생성형 인공지능 보조 환경에서 한·중 디자인 전공 학생의 창작 행동 인식 비교 연구

2-1 생성형 인공지능과 교육 연구

생성형 인공지능의 교육적 활용은 최근 교육공학 연구의 주요 쟁점으로 부상하고 있다. 기존 연구는 학습 지원, 지식 구성, 텍스트 생성, 과업 보조 및 교수 피드백의 측면에서 고등교육에서 생성형 AI가 지니는 활용 가치를 논의해 왔다[5]-[7]. 동시에 학생의 생성형 AI 활용에 관한 실증 연구도 증가하고 있으며, 기술수용모형, 계획행동이론 또는 자기조절학습 등의 틀을 적용하여 사용 의도, 사용 태도 및 지속 사용 행동을 분석하고 있다[8]. 이러한 연구는 교육 현장에서 생성형 AI의 활용이 기술적 기능만으로 결정되는 것이 아니라, 도구의 가치, 과업 적합성, 사용 위험 및 학습 지원에 대한 학습자의 판단과 밀접하게 관련되어 있음을 보여준다. 그러나 교육에서 생성형 AI의 역할은 효율성 향상이나 학습 지원에만 한정되지 않는다. 기존 연구에 따르면 명확한 교수 지침과 과업 규범이 부족할 경우, 학생은 AI 도구에 의존하게 될 수 있으며 이는 자율적 분석, 성찰적 추론 및 문제 해결 과정에 영향을 미칠 수 있다[9],[10]. 디자인 교육에서는 이러한 문제가 더욱 복합적으로 나타난다. 디자인 창작은 단일한 정보 처리 과업이 아니라 구상, 판단, 창작 및 수정이 연속적으로 이루어지는 과정이다. 생성형 AI가 디자인 창작에 활용되면 아이디어 확장과 방안 생성 효율성 향상에 도움이 될 수 있지만, 작품의 동질화, 창작 의존성 및 주체성 약화와 같은 문제도 발생할 수 있다[11]. 따라서 그 영향 메커니즘은 디자인 창작 과정을 고려하여 논의할 필요가 있다.

최근 디자인 분야에서는 창의적 구상, 이미지 생성, 프롬프트 조정 및 인간-AI 공동창작에서 생성형 AI가 수행하는 역할에 주목하기 시작하였다. 이러한 연구는 생성형 AI가 더 이상 외부 보조 도구에 머물지 않고 학생의 창작 과정 전반에 점차 참여하고 있음을 보여준다[2]. 그러나 디자인 전공 학생이 일상적인 학습 및 창작 과업에서 생성형 AI의 창작 지원을 어떻게 인식하고 평가하는지, 그리고 이러한 창작 행동 인식이 서로 다른 학생 표본에서 어떠한 공통점과 차이를 보이는지는 실증 연구를 통해 추가로 규명할 필요가 있다.

2-2 디자인 창작 맥락에서의 변수 선정 및 연구가설

기술수용모형은 지각된 유용성과 지각된 용이성을 사용자의 기술수용을 설명하는 주요 판단 기반으로 본다. 생성형 AI의 교육적 활용에 관한 연구에서도 구체적인 기술, 사용자 집단 및 과업 환경에 따라 확장 변수를 도입하여 모형의 맥락적 설명력을 높이고 있다[12],[13]. 본 연구는 TAM을 기술 사용을 이해하기 위한 이론적 출발점으로 삼되, 기존 변수를 그대로 적용하지 않는다. 생성형 AI는 디자인 창작에서 정해진 조작만을 수행하는 것이 아니라 구상, 생성, 비교, 선별 및 재가공 단계에 참여하므로, 학생이 직면하는 문제 역시 일반적인 의미의 ‘유용성’이나 ‘용이성’에 한정되지 않는다. 기존 연구에 따르면 생성형 AI는 개념 디자인과 인간-AI 협업 과정에 참여하여 디자인 과정에 창의적 자극을 제공하고 방안의 전개 방식을 변화시키는 한편, 디자이너는 생성된 콘텐츠를 지속적으로 판단하고 선택하며 조정해야 한다[14]. 따라서 본 연구는 학생의 생성형 AI에 대한 일반적인 기술 태도보다 실제 창작 경험을 바탕으로 형성되는 과업 수준의 판단에 초점을 둔다.

본 연구의 변수 선정은 세 가지 원칙을 따른다. 첫째, 변수는 일반적인 기술 평가에 머물지 않고 디자인 창작 과정에 직접 대응해야 한다. 둘째, 변수는 기존 디자인 도구와 비교하여 생성형 AI가 지니는 두드러진 과업 특성을 반영해야 한다. 셋째, 변수는 창작 행동 인식과 동일한 분석 수준을 유지해야 한다. 즉, 학생의 사용 경험을 바탕으로 형성되는 직접적인 인식 요인이어야 한다. 이러한 원칙에 따라 디자인 전공 학생의 핵심 판단을 세 가지로 구분하였다. 생성형 AI가 창의적 가능성을 확장할 수 있는지, 창작 과정의 전개를 촉진할 수 있는지, 그리고 AI가 참여하는 상황에서도 학생이 생성 결과와 개인의 디자인 의도에 대한 통제력을 유지할 수 있는지이다. 이는 각각 창의 지원 인식, 창작 효율성 인식 및 창작 통제감에 해당한다.

