AI 답변을 검증하는 능력은 프롬프트 실력과는 다르다.
네이처 <인간행동연구>에 실린 인지과학자 메건 피터스의 글을 통해, 좋은 질문을 세우는 능력과 AI를 제대로 쓰는 능력이 어디서 만나는지 짚는다.
요약
AI에게 물으면 3초 만에 답이 온다. 그런데 답을 받고 나면 이상하게 생각이 멈춘다.
인지과학자 메건 피터스는 좋은 질문이 명확한 데서 끝나지 않는다고 말한다.
당연하게 여겨온 전제를 흔드는 질문이 좋은 질문이다.
질문은 타고나는 게 아니라 기술이다. 그리고 안 쓰는 기술은 녹슨다.
목차
- 답이 넘치는데 왜 판단력은 흐려지는가
- 메건 피터스는 누구인가
- 좋은 질문의 정의를 다시 쓰다
- 질문 개발 4단계
- 초보자가 빠지는 4가지 함정
- AI에게 던지는 질문은 이것과 다르다, 그런데
- 개인의 문제인가, 제도의 문제인가
- 오늘부터 쓰는 실천 체크리스트
- 출처와 근거 강도
1. 답이 넘치는데 왜 판단력은 흐려지는가
세 갈래의 연구가 같은 방향을 가리키고 있다.
첫째, 비판적 사고 노력의 감소. Microsoft Research와 Carnegie Mellon 대학의 2025년 공동 연구는 생성형 AI를 사용하는 지식노동자 319명을 조사했다. AI의 답변을 신뢰할수록 비판적 사고 노력을 줄이는 경향이 나타났다. 연구자들은 이를 "인지적 노력의 전환"이라고 표현했다. 실행에서 감독으로 역할이 바뀌면서, 정작 깊이 생각하는 단계가 빠져버리는 현상이다.
둘째, 인지적 오프로딩. Gerlich(2025)의 연구는 더 직접적이다. AI 도구를 자주 사용하는 사람일수록 비판적 사고 능력이 낮게 측정되었고, 그 매개 변인은 '인지적 오프로딩(cognitive offloading)'이었다. 머릿속에서 해야 할 처리를 외부 도구에 통째로 위임하는 것이다.
셋째, 자기 실력에 대한 착각. 가장 불편한 연구는 이것이다. Fernandes 외(2026)의 두 차례 실험에서 참가자들은 AI를 쓰자 실제 성적이 올랐다. 동시에 자기 점수를 실제보다 네 점가량 높게 예측했다. 더 눈에 띄는 건 방향이다. AI 리터러시가 높다고 자평한 사람일수록 자기 수행을 판단하는 정확도가 오히려 낮았다.
세 연구를 겹쳐놓으면 그림이 선명해진다.
AI가 내놓는 답은 탁월하다.
그 탁월함에 기댄 사람은 성과가 오른 채로 판단력을 잃는다.
그리고 실력이 늘었다고 느낀다.
여기서 잃는 것이 무엇인지가 이 글의 출발점이다. 답을 얻는 능력이 아니다. 자기가 무엇을 모르는지 감지하는 능력이다. 이게 무뎌지면 AI의 답이 어디서 부실한지 보이지 않고, 물어볼 것 자체가 떠오르지 않는다.
그 능력을 다룬 짧은 글이 2025년 8월 Nature Human Behaviour에 실렸다. 저자는 UC Irvine의 인지과학자 메건 피터스(Megan A. K. Peters)다.
2. 메건 피터스는 누구인가
피터스는 UC Irvine 인지과학과 부교수다. 논리·과학철학과 겸임이고, 캐나다 고등연구원(CIFAR) 뇌·마음·의식 프로그램 펠로우이기도 하다.
본업은 인간의 메타인지 연구다. 뇌가 자기 자신의 판단을 어떻게 평가하는지를 계산 모델과 신경영상으로 들여다본다.
