AI 기반 공학교육 설계 모델에 관한 실증적 연구

국문 초록 (Abstract)

AI 기반 공학교육 설계 모델에 관한 실증적 연구 윤경빈 지도교수: 윤봉식 기계공학과 남부대학교 일반대학원 본 연구는 인공지능(AI)을 공학교육 설계에 활용하여 4차 산업혁명 시대에 요구되는 창의적 문제해결력과 공학 설계 역량을 향상시키기 위한 교육적 방안을 탐색하는 것을 목적으로 한다. 이를 위해 기계공학·전기전자공학·자동차공학 전공 학 생들을 대상으로 전통적 강의 중심 수업과 ChatGPT, GitHub Copilot, CAD 기반 생성형 설계 도구 등을 활용한 AI 기반 학습모형을 비교·분석하였다. 연구 결과, AI 기반 수업에 참여한 학생들은 창의성 및 루브릭 기반 설계 점수에서 전통적 수업보다 유의미하게 높은 성과를 보였다(p<0.05). 또한 인지부하와 학습만족도 간에는 부적 상관관계가 나타났으며(r = -0.41), AI 리터러시는 학습성과와 만족도 간의 매개 변인으로 작용하였다. 중요도-성과 분석(IPA) 결과, AI 기반 수업에서 ‘창의성 유발’, ‘피드백 속도’, ‘윤리적 인식’이 우선 개선 요소로 도출되었다. 이러한 결과는 AI 기반 공학교육이 단순한 자동화 도구의 제공을 넘어, 학습자의 비판적 사고와 설계 창의성 증진에 기여함을 시사한다. 향후 연구에서는 산업체의 실제 데이터를 활용한 산학협력 기반 AI 프로젝트로 확장하여, 보다 실제적이고 적응적인 공학교육 환경을 구축할 필요가 있다.

다국어 초록 (Multilingual Abstract)

A Study on Engineering Education Design
Utilizing Artificial Intelligence
Yun, Gyeong Bin
Advisor : Yun, Bong Shik
Department of Mechanical Engineering
Graduate School of Nambu University
Graduate School of Nambu University
This study aims to explore the integration of Artificial Intelligence (AI) into
engineering education design to enhance students’ creative problem-solving and
design competence in the era of the Fourth Industrial Revolution. A comparative
analysis was conducted between traditional lecture-based classes and
AI-assisted learning models employing ChatGPT, GitHub Copilot, and CAD
generative design tools among students majoring in mechanical, electrical, and
automotive engineering.
The results revealed that students in AI-assisted classes achieved
significantly higher creativity and rubric-based design scores (p<0.05). A
negative correlation was observed between cognitive load and learning
satisfaction (r = -0.41), while AI literacy served as a mediating variable
between learning performance and satisfaction. The Importance–Performance
Analysis (IPA) identified “Creativity Induction,” “Feedback Speed,” and “Ethical
Awareness” as priority improvement areas in AI-driven classes.
These findings suggest that AI-supported engineering education not only
automates learning processes but also fosters critical thinking and design
creativity. Future research should extend this model into industry-academia
cooperative AI projects, leveraging real industrial data to construct more
authentic and adaptive learning environments.

목차 (Table of Contents)