첫째, 창의 지원 인식은 생성형 AI가 아이디어 발상, 시각적 참고 자료 및 방안 확장을 제공할 수 있다고 학생이 인식하는 정도를 의미한다. 디자인 창작의 핵심은 단순히 과업을 완수하는 것이 아니라 표현력과 차별성을 갖춘 시각적 방안을 형성하는 데 있다[15]. 따라서 학생이 생성형 AI가 아이디어 형성과 방안 확장을 지원한다고 인식할수록 창작 행동 인식은 높아질 수 있다. 이에 따라 다음과 같이 가설 H1을 설정하였다.

• H1: 창의 지원 인식은 창작 행동 인식에 정(+)의 영향을 미칠 것이다.

둘째, 창작 효율성 인식은 생성형 AI가 구상, 생성, 비교 및 수정 등의 창작 단계에서 효율성을 높일 수 있다고 학생이 인식하는 정도를 의미한다. 디자인 과업은 일반적으로 과정이 복잡하고 수정이 빈번하며 시간 비용이 높다는 특성을 지닌다. 따라서 효율성 인식은 창작 도구로서 생성형 AI가 지니는 과정상의 가치를 반영한다[16]. 학생이 생성형 AI를 통해 시간을 절약하고 방안 전개의 효율성을 높일 수 있다고 인식할수록 창작 행동 인식은 높아질 수 있다. 이에 따라 다음과 같이 가설 H2를 설정하였다.

• H2: 창작 효율성 인식은 창작 행동 인식에 정(+)의 영향을 미칠 것이다.

셋째, 창작 통제감은 학생이 생성 결과를 이해하고 선별하며 조정할 수 있는지, 그리고 AI가 참여하는 상황에서도 개인의 디자인 의도를 유지할 수 있는지에 대한 인식을 의미한다. 기존 디자인 소프트웨어와 비교할 때 생성형 AI의 출력에는 일정한 불확실성이 존재한다. 따라서 학생은 프롬프트, 매개변수 조정, 결과 선별 및 후속 수정을 통해 생성된 콘텐츠를 지속적으로 보완해야 한다[17]. 이에 따라 창작 통제감은 단순히 기술 조작의 용이성뿐만 아니라, 생성 결과를 통제할 수 있는지, 창작 판단을 유지할 수 있는지, 학생의 주도성을 지속할 수 있는지를 포함한다. 학생이 생성 과정과 생성 결과를 통제할 수 있다고 인식할수록 창작 행동 인식은 높아질 수 있다. 이에 따라 다음과 같이 가설 H3을 설정하였다.

• H3: 창작 통제감은 창작 행동 인식에 정(+)의 영향을 미칠 것이다.

종합하면, H1, H2, H3은 각각 창의 지원 인식, 창작 효율성 인식 및 창작 통제감이 창작 행동 인식에 미치는 직접적인 영향을 검정하기 위한 것이다. 이를 통해 생성형 AI 보조 디자인 창작 맥락에서 학생의 창작 행동 인식이 형성되는 기본 메커니즘을 확인하고자 한다. 나아가 본 연구는 중국과 한국 디자인 전공 학생 표본을 대상으로 다집단 비교를 실시한다. 다만 본 연구는 문화적 가치관, 교육과정 제도, 미디어 환경 또는 디자인 평가 기준 등을 직접 측정하지 않았으므로, 한·중 비교를 방향성 있는 문화 차이 가설로 설정하지 않는다. 대신 두 표본에서 위 영향 경로가 어떠한 공통성과 차이를 보이는지 탐색적으로 확인하는 데 목적을 둔다. 이에 따라 다음과 같이 연구문제 RQ1을 설정하였다.

• RQ1: 중국과 한국 디자인 전공 학생 표본에서 창의 지원 인식, 창작 효율성 인식 및 창작 통제감이 창작 행동 인식에 미치는 영향 경로는 차이를 보이는가?

3-1 설문 설계와 측정 문항

본 연구는 생성형 AI 보조 환경에서 디자인 창작 행동 인식을 측정하기 위한 설문을 구성하였다. 핵심 변수의 측정 문항은 표 1과 같다. 모든 문항은 5점 Likert 척도로 측정하였으며, 1점은 ‘전혀 그렇지 않다’, 5점은 ‘매우 그렇다’를 의미한다. 설문은 창의 지원 인식, 창작 효율성 인식, 창작 통제감 및 창작 행동 인식의 네 가지 잠재변수로 구성하였다.

Table 1.

