[AI 아카이]생성형 AI 시대, 대학 교육은 무엇을 평가해야 하는가

생성형 AI 시대, 대학은 무엇을 평가해야 하는가

생성형 AI는 이제 대학 교육의 주변 기술이 아니다. 학생들은 AI에게 과제의 개요를 요청하고, 문장을 다듬고, 문헌을 요약하고, 코드를 생성하며, 반론과 발표문을 만든다. 교수자는 제출된 글이 학생의 사고와 학습을 반영하는지, AI가 얼마나 개입했는지 판단해야 한다.

하지만 최근 연구가 던지는 질문은 “AI를 썼는가”를 넘어선다. 핵심은 다음과 같다.

생성형 AI가 글·코드·요약·초안·분석을 만들 수 있는 환경에서 대학은 학생의 실제 이해, 판단, 검증 능력, 문제 해결 능력을 어떻게 평가할 것인가.

이 글은 생성형 AI와 대학 교육을 둘러싼 주요 연구, 국제기구 지침, 대학 정책의 최근 흐름을 정리한 아카이브다. 각 연구의 원문 링크는 본문에 함께 넣었다.

---

1. 교수자는 AI가 쓴 과제를 구별할 수 있는가

영국 대학 실험이 보여 준 것

생성형 AI가 대학 평가를 흔드는 이유는 단순하다. 완성된 글만 보고 그 글을 누가, 어떤 방식으로 썼는지 판별하기가 점점 어려워지고 있기 때문이다.

 

이 문제를 직접 실험한 대표 연구가 Kofinas, Tsay, Pike의 2025년 논문이다. 논문 제목은 「The impact of generative AI on academic integrity of authentic assessments within a higher education context」이며, 교육공학 분야의 동료심사 학술지인 British Journal of Educational Technology에 게재됐다.

 

연구진은 영국의 두 대학 비즈니스스쿨에서 대학 교원 8명을 평가자로 모집했다. 이들에게 인간 학생이 작성한 과제, ChatGPT 3.5로 일부 문장을 수정한 과제, ChatGPT 3.5가 전면 작성한 과제를 섞어 제시했다. 평가자들은 총 21개 과제를 채점한 뒤, 어느 과제에 AI가 개입했는지를 판단했다.

 

논문은 평가자들이 인간 작성물과 AI 개입 과제물을 일관되게 구별하기 어려웠다고 보고한다. 평가자 쌍별 AI 개입 여부 판단 정확도는 33.3%에서 85.7%까지 크게 차이 났다. 인간이 작성한 과제를 AI가 쓴 것으로 의심한 오탐 사례도 있었고, AI가 수정하거나 생성한 과제를 인간 작성물로 본 미탐 사례도 있었다.

 

연구진이 특히 주목한 것은 AI 사용에 대한 의심 자체가 채점에 영향을 미친다는 점이다. 평가자들은 지나치게 매끄러운 문장, 오류가 적은 문법, 일정한 문단 구조 등을 AI 개입의 단서로 보기도 했다. 그러나 이런 특성은 성실하고 글쓰기 능력이 높은 학생의 작업에서도 나타날 수 있다.

 

즉, 문체가 좋아 보인다는 이유, 글이 지나치게 완성돼 보인다는 이유, 표현이 익숙하지 않다는 이유만으로 학생의 AI 사용을 단정하기는 어렵다.

 

논문은 다음과 같은 문제의식을 제기한다.

채점자는 AI가 개입한 과제를 안정적으로 구분하지 못할 수 있으며, AI 사용에 대한 의심은 인간이 작성한 우수한 과제를 과소평가하는 결과로 이어질 수 있다.

이 연구에서 ChatGPT 3.5가 전면 생성한 과제물 6개는 55점에서 70점 사이의 평가를 받았다. 영국 학부 평가 체계에서 통과 가능한 수준의 결과물이 생성된 것이다. 연구진은 일부 조건에서 생성형 AI가 학생이 실제 학습 과정에 충분히 참여하지 않고도 과제를 통과할 수 있는 산출물을 빠르게 만들어낼 수 있다고 본다.

