로그인
2025.10.24 16:07
- 0
지난 겨울 야외 운동 의욕을 꺾는 혹한이 뉴잉글랜드에서 며칠간 이어진 후, 필자는 차고에 '와후 키커Wahoo Kickr'를 설치했다. 이 장치는 로드바이크의 뒷바퀴를 교체하여 '스마트' 실내 트레이너로 변신시킨다. 전문 운동 앱과 연동하면 페달 저항을 자동으로 조절하여 구릉, 평지, 심지어 산악 지형까지 실제 지형을 시뮬레이션한다.
필자의 첫 번째 세션은 '램프 테스트'로 시작했다. 램프 테스트는 이렇게 한다. 낮은 저항 수준에서 시작하여 더 이상 속도를 유지할 수 없을 때까지 60초마다 저항이 올라간다. 필자는 22분 남짓 버텼다. 끝날 무렵에는 어지러웠고 땀에 흠뻑 젖었으며, 심박수는 분당 166회에 달했다. 필자의 나이대에선 한계치에 가까운 수치다.
이 실패지점은 '기능적 역치 파워'(FTP), 즉 한 시간 동안 다리가 유지할 수 있는 가장 높은 평균 와트1wattage를 추정하는 데 사용된다. 일부 사이클링 앱은 이 FTP를 사용하여 운동을 개인화하고, 더 빠른 속도를 낼 수 있도록 최적화된 계획을 수립한다. 만약 운동을 한 주 거르면 시스템이 운동량을 줄이며 적응한다. 반대로 빠르게 발전하면 더 어려운 세션이 이어진다. FTP는 고정된 점수가 아닌 역동적인 기준선이 된다.
필자에게 그 결과는 인상적이었다. 봄이 되어 야외 라이딩을 시작했을 때 거의 최고 수준의 체력에 도달해 있었다. 하지만 신체적인 향상 외에도, 필자는 이 시스템의 설계에 감명받았다. 이 시스템은 실시간으로 적응하며 필자의 초기 역량을 파악하고, 발전을 돕기 위해 정확하고 유연하게 반응했다. 현재 AI 기반 훈련 시스템은 전 세계 운동선수들의 수백만 건의 운동 데이터를 분석한 다음, 이 데이터를 사용하여 점점 더 효율적이고 개인화된 훈련 계획을 제공한다. 이러한 시스템은 지속해서 학습하기 때문에, 새로운 사용자가 유입될 때마다 강화되며 피드백 루프는 시간이 지남에 따라 더욱 강력해진다.
[새로운 PADO 기사가 올라올 때마다 카톡으로 알려드립니다 (무료)]
나중에 필자가 미디어 연구 세미나를 가르치는 맨해튼의 '뉴스쿨New School'에서 학생들을 위한 강의계획서를 작성하던 중 이런 생각이 들었다. '교육도 저렇게 작동하면 어떨까? 미리 정해진 교육과정을 따르는 대신, 학습자의 역치에서 시작하여 역동적이고 개인화된 경로를 구축하면 어떨까?'
교육의 위기
미국에겐 교육에 대한 새롭고 혁신적인 접근 방식이 시급하다. '전국 학업 성취도 평가'(NAEP)의 2024년 테스트 결과는, 린다 맥마흔 미국 교육부 장관이 "파멸적인 추세"라고 부른 것을 확인시켜 주었다. 미국 학생들이 "초중등교육 과정(K-12) 전반에 걸쳐 역사적 최저치"를 기록하고 있다는 것이다. 지난 9월 발표된 점수에 따르면, 현재 고등학교 3학년의 거의 절반이 수학에서 기초 수준 미만이며, 약 3분의1은 읽기에서 기초 수준 미만이다. 평균 읽기 점수는 사상 최저 수준으로 떨어졌다.