Operational definitions and measurement items

3-2 번역 동등성 및 예비조사

한·중 설문 내용의 일관성을 확보하기 위해 정식 조사에 앞서 중국어와 한국어 설문의 의미를 검토하였다. 검토는 핵심 개념, 문항의 의미 및 Likert 척도 설명에 중점을 두었다. ‘창작 통제감’과 ‘창작 행동 인식’ 등 언어 간 이해 차이가 발생할 수 있는 표현은 이중언어 의미 검토 결과를 바탕으로 수정하여 중국어 문항과 한국어 문항 간 개념적 일관성을 높였다. 정식 조사에 앞서 소규모 예비조사를 실시하여 문항 이해도, 응답 시간 및 척도의 내적 일관성을 점검하였다. 예비조사 결과, 각 차원의 문항은 정식 조사에 필요한 기본 요건을 충족하였다. 구체적인 결과는 표 2와 같다.

Table 2.

Translation review and pilot survey results

3-3 자료 수집과 표본 선별

본 연구는 중국과 한국의 대학 디자인 계열 전공 학생을 대상으로 각각 설문조사를 실시하였다. 중국 표본은 온라인 설문조사 플랫폼인 “Wenjuanxing”을 통해 수집하였으며, 한국 표본은 온라인 패널 조사 플랫폼인 “Macromill Embrain”을 통해 수집하였다. 두 플랫폼은 표본 모집 방식, 응답자 검증 절차 및 패널 구조에서 차이가 있으며, 최초 수집 표본에는 비대상 전공자, 관련 사용 경험이 없는 응답자 또는 불성실 응답자가 포함되어 있었다. 이에 본 연구는 최종 표본이 연구 대상의 범위에 부합하도록 표본 선별 단계에서 비교적 엄격하고 일관된 기준을 적용하였으며, 저품질 응답이 분석 결과에 미치는 영향을 줄이고자 하였다. 다만 엄격한 선별 기준은 표본과 연구 대상 간의 적합도를 높이는 데 도움이 되지만, 서로 다른 플랫폼의 모집 방식에서 발생할 수 있는 선택 편향을 완전히 제거할 수는 없다. 따라서 본 연구는 이후 한·중 표본 비교 결과를 본 연구의 유효 표본 범위 내에서 나타난 경로 차이로 이해하며, 이를 양국 디자인 전공 학생 전체의 안정적인 차이로 일반화하지 않는다.

표본 선별은 다음 다섯 가지 기준을 적용하였다. 첫째, 디자인 관련 전공 학생 여부, 둘째, 생성형 AI를 활용한 디자인 창작 경험 여부, 셋째, 명백한 무응답 또는 논리적 모순 여부, 넷째, 비정상적으로 짧은 응답 시간 여부, 다섯째, 연속적인 동일 응답 여부이다. 중국 표본은 총 342부를 수집하여 122부를 제외한 220부를 최종 유효 표본으로 활용하였으며, 유효 응답률은 64.3%였다. 한국 표본은 총 364부를 수집하여 164부를 제외한 200부를 최종 유효 표본으로 활용하였으며, 유효 응답률은 54.9%였다. 한국 표본의 유효 응답률이 상대적으로 낮은 것은 플랫폼 패널 내 비대상 전공자의 비율이 높고, 선별 문항에 따라 제외된 응답이 많았기 때문이다. 관련 제외 기준은 데이터 품질을 관리하기 위해서만 적용하였으며, 한·중 학생 집단 차이를 설명하는 근거로 사용하지 않았다.

Table 3.

Questionnaire collection and screening

4-1 표본의 기술통계

유효 표본의 일반적 특성은 표 4와 같다. 집단 간 차이 검정 결과, 중국 표본과 한국 표본은 성별, 학년, 전공 분야, AI 사용 경험, 사용 빈도 및 주요 도구 유형에서 모두 유의한 차이를 보이지 않았다. 이는 두 유효 표본의 기본 구조가 비교 가능함을 의미한다. 두 표본은 모두 학부 과정의 디자인 계열 전공 학생이 중심을 이루었으며, 다수의 응답자가 비교적 지속적인 생성형 AI 사용 경험을 보유하고 있었다. 특히 주 3~5회 또는 거의 매일 사용한다고 응답한 비율이 높아, 본 표본은 생성형 인공지능 보조 환경에서 창작 행동 인식을 논의하기 위한 경험적 기반을 갖추고 있다고 볼 수 있다.

Table 4.

Sample characteristics and group differences

4-2 공통방법편의 및 다중공선성 검정

본 연구의 주요 변수는 동일한 응답자의 자기보고식 설문을 통해 측정되었으므로 공통방법편의가 발생할 가능성이 있다. 설문 설계 단계에서는 익명 응답, 문항 표현의 중립화 및 서로 다른 변수 문항의 교차 배치 등을 통해 공통방법편의의 영향을 줄이고자 하였다. 통계적 검정으로는 전체 17개 측정 문항을 비회전 탐색적 요인분석에 투입하여 Harman의 단일요인 검정을 실시하였다. 분석 결과, 첫 번째 공통요인의 설명 분산은 41.508%로 경험적 기준인 50%보다 낮았다. 따라서 공통방법편의가 단일요인에 의해 주도되는 양상은 나타나지 않았다.

