Anthropic 교육 보고서: 대학생은 Claude를 어떻게 활용하는가

이 공백을 메우고자 Anthropic은 고등교육 현장에서 AI가 실제로 어떻게 쓰이는지 살펴보는 최초의 대규모 연구 중 하나를 진행했습니다. Claude.ai에서 익명화한 학생 대화 100만 건을 분석했습니다.

교육 보고서의 주요 결과는 다음과 같습니다.

• STEM 전공 학생들은 Claude 같은 AI 도구를 일찍 받아들인 사용자층입니다. 특히 컴퓨터공학 전공 학생의 비중이 두드러집니다. 미국 학위 수여 건수에서 컴퓨터공학이 차지하는 비율은 5.4%에 불과하지만, 학생 대화에서는 36.8%를 차지했습니다. 반대로 경영, 보건, 인문학 전공 학생은 재학생 수에 비해 AI 도입률이 낮았습니다.
• 학생이 AI와 상호작용하는 방식은 네 가지 패턴으로 나뉘었고, 각 패턴이 전체 대화에서 차지하는 비율은 23~29%로 비슷했습니다. 네 가지는 직접 문제 해결(Direct Problem Solving), 직접 결과물 생성(Direct Output Creation), 협업형 문제 해결(Collaborative Problem Solving), 협업형 결과물 생성(Collaborative Output Creation)입니다.
• 학생들이 AI에 주로 맡기는 일은 창작(creating, 정보를 활용해 새로운 것을 배우는 활동)과 분석(analyzing, 아는 내용을 분해해 관계를 파악하는 활동)입니다. 코딩 프로젝트를 만들거나 법학 개념을 분석하는 식입니다. 이는 블룸의 교육목표 분류(Bloom's Taxonomy)에서 고차원적 인지 기능에 해당합니다. 그만큼 학생들이 핵심적인 사고 과정을 AI에 넘겨 버리지 않도록 해야 한다는 문제도 제기됩니다.

교육 분야 AI 사용 파악하기

사람들이 AI 모델을 어떻게 쓰는지 연구할 때는 사용자 프라이버시 보호가 무엇보다 중요합니다. 이번 프로젝트에는 Claude 사용 방식을 분석해 주는 자동화 도구인 Claude Insights and Observations, 줄여서 "Clio"를 사용했습니다. Clio는 사용자 대화를 "코드 문제 해결", "경제 개념 설명"처럼 상위 수준의 사용 요약으로 압축해, 별도의 가설 없이 AI 사용 패턴을 아래에서 위로 발견할 수 있게 합니다. 또한 여러 단계로 이루어진 자동화 프로세스를 거쳐 대화에서 개인 정보를 제거합니다. 이 프로세스는 한 단계에서 다음 단계로 넘어가는 정보를 최소화하도록 설계했습니다. Clio의 프라이버시 우선 설계는 이전 블로그 글에서 소개한 바 있습니다.

Clio로 고등교육 기관 이메일 주소와 연결된 Claude.ai 무료·Pro 계정의 익명화된¹ 대화 약 100만 건을 분석했습니다.² 이어서 수업 과제나 학술 연구와 관련된 대화인지 등 학생과 학업 관련성을 기준으로 대화를 걸러 내, 574,740건을 추렸습니다.³ 그다음 Clio가 이 대화들을 묶어 교육 관련 종합 인사이트를 도출했습니다. 학문 분야별 비중, 학생과 AI의 상호작용 방식 차이, 학생이 AI에 맡기는 인지 과제의 유형을 살펴봤습니다.

학생들은 AI를 어디에 쓸까?

학생들은 Claude를 주로 여러 학문 분야의 교육 콘텐츠를 만들고 다듬는 데 활용했습니다(전체 대화의 39.3%). 연습 문제를 설계하고, 에세이를 고치고, 학술 자료를 요약하는 일이 많았습니다. 학업 과제에 필요한 기술적 설명이나 해법을 요청하는 경우도 잦았습니다(33.5%). AI와 함께 코딩 과제의 오류를 디버깅하고, 프로그래밍 알고리즘과 자료구조를 구현하고, 수학 문제를 설명하거나 푸는 식입니다. 이 가운데에는 부정행위가 섞여 있을 수 있으며, 이 부분은 아래에서 다룹니다. 비중은 작지만 무시할 수 없는 용도도 있었습니다. 데이터 분석 및 시각화(11.0%), 연구 설계와 도구 개발 지원(6.5%), 기술 다이어그램 제작(3.2%), 언어 간 번역과 교정(2.4%)입니다.

학문 분야별로 자주 나온 요청을 더 자세히 정리하면 다음과 같습니다.