코로나19 봉쇄는 미국 교육 시스템이 유연하다는 환상을 깨뜨렸다. 학교가 갑자기 문을 닫자, 경직된 학습 모델이 컴퓨터 화면에 그대로 재현되었고 많은 학생이 어려움을 겪고 학습에서 멀어졌다. 이는 오늘날까지 지속되는 문제다. 이러한 암울한 배경 속에서, 좋든 나쁘든 교육을 재편할 또 다른 힘이 부상하고 있다. 바로 인공지능(AI)이다.
이미 AI는 복잡하고 빠르게 진화하는 방식으로 학습과 교육에 스며들고 있다. 학생들은 챗GPT 같은 도구를 사용하여 에세이 초안을 작성하고, 방정식을 풀고, 학습 가이드를 생성한다. 때로는 이해를 심화하기 위해서지만, 종종 학습에 필요한 노력을 줄이거나 심지어 없애기 위해서다. 인사이드 하이어 에드Inside Higher Ed의 2025년 8월 설문조사에 따르면 85%의 학생이 지난 1년간 과제에 생성형 AI를 사용했다고 인정했다. 필자가 가르치는 교실에서도 AI 오용에 대한 의심만으로도 신뢰에 금이 가고 성적 평가가 복잡해지기에 충분하다. 허용 범위의 경계가 여전히 불분명하고 가변적이기 때문이다.
교사들 역시 수업 계획서 초안 작성이나 연습문제 생성과 같이 시간이 많이 걸리는 작업을 신속하게 처리하거나 자동화하기 시작했다. 이를 통해 귀중한 멘토링과 일대일 지원에 집중할 시간을 확보하고 있다. 하지만 AI 도구는 학생들을 관찰하고, 지도하며, 영감을 주는 힘든 인간의 작업을 알고리즘의 지름길로 대체하려는 유혹, 즉 '사이렌의 부름'이 될 수도 있다.
소셜미디어는 여기서 경고성 사례를 제공한다. AI가 생성한 인플루언서가 AI가 생성한 팔로워를 상대하는 플랫폼에서는 진정성이 사라진 자기강화적 피드백 루프가 만연하다. 교육 분야에서도 효율성이 현존을 대체하고 가르친다는 행위의 인간적 차원이 결국 폄하되는 비슷한 길을 따를 수 있다는 위험이 존재한다.
[PADO '광화문클럽' 첫 클럽데이가 10월 23일(목) 열립니다!]
AI의 교육 통합은 더 이상 가설이 아니며, 이미 한창 진행 중이다. 지난 4월 트럼프 대통령은 미국 교실에 AI를 도입하는 행정명령에 서명했으며, 구글, 아마존, 마이크로소프트, 오픈AI 등 주요 테크 기업들이 이 임무를 지원하기로 약속했다.
문제는 학습이 AI의 영향을 받을 것인지가 아니라, '어떻게' 그리고 '어떤 목적을 위해' 영향을 받을 것인지다. 아무런 지침이 없거나 자신들의 이익을 추구하는 테크 기업들에 의해서만 방향이 설정된다면, AI 교육 도구는 불평등을 확대하고 그들이 해결하겠다고 공언한 바로 그 문제를 영속화시킬 수 있다. 하지만 세심하게 설계한다면 AI는 우리를 경직된 교육과정에서 벗어나 개별 학습자에게 반응하는 적응형 시스템으로 나아가게 할 수 있다. AI가 무질서하게 발전하도록 내버려 둘 것인가, 아니면 교육자, 학생, 기관을 중심에 두고 의도적으로 AI를 만들어갈 것인에 대해 우리가 내리는 결정이, AI가 교육의 위기를 심화시킬지 아니면 더 유연한 교육 접근 방식의 토대가 될지를 결정할 것이다.
적응형 역치 학습(ATL)
필자가 사용했던 것과 같은 현대의 자전거 훈련 앱은 교육을 재구상하는 데 유용한 모델을 제공한다. 학습자의 역치에 적응하고 이를 향상시킨다는 핵심 원칙은, 필자가 '적응형 역치 학습Adaptive Threshold Learning'(ATL)이라고 부르는 것의 기초가 될 수 있다. ATL은 각 학생의 현재 한계를 파악하고 그 한계를 확장하도록 경험을 설계하는 AI 기반 시스템이다.