구조모형의 독립변수 간 다중공선성 여부를 검토하기 위해 분산팽창계수(VIF), 공차한계 및 조건지수를 추가로 산출하였다. 분석 결과, 각 예측변수의 VIF는 1.176~1.280의 범위에 있었고 공차한계는 모두 0.10을 상회하였으며, 최대 조건지수는 13.798이었다. 따라서 심각한 다중공선성 문제는 없는 것으로 판단하였다. 구체적인 결과는 표 5와 같다.

Table 5.

Common method bias and multicollinearity tests

4-3 신뢰도, 집중타당도 및 판별타당도 검정

신뢰도 검정 결과(표 6), 중국 표본의 각 구성개념별 Cronbach’s α는 0.848~0.918, 한국 표본은 0.772~0.912의 범위를 보였다. 전체 표본의 각 구성개념별 Cronbach’s α는 모두 0.80을 상회하여 척도의 내적 일관성이 양호한 것으로 나타났다. 중국 표본의 KMO 값은 0.851, 한국 표본은 0.942였으며, Bartlett의 구형성 검정은 모두 유의한 수준으로 나타났다. 따라서 본 연구의 자료는 요인분석에 적합한 것으로 판단하였다.

Table 6.

Reliability and suitability for factor analysis of the Korean and Chinese samples

집중타당도 검정 결과, 각 문항의 표준화 요인부하량은 모두 0.70을 상회하였고, 개념신뢰도(CR)는 모두 0.70 이상, 평균분산추출값(AVE)은 모두 0.50 이상으로 나타났다. 따라서 각 구성개념의 집중타당도는 수용 가능한 수준으로 판단하였다. 구체적인 결과는 표 7과 같다.

Table 7.

Standardized factor loadings, CR, and AVE of measurement items

판별타당도 검정 결과(표 8), Fornell-Larcker 기준에 따라 각 구성개념의 AVE 제곱근은 다른 구성개념과의 상관계수보다 크게 나타났다. 따라서 각 구성개념 간 판별타당도는 양호한 것으로 판단하였다.

Table 8.

Discriminant validity test

4-4 측정모형 적합도 및 측정동일성 검정

구조 경로를 검정하기에 앞서 확인적 요인분석을 통해 측정모형을 검토하였다. 전체 표본의 측정모형 적합도는 표 9와 같다. 모든 지표가 일반적인 권고 기준을 충족하여 측정모형의 전반적인 적합도는 양호한 것으로 나타났다.

Table 9.

Fit indices of the measurement model for the pooled sample

본 연구는 중국과 한국 학생 표본의 구조 경로를 비교하므로, 두 표본에서 척도의 측정동일성을 검정할 필요가 있다. 이에 구성동일성, 요인부하량 동일성 및 절편동일성을 순차적으로 검정하였으며, ΔCFI ≤ 0.010과 ΔRMSEA ≤ 0.015를 판단 기준으로 적용하였다. 분석 결과, 구성동일성 모형의 CFI는 0.901로 수용 가능한 수준에 도달하였다. 요인부하량 동일성과 절편동일성 제약을 추가한 후에도 CFI와 RMSEA의 변화 폭은 권고 기준을 초과하지 않았다. 따라서 두 표본 간 측정동일성은 수용 가능한 수준으로 판단하였다. 다만 구성동일성 모형의 일부 적합도 지수가 경계 수준에 있으므로, 후속 다집단 차이 해석에는 신중을 기할 필요가 있다. 구체적인 결과는 표 10과 같다.

Table 10.

Measurement invariance test for the Korean and Chinese samples

다만 M1 구성동일성 모형의 CFI 값이 0.90을 약간 상회하는 수준에 머물렀다는 점은 주의할 필요가 있다. 이는 한·중 표본의 측정 구조가 기본적인 비교 요건은 충족하지만, 비교의 기초가 충분히 안정적이라고 보기는 어렵다는 것을 의미한다. 이러한 결과는 몇 가지 요인과 관련될 수 있다. 첫째, 본 연구는 중국어와 한국어 설문을 사용하였으므로, ‘창작 통제감’과 ‘창작 행동 인식’ 관련 문항에서 언어 간 미세한 의미 차이가 존재할 수 있다. 둘째, 중국 표본과 한국 표본은 서로 다른 온라인 조사 플랫폼을 통해 수집되었으며, 플랫폼의 패널 구성, 모집 방식 및 응답자 검증 절차 차이가 두 유효 표본의 이질성에 영향을 미쳤을 가능성이 있다. 셋째, 생성형 AI 보조 디자인 창작은 아직 빠르게 변화하는 영역이므로, 학생들이 AI 도구, 디자인 과업 및 창작 과정에 대해 형성한 이해가 완전히 안정되어 있다고 보기 어렵다. 따라서 본 연구는 측정동일성 결과를 다집단 비교를 위한 최저 수용 가능한 기반으로 해석하며, 강한 측정 일관성을 충분히 입증한 결과로 확대 해석하지 않는다. 이후 다집단 경로 비교는 본 연구 표본 범위 내의 경로 차이를 확인하기 위한 것으로, 이를 한·중 디자인 전공 학생 전체의 차이나 거시적 문화 차이로 일반화하지 않는다.