학문 분야별 AI 사용

다음으로 어떤 분야에서 Claude 사용이 불균형하게 많은지 살펴봤습니다. Claude.ai 사용 패턴을 미국 학사 학위 수여 건수와 비교했습니다.⁴ Claude를 가장 편중되게 많이 쓰는 분야는 컴퓨터공학이었습니다. 미국 학사 학위에서 차지하는 비율은 5.4%에 그치지만 Claude.ai 대화의 38.6%를 차지했습니다(Claude가 코딩에 특히 강하다는 점이 반영된 결과일 수 있습니다). 자연과학·수학도 재학생 수에 비해 Claude.ai에서 비중이 높았습니다(각각 15.2%, 9.2%).

반대로 경영 관련 교육 대화는 학사 학위 비율이 18.6%인데도 전체 대화의 8.9%에 그쳐, Claude 사용이 상대적으로 적었습니다. 보건 전문 분야(5.5% 대 13.1%)와 인문학(6.4% 대 12.5%)도 재학생 수에 비해 비중이 낮았습니다.

이러한 패턴은 STEM 전공 학생, 특히 컴퓨터공학 전공 학생이 학업 목적으로 Claude를 먼저 받아들인 반면, 경영·보건·인문학 전공 학생은 학업 과정에 AI 도구를 상대적으로 천천히 녹여 내고 있을 가능성을 시사합니다. 컴퓨터공학 커뮤니티에서 Claude의 인지도가 더 높고, STEM 전공 학생들이 하는 작업에서 AI 시스템이 다른 분야보다 더 능숙하다는 점이 이유일 수 있습니다.

학생과 AI의 상호작용 방식

AI와 상호작용하는 방법은 다양하고, 방법에 따라 학습 과정에 미치는 영향도 달라집니다. 학생이 AI와 상호작용하는 방식을 분석한 결과, 아래 그림처럼 두 가지 축을 기준으로 네 가지 뚜렷한 패턴을 구분할 수 있었습니다.

첫 번째 축은 "상호작용 방식"입니다. 여기에는 다음 두 가지가 있습니다.⁵ (1) 직접형(Direct) 대화는 사용자가 질문을 최대한 빨리 해결하려는 경우이고, (2) 협업형(Collaborative) 대화는 사용자가 목표를 이루기 위해 모델과 적극적으로 대화를 주고받는 경우입니다. 두 번째 축은 상호작용으로 "얻고자 하는 결과"입니다. 여기에도 두 가지가 있습니다. (1) 문제 해결(Problem Solving)은 질문에 대한 해법이나 설명을 구하는 경우이고, (2) 결과물 생성(Output Creation)은 발표 자료나 에세이처럼 긴 결과물을 만들려는 경우입니다. 두 축을 조합하면 아래의 네 가지 패턴이 나옵니다.

네 가지 상호작용 방식은 비슷한 비율(각각 전체 대화의 23~29%)로 나타났으며, 이는 학생들이 AI를 활용하는 방식이 그만큼 다양하다는 뜻입니다. 기존 웹 검색은 대개 직접적인 답을 얻는 데 그쳤지만, AI 시스템은 훨씬 폭넓은 상호작용을 가능하게 하고 그에 따라 새로운 교육 기회도 열어 줍니다. 긍정적인 학습 사례로는 다음과 같은 것들이 있었습니다.

• 철학 개념과 이론을 설명하고 명확히 짚어 주기
• 화학 교육 자료와 학습 자료를 종합적으로 만들기
• 학업 과제를 위해 근육 해부학, 생리학, 기능 개념을 설명하기

동시에 AI 시스템은 새로운 과제도 안겨 줍니다. 흔히 "학생들이 AI를 부정행위에 얼마나 쓰는가?"라는 질문이 나오는데, 답하기는 어렵습니다. Claude의 응답이 어떤 교육 맥락에서 쓰이는지 알 수 없기 때문입니다. 예를 들어 직접 문제 해결 대화는 집에서 푸는 시험(take-home exam)에서 부정행위를 하려는 것일 수도 있고, 연습 시험에서 자신의 풀이를 확인하려는 것일 수도 있습니다. 직접 결과물 생성 대화는 에세이를 처음부터 통째로 써 달라는 것일 수도 있고, 추가 연구를 위해 지식을 요약하려는 것일 수도 있습니다. 협업형 대화가 부정행위에 해당하는지도 과목별 정책에 따라 달라질 수 있습니다.

그럼에도 학생과 AI의 대화 중 절반에 가까운 약 47%는 직접형, 즉 최소한의 참여만으로 답이나 콘텐츠를 얻으려는 대화였습니다. 이 중 상당수는 개념 질문이나 학습 가이드 생성처럼 정당한 학습 목적이지만, 우려스러운 직접형 대화 사례도 확인했습니다.

