AI를 활용한 디자이너의 인지패턴 변화와 디자인교육 전략 분석 = Analysis of designers’ cognitive pattern changes and design education strategies through the use of AI|RISS 상세보기

다국어 초록 (Multilingual Abstract)

Since the 21st century, with the rapid development of information technology, the mode of social production and the basic structure of human cognition have undergone profound changes. The spread of Artificial Intelligence (AI), Big Data, Cloud Computing, and Generative Algorithms has gradually transformed cognitive activities—previously dependent on experience and intuition—into data-based and algorithm-based processes, and rapid changes are continuously taking place.
The design field is one of the areas where these changes appear most prominently. The introduction of technologies such as Computer-Aided Design (CAD), Deep Learning, and Generative Adversarial Networks (GANs) has greatly contributed to improving the efficiency of the design process and expanding the diversity of outcomes. At the same time, designers are confronted with the need to redefine their cognitive roles across the processes of creative ideation, problem structuring, and solution convergence in an environment with increased information overload and complexity. Ultimately, the paradigm shift from “intuition- and experience-centered” to “data- and algorithm-centered” not only changes the operating principles of design practice but also poses new tasks and challenging demands for the entire design education system.
From a macro perspective, major countries recognize the convergence of artificial intelligence and design as the core of future competitiveness and are actively promoting it at the national strategic level. In the case of the United States, the National Artificial Intelligence Research and Development Strategic Plan (2016); Korea’s Artificial Intelligence Industry Development Strategy (2016); and China’s Next-Generation Artificial Intelligence Development Plan (2017) commonly designate the design field as a key area for deep application of artificial intelligence technologies. Following such designations, universities and industries at the micro level are developing multidisciplinary educational models that integrate cognitive science, psychology, and computer science into design education, establishing new educational systems aimed at cultivating talents equipped with both creativity and technical capabilities. However, within these changes, important practical and theoretical issues remain regarding how to maintain the creative subjectivity of designers, and how to reallocate traditional approaches and AI-based approaches within educational systems. These issues are expected to be addressed through continuous AI-based approaches in the future.
Due to these environmental changes, existing “AI × Design” research has accumulated certain achievements in tool utilization and case analysis; however, research that comprehensively explains the interactions among cognitive mechanisms, learning behaviors, and instructional strategies remains insufficient. Many studies focus on superficial changes—such as platform updates or curriculum revisions—and systematic discussion on how changes in cognitive structure should be reflected in educational decision-making has not been sufficiently conducted.
In the bibliometric analysis conducted in this study, although the knowledge network of this field is compartmentalized by research themes, the structural characteristic of low interdisciplinary connectivity was confirmed. Through a preliminary review aimed at structural strategy analysis, data construction for 225 representative papers was performed, and keyword co-occurrence analysis was comprehensively conducted on the research sample. As a result, a total of 236 nodes and 536 links were identified, and the overall network density was 0.0193, indicating that although individual research topics are accumulating, integration between topics remains low. The Modularity Q value, which represents the quality of clustering, was 0.7749 (>0.5), showing high homogeneity within clusters but weak connections between clusters.
From the perspective of educational research, existing studies mostly remain at describing the introduction of tools or changes in assignment types. Research that models how learners’ cognitive processes change after the adoption of artificial intelligence, and what behavioral and thinking characteristics appear in the four phases—problem structuring, generating, evaluating, and converging—is very limited. Accordingly, there is also a lack of sufficient empirical evidence to establish systematic instructional strategies that reflect cognitive transitions of learners.
To compensate for these research gaps, this study establishes three interconnected research objectives.
First, at the macro level, bibliometric visualization techniques are used to systematically identify the knowledge structure and thematic context of the related field, and to identify core themes that repeatedly appear as well as relatively weak points.
Second, at the meso level, grounded theory is applied to derive the key processes and major/initial categories of design cognition under AI intervention, and to construct a cognitive mechanism map that enables comparison and contrast with the traditional paradigm.