4-5 구조방정식모형 및 가설 검정

측정모형이 수용 가능한 적합도와 기본적인 측정동일성을 충족한 후 구조방정식모형을 검정하였다. 구조모형에서는 창의 지원 인식, 창작 효율성 인식 및 창작 통제감을 외생변수로, 창작 행동 인식을 내생변수로 설정하였다. 모형 적합도는 측정모형의 적합도와 동일하며, 전반적으로 권고 기준을 충족하였다. 경로 검정 결과(표 11), 창의 지원 인식, 창작 효율성 인식 및 창작 통제감은 모두 창작 행동 인식에 유의한 정(+)의 영향을 미치는 것으로 나타났다. 이에 따라 H1, H2 및 H3은 모두 지지되었다. 또한 창작 행동 인식에 대한 모형의 설명력은 R² = 0.541로 나타났다. 이는 세 변수가 생성형 AI 보조 환경에서 디자인 전공 학생의 창작 행동 인식을 비교적 잘 설명하고 있음을 의미한다.

Table 11.

Structural model path test results

4-6 한·중 다집단 경로 차이 비교

측정동일성 검정을 바탕으로 한·중 다집단 경로 비교를 추가로 실시하였다. 집단 내 경로의 유의성은 특정 경로가 해당 표본에서 유의한지를 보여줄 뿐이며, 두 표본 간 경로 차이가 유의함을 직접 의미하지는 않는다. 따라서 본 연구는 각 집단의 경로 검정 결과와 집단 간 경로 차이 검정 결과를 함께 제시하였다. 구체적인 결과는 표 12와 표 13에 제시하였다.

Table 12.

Structural path results for the Chinese and Korean samples

Table 13.

Multigroup path difference test for the Korean and Chinese samples

분석 결과, 창의 지원 인식 경로는 중국 표본과 한국 표본에서 모두 유의하였으며, 한국 표본의 경로계수가 중국 표본보다 유의하게 높았다. 창작 효율성 인식 경로는 두 표본에서 모두 유의하였으나 집단 간 차이는 유의하지 않았다. 창작 통제감 경로는 중국 표본 내에서 유의하였으나 한국 표본에서는 유의하지 않았으며, 두 표본 간 경로 차이 역시 유의하지 않았다. 따라서 창의 지원 인식 경로에서만 유의한 표본 간 차이를 확인할 수 있으며, 창작 효율성 인식 또는 창작 통제감이 한·중 표본 간에 실질적인 차이를 보인다고 해석할 수는 없다.

5-1 전체 모형 결과에 대한 논의

본 연구 결과, 창의 지원 인식, 창작 효율성 인식 및 창작 통제감은 모두 창작 행동 인식에 유의한 정(+)의 영향을 미쳤다. 이는 디자인 전공 학생이 생성형 AI의 창작 과정 참여를 평가할 때 기술의 새로움이나 일반적인 편의성만을 고려하는 것이 아니라, 창의적 가치, 과정상의 가치 및 결과 통제를 종합적으로 판단함을 의미한다. 이러한 결과는 TAM의 맥락적 확장을 뒷받침한다. 즉, 디자인 창작 맥락에서 지각된 유용성은 단순한 ‘과업 성과 향상’에 그치지 않으며, 창의 지원과 효율성 향상으로 구체화될 필요가 있다. 또한 지각된 용이성은 단순한 ‘조작의 편리성’에 한정되지 않고, 생성 과정, 결과 선별 및 재가공에 대한 통제 가능성을 포함한다.

경로계수를 살펴보면, 창의 지원 인식의 정(+)의 영향은 시각적 참고 자료를 제공하고 다양한 방안의 가능성을 제시하는 것이 생성형 AI의 중요한 매력 요인임을 보여준다. 기존 연구에 따르면 생성형 AI는 초기 디자인 개념 탐색에 참여하고, 이미지 생성을 통해 디자이너의 의도에 부합하는 방안을 형성하도록 지원할 수 있다[2]. 인간-AI 공동창작 연구 역시 AI 시스템의 가치는 과업 수행에 그치지 않으며, 상호작용 과정을 통해 아이디어 생성에 참여하는 데 있다고 강조한다[14]. 본 연구는 디자인 전공 학생에게 AI의 출력이 ‘창의적 재료’로 이해될 수 있는지가 창작 행동 인식에 직접적인 영향을 미침을 보여준다. 즉, 디자인 창작에서 AI 수용은 일반적인 기술 사용의 문제에 그치지 않으며, 시각적 탐색, 방안 확장 및 아이디어 생성 과정과 밀접하게 관련된다.

