생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략 개발 = Development of Support Strategies for Learner Agency in Generative AI-Based Scientific Inquiry

다국어 초록 (Multilingual Abstract)

The recent proliferation of generative artificial intelligence (generative AI), including ChatGPT, has prompted fundamental changes in teaching and learning practices across school classrooms, including science inquiry, while simultaneously revealing new educational possibilities and challenges. Generative AI can efficiently support inquiry activities by providing rich information and immediate responses. However, it also poses the risk of weakening learners’ cognitive capacities by performing core thinking processes for learners. This risk is particularly salient in science inquiry, which requires unstructured and complex problem solving. In such contexts, learners may easily offload their reasoning and judgment processes to generative AI.
Accordingly, in generative AI–based inquiry learning, enhancing learner agency—the capacity to actively lead and regulate one's own learning without relying on generative AI—has emerged as a central educational issue. However, prior studies have largely focused on identifying dependency risks, designing critical engagement systems, or examining self-directed learner characteristics. Instructional design approaches that foster learner agency in authentic classroom contexts have received limited attention. To cultivate autonomous thinking in increasingly automated environments, learner agency requires systematic teacher support and deliberate instructional design.
In response, this study aimed to develop teacher-led learner agency support strategies for generative AI–based science inquiry classrooms and to explore their effects and underlying mechanisms through implementation in real classroom settings. The research questions were as follows: (1) What learner agency support strategies are effective in generative AI–based science inquiry? (2) How are lessons incorporating learner agency support strategies implemented in practice? (3) What are the effects of learner agency support strategies in generative AI–based science inquiry? Specifically, how do these strategies influence learners’ use of generative AI, and how do they affect science interest, self-efficacy in science inquiry, and science content knowledge retention? (4) What improvements are needed for learner agency support strategies in generative AI–based science inquiry?
To address these research questions, the study employed a Design-Based Research (DBR) methodology and was conducted across two iterative cycles in collaboration with one in-service science teacher and two theoretical experts. In the first iteration, we implemented three class sessions incorporating learner agency instructional strategies with 25 eighth-grade students. In the second iteration, we applied the revised strategies using the same instructional structure with 60 eighth-grade students. Data sources included surveys on learner agency and science inquiry, content knowledge tests, generative AI prompt logs, classroom observations, and interviews. These were analyzed using mixed methods to identify effects and improvement areas.
In the first iteration, we analyzed patterns of dependent generative AI use in science inquiry. Based on prior literature and reflection with a teacher, we hypothesized that planning activities prior to AI use would enhance learner agency. Accordingly, four learner agency support strategies—(1) guiding learners to plan generative AI use, (2) helping learners understand core science inquiry concepts and procedural knowledge, (3) prompting learners to think independently before using AI, and (4) motivating learners to engage in agentic inquiry—along with eight implementation guidelines were developed and applied across three middle school science inquiry lessons. Integrated analyses revealed significant improvements in learners' overall agency, particularly in self-awareness and self-regulation within AI-based learning contexts. Prompt analyses also revealed increases in agentic interaction patterns such as critical evaluation and proactive suggestion. However, we identified limitations due to insufficient experience in prompt design, inadequate prior science concept knowledge, and time constraints. Moreover, the findings indicated that planning-based strategies alone were insufficient to secure behavioral agency in AI-based inquiry contexts that combine both generative AI technologies and the inherent difficulty of science inquiry tasks.
In the second iteration, reflections from the first iteration highlighted the need to more carefully consider differences in learners’ inquiry experience levels and generative AI competencies. Based on this, we hypothesized that learner agency in interactions with generative AI would increase as learners' foundational competencies improved, and refined the support strategies accordingly. The revised strategies consisted of four components—(1) strengthening core science inquiry concepts and procedural understanding, (2) promoting independent preliminary reflection before generative AI use, (3) systematically helping learners design better prompts, and (4) difficulty reconstructing AI-generated responses—along with eleven implementation guidelines. We applied these strategies across three middle school science inquiry lessons and comprehensively analyzed data from observations, prompt logs, surveys, tests, and interviews.