Third, at the micro level, by integrating AHP (subjective evaluation) and CRITIC (objective evaluation), a comprehensive weighting methodology is used to quantitatively evaluate the relative importance of cognitive elements; furthermore, through a comparative experiment conducted with a traditional group and an AI-assisted group, the temporal dynamics of the two paradigms are compared. Based on this, a teaching strategy and learning outcome framework composed of “problem externalization–meaning transformation–evidence-based evaluation–stable convergence” is proposed.
This study first used CiteSpace, setting “Artificial Intelligence”, “Design Cognition”, and “Design” as the core search groups, and collected a total of 425 initial documents from the Web of Science. After applying criteria excluding non-empirical research such as conference papers, news articles, and book reviews, the data were verified, and 225 papers were confirmed as the final analysis sample. The selected documents secured nearly 100% coverage in major fields such as abstract, DOI, academic discipline, and research area, ensuring the reliability and completeness of the analysis. Examining the annual publication trend showed that related research has increased rapidly since 2020, reaching peaks in 2022 and 2024, confirming that research on this topic has accelerated in recent years.
The keyword network analysis revealed 236 nodes and 536 links, with a network density of 0.0193. In the cluster analysis, 12 core clusters were extracted, and the Modularity Q value of 0.7749 indicated that structural consistency within clusters is high, but connectivity between clusters is limited.
Next, by applying grounded theory and category construction methods, the major procedures of the traditional design process and the AI-assisted design process were derived. A total of 15 formal participants were secured through purposive sampling and snowball sampling, covering various subfields such as industrial design, interaction design, fashion design, and UX design. Data collection combined semi-structured in-depth interviews (30–60 minutes), operational demonstrations, and behavioral path observation to ensure diversity and reliability of the data. In the analysis procedure, open coding, axial coding, and selective coding were applied step-by-step to construct a multi-layered structure expanding from initial categories (F#) to major categories (D#) and core categories (A#). This category system served as the basis for constructing indicators and distinguishing dimensions in subsequent quantitative evaluation.
To evaluate the relative importance of the categories derived from grounded theory, a comprehensive weighting procedure combining AHP and CRITIC was performed. In the AHP stage, “exploring cognitive pattern changes of designers in the AI environment” was set as the highest-level goal, and a hierarchical structure (core categories–major categories) enabling comparison between the traditional paradigm and the AI-assisted paradigm was constructed. The expert group consisted of nine members, and pairwise comparisons were conducted using Saaty’s 9-point scale. All judgment matrices were verified by calculating the Consistency Index (CI) and Consistency Ratio (CR), and only matrices satisfying CR ≤ 0.10 were included in the final analysis. Matrices showing inconsistency were revised and adjusted through repeated feedback to secure consistency.
In the CRITIC stage, the discriminative power of each evaluation indicator was calculated using standard deviation, and conflict was assessed by computing correlation coefficients among indicators. After normalization, the objective information content of each indicator was derived and weights were calculated. This method provides objective weights based on data, complementing AHP, which depends on expert judgments. The integrated weighting results showed that AHP and CRITIC commonly identified “evidence-based evaluation,” “semantic coherence,” and “convergence stability” as key factors, indicating that AI introduction forms a balanced mechanism that not only accelerates generation but also strengthens governance and control capabilities.
To identify the cognitive time allocation structures of the traditional design group and the AI-assisted design group, a comparative experiment was conducted. Both groups performed a product concept design task with the same goal and under the same experimental environment, with differences only in the tools and collaboration methods used. The traditional group used a total of 5,400 seconds (90 minutes), and the AI-assisted group used 75 minutes as the basis for analysis.
For the traditional group, the time proportion by core category was highest for A3 (alternative construction and iteration) at 41.3% (2,228 seconds), followed by A2 (creative association and inspiration) at 21.9% (1,180 seconds), A4 (reflective evaluation and subjective judgment) at 19.3% (1,043 seconds), and A1 (problem recognition and requirement identification) at 17.6% (949 seconds). At the major category level, B13 (16.4%/883s), B8 (11.2%/604s), B12 (10.7%/577s), and B11 (9.4%/506s) accounted for high proportions, forming a closed iterative loop of “structural expansion–framework formation–core line modification–alternative comparison.”