창작 효율성 인식의 유의한 영향은 효율성 향상이 여전히 학생의 창작 행동 인식에 영향을 미치는 중요한 요인임을 보여준다. 기존의 생성형 AI 교육 활용 연구는 학습 지원, 과업 보조 및 정보 처리의 가치를 주로 강조해 왔다. 그러나 디자인 창작 맥락에서 효율성은 단순히 시간을 절약하는 것에 그치지 않으며, 구상, 스케치 생성, 방안 비교 및 작품 수정 단계의 진행을 촉진하는 것을 의미한다. 본 연구 결과, 학생이 생성형 AI를 통해 참고 자료를 빠르게 확보하고 다양한 방안을 비교하며 수정을 진행할 수 있다고 인식할수록 창작 행동 인식은 높아졌다. 따라서 효율성 인식은 생성형 AI가 디자인 학습 과정에 활용되는 데 있어 기초적인 촉진 요인으로 이해할 수 있다.

창작 통제감의 정(+)의 영향은 디자인 전공 학생이 생성 결과를 수동적으로 받아들이는 것이 아니라, 프롬프트, 매개변수, 결과 선별 및 후속 편집을 통해 생성된 콘텐츠를 개인의 디자인 의도에 부합하도록 조정할 수 있는지를 중시함을 보여준다. 기존 연구는 AIGC를 제품 디자인 구상 교육에 통합할 때 학생의 자기효능감과 학습 결과를 함께 고려할 필요가 있음을 보여준다[16]. 또한 디자인 기반 학습에 AI가 활용되는 것은 단순한 도구 사용을 넘어 창의적 사고와 성찰 능력 등 보다 복합적인 학습 과정과 관련된다[11]. 본 연구 결과를 종합하면, 학생의 생성형 AI에 대한 긍정적 인식은 생성 결과 자체에서만 비롯되는 것이 아니라, 이러한 결과를 지속적으로 판단하고 수정하며 통제할 수 있는지에 따라 형성된다. 따라서 디자인 교육에서 AI 교육은 도구 조작에 머물지 않고, 학생의 결과 판단, 방안 선별 및 창작 주도성 유지에 주목해야 한다.

5-2 한·중 표본의 경로 차이에 대한 논의

다집단 비교 결과, 창의 지원 인식이 창작 행동 인식에 미치는 영향은 한국 표본에서 비교적 높은 효과값을 보였으며, 본 연구에서 유일하게 유의한 표본 간 차이를 보인 경로였다. 이는 본 연구의 표본 범위 내에서 창의 지원 기능과 창작 행동 인식 간의 관련성이 한국 표본에서 더 두드러지게 나타났음을 의미한다. 그러나 이 결과를 해석할 때에는 경로 차이 자체와 비교 기반의 한계를 함께 고려해야 한다. 한편으로 해당 경로 차이는 통계적으로 지지되지만, 다른 한편으로 중국 표본과 한국 표본은 서로 다른 플랫폼을 통해 모집되었으며, 두 플랫폼은 패널 구조, 응답자 검증 절차 및 응답 환경에서 차이를 보인다. 또한 한국 표본의 유효 응답률(54.9%)은 중국 표본(64.3%)보다 낮았으므로, 두 유효 표본의 구성은 서로 다른 선별 과정의 영향을 받았을 가능성이 있다. 나아가 측정동일성 검정에서 구성동일성 모형의 CFI는 0.901로 경계 수준의 수용 가능 범위에 머물렀으며, 이는 표본 간 경로 비교의 기반이 충분히 안정적이지 않음을 시사한다. 따라서 본 연구는 이 경로 차이에 대한 논의를 본 연구의 유효 표본 범위 내로 한정하고, 창의 지원 경로와 창작 통제감 경로를 함께 고려할 때 나타나는 관계 양상에 초점을 둔다. 이를 두 표본 학생의 창의성 수준이나 창작 능력 차이로 직접 해석하지 않는다.

이러한 해석 범위에서 보면, 한국 표본에서 창의 지원 경로가 비교적 높은 효과값을 보인 점과 창작 통제감 경로가 유의하지 않았다는 점을 함께 살펴볼 필요가 있다. 기존 연구는 생성형 AI를 디자인 창작에서 하나의 ‘창의적 재료’로 이해하며, 그 가치는 최종 방안을 직접 대체하는 데 있지 않고 창작 영감을 제공하고 방안의 가능성을 확장하며 디자이너가 이를 다시 선별, 조정 및 전환하는 과정에 있다고 설명한다[14]. 이러한 관점에서 생성형 AI 보조 디자인 창작은 단순한 ‘입력-출력’ 과정이 아니라 ‘생성-판단-선별-수정-전환’이 이어지는 연속적인 과정으로 이해될 수 있다.

