📄 논문 상세 분석 — 초·중등 교사 데이터-AI 역량(DAIC) 프레임워크·척도 개발·타당화
자동 생성: 2026-06-20 · 추천 논문(ED-04) · 출처 신뢰도: 상(Frontiers in Psychology 게재본 검증으로 제목·저자·표본·구조·신뢰도·적합도 확인)
원문(바로 열기): https://pmc.ncbi.nlm.nih.gov/articles/PMC12849764/
1. 📄 논문 요약 (Abstract)
이 논문은 초·중등학교 교사가 데이터와 AI를 가르치고 활용하는 데 필요한 복합역량을 표준화된 점수로 측정하기 위한 프레임워크와 척도 DAIC(Data-Artificial Intelligence Competence) 를 개발·타당화한 연구다(Frontiers in Psychology, 2026.1.14). 배경(Background)은 'AI를 교육에 활용하라'는 요구는 폭증하는데 정작 초·중등 교사가 데이터·AI 역량을 얼마나 갖췄는지 잴 표준 도구가 없다는 공백이다. 목적(Objective)은 교사의 데이터·AI 인식·지식·고차사고·적용·성향을 신뢰성 있게 측정하는 척도를 만들고 통계적으로 타당화하는 것이다. 방법(Method)은 문헌·이론에 기반해 5개 차원·44문항으로 척도를 설계하고, 도시·농촌 96개교 2,052명(응답률 88.5%)의 유효 응답을 수집해 검증한 것이다. 결과(Result)는 전체 신뢰도 Cronbach α=.983, 확인적요인분석 적합도 CFI=.938·TLI=.931·RMSEA=.046 으로 모형이 데이터에 양호하게 부합했다는 것이다. 결론 및 의의(Conclusion)는 교사의 데이터·AI 역량을 '느낌'이 아니라 측정 가능한 구성개념으로 조작화함으로써, 연수의 사전진단·효과측정·맞춤 설계에 바로 쓸 수 있는 실천 도구를 제공했다는 점이다. 특히 06-19에 소개한 FALCON-AI가 '고등교육 교수자'를 겨냥한 데 비해, DAIC는 우리 독자에 더 가까운 초·중등 교사를 직접 표적했다는 데 차별점이 있다.
2. 📊 논문 구조별 주요 정보 정리
연구의 필요성 및 목적
- AI 활용·AI 리터러시 교육 요구가 급증하지만, 초·중등 교사 자신의 데이터·AI 역량을 진단할 표준 척도가 부족하다.
- 기존 'AI 리터러시' 측정은 학생·일반인·고등교육 교수자 대상이 많고, 초·중등 교사의 직무 맥락(수업·평가·자원·협업) 과 데이터 리터러시까지 통합한 도구는 드물었다.
- 목적: 초·중등 교사의 데이터·AI 복합역량을 신뢰성·타당성 있게 측정하는 척도(DAIC) 를 개발·검증.
연구 문제
- 초·중등 교사의 데이터·AI 역량은 어떤 하위 차원으로 구조화되는가?
- 그 구조를 측정하는 문항들은 통계적으로 타당하고 신뢰할 수 있는가(요인구조·신뢰도·적합도)?
용어의 정의 (한글 설명 + 영어 병기)
- 데이터-AI 역량 (Data-AI Competence, DAIC): 교사가 데이터와 AI를 이해·활용·비판하고 실제 교수·학습에 통합하는 복합 능력.
- 데이터 리터러시 (Data Literacy): 데이터를 읽고 해석·판단해 교육적 의사결정에 쓰는 능력.
- 고차사고 (Higher-Order Thinking): 인간-기계 협업·비판적·창의적·문제중심 사고.
- 확인적요인분석 (CFA, Confirmatory Factor Analysis): 미리 가정한 요인구조가 데이터에 잘 맞는지 검증하는 통계기법.