동시에 Neuromatch라는 비영리 교육 플랫폼의 공동창립자다. 130개국 이상, 4만 명 넘는 참여자를 대상으로 계산신경과학과 딥러닝 교육을 운영해왔다.
메타인지를 연구하는 과학자가 '질문을 만드는 법'을 쓴다는 사실 자체가 의미심장하다. 질문을 설계하는 행위는 본질적으로 메타인지적이기 때문이다. "내가 모르는 것이 무엇인지 아는 것", "내 가정의 한계를 인식하는 것"이 전제되어야 한다.
앞 절의 Fernandes 연구가 보여준 것이 바로 이 능력의 손상이었다. 피터스의 글은 같은 능력을 반대편에서, 즉 어떻게 기르는지의 각도에서 다룬다.
서지 정보 Nature Human Behaviour 9권 9호(2025년 9월), pp. 1759 to 1761. 온라인 출판은 2025년 8월 11일. 같은 저널의 "How to" 시리즈, 경험 있는 학자가 후속 세대에게 실용적 조언을 압축해 전달하는 큐레이션 연재물의 일부다. DOI: 10.1038/s41562-025-02292-5
3. 좋은 질문의 정의를 다시 쓰다
먼저, '연구 질문'이라는 말부터
피터스가 다루는 대상은 research question, 우리말로 '연구 질문' 혹은 '연구 문제'다. 논문 쓰는 사람 이야기처럼 들리지만, 뜻은 생각보다 단순하다.
연구 질문 = 이 연구가 알아내려는 것을 한 문장으로 세운 것
연구를 도와주는 질문이 아니라 연구의 정체 그 자체다. 질문이 바뀌면 그건 다른 연구가 된다. 피터스가 4단계씩 들여가며 이걸 설명하는 이유가 여기 있다. 질문 하나 세우는 일이 곧 앞으로 몇 년을 무엇에 쓸지 정하는 일이기 때문이다.
논문을 쓰지 않는 사람에게도 같은 자리가 있다. 이번 분기에 무엇을 만들지, 이 사업이 진짜 풀려는 문제가 무엇인지. 답이 아니라 물음이 결과의 모양을 정한다는 점에서 다르지 않다.
피터스의 반박
피터스의 출발점은 통념에 대한 반박이다.
인터넷에, 교과서에, 혹은 LLM에 "좋은 연구 질문이란 무엇인가"라고 물으면 표준 답변이 돌아온다. 명확하고, 초점이 있고, 관련성이 있고, 새롭고, 다룰 수 있어야 한다는 것.
피터스는 이 조건들이 틀렸다고 말하지 않는다. 거기서 끝나면 부족하다고 말한다. 핵심 주장을 한 문장으로 압축하면 이렇다.
좋은 연구 질문은 미답의 문제를 다시 구성하거나, 기존 가정에 도전하거나,
과거 방법론이 오히려 이해를 가렸다는 것을 드러내는 데서 나온다.
단순히 초점이 맞고 새롭기만 한 것이 아니다.
여기서 중요한 전환이 일어난다.
좋은 질문의 기준이 질문 자체의 속성(명확한가, 새로운가)에서 기존 지식과의 관계(무엇을 흔드는가)로 옮겨간다.
4. 질문 개발 4단계
피터스는 질문 개발을 4단계의 반복적 과정으로 풀어낸다. 단선적 체크리스트가 아니라, 앞뒤로 되돌아가며 정제하는 루프다.
Phase 1. 자기 비판적 브레인스토밍
호기심을 따라 자유롭게 질문을 쏟아내되, 동시에 자기 대화를 병행한다.
"이게 정말 중요한가?" "내가 이걸 왜 흥미로워하지?"
이런 내면의 검증이 이 단계에서부터 작동해야 한다. 핵심은 아이디어를 거르는 것이 아니라, 자기 동기와 전제를 인식하면서 확산하는 것이다.
Phase 2. 맥락과 연결 구축
분야를 넘나드는 폭넓은 읽기. 자기 영역의 문헌뿐 아니라 인접 분야, 때로는 전혀 다른 분야에서 연결고리를 찾는다.
