Earticle

본 연구는 AI 기반 자기성찰 일지 피드백 프로그램이 초등학생의 사회정서역량에 미치는 효과를 검증하고자 하 였다. 연구 대상은 서울 소재 초등학교 4학년 52명으로, 실험집단(25명)은 4주간 AI 기반 피드백 일지를 작성하였고, 비교집단(27명)은 자유 선택 활동을 수행하였다. 사전·사후 검사 결과, 실험집단은 사회정서역량 전체와 하위 요인(정서 인식 및 조절, 자기관리, 공감, 긍정적 관계, 책임 있는 행동에서 유의미한 향상을 보였다. 대응표본 t검정과 ANCOVA 분석에서 그 효과가 확인되었으며, 비모수 검정 결과 또한 동일한 경향을 나타냈다. 이는 AI 기반 피드백이 초등학생의 정서 인식과 자기조절을 촉진하고, 관계 형성과 책임 있는 행동을 강화하는 데 기여할 수 있 음을 시사한다. 따라서 본 연구는 디지털 기반 사회정서교육의 가능성을 제시하며, 교사가 개별적 정서 지원을 제 공하기 어려운 현실에서 AI 피드백 프로그램이 효과적인 보완적 도구가 될 수 있음을 보여준다.

This study aimed to examine the effects of an AI-based self-reflection journal feedback program on elementary school students’ social-emotional skills (SES). The participants were 52 fourth-grade students from an elementary school in Seoul. The experimental group (n=25) participated in a four-week program in which they wrote self-reflection journals and received AI-generated feedback, while the comparison group (n=27) engaged in free-choice activities during the same period. Pre- and post-test results revealed that the experimental group showed significant improvement in overall SES as well as in sub-factors such as emotional recognition and regulation, self-management, empathy, positive relationships, and responsible decision-making. Paired-sample t-tests and ANCOVA indicated statistically significant improvements, and supplementary non-parametric tests confirmed consistent tendencies. These findings suggest that AI-based feedback facilitates students’ emotional awareness, self-regulation, and responsible behaviors, while also fostering empathy and positive relationships. The implications of this research point to the integration of digital platforms as effective complementary tools for enhancing elementary students’ social-emotional competence.

본 연구는 2022 개정 교육과정의 디지털 소양 함양을 위해, 요구 분석 기반의 맞춤형 교원 연수 모델을 제안하 고 이를 디지털 선도학교에 적용하여 효과를 검증하는 데 목적이 있다. 이를 위해 교사 역량 사전 설문과 KERIS 강좌 데이터 텍스트 마이닝을 결합한 2단계 요구 분석을 실시하여, 교사의 취약 역량과 현장의 요구가 높은 에듀 테크 도구를 도출하였다. 이 결과를 토대로 1차 기초 공통 연수를 집중 실시하였으며, 이 과정에서 수집된 교원들 의 정성적 피드백을 반영하여 2차 AI 코스웨어 심화 연수는 모듈형·블렌디드·분산형으로 운영 방식을 전면 개편하 는 순환적 설계를 적용하였다. 연구 결과, 교사들의 디지털 교수 역량은 사전 대비 중간, 중간 대비 사후 검사에서 모두 유의미하게 상승하며 역량의 내재화와 심화를 입증하였다. 또한 1차 연수 운영 과정에서 제기된 학습 부담 등의 문제는 2차 연수의 맞춤형 운영을 통해 해소되었으며, 이는 질적 만족도의 개선으로 이어졌다. 결론적으로 본 연구의 순환적 2단계 연수 모델은 교사의 역량 신장(내용적 효과)과 참여 만족도(운영적 효과)를 동시에 달성 할 수 있는 효과적인 모형임을 실증하였다.