ATL은 학습자가 현재 성취할 수 있는 것이 무엇인지 파악하는 것에서 시작한다. PC, 모바일 앱 또는 VR 헤드셋(VR기술이 그 잠재성에 도달한다면)을 통해 제공되는 진단 테스트는 간단하게 시작하여 점차 난이도를 높여가며 시스템이 학습자의 역치, 즉 유창함이 흔들리거나, 기억해내는 속도가 느려지거나, 오류가 나타나는 지점을 찾아낼 것이다. 입력은 소리, 음성, 텍스트, 제스처 또는 이들의 조합일 수 있으며, 기기에 내장된 마이크, 터치스크린, 카메라 또는 모션 센서로 캡처된다.
그 기준선에서부터 ATL은 최단 시간에 학습자의 역치를 높이도록 설계된 개인화된 교수 프로그램을 생성한다. 시스템은 학습자가 어떻게, 언제 반응하고, 스스로 수정하며, 실패하는지를 추적하여 성과에 따라 지속해서 적응한다. 시간이 지남에 따라 패턴이 나타날 것이다.
ATL 시스템을 사용하여 언어를 배운다고 상상해 보자. 목표 언어로 대화 테스트를 시작하면, 시스템은 정확한 어휘뿐만 아니라 속도, 발음, 문맥적 뉘앙스까지 파악한다. 만약 동사의 시제를 일관되게 잘못 사용하지만 발음은 정확하다면, 시스템은 문법에 초점을 맞출 것이다. 대답하기 전에 망설인다면, 시스템은 대화 속도를 늦추고 더 간단한 형태로 질문을 다시 제시한다. 기본적인 대화를 쉽게 처리한다면, 이해력과 유창성을 시험하기 위해 추상적인 주제나 복합적인 질문으로 빠르게 넘어간다.
고정된 교육과정을 따르는 대신, 앱이 학습경로를 동적으로 구성한다. 유창성이 발달함에 따라 학습자 프로필은 더욱 정교해진다. 진행상황은 완료한 챕터나 수업이 아니라, 측정 가능한 기술 향상과 행동 신호, 즉 얼마나 빨리 반응하는지, 얼마나 자신 있게 말하는지, 그리고 점점 더 복잡해지는 과제에 얼마나 유연하게 적응하는지로 측정된다.
듀오링고Duolingo, 칸아카데미Khan Academy, IXL 같은 플랫폼들도 일부 적응형 요소를 포함하고 있지만 주로 미리 정해진 교육과정 내에서 속도를 조절하는 데 그친다. 예를 들어 듀오링고의 '버드브레인Birdbrain' 알고리즘은 사용자 성과에 따라 수업 난이도를 개인화하지만, 학습자는 여전히 고정된 순서의 언어 단위를 따라 진행한다.
반면 ATL은 학습의 구조와 논리 모두를 재구상할 것이다. 정해진 순서의 속도를 단순히 조절하는 것이 아니라, 반응 시간, 자신감, 문맥 이해도를 포함한 여러 차원에서 학생의 준비 상태를 지속해서 평가하여 다음번의 최적의 학습 경험을 결정한다. 이는 학생의 고유한 발전과 요구에 맞춰 실시간으로 진화하는 비선형적 학습 지도를 가능하게 할 것이다.
배경이나 나이에 관계없이 모든 학습자는 자신이 어떻게 학습하는지 이해하고 그에 따라 적응하고, 언제 어느때나 접근 가능한 다학제적 선생님에게 접근할 수 있게 된다. 이 시스템은 종종 미화된 퀴즈 엔진에 불과한 소위 'AI 교사'처럼 단순히 교육을 자동화하는 것이 아니다. 고정된 교육과정은 할 수 없는 방식으로 행동에 반응하고, 성장을 측정하며, 피드백을 개인화할 것이다.
