기준일: 2026-09-12 · Christopher Campos와 John D. Singleton · NBER Working Paper 35347, 2026년 6월 · 미국 교장 설문 · 미심사 워킹페이퍼
한글 초록
생성형 AI가 학교에 빠르게 들어왔지만, 도구를 사용하는 것과 학교 차원의 지원을 갖추는 것은 다른 문제다. 이 연구는 미국 학교의 AI 사용 양상과 정책·연수·학생 안내를 포함한 통합 수준을 조사했다. 연구진은 2025년 12월부터 2026년 2월까지 교장 1,254명의 응답을 수집하고 학교·지역 자료와 연결했다. 교장의 회고 응답에서 2025년 6월까지 교사가 AI를 사용한 학교는 90%였지만 관련 연수를 받은 학교는 약 64%였다. 경제적으로 불리한 학생이 많은 학교와 차터·사립학교는 비교 집단보다 AI 통합 지수가 낮았다. 교장의 긍정적 믿음, 교사 주도자, 예산 여건은 높은 통합 수준과 관련됐지만 학교 집단 사이의 격차를 설명하지는 못했다. 전통적 공립학교 분석에서는 학군 규모를 추가할 때 경제적 불리함과 관련된 격차가 약 36% 줄어들었다. 다만 관찰 자료이므로 학군 규모를 키우면 격차가 줄어든다는 인과 결론이나 학생 성취 효과를 제시한 것은 아니다. 이 연구는 학교 AI의 확산을 살필 때 사용률과 제도적 지원 상태를 따로 측정할 필요가 있음을 보여 준다.
연구의 필요성과 목적
도구에 접속할 수 있는지와 그 도구를 수업에 맞게 사용할 여건이 있는지는 다르다. 교사 개인이 수업안 작성에 AI를 쓰더라도 학생에게 허용되는 사용 범위가 정리되지 않았거나, 도움을 요청할 담당자가 없을 수 있다. 이런 학교를 단순히 AI 도입 학교로 분류하면 지원의 빈틈이 드러나지 않는다.
연구진은 AI의 가치를 도구 자체와 이를 뒷받침하는 보완적 투자로 나눠 생각한다. 보완적 투자에는 정책, 연수, 사용 관행, 안내, 관련 도구와 인프라가 포함된다. 학교의 AI 사용이 늘어나는 과정에서 이러한 조건도 고르게 갖춰졌는지 확인하는 것이 연구의 목적이다.
여기서 통합 지수가 높다는 것은 연구가 정한 조건을 더 많이 갖췄다는 뜻이다. 그 학교가 모든 수업에서 AI를 잘 활용한다거나 학생이 더 많이 배웠다는 뜻은 아니다. 향후 활용 계획과 교장의 응답도 지표에 들어가므로 실제 수업 관찰 자료와 구분해야 한다.
연구문제
- 학교의 AI 사용과 관련 연수는 어느 속도로 확산됐는가?
- 학생·교사·교장은 AI를 어떤 활동에 사용하는가?
- 경제적 불리함과 학교 유형에 따라 AI 통합 수준이 다른가?
- 높은 통합 수준과 관련된 학교 요인은 집단 간 격차도 설명하는가?
- 학군 규모와 재정 여건을 고려하면 격차의 크기가 달라지는가?
주요 용어
AI 확산(AI diffusion)은 학교 안에 AI 사용이 퍼지는 과정이다. 이 논문은 그 확산을 사용 여부만으로 측정하지 않고 정책·훈련·운영 조건의 변화까지 살핀다.
AI 통합(AI integration)은 학교가 AI 사용을 일상적인 교육 활동과 조직 운영에 연결하는 정도다. 연구에서는 일곱 영역을 결합한 지수로 측정한다. 이 지수는 학업 성취 점수가 아니다.
보완적 투자(complementary investment)는 기술을 이용할 때 함께 필요한 안내·훈련·조직 체계 등의 투자다. 교사가 시간을 들여 실험하는 일과 교육청이 공통 자료나 지원 체계를 마련하는 일은 서로 다른 층위의 보완 조건이다.
역확률 가중치(inverse-probability weighting)는 응답할 확률이 서로 다른 학교들을 보정하기 위한 가중 방식이다. 관측한 학교·지역 특성의 차이를 줄일 수 있지만, 관측하지 않은 응답 차이가 모두 사라지는 것은 아니다.
표준편차(standard deviation)는 점수가 얼마나 퍼져 있는지 나타내는 단위다. 통합 지수가 0.1표준편차 낮다는 결과를 AI 사용률이 10% 낮다고 바꿔 적을 수 없다.
연구방법
표집과 조사 시기
연구진은 미국 교육통계 자료의 공립학교·사립학교 모집단을 바탕으로 7만 개 이상의 학교를 포함한 표집 틀을 구성하고 교장에게 전자우편으로 설문을 요청했다. 조사는 2025년 12월~2026년 2월에 진행됐으며 약 15분이 걸리는 문항으로 구성됐다.
