■ 배경
• 이 논문은 Crystal H. Brown, Patricia Agupusi, Shamsnaz Bhada, Stephen McCauley, Daniel N. Treku, Raha Moraffah, Oleg V. Pavlov가 공동 집필해, MDPI의 학술지 Systems 2026년 14권 9호에 게재되었다. 

• 논문 제목은 「Teaching with and About Artificial Intelligence: An Interdisciplinary Convergence–Divergence Framework for AI Literacy in Higher Education」이며, 2026년 9월 1일 발행되었다.

• 연구진은 미국 매사추세츠주 Worcester Polytechnic Institute의 교수학습공동체(Faculty Learning Community(FLC)) 사례를 바탕으로, 고등교육에서 AI를 어떻게 가르치고 활용할 것인지를 분석했다. 

• 이 공동체에는 컴퓨터과학, 경영정보시스템, 시스템공학, 경제학, 개발학, 정치학, 지리학 등 7개 분야 교수진이 참여했으며, 2025~2026학년도 동안 각자의 수업에서 AI를 어떻게 통합하는지 논의했다.

• 논문의 핵심 문제의식은 고등교육 현장에서 AI 활용이 빠르게 확산되고 있지만, 교수자들이 이를 수업에 통합하는 데 참고할 수 있는 공통 지침은 부족하다는 점이다. 

• 특히 논문은 AI를 단순 도구가 아니라 복잡한 사회기술 시스템으로 보고, 전공별 차이를 인정하면서도 공통 AI 리터러시 기반을 마련해야 한다고 제안한다.

■ 주요내용
• 논문은 고등교육에서 AI 교육을 “Teaching with AI(교육 AI)”와 “Teaching about AI(AI 교육)”로 구분한다. 

• 전자는 AI를 수업, 과제, 분석, 설계, 글쓰기, 문제해결 등에 활용하는 교육이고, 후자는 AI의 원리, 한계, 윤리, 사회적 영향, 거버넌스 등을 가르치는 교육이다. 

• 이 구분은 연구 과정의 집단 토론을 통해 핵심 분석틀로서, 각 전공이 AI를 다르게 이해하고 활용한다는 점을 보여주는 기준이 되고 있다.

• 연구진은 통합-분화 프레임워크(convergence–divergence framework)를 제시하고 있다.

• 논문은 이를 데이지꽃 비유로 설명하는데, 가운데 부분은 모든 전공에 공통적으로 필요한 AI 리터러시, 윤리·위험 인식, 거버넌스 프레임워크를 의미하고, 꽃잎 부분은 각 전공의 고유한 관점, 적용 방식, 쟁점을 의미한다.

• 즉 대학 차원의 AI 교육은 하나의 표준교육과정을 일괄 적용하는 방식이 아니라, 공통역량과 전공별 맥락을 동시에 설계해야 한다.

• 7개 전공의 사례는 AI 교육이 전공별로 서로 다른 질문을 만든다는 점을 보여준다. 기술 중심 분야인 컴퓨터과학, 경영정보시스템, 시스템공학은 AI를 설계·구축·검증하는 관점에서 접근하는 반면, 경제학은 노동시장과 불평등 영향을 분석하고, 개발학·정치학·지리학은 AI를 사회·정치·환경 현상으로 비판적으로 검토한다. 논문은 신뢰할 수 있는 AI 결과물의 기준도 전공마다 다르며, 시스템공학에서의 신뢰성과 정치학·개발학에서의 신뢰성은 다르게 작동한다고 지적한다.

• 논문은 생성형 AI가 기존 평가방식에도 근본적 문제를 제기한다고 본다. 

• AI가 학생의 실제 이해와 구분하기 어려운 완성도 높은 산출물을 만들어낼 수 있기 때문에, 보고서·에세이·코딩 결과물만으로 학생의 사고 과정을 판단하기 어려워졌다는 것이다. 

• 이에 따라 대학은 최종 산출물 중심 평가에서 벗어나 학생의 문제정의, 탐색 과정, 판단 근거, 수정 과정 등 추론과정의 증거를 추가로 확인하는 평가 체계를 마련해야 한다.