This study aimed to propose a customized teacher training model based on needs analysis to foster digital literacy for the 2022 Revised National Curriculum and verify its effectiveness by applying it to a Digital Leading School. To this end, a two-stage needs analysis combining a pre-survey of teacher competency and text mining of KERIS course data was conducted to identify teachers' vulnerabilities and high-demand EdTech tools. Based on these results, the first round of intensive basic common training was implemented. Incorporating qualitative feedback collected during this process, the study applied a cyclical design that completely restructured the second round of advanced AI courseware training into a modular, blended, and distributed format. The results showed that teacher competency scores significantly increased from pre-test to interim-test, and further to the post-test, demonstrating the internalization and deepening of competencies. Furthermore, operational issues identified during the first round were resolved in the second round, leading to a qualitative improvement in participant satisfaction. In conclusion, this study demonstrated that the cyclical two-stage training model is an effective approach that achieves both teacher competency enhancement (content effectiveness) and high participation satisfaction (operational effectiveness).

본 연구는 2018년 1월부터 2025년 7월까지 발표된 국내 K-12 프로그래밍 교육 관련 실증 연구 192편을 대상으 로 체계적 문헌 분석을 수행하였다. 교수설계 유형을 도출하기 위해 프로그래밍 교육목표, 교수학습모형 및 도구 를 중심으로 계층적 군집 분석을 수행하여 CT중심형, 프로그래밍 심화형, 다차원 융합형으로 분류하였다. 유형별 특징으로 CT중심형은 CT, 블록형 도구 중심의 프로그래밍 기초 학습을 강조하고, 프로그래밍 심화형은 프로젝트 기반 학습, 텍스트 도구 중심의 심화된 내용의 고차원적 사고가 중요하며 다차원 융합형은 다양한 도구, 학습모형 을 복합적으로 활용하며 창의성, 자기주도와 성찰이 강조된 경향을 보인다. 또한 2021년까지 CT중심형 교육에서 2022년 이후 점차 프로그래밍 심화형과 다차원 융합형으로 확장되는 변화의 흐름을 보였다. 프로그래밍 도구는 교 수설계의 주요한 요소이며 내용 심화에 따른 도구 사용 간격 해소를 위한 교수 전략 마련이 필요하다.

This study performed a systematic review on 192 empirical studies related to K-12 programming education in Korea, including publication dates ranging from January 2018 to July 2025. To establish a set of design typologies for programming education, a hierarchical cluster analysis was performed based on programming education objectives, teaching models, and programming tools. The established design typologies include CT-centered, Programming-advanced, and Multidimensional-convergence. With respect to their characteristics, CT-centered type emphasizes basic learning of programming with emphasis on CT and block-type tools. Programming-advanced type emphasizes PBL and text-type tools from a higher-order thinking perspective. Multidimensional-convergence type tends to show the characteristics of combining various tools and teaching models with an enhancement of creativity, self-direction, and reflection. Additionally, the trend of change was seen from CT-centered education until 2021 to gradually expanding to Programming-advanced and Multidimensional-convergence education after 2022. Programming tools are a key element in programming instructional design, and it is necessary to develop teaching strategies to bridge the gap in tool usage as content deepens.

본 연구는 2022 개정 교육과정이 지향하는 깊이 있는 학습과 학습자 주도성을 구현하기 위해, 개념기반 탐구학습 원리에 생성형 AI를 융합한 수업 프레임워크(AIDEA)를 개발하고 타당성을 검증하는 데 목적이 있다. 이를 위해 개 념기반 교육과정, 5E 탐구 모형, 인지적 도제 이론 등을 고찰하여 프레임워크를 설계하였다. 이후, 전문가 10인을 대 상으로 델파이 조사를 통해 타당도와 현장 적합성을 검증하였다. 연구 결과, 도출된 AIDEA 수업 프레임워크는 ‘질 문하기(Ask)-탐색하기(Investigate)-토의하기(Discuss)-표현하기(Express)-평가하기(Assess)’의 5단계로 구성된다. 이 프레임워크는 생성형 AI를 단순한 정보 제공자가 아닌 사고 확장의 매개체이자 인지적 도구로 활용함으로써, 학습자가 핵심 개념을 중심으로 탐구의 전 과정을 주도적으로 수행하도록 설계되었다. 본 연구는 생성형 AI를 탐구 학습의 전 과정에 체계적으로 통합하는 실천적이고 구체적인 교수·학습 프레임워크를 제시함으로써, 디지털 기반 교 육 혁신의 현장 적용 가능성을 마련했다는 데 의의가 있다.