In contrast, the AI-assisted group exhibited a distinct pattern in which the cognitive structure was heavily concentrated on “human-led convergence and governance” rather than on divergent phases. D10 (manual optimization) accounted for 17.0% (763s), and D13 (critical review) for 12.8% (576s). The governance axis (D13·D15·D14·D16·D18) accounted for 38.8% of total time. Early divergence (C1: D1–D4) and generation-centered adjustments (C2: D5–D7) appeared as “short and condensed repetitive adjustment loops.” The overall structure showed an “early compression–mid joint construction–late reinforcement” pattern, with the majority of time invested in decision-making (C3: 37.2%) and metacognitive regulation (C4: 38.8%). These results suggest that AI intervention induces a reinforced cognitive structure centered on convergence, judgment, and governance rather than divergent exploration.
In summary, the main findings of this study are as follows:
First, AI intervention did not weaken the designer’s agency; rather, it acted as a factor that promoted the reorganization of design cognitive structure. Although the AI group had a shorter total working time than the traditional group (approximately 75 minutes vs. 90 minutes), the cognitive focus clearly shifted. The initial preparation stage and divergent generation process were compressed, while evidence-based evaluation, critical review, and passive governance in the mid- and late-stage processes accounted for a large proportion of time. This shows that AI does not simply replace design thinking but readjusts the designer’s role from a “creative producer” to a “core agent of evaluation, regulation, and governance.”
Second, through grounded theory analysis and AHP–CRITIC-based comprehensive weighting, it was confirmed that “evidence-based evaluation” and “convergence stability” emerge as the most critical cognitive elements in the AI environment. The weights of these factors were significantly higher than those in the traditional intuition-dependent process, indicating that cognitive mechanisms are being reorganized from generation-centered to evaluation- and verification-centered processes after AI intervention. This result goes beyond the limitations of existing research, which mainly focused on tool usage or case description, by integrating qualitative analysis and quantitative analysis to empirically present the priorities of “generation–evaluation–governance.”
Third, by establishing a comprehensive research pathway connecting “bibliometric–qualitative–quantitative–experimental–transformational” methods, this study proposes a new methodological framework for design cognition research. The bibliometric analysis identified the macro structure of the research field, the qualitative interviews and weighting analysis produced a systematic cognitive framework, and the comparative experiment empirically verified the temporal dynamics of key cognitive factors. This multi-layered, evidence-based approach represents an important academic achievement of this study and suggests a replicable and expandable analytical pathway for future interdisciplinary research.
Based on the above findings, the following three suggestions were derived:
First, design education should focus not only on improving tool usage skills but also on strengthening critical evaluation and governance capabilities. It is necessary to set questioning ability, explanatory ability, judgment ability, and evidence presentation ability as core learning objectives.
Second, teaching and learning processes should systematically strengthen evidencing and process recording, and by establishing version tracking and standardized evaluation mechanisms, ensure the verifiability and re-confirmability of learning outcomes.
Third, research and practice should actively expand interdisciplinary integration and cross-cultural comparative studies so that the field of “AI × Design Cognition” can move beyond parallel and fragmented development toward systematic convergence.

