Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Quantifying Student Success with Generative AI: A Monte Carlo Simulation Informed by Systematic Review

Created by
  • Haebom

저자

Seyma Yaman Kayadibi

개요

본 논문은 ChatGPT와 같은 생성형 인공지능(GenAI) 기술이 고등교육에서 학생들의 인식, 활용 방식, 학습 성과에 미치는 영향에 대한 탐구를 목적으로 한다. PRISMA 기반 Scopus 데이터베이스 검색을 통해 2023년부터 2025년까지 발표된 19편의 경험적 논문을 선정하여 체계적 문헌 검토와 시뮬레이션 기반 모델링을 결합한 혼합 방법론을 사용하였다. 문헌에서 나타나는 패턴을 주제별로 분류하여 종합하고, 정량적 정보(항목별 평균 및 표준 편차)가 충분한 6편의 논문을 선정하여 확률적 모델링을 수행하였다. 대표적인 사례 연구를 선정하여 Monte Carlo 시뮬레이션을 통해 역분산 가중치를 적용하여 학생들의 인식과 학습 성취 간의 관계 강도를 예측하는 종합적인 "성공 점수"를 산출하였다. 연구 결과, 사용 편의성과 현실적 유용성과 관련된 태도 요인이 정의적 또는 신뢰 기반 요인보다 긍정적인 학습 성취를 예측하는 데 유의미하게 더 나은 예측 변수임을 밝혔다.

시사점, 한계점

시사점:
GenAI 기술의 고등교육 활용에 대한 학생들의 인식과 학습 성취 간의 관계를 정량적으로 분석한 최초의 연구 중 하나이다.
사용 편의성 및 실용성과 같은 태도 요인이 학습 성취에 중요한 영향을 미친다는 것을 밝힘으로써 GenAI 활용 전략 수립에 중요한 시사점을 제공한다.
문헌 검토와 시뮬레이션 모델링을 결합한 혼합 방법론은 GenAI 관련 연구에 새로운 접근 방식을 제시한다.
한계점:
분석에 사용된 논문의 수가 제한적일 수 있으며, 샘플의 편향 가능성이 존재한다.
시뮬레이션 모델의 일반화 가능성에 대한 추가적인 검증이 필요하다.
특정 데이터셋에 대한 의존성으로 인해 연구 결과의 일반화에 제약이 있을 수 있다.
다양한 GenAI 도구 및 교육 환경에 대한 고려가 부족할 수 있다.
👍