피터스 자신이 인지과학과 철학과 계산신경과학을 넘나드는 연구자라는 점이 이 단계의 생생한 예시다. 좋은 질문은 종종 영역 사이의 간극에서 태어난다.
여기에 실천적 조언이 붙는다. 자기 분야를 대체로 이해하지만 그 주제의 전문가는 아닌 사람들과 이야기하라는 것. 이유는 명확하다. 틀려도 편안한 상태, 혹은 최소한 비전문가여도 괜찮은 상태에 자기를 놓아야 하기 때문이다.
Phase 3. 핵심 추출
기존 연구를 비판적으로 평가해 확장의 기회를 포착한다.
"이 연구가 실제로 보여준 것은 무엇이고, 주장하는 것은 무엇인가?" "방법론의 한계가 결론을 얼마나 제약하는가?"
이 두 질문의 차이가 핵심이다. 보여준 것과 주장하는 것 사이의 간격, 그 간격이 다음 질문이 놓일 자리다.
뒤에서 다시 보겠지만, 이 4단계 중 AI 시대에 가장 직접적으로 쓰이는 것이 Phase 3이다.
Phase 4. 최종 산출물
정밀하고 새로운 질문을 확정한다. 이 단계에서 질문은 두 가지를 통과해야 한다.
- "왜 이것이 지금 중요한가?"를 설명할 수 있는가
- 답이 나왔을 때 무엇이 달라지는지 보이는가
5. 초보자가 빠지는 4가지 함정
피터스는 질문 개발 과정에서 흔히 빠지는 덫도 짚는다.
함정 1. 불필요한 '가설 요구' "좋은 연구에는 반드시 가설이 있어야 한다"는 믿음. 탐색적 질문이나 기술적(descriptive) 질문도 충분히 가치 있다. 가설이 없다고 질문이 나쁜 것이 아니다.
함정 2. 초기 질문에 대한 과잉 집착 처음 떠올린 질문에 감정적으로 결합해서, 데이터나 문헌이 다른 방향을 가리켜도 놓지 못하는 것. 질문은 도구이지 정체성이 아니다.
함정 3과 4 나머지 두 함정의 구체적 내용은 원문(페이월 뒤 3쪽짜리 Comment)에 있다. 다만 앞의 두 함정과 전체 논지가 공유하는 주제는 분명하다.
질문을 '완성품'으로 보는 태도가 가장 큰 적이다. 질문은 살아 있는 프로세스이고, 끊임없이 수정되어야 한다.
피터스가 제안하는 습관 하나가 이 태도를 실제로 바꾼다. 강연을 듣거나 논문을 읽을 때마다 요약에서 멈추지 말고 질문과 비판을 적어두는 것. 다른 통제 조건을 썼다면? 조금 다른 질문을 던졌다면? 다른 분석을 시도했다면? 이 메모가 당장의 연구와 무관해도, 그리고 아무에게도 보여주지 않아도 상관없다. 습관 자체가 비판적 사고를 기른다.
6. AI에게 던지는 질문은 이것과 다르다, 그런데
여기서부터가 피터스의 글을 넘어서는, 리프레이머의 해석이다.
먼저 인정할 것: 두 질문은 같은 것이 아니다
피터스의 글을 읽고 "그럼 AI에게도 이렇게 물으면 되겠네"라고 넘어가면 곤란하다. 두 질문은 요구하는 성질이 반대에 가깝다.
연구 질문은 답하기 어려워야 가치가 있다. 3초 만에 답이 나오면 그건 연구 질문이 아니다. 몇 달에서 몇 년을 들여 새 증거를 만들어야 답이 나오는 물음이라야 연구가 성립한다.
AI에게 던지는 질문은 답이 잘 나와야 가치가 있다. 좋은 프롬프트의 기준은 원하는 출력을 정확히 얻어내는 것이다.
