📄 논문 상세 분석 — 교수자 AI 리터러시·역량(FALCON-AI) 척도 개발·타당화
자동 생성: 2026-06-19 · 추천 논문(ED-17) · 출처 신뢰도: 중상(arXiv 원문 검증으로 제목·저자·표본·문항 구조 확인 / 동료심사 전 프리프린트)
⚠️ arXiv 프리프린트로, 최종 문항·요인구조·신뢰도 계수의 세부 수치는 게재본 대조 후 확정 필요 항목을 표시함.
원문(바로 열기): https://arxiv.org/abs/2603.20220
1. 📄 논문 요약 (Abstract)
이 논문은 고등교육 교수자(faculty)의 AI 리터러시와 역량을 표준화된 점수로 측정하기 위한 척도 FALCON-AI(Faculty Artificial Intelligence Literacy and Competency) 를 개발·타당화한 연구다(arXiv, 2026.3 제출). 배경(Background)은 'AI를 가르치고 활용하라'는 요구는 폭증하는데 정작 교수자가 AI 역량을 얼마나 갖췄는지 잴 표준 도구가 없다는 공백이다. 목적(Objective)은 교수자의 AI 이해·활용·비판·통합 능력을 신뢰성 있게 측정하는 척도를 만들고 통계적으로 타당화하는 것이다. 방법(Method)은 이론 틀(CTRL)에 기반해 3개 리터러시 × 4개 직무영역의 3×4 구조로 문항을 설계하고, 초기 43문항 풀에서 39문항으로 정제해 269명의 유효 응답을 수집한 뒤 확인적요인분석(CFA) 으로 검증했다. 결과(Result)는 모형 적합도와 신뢰도가 양호해 최종 23문항의 FALCON-AI 척도를 확정했다는 것이다. 결론 및 의의(Conclusion)는 교수자 AI 역량을 '느낌'이 아니라 측정 가능한 구성개념으로 조작화함으로써, 연수의 사전진단·효과측정·맞춤 설계에 바로 쓸 수 있는 실천 도구를 제공했다는 점이다. 특히 대규모 교원 AI 연수가 확산되는 현 시점에 '무엇이 얼마나 늘었는가'를 같은 잣대로 추적할 수 있게 했다는 데 가치가 있다.
2. 📊 논문 구조별 주요 정보 정리
연구의 필요성 및 목적
- AI 활용·AI 리터러시 교육 요구가 급증하지만, 교수자 자신의 AI 역량을 진단할 표준 척도가 부족하다.
- 기존 'AI 리터러시' 측정은 학생·일반인 대상이 많고, 교수자의 직무 맥락(수업·평가·연구·행정) 을 반영한 도구가 드물었다.
- 목적: 교수자의 AI 리터러시·역량을 신뢰성·타당성 있게 측정하는 척도(FALCON-AI) 를 개발·검증.
연구 문제
- 교수자 AI 역량은 어떤 하위 구성개념(리터러시 × 직무영역)으로 구조화되는가?
- 그 구조를 측정하는 문항들은 통계적으로 타당하고 신뢰할 수 있는가(요인구조·신뢰도)?
용어의 정의 (한글 설명 + 영어 병기)
- AI 리터러시 (AI Literacy): AI의 작동·한계를 이해하고 비판적으로 판단·활용하는 능력.
- 역량 (Competency): 실제 직무(수업·평가 등) 상황에서 AI를 적절히 적용·통합하는 실행 능력.
- FALCON-AI: 교수자 AI 리터러시·역량을 측정하는 본 연구의 척도(Faculty AI Literacy and Competency).
- CTRL 프레임워크: 척도 설계의 이론적 틀(리터러시 유형을 구조화하는 근거 틀) 〔세부 정의는 원문 확인〕.
- 확인적요인분석 (CFA, Confirmatory Factor Analysis): 미리 가정한 요인구조가 데이터에 잘 맞는지 검증하는 통계기법.
- 3×4 구조: 3개 리터러시 차원 × 4개 직무영역을 교차한 측정 구조.
연구 방법
- 문항 개발: CTRL 틀에 기반해 3×4 구조로 문항 풀 구성 → 초기 43문항.
- 정제·파일럿: 전문가 검토 등을 거쳐 39문항으로 축소해 파일럿 실시.
- 본조사·검증: 269명의 유효 응답으로 CFA 수행, 적합도·신뢰도 확인.
- 최종 확정: 통계 기준을 만족한 23문항으로 척도 확정.
- 〔구체 적합도 지수(CFI·RMSEA 등)·신뢰도 계수(α/ω)·요인 간 상관은 게재본 대조 권장〕
연구 결과
- 가정한 3×4(리터러시×직무영역) 구조가 데이터에 양호하게 부합했다.
- 모형 적합도와 신뢰도가 만족스러워 최종 23문항 FALCON-AI 척도를 확정했다.
- 교수자 AI 역량이 단일 개념이 아니라 여러 리터러시 차원과 직무영역으로 분화됨을 측정으로 보였다.
논의 및 결론
- FALCON-AI는 교수자 AI 역량을 객관적으로 진단·비교·추적할 수 있게 하는 실천 도구다.
- 연수 사전·사후에 동일 척도로 측정하면 역량 변화(증가폭·약점 영역)를 가시화할 수 있다.
- 교수자별로 이해·활용·비판 중 약한 영역을 짚어 연수를 맞춤화하는 근거가 된다.
- 한계: 고등교육 교수자 표본·자기보고식·프리프린트. K-12 교사나 다른 문화권 적용 시 재타당화가 필요하다.
후속 연구 제안
- K-12 교사·다국가 표본으로의 교차문화 타당화와 측정 동등성 검증.
- 자기보고를 넘어 수행기반(실제 수업·평가 산출물) 지표와의 연계 타당도 분석.
- 연수 개입 전후 종단 측정으로 역량 변화·전이 효과 추적.
주제어 (한글 + 영문)
교수자 AI 역량(faculty AI competency) · AI 리터러시(AI literacy) · 척도 개발·타당화(scale development and validation) · 확인적요인분석(CFA) · 교원 연수(faculty development) · 고등교육(higher education)
3. 📚 APA 인용 형식
Song, Y., Moon, H., Yang, H., & Kilgore, C. (2026). *Development and validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) scale for higher education* (arXiv:2603.20220). arXiv. https://arxiv.org/abs/2603.20220
🔗 인용 맥락 메모 (논문 작성용)
'교사의 AI 역량은 23문항 척도로 신뢰성 있게 측정 가능하며, 이해·활용·비판·통합의 리터러시×직무영역으로 구조화된다'는 측정도구 근거. 교원 AI 연수의 사전진단·효과평가·맞춤 설계를 논할 때 1순위로 인용하며, '대규모 AI 선도교사 연수'의 효과를 무엇으로 측정할지에 대한 실천적 답으로 쓸 수 있다. 단 고등교육 교수자 대상·프리프린트이므로 'K-12 적용 시 재타당화 필요' 단서를 병기한다.
⚠️ 확정 전 점검 사항
- 최종 23문항의 구체 문항·요인 적재량: 게재본/부록 대조.
- 적합도 지수(CFI·TLI·RMSEA·SRMR)·신뢰도 계수(Cronbach α·합성신뢰도): 원문 결과표 확인.
- CTRL 프레임워크의 정확한 구성(3개 리터러시·4개 직무영역의 명칭·정의): 원문 확인.
- 동료심사 게재 여부·최종 서지정보(저널/연도): 추후 업데이트.