대규모 언어모델(LLM) 사용 빈도가 자기주도적 학습역량에 미치는 영향과 AI 리터러시의 조절효과: 구조방정식모형 분석

2-1 GPT 기반 학습환경과 사용 행태

GPT(Generative Pre-trained Transformer)는 OpenAI에서 개발한 대규모 언어모델(Large Language Model, LLM)로, 자연어를 이해하고 생성하는 생성형 인공지능 기술이다. 특히 GPT-3.5와 GPT-4는 텍스트뿐만 아니라 이미지, 음성 등 다양한 멀티모달 입력을 처리할 수 있어, 상호작용 중심의 교육 환경에서의 활용 가능성이 한층 확대되고 있다[11].

최근 대학 교육 현장에서는 LLM을 학습 지원 도구로 활용하려는 시도가 빠르게 확산되고 있다. 대학생들은 GPT를 통해 과제 주제 도출, 개념 정리, 글쓰기 피드백, 요약, 코딩 보조, 질의응답 등 다양한 학습 활동을 수행하며, 이를 단순한 정보 검색 도구가 아닌 ‘지식 탐색 파트너’로 인식하는 경향을 보이고 있다. 특히 ‘역할 기반 질의응답(Prompting)’ 전략을 활용하여 GPT에게 교수자, 동료 학습자, 멘토 등의 역할을 부여하고, 상황에 맞는 피드백을 유도하려는 시도가 활발히 이루어지고 있다[12],[8].

이러한 LLM 기반 학습활동은 학습자의 고차 사고력, 자기 점검 능력, 자기조절 전략 사용 등 행동적·인지적 특성에 긍정적인 영향을 미칠 수 있다. 예를 들어, GPT-4를 활용한 과학 탐구 보고서의 자동 채점 결과가 인간 평가 기준과 높은 일치도를 보였다는 연구는 LLM 사용이 가설 설정, 논리 구조화, 자기 표현력 등 고차 사고 기반 학습 행동에 효과적임을 시사한다[13]. 실제로 LLM의 피드백을 통해 학습자는 탐색적·비판적 사고를 수행하고 문제 해결 전략을 강화하며, 학습 동기를 유발하는 등 단순한 정보 처리 이상의 학습 경험을 획득하게 된다[13],[14].

또한, LLM 사용 경험이 많은 학습자일수록 디지털 자기효능감이 높고, AI 기반 피드백에 대한 수용성과 신뢰도 또한 높은 경향을 보인다[9],[10]. 이러한 인지적 신념은 학업 자기효능감과 자기조절 전략과 밀접하게 연관되며, LLM이 학습자의 심리적 요인과 자기주도적 학습역량에 영향을 미치는 간접적 매개요인으로 작용할 가능성이 제기되고 있다. 반면, GPT의 응답은 항상 정확하거나 객관적인 정보를 제공하지 않기 때문에, 이를 효과적으로 활용하기 위해서는 비판적 정보 해석력과 윤리적 활용 능력 또한 병행되어야 한다는 점이 지속적으로 강조되고 있다[11].

본 연구에서는 이러한 LLM 기반 학습환경에서의 사용 행태 중 ‘사용 빈도(Frequency of Use)’에 주목하여 이를 핵심 독립변인으로 설정하였다. LLM 사용 빈도는 학습자가 해당 기술을 얼마나 자주, 일상적으로 활용하는지를 나타내는 지표로, 자기주도적 학습역량 및 학업 자기효능감과 같은 학습 관련 심리·행동적 요인에 영향을 미치는 주요 요인으로 기능할 수 있다. 물론 LLM 사용의 ‘빈도’는 기술 활용의 양적 수준은 잘 포착할 수 있으나, 학습 목적이나 전략적 활용 방식과 같은 질적 요소는 반영하지 못하는 한계도 존재한다. 그럼에도 불구하고, LLM 활용이 개인의 학습 활동에 얼마나 깊숙이 통합되어 있는지를 파악하는 데 있어 사용 빈도는 유의미한 지표로 작용할 수 있다.

따라서 본 절에서는 LLM 기반 학습환경에서의 주요 사용 양상과 함께 사용 빈도의 개념적 정의와 그 인지적·행동적 영향력을 이론적으로 고찰하고, 이후 제시될 연구모형 구성의 기초 이론을 제시하고자 한다.