이를 바탕으로 한국 표본에서 창작 통제감 경로가 유의하지 않았다는 결과는 생성형 AI가 해당 표본 학생의 창작 과정에서 수행하는 기능적 위치와 관련지어 해석할 수 있다. 한국 표본에서 창의 지원 경로의 효과값이 높게 나타난 것은 해당 표본 학생들이 생성형 AI를 새로운 시각적 아이디어, 스타일 방향, 구성 참고 및 개념 초안을 제공하는 도구로 더 직접적으로 평가했을 가능성을 보여준다. 학생이 생성형 AI를 주로 창의적 자극원이나 시각적 재료의 출처로 인식할 경우, 그 사용은 매번의 출력이 개인의 기대와 정확히 일치하는지를 확인하는 방식보다는 다수의 생성 결과에서 방향성 있는 자극과 전환 가능한 아이디어를 찾는 방식에 가까울 수 있다. 이 경우 생성 내용이 완전히 통제 가능한지는 학생이 AI를 창작 과정에 포함할지 여부를 직접 결정하는 핵심 기준이 아닐 수 있다. 학생은 이후 단계에서 생성 결과를 선별, 재구성, 수정 및 재가공할 수 있다고 전제할 수 있으므로, AI 출력의 불확실성이 반드시 실제 사용의 장애로 작용한다고 보기는 어렵다. 따라서 한국 표본에서 창작 통제감 경로가 유의하지 않은 것은 해당 학생들이 창작 통제를 중요하게 여기지 않는다는 의미가 아니라, 통제감이 창작 행동 인식을 직접적으로 이끄는 요인이라기보다 후속 가공 단계에서 작용하는 조건으로 이해될 가능성을 시사한다.

한국 표본과 비교할 때, 중국 표본에서는 세 경로가 모두 유의하게 나타났다. 즉, 창의 지원 인식, 창작 효율성 인식 및 창작 통제감이 모두 창작 행동 인식에 유의한 영향을 미쳤다. 이는 중국 표본의 학생들이 생성형 AI 보조 창작을 평가할 때 단일한 기능 차원에만 의존하지 않고, 창의적 자극, 과정의 전개 및 결과 통제를 함께 고려했음을 보여준다. 특히 창작 통제감 경로가 유의하게 나타났다는 점은 중국 표본 내에서 학생들이 생성 결과를 이해하고 선별하며 수정하여 개인의 디자인 의도에 부합하는 작품 내용으로 전환할 수 있는지를 중요하게 고려했음을 의미한다. 디자인 수업은 일반적으로 시각적 결과물의 완성뿐 아니라 방안의 출처, 수정 과정 및 개인의 판단을 설명하는 능력도 요구한다. 따라서 학생이 AI 생성 내용이 인간의 판단과 재가공을 거쳐야 유효한 디자인 결과물이 될 수 있음을 인식할 때, 창작 통제감은 창작 행동 인식에서 상대적으로 독립적인 역할을 가질 수 있다. 이러한 점에서 중국 표본의 창작 행동 인식은 AI를 창의적 자극 도구, 과정 전개 도구, 그리고 선별·수정·설명이 필요한 디자인 재료로 함께 평가하는 종합적 판단에 가까운 것으로 이해할 수 있다.

창작 효율성 인식은 중국 표본과 한국 표본 모두에서 유의하게 나타났으며, 표본 간 차이는 유의하지 않았다. 이는 효율성 향상이 두 표본에서 비교적 안정적인 판단 차원임을 보여준다. 학생이 생성형 AI의 창의적 자극 기능에 더 주목하든, 생성 결과의 통제와 가공에 더 주목하든, 방안을 더 빠르게 생성하고 여러 선택지를 비교하며 수정을 진행할 수 있다는 점은 창작 행동 인식에 중요한 기반으로 작용하였다. 이러한 결과는 기술수용 연구에서 효율성과 과업 지원의 가치가 기술 사용 인식에 중요한 영향을 미친다는 기본적 논의와도 연결되며[12], 생성형 AI가 디자인 학습 과정에 수용될 때 과정 전개의 가치가 학생에게 비교적 쉽게 인식될 수 있음을 보여준다.

6-1 연구 결론

연구 결과는 생성형 AI가 디자인 학습에서 단순히 생성 속도를 높이거나 완성된 결과물을 제공하는 데만 의미가 있는 것은 아님을 보여준다. 디자인 전공 학생에게 생성형 AI가 창작 과정에 포함될 수 있는지는 학생이 생성 내용에서 창의적 자극을 얻을 수 있는지, 이를 통해 방안 생성과 수정 과정을 진행할 수 있는지, 그리고 생성 결과를 계속 판단, 선별 및 조정할 수 있는지와 관련된다. 즉, 생성형 AI의 가치는 내용 생성 자체에만 있는 것이 아니라, 생성 결과가 학생에 의해 이해되고 가공되며 개인의 창작 자원으로 전환될 수 있는지에 있다.