시간이 지남에 따라 시스템은 학습이 어떻게 작동하는지 이해하기 시작하고 스스로 지속적으로 최적화할 수 있을 것이다. 세심한 설계, 충분한 데이터, 적절한 컴퓨팅 성능이 갖춰진다면, 이는 성장을 위한 국가적 인프라로 발전할 수 있다. 각 학습자의 강점, 약점, 속도에 적응하여 지역, 학문, 생애주기에 걸쳐 교육을 지원하는 분산형 AI 기반 슈퍼컴퓨터 네트워크가 되는 것이다.
교실에서의 ATL
미국 학교에 ATL을 구현하려면 엄청난 규모에 심지어 급진적인 수준의 변화가 필요할 것이다. 하지만 하락 추세를 바꾸기 위해서는 과감한 개입이 필수적이다. 만약 학교가 점진적인 수정과 미봉책에 머무른다면, 이미 학생들의 학습 방식을 재편하고 잠식하고 있는 힘에 더 많은 기반을 잃을 위험이 있다. 사안의 중대함을 고려할 때, AI의 대규모 맞춤형 교육 능력을 완전히 활용하는 개혁이 필요하다.
일부 기업은 이미 사립학교 영역에서 AI를 실험하고 있다. 미국의 '마이크로스쿨' 네트워크인 '알파스쿨Alpha School'은 현재 운영 중인 개인화된 AI 기반 학습센터 모델 중 가장 완벽하게 구현된 사례 중 하나이다. 학생들은 오전에 2시간 동안 AI 기반 앱 학습을 통해 핵심 교과목을 이수하고, 나머지 시간은 실생활 기술을 개발하는 워크숍과 프로젝트 기반 활동에 참여한다.
만약 더 크고 전통적인 공립학교나 학교 시스템에 도입된다면 ATL이 교실을 없애지는 않겠지만 교실 안에서 일어나는 일들을 변화시킬 것이다. 수학 과목을 수강하는 학생은 고정된 대수학 교육과정을 받는 대신, 얼마나 빨리 추론하는지에 따라 동적으로 조정되는 과제를 받게 된다. 역사 수강생은 교과서를 넘어 1차 사료, 윤리적 반론 또는 상충하는 내리터브를 탐구하며 자신의 속도에 맞춰 탐구를 심화할 수 있다. 음악 수강생은 템포, 음정 정확도, 반응성으로 측정되는 유창성에 도달할 때까지 음계, 청음 훈련, 이론을 학습할 수 있다.
이 접근법이 모든 학습 분야에 적합하지는 않을 것이다. 모호성과 관점이 중요한 해석적이고 창의적인 분야보다는, 수학, 과학, 공학, 언어, 음악처럼 어느 정도 객관적으로 진척도를 측정할 수 있는 영역에 가장 자연스럽게 적용될 것이다.
하지만 측정가능한 학문 분야에서 숙달을 가속할 수 있다는 점 때문에, 오히려 해방감을 줄 수 있다. 만약 학생들이 대수학이나 화학 기술을 더 빨리 습득한다면 최적화에 저항하는 교육 요소들—문학, 예술, 철학, 그리고 사회과학의 더 성찰적인 영역을 공부하기 위한 더 많은 시간과 자유를 가질 수 있다.
ATL 환경에서도 교사의 역할은 여전히 필수적일 것이다. 칠판 앞의 강사가 아니라, AI 시스템의 신호를 해석하고, 학생들이 어디서 왜 막혔는지 이해하도록 도우며, 협력과 토론이 필수적인 그룹 토의를 소집하는 코치로서의 역할이다. 예를 들어, 다른 학생들이 독립적으로 진도를 나가는 동안 교사는 미적분 단원에서 어려움을 겪는 학생 3명을 모아 소규모 워크숍을 진행할 수 있다. 이 모델에서 가르침은 정보 전달의 비중이 줄어들고, 개인의 성장을 조율하는 역할이 더 커진다. 즉, 단순히 학생들이 배우도록 돕는 것이 아니라 '어떻게' 배워야 하는지 이해하도록 돕는 것이다.