The results indicated strengthened agentic interactions, including increased use of critical evaluation prompts and proactive suggestion prompts. Survey results also showed significant improvements in self-awareness, self-regulation and selective action, and volitional control. Interviews revealed that pre-draft writing served as a reference point, suppressing AI dependency and regulating how extensively learners used generative AI. Meanwhile, prompt instruction improved learners' question regulation skills and inquiry self-efficacy. Nevertheless, we identified challenges, including difficulties in reconstructing AI-generated responses, limited prompt transfer, cognitive overload due to excessive information, and outcome-oriented dependency under task pressure. These findings suggest that subsequent designs should incorporate structured post-AI response reconstruction phases, prompt practice focused on verifying and regulating AI responses, and integration with external tools.
Synthesizing the results of the two DBR cycles, this study derived a final set of learner agency instructional strategies for generative AI–based science inquiry. The final framework consists of five support strategies and fourteen implementation guidelines: (1) strengthening core science inquiry concepts and procedural understanding; (2) promoting independent thinking and inquiry preparation before and after generative AI use; (3) supporting constructive dialogue skills to achieve inquiry goals by generating questions and reconstructing responses; (4) monitoring and promoting agentic generative AI use; and (5) designing autonomous inquiry environments and structured tools. These strategies aim to support learners in setting inquiry goals and judgment criteria independently and in critically regulating and reflecting on their interactions with generative AI, rather than relying on its immediate suggestions.
Based on these findings, the study advances discussions in three areas. First, at the theoretical level, Bandura’s concept of agency was applied to generative AI–based learning contexts, examining how agency may be weakened or transformed in environments where AI functions as an external cognitive actor. We reconceptualized learner agency from the perspective of effortful agency and articulated three conditions for its emergence in generative AI contexts: foundational competencies, independent preparation, and collaborative interaction dispositions. Second, at the practical level, the study identified foundational competencies and planning activities as critical bases for agentic participation and proposed that generative AI use competencies should be supported not merely as prompt-writing skills but as collaborative dialogue capacities encompassing question generation and response reconstruction. We also discussed how teachers serve as activity designers and learning process orchestrators who align task difficulty, time constraints, and AI response scope with inquiry phases.
The contributions of this study are threefold. First, it proposes learner agency instructional strategies for generative AI–based science inquiry and provides instructional design principles applicable to classroom contexts. Second, it extends learner agency in generative AI environments beyond tool-use proficiency to encompass effortful agency and collaborative capacities that sustain and regulate thinking. Third, by redefining teachers’ roles as designers and orchestrators of learner–AI interaction processes in AI-integrated classrooms, the study offers practical directions for mitigating concerns about cognitive delegation to AI while strengthening learner agency.

국문 초록 (Abstract)

최근 ChatGPT를 비롯한 생성형 인공지능의 확산은 과학탐구를 포함한 학교 수업의 교수·학습방식 전반에 변화를 요구하고 있으며, 새로운 가능성과 함께 교육적 과제를 동시에 드러내고 있다. 생성형 AI는 풍부한 정보 제공과 즉각적인 응답을 통해 탐구 활동을 효율적으로 지원할 수 있으나, 동시에 학습의 핵심 사고 과정을 학습자 대신 수행함으로써 학습자의 인지적 역량이 약화될 위험성을 가진다. 특히 과학탐구와 같이 비구조화되고 복합적인 문제 해결을 요구하는 학습 맥락에서 생성형 AI에게 자신의 사고 과정과 판단을 손쉽게 위임할 가능성이 높아진다.