 

다만 이 연구를 과장해서는 안 된다. 실험은 영국 두 대학의 비즈니스 분야, 서면형 과제, 총 8명의 평가자, ChatGPT 3.5라는 제한된 조건에서 이뤄졌다. 따라서 “교수자는 AI 글을 전혀 구분하지 못한다”거나 “모든 대학 과제는 무력화됐다”라고 일반화할 수는 없다.

 

그럼에도 이 연구가 주는 교훈은 분명하다. 대학이 학생의 역량을 확인하려면 최종 글 한 편만 보고 판단하는 방식에서 벗어날 필요가 있다.

 

원문 논문:
Kofinas, A. K., Tsay, C.-H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56(6), 2522–2549.

연구 소개글:
British Educational Research Association, Evaluating authentic assessments and academic integrity in the age of generative AI.

---

2. 진정성 평가만으로는 충분하지 않다

현실 문제를 다루는 과제도 AI에 취약할 수 있다

AI 시대의 대안으로 자주 언급되는 방식이 진정성 평가다. 진정성 평가는 학생이 실제 직무, 기업 사례, 공공정책, 지역사회 문제, 현장 상황과 연결된 과제를 수행하도록 하는 평가를 뜻한다.

 

예를 들어 다음과 같은 과제가 진정성 평가에 가깝다.

• 실제 기업의 경영 문제를 분석하고 개선안을 제시하기
• 지역사회 문제에 대한 정책 제안서 만들기
• 특정 산업의 데이터를 분석해 보고서 작성하기
• 가상의 이해관계자 회의에서 협상안 발표하기
• 실제 사례를 바탕으로 법·정책·윤리 쟁점을 검토하기

그러나 앞서 소개한 Kofinas 등의 연구는 중요한 한계를 제기한다. 과제가 현실적이고 직무와 연결돼 있더라도, 최종적으로 학생이 서면 결과물만 제출하는 구조라면 생성형 AI가 상당 부분을 대신할 수 있다는 것이다.

 

이 연구는 과제의 진정성 수준이 높아진다고 해서 AI 사용을 쉽게 탐지하거나, AI 개입을 자동으로 차단할 수는 없다고 결론 냈다. 연구진은 “진정성 평가만으로 학업윤리를 보장할 수 없다”고 지적한다.

 

그렇다고 진정성 평가가 의미 없다는 뜻은 아니다. 핵심은 현실적인 주제를 주는 데서 멈추지 않는 것이다.

 

학생이 실제로 무엇을 배웠는지 확인하려면 다음과 같은 과정 증거를 함께 보아야 한다.

• 학생이 처음 설정한 문제 정의와 연구 질문
• 자료를 찾고 선택한 과정
• 자료의 출처와 신뢰성을 확인한 기록
• 초안과 수정 과정
• AI가 제시한 답변 중 채택한 부분과 버린 부분
• AI 답변의 오류나 편향을 발견하고 수정한 과정
• 최종 주장에 대한 짧은 구두 설명과 질의응답
• 실제 현장·지역·수업 토론과 연결한 개별 적용

최근 발표된 「Resilient assessment in the age of AI: authentic design and verbal assessment」은 이러한 맥락에서 구술시험, 발표, 대화형 토론, 실시간 설명처럼 학생이 자신의 이해를 직접 말하고 방어해야 하는 평가를 제안한다. 이 논문은 AI가 완성된 글을 만들어낼 수 있더라도, 학생이 실시간으로 자신의 주장과 근거를 설명하고 질문에 응답하는 능력까지 대체하기는 어렵다는 점에 주목한다.

 

이때 중요한 것은 AI를 회피하기 위한 감시 강화가 아니라, 학생이 AI를 활용하더라도 자신의 생각과 검증 과정을 보여 주도록 평가를 설계하는 일이다.

---

3. AI는 학생의 사고력을 떨어뜨리는가

위험은 중요하지만, 단정은 경계해야 한다

생성형 AI에 관한 논의에는 흔히 두 가지 극단이 나타난다. 한쪽은 AI가 개인 맞춤형 교육을 실현할 것이라고 말한다. 다른 쪽은 AI가 학생의 사고력과 글쓰기 능력을 파괴할 것이라고 우려한다.

 

현재 연구는 이 문제를 더 신중하게 다뤄야 한다고 말한다.