2-2 자기주도적 학습역량과 학업 자기효능감

자기주도적 학습(Self-Directed Learning, SDL)은 학습자가 학습 목표를 스스로 설정하고, 전략을 수립·실행하며, 학습 결과를 자율적으로 점검하고 조절하는 일련의 과정을 의미한다[15]. 특히 고등교육 환경에서는 이러한 자기주도성이 학업 성취와 학습 지속성을 결정짓는 핵심 역량으로 간주되며, 학습 동기, 자기조절, 목표 지향성과 밀접하게 관련된다[15].

최근 GPT와 같은 생성형 인공지능 기반 학습환경이 확산되면서, 이 기술이 학습자의 자기주도적 학습역량에 미치는 영향에 대한 관심도 높아지고 있다[1]. GPT는 자연어 기반 상호작용을 통해 학습자의 질문에 실시간으로 응답하고 반복적인 피드백을 제공함으로써, 탐색적 사고력, 자기 점검, 문제 해결 과정에의 참여를 유도한다. 이러한 상호작용은 학습자의 자기주도적 학습 행동을 촉진하며, GPT는 점차 단순한 정보 제공 도구를 넘어 ‘상호작용 기반 교육 파트너’로 인식되고 있다[1].

GPT 기반 질의응답 환경에서는 학습자가 스스로 질문을 구성하고, 답변을 평가하거나 수정하며, 필요한 경우 추가 정보를 요청하는 과정을 반복하게 된다. 이 과정은 자기 점검, 자기조절, 목표 재구성과 같은 전략적 학습 활동을 자연스럽게 유도하며, 생성형 인공지능이 학습자의 능동적 참여를 자극하는 효과적인 학습 도구로 기능할 수 있음을 시사한다.

자기주도적 학습이 효과적으로 이루어지기 위해서는 인지적 전략뿐 아니라 정서적·심리적 요인인 학업 자기효능감(Academic Self-Efficacy) 또한 함께 고려되어야 한다. 학업 자기효능감은 자기효능감 이론[16]에서 파생된 개념으로, 학습자가 특정 과제를 성공적으로 수행할 수 있다는 자신의 능력에 대한 신념을 의미한다. 이는 학습 동기 유발, 전략 실행, 자기조절 행동, 학습 지속성 등에 긍정적인 영향을 미치는 핵심 심리 요인으로 간주된다[17].

나아가, 학업 자기효능감은 자기주도적 학습역량의 형성에 중요한 인지·정서적 기반으로 작용한다. 자기효능감이 높은 학습자는 학습 목표에 대한 책임감을 갖고 과업을 자발적으로 계획하고 조절하며, 실패에 대한 인내력을 바탕으로 전략적 학습 행동을 지속하는 경향이 있다. 따라서 학업 자기효능감은 자기주도적 학습역량을 설명하는 핵심 선행 요인으로서 이론적 타당성을 지닌다[17].

GPT 기반 학습환경에서도 학업 자기효능감은 중요한 매개 변수로 작용한다. GPT 리터러시가 높은 학습자는 생성형 인공지능과의 상호작용에서 보다 능동적으로 질문을 구성하고, 피드백을 전략적으로 수용·조절하는 경향을 보이며, 이는 학업 자기효능감 향상으로 이어진다[18]. GPT 리터러시는 GPT의 작동 원리와 응답 신뢰성에 대한 이해를 바탕으로, 상황에 맞게 질문을 조정하거나 응답을 활용할 수 있는 능력을 의미한다. 이는 고차원적 디지털 리터러시로 간주된다. 반복적인 GPT 사용은 학습자에게 자신의 학습 능력에 대한 인식과 확신을 강화하고, 이는 자기주도적 학습 전략 실행으로 이어질 수 있다. 실제로 GPT 리터러시, 학업 자기효능감, 학습 몰입 간 관계를 분석한 연구에서는 GPT 사용 경험이 학업 자기효능감을 매개로 학습 몰입을 유의미하게 예측함이 확인된 바 있다[18].