• 이 연구는 AI 교육과 같이 빠르게 변화하는 주제에서는 외부 전문가가 일방적으로 지침을 만드는 방식이 아닌, 다양한 전공 교수들이 자신의 수업 경험을 공유하고 공통점과 차이를 반복적으로 검토하는 방식을 도입해 설득력을 얻고 있다.

■ 시사점
• 첫째, AI 교육은 “AI를 쓸 수 있게 하는 교육”과 “AI를 이해하고 비판적으로 다루는 교육”을 함께 설계해야 한다. 

• 한국의 대학·고교 AI 교육도 생성형 AI 도구 활용법에만 치우치면 전공별 학습목표와 윤리적 판단, 사회적 영향 분석이 약해질 수 있다.

• 이 논문은 AI 리터러시를 단일 과목이 아니라 모든 전공과 교과가 자기 방식으로 재구성해야 할 공통 기반으로 본다는 점에서 의미가 있다.

• 둘째, AI+X 융합교육은 전공별 차이를 없애는 방식이 아니라 전공별 질문을 더 선명하게 만드는 방식이어야 한다. 

• 예를 들어 과학·공학에서는 AI 모델의 정확성, 데이터 품질, 시스템 안전성이 중요하고, 사회과학에서는 AI가 권력, 불평등, 민주주의, 지역사회에 미치는 영향이 중요하다. 

• 따라서 한국의 AI 융합인재 정책도 모든 학생에게 동일한 AI 교육을 제공하는 데서 나아가, 과학·수학·공학·사회·인문 분야별 AI 활용 및 비판 프레임을 개발할 필요가 있다.

• 셋째, 교원역량 강화는 개별 교사의 도구 활용 연수만으로는 부족하다. 

• 논문이 제시한 FLC 사례처럼, 교수자들이 전공과 교과를 넘어 함께 수업 사례를 공유하고, AI 활용의 공통 원칙과 전공별 쟁점을 함께 정리하는 교수학습공동체형 연수모델이 필요하다. 

• 이는 초중등 교사연수에도 적용할 수 있다. 정보교사만이 아니라 과학, 수학, 사회, 국어, 진로교사 등이 각 교과에서 AI를 어떻게 다룰지 공동으로 탐색해야 한다.

• 넷째, 평가방식 전환이 중요하다. 생성형 AI 시대에는 산출물만 평가하면 학생의 실제 사고와 AI가 만든 결과물을 구분하기 어렵다. 따라서 탐구일지, 프롬프트 기록, 자료 검증 과정, 동료토론, 구두발표, 수정 이력, 반성적 설명 등을 포함한 과정 중심 평가가 강화되어야 한다. 

• 이는 과학교육의 탐구평가, STEM 프로젝트, 과학영재 연구활동 평가에도 직접 연결된다.

■ 결론
• 이 논문은 고등교육의 AI 리터러시 정책이 공통역량과 전공별 자율성의 균형 위에서 설계되어야 한다는 점을 강조한다. 

• AI 교육은 단순한 도구 사용법 교육이 아니라, 각 전공이 AI를 통해 무엇을 알고, 무엇을 만들고, 무엇을 비판해야 하는지를 다시 묻는 교육과정 재설계 과제이다.

• 한국의 과학기술인재·과학교육 정책에서도 이 관점은 중요하다. 

• AI 소양교육은 모든 학생에게 필요한 공통 기반으로 제공하되, 과학·수학·공학·사회·인문 등 교과별로 다른 AI 활용 맥락과 검증 기준을 마련해야 한다. 

• 또한 교사와 교수자가 함께 학습하고 실험하는 공동체 기반 연수와, AI 시대에 적합한 과정 중심 평가체계가 함께 마련될 때 AI 교육은 단순 활용교육을 넘어 미래역량 교육으로 발전할 수 있다.

■ 출처
• Brown, C. H., Agupusi, P., Bhada, S., McCauley, S., Treku, D. N., Moraffah, R., & Pavlov, O. V. (2026). Teaching with and About Artificial Intelligence: An Interdisciplinary Convergence–Divergence Framework for AI Literacy in Higher Education. Systems, 14(9), 1055. 발행일: 2026.9.1.
• Preprints.org. Teaching with and About Artificial Intelligence: An Interdisciplinary Convergence-Divergence Framework for AI Literacy in Higher Education [v1]. 게시일: 2026.7.3.