 따라 어떻게 변하는지 분석한다. 다음으로 AI 코딩 에이전트가 주로 적용되는 개발 작업 유형을 파악하고, 이러한 작업 분포가 개발 분기(quarter)에 걸쳐 어떻게 변화하는지 조사한다. 마지막으로 에이전틱 PR과 사람이 생성한 PR의 핵심 특성들을 비교하며, 소프트웨어 품질에 대한 함의와 시간적 역학에 초점을 맞춘다. 전반적으로 본 연구 결과는 소프트웨어 개발에서 AI 코딩 에이전트의 역할에 대한 실증적·종단적 관점을 제공하며, 실제 현장에서의 이점과 한계에 대한 보다 미묘한 이해를 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.