이에 따라 생성형 AI 기반 탐구 학습에서는 학습자가 생성형 AI에게 의존하지 않고 스스로 학습을 이끌어갈 수 있는 역량으로서 학습자 주도성(learner agency) 향상이 핵심적인 교육적 쟁점으로 부각된다. 그러나 기존 연구들은 생성형 AI 의존 위험성을 발견하거나 비판적 참여를 지원하는 시스템 설계 및 주도적 학습자 개인의 특성을 발견하는 데에 그쳐, 실제 수업 맥락에서 학습자 주도성을 어떻게 발현시키고 지원할 것인가에 대한 교수설계 차원의 논의는 제한적이었다. 특히 생성형 AI를 넘어 더 복잡하고 자동화된 환경에서 학습자가 주체적으로 사고하고 삶을 이끌어갈 수 있는 능력을 함양시키기 위해서는 교수자의 체계적인 지원과 설계된 수업에서 학습자 주도성 역량을 길러야 할 필요성이 강조된다.
이에 본 연구는 생성형 AI 기반 과학탐구 수업을 맥락으로, 학습자의 주도적 학습 참여를 지원하기 위한 교수자의 주도성 지원전략을 개발하고, 이를 실제 교실에 적용하여 그 효과와 작동 메커니즘을 탐색하였다. 본 연구의 문제는 다음과 같다. 첫째, 생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략은 무엇인가? 둘째, 학습자 주도성 지원전략은 적용한 수업은 어떻게 실행되는가? 셋째, 생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략의 효과는 무엇인가? 구체적으로 AI 기반 과학탐구에서 학습자 주도성 지원전략은 학습자의 생성형 AI 활용에 어떠한 영향을 미치는가? 생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략은 과학 흥미, 과학탐구 효능감, 과학 내용지식 유지 수준에 어떠한 영향을 미치는가? 넷째, 생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략의 개선점은 무엇인가?
위 연구문제에 답하기 위해 설계기반연구(Design-Based Research, DBR) 방법론에 따라 진행하였다. 연구는 현장전문가인 교사 1인 및 이론 전문가 2인과의 협력을 바탕으로 두 차례의 순환으로 수행되었다. 1차 순환에서는 중학교 2학년 학습자 25명을 대상으로 주도성 지원전략을 적용한 3차시 수업을 실시하였고, 2차 순환에서는 개선된 전략을 중학교 2학년 학습자 60명을 대상으로 동일한 차시 구조로 적용하였다. 자료 수집을 위해 학습자 주도성 및 과학탐구 관련 설문, 과학 내용지식 검사, 생성형 AI 프롬프트 로그, 수업 관찰 자료, 면담 자료를 수집하였으며, 이를 양적·질적으로 분석하여 지원전략의 효과와 개선점을 도출하였다.
1차 순환에서는 생성형 AI 기반 과학탐구에서 나타나는 학습자의 의존적 활용 문제를 분석하고, 선행연구와 현장 전문가 협의를 바탕으로 ‘AI 활용 전 계획 활동은 생성형 AI 과학탐구에서 학습자 주도성을 높일 것이다. ’라는 가설을 설정하였다. 이에 따라 (1) 생성형 AI 활용 계획 안내, (2) 과학탐구 핵심 개념 및 절차적 이해 강화, (3) 사전 독립적 사고 지원, (4) 주도적 탐구 동기 촉진의 4개 학습자 주도성 지원전략과 8개 실행지침을 개발하여 중학교 과학 탐구 수업 3차시에 적용하였으며, 관찰, 프롬프트 로그, 설문, 면담 자료를 종합 분석하였다. 연구 결과, 학습자의 생성형 AI 기반 학습 맥락에서의 전체 주도성과 자기 인식과 자기 조정 역량이 유의미하게 향상되었으며, 프롬프트 분석 결과에서도 비판적 검토와 선제적 제안과 같은 주도적 상호작용이 증가하는 양상이 나타났다. 그러나 프롬프트 설계 경험 부족, 사전 과학 개념의 불충분함, 시간적 제약으로 인해 일부 전략은 제한적으로 작동하였으며, 학습자들의 계획 기반 전략만으로는 생성형 인공지능이라는 새로운 기술과 학습자들이 어려워하는 과학탐구가 합쳐진 AI 기반 탐구에서 행동적 주도성을 확보하기 어려움을 확인하였다.