This study aims to develop and validate an instructional framework (AIDEA) that integrates generative AI with concept-based inquiry learning principles to align with the goals of deep learning and learner agency emphasized in the 2022 Revised National Curriculum. To this end, the framework was designed by synthesizing theories of concept-based curriculum, the 5E inquiry model, and cognitive apprenticeship. Subsequently, its validity and field suitability were verified through a Delphi survey involving 10 experts. The resulting AIDEA framework consists of five stages: Ask, Investigate, Discuss, Express, and Assess. Designed to empower learners to lead the inquiry process centered on key concepts, this framework utilizes generative AI as a cognitive tool and a mediator for expanding thought, rather than merely as an information provider. This study is significant as it provides practical strategies for digital-based educational innovation by presenting a concrete instructional framework that systematically integrates generative AI throughout the entire inquiry learning process.

본 연구는 초등교육 현장에서 활용되는 AI 활용 수업 도구의 활용 실태를 종합적으로 분석하는 데 목적이 있다. 이를 위해 2019~2024년 에듀넷에 게재된 초등 AI 교육 선도학교 연구보고서 51편을 대상으로 유형, 교과별 활용, 연도별 변화, 도구별 빈도를 분석하였다. 분석 결과, AI 활용 수업 도구는 대화형, 학습진단·피드백, 지능형 튜터링, 생성형 콘텐츠, 협업·토의 보조, 플랫폼형, 기타 등 7유형으로 분류되었으며, 2024년 이후 활용이 급증하고 수학 중심에서 국어·영어·실과·창체 등으로 활용이 확대되었음을 확인할 수 있었다. AI 활용 수업 도구는 학습자의 수준과 특성에 따른 맞춤형 학습 지원과 미래핵심역량 함양을 촉진하는 교육적 매개체로 발전하고 있다. 본 연구는 이러한 결과를 토대로 교과 특성 기반 도구 개발, 교육 효과 검증, 교사 전문성 강화, 윤리적 활용 기준 마련, 협력적 지원 체계 구축 등의 필요성을 제언하였다.

This study examines the use of AI-based instructional tools in elementary education by analyzing 51 research reports published on Edunet between 2019 and 2024. The tools were classified into seven types, and their subject-specific use, yearly trends, and usage frequencies were reviewed. The results show rapid growth after 2024 and expansion from mathematics to Korean, English, practical arts, and creative experiential activities. AI-based tools are developing into educational media that support personalized learning and future competencies. The study suggests the need for subject-oriented tool development, effectiveness verification, teacher training, ethical guidelines, and cooperative support.

본 연구는 초등 저학년의 발달 특성에 적합한 사회정서학습(SEL) 기반 AI 융합교육 프로그램을 개발하고 그 효과를 검증하는 데 목적이 있다. ADDIE 모형에 따라 총 10차시 수업을 설계 및 적용하고, 초등학교 2학년 19명 을 대상으로 단일집단 사전-사후 설계를 통해 사회정서역량과 AI 리터러시의 변화를 분석하였다. 연구 결과, 정 서 인식과 조절, 자기관리, 공감, 긍정적 관계 맺기, 책임 있는 의사결정의 모든 사회정서역량에서 유의미한 향상 이 나타났다. 또한 AI 기초지식, 활용 능력, 개발 이해, 윤리 및 가치 인식의 AI 리터러시 영역에서도 유의한 증 가가 확인되었으며, 개방형 응답 분석을 통해 학생들의 AI 인식이 기기 중심에서 개념 중심으로 확장된 변화도 관찰되었다. 본 연구는 초등 저학년을 위한 SEL과 AI 통합 교육의 효과를 실증적으로 확인하였다는 점에서 의의 가 있으며, 학년군 연계 교육과정 개발과 발달 친화적 AI 활용 모델에 대한 후속 연구의 필요성을 제안한다.