그래서 피터스의 기준을 그대로 옮기면 이상해진다. 예를 들어 그가 강조하는 '새로움'은 AI 프롬프트에 아무 의미가 없다. 아무도 물어본 적 없는 것을 AI에게 물으면 오히려 답이 나빠진다. AI는 축적된 패턴에서 답을 꺼내는 도구이기 때문이다.
근거기반의학 쪽에는 이 차이를 가르는 오래된 구분이 있다. 배경 질문(background question)과 전경 질문(foreground question). 배경 질문은 이미 알려진 것을 묻는 것이라 교과서와 참고자료로 답한다. 전경 질문은 새 증거로만 답할 수 있다.
우리가 AI에게 던지는 질문은 거의 전부 배경 질문이다. 피터스가 다루는 것은 전경 질문이다.
그러니 "논문 쓰듯 AI에게 물어라"는 조언은 성립하지 않는다.
그런데 두 활동은 같은 근육을 쓴다
두 질문이 공유하는 것은 질문의 형식이 아니다. 질문을 세우기 직전에 작동하는 판단력이다.
연구 질문을 세우려면 기존 연구가 실제로 보여준 것과 주장하는 것 사이의 간격을 볼 줄 알아야 한다. 피터스의 Phase 3이 정확히 이 훈련이다.
AI의 답을 검증하려면 무엇이 필요한가. 똑같다. 이 답이 실제로 뒷받침하는 것과 그럴듯하게 주장하는 것 사이의 간격을 보는 눈이다.
그래서 피터스가 메타인지 연구자라는 사실이 우연이 아니다. 그가 평생 측정해온 것, 즉 자기 판단의 정확도를 스스로 평가하는 능력이 두 활동의 공통 기반이다. 그리고 앞서 본 Fernandes 연구가 측정한 것이 바로 이 능력의 손상이었다. AI를 쓴 사람들의 성적은 올랐지만 자기 수행을 판단하는 정확도는 떨어졌고, AI에 익숙하다고 자평할수록 더 떨어졌다.
정리하면 이렇다.
프롬프트를 잘 쓰는 능력과 AI의 답을 검증하는 능력은 별개다. 앞의 것은 도구 숙련이고, 뒤의 것은 메타인지다. 피터스의 4단계가 기르는 것은 뒤쪽이다.
데이터가 보여주는 것: 세 종류의 AI 사용자
Randazzo 외 연구진이 BCG 컨설턴트 244명을 관찰한 필드 스터디가 이 구분에 숫자를 준다. 같은 도구, 같은 과제를 받았는데 협업 패턴은 셋으로 갈렸다.
유형 비율 행동 결과
| Cyborg | 60% | AI와 반복적으로 대화하며 전 과정을 함께 진행 | AI 관련 새 역량 획득 (newskilling) |
| Centaur | 14% | AI를 선택적으로 사용, 반복과 평가는 직접 수행 | 기존 도메인 전문성 심화 (upskilling) |
| Self-Automator | 27% | 전체 과정을 프롬프트 한두 개로 압축해 위임 | 도메인 전문성도, AI 역량도 늘지 않음 |
주목할 대목이 두 가지다.
첫째, 정확도가 가장 높았던 쪽은 Centaur였다. AI를 가장 적게 쓴 집단이다. 분석 과정에 대한 통제권을 유지하고 자기 판단으로 AI 입력을 평가했기 때문에, 자신 있게 틀린 AI 답변에 끌려가지 않았다.
둘째, Self-Automator 63명 중 44%는 AI 출력물을 한 글자도 고치지 않고 제출했다. 나머지도 표면적 수정에 그쳤다. 성과 평가를 받는 중이라는 걸 알고 있던, 고도로 훈련받은 전문가들의 이야기다.
여기서 Self-Automator가 하지 않은 것은 좋은 프롬프트를 쓰는 일이 아니다. 오히려 그들의 프롬프트는 효율적이었다. 하지 않은 것은 돌아온 답을 자기 판단으로 재는 일이다.