아무리 적응력이 뛰어난 알고리즘이라도 영감을 주고, 맥락을 부여하며, 위로를 주는 인간의 역할을 대체할 수는 없다. 교사는 AI 시스템이 제공하는 정보를 해석하고 의미 있는 도전 과제의 설계하며 학생들이 발전을 목적의식으로 전환하도록 돕는 사람이 될 것이다. 또한 교사는 이러한 시스템의 가치를 형성하고, 시스템이 새로운 영역, 문화적 뉘앙스, 윤리적 복잡성을 반영하도록 보장하는 데 결정적인 역할을 할 것이다.
ATL을 수용하려면 시간, 숙달, 진도에 대한 우리의 사고방식에 근본적인 전환이 필요하다. 현재의 교육체계는 시간은 고정된 것으로, 결과는 변수로 취급한다. 모든 학생이 한 학기 동안 생물학을 공부하지만 이를 완전히 숙달하는 학생은 일부에 불과하다. ATL은 이를 뒤집을 것이다. 숙달이 상수가 되고 시간이 변수가 된다. 어떤 개념을 이해하는 데 한 학생은 이틀이 걸릴 수 있고 다른 학생은 일주일이 걸릴 수도 있다. 하지만 시스템이 학생에게 적응하기 때문에(그 반대가 아니라) 두 학생 모두 성공할 것이다.
이러한 변화는 까다로운 질문을 제기할 것이다. 학생들을 여전히 나이별로 그룹화할 것인가, 아니면 생일이 아닌 입증된 능력에 따라 조직된 집단인 '역량 집단competency band'로 재구성할 것인가? ATL은 적어도 모든 학생이 동일한 기간에 동일한 교육을 받고 동일한 기준에 따라 평가되어야 한다는 전제를 까는 '종형 곡선bell curve'을 폐기할 것이다. 적응형 시스템에서는 투입과 목표가 개인화된다. 단일한 결과 분포 대신, 우리는 다양한 궤적을 얻게 될 것이다.
성적 평가 방식도 바뀌어야 한다. 학점과 석차는 학습을 상대적 점수로 축소하며 이는 종종 능력보다 특권을 반영한다. '통과' 또는 '진행 중'(오늘날의 '미이수'와 유사) 같은 더 간단한 숙달 보고서와 풍부한 피드백을 결합하는 것이 더 합리적이고 공평할 것이다. 개방형 일정open-timeline 모델에서는 학습자 자신의 성장 곡선—더 명확한 기억, 더 안정적인 추론, 더 뛰어난 유창성을 기준으로 진행 상황이 측정된다. 성장은 더 이상 다른 사람을 앞지르는 것을 의미하지 않고 어제의 자신을 뛰어넘는 것을 의미하게 될 것이다.
이러한 시스템은 '수월성'의 의미도 재정의할 것이다. 일부 학생들은 한 학기 길이의 과정이라는 고정된 속도에 갇히는 대신, 몇 주 또는 며칠 만에 한 과목을 마스터할 수 있다. 이러한 제약에서 벗어나 학생들은 더 높이, 더 빨리 올라가 선택한 분야에서 최고 수준의 숙달에 도달하거나 다양한 학문 분야로 수평적으로 뻗어 나갈 수 있다.
한편 보다 일반적인 성과를 보이는 학생들도 자신의 포부에 필수적인 과목에서 숙달을 이룰 수 있으며, 이는 그들이 원하는 직업이나 소명을 위한 준비를 갖추고 졸업하는 데 도움이 될 것이다. 패턴 인식에서 언어 유창성에 이르기까지 여러 영역에 걸친 발전을 추적함으로써 ATL은 숨겨진 강점을 발견하고 학생들이 타고난 재능을 발휘할 수 있는 분야와 연결되도록 도울 수 있다. 이런 식으로 교육은 단순히 더 효율적이 될 뿐만 아니라 더 개인적인 것, 즉 '자아발견의 수단'이 될 것이다.
최적화의 위험
모든 잠재적 이점에도 불구하고, ATL도 더 나은 무언가를 만드는 데 진지하다면 무시할 수 없는 위험을 안고 있다.