An AI–SEL integrated instructional program was developed for lower elementary students by aligning core AI curriculum elements with CASEL competencies. Using the ADDIE model, the ten-session program was implemented with 19 second-grade students, and its effectiveness was examined through a one-group pretest–posttest design. Results showed significant improvements in all SEL domains and across AI literacy areas, alongside a shift in students’ AI perceptions from device-focused to conceptual understanding. These findings indicate that SEL-anchored AI convergence instruction can effectively support both social-emotional development and foundational AI understanding in early elementary learners.

본 연구는 인공지능(AI) 기반의 학습 플랫폼 도입 등 급변하는 교육 환경 속에서 초등 교사의 학습분석역량 (Learning Analytics Competency, LAC)을 제고하기 위한 교사 연수의 질적 결정요인을 탐색하는 데 목적이 있 다. 이를 위해 전국의 초등 교사 156명을 대상으로 설문 조사를 실시하였으며, 수집된 데이터는 위계적 회귀분석 을 통해 분석하였다. 연구 결과, 첫째, 연수 이수 시간과 같은 양적 요인은 LAC에 제한적인 영향만을 미쳤으며, 다른 배경 변인이 통제될 경우 그 유의성이 사라졌다. 둘째, 연수의 질적 인식 요인인 '현장 적용성'과 교사의 연 수 후 '자기효능감'은 LAC의 가장 강력한 예측 변인으로 나타났다. 셋째, LAC의 하위 영역별로 영향을 미치는 요 인이 상이함을 확인하였다. 본 연구는 교사 연수의 효과성을 높이기 위해서는 물리적인 연수시간의 확대보다, 교 사가 현장에서 즉시 적용 가능한 실효성, 적용성, 유용성, 효과성이 높은 콘텐츠 제공과 효능감 증진을 위한 정의 적 지원이 필수적임을 시사한다.

This study aims to explore the quality determinants of teacher professional development(PD) designed to enhance elementary teachers' Learning Analytics Competency(LAC) in the context of the rapidly changing educational environment. To achieve this, a survey was conducted with 156 elementary school teachers nationwide, and the collected data were analyzed using hierarchical regression analysis. The results revealed that qualitative factors - specifically 'applicability' and 'self-efficacy' - are significantly stronger predictors of LAC than quantitative factors like training hours. The findings also confirmed that the factors influencing LAC varied across its sub-domains (Interpretation, Implementation, Communication, and Pedagogy). These results suggest that, to effectively enhance teachers' learning analytics competency, PD policies must prioritize practical relevance and affective support to foster self-efficacy rather than merely expanding physical training hours.

본 연구는 최근 5년간 국내외 초등교육 분야의 생성형 AI 관련 연구 동향을 체계적으로 비교 분석하고 교 육적 안착을 위한 발전 과제를 제언하였다. 분석 결과, 국내 연구는 초등 고학년 대상의 실증적인 수업 적용 과 교육 성과 검증에 집중된 반면, 국외 연구는 수업 설계의 질적 변화와 기술 도입에 따른 구조적 탐색 및 윤리적 위협 요인 검토를 강조하는 차이를 보였다. 이러한 분석 결과를 바탕으로 본 연구는 생성형 AI의 안 정적인 교육적 안착을 위한 발전 과제를 윤리 및 안전 기준의 체계화, 교사의 AI 교수학습 역량 강화, 그리 고 학습자 성장에 관한 장기적·종합적 연구 수행 측면에서 제시하였다. 본 연구의 결과는 향후 초등 교육 현 장의 정책 수립 및 교육적 방향 설정을 위한 기초 자료로 활용될 수 있다.

This study systematically compares domestic and international research trends in generative AI for elementary education over the past five years. Findings show that domestic research focuses on empirical classroom applications and learning outcomes, while international studies emphasize structural shifts in instructional design and ethical risk assessments. Based on these insights, the study proposes future directions in three areas: establishing ethical and safety standards, strengthening teachers’ AI competencies, and conducting long-term research on learner development. These results serve as a foundation for setting educational policies and directions for generative AI in elementary schools.