한·중 표본 비교 결과, 두 표본은 창작 효율성 경로에서 비교적 일관된 양상을 보였다. 이는 방안 생성, 비교 및 수정의 효율성을 높이는 것이 생성형 AI 보조 디자인 창작에서 비교적 안정적인 인식 기반이 될 수 있음을 의미한다. 동시에 창의 지원 경로는 본 연구에서 유일하게 유의한 표본 간 차이를 보인 경로였으며, 한국 표본에서 비교적 높은 효과값을 보였다. 이는 본 연구의 유효 표본 범위 내에서 한국 표본 학생의 창작 행동 인식이 창의적 자극 기능의 영향을 더 집중적으로 받았을 가능성을 시사한다. 반면 중국 표본에서는 창의 지원 인식, 창작 효율성 인식 및 창작 통제감의 세 경로가 모두 유의하게 나타났으며, 이는 해당 표본 학생들이 생성형 AI 보조 창작을 평가할 때 영감 획득, 과정 전개 및 결과 통제를 함께 고려했을 가능성을 보여준다. 다만 이러한 차이는 본 연구의 유효 표본에서 나타난 경로 양상으로 이해해야 하며, 이를 한·중 디자인 교육, 문화 환경 또는 학생의 창작 능력 차이로 직접 일반화하기에는 한계가 있다.

이상의 결과를 바탕으로 볼 때, 생성형 AI를 디자인 교육에 활용할 때에는 도구 조작과 빠른 생성만을 강조하기보다, AI 생성 결과가 어떻게 디자인 판단 과정에 들어오는지를 함께 다룰 필요가 있다. 디자인 수업에서는 학생이 여러 생성 결과 중 유효한 방안을 선별하고, 이를 수정하거나 재구성하며, 자신의 창작 근거를 설명할 수 있도록 지도하는 것이 중요하다. 따라서 디자인 교육은 AI 사용 능력을 높이는 동시에 학생의 시각적 판단 능력, 방안 통제 능력 및 창작 설명 능력을 함께 강화함으로써, 학생이 AI를 활용하는 과정에서도 창작 주도성을 유지할 수 있도록 지원할 필요가 있다.

6-2 연구의 한계

본 연구는 몇 가지 한계를 지닌다. 첫째, 본 연구는 횡단적 자기보고식 설문 자료를 바탕으로 디자인 전공 학생의 생성형 AI 보조 창작에 대한 주관적 인식을 분석하였다. 따라서 실제 창작 행동, 창작 과정 및 작품의 질적 변화까지 직접적으로 설명하기에는 한계가 있다. 학생의 창의 지원, 창작 효율성 및 창작 통제감에 대한 평가는 개인 경험, 과업 맥락 및 주관적 판단의 영향을 받을 수 있으므로, 후속 연구에서는 창작 과정 기록, 도구 사용 로그, 작품 평가 및 인터뷰 자료를 함께 활용할 필요가 있다.

둘째, 중국 표본과 한국 표본은 서로 다른 온라인 조사 플랫폼을 통해 수집되었다. 두 플랫폼은 패널 구성, 모집 방식 및 응답자 검증 절차에서 차이를 보인다. 본 연구는 비대상 표본과 저품질 응답을 제외하기 위해 동일한 선별 기준을 적용하였으나, 이러한 처리가 서로 다른 표본 모집 방식에서 발생할 수 있는 선택 편향을 완전히 제거한다고 보기는 어렵다. 따라서 본 연구의 한·중 다집단 비교 결과는 본 연구의 유효 표본 범위 내에서 이해해야 하며, 이를 양국 디자인 전공 학생 전체의 안정적인 차이로 확대 해석하는 데에는 주의가 필요하다.

셋째, 측정동일성 검정에서 구성동일성 모형의 CFI는 0.901로 최저 수용 가능한 수준에 머물렀다. 이는 한·중 표본 간 기본적인 측정 비교 가능성은 확보되었으나, 표본 간 비교 기반이 충분히 안정적이라고 보기는 어렵다는 점을 의미한다. 따라서 본 연구의 관련 결과는 신중하게 해석될 필요가 있다.

넷째, 본 연구는 한·중 표본의 주요 AI 도구 유형에 대한 기본 분포를 제시하였으나, 구체적인 생성형 AI 도구, 도구 버전, 사용 깊이 및 수업 활용 맥락을 세분화하여 분석하지는 못하였다. 서로 다른 도구는 언어 인터페이스, 프롬프트 상호작용 방식, 이미지 생성 능력, 접근 조건 및 교육 과업 적합성에서 차이를 보일 수 있으며, 이러한 요소는 학생의 창작 인식 평가에 영향을 미칠 수 있다. 향후 연구에서는 보다 일관된 표본 추출 틀을 적용하고, 종단 추적, 수업 관찰, 창작 과정 자료, 작품 평가 및 인터뷰 자료를 함께 활용하여 생성형 AI가 디자인 교육에서 작동하는 실제 메커니즘을 더 구체적으로 검토할 필요가 있다.