번역하기

국문 초록 (Abstract)

21세기 들어 정보기술이 빠르게 발전함에 따라 사회의 생산 방식과 인간 인지의 기초적 구조는 심층적으로 변화하고 있다. 이러한 변화는 인공지능(AI), 빅데이터(Big Data), 클라우드 컴퓨팅(Cloud Computing), 생성형 알고리즘(Generative Algorithms)의 확산은 전통적으로 경험과 직관에 의존하던 인지 활동을 점차 데이터 기반 및 알고리즘 기반 과정으로 전환시키고 빠른 변화가 지속적으로 이루어지는 실정이다. 디자인 분야는 이러한 변화가 가장 두드러지게 나타나는 영역으로, 컴퓨터 지원 설계(CAD), 딥러닝(Deep Learning), 생성적 적대 신경망(GAN)과 같은 기술의 도입은 설계 과정의 효율성 향상과 결과물 다양성 확대에 크게 기여하였다. 동시에 디자이너는 정보 과부하와 복잡성이 높아진 환경 속에서 창의적 발상, 문제 구조화, 대안 수렴 과정 전반에 걸쳐 자신의 인지적 역할을 재정립해야 하는 상황에 직면하고 있으며 결국 ‘직관·경험 중심’에서 ‘데이터·알고리즘 중심’으로의 패러다임 전환은 설계 실천의 운영 원리를 변화시키는 것을 넘어, 디자인 교육 전반에 새로운 과제와 도전적 요구를 제기하고 있는 것이다.
거시적 관점에서 주요 국가들은 인공지능과 디자인의 융합을 미래 경쟁력의 핵심으로 인식하고 이를 국가 전략 차원에서 적극 추진하고 있다. 미국의 경우 「국가 인공지능 연구 및 개발 전략 계획(2016)」, 한국의 「인공지능 산업 발전 전략(2016)」, 중국의 「차세대 인공지능 발전 계획(2017)」은 공통적으로 디자인 분야를 인공지능 기술이 심층적으로 적용될 핵심 영역으로 명시하였다. 이러한 영역 명시는 미시적 차원에서 대학 및 산업계는 인지과학, 심리학, 컴퓨터 과학 등을 디자인 교육에 접목한 다학제적 교육 모델을 개발하고 있으며, 창의성과 기술적 역량을 동시에 갖춘 인재 양성을 목표로 새로운 교육 체계를 구축하고 있다. 그러나 이러한 변화 속에서 디자이너의 창의적 주체성을 어떻게 유지할 것인지, 또한 교육 체계 내에서 전통적 접근과 인공지능 기반 접근을 어떻게 재배치할 것인지에 대해서는 여전히 해결해야 할 중요한 실천적·이론적 문제가 남아 있으며 향후 지속적인 AI기반 접근을 통해 문제를 해결하려 한다.
새로운 환경의 변화으로 기존의 ‘AI×디자인’ 연구는 도구 활용이나 사례 분석 측면에서 일정 수준의 성과를 축적하였으나, 인지 메커니즘, 학습 행동, 교수 전략 간 상호작용을 통합적으로 설명하는 연구는 부족한 실정이다. 많은 연구가 플랫폼의 갱신이나 교과의 개편과 같은 표층적 변화에 집중하면서, 인지 구조의 변화가 교육적 의사결정에 어떻게 반영되어야 하는지에 관한 체계적 논의는 충분히 이루어지지 않았다.
본 연구에서 수행한 계량서지 분석에서도 이 분야의 지식 네트워크가 주제별로 구획화되어 있음에도 불구하고 학제 간 연결성이 낮은 구조적 특징이 확인되었다. 구조적 전략 분석을 위한 선행 연구조사를 통해 225편의 표범적 구축 테이터를 수행하고 연구를 대상으로 한 키워드 공출현 분석을 수행한 결과를 종합적으로 수행하였다. 또한 총 236개의 노드와 536개의 링크가 확인되었으며 전체 연결 밀도는 0.0193으로 나타났고, 이는 개별 연구 주제가 축적되고 있음에도 불구하고 주제 간 통합성이 낮다는 점을 의미한다. 군집 품질 지표인 Modularity Q 값이 0.7749(>0.5)로 나타난 점 역시 군집 내부의 동질성은 높으나 군집 간 연계는 약함을 시사한다.