 

Bernstein 등은 2025년 「Beyond the Benefits: A Systematic Review of the Harms and Consequences of Generative AI in Computing Education」에서 컴퓨팅교육 분야의 생성형 AI 관련 연구 224편을 체계적으로 검토했다. 연구진은 ACM Digital Library, IEEE Xplore, Scopus에서 자료를 찾아 분석했으며, 생성형 AI가 학습자와 교육 현장에 미칠 수 있는 위험을 여섯 범주로 정리했다. 원문 사전공개본 보기

Beyond the Benefits: A Systematic Review of the Harms and Consequences of Generative AI in Computing Education

 

연구진이 분류한 위험은 다음과 같다.

인지적 위험

생성형 AI는 그럴듯하지만 틀린 정보를 제공할 수 있다. 학생이 AI의 답변을 검증하지 않으면 잘못된 개념을 배우거나, 표면적으로만 이해하는 얕은 학습으로 이어질 수 있다.

메타인지적 위험

메타인지는 자신이 무엇을 알고 무엇을 모르는지 점검하고, 문제 해결 전략을 세우고, 오류를 수정하는 능력이다. 생성형 AI가 즉시 답을 제시하면 학생이 스스로 계획하고 시행착오를 겪고 답을 수정하는 과정을 건너뛸 가능성이 있다.

평가와 학업윤리의 위험

AI는 학생이 실제로 문제를 풀지 않고도 글이나 코드를 제출하게 만들 수 있다. 이에 따라 서면 과제의 저자 판별, 부정행위 처리, 성적의 신뢰성이 문제가 된다.

형평성의 위험

학생마다 AI 접근 조건이 다르다. 유료 구독 서비스, 고성능 기기, 빠른 인터넷, 영어 중심의 도구 성능, AI 활용 경험의 차이는 새로운 교육 격차로 이어질 수 있다.

사회적 위험

학생이 교수자나 동료에게 질문하고 토론하는 대신 AI에게만 의존한다면, 협업과 도움 요청, 학습공동체 경험이 약해질 가능성이 있다.

수업 운영의 위험

교원은 AI 사용 규칙을 만들고, 과제를 새로 설계하고, 개인정보와 저작권 문제를 검토하고, 학생의 AI 활용을 지도해야 한다. 이는 단순한 기술 도입이 아니라 수업 운영 전반의 변화다.

 

그러나 이 연구의 가장 중요한 메시지는 AI의 위험을 강조하는 데만 있지 않다. 연구진은 많은 위험이 아직 충분한 실증자료로 검증되지 않았다고 지적한다.

 

특히 “AI 사용이 실제로 학업부정을 얼마나 늘렸는가”, “AI가 비판적 사고를 어느 정도 약화시키는가”, “어떤 학생이 특히 더 큰 불이익을 받는가”에 대해서는 장기 추적과 비교 연구가 더 필요하다.

 

따라서 다음과 같은 단정은 신중해야 한다.

• AI를 쓰면 학생의 비판적 사고가 반드시 떨어진다.
• AI는 대학 글쓰기 교육을 끝냈다.
• AI 사용은 무조건 학업부정이다.
• AI는 학습공동체를 파괴한다.

더 정확한 결론은 다음과 같다.

생성형 AI는 학습, 자기점검, 문제 해결, 학업윤리, 접근 형평성에 실질적 위험을 만들 수 있다. 그러나 위험의 정도와 방향은 학생의 준비도, 과제 설계, 교수자의 안내, AI 도구의 사용 방식, 수업 환경에 따라 달라질 수 있다.

원문 자료:
Bernstein, S., Denny, P., Leinonen, J., Kan, L., Hellas, A., Littlefield, M., Sarsa, S., & MacNeil, S. (2025). Beyond the Benefits: A Systematic Review of the Harms and Consequences of Generative AI in Computing Education.

---

4. 대학 AI 정책은 어디로 가고 있는가

‘강한 공통 원칙’과 ‘과목별 유연성’의 결합

생성형 AI가 등장한 초기에는 대학들이 챗GPT 사용을 금지하거나, AI 탐지 도구를 도입하거나, 기존 표절 규정을 확대 적용하는 방식으로 대응했다.

 

그러나 최근의 연구와 대학 정책은 단순 금지나 탐지에만 의존하는 방식이 충분하지 않다고 본다. AI 기술과 사용 방식이 빠르게 변하고, 학문 분야와 과목별 학습목표가 다르기 때문이다.

