원제: Revisiting the effects of artificial intelligence in education: A meta-analysis of academic achievement and student motivation
서지정보: Gençdal, G., & Çoğaltay, N. (2026). Revisiting the effects of artificial intelligence in education: A meta-analysis of academic achievement and student motivation. Studies in Educational Evaluation, 90, Article 101651. https://doi.org/10.1016/j.stueduc.2026.101651
분석 기준: 2026년 10월 22일 확인한 출판사 페이지, 초록, 저자·DOI 메타데이터.
핵심 요약
이 메타분석은 교육에서 사용된 여러 종류의 AI 개입이 학생 성취와 동기에 평균적으로 긍정적 효과를 보였다고 보고한다. 다만 연구 간 차이가 컸고, 결과는 교과·개입 기간·교육 단계·AI 도구 유형에 따라 달랐다. 연구는 생성형 AI만을 분석하지 않았으므로 전체 평균을 ChatGPT 등 생성형 AI 수업의 효과로 인용하면 안 된다.
연구 질문과 방법
저자들은 2003~2025년 발표된 교육 AI 연구에서 성취 효과크기 172개와 동기 효과크기 43개를 모아 총 215개를 무선효과 모형으로 통합했다. 무선효과 모형은 연구마다 실제 효과가 다를 수 있다고 가정해 평균을 계산한다. 이 방식은 차이를 감추지 않는 대신, 통합 결과가 개별 학교에 그대로 적용될 수 없다는 점도 드러낸다.
핵심 결과
학업성취의 통합 효과는 d=0.80(95% CI [0.68, 0.91]), 학습 동기는 d=0.64(95% CI [0.46, 0.82])로 보고됐다. 저자들은 두 결과 모두 긍정적이라고 해석한다. 그러나 이질성이 유의했고, 성취 결과는 교과와 개입 기간에 따라, 동기는 교육 단계와 AI 도구 유형에 따라 달랐다.
효과크기 d는 연구별 측정척도를 표준화해 평균 차이를 비교하는 지표다. d=0.80은 어떤 AI 도구를 쓰든 모든 학생이 큰 향상을 보인다는 뜻이 아니다. 통합된 연구의 연령, 과목, 도구, 수업 설계가 달라 평균은 그 범위 안에서만 읽어야 한다.
교실 적용
학교는 이 결과를 AI 도입의 보증으로 쓰기보다 어떤 조건이 성과와 연결되는지 묻는 출발점으로 사용할 수 있다. 연구 설계 단계에서 학습목표와 비교 조건을 정하고, 학생이 실제로 AI를 쓴 방식과 수업 기간을 기록한다. 성적과 함께 동기·참여를 따로 측정하고, 교과나 학생 집단별 결과를 확인한다.
생성형 AI에 직접 적용하려면 생성형 도구만 포함한 별도 종합연구나 학교 현장 자체의 평가가 필요하다. 예전 적응형 시스템과 지능형 튜터의 성과를 생성형 챗봇에 그대로 옮길 수 없다.
한계와 오해 방지
연구 결과는 포함된 연구의 질과 출판 편향, 결과 측정 방식에 영향을 받는다. 출판사 초록에서는 이질성이 확인되지만, 독자가 조절 분석과 포함 기준을 충분히 평가하려면 원문 전체와 보충자료를 함께 살펴야 한다. 본 리포트는 초록에서 확인된 정보에 기반해 범위를 제한했다.
인용 맥락
다양한 AI 교육 개입에서 성취·동기의 긍정적 평균 효과가 보고됐으나, 교과·기간·단계에 따른 차이가 커서 생성형 AI로 일반화할 수 없다는 근거로 쓸 수 있다.
참고문헌
Gençdal, G., & Çoğaltay, N. (2026). Revisiting the effects of artificial intelligence in education: A meta-analysis of academic achievement and student motivation. Studies in Educational Evaluation, 90, Article 101651. https://doi.org/10.1016/j.stueduc.2026.101651