첫째, '과잉 최적화'의 위험을 고려해야 한다. 학습자의 현재 능력에 너무 정확하게 교육을 맞춤으로써 지적 범위를 확장하기보다 오히려 좁히는 것이다. 소셜미디어의 알고리즘 필터링이 새로운 아이디어에 대한 노출을 제한할 수 있듯이, 선의의 ATL 시스템도 학생들을 불확실성, 생산적인 고군분투, 또는 특이사례에서 멀어지게 할 수 있다. 깊이보다 속도를, 도전보다 편안함을 우선시하여 호기심을 순응으로 둔화시킬 수 있다. 개인화가 너무 지나치면 지적 위험 회피intellectual risk aversion의 세련된 형태가 될 위험이 있다. 하지만 성장은 종종 편안함이 끝나는 곳에서 시작된다.
둘째, 데이터 의존성과 이를 가능하게 하는 감시의 대가가 있다. 미세한 지연시간, 목소리 억양, 얼굴 표정, 인지 역치를 추적하는 시스템은 각 학습자에 대해 극도로 상세한 초상화를 생성한다. 이 초상화는 교육적 맥락에서 유용할 수 있지만 매우 사적이며 잠재적으로 위협적일 수도 있다. 누가 그것을 소유할 것인가? 어떻게 수집, 저장, 보호, 또는 수익화할 것인가? 그리고 그것이 학생들의 미래 경로를 분류하고, 낙인찍으며, 제한하는 데 사용되는 것을 막을 안전장치는 무엇인가?
여기서 윤리적 설계는 타협할 수 없는 부분이다. 교육 시스템은 투명하고, 포용적이며, 특히 평가 대상자에게 책임을 져야 한다. 그렇지 않으면 ATL은 성장을 위한 발판이 아니라, 보이지 않는 알고리즘으로 학생을 분류하고 잠재력을 확률로 격하하는 통제 메커니즘이 될 위험이 있다.
셋째, ATL은 의도치 않게 기존의 불평등을 확대할 수 있다. 풍부한 데이터 프로필에 의존하는 시스템은 빠른 인터넷, 최신 기기, 성인의 지원을 받는 학생들에게 더 나은 성능을 보일 것이다. 이 학생들은 잠재적으로 시스템을 더 효과적으로 훈련시키고, 더 빠른 개인화를 받으며, 더 신속하게 향상될 수 있다. 그 이점은 점점 누적될 것이다. 형평성을 고려한 의도적인 설계 없이는, 개인화는 이미 유리한 사람들에게는 심층적인, 그 외 모든 사람에게는 피상적인 '프리미엄 서비스'가 될 위험이 있다.
마지막으로 문화적 위험이 있다. 최적화에 열중한 나머지 교육이 왜 중요한지 잊어버릴 수 있다는 것이다. 학습은 단순히 능력의 사다리를 오르는 것이 아니다. 그것은 또한 놀이, 탐험, 우연한 발견, 그리고 '되어감'의 과정이다. ATL이 채택되더라도, 학습을 일련의 점검 목록으로 격하해서는 안 된다. 시스템은 적응하되, 여전히 놀라움을 선사해야 한다.
이러한 위험들은 ATL을 구축하고 배포하는 이들의 세심한 배려를 요구한다. 하지만 아무것도 하지 않는 것의 위험이 더 클 수도 있다. 미국의 암울한 시험 성적 추세가 분명히 보여주듯이, 현재의 접근법은 더 이상 학생들의 요구를 충족시키지 못하고 있다. ATL은 100여 년 전의 철학에 뿌리를 둔 대담한 새 방향이 될 것이다.
과거의 교훈
필자는 '뉴스쿨'의 겸임교수로 재직하면서 이 기관의 설립 사명에 대해 자주 생각해 보았다. 1919년, 역사학자 찰스 A 비어드, '신역사학'의 선구자 제임스 하비 로빈슨, 경제학자 소스타인 베블런을 비롯한 한 무리의 진보적 지식인들이 컬럼비아대학교를 사임하고 독립 기관을 설립했다. 이 기관은 원래 '사회 연구를 위한 뉴스쿨New School for Social Research'이라 불렸다. 경직된 학문적 정통에 대한 그들의 반발은 실용주의 철학자 존 듀이의 사상에 기반을 두었다. 듀이의 비전은 순응보다 성장을, 그리고 의미 구성에서 학습자의 능동적인 역할을 강조했다.