 

이 문제를 국제적 수준에서 다룬 연구가 Crompton 등 35명의 연구자가 발표한 「Governing generative AI in higher education: a global Delphi study on policy and practice」다.

 

이 연구는 22개 국가·지역, 6개 대륙의 고등교육 및 교육기술 전문가 35명을 대상으로 델파이 조사를 실시했다. 델파이 조사는 여러 전문가의 의견을 반복적으로 수렴해 공통된 합의를 도출하는 방법이다.

 

연구 결과, 전문가 패널의 88%는 대학이 다음 두 가지를 함께 운영해야 한다고 답했다.

• 대학 전체에 적용되는 공식 AI 정책
• 학과·전공·교과목의 특성을 반영하는 유연한 AI 활용 지침

공식 정책은 학업윤리 위반의 정의, 처분 절차, 개인정보 보호, 책임 주체처럼 대학 전체에 공통으로 적용할 원칙을 다룬다. 반면 과목별 지침은 AI를 어디까지 허용할 것인지, 어떤 과제에서 AI 사용을 제한할 것인지, 사용 사실을 어떻게 밝혀야 하는지를 수업의 학습목표에 맞게 정한다.

 

연구진은 대학 AI 정책이 다뤄야 할 8개 핵심 영역을 제시했다.

1. 학업윤리와 AI 관련 위반의 정의
2. 윤리적이고 책임 있는 AI 활용
3. 개인정보와 데이터 보호
4. 공정한 접근성과 포용성
5. 학생·교원의 AI 리터러시
6. 교육과정·평가와 연계된 AI 통합 전략
7. 인간의 감독과 책임소재
8. 기관 차원의 지원과 인프라

이 가운데 특히 주목할 것은 인간의 감독과 책임이다. 학생의 성적, 징계, 학업윤리 판단처럼 학생의 권리와 미래에 영향을 미치는 결정은 AI 탐지 점수나 자동화된 도구에 맡겨서는 안 된다는 원칙이다.

 

연구진은 AI 정책이 한 번 만들고 끝나는 문서가 되어서는 안 된다고도 강조한다. 생성형 AI의 모델, 서비스, 활용 방식, 법·제도 환경은 계속 바뀌기 때문이다. 따라서 대학에는 전담 위원회, 정기적 정책 재검토, 교원·학생 연수, 구성원과의 소통, 효과 평가, 외부 환경 모니터링이 필요하다.

 

원문 논문:
Crompton, H., Burke, D., Nickel, C., et al. (2026). Governing generative AI in higher education: A global Delphi study on policy and practice. International Journal of Educational Technology in Higher Education, 23, Article 21.

---

5. AI 탐지기는 증거인가, 검토의 시작점인가

탐지 점수로 학생을 처벌할 수 없는 이유

AI 탐지기는 학생이 제출한 글이 AI로 작성됐을 가능성을 점수나 비율로 보여 준다. 하지만 그 점수는 AI 사용의 확정 증거가 아니다.

 

AI 작성 탐지 기능을 제공하는 Turnitin도 자사의 공식 안내에서 AI 탐지 결과가 사람의 글과 AI 생성물, AI 도움을 받아 수정·의역된 글을 잘못 분류할 수 있다고 설명한다. Turnitin은 AI 탐지 결과를 학생에게 불이익을 주는 조치의 유일한 근거로 사용해서는 안 된다고 안내한다.

 

Turnitin의 공식 AI 탐지 안내는 여기에서 확인할 수 있다.

 

Turnitin, AI writing detection in the new, enhanced Similarity Report

이 사실은 매우 중요하다. 탐지 서비스를 운영하는 기업조차 탐지 결과를 자동 처벌의 근거로 사용해서는 안 된다고 밝히기 때문이다.

 

따라서 AI 탐지 결과는 다음과 같이 다루는 것이 타당하다.

• AI 사용을 확정하는 판정이 아니라 추가 검토가 필요한 신호
• 수업 규정 위반 여부를 살피기 위한 보조적 자료
• 학생의 초안, 참고문헌, 작업 기록, 수업 참여, 구두 설명과 함께 확인할 요소
• 학생에게 작업 과정과 판단을 설명하도록 요청하는 출발점

반대로 탐지율이 높다는 이유만으로 과제에 0점을 주거나, 탐지 점수만으로 학생을 학업부정행위자로 확정하는 방식은 공정성 문제가 크다.

