AI 인식 연구에서 방법론적 차이가 초래하는 결과 변동

초록

본 논문은 학생과 교직원의 인공지능(AI) 인식 데이터를 설문 댓글과 포커스그룹 두 가지 질적 자료로 수집하고, 감성·입장 분석, 워드클라우드, 주제 분석 등 네 가지 분석 방법을 적용해 동일 자료에서도 결과가 어떻게 달라지는지를 비교한다. 연구는 방법 선택이 인식 결과에 미치는 영향을 실증적으로 보여준다.

상세 분석

이 연구는 고등교육 현장에서 AI 도입에 대한 이해관계자의 인식을 조사할 때, ‘방법론 자체가 결과를 구성한다’는 가설을 검증한다. 데이터 수집 단계에서 저자들은 설문 조사에 포함된 자유 서술형 댓글, Padlet에 게시된 구조화된 디지털 토론, 그리고 반구조화된 포커스그룹 인터뷰라는 세 가지 질적 소스를 동시에 활용하였다. 각각의 소스는 동일한 연구 질문(RQ1‑RQ3)에 대해 다른 맥락적 제약을 가지고 있어, 참여자의 발언이 텍스트 형태로 남는지, 실시간 대화 형태로 전개되는지에 따라 인식의 표면과 깊이가 달라질 가능성을 내포한다.

분석 단계에서는 감성 분석과 입장(stance) 분석을 통해 긍정·부정·중립의 전반적 톤을 정량화하였다. 감성 분석은 주로 어휘‑기반 사전과 머신러닝 분류기를 사용해 댓글과 포커스그룹 발언의 polarity를 측정했으며, 입장 분석은 발언이 AI 활용에 찬성, 반대, 혹은 중립적 입장을 취하는지를 구문‑의미적 패턴으로 분류하였다. 이와 별도로 워드클라우드 생성은 빈도 높은 키워드(예: “efficiency”, “plagiarism”, “ethics”)를 시각화해 전체 토픽 구조를 파악하고, Braun & Clarke의 절차에 따라 수행된 주제 분석은 데이터 전반에 걸친 핵심 테마를 도출하였다.

핵심 결과는 동일 데이터 소스에서도 분석 방법에 따라 인식의 ‘그림’이 크게 달라진다는 점이다. 예를 들어, 학생 댓글에 대한 감성 분석은 전반적으로 긍정적인 비율이 높게 나타났지만, 입장 분석에서는 AI 의존성에 대한 우려가 뚜렷이 드러났다. 교직원 포커스그룹에서는 감성 점수가 중립에 가까웠음에도 불구하고, 주제 분석을 통해 윤리·프라이버시·교육 품질 저하에 대한 깊은 우려가 반복적으로 등장했다. 이러한 차이는 ‘긍정/부정’이라는 단일 차원으로는 복합적인 인식을 포착하기 어렵다는 점을 시사한다.

방법론적 변이의 원인은 크게 두 가지로 해석된다. 첫째, 분석 단위(문장 vs. 발언 전체)와 알고리즘(사전 기반 vs. 학습 기반) 차이가 의미론적 뉘앙스를 다르게 포착한다. 둘째, 질적 데이터 자체가 맥락 의존적이어서, 구조화된 서면 댓글은 사회적 기대와 자기 검열에 영향을 받아 긍정적 어휘를 과다 사용하는 반면, 대면 포커스그룹은 즉흥적이고 감정이 풍부한 발언을 촉진한다.

연구는 또한 정책적 함의를 강조한다. 대학 차원의 AI 도입 정책을 설계할 때, 단일 설문 결과에만 의존하면 실제 현장의 우려를 간과할 위험이 있다. 다중 방법론을 통한 삼각측정(triangulation)이 필요하며, 특히 입장 분석과 주제 분석을 결합하면 정책 입안자가 ‘무엇을’ 우려하는지뿐 아니라 ‘왜’ 우려하는지를 명확히 파악할 수 있다. 마지막으로, 연구자는 향후 연구에서 자동화된 감성·입장 분석 도구의 정확도 향상과, 정성적 데이터의 문화·언어적 변이를 고려한 메타분석을 제안한다.