4단계 중 실제로 옮겨지는 것
두 질문이 다르다는 것을 인정하고 나면, 피터스의 4단계 중 무엇이 옮겨지고 무엇이 옮겨지지 않는지도 정직하게 나뉜다.
Phase 1은 옮겨진다. AI에게 묻기 전에 자기 자신에게 먼저 묻는 것. "나는 이 문제에 대해 무엇을 이미 알고 있는가?" "내가 AI에게 묻고 싶은 것의 진짜 동기는 무엇인가?" 이 30초의 자기 대화가 AI 의존도와 사고 밀도의 분기점이다.
Phase 2는 축소된다. 피터스가 말하는 분야 넘나드는 읽기는 몇 달에서 몇 년 단위의 활동이다. 프롬프트 단위로 줄이면 원래 의미는 거의 남지 않는다. 남는 것은 하나다. AI의 답을 다른 출처와 충돌시켜 보는 것. 같은 질문을 다른 모델에게 던지는 것은 여기 해당하지 않는다. 같은 훈련 데이터의 그림자를 다시 보는 일에 가깝다.
Phase 3이 핵심이다. AI의 답에서 빠진 것을 찾는다. "이 답이 전제하고 있는 가정은 무엇인가?" "이 답이 다루지 않은 시나리오는?" AI는 패턴을 잘 재현하지만 기존 패턴에 없는 것을 식별하는 데는 약하다. 이 질문은 인간이 해야 한다.
Phase 4는 형태를 바꿔 옮겨진다. 원래는 최종 질문을 확정하는 단계지만, AI 협업에서는 산출물을 자기 언어로 다시 쓰는 일이 그 자리를 대신한다. 복사와 붙여넣기를 하는 순간 피터스가 경고한 "초기 질문에 대한 과잉 집착"의 AI 버전이 시작된다. 자기 언어로 다시 쓰는 과정 자체가 사고의 밀도를 만든다.
7. 개인의 문제인가, 제도의 문제인가
피터스의 글은 개인의 스킬 레벨에서 문제를 다룬다. "당신이 이 과정을 연습하면 좋은 질문을 만들 수 있다." 틀린 말이 아니다. 하지만 한 겹 더 벗겨야 할 것이 있다.
현재의 교육과 노동 시스템은 좋은 질문을 만드는 능력을 보상하는가?
학교는 여전히 정답을 빠르게 맞히는 사람에게 점수를 준다. 기업은 "이 문제를 해결해"라고 지시하지, "이 문제가 정말 문제인지 질문해봐"라고 하지 않는다.
AI가 답 생성을 자동화할수록 질문 능력의 가치는 이론적으로 올라간다. 그런데 그 능력을 키우고 보상하는 제도적 인프라는 아직 없다.
Self-Automator 27%를 다시 본다
앞의 BCG 데이터를 이 각도에서 보면 다르게 읽힌다.
전체 과정을 프롬프트 한두 개로 넘겨버린 27%를 게을렀다고 말하기는 쉽다. 하지만 그들이 놓여 있던 조건은 세 겹이었다.
첫째, 평가된 것은 결과물뿐이었다. 이 실험의 채점 항목은 추천이 맞았는가와 메모가 설득력 있는가, 둘이었다. 그 사람이 어떤 가정을 검토했고 무엇을 의심했다가 접었는지는 측정되지 않았다.
둘째, 그래서 손익 계산이 한쪽으로 기운다. AI 답변을 더 붙잡고 따지면 얻는 것은 결과물의 미세한 개선이고, 잃는 것은 시간이다. 평가가 결과물에만 걸려 있는 한 위임이 맞는 계산이다.
셋째, 대가는 나중에, 흩어져서, 느껴지지 않게 청구된다. 전문성이 늘지 않았다는 사실은 다음 프로젝트나 몇 년 뒤에 드러나고, 그때는 원인을 오늘의 결정으로 되짚기 어렵다. 게다가 Fernandes 연구대로, 그동안 본인은 실력이 늘었다고 느낀다.