이 연구의 목적은 생성형 AI 활용이 다양한 영역으로 확장되며 일상화되어가는 환경에서, 사용자의 의존 양상을 단일 차원이 아닌 다차원적 구조로 개념화하고 이를 측정할 수 있는 다차원적 생성형 AI 의존성 척 도(M-GAIDS)를 개발 및 타당화하는 데 있다. 이를 위해 LLM 의존성 관련 선행 연구와 기존 AI 과의존 척 도를 토대로 초기 문항을 구성하였으며, 대학생을 대상으로 수집한 자료를 활용해 타당화 절차를 수행하였 다. 분석 결과, M-GAIDS는 인지적 판단 의존, 작업 효율 의존, 습관화 의존, 정서적 관계 의존의 네 가지 요인이 도출되었으며, 각 요인은 적절한 요인부하량과 높은 내적 일관성을 보였다. 또한 확인적 요인분석 결 과, 모형 적합도 지수는 수용 가능한 기준을 충족하여 척도의 구조적 타당성이 확인되었다. 이 연구는 생성 형 AI 의존을 단순한 과사용이나 중독 개념이 아닌, 인지적·행동적·정서적 차원이 결합된 다차원적 의존 현 상으로 제시함으로써, 인간-AI 상호작용 연구 및 교육 현장에서 생성형 AI 활용의 질적 양상을 정밀하게 진 단할 수 있는 기반을 제공한다.

This study aimed to develop and validate the Multidimensional Generative AI Dependence Scale (M-GAIDS), conceptualizing users’ reliance on generative AI as a multidimensional construct rather than a single dimension. Based on prior research on LLM dependence and existing measures of problematic or overdependent AI use, an initial item pool was developed and validated using survey data from university students. The results yielded a four-factor scale comprising cognitive decision reliance, work-efficiency reliance, habitual reliance, and emotional-relational reliance, with satisfactory factor loadings and internal consistency; confirmatory factor analysis further supported its structural validity. By framing generative AI dependence as a phenomenon encompassing cognitive, behavioral, and emotional dimensions, this study provides an assessment tool and a refined framework for examining qualitative patterns of generative AI use in human-AI interaction research and educational contexts.

본 연구는 교실 현장의 협력학습 데이터를 대상으로 한국어 특화 AI 모델과 글로벌 AI 모델의 성능을 음성 인식 과 피드백 생성 차원에서 비교 분석하였다. 교실 소음과 다화자 발화가 혼재된 실제 환경에서 실험을 수행한 결과, 두 기술 단계 간에 뚜렷한 성능 상충 관계가 확인되었다. 음성 인식 단계에서는 한국어 특화 모델이 고유명사 인식 과 화자 분리에서 높은 견고성을 보인 반면, 글로벌 모델은 다화자 중첩 구간에서 화자를 구분하지 못하거나 한국 어 발화를 영어로 오인식하는 언어 교차 환각 오류를 범하며 한계를 드러냈다. 피드백 생성 단계에서는 글로벌 모 델이 65.6%의 승률로 한국형 모델과 비교하여 논리적 추론 부분에서 우세하였다. 특히 한국형 모델은 피드백 과정 에서 참조 환각과 온정적 편향을 보이는 경향이 있음을 확인했다. 이에 본 연구는 한국형 STT의 음향적 견고성과 글로벌 LLM의 논리적 추론 능력을 결합하여 협력학습 지원 시스템에서의 하이브리드 파이프라인 구축을 제안한다.

This study compared the performance of a Korean-specific AI model and a global AI model in terms of speech recognition and feedback generation using cooperative learning data from classroom settings. Experiments conducted in real-world environments with classroom noise and multi-speaker speech revealed a clear trade-off between the two technical approaches. In the speech recognition stage, the Korean-specific model demonstrated high robustness in proper noun recognition and speaker separation. Conversely, the global model revealed limitations, failing to distinguish speakers during overlapping multi-speaker segments or committing cross-language hallucination errors where it misrecognized Korean utterances as English. In the feedback generation stage, the global model demonstrated superiority in logical reasoning with a 65.6% win rate compared to the Korean model. Notably, the Korean model tended to exhibit reference hallucinations and benevolent bias during the feedback process. Therefore, this study proposes constructing a hybrid pipeline for collaborative learning support systems by combining the acoustic robustness of Korean STT with the logical reasoning capabilities of global LLMs.

