메타인지 게으름이란 학습자가 자신의 학습을 계획하고 점검하고 평가하는 일을 AI에 맡겨 버리는 현상입니다. 무작위 실험에서 ChatGPT 집단은 과제 점수는 가장 크게 올랐지만 지식 습득과 전이는 다른 집단과 차이가 없었습니다.
이 글의 순서 6개 항목
이 글에서는 메타인지 게으름이라는 새로운 학습 장애를 세 편의 실증 연구로 분석합니다. 모나시 대학교와 베이징 대학교 연구진은 2025년 British Journal of Educational Technology에 발표한 무작위 실험을 수행한 연구 결과를 보고하였습니다. ChatGPT의 도움을 받은 학습자 집단에서는 성과가 향상되었지만 실력은 늘지 않은 것으로 나타났습니다. 메타인지 게으름의 정의와 실험연구의 결과, 점수와 실력이 갈라지는 원리, 학위논문 과정에서 나타나는 증상, 그리고 예방 원칙을 순서대로 다룹니다. 논문이 진척되는데도 자신의 연구를 설명하지 못하는 이유를 확인하실 수 있습니다.
메타인지 게으름이란 무엇인가?
메타인지 게으름(metacognitive laziness)은 학습자가 자신의 학습을 계획하고, 진행 상황을 점검하며, 결과를 평가하는 메타인지 활동을 AI 도구에 맡기는 현상을 의미합니다. 이 용어는 모나시 대학교의 Gašević 연구진과 베이징 대학교의 Fan 연구진이 2025년도에 무작위 실험의 연구결과를 발표하면서 제안하였습니다. 문장을 대신 써 주는 문제가 아니라, 자신의 학습을 스스로 관리하는 기능이 멈추는 문제입니다.
메타인지(metacognition)는 ‘생각에 대한 생각’입니다. 발달심리학자인 Flavell(1979)은 자신의 인지 과정을 스스로 알고 조절하는 능력을 메타인지라고 정의하였습니다. 그리고 이 능력이 학습의 성패를 좌우한다고 주장하였습니다. 내가 이 개념을 정말 이해하였는지, 이 글의 어디가 약한지, 그리고 다음에 무엇을 해야 하는지를 스스로 판단하는 능력이 메타인지입니다.
- Flavell, J. H. (1979). Metacognition and cognitive monitoring: A new area of cognitive-developmental inquiry. American Psychologist, 34(10), 906–911. https://doi.org/10.1037/0003-066X.34.10.906
교육심리학은 이 능력이 작동하는 순환 구조를 자기조절학습(self-regulated learning)이라고 부릅니다. Zimmerman(2002)은 자기조절학습을 계획(forethought), 수행과 점검(performance), 자기 성찰(self-reflection)이라는 세 단계가 순환하는 과정으로 설명하였습니다. 학습자는 목표를 세우고, 주어진 과업을 수행하면서 자신을 관찰하며, 결과를 평가하여 다음 계획에 반영합니다. 메타인지 게으름은 이 순환의 세 단계 모두를 AI가 대신하면서 순환 자체가 끊기는 상태입니다.
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
ChatGPT 자기조절학습 실험은 무엇을 보여 주었나?
ChatGPT 자기조절학습 실험은 결과물의 향상과 학습의 향상이 서로 다른 것임을 보여 주었습니다. Fan et al.(2025)은 대학생을 무작위로 네 집단에 배정하고 같은 글쓰기 과제를 수행하게 하였습니다. 첫 번째 집단은 ChatGPT의 도움을, 두 번째 집단은 인간 전문가의 도움을, 그리고 세 번째 집단은 글쓰기 분석 도구의 도움을 받았고, 네 번째 집단은 아무 도움 없이 과제를 수행하였습니다. 연구진은 과제 전후의 동기, 과제 중의 자기조절학습 과정, 그리고 결과물 점수와 지식 습득 및 전이를 측정하였습니다.
Fan et al.(2025)은 세 가지 결과를 보고하였습니다. 첫째, 네 집단에서 측정한 과제 후 내재적인 동기에는 차이가 없었습니다. 둘째, 자기조절학습 과정의 빈도와 순서에는 집단 간에 뚜렷한 차이가 있었습니다. 셋째, ChatGPT 집단은 에세이 점수 향상에서 가장 앞섰지만, 지식 습득과 전이 점수는 다른 집단과 다르지 않았습니다. 연구진은 ChatGPT가 학습자의 기술 의존을 키우고 메타인지 게으름을 유발할 수 있다고 결론지었습니다. 결과물은 좋아졌으나 배운 것은 늘지 않은 것입니다.
- Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
독일 뮌헨 대학교의 Stadler와 동료들은 다른 각도에서 같은 현상을 확인하였습니다. 연구진은 91명의 대학생 피실험자를 무작위로 나누어 ChatGPT 또는 Google 검색으로 자외선 차단제 속 나노입자 문제를 조사하게 하였습니다. Stadler et al.(2024)은 ChatGPT 집단의 인지 부하가 Google 집단과 비교하여 유의하게 낮았지만, 최종 권고안의 추론과 논증의 질은 Google 집단보다 낮았다고 보고하였습니다. 연구진은 이 결과를 ‘대가를 치르는 인지적 편안함’이라고 표현하였습니다. 힘이 덜 든다는 것은 깊이 생각하지 않았다는 뜻이기도 합니다.
- Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386
AI가 사라졌을 때 무슨 일이 일어나는지는 퀸즐랜드 대학교의 Darvishi et al.(2024)의 연구 결과에서 확인되고 있습니다. 연구진은 10개 강좌의 학생 1,625명이 작성한 동료 평가 16,007건을 분석하였습니다. 처음 4주 동안 모든 학생은 AI의 실시간 조언을 받으며 동료 평가를 작성하였습니다. 이후 한 집단에서 AI 조언을 제거하자 평가의 질이 떨어졌습니다. Darvishi et al.(2024)은 학생들이 AI의 조언에서 배우기보다 조언에 의존하였으며, AI 대신 자기 점검 목록을 제공한 집단에서는 질이 일부 유지되었다고 보고하였습니다. AI의 도움은 실력으로 남지 않고 AI와 함께 사라져 버린 것입니다.
- Darvishi, A., Khosravi, H., Sadiq, S., Gašević, D., & Siemens, G. (2024). Impact of AI assistance on student agency. Computers & Education, 210, 104967. https://doi.org/10.1016/j.compedu.2023.104967
점수는 오르는데 왜 지식 전이는 늘지 않는가?
점수와 지식 전이의 향상이 함께 이루어지지 않는 이유는 수행(performance)과 학습(learning)이 서로 다른 현상이기 때문입니다. UCLA의 Soderstrom & Bjork(2015)는 학습을 다루는 수십 년 간의 선행연구 결과를 고찰하였습니다. 이들의 연구 결과에 따르면, 훈련 중에 이루어지는 수행 향상이 장기적인 학습을 보장하지 않으며, 두 지표가 정반대로 움직이는 경우도 흔하게 관찰되는 것으로 나타났습니다. 즉각적인 수행을 높이는 조건은 학습을 방해하기 쉽고, 학습을 높이는 조건은 즉각적인 수행을 낮추기 쉽습니다. AI는 전자에 최적화된 도구입니다.
- Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. https://doi.org/10.1177/1745691615569000
지식 전이(transfer)란 배운 것을 새로운 상황에 적용하는 능력입니다. 전이가 일어나기 위해서는 학습자가 왜 이 답이 맞는지, 그리고 어떤 조건에서 달라지는지를 스스로 점검하는 과정을 거쳐야 합니다. AI가 답을 주면 이 과정이 생략됩니다. Fan et al.(2025)의 실험에서 ChatGPT 집단의 에세이는 나아졌지만, 같은 원리를 다른 문제에 적용하는 전이 검사에서는 이점이 없었습니다. 점검 없이 받아들인 답은 그 과제 안에서만 유효합니다.
더 위험한 것은 학습자가 이 차이를 느끼지 못한다는 점입니다. Dunlosky와 Rawson(2012)은 자신의 이해도를 실제보다 높게 판단하는 학생일수록 학업 성취가 낮으며, 과신이 낮은 수준의 성취를 만들어 낸다고 주장하였습니다. 겉으로 보기에는 번듯한 결과물을 손에 쥔 학습자는 자신이 그 내용을 이해하였다고 판단합니다. 결과물이 좋을수록 착각은 커지고, 착각이 클수록 추가적인 학습의 필요를 느끼지 못합니다. 앞서 다룬 인지 부채와 같은 메커니즘이기도 합니다.
- Dunlosky, J., & Rawson, K. A. (2012). Overconfidence produces underachievement: Inaccurate self evaluations undermine students’ learning and retention. Learning and Instruction, 22(4), 271–280. https://doi.org/10.1016/j.learninstruc.2011.08.003
학위논문을 작성하는 과정에서 AI 의존 학습은 어떻게 나타나는가?
학위논문을 쓰는 과정에서 AI 의존 학습은 자기조절학습의 세 단계에 대응하는 세 가지 증상으로 나타납니다. 계획 단계의 증상은 연구 질문을 스스로 세우지 못하는 것입니다. AI가 제안한 주제와 목차를 받아들인 연구자는 왜 이 연구를 하는지, 무엇을 밝히려는지에 대한 자기 판단을 할 수 없습니다, 그리고 하지 않으려고 합니다. 지도교수가 ‘왜 이 변수인가’라고 물으면 AI가 제안하였다는 답 외에는 할 말이 없습니다.