이러한 이론적 배경을 바탕으로, 본 연구는 GPT 사용 빈도와 자기주도적 학습역량 간의 관계에서 학업 자기효능감이 매개 변수로 작용할 수 있음을 가정한다. 생성형 인공지능과의 반복적인 상호작용은 학습자의 자기 효능감 인식을 강화하고, 이는 전략적 자기조절 행동과 학습 몰입으로 이어지는 인지·정서적 메커니즘을 형성한다. 학업 자기효능감은 GPT 기반 학습환경의 효과를 설명하는 핵심 심리 요인으로 기능하며, 생성형 인공지능의 교육적 활용 가능성을 구조적으로 이해하는 데 중요한 이론적 토대를 제공한다.

한편, GPT 외에도 다양한 디지털 기반 학습 전략이나 기술 중심 학습 환경 또한 자기주도적 학습역량과 학업 자기효능감에 긍정적인 영향을 미치는 것으로 보고되고 있다. 예를 들어, 한 연구에서는 간호대학생의 가상 시뮬레이션 학습 참여 경험이 자기주도적 학습역량 향상에 유의미한 효과를 보였다고 보고하였다[19]. 이는 GPT와 같은 기술 기반 상호작용 외에도 다양한 디지털 학습 경험이 학습자의 정서적·인지적 역량을 강화하는 데 기여할 수 있음을 시사한다. 이러한 선행연구들을 표 1에 정리하였다.

Table 1.

Prior studies on technology-based factors related to self-directed learning and academic self-efficacy

이상의 이론과 선행연구를 바탕으로 본 연구는 LLM 사용 빈도와 자기주도적 학습역량 간의 인과적 경로를 구조방정식모형을 통해 분석하고, 그 과정에서 학업 자기효능감이 매개 요인으로 작용하는지를 실증적으로 검토하고자 한다.

2-3 AI 리터러시 개념과 조절 효과

AI 리터러시는 인공지능 시대의 핵심 역량으로 부각되며, 단순한 기술 이해를 넘어 비판적 사고력과 윤리적 활용 능력을 포함하는 고차원적 개념으로 정의된다[5]. 구체적으로는 AI 기술의 작동 원리와 알고리즘에 대한 이해, 생성물의 신뢰성과 편향성에 대한 비판적 해석, 사회적 영향에 대한 성찰과 윤리적 판단 등으로 구성된다[6],[7]. 이러한 정의는 정보 탐색과 디지털 기기 활용 중심의 기존 디지털 리터러시와 차별화되며, 대규모 언어모델(LLM)과의 상호작용이 빈번한 학습환경에서는 더욱 중요한 통합적 역량으로 간주된다.

AI 리터러시 수준은 생성형 AI 기반 학습환경에서 학습자의 전략적 반응에 실질적인 영향을 미치는 주요 요인으로 기능할 수 있다. 예를 들어, AI 리터러시가 높은 학습자는 LLM의 응답을 비판적으로 평가하고, 맥락에 맞게 재구성하며, 필요한 경우 새로운 질의를 생성하는 등 능동적 학습 전략을 수행한다[3]. 이러한 전략은 자기주도적 학습역량 향상뿐만 아니라, 학습 상황에서의 자기효능감 고양에도 기여할 수 있다.

이와 관련해 사회인지이론(Social Cognitive Theory)은 개인의 인지적 특성이 자극과 반응 간 관계를 조절하는 핵심 요소임을 강조한다[16]. 즉, 동일한 외부 자극(LLM 사용 빈도)이 주어지더라도, 학습자의 AI 리터러시 수준에 따라 그 자극에 대한 해석과 반응 방식은 달라질 수 있으며, 이에 따라 학업 자기효 능감 및 자기주도적 학습역량에 미치는 영향도 상이할 수 있다.

이처럼 AI 리터러시는 독립변인과 종속변인 간의 인과 경로를 조절하는 조절변수(Moderator)로 작용할 수 있는 이론적 가능성을 지닌다. 이는 학습자가 생성형 AI의 정보를 단순히 수용하는 것이 아니라, AI의 특성과 한계를 이해한 바탕 위에서 정보를 비판적으로 평가하고 학습 목표에 맞게 선택적으로 수용하거나 재구성하는 인지적 조절 전략을 수행하기 때문이다. 다시 말해, AI 리터러시가 높은 학습자는 LLM의 출력을 전략적으로 활용하며, 이 과정에서 더 높은 자기효능감과 자기조절 학습 행동을 발휘할 수 있다.

