짧지만 의미심장한 이야기 하나부터 시작해 보겠습니다.
한 학생이 깔끔하게 정리된 회귀 분석 결과를 보여준 적이 있습니다. 출력 결과도 깨끗하고, p값도 정확하고, 모든 게 완벽해 보였죠. 그런데 딱 한 가지 문제가 있었습니다. 학생이 결과를 완전히 잘못 해석했던 겁니다. 어떻게 그런 결론에 도달했는지 묻자, 학생은 간단하게 "인공지능이 그렇게 말했어요."라고 답했습니다.
그 순간이 제게 깊은 인상을 남겼습니다. 인공지능이 틀렸기 때문이 아니라(틀리지 않았습니다), 사고가 시작되기도 전에 멈춰버렸기 때문입니다. 학생이 단 하나의 가설조차 세우기 전에 추론 과정이 이미 외부 기관에 맡겨져 버린 것입니다.
간단히 말해서, 이것이 바로 데이터 분석 교육에서 인공지능이 가져올 수 있는 진정한 위험입니다.
문제는 도구가 아닙니다.,워크플로입니다.
교육 분야에서 AI의 위험성에 대해 이야기할 때, 흔히 표절이나 자동화된 과제 제출과 같은 학문적 진실성 문제가 거론됩니다. 물론 이러한 문제들은 분명히 심각한 우려 사항입니다. 하지만 통계 교육자들에게 있어 더 근본적인 문제는 인지적인 측면에 있습니다. 학생이 질문을 형성하기도 전에 도구가 분석 결과를 생성하고, 설명을 덧붙이고, 결론을 제시할 수 있다면 학생의 추론 과정은 어떻게 될까요?
Advait Sarkar[3]는 2025년 AI와 비판적 사고에 관한 TED 강연에서 이를 “우리 자신의 생각의 중간 관리자가 되는 것”이라고 부르며 아이디어를 생성하기보다는 AI 출력을 승인하는 것이라고 말합니다. 저는 학생들이 유창한 문장으로 보고서를 제출하지만 자신의 말로 바꿔 표현할 수 없는 모습을 볼 때마다 이 프레임에 공감합니다. 단어는 있지만 이해가 부족한 것입니다.
저는 이것을 '능력의 환상' 이라고 부릅니다. 인공지능은 학생들이 오류를 감지할 수 있는 근본적인 이해 없이도 설득력 있는 분석과 이야기를 만들어낼 수 있도록 해줍니다. 결과물은 그럴듯해 보이지만, 그 이면에는 사고 과정이 전혀 없을 수도 있습니다.
계속해서 보이는 세 가지 패턴
- 검증 없는 확신.
AI 도구는 불확실한 경우에도 권위 있는 답변을 내놓는 경향이 있습니다. 학생이 ANOVA 가정에 대해 질문하면 그럴듯하게 들리는 답변을 받습니다. 아무도 잔차 도표를 확인하지 않습니다. 전통적인 실험실 수업이었다면 강사는 "좋습니다, 하지만 진단 결과를 보여주세요."라고 말했을 것입니다. 그러한 마찰은 교육적으로 유익했습니다. 우리는 그것을 없애려고 해서는 안 됩니다.
아래 그림은 바로 이를 보여줍니다. 펭귄 데이터 세트에 대한 단순 선형 회귀 분석(종은 고려하지 않음)은 언뜻 보기에 타당해 보일 수 있습니다. 하지만 잔차 플롯은 전혀 다른 이야기를 들려줍니다.
Residual by Predicted Plot from a linear regression on the penguin data set, but the pattern signals that the model is missing something. Species, in this case.펭귄 데이터 세트에 대한 선형 회귀 분석에서 예측값 대비 잔차를 나타낸 그래프이지만, 패턴은 모델에 무언가가 누락되었음을 시사합니다. 이 경우, 종 정보가 누락된 것입니다.
확인하지 않으면 놓치는 것: 건전한 회의주의 .
- 유창한 보고서, 취약한 이해.
AI가 생성한 설명은 세련되고 전문적으로 들릴 수 있습니다. 하지만 학생들에게 자신의 말로 결과를 설명해 보라고 하면, 부족한 부분이 드러납니다. 저는 학생들이 AI가 생성한 텍스트를 말로 설명해 보도록 요청하기 시작했습니다. 학생들이 제출한 내용과 실제로 말로 설명할 수 있는 내용 사이의 차이가 놀라울 때가 있습니다.
잃어버리는 것: 진정한 이해 .
- 복잡한 중간 단계를 건너뛰고.
인공지능이 바로 해석으로 넘어갈 수 있다면 모델 설정에 어려움을 겪을 필요가 있을까요? 하지만 핵심적인 통찰력은 바로 그 어려움 속에 숨어 있습니다. 데이터 불균형을 발견하고, 잘못된 변수 정의를 알아채고, 분석 전반에 걸쳐 확산되기 전에 가정 위반을 잡아내는 것 말입니다.
무엇이 사라지는가: 실천을 통한 학습 .
| "이해하지 않고도 과제를 완료할 수 있다면, 그것은 진정한 이해도 평가가 아니었던 것이다." |
더 나은 접근 방식: 제한하지 말고 디자인하세요
AI를 피하는 것이 해답은 아닙니다. 사려 깊은 통합이 해답입니다. 실제로 효과가 있는 네 가지 전략을 소개합니다.
- 인공지능을 적절한 시기에 도입하라.
학생들이 AI 도구를 사용하기 전에 데이터를 탐색하고, 모델을 구축하고, 가설을 세우도록 하세요. 그렇게 하면 AI는 학생들의 사고력을 대체하는 것이 아니라, 사고를 보완하는 도구가 됩니다. 순서가 중요합니다. 먼저 자신의 관점을 형성한 다음, 도구가 생성한 결과와 비교하여 검증해야 합니다.
