에이전시 AI, 숨은 팀원으로서의 역할: 인간‑AI 협업 학습에서 논증적 지식 구축
📝 원문 정보
- Title: Agentic AI as Undercover Teammates: Argumentative Knowledge Construction in Hybrid Human-AI Collaborative Learning
- ArXiv ID: 2512.08933
- 발행일: 2025-10-19
- 저자: Lixiang Yan, Yueqiao Jin, Linxuan Zhao, Roberto Martinez-Maldonado, Xinyu Li, Xiu Guan, Wenxin Guo, Xibin Han, Dragan Gašević
📝 초록 (Abstract)
생성형 인공지능(AI) 에이전트가 협업 학습 환경에 점점 더 많이 통합되고 있지만, 이들이 논증적 지식 구축 과정에 미치는 영향은 충분히 밝혀지지 않았다. 에이전시 AI와 인공 주체성에 대한 최신 개념은 이러한 시스템이 제한된 자율성, 상호작용성, 적응성을 갖추어 단순한 교육 도구를 넘어 인식론적 참여자로 활동할 수 있음을 시사한다. 본 연구는 지원형과 반대형 두 가지 인격을 부여한 ‘언더커버 팀원’ AI가 협업적 추론의 인식론적·사회적 역학을 어떻게 변화시키는지를 조사한다. Weinberger와 Fischer(2006)의 네 차원 프레임워크(참여, 인식론적 추론, 논증 구조, 공동 구축의 사회적 양식)를 적용해, 분석 문제 해결 과제에 참여한 212명의 인간과 64명의 AI(총 92개의 삼인조) 대화 데이터를 혼합 효과 모델과 인식론 네트워크 분석으로 검토하였다. 결과는 AI 팀원이 참여량은 균형을 유지했지만 인식론적·사회적 과정은 크게 재구성했음을 보여준다. 지원형 AI는 개념 통합과 합의 지향적 추론을 촉진한 반면, 반대형 AI는 비판적 전개와 갈등 기반 협상을 유발했다. 개인 학습 성과는 참여량보다 인식론적 적합성이 더 큰 예측 변인으로 나타났으며, 이는 에이전시 AI의 교육적 가치는 담화 양보다 질과 조정에 있음을 의미한다. 이 연구는 에이전시 AI를 제한적이면서도 적응 가능한 인식론·사회적 참여자로 개념화함으로써 인간‑AI 혼합 학습 환경에서 인지·논증 노동의 재분배를 설명하는 CSCL 이론을 확장한다.💡 논문 핵심 해설 (Deep Analysis)
연구 설계는 Weinberger와 Fischer(2006)의 네 차원 프레임워크를 적용했다. 첫 번째 차원인 ‘참여(participation)’는 발언 횟수와 발언 시간 등 양적 지표로 측정했으며, 두 번째 ‘인식론적 추론(epistemic reasoning)’은 발언 내용이 문제 해결에 얼마나 깊이 있는 지식적 근거를 제공하는지를 평가한다. 세 번째 ‘논증 구조(argument structure)’는 주장‑근거‑반론 등 전형적인 논증 요소의 존재와 연결성을 분석했고, 마지막 ‘사회적 공동 구축(social modes of co-construction)’은 협업 과정에서 나타나는 합의, 갈등, 협상 등의 사회적 상호작용 양식을 코딩했다.
데이터는 92개의 삼인조(인간‑인간‑AI) 그룹, 총 276명의 참여자를 대상으로 실시간 채팅 로그를 수집한 뒤, 혼합효과 모델과 인식론 네트워크 분석(ENA)을 병행 적용했다. 혼합효과 모델 결과는 AI가 발언량에서는 인간과 차이가 없으며, 오히려 발언 분포가 더 균등하게 나타났음을 보여준다. 그러나 ENA 결과는 지원형 AI가 등장할 때 ‘개념 통합(conceptual integration)’과 ‘합의 지향(reasoning toward consensus)’ 네트워크가 강화되는 반면, 반대형 AI가 등장하면 ‘비판적 전개(critical elaboration)’와 ‘갈등 기반 협상(conflict‑driven negotiation)’ 네트워크가 두드러지게 활성화된다는 점을 밝혀냈다.
학습 성과와의 관계를 살펴보면, 참여량 자체는 학습 이득과 유의한 상관관계를 보이지 않았다. 대신, 각 발언이 인식론적으로 ‘적합(epistemic adequacy)’했는가가 개인별 학습 점수 상승을 가장 강력히 예측했다. 이는 AI가 단순히 대화를 늘리는 것이 아니라, 논증의 질을 높이고, 학습자 간 인지적 조정을 촉진함으로써 교육적 효과를 발휘한다는 중요한 시사점을 제공한다.
이러한 결과는 기존 CSCL(Computer‑Supported Collaborative Learning) 이론이 인간 중심으로 전개돼 온 한계를 극복한다. 에이전시 AI를 ‘인식론적·사회적 참여자’로 재정의함으로써, 인간과 AI가 서로의 인지적 부담을 보완하고, 논증적 노동을 재분배하는 새로운 협업 패러다임을 제시한다. 특히, 지원형 AI는 학습자 간 합의를 촉진해 초기 단계의 개념 정립에 유리하고, 반대형 AI는 갈등을 의도적으로 유발해 심화된 비판적 사고와 재구성을 이끌어내는 ‘학습 촉진제’ 역할을 수행한다는 점은 교육 설계자에게 실용적인 인사이트를 제공한다. 향후 연구는 AI 인격의 다양화, 장기 학습 효과, 그리고 다양한 학문 분야에의 적용 가능성을 탐색함으로써, 인간‑AI 하이브리드 학습 환경을 보다 정교하게 설계할 수 있을 것이다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