듀이는 학교를 대량생산용 공장이 아닌 역동적인 성장의 실험실로 여겼다. 듀이는 표준화된 암기를 거부하고 개인의 필요와 맥락에 적응하는 학습 환경을 옹호했다. "학교는 현재의 삶을 대표해야 한다." 듀이는 이렇게 썼다. "아이가 가정에서, 이웃에서, 또는 놀이터에서 영위하는 삶만큼이나 현실적이고 생생한 삶이어야 한다."
100여 년이 지난 지금, AI 기반 교수 시스템은 마침내 듀이의 비전을 실현하는 데 도움을 줄 수 있다. AI 교수 시스템은 학생 집단을 미리 정해진 트랙에 끼워 넣을 필요가 없다. 대신, 개별 학습자가 지금 할 수 있는 것에서 시작하여 거기서부터 구축해 나갈 수 있다.
필자는 가르치는 사람으로서 학계로 돌아오기 훨씬 전에, 버지니아대학교의 학제적 대학원 과정에서 듀이의 20세기 후반의 지적 계승자이자 전도사였던 철학자 리처드 로티를 사사했다. 로티는 미국 실용주의를 포스트모던 시대에 맞게 재해석했다. 그에게 교육은 시대를 초월한 형식이나 영원한 확실성을 발견하는 것이 아니라, 언어적 능력과 상상력을 확장하는 것, 즉 우리가 말하고, 이해하고, 될 수 있는 것의 범위를 넓히는 것이었다.
오늘날 필자는 학생들 및 AI 기술 스타트업과 함께 일하면서, ATL이 어떻게 그 두 세계를 연결하여 로티와 듀이가 옹호했던 아이디어를 기능적 시스템으로 전환할 수 있는지 목격하고 있다. 그들과 같은 사상가들에게 교육의 비전은 정보의 수동적 흡수가 아니라, 세상을 해석하는 능력의 확장, 즉 더 명확하고 상상력 있게 말하고 행동하는 능력의 확장이었다.
그런 관점에서 볼 때, 학습은 결코 선형적이지 않다. 그것은 순환적이고, 실험적이며, 때로는 불편하다. 적응형 시스템은 그 과정을 뒷받침하는 데 도움이 될 수 있지만 그것을 의미 있게 만드는 것은 오직 인간뿐이다.
새로운 전진
필자의 자전거 훈련 앱은 결코 필자를 판단하지 않았다(몇몇 세션은 악의적인 사이클링의 신이 내린 고행처럼 느껴지기도 했지만). 이 앱은 필자가 다른 누구와 비교해 얼마나 빠른지 신경 쓰지 않았다. 그저 필자의 현재 한계를 찾아내고, 앞으로 나아갈 수 있는 역동적인 계획을 세웠을 뿐이다. 순위 대신 기준선과 상승할 길을 제공했다.
교육도 바로 그런 바탕 위에 만들 수 있다. 100여 년 전, 듀이는 이렇게 경고했다. "1그램의 경험이 1톤의 이론보다 낫다. 어떤 이론이든 생생하고 검증 가능한 중요성을 갖는 것은 오직 경험 속에서뿐이기 때문이다." 그에게 학습은 삶을 위한 준비가 아니라, 삶 그 자체였다. 학습은 능동적이어야 했고, 학습자가 세상과 상호작용하며 형성되어야 했다.
듀이의 횃불을 우리 시대로 가져온 로티는, 진리가 발견되기를 기다리는 고정된 무언가라는 개념에 도전했다. 그는 진리를 하나의 도구, 즉 우리가 세상을 더 잘 항해하고 우리가 어떤 존재가 될 수 있을지 재구상하기 위해 발명하고 수정하는 무엇으로 보았다.