- 인공지능이 답할 수 없는 질문을 해보세요.
“이 모델을 해석해 보세요”라고 묻는 대신, 다음과 같이 질문하세요:
- 데이터에서 어떤 점이 놀라웠나요?
- 다음번에 다시 한다면 무엇을 다르게 하시겠습니까?
- 이것이 현재 결정에 왜 중요한가요?
이 질문들은 자동 완성된 텍스트가 아닌 개인적인 추론을 요구합니다.
- AI의 오류를 교육의 기회로 삼으세요.
AI는 오류를 범하기도 하므로, 그 오류를 활용하세요. 학생들에게 오류가 있는 AI 제안을 보여주고 "이것을 신뢰하시겠습니까? 어떻게 검증하시겠습니까?"라고 질문해 보세요. 학생들이 AI 오류를 찾아내는 방법을 배우면서, 다른 모든 분석 상황에 적용할 수 있는 비판적 평가 능력을 키우게 됩니다. AI는 지름길이 아니라 비판적 사고를 위한 도구가 되는 것입니다.
- 기대치를 투명하게 밝히세요.
학생들은 일반적으로 명확한 지침을 받아들입니다. 학습을 위해 AI를 사용하는 것은 괜찮습니다. 사고를 AI로 대체 하는 것은 안 됩니다. 이러한 구분은 중요하며, 명확하게, 초기에, 그리고 일관되게 설명될 때 효과가 있습니다. Neil Selwyn[4]은 교육에서의 AI는 필연이 아니라 선택이라는 점을 상기시켜 줍니다. 학습 환경을 설계하는 것은 여전히 강사의 몫입니다.
JMP 도구 자체가 하는 일
JMP 학생용 에디션의 AI 도구에는 안전장치가 내장되어 있습니다. 모든 LearnBot 및 Assistant 세션에는 "AI 생성 콘텐츠: 사용 전에 정확성과 적합성을 평가하십시오."라는 명확한 알림이 표시됩니다. 이는 교육적 지침으로 활용될 때 학생들이 함양해야 할 비판적 사고방식을 정확하게 보여줍니다.
JMP의 Russ Wolfinger가 말했듯이[6] AI는 증강하는 것이지 대체하는 것이 아닙니다. 도구는 이러한 원칙을 염두에 두고 설계되었습니다. 교실에서 이러한 방식으로 사용될지 여부는 강사에 달려 있습니다.
더 큰 그림
교육에서의 AI의 구조적 한계에 대한 그의 연구는 일반적으로 받는 것보다 더 많은 관심을 받을 만한 가치가 있는 Neil Selwyn[4][5]은 교실에서의 AI는 필연적인 것이 아니라 선택이라고 주장합니다. 문제는 AI를 사용할지 여부가 아니라 각 특정 사용으로부터 누가 이익을 얻는지, 그리고 통계적 추론의 핵심 기술이 개발되고 있는지 아니면 조용히 대체되고 있는지입니다.
훌륭한 데이터 분석은 단순히 답을 빨리 얻는 것이 아닙니다. 불확실성을 다루고, 결과에 의문을 제기하고, 결정을 옹호하며, 때로는 "아직 완전히 이해하지 못했습니다"라고 말하는 것입니다. 인공지능이 학생들이 생각할 틈도 없이 모든 것을 처리해 버리는 상황에서 가장 위협받는 것이 바로 이러한 능력들입니다.
5화에서는 미래를 내다봅니다. 데이터 활용 능력 교육의 미래는 어떤 모습일까요? 그리고 JMP와 같은 도구는 그 안에서 어떤 역할을 할까요?
이것을 시도해 보세요
학생들이 현재 AI의 도움을 받아 완성하는 과제를 하나 생각해 보세요. 그리고 AI가 답할 수 없는 질문 하나를 추가해 보세요. 예를 들어, "이 분석에서 가장 우려되는 가정은 무엇이며, 그 이유는 무엇입니까?"와 같은 질문입니다. 그런 다음, 그 답변들을 수업 시간에 공유해 보세요. 학생들이 지적하는 우려 사항과 간과하는 부분은 분석 자체보다 학생들의 이해도를 더 잘 보여줄 것입니다.
참고 자료
[1] JMP 학술 프로그램 , jmp.com/academic
[2] JMP 학생용 에디션 , jmp.com/student
[3] Advait Sarkar: “AI가 비판적 사고를 죽이는 것을 막는 방법” , TED 강연, 2025
[4] Neil Selwyn: Should Robots Replace Teachers?, Polity Press, 2019
[5] Neil Selwyn: 교육 분야 인공지능의 한계에 대하여 , 2024
[6] Russ Wolfinger: 과학자와 엔지니어가 AI 기반 시대를 대비해야 하는 7가지 주요 방법 , JMP 백서
[7]GAISE 대학 보고서 개정 작업 (진행 중, 2025년)
저자 소개
볼커 크라프트는 JMP 글로벌 학술팀의 일원으로서 JMP Statistical Discovery(SAS 계열사)의 유럽, 중동 및 아프리카(EMEA) 지역 수석 학술 홍보대사로 활동하고 있습니다. 2011년부터 유럽 전역의 대학들이 JMP를 교육 및 연구에 통합할 수 있도록 지원해 왔습니다. 그의 전공 분야는 음성 기술 연구이며, 이 분야는 인공지능(AI)이 보편화되기 훨씬 이전부터 통계적 엄밀성과 공학적 실용성이 공존해야 했던 분야입니다. JMP 커뮤니티 또는 LinkedIn을 통해 그에게 연락할 수 있습니다.
5부작 중 4화 • 다음 편: 앞으로 나아갈 길 — 데이터 활용 능력 교육의 미래
