생성형 AI 활용 사례기반 비구조화 문제해결 과정에서의 학습자 인지적 참여

Abstract

본 연구의 목적은 생성형 인공지능 활용 사례기반 비구조화 문제해결 과제 수행 맥락에서 확장된 문화역사적 활동이론（Extended Cultural-Historical Activity Theory, E-CHAT）을 상위 이론 틀로 삼아, 학습자의 인지적 참여를 분석하기 위한 ICAP 프레임워크를 맥락화하고, 이를 실제 과제 수행 과정에 적용하여 대학생의 인지적 참여 양상을 탐색하는 데 있다. 본 연구에서 E-CHAT는 ChatGPT를 단순한 학습 도구가 아니라 학습자가 객체, 즉 원인 진단과 해결방안 구성에 접근하는 방식을 재조정하는 초매개자（hyper-mediator）로 이해하기 위한 활동체계 수준의 이론 틀이다. ICAP는 이러한 활동체계 안에서 학습자의 과정상 인지적 참여를 미시적으로 판별하기 위한 분석 프레임워크로 사용된다. 생성형 인공지능은 과제 수행을 지원하고 산출물의 완성도를 높일 수 있지만, 그러한 수행 향상이 곧 학습의 심화를 의미하지는 않는다. 이에 본 연구는 ChatGPT 사용량이나 대화 횟수가 아니라 학습자가 생성형 인공지능의 응답을 어떻게 검토하고, 반박하고, 재구성하며, 자신의 판단으로 회수하는지를 분석의 핵심 문제로 설정하였다. 이를 위해 본 연구는 문헌 검토와 실험실 기반 관찰을 결합한 탐색적 연구 설계를 적용하였다. 문헌 검토에서는 생성형 인공지능 활용 학습과 ICAP 기반 인지적 참여 연구를 검토하여 생성형 인공지능 맥락에서 관찰 가능한 행동 단위와 판정 준거를 도출하였다. 실험실 기반 관찰에서는 대학생 12명이 ChatGPT를 활용하여 사례기반 비구조화 문제해결 과제를 수행하는 과정을 화면녹화, ChatGPT 대화 로그, Google Docs 작성 기록, 최종 산출물로 수집하였다. 수집된 과정 자료는 단계（Phase）, 미시 단위（Micro unit）, 상호작용 연쇄（Thread）, 참여자 프로필（Participant profile）의 네 층위로 분석하였다. 분석 결과, 전체 과정 자료에서 471개의 미시 단위（Micro unit）이 식별되었으며, Passive 130개, Active 174개, Constructive 167개로 코딩되었다. 본 연구는 생성형 인공지능과의 대화를 기존 ICAP의 Interactive로 직접 간주하지 않고, 동일 하위 객체를 중심으로 초기 판단, AI 응답, 후속 검토, 재질문, 수정, 최종 판단 변화가 연결되는 thread 수준에서 I*를 판정하였다. 문제해결 thread 46개 가운데 30개에서 I*가 발생하였다. 미시 단위（Micro unit） P/A/C 코딩의 Cohen’s kappa는 .815, 상호작용 연쇄（Thread） I* 판정의 Cohen’s kappa는 .851로 나타났다. 참여자별 분석에서는 산출물 질과 과정상 인지적 참여가 항상 일치하지 않는다는 점이 확인되었다. 일부 참여자는 높은 산출물 점수를 보였음에도 ChatGPT 응답을 자신의 판단 안에서 재구성하는 상호작용 연쇄（Thread） 수준의 상호정교화가 충분히 확인되지 않았다. 반대로 일부 참여자는 과정상 깊은 탐색과 반론 구성을 보였으나 시간 관리와 최종 산출물 완성의 한계로 인해 수행 결과가 낮게 나타났다. 이는 생성형 인공지능 활용 학습을 평가할 때 최종 산출물만으로 학습의 질을 판단하기 어렵고, 과정 자료를 통해 학습자의 판단 회수와 객체 변형을 함께 분석해야 함을 시사한다. 본 연구는 생성형 인공지능 활용 학습에서 ICAP 프레임워크를 그대로 적용하기보다, 생성형 인공지능의 초매개적 특성과 문제해결 상호작용 연쇄（Thread） 구조를 반영하여 맥락화할 필요가 있음을 제안한다. 또한 생성형 인공지능 활용 학습의 교육공학적 과제는 AI 사용을 허용하거나 금지하는 데 그치지 않고, 학습자가 먼저 문제와 씨름하고 이후 AI 응답을 검토, 선별, 재구성하도록 설계하는 데 있음을 논의하였다. 본 연구의 결과는 향후 E-CHAT 기반 시뮬라리움 설계와 생성형 인공지능 활용 학습분석 연구에서 관찰 단위, 판정 기준, 피드백 설계의 기초 자료로 활용될 수 있다.;The purpose of the study was to contextualize the ICAP framework for analyzing learners’ cognitive engagement in a generative AI-supported, case-based ill-structured problem-solving task and to examine how such engagement appeared in university students’ task performance processes. Although generative AI can support task completion and improve the apparent quality of products, improved performance does not necessarily indicate deeper learning. Therefore, this study focused not on the amount of ChatGPT use or the number of conversational turns, but on how learners examined, challenged, reconstructed, and reclaimed AI-generated responses as part of their own judgment. The study employed an exploratory design combining a structured literature search with a scoping-oriented review and laboratory-based observation. The literature review was used to identify observable behavioral units and coding criteria for applying ICAP in generative AI-supported learning contexts. In the laboratory observation, 12 university students performed a case-based ill-structured problem-solving task with ChatGPT. Screen recordings, ChatGPT conversation logs, Google Docs revision traces, and final products were collected and analyzed across four levels: phase, micro unit, thread, and participant profile. A total of 471 micro units were identified and coded as Passive （130）, Active （174）, or Constructive （167）. This study did not treat interaction with ChatGPT as Interactive in the original ICAP sense. Instead, Interactive was conditionally redefined as I* at the thread level when a learner’s initial judgment, AI response, subsequent review, re-questioning, revision, and final judgmental change were connected around the same sub-object. Among 46 problem-solving threads, 30 were coded as I*. Inter-coder reliability was acceptable: Cohen’s kappa was .815 for micro-level P/A/C coding and .851 for thread-level I* judgment. The participant-level analysis showed that product quality and process-level cognitive engagement did not always coincide. Some participants produced high-quality final products without sufficient evidence of thread-level elaboration through the learner’s own judgment. Others showed deep exploration and counterargument construction during the process but failed to complete a high-quality final product due to time management or incomplete integration. These findings suggest that the quality of learning with generative AI cannot be inferred from final products alone; process data are needed to examine judgmental reclamation and object transformation. The study proposes that the ICAP framework should be contextualized rather than directly transferred to generative AI-supported learning. In this context, ChatGPT functions as a hyper-mediator rather than a symmetric peer. The educational technology challenge is therefore not merely whether learners should be allowed to use AI, but how learning environments can be designed so that learners first engage in productive struggle and then use AI responses for review, selection, and reconstruction. The findings provide implications for E-CHAT-based Simularium design and learning analytics research on generative AI-supported learning.