2차 순환에서는 1차 순환의 성찰을 바탕으로 학습자의 탐구 경험 수준과 생성형 AI 활용 역량의 차이를 보다 정교하게 고려할 필요성이 제기되었고, ‘학습자의 기반 역량이 향상될수록 생성형 AI와의 상호작용에서 주도성이 향상될 것이다.’ 라는 가설을 설정하고 지원전략을 정교화하였다. 구체적으로 2차 지원전략은 (1) 과학탐구 핵심 개념 및 절차적 이해 강화, (2) 생성형 AI 활용 전 사전 독립적 사고 촉진, (3) 프롬프트 설계 역량의 체계적 강화, (4) 주도적 AI 활용 동기 촉진의 4개 전략과 11개 실행지침으로 구성되었으며, 이를 중학교 과학탐구 수업 3차시에 적용하여 관찰, 프롬프트 로그, 설문, 검사, 면담 자료를 종합 분석하였다.
그 결과 비판적 검토 프롬프트와 선제적 제안 프롬프트가 증가하는 등 주도적 상호작용이 강화되었고, 주도성 설문에서도 자기인식, 자기조정 및 선택적 행동, 의지력이 유의하게 향상되었다. 면담에서는 사전 초안 작성이 AI 의존을 억제하고 활용 범위를 조절하는 기준점으로 작동했으며, 프롬프트 교육은 질문 조정 능력과 탐구 효능감에 기여했다. 반면 AI 응답 재구성의 어려움, 프롬프트 응용 부족, 과도한 정보로 인한 인지부담, 과제 압박 상황에서의 결과 중심 의존 등이 제한점으로 나타나, 후속 설계에서는 AI 응답 후 재구성 단계와 검증·조정 중심 프롬프트 연습, 외부 도구와의 병행이 필요함을 확인하였다.
두 차례의 설계기반연구(DBR) 순환 결과를 종합하여, 본 연구는 생성형 AI 기반 과학탐구에서 학습자 주도성을 지원하기 위한 최종 지원전략을 도출하였다. 최종 전략은 5개의 지원전략과 14개의 실행지침으로 구성되며, (1) 과학탐구 핵심 개념 및 절차적 이해 강화, (2) 생성형 AI 활용 전후 독립적 사고와 탐구 준비 촉진, (3) 질문 생성 및 응답 재구성을 통한 탐구 목표 달성 중심의 건설적 대화 기술 지원, (4) 주도적 생성형 AI 활용 점검 및 촉진, (5) 자율적 탐구 환경과 구조화된 도구 설계로 구성된다. 이 전략은 학습자가 생성형 AI의 즉각적 제안에 의존하기보다, 탐구 목표·판단 기준을 스스로 설정하고 AI와의 대화 과정을 비판적으로 조절·성찰하며 탐구를 확장하도록 지원하는 데 초점을 둔다.
이러한 결과에 기반하여 본 연구는 세 가지 측면에서 논의를 전개하였다. 첫째, 이론적 측면에서는 Bandura의 주도성 개념을 생성형 AI 학습 맥락에 적용하되, 외부 인지적 행위자로서 AI가 개입하는 환경에서 주도성이 어떻게 약화·변형될 수 있는지 검토하고, 주도성을 ‘노력적 주도성’ 관점에서 재해석하였다. 이를 통해 생성형 AI 환경에서 주도성이 발현되기 위한 조건을 기반 역량, 독립적 준비, 협력적 상호작용 태도로 구체화하였다. 둘째, 실천적 측면에서는 기반 역량과 계획 활동이 주도적 참여의 핵심 기반임을 확인하고, 프롬프트 작성 기술을 넘어 질문 생성과 응답 재구성을 포함한 협력적 대화 역량으로서 AI 활용 역량을 지원해야 함을 제안하였다. 또한 교사는 활동 설계자이자 학습 과정의 오케스트레이터로서 과제 난이도, 시간, AI 응답 범위를 탐구 단계에 맞게 조율해야 함을 논의하였다.