세 번째 조건에는 이미 이름이 붙어 있다. 지금의 확실한 이익을 나중의 불확실한 이익보다 크게 치는 것을 **시간 할인(temporal discounting)**이라 하고, 결과가 한참 뒤에 나올 때 그것을 어느 시점의 어떤 행동에 귀속시킬지가 계산상 지극히 어렵다는 문제를 **신용 할당 문제(credit assignment problem)**라 한다. 둘 다 계산신경과학과 강화학습이 오래 붙들어온 주제다. 위임이 합리적으로 보이는 이유는 인간의 나약함이 아니라 이 계산 구조에 있다. (앞으로 계산신경과학에 관한 내용들을 다뤄보고 싶다.)
세 겹을 합치면 결론은 불편해진다. Self-Automator는 규칙을 어긴 사람이 아니라 주어진 규칙에 정확히 최적화한 사람이다. 참가자들이 평가받는 중임을 알고 있었다는 점을 떠올리면 더 그렇다. 동기가 없어서가 아니라 있었기 때문에 그렇게 한 것이다.
그래서 "질문하는 습관을 기르자"는 조언만으로는 27%가 줄지 않는다. 지금 확실한 비용을 치르고 나중의 불확실한 이익을 사라는 요구인데, 평가 구조가 그 비용을 보전해주지 않는다. 의지의 문제가 아니라 계산의 문제다.
바꾸려면 재는 자리를 옮겨야 한다. 결과물만이 아니라 그것이 어떤 검토를 거쳤는지까지 보는 것. 학교의 평가든 회사의 성과 관리든, 그런 장치를 갖춘 곳은 아직 드물다.
피터스가 Neuromatch를 만든 이유도 여기에 닿는다. 전통적 학술 교육의 접근성과 형식을 깨고 130개국에서 누구나 계산신경과학을 배울 수 있게 한 것은, 질문 만드는 법의 교육적 민주화에 대한 실험이기도 하다.
8. 오늘부터 쓰는 실천 체크리스트
피터스의 4단계에서 추출한, 연구자가 아닌 사람도 적용 가능한 훈련법 다섯 가지.
□ 10분 질문 워크아웃 (Phase 1 훈련)
하루 한 번, 관심 주제에 대해 10분간 질문만 적는다. 답은 쓰지 않는다. 20개 이상을 목표로 하되 질은 따지지 않는다.
□ "이 글이 놓친 건?" 메모 습관 (Phase 3 훈련)
논문이든 뉴스든 AI의 답변이든, 읽을 때마다 "이것이 다루지 않은 것은 무엇인가"를 한 줄 적는다. 피터스 본인이 권하는 습관이기도 하다.
□ 같은 질문의 5가지 버전
하나의 질문을 극단적으로 넓게, 극단적으로 좁게, 도발적으로, 반대 방향으로, 그리고 "1년 뒤에도 중요한 버전"으로 변환해본다. 질문은 하나가 아니라 스펙트럼이라는 감각을 키운다.
□ "그래서 뭐?" 테스트 (Phase 4 검증)
자기 질문에 답이 나왔다고 가정하고 "그래서 뭐가 달라지는데?"라고 물어본다. 대답이 약하면 질문을 다시 만든다.
□ AI에게 물을 질문과 나에게 남길 질문을 나눈다
이게 6절에서 본 구분의 실전 버전이다. 알려진 것을 확인하는 질문은 AI에게 넘긴다. 답이 아직 없는 질문, 내 상황에만 해당하는 질문, 무엇이 진짜 문제인지 정하는 질문은 내가 붙잡는다. 후자를 AI에게 넘기는 순간 Self-Automator가 된다.
마무리: 질문은 기술이고, 기술은 퇴화한다
피터스의 글이 전하는 가장 중요한 메시지는 이것이다.
좋은 질문은 천재적 영감이 아니라 체계적이고 반복적이며 비판적인 사고의 산물이다.