실제로 디지털 리터러시 및 AI 리터러시를 조절변수로 설정한 선행연구에서는, 학습자의 기술 활용 경험과 학습성과 간의 관계에서 해당 인지적 역량이 조절 효과를 보인다는 결과가 다수 보고되었다. 예를 들어, 대학생을 대상으로 한 연구에서는 ChatGPT 사용 경험이 학업 몰입에 미치는 영향에서 AI 리터러시가 조절 역할을 수행한 바 있으며[18], 고등학생을 대상으로 한 연구에서도 디지털 기기 사용 시간과 자기조절 학습 간의 관계에서 디지털 리터러시의 조절 효과가 입증되었다[20]. 또 다른 연구에서는 원격 수업 경험과 학습 만족도 간의 관계에서 디지털 리터러시가 유의미한 조절변수로 작용함이 확인되었다[21]. 이처럼 AI 리터러시 및 디지털 리터러시는 기술 활용 행동과 학습성과 간의 관계에서 인지적 자원을 활성화하거나 제한하는 핵심 요인으로 기능한다.

AI 리터러시 혹은 디지털 리터러시를 조절변인으로 활용한 주요 선행연구 사례는 표 2에 정리하였다.

Table 2.

Representative prior studies on the moderating effects of ai or digital literacy

4-1 연구설계

본 연구는 대규모 언어모델(LLM) 사용 빈도가 대학생의 자기주도적 학습역량에 미치는 영향을 실증적으로 분석하기 위해 양적 연구 설계를 적용하였다. 연구모형은 선행연구를 기반으로 설정된 구조적 관계를 바탕으로 하며, 변수 간 인과관계를 검증하기 위해 구조방정식모형(SEM)을 활용하였다. SEM은 잠재변수 간 다중 경로를 동시에 추정하고, 매개 및 조절 효과를 통합적으로 분석할 수 있다는 점에서 본 연구 목적에 적합하다.

연구가설(H1~H6)은 Zimmerman[17], Bandura[16]의 자기주도적 학습과 자기효능감 관련 연구, 그리고 AI 리터러시가 학습성과에 미치는 영향을 검증한 최근 연구들[8],[18],[22]에 근거하여 설정되었다.

본 모형에서 LLM 사용 빈도는 독립변인, 자기주도적 학습역량은 종속변인으로 설정되었으며, 학업 자기효능감은 매개변인, AI 리터러시는 조절변인으로 포함되었다. 자기주도적 학습역량은 목표 설정, 전략 실행, 자기점검, 자기조절, 동기 부여의 다섯 하위요소를 포함하여 측정하였다.

LLM 사용 빈도는 주당 사용 횟수(주 1회 이하, 주 2–3회, 주 4회 이상)로 측정하여, 단순한 양적 수준의 차이를 반영하도록 하였다.

모형 검증을 위해 2025년 6월 23일부터 6월 29일까지 1주일 동안 편의표집 방식으로 대학생을 대상으로 온라인 설문조사를 실시하였다. 수집된 자료는 역문항 삽입, 응답 시간 검토, 동일 응답 패턴 제거 등을 통해 성실성을 검증한 후 분석에 활용하였다. 이후 신뢰도 및 타당도 검증, 기술통계, 확인적 요인분석(CFA), 경로분석, 매개·조절효과 검증을 수행하였으며, 분석은 SPSS 27.0과 AMOS 24.0 프로그램을 활용하였다.

4-2 연구대상

본 연구는 생성형 인공지능(예: GPT 등 LLM) 기반 학습 경험이 있는 대학생을 대상으로 온라인 설문조사를 실시하였다. 연구자의 편의표집 방식에 따라 총 201명의 데이터를 수집하였으며, 이 중 성실하게 응답한 201부를 최종 분석에 활용하였다.