교육 연구의 관점에서도 기존 연구는 주로 도구 도입 및 과제 유형 변화에 대한 기술에 머무르고 있으며, 인공지능 활용 이후 학습자의 인지 과정이 어떻게 변화하는지, 문제 구성·생성·평가·수렴의 네 국면에서 어떤 행동적 및 사고적 특징이 나타나는지를 모델링한 연구는 매우 제한적이다. 이에 따라 학습자 인지 전환을 반영한 체계적 교수 전략을 구축하기 위한 실증적 근거가 충분히 마련되지 못한 한계도 존재한다는 것을 미리 밝혀둔다.
이러한 연구 공백을 보완하기 위해 본 연구는 세 가지 층위에서 상호 연계된 연구 목표를 설정하였다.
첫째, 거시적 층위에서는 계량적 시각화 기법을 활용하여 관련 분야의 지식 구조와 주제적 맥락을 체계적으로 규명하고, 연구 영역 내에서 반복적으로 등장하는 핵심 주제와 상대적으로 취약한 지점을 식별하고자 한다.
둘째, 중위적 층위에서는 근거이론을 적용하여 인공지능 개입하에서 나타나는 디자인 인지의 핵심 과정과 주요·초기 범주를 도출하고, 이를 전통적 패러다임과 비교·대조할 수 있는 인지 메커니즘 지도를 구축한다.
셋째, 미시적 층위에서는 AHP(주관적 평가)와 CRITIC(객관적 평가)을 통합한 종합 가중치 산정 방법론을 통해 인지 요소의 상대적 중요도를 정량적으로 평가하고, 전통 집단과 AI 집단을 대상으로 한 대조 실험을 통해 두 패러다임의 시간 역학 구조를 비교한다. 이를 바탕으로 “문제 외현화–의미 전환–증거 기반 평가–안정적 수렴”으로 구성되는 교수 전략 및 학습 성과 프레임워크를 제안하고자 본 연구는 먼저 CiteSpace를 활용하여 “Artificial Intelligence”, “Design Cognition”, “Design”을 핵심 검색군으로 설정한 후 Web of Science에서 총 425편의 초기 문헌을 수집하였다. 이후 회의 논문, 뉴스 기사, 서평 등 비실증 연구를 제외하는 기준을 적용하여 자료를 검증하였으며, 그 결과 225편을 최종 분석 표본으로 확정하였다. 선정된 문헌의 데이터 필드는 초록, DOI, 학문 분야, 연구 영역 등 주요 항목에서 거의 100%의 커버리지를 확보하여 분석의 신뢰성과 완전성을 보장하였다. 연도별 게재 추이를 살펴본 결과, 관련 연구는 2020년 이후 급격한 증가세를 보였으며 2022년과 2024년에 정점을 기록하여 본 연구 주제가 최근 들어 가속화되고 있음을 확인할 수 있었다.
키워드 네트워크 분석 결과, 전체 네트워크는 236개의 노드와 536개의 링크로 구성되었으며 네트워크 밀도는 0.0193으로 나타났다. 군집 분석에서는 총 12개의 핵심 클러스터가 도출되었고, 군집 품질 지표인 Modularity Q 값이 0.7749로 확인되어 군집 내부의 구조적 일관성은 높으나 군집 간 연결성은 제한적이라는 특징이 나타났다.
이어 근거이론과 범주 구성 방식을 적용하여 전통적 디자인 과정과 AI 보조 디자인 과정의 주요 절차를 도출하였다. 연구 표본은 목적적 표집과 눈덩이 표집을 병행하여 총 15명의 정식 참여자를 확보하였으며, 산업디자인, 인터랙션디자인, 패션디자인, UX 디자인 등 다양한 세부 영역을 포괄하도록 구성하였다. 데이터 수집은 반구조화 심층 면담(30~60분)과 조작 시연, 행동 경로 관찰을 병행하여 자료의 다원성과 신뢰성을 확보하였다. 분석 절차에서는 개방 코딩, 축 코딩, 선택적 코딩을 단계적으로 적용하여 초기 범주(F#), 주요 범주(D#), 핵심 범주(A#)로 확장되는 다층적 구조를 구축하였다. 이러한 범주 체계는 후속 정량 평가에서 활용될 지표 구성과 차원 구분의 근거로 활용되었다.
