네 편의 에피소드를 통해 우리는 많은 것을 다루었습니다. 인공지능이 등장하기 전, JMP 학생용 에디션이 교육 현장에서 진정으로 유용한 이유부터 살펴보았습니다. 인공지능이 강사의 역할을 어떻게 변화시킬 수 있는지, JMP 어시스턴트와 LearnBot이 실제로 어떤 역할을 하는지 알아보고, 특히 인공지능이 교육에 방해가 되는 지점과 교육 과정 설계에 안전장치를 마련하는 방법 등 위험성을 솔직하게 분석하는 시간을 가졌습니다.
이제 한 걸음 물러서서 더 큰 질문을 던지고 싶습니다. 이 모든 것이 어디로 향하고 있는 걸까요?
미래를 예측할 수는 없습니다. 누구도 그럴 수 없죠. 하지만 저는 유럽 전역의 대학 강사들과 15년 넘게 함께 일하면서 그들이 새로운 도구와 새로운 압력에 어떻게 적응해 나가는지, 처음에는 천천히, 그러다 갑자기 변화하는 모습을 지켜봐 왔습니다. 그리고 지금 제가 목격하고 있는 현상은 이전의 변화들과는 다릅니다. 인공지능이 마법 같아서가 아니라, 통계 교육자들이 이제 진지하게 고민해야 할 질문을 던지게 만들었기 때문입니다. 바로 "우리가 실제로 무엇을 가르치려고 하는가?"라는 질문입니다.
교육과정 문제저것AI는 우리에게 답을 강요합니다
수십 년 동안 입문 통계학 강좌는 절차 중심적으로 구성되었습니다. t-검정을 가르치고, 분산 분석(ANOVA)을 가르치고, 회귀 분석을 가르치는 식이었죠. 당시에는 타당해 보였습니다. 학생들은 이러한 방법들이 무엇을 하는지, 언제 적용되는지, 그리고 어떤 가정에 기반하는지를 이해해야 했기 때문입니다. 하지만 현재 비판받는 것은 그러한 지식 자체가 아니라, 절차만 다루는 것으로 충분하다는 생각입니다. 인공지능은 절차적인 측면은 이해할 수 있지만, 어떤 절차가 올바르게 선택되었는지, 또는 결과가 맥락상 실제로 무엇을 의미하는지 추론할 수는 없습니다.
이제 AI는 절차적인 환경도 탐색할 수 있게 되었습니다. 완벽하거나 신뢰할 수는 없지만, 학생들이 질문에 대한 답을 얻었다고 느낄 수 있을 만큼은 충분히 잘 해냅니다. AI는 우리가 오랫동안 미뤄왔던 질문, 즉 학생들이 실제로 무엇을 배우기를 원하는지에 대한 답을 제시하고 있습니다.
제 생각에 답은 가장 중요한 모든 것입니다. 통계적 사고, 현실적인 문제를 데이터 문제로 전환하는 능력, 결과의 신뢰성을 판단하는 능력, 그리고 "잠깐, 이게 정말 말이 되는 거지?"라고 진지하게 질문하는 자제력까지 말이죠.
여기에는 중요한 공통점이 있습니다. 인간의 통계적 판단이 가장 중요한 문제, 즉 새로운 데이터, 드문 상황, 확립된 틀이 없는 진정으로 복잡한 분석 질문은 인공지능 도구의 신뢰도가 가장 떨어지는 영역인 경우가 많습니다. LLM은 풍부한 데이터에 맞춰 훈련되었지만, 희귀하고 새로운 데이터에는 어려움을 겪을 수 있습니다. 데이터 분석의 탐구적이고 창의적이며 혁신적인 측면은 근본적으로 인간의 영역으로 남아 있습니다. 이는 위안거리가 아닙니다. 바로 통계적 사고를 가르쳐야 하고, 제대로 가르쳐야 하는 이유를 보여주는 근거입니다.
전문가들이 대응하고 있다,천천히 하지만 진지하게
통계 교육계는 이를 무시하지 않았습니다. 입문 통계 교육을 위한 가장 널리 인용되는 프레임워크인 GAISE College Report[13]는 현재 AI의 등장으로 인해 명시적으로 새로운 개정판[14]이 제작되고 있으며 이는 중요한 의미를 지닙니다. 이는 해당 분야가 이를 단순한 교실 관리 문제가 아니라 진정한 교육과정 과제로 다루고 있음을 의미합니다.