• 머신러닝 객관식 문제의 정답 제공하기
• 영어 시험 문제의 정답을 그대로 제공하기
• 표절 검사를 피하도록 마케팅·비즈니스 문서 다시 쓰기

이런 사례는 학문적 진실성, 비판적 사고력 개발, 학생의 학습을 가장 잘 평가하는 방법에 대해 중요한 질문을 던집니다. 협업형 대화라고 해서 학습 효과가 확실한 것도 아닙니다. 예컨대 "확률과 통계 숙제 문제를 설명과 함께 풀기" 같은 대화는 AI와 학생이 여러 차례 말을 주고받더라도 상당한 사고를 AI에 떠넘길 수 있습니다. 앞으로도 이러한 상호작용을 계속 연구해, 어떤 대화가 학습에 도움이 되고 비판적 사고를 키우는지 더 잘 가려내겠습니다.

학문 분야별 AI 사용 패턴

학생들이 AI를 활용하는 방식은 분야마다 다릅니다.

• 자연과학·수학 대화는 "단계별 계산으로 특정 확률 문제 풀기", "단계별 설명과 함께 숙제나 시험 문제 풀기"처럼 문제 해결 쪽으로 기우는 경향이 있었습니다.
• 컴퓨터공학, 공학, 자연과학·수학은 협업형 대화 비중이 더 높았고, 인문학, 경영, 보건은 협업형과 직접형이 비교적 고르게 나뉘었습니다.
• 교육학은 결과물 생성을 가장 강하게 선호해, 대화의 74.4%를 차지했습니다. 다만 이 수치는 필터링 방식의 한계에서 비롯됐을 수도 있습니다. 이 대화들에는 "종합적인 교수 자료와 교육 자원 만들기", "상세한 수업 계획안 만들기" 같은 요청이 많았는데, 교사도 교육 업무를 위해 Claude를 쓰고 있음을 보여 줍니다. 교육학은 전체 대화의 3.8%를 차지했습니다.

이는 AI를 교육에 도입할 때 학문 분야별 접근이 더 효과적일 수 있음을 시사합니다. 이번 데이터는 분야별로 학생들이 AI를 활용하는 방식이 어떻게 다른지 파악하는 첫걸음입니다.

학생이 AI에 맡기는 인지 과제

학생이 인지적 역할을 AI에 어떻게 위임하는지도 살펴봤습니다. 이를 위해 블룸의 교육목표 분류를 활용했습니다.⁶ 인지 과정을 단순한 것에서 복잡한 것까지 위계적으로 분류하는 교육학 프레임워크입니다. 원래는 학생의 사고를 위한 틀이지만, 학생과 대화하는 Claude의 응답을 분석하도록 변형해 적용했습니다.

AI가 보여 준 블룸 분류 영역은 일반적인 위계와 정반대로 뒤집힌 형태였습니다.

• Claude는 주로 고차원적 인지 기능을 수행했으며, 블룸 분류에서 가장 흔한 작업은 창작(39.8%)과 분석(30.2%)이었습니다.
• 저차원적 인지 과제는 상대적으로 적었습니다. 적용(10.9%), 이해(10.0%), 기억(1.8%) 순이었습니다.

이 분포는 상호작용 방식에 따라서도 달랐습니다. 예상대로 학술 텍스트 요약이나 에세이 피드백 같은 결과물 생성 과제에서는 창작 기능이 더 많이 쓰였습니다. 미적분 문제 풀이나 프로그래밍 기초 설명 같은 문제 해결 과제에서는 분석 기능이 더 많이 쓰였습니다.

AI가 이런 능력을 발휘한다고 해서 학생이 직접 그 능력을 쓰지 않는다는 뜻은 아닙니다. 프로젝트를 함께 만들거나, AI가 생성한 코드로 다른 맥락의 데이터셋을 분석할 수도 있으니까요. 하지만 학생들이 인지 능력을 AI에 외주 맡길 수 있다는 우려는 분명 존재합니다. AI가 학생의 목발이 되어, 고차원적 사고를 떠받치는 기초 역량의 성장을 가로막을 수 있다는 걱정은 충분히 타당합니다. 결국 뒤집힌 피라미드는 쓰러지기 쉬운 법입니다.

한계

이번 연구는 실제 데이터를 기반으로 합니다. 덕분에 연구 결과의 타당성과 교육 현장 적용 면에서 장점이 많습니다. 하지만 결과의 범위에 영향을 줄 수 있는 한계도 있습니다.