"교육의 목표는 학생들이 스스로를, 즉 자신의 마음을 재편할 수 있음을 깨닫도록 돕는 것이다. 새로운 어휘를 습득하고 다르게 말하는 법을 배움으로써." 로티는 썼다.
로티에게 교육은 확실성에 관한 것이 아니었다. 그것은 가능성과 자유에 관한 것, 즉 우리가 말하고, 이해하고, 할 수 있는 것의 공간을 확장하는 것에 관한 것이었다. 그것이 바로 사이클링 램프 테스트가 필자에게 준 것이다. 점수가 아니라, 새로운 전진의 길 말이다. 그리고 그것이 바로 적응형 AI 학습 프로그램이 모든 학생에게 줄 수 있는 것이다. 즉, 학생이 이미 할 수 있는 것 위에서 경청하고 반응하며 학생들을 성장시키는 시스템이다.
'커리큘럼curriculum'은 라틴어 '쿠레레currere', 즉 '달려야 할 코스'에서 유래했다. ATL은 이 경직된 트랙을 역동적인 지도로 대체할 것이다. 모든 학습자에게 목적지까지 가는 개인화된 경로를 제공하는 지도 말이다.
그렉 이즐리는 뉴스쿨The New School의 겸임교수이자 작가로, 뉴스쿨에서 미디어 스터디를 가르치고 있으며 특히 책임 있는 인공지능(AI), 교육, 미디어 혁신 분야에 중점을 두고 활동하고 있다. 모바일 앱 개발과 같은 강좌를 통해 AI 도구를 활용한 실무 교육을 진행하며, 학생들이 앱 기획부터 제작까지 전 과정을 이해하도록 돕고 있다.
로그인
챗GPT 같은 AI가 교육 현장에 깊숙이 파고든 지 오래입니다만 이에 대한 이야기 중에 희망적인 것은 많지 않습니다. 학생들은 과제나 공부에 AI를 활용하지만, 이것이 정말 '학습'에 도움이 되는지 아니면 그저 '편법'인지 그 경계가 모호해요. 선생님들 역시 AI를 어떻게 가르치고 활용해야 할지, 또 어디까지 허용해야 할지 혼란스럽기는 마찬가지죠.
이번에는 교육과 AI '희망편'에 대해 이야기해보려고 합니다. 만약 AI를 단순히 과제 보조 도구나 검색 엔진처럼 쓰는 것을 넘어, 학생 개개인에게 완벽하게 최적화된 '맞춤형 교육 시스템'을 만드는 데 활용한다면 어떨까요? 마치 전문 피트니스 앱이 사용자의 현재 체력 수준을 측정하고, 그 한계를 넘어서도록 가장 효율적인 맞춤형 훈련 계획을 짜주는 것처럼 말이에요. 교육 역시 모든 학생에게 동일한, 획일화된 커리큘럼을 제공하는 대신, 각자의 현재 역량을 정확히 파악하고 그 한계를 가장 효과적으로 넓혀주는 방식으로 설계될 수 있다는 것이죠. 노에마의 9월 25일자 기사는 바로 그런 가능성을 논합니다.
이 분야의 최전선에 있는 교육기관은 미국의 '알파스쿨'입니다. 하루 단 2시간만 학습을 시키고서도 학생들의 학업성취도를 전국 상위 0.1% 수준(이곳은 입학 테스트를 치르지 않습니다)으로 끌어올렸다고 하니까요. 아래 글의 필자 또한 무조건 장밋빛 미래만 이야기하는 것은 아닙니다만, 분명 AI에는 교육 부문에서 활용할 수 있는 엄청난 잠재성이 있습니다. 이 글은 AI가 가져올 혼란을 방치할 것인지, 아니면 이 기술을 적극적으로 활용해 100년 넘게 이어진 교육의 낡은 틀을 깨고 진정한 '개인화된 성장'을 이룰 것인지에 대한 심도 있는 통찰을 제공할 것입니다.