이 실시간 초안은 모든 해답을 담고 있어서가 아니라, 제기하는 질문들이 바로 핵심적이기 때문에 읽어볼 가치가 있습니다. 인공지능이 대신해 줄 수 없는 어떤 작업을 학생들이 스스로 할 수 있어야 할까요? 2026년에 통계 결과를 이해한다는 것은 무엇을 의미할까요?
저는 이번 개정 과정을 진심으로 관심 있게 지켜봐 왔습니다. 만약 개정의 결과가 절차적 설명보다는 통계적 추론, 판단력, 해석 능력을 중심으로 하는 틀이 된다면, 강사들은 인공지능이 쉽게 훼손할 수 없는 방식으로 강의를 재설계할 수 있는 전문적인 근거를 갖게 될 것입니다.
아직 해결되지 않은 것은 무엇인가
아직 명확한 해답을 찾지 못한 문제들에 대해 솔직하게 이야기하고 싶습니다. 다음 세 가지 질문을 곰곰이 생각해 볼 가치가 있습니다.
평가. 인공지능이 대부분의 전통적인 통계 과제를 수행할 수 있다면, 의미 있는 평가는 어떤 모습일까요? 구두 시험? 포트폴리오 기반 평가? 사전 준비 없이 실제 데이터를 활용한 문제 해결? 이러한 아이디어들은 새로운 것이 아니지만, 대규모 학부 수업에서 이를 실제로 구현하는 것은 매우 어렵습니다. 누구도 명확한 답을 가지고 있지 않습니다.
Neil Selwyn[10][11]은 이에 대해 더 날카로운 버전을 제기합니다. AI를 수용하기 위해 평가를 재설계하면서 교육을 기계가 읽을 수 있게 만들고 , 인간이 실제로 배워야 하는 것이 아니라 AI가 평가할 수 있는 것에 최적화하는 위험을 감수하고 있는 것은 아닐까요? 이러한 우려는 현재 받는 것보다 더 많은 관심을 받을 자격이 있습니다.
형평성. AI 도구에 대한 접근성은 불균등합니다. 디지털 인프라가 잘 갖춰져 있고 교수진의 지원이 탄탄한 교육기관의 학생들은 그렇지 않은 학생들과는 매우 다른 경험을 하게 될 것입니다. 만약 AI 활용 능력이 핵심적인 대학원 역량이 된다면, 누가 준비되고 있고 누가 그렇지 않은지 솔직하게 인정해야 합니다.
이상적인 모습은 무엇일까요? 아직 이러한 전환의 초기 단계이기 때문에 통계 교육에 AI를 통합하여 학생들이 AI를 사용하지 않았을 때보다 더 많이 배우고, 더 나은 추론 능력을 키우고, 더 강력한 분석적 판단력을 갖추게 된, 명확하게 성공적인 사례는 거의 없습니다. 저는 그러한 사례들이 존재한다고 믿습니다. 앞으로 더 많은 사례들이 기록되고 공유되기를 바랍니다.
| “최고의 분석가, 엔지니어, 과학자들은 항상 자신이 사용하는 도구보다 한 발 앞서 나갈 것입니다.” |
이 그림에서 JMP의 역할은 무엇일까요?
저는 이 시리즈 전체를 통해 제품 홍보로 흐르지 않도록 의도적으로 노력해 왔습니다. JMP 학생용 에디션은 교육에 매우 유용한 도구라고 생각하지만, 어쨌든 도구일 뿐입니다. 이 시리즈에서 제시하는 교육학적 논거는 JMP의 영향력 때문이 아니라, 그 자체의 타당성에 따라 평가되어야 합니다.
그렇긴 하지만, 저는 JMP의 AI 접근 방식에 담긴 설계 철학, 즉 분석적 추론을 대체하는 것이 아니라 보완하는 도구, 시각적이고 탐색적인 워크플로를 중심에 두는 것, 사고 과정을 숨기는 것이 아니라 드러내는 것이 올바른 방향이라고 생각합니다. 다른 도구들이 비슷한 원칙으로 수렴할지, 아니면 시장이 자동화를 더욱 강화하고 투명성을 낮추는 방향으로 나아갈지는 두고 봐야 할 것입니다.