본 연구는 생성형 AI를 넘어 Agent AI 및 Physical AI로 진화하는 기술 환경 속에서 2022 개정 정보과 교육과정의 실 행 대응력을 진단하고 개선 방안을 탐색하는 데 목적이 있다. 이를 위해 OECD와 UNESCO의 AI 교육 및 리터러시 프레임 워크를 분석 준거로 활용하여, 2022 개정 교육과정과 주요 정책 문건을 분석하였다. 분석 결과, 정보교과는 수업 시수 확 대와 학교자율시간 도입 등 제도적 유연성 측면에서 국제적 정책 동향에 부합하는 양상을 보였으나, 급격한 기술 변동성을 교육과정 구조 내에 즉각 수용하는 데에는 구조적 한계가 있음을 확인하였다. 이에 본 연구는 적응형 교육과정 거버넌스 관점에서 Context Engineering(CE) 개념을 도입하였으며, 이를 통해 교육과정의 목표와 성취기준을 급변하는 AI 환경에 맞춰 유연하게 재구조화할 수 있는 실천 지향적 프레임워크를 제안하였다. 특히 CE를 컴퓨팅 사고력(CT)의 논리적 구조를 계승하며 시스템적 관점으로 확장한 미래 핵심 역량으로 정의함으로써, AI 교육의 패러다임을 단순 기술 습득에서 지속 가 능한 역량 함양 체제로 전환하기 위한 이론적 기틀과 실행 전략을 제시하였다.

This study aims to examine the responsiveness of the 2022 Revised Informatics Curriculum to the rapidly evolving technological landscape, in which generative AI is advancing toward Agent AI and Physical AI, and to explore directions for its improvement. To this end, the AI education and literacy frameworks of the OECD and UNESCO were employed as analytical lenses to review the revised curriculum and related policy documents.The findings indicate that the Informatics subject aligns with international policy trends in terms of institutional flexibility, such as increased instructional hours and the introduction of school-designed autonomous hours. However, structural limitations remain in accommodating rapid technological shifts within the formal curriculum framework. In response, this study introduces the concept of Context Engineering(CE) from the perspective of Adaptive Curriculum Governance. It proposes a practice-oriented framework that enables the flexible restructuring of curricular goals and achievement standards in alignment with evolving AI environments. By defining CE as a future-oriented core competency that inherits the logical structure of computational thinking(CT) while expanding it into a systemic perspective, this study provides a theoretical foundation and strategic direction for transforming AI education from a focus on technical skill acquisition toward the cultivation of sustainable competencies.

본 연구는 바이브 코딩과 피지컬 AI 기술의 확산 및 발전에 따라 블록 기반 프로그래밍 교육에서 자연어 기반 의 텍스트 기반 프로그래밍으로 전환 필요성에 주목하고, 이를 초등 교육 현장에 적용할 수 있는 방안을 모색하였 다. 이를 위해 AI 에이전트 협력형 로봇 프로그래밍 학습 모형 및 지원 시스템을 개발하여, 학습자가 텍스트 프로 그래밍 학습 과정에서 경험하는 문법적 인지 부하를 완화하고 스스로 사고를 확장할 수 있도록 비계 제공과 점진 적 자율성 부여를 체계적으로 지원하도록 설계하였다. 개발된 시스템은 자연어로 코딩 의도를 전달하는 바이브 코 딩 패러다임을 적용하고, RAG 및 멀티 에이전트 기술을 기반으로 학습자 수준에 따른 맞춤형 피드백을 제공한다. 또한 함께 개발된 8차시 분량의 교육 프로그램을 초등학교 6학년 학생 23명에게 적용하여 그 효과성을 분석하였 다. 대응 표본 t-검정 결과, 학생들의 컴퓨팅 사고력은 통계적으로 유의미하게 향상되었으며, 특히 하위 영역 중 추상화 역량에서 가장 높은 향상 폭을 보였다. 학습자 인식 조사 결과, AI 에이전트의 개별 맞춤형 지원과 로봇의 즉각적인 피드백이 텍스트 코딩에 대한 심리적 장벽을 낮추고 문제 해결에 대한 몰입도를 높인 것으로 확인되었 다. 본 연구는 인공지능 전환 시대에 학습자의 텍스트 프로그래밍 진입 장벽을 낮추기 위한 실천적 교수-학습 모 델과 시스템 설계 원리를 제시했다는 점에서 교육적 의의를 갖는다.