참여자의 인구통계학 및 LLM 관련 특성은 표 3에 제시되어 있다. 성별은 남성이 114명(56.7%), 여성이 87명(43.3%)으로 나타났다. 전공 계열은 이공계열이 108명(54.5%)으로 가장 많았으며, 인문사회계열은 79명(39.9%), 기타 전공은 11명(5.6%)이었다. LLM 익숙함 수준은 ‘매우 익숙하다’가 130명(64.7%)으로 가장 많았고, ‘익숙하다’는 60명(29.9%), ‘익숙하지 않다’는 11명(5.5%)로 확인되었다.

Table 3.

Demographic and LLM-related characteristics

이러한 결과는 대다수의 참여자가 LLM 사용에 일정 수준 이상의 친숙함을 가지고 있으며, 다양한 전공 배경에서 참여자가 고르게 분포했음을 시사한다.

4-3 측정도구 및 변수정의

본 연구의 설문지는 총 23문항으로 구성되었으며, 모든 항목은 5점 리커트 척도(1 = 전혀 그렇지 않다, 5 = 매우 그렇다)로 측정되었다.

LLM 사용 빈도는 학습 맥락에서의 활용을 구체적으로 파악하기 위해 주당 사용 횟수(예: 주 1회 이하, 주 2–3회, 주 4회 이상)로 측정하였다. 이를 통해 단순한 사용량뿐만 아니라 개인별 활용 수준의 차이가 반영되도록 하였다.

학업 자기효능감은 자기효능감 이론에 근거한 기존 척도[16]를 기반으로, 학습 중 문제 해결에 대한 자신감과 실행 의지를 측정하는 6문항으로 구성하였다. 예시 문항은 “나는 학습 중 어려움이 생겨도 극복할 수 있다고 생각한다.”이다.

자기주도적 학습역량은 학습자의 목표 설정, 전략 실행, 자기점검, 자기조절, 동기 부여 등 다차원적 요소를 반영하여 관련 이론모형[15]에 따라 총 6문항으로 설계되었다. 구체적으로는 목표 설정(예: “나는 학습 목표를 스스로 세우고 실천하려고 노력한다”), △전략 실행(예: “나는 학습 중 필요한 자원을 선택하여 활용할 수 있다”), 자기점검(예: “나는 학습 결과를 점검하고 부족한 부분을 보완한다”), 자기조절(예: “나는 상황에 따라 학습 전략을 조정한다”), 동기 부여(예: “나는 어려움이 있어도 끝까지 학습하려는 의지를 갖는다”)의 다섯 범주를 포함한다. 이러한 하위요소별 분류를 통해 자기주도적 학습역량의 다차원성을 반영하였다.

AI 리터러시는 LLM과 같은 생성형 인공지능을 비판적으로 이해하고 활용하는 역량을 측정하기 위해, 기술 이해, 신뢰성 평가, 윤리적 판단 등의 요소를 포함하였다. 기존 AI 리터러시 구성틀[3],[7]을 바탕으로 총 6문항으로 구성되었으며, 예시 문항은 “나는 AI가 제시한 정보의 신뢰성을 평가할 수 있다.”이다.

각 변수별 전체 문항은 표 6에 제시하였다.

5-1 기술통계 및 정규성 검토

본 연구에서 사용된 주요 변수들의 기술통계량 및 정규성 검토 결과는 표 4와 같다. LLM 사용빈도, AI 리터러시, 학업 자기효능감, 자기주도적 학습역량의 평균은 각각 3.83, 3.80, 3.79, 3.85 수준으로 나타났으며, 전반적으로 중간값 이상으로 응답 경향이 확인되었다.

Table 4.

Descriptive statistics and normality of main variables(N=201)

정규성 검토를 위해 왜도(Skewness) 및 첨도(Kurtosis)를 분석한 결과, 모든 변수의 왜도는 –1.065에서 -0.985 사이, 첨도는 0.328에서 0.546 사이로 나타났다. 이는 왜도 절대값이 2 미만, 첨도 절대값이 7 미만이라는 기준[23]에 부합하므로, 모든 변수는 정규성을 만족하는 것으로 판단된다.