제가 확신하는 것은, 학생들이 무엇을 배우기를 원하는지 이해하고 그에 맞춰 강의를 설계하는 강사라면 어떤 도구를 사용하든 이 변화를 잘 헤쳐나갈 것이라는 점입니다. 교수법이 우선이고, 도구는 그 다음입니다.
열린 결말
저는 이 시리즈를 1990년대 초로 거슬러 올라가면서 시작했습니다. 당시 인공지능은 연구 주제였지, 웹 브라우저 탭에서 잠깐 볼 수 있는 내용이 아니었으며, 통계적 추론은 데이터와 방법론을 다루는 진정한 고군분투를 통해 개발해야 했던 시대였습니다. 저는 그 시절을 그리워하는 것이 아닙니다. 지금 우리가 가진 도구들은 분명히 더 나았고, 오늘날 학생들은 제 박사 지도교수님조차 놀라실 만한 분석 능력을 갖추고 있습니다.
하지만 Advait Sarkar의 경고[7]는 여전히 제게 남아 있습니다. 위험은 AI가 너무 강력해서가 아니라, AI가 만들어내는 것을 평가할 판단력을 개발할 기회를 갖기 전에 우리가 사고를 멈추는 데 있습니다. Ethan Mollick[9]은 AI가 공동 교사, 코치, 협력자가 될 것이라고 말한 것이 옳습니다. 그리고 Selwyn[10][11]이 교육에서 AI의 혜택을 누가 받는지에 대해 제기한 구조적 문제는 모든 강사가 고민해야 할 질문입니다.
미래에 두각을 나타내는 사람들은 단순히 분석을 수행 하는 사람이 아니라, 분석 결과를 보고 "나는 납득할 수 없는데, 그 이유는 다음과 같습니다."라고 말할 수 있는 사람일 것입니다. 바로 이러한 능력이야말로 가르칠 가치가 있는 능력이며, 제대로 된 통계 교육은 언제나 이러한 능력을 키우는 데 초점을 맞춰왔습니다.
JMP 학생용 에디션, LearnBot 또는 Assistant를 수업에 활용해 보셨다면 어떤 점이 효과적이었나요? 어떤 점이 놀라웠나요? 아직 궁금한 점이 있으신가요? 볼커.크래프트@jmp.com 으로 직접 연락 주시면 감사하겠습니다.
| 본 시리즈에서 사용된 소프트웨어 버전 JMP 학생용 에디션 19.1.3 • 데이터 분석 디렉터 4.0 • LearnBot 1.1.1 • JMP 어시스턴트 2.3 |
참고 자료
[1] JMP 학술 프로그램 , jmp.com/academic
[2] JMP 학생용 에디션 , jmp.com/student
[3]JMP 커뮤니티
[4] 데이터 분석 디렉터(JMP Marketplace) , marketplace.jmp.com
[5]LearnBot (JMP 마켓플레이스) , marketplace.jmp.com
[6] JMP 어시스턴트(JMP 마켓플레이스) , marketplace.jmp.com
[7] Advait Sarkar: “AI가 비판적 사고를 죽이는 것을 막는 방법” , TED 강연, 2025
[8] Amy Bruckman: “인공지능 도입 이후 교육의 재창조” , TEDx 강연, 2026
[9] 에단 몰릭: 공동 지능: AI와 함께 살고 일하기 , Portfolio/Penguin, 2024
[10] Neil Selwyn: Should Robots Replace Teachers?, Polity Press, 2019
[11] Neil Selwyn: 교육 분야 인공지능의 한계에 대하여 , 2024
[12] Russ Wolfinger: 과학자와 엔지니어가 AI 기반 시대를 대비해야 하는 7가지 주요 방법 , JMP 백서
[13]GAISE 대학 보고서(2016)
[14]GAISE 대학 보고서 개정 작업 (진행 중, 2025년)
[15] JMP에서 길을 잃으셨나요? 더 나은 핏을 위한 체중 감량 , Kraft 및 Rijpkema, JMP Discovery Summit Europe 2026
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.