This study emphasizes the need for a shift from block-based programming education to natural language-b ased text-based programming amid the rise of Vibe Coding and Physical AI, and explores ways to apply this approach in elementary education. To achieve this, we developed a collaborative AI agent-based robot progra mming learning model and support system. This model systematically supports scaffolding and gradual autono my, alleviating the grammatical cognitive burden learners experience during text-based programming and enab ling them to expand their thinking. The developed system applies the Vibe Coding paradigm, which conveys c oding intent through natural language, and provides personalized feedback based on learner level using RAG a nd multi-agent technologies. Furthermore, an 8-session educational program developed alongside the system was applied to 23 sixth-grade elementary students to analyze its effectiveness. Results from paired sample ttests showed a statistically significant improvement in students' computational thinking skills, with the highest improvement observed in the abstraction competency subdomain. Learner perception surveys confirmed that t he AI agent's individualized support and the robot's immediate feedback lowered psychological barriers to text coding and increased engagement in problem-solving. This study holds educational significance as it presents a practical teaching-learning model and system design principles to lower the entry barriers to text program ming for students in the era of artificial intelligence transformation.

본 연구는 초등학생의 컴퓨팅 사고력(CT)이 디지털 소양 정의적 영역(ADLS)의 추후 수준을 예측하는지 종단 적으로 검증하였다. 분석에는 사전과 사후 자료가 모두 확보된 초등학교 5학년 147명의 자료를 사용하였다. 디지 털 소양 정의적 영역은 실천경험(E), 자기효능감(Ef), 가치인식(V) 및 총점으로 측정하였으며, 각 변인의 기저수준 (사전)과 집단(처치여부)을 1단계에서 통제한 후 2단계에서 사전 CT를 추가 투입하는 위계적 회귀분석을 실시하 였다. 그 결과 CT는 기저 수준과 집단을 통제한 이후에도 디지털 소양 총점을 유의하게 예측하였고(ΔR²=.039, p<.001), 하위요인 중 가치인식(V)(ΔR²=.047, p=.001), 자기효능감(Ef)(ΔR²=.021, p=.008), 실천경험(E)(ΔR²=.028, p=.015)에서도 유의한 추가 설명력을 보였다. 반면 집단 변수는 대부분의 모형에서 유의하지 않았다. 이러한 결과 는 초등 정보 교육에서 컴퓨팅 사고력의 함양이 인지적 성취를 넘어 디지털 소양의 정의적 요소의 형성과도 관련 될 수 있음을 시사한다.

This study examined whether fifth-grade students' baseline computational thinking(CT) longitudinally predicts post-test levels of the affective domain of digital literacy(ADLS). Data were drawn from 147 students who completed both pre- and post-tests. ADLS was measured using the total score and three subfactors: practice experience (E), self-efficacy (Ef), and value perception (V). To test the incremental predictive value of CT, hierarchical regression models were estimated for each outcome. In Step 1, the corresponding pre-test score and treatment status were entered; in Step 2, pre-test CT was added. CT explained additional variance in the ADLS total score (ΔR² = .039, p < .001) and in V (ΔR² = .047, p = .001), Ef (ΔR² = .021, p = .008), and E (ΔR² = .028, p = .015), whereas treatment status was not significant in most models. These findings indicate that individual differences in CT predict subsequent affective digital literacy outcomes in elementary computing education.