5-2 신뢰도 분석

본 연구에서는 각 측정 도구의 내적 일관성을 검토하기 위해 신뢰도 분석을 실시하였으며, 그 결과는 표 5에 제시하였다. 분석 결과, LLM 사용빈도(.760), AI 리터러시(.824), 학업 자기효능감(.818), 자기주도적 학습역량(.817)의 신뢰도 계수(Cronbach’s α)가 모두 .70 이상으로 나타났다. 이는 일반적으로 신뢰도 계수가 .70 이상이면 수용 가능하다는 기준[24]을 충족하는 수치로, 본 연구에서 사용한 모든 척도가 신뢰할 수 있는 수준의 내적 일관성을 확보하고 있음을 시사한다.

Table 5.

Reliability analysis of measurement instruments

5-3 확인적 요인 분석(CFA)

본 연구에서는 LLM 사용빈도, 학업 자기효능감, 자기주도적 학습역량의 측정 타당성을 검토하기 위해 확인적 요인 분석(CFA)을 수행하였다. 각 잠재변수는 5개 또는 6개의 측정 문항으로 구성되었으며, 모든 문항의 요인부하량은 통계적으로 유의한 것으로 나타났다(p < .001).

LLM 사용빈도 문항의 요인부하량은 0.69~1.03, 학업 자기효능감 문항은 0.69~1.00, 자기주도적 학습역량 문항은 0.94~1.40으로 나타나 대부분 0.50 이상의 기준을 충족하였다. 이는 각 문항이 해당 구성개념을 적절히 설명하고 있음을 시사한다(표 6 참조).

Table 6.

Summary of confirmatory factor analysis results

모형의 전반적인 적합도 지수를 살펴보면, χ² = 255.05(df = 117, p < .001), CMIN/DF = 2.18로 기준(≤ 3.00)을 충족하였다. 또한 GFI = 0.88, AGFI = 0.84, CFI = 0.91, TLI = 0.90, RMSEA = 0.08로 나타나 주요 적합도 지표들이 일반적으로 제시되는 기준(GFI ≥ 0.90, CFI ≥ 0.90, RMSEA ≤ 0.08 등)을 대부분 충족하거나 근접하였다.

5-4 구조방정식 경로분석

본 연구에서는 LLM 사용빈도, 학업 자기효능감, 자기주도적 학습역량 간의 구조적 관계를 분석하기 위해 구조방정식 경로분석(SEM)을 실시하였다. 분석 결과, LLM 사용빈도는 학업 자기효능감에 유의한 정(+)의 영향을 미쳤으며(β = .68, p < .001), 학업 자기효능감은 자기주도적 학습역량에 유의한 정(+)의 영향을 나타냈다(β = .46, p < .001). 또한, LLM 사용빈도는 자기주도적 학습역량에 직접적으로도 유의한 영향을 미쳤다(β = .41, p < .001).

이러한 결과는 LLM 사용빈도가 학업 자기효능감을 매개로 자기주도적 학습역량에 영향을 미치는 유의미한 간접효과와 직접효과를 동시에 갖고 있음을 시사한다.

설명력(R²)을 살펴보면, LLM 사용빈도는 학업 자기효능감 변량의 약 46.8%를, 학업 자기효능감과 LLM 사용빈도를 포함한 전체 모형은 자기주도적 학습역량 변량의 약 67.0%를 설명하는 것으로 나타났다. 이는 본 모형이 주요 학습 변인에 대해 높은 수준의 설명력을 갖고 있음을 보여준다.

또한 매개효과의 통계적 유의성을 확인하기 위해 PROCESS macro를 이용한 부트스트래핑 분석을 추가로 실시한 결과, LLM 사용빈도가 자기주도적 학습역량에 미치는 간접효과(Effect = .4452)의 95% 신뢰구간 [BootLLCI = .3003, BootULCI = .6007]가 0을 포함하지 않아 통계적으로 유의한 것으로 나타났다. 이는 LLM 사용빈도가 학업 자기효능감을 통해 자기주도적 학습역량에 영향을 미치는 매개효과가 존재함을 실증적으로 뒷받침한다.

이러한 결과는 LLM 활용이 학습자의 정서적 신념(자기효능감)을 강화하고, 이를 통해 자기주도적 학습역량까지 촉진할 수 있음을 시사한다. 또한, LLM 사용이 학습 태도와 역량 향상에 긍정적 영향을 미친다는 선행연구들[10],[13]과도 일치하는 경향을 보인다.