• 목차
• Ⅰ. 서론 1
• 1. 연구의 배경과 필요성 1
• 가. 연구 배경 1
• 나. 연구 필요성 3
• 2. 연구 목적 및 질문 6
• 가. 연구 목적 6
• 나. 연구 질문 7
• 3. 연구 범위 및 한계 8
• 가. 연구 대상 및 학문적 범위 8
• 4. 연구 절차 및 논문 구성 10
• 가. 연구 절차 개요 10
• 나. 윤리적 검증 절차 12
• Ⅱ. 이론적 배경 13
• 1. 공학교육 패러다임 변화 13
• 가. CDIO(Conceive–Design–Implement–Operate) 프레임워크 13
• 나. 프로젝트 기반 학습(PBL), 문제중심학습(Problem-Based Learning) 13
• 2. AI 기반 교수-학습 설계 14
• 가. 생성형 AI(GenAI)의 역할 14
• 나. 프롬프트 엔지니어링 개념과 교육적 응용 15
• 3. AI 리터러시와 학습효과 관련 이론 15
• 가. 자기효능감(Social Cognitive Theory) 16
• 나. 인지부하이론(Cognitive Load Theory, CLT) 16
• 다. 기술수용모형(Technology Acceptance Model, TAM) 16
• 4. 평가무결성과 윤리 17
• 가. AI 활용 시 평가 신뢰성 문제 17
• 나. UNESCO·IEEE 교육윤리 가이드라인 적용 17
• 5. 관련 선행연구 고찰 18
• 가. 국내외 공학교육에서의 ChatGPT, Copilot, Generative CAD 활용 연구 18
• 나. 기존 IPA기반 교육만족도 연구 검토 19
• Ⅲ. 연구 설계 및 모형 20
• 1. 연구 모형 20
• 가. 연구 모형 개념 20
• 나. 주요 변수의 정의 및 측정 구성 22
• 2. 연구 가설 26
• 가. 이론적 배경 26
• 나. 연구 가설 26
• 3. IPA 분석 프레임(Importance–Performance Analysis) 28
• 가. IPA의 개념과 적용 목적 28
• 나. AI 수업 속성의 중요도-성과 매칭 방법 29
• 다. 분석 절차 및 활용 방법 30
• 라. IPA 적용 방안(AI 수업 속성별 분포도 분석 방법) 30
• Ⅳ. 연구 절차 및 분석 방법 33
• 1. 연구 대상 및 표본 33
• 가. 연구 대상 33
• 나. 표본 구성 33
• 2. 실험 설계 34
• 가. 실험 설계 유형 34
• 나. 실험 절차 35
• 다. GAI 활용 조작(Manipulation) 방식 35
• 라. 설계 기반 과제(Design Tasks)의 구성 36
• 마. 사전·사후 검사 도구 37
• 바. 자료 분석 계획 37
• 3. 측정 도구의 구성 38
• 가. 측정 도구 38
• 나. 설문 도구 40
• 4. 분석 절차 및 방법 41
• 가. 분석 절차 41
• 나. 통계 분석 방법 44
• 5. 신뢰도 및 타당도 검증 46
• 가. 표본 적합성 46
• 나. 탐색적 요인 분석(EFA)과 확인적 요인 분석(CFA) 46
• 다. 수렴타당도 46
• 라. 판별타당도 47
• 마. 신뢰도 재검증 47
• 바. 윤리적 검증 48
• Ⅴ. 연구 결과 49
• 1. 기초통계 및 신뢰도 검증 49
• 가. 표본 특성 요약 49
• 나. 변수의 기초통계 49
• 다. 신뢰도 검증 49
• 2. 가설 검증 결과 50
• 가. 집단 간 학습성과 차이(H1) 50
• 나. 인지부하와 만족도의 상관관계(H2) 50
• 다. AI 리터러시의 매개효과(H3) 50
• 라. 평가무결성 검증(H4) 51
• 3. IPA 결과 51
• 가. IPA 사분면 해석 52
• 4. 질적 분석 53
• 가. 학생 진술 사례 53
• 나. AI 오류 인식 패턴 53
• 다. 수업 개선 요구 53
• 5. 주요 결과 요약 54
• Ⅵ. 논의 55
• 1. AI 활용 공학교육의 효과 및 시사점 55
• 가. 학습성과·창의성 향상, 피드백 효율성 증가 55
• 나. 프롬프트 설계 역량의 중요성 55
• 2. 비판적 검토 기반 수업의 장점 56
• 가. 평가무결성·윤리의식 제고 56
• 나. 학생 주도적 학습 촉진 56
• 3. IPA 결과 해석 57
• 가. AI 수업 설계 개선 우선순위 제안 57
• 4. 산학협력형 교육 확장 방안 58
• 가. 산업체 실무데이터 기반 AI 프로젝트로 확장 가능성 58
• 5. AI 기반 공학설계 교육 가이드라인 58
• 가. 설계 단계(DESIGN PHASE) 가이드라인 58
• 나. 학습·지원 단계(LEARNNING SUPPORT PAHSE) 60
• 다. 검증·평가 단계(ASSESSMENT PHASE) 61
• Ⅶ. 결론 및 제언 63
• 1. 연구 요약 63
• 2. 학문적 기여 (Academic Contributions) 65
• 3. 실무적 제언 (Practical Implications) 65
• 가. 교육 설계 차원 65
• 나. 교원 역량 강화 66
• 다. 제도 및 정책적 측면 66
• 4. 한계 및 향후 연구 방향 (Limitations and Future Work) 66
• 5. 결언 67
• ABSTRACT 68
• 참고문헌 70
• 설문지 82