본 연구는 AI 포용교육의 핵심 과제를 기술 접근성의 격차를 넘어 ‘상호작용 경험의 격차’ 해소로 재정의하고, 이에 대한 실천적 방안을 모색하였다. 이를 위해 생성형 AI의 예측 불가능한 특성을 고려하여, 학습경험설계 (LXD)의 철학적 관점을 발견적 프레임워크로 적용하였다. 연구 방법으로 정부 주관 전국 단위 AI 포용교육 사업 의 우수 운영기관 사례를 대상으로 선정하여 질적 사례연구를 수행하였으며, CIPP 평가 모형을 연구 방법론의 분 석틀로 활용해 적용 과정을 심층 분석하였다. 연구 결과, AI의 한계를 의도적으로 경험하게 하는 등 LXD 기반의 설계 원리가 학생의 인식을 수동적 ‘답변 도구’에서 능동적 ‘협업 파트너’로 전환시키는 데 긍정적인 영향을 미칠 수 있음을 시사한다. 또한, 이 과정에서 교사가 기존의 ‘지식 전달자’에서 ‘경험 설계자’로 전환되며 겪는 현실적 딜 레마와 성장 가능성을 발견하였다. 본 연구는 국내 성공 사례와 Harvard AI Pedagogy 등 글로벌 교육 아젠다 간 의 정합성을 입증하고, 실천적 청사진과 교사 역할 재정립 및 AI 포용교육 정책 방향성을 제시함으로써 향후 실무 적 연구의 토대를 마련하였다는 점에 의의가 있다.

This study redefines the challenge of AI inclusive education as bridging the ‘interactional experience gap’ beyond technological access and explores practical strategies through a heuristic Learning Experience Design (LXD) framework. Using a qualitative case study of a top-performing national AI initiative institution, the CIPP model was employed as a systematic analytical framework. Findings suggest that LXD-based principles—specifically intentional exposure to AI‘s limitations—shift students’ perception toward ‘collaborative partners’ and highlight teachers’ transition to ‘experience designers’ amid practical dilemmas. This study holds significance by demonstrating the alignment between domestic successful practices and global agendas like Harvard AI Pedagogy, providing a blueprint and policy directions for future research.

미래 사회에서 요구되는 필수 역량으로 AI 리터러시가 중요하게 언급됨에 따라서, 이를 증진하기 위하여 AI 융합 교육을 효과적으로 실시하기 위하여 액션러닝을 적용하고 학습 효과를 분석하였다. 경상남도 소재의 5개의 초등학교 99명의 학생들을 대상으로 8차시 AI 융합 교육을 실시하고 AI 리터러시와 수업만족도를 측정한 연구 결과는 다음과 같다. 첫째, AI 프로그래밍 역량, AI 학습의지, 수업만족도는 모두 3학년이 4학년보다 더 높았으며, AI 윤리만 4학년 이 더 높게 나타났다. 둘째, 수업 만족도는 AI 학습 경험이 있는 학습자가 더 낮게 나타났다. 셋째, AI를 사용한 경험 이 있는 학습자가 AI 태도와 AI 자아효능감이 더 높았다. 넷째, AI 학습의지, AI 태도, AI 학습태도, AI 자아효능감 은 수업만족도에 유의하게 정적 영향을 미치는 것으로 나타났다. 본 연구는 AI 융합 교육을 실시하고 AI 리터러시 학습 효과를 측정함으로써 효과적인 AI 융합 교육 방안을 제안하였다는 점에서 의의가 있다.

AI literacy has emerged as a critical competency for future societies. This study implemented an AI integrated education program using an action learning approach to enhance students' AI literacy and examined its instructional effects. A total of eight sessions of AI integrated education were administered to 99 students from five elementary schools located in Gyeongsangnam-do. First, Preliminary findings indicate that third-grade students exhibited superior levels of AI programming competency, AI learning interest and satisfaction in comparison to fourth-grade students. Conversely, fourth-grade students demonstrated elevated levels of AI ethics. Secondly, students with prior AI learning experience reported lower satisfaction than those without such experience. Thirdly, students with experience using AI exhibited higher levels of AI attitudes and AI self-efficacy compared to those without experience. Fourthly, the findings indicated that AI learning interest, AI attitude, AI learning attitude, and AI self-efficacy exhibited significant positive effects on satisfaction. It means that it implemented AI integrated education and evaluated its effects on AI literacy, thereby suggesting effective strategies for AI integrated instruction.