5-5 조절효과 검증

본 연구에서는 LLM 사용빈도가 자기주도적 학습역량에 미치는 영향에서 학업 자기효능감의 매개효과와 AI 리터러시의 조절효과를 검증하였다.

먼저, AI 리터러시의 조절효과를 확인하기 위해 위계적 회귀분석(Hierarchical Regression Analysis) 을 실시하였다. LLM 사용빈도 평균과 AI 리터러시 평균을 독립변수로 투입한 후, 이들의 곱(product term)을 상호작용 항으로 추가하여 종속변수를 각각 자기주도적 학습역량 및 학업 자기효능감으로 설정하고 분석을 수행하였다.

그 결과, LLM 사용빈도와 AI 리터러시는 모두 자기주도적 학습역량에 유의미한 정(+)의 영향을 미친 것으로 나타났으나, 상호작용항은 통계적으로 유의하지 않았다(β = –0.01, p = .910). 이는 AI 리터러시가 LLM 사용빈도와 자기주도적 학습역량 간의 관계를 조절하지 않음을 시사한다. 즉, AI 리터러시의 수준이 높거나 낮더라도 LLM 사용빈도가 자기주도적 학습역량에 미치는 영향력의 강도는 유의미하게 달라지지 않았다. 다만, 그림 2에서 확인되듯이 AI 리터러시 수준이 높은 집단은 사용 빈도가 증가할수록 자기주도적 학습역량이 상대적으로 높게 유지되는 경향을 보였고, 리터러시 수준이 낮은 집단은 사용 빈도의 증가가 학습역량 향상으로 충분히 이어지지 않는 모습이 나타났다. 이는 비록 통계적으로 유의하지는 않았지만, 교육 현장에서 LLM 사용 빈도뿐 아니라 학습자의 AI 리터러시 수준을 함께 고려할 필요성을 시사한다.

Fig. 2.

Interaction between LLM use frequency and AI literacy on self-directed learning competency

또한, 동일한 분석을 학업 자기효능감을 종속변수로 하여 실시한 결과, LLM 사용빈도(β = .61, p < .001)와 AI 리터러시(β = .33, p < .001)는 모두 학업 자기효능감에 유의미한 영향을 미쳤으나, 이들의 상호작용항 역시 통계적으로 유의하지 않은 것으로 나타났다(β = .06, p = .140). 모형의 설명력 또한 유의미하게 증가하지 않아(ΔR² = .002, p > .05), AI 리터러시가 LLM 사용빈도와 학업 자기효능감 간 관계를 조절하지 않음을 확인할 수 있었다. 분석 결과는 표 7에 제시하였다.

Table 7.

Hierarchical regression analysis for the moderating effect of AI literacy

이러한 결과는 LLM 사용 경험이 일정 수준 이상일 경우, 개인의 AI 리터러시 수준에 관계없이 학습자의 학업 자기효능감 및 자기주도적 학습역량 향상에 일관된 영향을 미칠 수 있음을 시사한다. 즉, LLM 사용 자체가 학습 효과에 긍정적으로 기여하는 핵심 요인으로 기능할 수 있으며, AI 리터러시가 이에 추가적인 조절적 영향을 미치지 않는 상황도 존재함을 보여준다.

한편, 조절효과에 대한 분석을 보다 정교하게 수행하기 위하여, 성별, 전공, LLM 친숙도를 더미변수로 변환하여 통제변수로 투입한 보완적 위계적 회귀모형(Model 1~3) 을 추가로 구축하였다. 그러나 해당 모형에서도 LLM 사용빈도와 AI 리터러시 간 상호작용항은 통계적으로 유의하지 않았으며(β = .023, p = .933), 모형의 설명력 또한 유의미하게 증가하지 않았다(ΔR² = .000). 해당 결과는 표 8에 제시하였다.

Table 8.

Hierarchical regression analysis for the moderating effect of AI literacy controlling for gender, major, and LLM familiarity

이로써 AI 리터러시는 본 연구모형 내에서 조절변수로서의 기능을 하지 않는 것으로 판단된다.