누구나 배울 수 있는 스킬이라는 뜻이다.
하지만 스킬에는 이면이 있다. 쓰지 않으면 퇴화한다. 이건 인용한 연구들이 증명한 사실이 아니라 이 글의 주장이다. 다섯 편 중 시간에 따른 능력 변화를 추적한 연구는 아직 없다. 다만 Fernandes 연구가 보여준 것은 그 주장을 무섭게 만든다. 아이러니하게도 퇴화하는 동안 우리는 실력이 늘고 있다고 느낀다.
AI 시대에 가장 값비싼 능력은 정보를 가진 것도, 답을 빨리 내는 것도 아니다. 프롬프트를 잘 쓰는 것도 아니다.
돌아온 답을 보며 "이게 정말 답인가"라고 물을 수 있는 능력이다.
<출처 및 근거 강도>
핵심 논문 Peters, M. A. K. (2025). How to develop good research questions. Nature Human Behaviour, 9(9), 1759 to 1761. DOI: 10.1038/s41562-025-02292-5 (성격: 피어리뷰 저널의 Comment. 실증 연구가 아닌 전문가 조언 글이며, 대상 독자는 초기 경력 연구자다. 저자가 AI 협업이나 일상 사고로의 확장을 주장한 바는 없다. 6절 이후의 확장 해석은 이 글의 것이다. 원문은 페이월 뒤에 있음)
인용된 연구들
Fernandes, D., Villa, S., Nicholls, S. 외 (2026). AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior, 175, 108779. (성격: 피어리뷰 실험 연구 2건, N=246 및 N=452. 논리추론 과제 기반. 인과 추론 가능성이 상대적으로 높음)
Randazzo, S., Lifshitz-Assaf, H., Kellogg, K., Dell'Acqua, F., Mollick, E., Candelon, F., & Lakhani, K. R. Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work. Harvard Business School Working Paper 26-036. (성격: 워킹페이퍼, 피어리뷰 전. BCG 컨설턴트 244명 필드 스터디, 4,975건의 인간과 AI 상호작용 분석. BCG가 발표한 자체 연구가 아니라 학계 연구진이 BCG 현장을 관찰한 연구임)
Lee, H.-P. 외, Microsoft Research & Carnegie Mellon University (2025). The Impact of Generative AI on Critical Thinking. CHI 2025. (성격: 지식노동자 319명 대상 자기보고 설문. 행동 관찰이 아니므로 응답자의 자기 인식에 의존)
Gerlich, M. (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. Societies, 15(1), 6. (성격: 상관 연구. AI 사용과 비판적 사고 점수의 관계를 보여주지만 인과 방향은 확정되지 않음. 원래 비판적 사고 성향이 낮은 사람이 AI를 더 쓸 가능성도 배제되지 않음)
용어 출처 배경 질문(background question)과 전경 질문(foreground question)의 구분은 근거기반의학(evidence-based medicine)의 임상 질문 분류에서 가져온 것이다. 피터스가 사용한 개념은 아니다.
카테고리 AI와 사고법 / 미디어 리터러시
'경제와 삶' 카테고리의 다른 글
| 하루 2시간 수업으로 상위 1%? — AI기반 미래형 사립학교가 던지는 질문, 그리고 그 한계와 가능성 (1) | 2026.03.19 |
|---|---|
| AI에 관한 양가적 감정들 (1) | 2026.03.13 |
| 2026년 리더를 위한 실전 지식 큐레이션: 정보의 홍수 속에서 문제해결능력을 극대화하는 PKM 구축법 (0) | 2026.03.01 |
| 2026년 정부지원금 합격 그 이후: 환수 리스크를 차단하는 자금 집행 및 행정 방어 시스템 구축 가이드 (0) | 2026.02.28 |
| 정부지원금은 로또가 아니다: 우리 회사에 딱 맞는 자금을 찾아내는 3단계 매칭 공식 (0) | 2026.02.15 |