 

학생이 실제로 과제를 수행했는지 확인하려면, 탐지 결과보다 다음과 같은 검증 가능한 자료가 더 중요할 수 있다.

• 존재하지 않거나 확인할 수 없는 참고문헌
• 학생이 제출한 자료에서 발견되는 명백한 사실 오류
• 수업에서 다루지 않은 개념이나 방법을 설명하지 못하는 상황
• 학생이 자신의 논증과 자료 선택을 구두로 설명하지 못하는 상황
• 제출물과 초안·메모·이전 작업물 사이의 현저한 불일치
• 사전에 공지된 AI 사용 규칙을 위반한 정황

---

6. 해외 대학은 어떻게 대응하고 있는가

코넬대: 명확한 공지와 객관적 증거

미국 코넬대 교수학습혁신센터는 AI 활용과 학업윤리 위반을 줄이기 위해 교수자가 강의계획서와 과제 지시문에 AI 사용 규칙을 명확히 적어야 한다고 권고한다.

 

코넬대는 AI 사용에 대한 의심이 조사의 출발점이 될 수는 있지만, 공식 학업윤리 절차를 밟기 위해서는 객관적이고 검증 가능한 근거가 필요하다고 본다. 현 단계의 자동 AI 탐지 알고리즘은 신뢰성과 증거 능력의 한계 때문에 학업부정행위 판단에 사용하는 것을 권하지 않는다.

 

코넬대 공식 안내:
Cornell University Center for Teaching Innovation, AI & Academic Integrity

코넬대가 강조하는 핵심은 감시보다 사전 안내다. 학생이 과제마다 AI를 쓸 수 있는지, 쓴다면 어디까지 가능한지, 사용한 경우 무엇을 밝혀야 하는지를 미리 알도록 해야 한다는 것이다.

UBC: 개인 학습과 평가 과제를 구분

캐나다 브리티시컬럼비아대는 학생의 AI 활용을 개인 학습과 성적 평가 과제의 사용으로 구분한다.

 

개인 학습에서 학생이 AI를 활용해 개념을 이해하고, 공부 계획을 세우고, 피드백을 받는 것은 일정 조건 아래 가능하다. 그러나 성적이 부여되는 과제에서 AI를 어떻게 사용할 수 있는지는 수업 담당자의 사전 지침에 따라야 한다.

 

UBC는 학생에게 모든 AI 도구가 자동으로 허용되는 것은 아니며, 평가에서의 AI 사용은 교과목별 규칙을 먼저 확인해야 한다고 안내한다. 또한 AI 탐지 도구는 정확성, 편향, 개인정보, 지식재산권 문제를 검토하지 않은 상태에서 학생 과제에 적용해서는 안 된다는 신중한 입장을 취한다.

 

UBC 공식 안내:
University of British Columbia, Guidelines for all uses of GenAI in Teaching & Learning

UNESCO: 인간 중심의 교육 원칙

UNESCO는 생성형 AI를 교육과 연구에 활용할 때, 인간의 주체성, 포용성, 형평성, 성평등, 문화·언어 다양성을 보호해야 한다고 강조한다.

 

UNESCO의 핵심 메시지는 AI가 효율적이라는 이유만으로 교육의 목적이 바뀌어서는 안 된다는 것이다. AI는 학습자를 돕는 도구가 될 수 있지만, 학습자의 판단·창의성·책임을 대체해서는 안 된다.

 

UNESCO는 대학과 교육기관이 다음을 점검해야 한다고 권고한다.

• 학생·교원·연구자가 AI에 어떤 정보를 입력하는가
• 개인정보와 민감한 연구자료가 외부 서비스로 유출될 위험은 없는가
• AI가 제공한 정보의 오류와 편향을 누가 검증하는가
• 유료 AI 서비스와 기기·언어 격차가 교육 불평등을 키우지 않는가
• AI 도입이 실제 학습을 개선하는가
• AI가 학습자의 주체성과 인간적 관계를 약화시키지 않는가

UNESCO의 대표 지침은 아래 원문에서 확인할 수 있다.

UNESCO, Guidance for Generative AI in Education and Research

고등교육 현장에 초점을 둔 초기 안내서는 다음과 같다.