최종 분석에는 교장 1,254명이 포함됐다. 이 가운데 공립학교는 1,085개교이며 차터학교 87개교가 그 안에 포함된다. 사립학교는 143개교이고 나머지 26개교는 기타 또는 유형을 분류하기 어려운 학교다. 전통적 공립학교와 차터학교를 비교할 때는 차터학교가 전체 공립학교 수에 이미 포함돼 있다는 점에 주의해야 한다.
학교의 구성과 지역 소득·교육 자료를 응답에 연결했다. 학교 유형에 따라 이용 가능한 불리함 지표가 달라 공립학교에서는 급식 지원 대상 학생 비중 등을, 사립학교를 포함한 비교에서는 주변 지역 소득 등을 활용했다. 서로 다른 지표로도 관계가 유지되는지 확인했다.
AI 사용과 통합 지수
교사 사용과 연수에 관한 과거 추세는 2022~2025년 각각 6월까지의 상황을 교장에게 되물은 회고 자료다. 네 해 동안 같은 교장을 추적한 패널 조사가 아니다. 따라서 과거 사용 시점을 기억하는 과정의 오차가 생길 수 있다.
AI 통합 지수는 문서화된 정책과 정책의 구체성, 학생 사용 장려, 교사 사용, 교장의 활용 범위, 향후 통합 기대, AI 튜터 제공, 전문성 개발의 일곱 영역을 결합했다. 각 영역을 표준화한 뒤 평균하고 전체 지수를 다시 평균 0, 표준편차 1로 조정했다. 현재의 지원과 사용뿐 아니라 미래 계획도 포함한다.
편향과 결과의 안정성 검토
학교·지역의 관측 특성으로 응답 확률을 추정해 가중치를 부여했다. 극단적인 가중치는 제한하고, 가중 응답 표본이 전체 표집 틀의 관측 특성과 얼마나 비슷한지 비교했다.
연구진은 설문 완료 보상을 무작위로 달리해 보상이 없으면 참여하지 않았을 교장들이 응답할 때 주요 결과가 달라지는지도 살폈다. 이는 비응답 편향을 점검하려는 설계다. AI 사용을 학교에 무작위 배정한 실험이 아니므로 AI 활용의 학습 효과에 대한 인과 증거로 사용할 수 없다.
지수의 가중 방식을 바꾸거나 일부 영역을 빼고, 현재 사용과 기관 지원을 나눠도 격차가 유지되는지 검토했다. 이러한 검토는 특정 지수 구성 하나에만 결과가 의존할 가능성을 줄이지만, 관찰 연구의 인과 한계를 없애지는 않는다.
연구결과
사용이 연수보다 앞섰다
교장 응답에서 교사가 생성형 AI를 사용했다고 보고한 학교 비율은 2025년 6월 90%였다. 같은 시점까지 관련 전문성 개발을 받은 학교는 약 64%였다. 두 비율은 학교 단위의 응답이며 전체 미국 교사의 90%가 썼다는 뜻이 아니다. 연수의 질·시간·참여 교사 비율을 그 수치만으로 알 수도 없다.
현재의 사용은 학생에게는 숙제와 글쓰기, 교육자에게는 계획과 행정 지원에 집중됐다. 연구진은 이 패턴을 개인 업무를 보조하는 사용이 먼저 확산된 모습으로 해석한다. 이 설문이 생산성 향상이나 개인 맞춤 학습의 효과를 직접 측정한 것은 아니다.
경제적 여건과 학교 유형에 따른 차이
경제적 불리함이 1표준편차 클수록 통합 지수는 측정 방식에 따라 0.07~0.11표준편차 낮았다. 학교 구성과 주 고정효과 등을 고려해도 불리함과 통합 수준의 관계가 사라지지 않았다.
차터학교의 지수는 전통적 공립학교보다 0.23~0.33표준편차, 사립학교는 0.39~0.44표준편차 낮았다. 이 범위는 비조정·조정 분석의 차이를 반영한다. 학교 유형의 우열이나 한국의 공립·사립학교 차이로 옮겨 해석할 결과는 아니다. 조직 구조와 학교가 선택한 교육적 우선순위도 다를 수 있다.
높은 수준과 작은 격차를 설명하는 요인은 달랐다
교장이 AI의 학습 기여를 긍정적으로 생각하거나 교사 주도자가 있고, 예산을 사용할 여지가 있는 학교에서 통합 수준이 높았다. 그러나 이 요인들을 추가해도 경제적 불리함 및 학교 유형에 따른 격차는 거의 줄지 않았다. 평균적인 수준을 높이는 요인이 이미 존재하는 집단 차이까지 줄여 준다고 가정할 수 없는 이유다.
전통적 공립학교에서 학군 규모를 추가하면 불리함 관련 계수가 약 −0.11표준편차에서 −0.07표준편차로 작아졌다. 저자들은 이를 격차의 약 36% 감소로 설명한다. 그 뒤 학생당 지출과 행정 지출을 추가해도 설명력이 크게 더해지지 않았다.