• 이 데이터셋은 AI를 일찍 도입한 사용자를 중심으로 담았을 가능성이 높아, 전체 학생 집단을 대표하지 못할 수 있습니다.
• 교육 분야 전체 AI 사용에서 Claude 사용이 얼마나 대표성을 갖는지 불분명합니다. 많은 학생이 Claude.ai 외의 AI 도구도 쓰기 때문에, 이번 분석은 학생들의 전체 AI 활용 패턴 중 일부만 보여 줍니다.
• 대화 분류에는 오탐과 미탐이 모두 있을 가능성이 높습니다. 고등교육 기관 이메일과 연결된 계정의 대화를 분석했는데, 분류기가 학생 관련 대화로 판단한 것 중 일부는 실제로 교직원이나 교수의 대화일 수 있습니다. 반대로 다른 학생 대화는 대학 이메일이 아닌 계정에 있을 가능성이 높습니다.
• 프라이버시를 고려해 18일의 데이터 보존 기간 내 Claude.ai 사용만 분석했습니다. 학생들의 학업 일정이 바뀌므로 사용 양상도 연중 달라질 가능성이 높습니다.
• 학생이 AI에 어떤 과제를 맡기는지만 살펴봤을 뿐, AI의 결과물을 학업에 최종적으로 어떻게 쓰는지, 이러한 대화가 학습 성과에 실제로 도움이 되는지는 다루지 않았습니다.
• 학생과 AI의 대화를 학문 분야별로 분류하면 AI 사용 패턴이 크게 다를 수 있는 융합 학문 작업을 온전히 포착하지 못할 수 있습니다.
• 학생이 아닌 AI의 인지 과정에 블룸의 분류를 적용하는 것은 불완전합니다. 기억 같은 능력은 AI 시스템의 맥락에서 수치화하기가 더 어렵습니다.

교육 현장의 AI 사용에 관한 기관별 정책은 천차만별이며, 이 데이터셋으로는 측정할 수 없는 방식으로 관찰된 패턴에 큰 영향을 미쳤을 수 있습니다.

결론과 향후 계획

이번 분석은 학생들이 실제로 AI를 어디에, 어떻게 쓰는지 조망하는 시야를 제공합니다. AI가 교육에 미치는 영향을 이해하는 여정은 이제 막 시작되었습니다.

학생, 교육자와 이야기해 보면 AI가 학습을 놀라운 방식으로 북돋울 수 있음을 알 수 있었습니다. 예를 들어 AI는 한 학생의 핵융합 반응로 프로젝트를 돕는 데 쓰였고, 교실에서 학생과 교사가 더 잘 소통하도록 돕는 데에도 활용되었습니다.

하지만 이번 초기 결과가 교육 현장에서 일어나는 거대한 변화를 모두 설명한다고 생각하지는 않습니다. AI는 여러 면에서 교육자의 일을 더 어렵게 만들고 있으며, 이번 연구가 그 모두를 담아내지는 못합니다. 학생들이 고차원적 인지 과제를 AI에 맡기면서 근본적인 질문이 생깁니다. 학생들이 인지 능력과 메타인지 능력의 기초를 계속 키워 가게 하려면 어떻게 해야 할까요? AI가 일상이 된 세상에서 평가와 부정행위 정책은 어떻게 다시 정의해야 할까요? 사람이 몇 시간씩 걸릴 복잡한 문제를 AI가 순식간에 풀고, 완성도 높은 에세이를 거의 즉시 써낼 수 있다면 의미 있는 학습은 어떤 모습일까요? 모델 성능이 높아지고 AI가 우리 삶에 더 깊이 들어올수록, 숙제 설계부터 평가 방식까지 모든 것이 근본적으로 바뀌게 될까요?

이번 연구 결과가 교육자, 행정가, 정책 입안자 사이에서 이어지는 논의에 보탬이 되기를 바랍니다. AI가 학습을 해치지 않고 더 깊게 만들도록 하려면 어떻게 해야 하는지에 대한 논의입니다. 후속 연구를 통해 학생과 교사가 AI를 어떻게 활용하는지, 그것이 학습 성과와 어떻게 연결되는지, 교육의 미래에 장기적으로 어떤 영향을 미치는지 더 깊이 이해할 수 있을 것입니다.

교육에 대한 Anthropic의 접근

Anthropic은 이번 교육 보고서와 함께 교육에서 AI가 맡는 역할을 더 깊이 이해하기 위해 대학과 협력하고 있습니다. 첫 단계로, 직접적인 답을 주기보다 소크라테스식 문답과 개념 이해에 중점을 둔 학습 모드(Learning Mode)를 시험 중입니다. 앞으로 대학과 함께 연구를 진행하고, AI가 학습에 미치는 영향을 더 직접적으로 연구하기를 기대합니다.