본 연구의 의의는 다음과 같다. 첫째, 생성형 AI 기반 과학탐구에서 학습자 주도성 지원전략을 제안하여, 교실 맥락에서 적용 가능한 교수·학습 설계 근거를 제공하였다. 둘째, 생성형 AI 환경에서 주도성을 단순한 도구 활용 능력이 아니라 사고를 유지하고 조절하려는 노력적 주도성 및 협력적 역량으로 확장하였다. 셋째, 생성형 AI가 도입된 교실에서 교사의 역할을 학습자–AI 상호작용 과정을 구성하는 설계자이자 오케스트레이터로 재정립함으로써, AI 활용에 따른 사고 위임 우려를 완화하고 학습자 주도성을 강화할 수 있는 실천적 방향을 제시하였다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 필요성 및 목적 1
• 2. 연구 문제 4
• 3. 용어의 정의 5
• Ⅱ 이론적 배경 7
• 1. 생성형 AI 기반 과학탐구 7
• 가. 생성형 AI 기반 학습 환경 7
• 나. 과학탐구 9
• 다. 과학탐구에서 생성형 AI 활용 11
• 2. 학습자 주도성 13
• 가. 학습자 주도성의 개념과 유형 13
• 나. 생성형 AI 기반 학습환경에서 학습자 주도성 15
• 3. 학습자 주도성 지원전략 18
• 가. 주도성 지원전략의 이론적 기반 18
• 나. 생성형 AI 탐구활동에서의 주도성 지원전략 20
• Ⅲ 연구방법 23
• 1. 설계기반연구 절차 24
• 가. 전체 연구 절차 24
• 나. 1차 순환 절차 26
• 다. 2차 순환 절차 29
• 2. 연구 참여자 32
• 가. 설계기반연구 팀 32
• 나. 현장 적용을 위한 학습자 33
• 3. 학습도구 35
• 가. 생성형 AI 35
• 나. 과학탐구 과제 35
• 다. 과학탐구 도구 37
• 4. 자료 수집 및 분석 39
• 가. 자료 수집 방법 39
• 나. 자료 분석 방법 46
• Ⅳ 설계기반연구 1차 순환 48
• 1. 1차 학습자 주도성 지원전략 48
• 2. 1차 지원전략의 수업 적용 양상 54
• 가. 교수자의 전략 사용 분석 54
• 나. 학습자의 프롬프트 주도성 61
• 3. 1차 학습자 주도성 지원전략의 효과 64
• 가. 생성형 AI 기반 학습에서 주도성 변화 64
• 나. 학습 결과 66
• 다. 학습자 면담 66
• 4. 1차 학습자 주도성 지원전략의 개선점 71
• 5. 1차 순환의 성찰 73
• Ⅴ. 설계기반연구 2차 순환 78
• 1. 2차 학습자 주도성 지원전략 78
• 2. 2차 지원전략의 수업 적용 양상 85
• 가. 교수자의 전략 사용 분석 85
• 나. 학습자의 프롬프트 주도성 91
• 3. 2차 학습자 주도성 지원전략의 효과 94
• 가. 생성형 AI 기반 학습에서 주도성 변화 94
• 나. 학습 결과 96
• 다. 학습자 면담 97
• 4. 2차 학습자 주도성 지원전략의 개선점 104
• 5. 2차 순환의 성찰 107
• Ⅵ 논의 및 결론 112
• 1. 논의 112
• 가. 최종 학습자 주도성 지원전략 112
• 나. 학습자 주도성 지원전략의 이론적 논의 120
• 다. 학습자 주도성 지원전략의 실천적 논의 121
• 2. 결론 123
• 3. 연구의 제한점 및 제언 124
• 참고문헌 126