이 결과는 학군의 조직적 지원을 더 조사할 이유가 된다. 다만 학군 규모는 지원 역량의 대리 지표이며 담당 인력·공통 계약·연수 체계 각각의 효과를 분리한 결과는 아니다. 규모를 확대하는 정책이 실제로 격차를 줄이는지도 이 분석만으로 알 수 없다.
논의와 결론
이 연구의 기여는 AI를 쓴다는 응답 뒤에 서로 다른 운영 조건이 있음을 드러낸 데 있다. 학교를 비교할 때 사용 여부만 보면 이미 널리 퍼진 도구의 접근성에 시선이 머물기 쉽다. 정책의 구체성, 연수 경험, 도움을 요청할 조직을 함께 보면 지원의 격차를 다른 방식으로 읽을 수 있다.
연구가 밝히지 못한 부분도 분명하다. 교장 한 사람의 응답이 교사와 학생의 모든 경험을 대표하지 않으며, 과거 시점에 관한 회고에는 오차가 있을 수 있다. 가중치와 응답 유인 검토는 유용하지만 모든 비응답 편향을 제거했다는 보장은 없다. 통합 지수와 교장의 긍정적 믿음도 서로 영향을 줄 가능성이 있다.
가장 중요한 미해결 문제는 지원의 차이가 실제 학습 경험과 성취에 어떻게 연결되는가이다. 논문은 그 경로를 확인해야 한다고 남겨 둔다. 지원을 많이 갖춘 학교가 반드시 더 좋은 학습 성과를 냈다는 문장으로 이 연구를 인용해서는 안 된다.
교사와 학교의 적용 제안
다음 제안은 논문에서 효과가 검증된 처방이 아니라, 연구가 구분한 측정 항목을 학교 상황에 맞게 바꾼 것이다. 교사는 최근 사용한 AI 활동과 실제로 도움을 받은 연수·자료·동료 지원을 따로 기록할 수 있다. 사용 횟수가 적어도 과제에 맞는 지원을 갖춘 경우가 있어 두 항목을 하나의 점수로 곧바로 합치지 않는 편이 낫다.
학교 관리자는 학생 안내문이 있는지뿐 아니라 누구에게 어떤 상황에서 적용되는지 확인할 수 있다. 교육지원청은 학교별 희망 연수만 취합하는 데서 한 걸음 더 나아가 계정·계약·기술 지원을 어느 조직이 맡는지 조사할 수 있다. 지원이 없는 이유가 예산, 담당 인력, 학교의 교육적 선택 중 무엇인지 함께 적으면 일괄 처방을 피할 수 있다.
학교 간 비교 자료를 만들 때는 학생과 교사의 민감한 정보를 불필요하게 모으지 않고, 조사 목적과 열람 범위를 먼저 정할 필요가 있다. 이 점검표는 미국의 통합 지수를 복제한 평가 도구가 아니므로 학교 순위를 매기는 데 바로 사용해서는 안 된다.
향후 연구 방향
- 교장·교사·학생의 응답과 실제 수업 자료를 연결해 지원 조건의 차이를 교차 확인할 필요가 있다.
- 같은 학교를 추적해 정책과 연수의 변화가 사용 방식보다 먼저 일어나는지 살펴볼 수 있다.
- 학군 규모라는 대리 지표를 공통 계약, 전문 인력, 연수 제공, 기술 지원 등의 실제 기능으로 나눠야 한다.
- 학교 차원의 지원이 학습 성과와 교사 업무에 미치는 영향은 별도의 비교 설계로 검증해야 한다.
- 한국의 학교·교육지원청 구조에 맞는 지원 항목을 개발하고, 지표가 학교의 교육적 선택을 부당하게 낮게 평가하지 않는지 확인해야 한다.
핵심 키워드
AI 확산(AI diffusion), 학교의 AI 통합(school AI integration), 디지털 불평등(digital inequality), 보완적 투자(complementary investment), 교장 설문(principal survey), 학군 지원(district support).
APA 인용과 근거 위치
Campos, C., & Singleton, J. D. (2026). AI diffusion gaps: Unequal integration of AI across K–12 schools (NBER Working Paper No. 35347). National Bureau of Economic Research. https://doi.org/10.3386/w35347
원문 본문 6~8쪽은 표집·조사 시기·확산 추세, 11~12쪽은 통합 지수와 격차, 14~17쪽은 관련 요인과 학군 규모 분석, 17~18쪽은 결론과 열린 질문에 해당한다. PDF 파일의 표지·초록 때문에 화면의 페이지 번호는 본문 인쇄 쪽수보다 2쪽 크다. 저자 이름은 PDF 표지와 서지를 대조했으며 미심사 워킹페이퍼라는 성격을 유지했다. 인용 맥락은 학교 간 지원 조건의 차이이며, 학생 성취에 대한 인과 주장에는 이 자료만으로 충분하지 않다.