총 5화 중 5화 • 시리즈 종료
저는 인공지능이 통계 교육을 어떻게 변화시킬지에 대한 진지한 논의에 감사드리며, 절차와 방법론에서 문제 정의, 결과 전달 및 활용으로 교육의 초점이 옮겨져야 한다는 점에는 거의 모든 사람이 동의할 것이라고 생각합니다. 이는 인공지능이 등장하기 훨씬 이전부터 이어져 온 추세입니다. (물론 JMP와 같은 소프트웨어를 인공지능의 한 형태로 본다면 이야기가 달라지겠지만요.) 제 경험상 (물론 이는 지나치게 단순화된 설명일 수 있습니다만) 인간이 반드시 갖춰야 할 핵심 역량은 데이터 정제입니다. (바로 이 부분에서 JMP가 빛을 발합니다.) 데이터 정제에는 관련 분야 지식, 변동성에 대한 이해, 그리고 다양한 비판적 사고 능력이 필요합니다. 인공지능은 데이터 정제를 도울 수 있지만, 제가 본 거의 모든 데이터 정제 자동화 시도는 실패했습니다. 사실, 그러한 시도는 잘못된 방향입니다.
제 생각에는 사람이 직접 데이터를 이해하고 그에 맞춰 데이터를 정제해야 합니다. 이상치는 그 한 예일 뿐이지만, 때로는 단순한 오류일 수도 있지만 중요한 정보를 드러내는 경우가 많습니다. 결측값도 마찬가지입니다. 이러한 데이터 처리를 자동화하려는 시도는 필연적으로 실패할 수밖에 없습니다. 어떤 상황에서는 이상치가 오류를 나타내는 반면, 다른 상황에서는 실제 변동성을 의미하기 때문입니다. 중요한 것은 맥락이며, 인공지능이 가장 어려워하는 부분이 바로 이 맥락을 파악하는 것입니다. JMP는 데이터를 탐색하여 어떤 데이터 정제, 변환, 필터링 등이 적절한지 파악하는 데 매우 유용한 도구입니다. 그리고 이러한 이해를 바탕으로 인공지능이 사람이나 기존 소프트웨어로는 할 수 없는 작업을 수행할 수 있게 됩니다.
소프트웨어 제공업체(JMP 포함)들이 듣고 싶어 하지 않을 부분이라고 생각하는 게 바로 이겁니다. 이런 완벽한 패키지들은 있으면 좋지만, 꼭 필요한 건 아닙니다. 데이터를 준비하고 적절한 분석 방법을 어느 정도 파악하고 나면, AI가 JMP를 사용하는 저보다 훨씬 더 정확하게 분석을 수행할 수 있다는 것을 알게 되었습니다. 예를 들어 가중치가 적용된 설문조사 데이터의 경우, JMP는 복잡한 층화 가중치에 대한 정확한 추론을 할 수 없지만 AI는 가능합니다. SAS, R, Python도 마찬가지입니다. 학생들이 이런 프로그램을 배워야 할까요? 진로에 따라 필요한 학생도 있겠지만, 대부분(혹은 그 이상)은 그렇지 않습니다. 저는 이런 분석을 제대로 하는 방법을 모르지만, AI를 활용해 분석해 본 경험이 있고, AI를 통해 가중치가 추론에 어떤 영향을 미치는지 개념적으로 이해할 수 있었습니다. 저는 AI에게 세부적인 분석(저에게는 지루한 작업이지만)을 맡기는 데 거리낌이 없습니다.
저는 이것이 소프트웨어 제공업체에 재정적인 영향을 미칠 것이라고 생각합니다. AI는 개인 또는 그룹 구독에서 얻을 수 있는 수익을 감소시킬 것입니다. 하지만 잠재적으로 시장 규모를 확대하기도 합니다. 거의 모든 사람이 AI를 사용할 수 있게 되면, 그들은 모든 답을 AI에만 의존하려는 유혹에 빠질 수 있지만, 이는 잘못된 판단입니다. 정확하고 적절한 분석을 원한다면, 데이터와 직접 상호작용해야 하는데, JMP는 바로 이러한 점에서 탁월합니다. 하지만 그들은 이전처럼 정교한 도구를 많이 필요로 하지 않을 것이며, 그러한 도구에 많은 비용을 지불할 의향도 없을 것입니다. 그들은 JMP의 부스팅 트리 모델 실행 기능을 높이 평가하겠지만, 궁극적으로 "최고의" 모델은 JMP보다는 AI에서 나올 가능성이 더 높습니다.
다른 분들의 생각도 들어보고 싶습니다. 제 생각과 가르치는 방식이 너무 빠르게 바뀌고 있는데, 어쩔 수 없죠.