- Cronbach α: 문항들이 같은 구성개념을 일관되게 재는지 보는 내적 신뢰도 계수(1에 가까울수록 높음).
연구 방법
- 문항 설계: 데이터 리터러시 + AI 역량을 통합하는 이론틀에 기반해 5개 차원·44문항 구성.
- ① 데이터-AI 인식·개념(기술친화·교수인식·태도/가치·목표지향)
- ② 데이터-AI 지식·기술(기초지식·교수지식·기술스킬·데이터기반 의사결정)
- ③ 고차사고(인간-기계 협업·비판적·창의적·문제중심 사고)
- ④ 교수·학습 적용역량(학습/발달·환경적용·자원통합·실행·평가·소통/협업·교육과 역량강화)
- ⑤ 관련 성향(긍정성·자신감·낙관·책임·윤리·성취동기)
- 표본: 도시·농촌 96개교 2,052명(유효 응답률 88.5%).
- 검증: 확인적요인분석(CFA) 으로 요인구조·적합도 확인, 차원별·전체 신뢰도 산출.
연구 결과
- 가정한 5차원 44문항 구조가 데이터에 양호하게 부합했다(CFI=.938·TLI=.931·RMSEA=.046).
- 전체 신뢰도 Cronbach α=.983, 모든 차원의 α가 .90 초과로 높은 내적 일관성을 보였다.
- 교사의 데이터·AI 역량이 단일 개념이 아니라 인식·지식·고차사고·적용·성향의 여러 차원으로 분화됨을 측정으로 보였다.
논의 및 결론
- DAIC는 초·중등 교사의 데이터·AI 역량을 객관적으로 진단·비교·추적할 수 있게 하는 실천 도구다.
- 연수 사전·사후에 동일 척도로 측정하면 역량 변화(증가폭·약점 차원)를 가시화할 수 있다.
- 교사별로 5개 차원 중 약한 영역을 짚어 연수를 맞춤화하는 근거가 된다.
- 한계: 자기보고식·단일 문화권(중국) 표본. 국내 적용 시 문항 번안·재타당화가 필요하다.
후속 연구 제안
- 한국 등 다국가 표본의 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)
교사 데이터-AI 역량(teacher data-AI competence) · 데이터 리터러시(data literacy) · 척도 개발·타당화(scale development and validation) · 확인적요인분석(CFA) · 교원 연수(teacher professional development) · 초·중등교육(K-12 education)
3. 📚 APA 인용 형식
Fan, J., Wang, H., & Gu, X. (2026). *Development and validation of a framework and scale for primary and secondary school teachers' data-artificial intelligent competence.* Frontiers in Psychology, 17. https://pmc.ncbi.nlm.nih.gov/articles/PMC12849764/
🔗 인용 맥락 메모 (논문 작성용)
'초·중등 교사의 데이터·AI 역량은 5차원 44문항 척도로 신뢰성 있게 측정 가능하다(α=.983, N=2,052·96교)'는 측정도구 근거. 교원 AI 연수의 사전진단·효과평가·맞춤 설계를 논할 때 1순위로 인용하며, '대규모 AI 선도교사 연수'(06-18 수록)의 효과를 무엇으로 측정할지에 대한 실천적 답으로 쓸 수 있다. 06-19 FALCON-AI(고등교육 교수자)와 함께 인용하면 '학교급별 교사 AI 역량 척도가 갖춰지고 있다'는 흐름을 보일 수 있다. 단 중국 표본 개발이므로 'K-12 국내 적용 시 번안·재타당화 필요' 단서를 병기한다.
⚠️ 확정 전 점검 사항
- 5개 차원·44문항의 구체 문항·요인 적재량: 게재본/부록 대조.
- 차원별 신뢰도 계수·요인 간 상관·2차 요인구조 여부: 원문 결과표 확인.
- 표본의 학교급(초/중 비율)·지역 분포·표집 방법: 원문 방법 확인.
- 권(volume)·DOI 등 최종 서지정보: 추후 업데이트.