점검 단계의 증상은 자신의 논문 초안이 가지는 약점을 말하지 못하는 것입니다. 실제로 ‘이 논문에서 가장 약한 부분이 어디입니까’라는 질문에 답하지 못하는 연구자를 흔하게 접할 수 있습니다. AI로 작성한 논문은 상당히 진척되어 보이고 문장도 정돈되어 있습니다. 그러나 연구자는 자신의 논문 초안에서 약점을 찾는 일을 AI에 맡겨 왔기 때문에, 자신의 원고를 비판적으로 읽는 경험이 없습니다. 학위논문 심사 과정에서 ‘이 연구의 한계는 무엇입니까’라는 질문은 의례히 받게 되는 질문인데, 이 질문은 AI가 대신 답해 줄 수 없습니다.
성찰 단계의 증상은 논문을 작성한 뒤에 무엇을 배웠는지 설명하지 못하는 것입니다. Darvishi et al.(2024)의 실험 연구결과가 보여주는 것과 같이, AI의 도움으로 얻은 성과는 AI가 사라지면 함께 사라집니다. 학위논문 한 편을 마쳤음에도 다음 연구를 혼자 설계하지 못하는 연구자가 여기에 해당합니다. 학위는 취득하였지만 연구자는 되지 못한 상태입니다.
메타인지 게으름을 예방하는 방법은 무엇인가?
메타인지 게으름을 예방하는 핵심은 AI의 답을 받기 전에 자신의 판단을 먼저 기록하고, AI의 답을 받은 뒤에 그 판단과 비교하는 습관입니다. Darvishi et al.(2024)의 실험에서 AI 대신에 자기 점검 목록을 받은 집단이 성과를 유지하였다는 사실은 이 접근이 타당하다는 점을 뒷받침합니다. 자기조절학습의 세 단계에 맞추어 다음고 같이 제시합니다.
- 계획 단계: 연구 질문, 연구 가설, 그리고 연구 설계의 초안은 AI의 도움을 받지 않고 스스로 작성합니다. AI는 초안이 완성된 뒤에 부족한 관점을 묻는 용도로만 사용합니다.
- 점검 단계: AI에 논문 초안을 보여 주기 전에 ‘이 원고의 약점 세 가지’를 스스로 적습니다. AI의 지적과 자신의 목록을 비교하여 놓친 것을 확인합니다.
- 점검 단계: 자기 점검 목록을 만들어서 준비합니다. 연구 질문과 결론의 일치, 표본 집단과 크기의 선정 근거, 연구방법론의 선택 이유 등 심사위원이 물을 것으로 예상하는 항목을 리스트업합니다.
- 성찰 단계: 각 챕터를 마칠 때마다 ‘이 챕에서 새로 이해한 것’과 ‘AI가 대신 해 준 것’을 연구 일지에 구분하여 기록합니다.
- 주기적으로 AI를 멀리하는 구간을 설정합니다. 일주일에 적어도 하루동안은 AI를 사용하지 않고 자신의 논문을 읽고 수정하며, 그날 발견한 문제를 기록합니다.
- 지도교수와의 면담 전에 자신의 판단을 먼저 말하고, AI의 판단은 나중에 덧붙입니다. 순서가 바뀌면 자신의 판단이 사라집니다.
결론
메타인지 게으름의 핵심은 세 가지로 요약됩니다. 첫째, AI 도구는 결과물의 점수를 높이지만 지식 습득과 전이는 높이지 않습니다. 둘째, 이 차이는 수행과 학습이 서로 다른 현상이라는 오래된 원리에서 비롯되며, 학습자는 겉으로는 멀쩡해 보이는 결과물 때문에 그 차이를 느끼지 못합니다. 셋째, AI의 도움으로 얻은 성과는 AI가 사라지면 함께 사라집니다.
앞으로 대학원 교육은 결과물의 완성도보다 연구자가 자기 연구를 체크하고 이해하며 설명할 수 있는지를 평가하는 방향으로 이동해야 합니다. 연구자에게 필요한 것은 AI를 멀리하는 것이 아니라 판단의 순서를 지키는 것입니다. AI에 자신의 논문을 보여 주기 전에, 논문에서 나타나는 세 가지 약점을 먼저 적어 보시기 바랍니다. 그 목록이 AI의 지적과 얼마나 겹치는지가 메타인지가 살아 있는지를 보여 주는 가장 정확한 평가 지표입니다.