UNESCO IESALC, ChatGPT and Artificial Intelligence in Higher Education: Quick Start Guide

---

7. AI 시대, 평가를 어떻게 바꿀 것인가

생성형 AI 시대에 대학이 포기해야 하는 것은 글쓰기, 보고서, 프로젝트 평가 자체가 아니다. 포기해야 할 것은 완성된 결과물 한 편만으로 학생의 학습 전체를 판단할 수 있다는 믿음이다.

 

AI 시대의 평가는 결과물과 함께 과정, 설명, 적용, 성찰을 평가해야 한다.

글쓰기 평가

최종 에세이만 받는 방식에서 벗어나 개요, 초안, 수정 이력, 참고자료, 최종본을 함께 제출하게 할 수 있다.

자료 조사 평가

참고문헌 목록만 확인하지 말고, 학생이 어떤 자료를 왜 선택했는지, 출처의 신뢰성을 어떻게 검증했는지, 무엇을 배제했는지 확인할 수 있다.

논증 평가

학생이 AI의 답변을 그대로 반복했는지, AI의 제안 가운데 무엇을 채택하고 무엇을 수정하거나 폐기했는지, 그 이유를 설명하게 할 수 있다.

구두 설명 평가

보고서 제출 뒤 짧은 발표나 질의응답을 실시해 학생이 자신의 주장, 자료, 근거, 한계를 설명하도록 할 수 있다.

수업 중 수행평가

수업 시간 안에 자료를 해석하거나, 핵심 개념을 적용하거나, 짧은 논증을 구성하게 하면 학생이 실제로 이해하고 있는지 확인하는 데 도움이 된다.

AI 활용 자체를 평가하기

AI를 무조건 금지하기보다, 학생이 AI의 오류와 편향을 찾아내고, 신뢰할 수 있는 출처와 비교하고, 더 나은 질문을 만들고, 최종 판단에 책임지는 능력을 평가할 수 있다.

 

AI 활용을 제한적으로 허용하는 과제에서는 다음과 같은 선언문을 활용할 수 있다.

 

본 과제에서 사용한 생성형 AI 도구는 ○○이다. 나는 △△ 단계에서 아이디어 발산 또는 문장 교정을 위해 이 도구를 사용했다. AI가 제시한 내용 가운데 실제 반영한 부분은 ○○이다. 사실관계·통계·인용·논증의 정확성은 원자료를 통해 직접 확인했다. 최종 주장과 결과물에 대한 책임은 본인에게 있다.

 

 

이 선언은 AI 사용을 무조건 정당화하는 장치가 아니다. 학생이 AI를 무엇을 위해 사용했고, 어떤 부분을 검증했으며, 무엇을 자기 판단으로 남겼는지를 드러내는 학습 장치다.

---

8. 대학 교육의 질문이 바뀌고 있다

생성형 AI는 대학에 어려운 질문을 던진다. 그러나 이 문제는 새로운 기술 하나를 허용할지 금지할지에만 관한 것이 아니다. 대학이 무엇을 가르치고, 무엇을 평가하며, 어떤 역량을 인증할 것인가에 관한 질문이다.

 

AI 시대의 대학은 학생에게 다음을 물어야 한다.

• 학생은 AI가 만든 답의 오류와 편향을 찾아낼 수 있는가.
• 학생은 출처의 신뢰성을 확인하고 근거를 검증할 수 있는가.
• 학생은 AI의 제안을 그대로 반복하지 않고 자기 판단을 덧붙일 수 있는가.
• 학생은 자신의 주장과 선택을 다른 사람 앞에서 설명하고 방어할 수 있는가.
• 학생은 AI를 사용할 때 개인정보, 저작권, 공정성, 사회적 책임을 고려할 수 있는가.
• 학생은 AI의 편리함을 활용하면서도 생각과 책임을 외주화하지 않을 수 있는가.

생성형 AI 시대의 핵심 역량은 AI를 전혀 사용하지 않는 능력만이 아니다. 동시에 AI를 잘 다루는 기술만도 아니다.

더 중요한 역량은 AI가 제시한 답을 비판적으로 검토하고, 근거를 확인하고, 자신의 언어로 판단하고, 그 판단에 책임지는 능력이다.