근거이론에서 도출된 범주들의 상대적 중요도를 평가하기 위해 AHP와 CRITIC을 결합한 종합 가중치 산정 절차를 수행하였다. AHP 단계에서는 “AI 환경에서의 디자이너 인지 패턴 변화 탐구”를 최상위 목표로 설정하고, 전통적 패러다임과 AI 보조 패러다임 간 비교가 가능한 계층 구조(핵심 범주–주요 범주)를 구성하였다. 전문가 집단은 총 9명으로 구성하였으며, Saaty의 9점 척도를 활용하여 쌍대 비교를 실시하였다. 모든 판단 행렬은 일관성 지수(CI)와 일관성 비율(CR)을 산출하여 검증하였고, CR≤0.10 기준을 충족하는 경우에만 최종 분석에 반영하였다. 불일치가 확인된 행렬은 피드백과 보정 절차를 반복하여 일관성을 확보하였다.
CRITIC 단계에서는 각 평가 지표의 표준편차를 활용해 변별성을 산정하고, 지표 간 상관계수를 계산하여 충돌성(Conflict)을 파악하였다. 이후 정규화 절차를 거쳐 지표의 객관적 정보량을 도출하고 가중치를 산정하였다. 이러한 방법은 전문가 판단에 의존하는 AHP와 달리 데이터 기반의 객관적 가중치를 제공함으로써 두 방법론 간 상호 보완적 역할을 수행한다. 종합 가중치 분석 결과, AHP와 CRITIC은 공통적으로 “증거 기반 평가”, “의미적 일관성”, “수렴 안정성”을 핵심 요인으로 식별하였으며, 이는 AI 도입이 “생성의 가속화”뿐 아니라 “거버넌스 및 통제 역량 강화”를 동반하는 균형적 메커니즘을 형성한다는 점을 보여준다.
전통 디자인 집단과 AI 보조 디자인 집단의 인지적 사고 시간 배분 구조를 규명하기 위해 대조 실험을 실시하였다. 두 집단은 동일한 목표와 동일한 실험 환경에서 제품 개념 설계 과제를 수행하였으며, 차이는 사용 도구와 협업 방식에만 설정하였다. 전통 집단은 총 5,400초(90분), AI 집단은 자연 시간 75분을 기준으로 분석하였다.
전통 집단의 핵심 범주별 시간 비중은 A3(대안 구성 및 반복)가 41.3%(2,228초)로 가장 높았고, 이어 A2(창의적 연상 및 영감)가 21.9%(1,180초), A4(반성 평가 및 주관적 판단)가 19.3%(1,043초), A1(문제 인식 및 요구 파악)이 17.6%(949초)로 나타났다. 주요 범주 차원에서는 B13(16.4%/883초), B8(11.2%/604초), B12(10.7%/577초), B11(9.4%/506초) 등이 높은 비중을 차지하였으며, 이들은 “구조 확장–골격 형성–핵심선 수정–대안 비교”로 이어지는 폐쇄적 반복 루프를 구성하였다.
반면 AI 집단의 시간 배분 구조는 발산 단계보다 “인간 주도의 수렴 및 거버넌스”에 현저히 집중되는 특징을 보였다. D10(수동 최적화)은 17.0%(763초), D13(비판적 검토)은 12.8%(576초)로 나타났으며, 거버넌스 축(D13·D15·D14·D16·D18)은 전체 시간의 38.8%를 차지하였다. 초기 발산(C1: D1–D4)과 생성 중심의 조정(C2: D5–D7)은 “짧고 밀집된 반복 조정 루프” 형태로 압축되었다. 전체 구조는 “초기 압축–중간 공동 구성–말단 강화” 형태를 띠었으며, 전체 시간의 대부분이 의사결정(C3 37.2%)과 메타인지 조절(C4 38.8%)에 투입되었다. 이러한 결과는 AI 개입이 발산적 탐색보다 “수렴·판단·거버넌스 중심의 강화된 인지 구조”를 유도함을 의미한다.
