인간‑AI 협업을 위한 블룸 분류 재구성: 증강 인지 프레임워크

초록

본 논문은 AI가 인간 인지에 파트너로 참여하는 현상을 반영해 기존 블룸 분류를 두 가지 인지 모드(개별·분산)와 새로운 ‘조정’ 단계로 확장한다. 제안된 증강 인지 프레임워크(ACF)는 각 단계별 모드‑특화 동사를 제시하고, 개별 인지 기반 위에 분산 인지 의존성을 명시함으로써 학습 목표와 평가 설계를 구체화한다.

상세 분석

이 논문은 AI가 단순 도구를 넘어 인간의 인지 과정에 직접 참여하는 ‘외부 피질(exocortex)’ 역할을 수행한다는 철학적·실증적 근거를 제시한다. 먼저, Clark와 Chalmers의 확장된 마음 이론을 차용해 AI‑인간 결합이 네 가지 결합 조건(신뢰성, 통합성, 자동 승인, 상호 적응)을 만족할 때 인간‑AI 시스템을 하나의 인지 단위로 간주한다는 논리를 전개한다. 이를 통해 기존 블룸 분류가 전제로 하는 ‘단일‑모드’ 인지를 ‘이중‑모드’(개별·분산) 구조로 전환할 필요성을 강조한다.

핵심 원칙은 세 가지이다. 첫째, 전통적 6단계(지식‑이해‑적용‑분석‑평가‑창조)를 각각 개별 모드와 분산 모드로 복제하고, 각 모드에 맞는 동사 집합(예: “기억한다” vs. “검색한다”, “적용한다” vs. “협업한다”)를 정의한다. 둘째, 비대칭적 의존 관계를 도입해 분산 인지는 일반적으로 개별 인지 기반 위에 구축되지만, 교육 설계에 따라 ‘스캐폴딩’이 역전될 수 있음을 명시한다. 셋째, 기존 6단계를 넘어 ‘조정(Orchestration)’이라는 7번째 수준을 추가해 모드 전환, 신뢰 보정, 파트너십 최적화와 같은 메타인지적 관리 능력을 평가 목표로 만든다.

평가 효용성을 메타 기준으로 삼아 기존 9개의 AI‑수정 블룸 프레임워크를 비교한다. 대부분이 AI를 외부 도구로 매핑하거나 부가적인 스킬을 삽입하는 데 그쳐, 개별·분산 인지 구분이나 조정 단계의 명시적 학습 목표를 제공하지 못한다는 ‘차원성 격차’를 지적한다. 반면 ACF는 세 가지 평가 대상(개별 인지, 분산 인지, 조정) 모두에 대해 관찰 가능한 동사를 제공함으로써 학습 성과를 직접 측정할 수 있게 한다.

또한, AI‑주도 직업 변화와 ‘유창한 무능(fluid incompetence)’ 위험을 근거로, 학생이 AI와 협업할 때 언제, 어떻게, 왜 AI를 활용해야 하는지를 판단할 수 있는 메타 인지 능력이 필수임을 강조한다. ACF는 이러한 메타 인지를 ‘조정’ 단계에 체계화함으로써 교육 현장에서 AI 의존성을 안전하게 관리하고, 과도한 의존이나 무비판적 사용을 방지한다.

결론적으로, 이 논문은 인간‑AI 협업 시대에 교육 목표와 평가 설계가 기존 단일‑모드 인지 모델을 넘어 이중‑모드와 메타‑조정 능력을 포괄해야 함을 논증하고, 구체적인 프레임워크와 비교 분석을 통해 그 실현 가능성을 제시한다.