종합하면 본 논문의 주요 발견은 다음과 같이 정리할 수 있다.
첫째, 인공지능의 개입은 디자이너의 주체적 역할을 약화시키지 않았으며, 오히려 디자인 인지 구조의 재편을 촉진하는 요인으로 작용하였다. 대조 실험에서 AI 집단은 전통 집단보다 전체 수행 시간이 단축되었음에도 불구하고(약 75분 대 90분), 인지적 초점은 명확히 이동하였다. 초기 준비 단계와 발산적 생성 과정은 압축된 반면, 증거 기반 평가, 비판적 검토, 수동적 거버넌스 등 중·후반부의 판단·조절 과정이 주요 시간 비중을 차지하였다. 이는 AI가 디자인 사고를 단순히 대체하는 것이 아니라, 디자이너의 역할을 “창의적 생산자”에서 “평가·조절·거버넌스의 핵심 주체”로 전환시키는 방향으로 인지 구조를 재조정하고 있음을 보여준다.
둘째, 근거이론 분석과 AHP–CRITIC 기반 종합 가중치 산정을 통해 “증거 기반 평가”와 “수렴 안정성”이 AI 환경에서 가장 핵심적인 인지 요소로 부상함이 확인되었다. 해당 요인의 가중치는 전통적 직관 의존형 과정보다 유의미하게 높았으며, 이는 인공지능 개입 이후 인지 메커니즘이 생성 중심에서 평가·검증 중심으로 재구성되고 있음을 의미한다. 이러한 결과는 기존 연구가 도구 활용 또는 사례 제시에 머물렀던 한계를 넘어, 정성 분석과 정량 분석을 통합하여 “생성–평가–거버넌스”의 우선순위를 실증적으로 제시하였다는 점에서 중요한 학술적 기여를 갖는다.
셋째, 본 연구는 “계량–질적–정량–실험–전환”으로 이어지는 종합적 연구 경로를 구축함으로써 디자인 인지 연구의 새로운 방법론적 틀을 제안하였다. 계량 서지 분석을 통해 연구 분야의 거시적 구조를 확인하고, 질적 인터뷰와 가중치 분석을 통해 체계적 인지 프레임워크를 도출하였으며, 대조 실험을 통해 주요 인지 요소의 시간 역학을 실증적으로 검증하였다. 이러한 다층적 증거 기반 접근은 본 연구의 중요한 학문적 성과이며, 향후 학제 간 연구에서도 재현 가능하고 확장 가능한 분석 경로를 제시한다.
이상의 연구 결과를 토대로 다음과 같은 세 가지 제언을 도출하였다.
첫째, 디자인 교육은 도구 사용 능력의 함양을 넘어, 비판적 평가 역량과 거버넌스 역량의 강화에 집중해야 한다. 이를 위해 질문 능력, 설명 능력, 판단 능력, 증거 제시 능력 등을 핵심 학습 목표로 설정할 필요가 있다.
둘째, 교수·학습 과정에서는 증거화와 과정 기록을 체계적으로 강화하여, 버전 추적과 표준화된 평가 메커니즘을 마련함으로써 학습 성과의 검증 가능성과 재확인 가능성을 보장해야 한다.
셋째, 연구와 실무에서는 학제 간 통합과 문화 간 비교 연구를 적극 확대하여, “AI × 디자인 인지” 분야가 병렬적·분절적 발전을 넘어 체계적 융합을 이룰 수 있도록 발전의 방향을 마련해야 한다.

번역하기

21세기 들어 정보기술이 빠르게 발전함에 따라 사회의 생산 방식과 인간 인지의 기초적 구조는 심층적으로 변화하고 있다. 이러한 변화는 인공지능(AI), 빅데이터(Big Data), 클라우드 컴퓨팅(Clo...