원격대학에서 AI 튜터의 도입 가능성과 학습자 인식: 현행 튜터 제도의 개선을 중심으로

Ⅰ. 서론

원격대학은 시공간의 제약을 넘어 다양한 학습자에게 교육 기회를 제공하는 데 기여해 왔다. 이는 국내 최초의 원격대학인 한국방송통신대학교가 경제적, 지리적, 연령의 이유로 대학교육을 받지 못하는 사람들에게 고등교육의 기회를 제공하기 위한 국가적 노력의 결과로 설립되었음에서도 알 수 있다(임철일·김동호·한형종, 2022). 그러나 원격대학의 학습자들은 종종 고립감을 느끼고, 학습 과정에서 어려움을 겪기도 한다. 원격교육 환경에서 학습자들은 심리적인 고립과 불안, 학업과 생업에서의 역할 갈등, 학습 할애 시간의 부족, 대인관계나 사회적 지원의 부족, 탈락에 대한 불안감 등 학습전반에 대한 두려움을 가지고 있다(권진희, 2009; 주영주·심우진·김수미, 2008). 은혜경·조영미·전선미(2014)의 연구에서는 원격대학 학습자가 인식하는 학업방해 요인으로 부정적 정서 조절의 어려움, 원격대학 학습 전략 부족, 다중역할 갈등, 낮은 성적으로 인한 자신감 상실, 진로설계 및 수행의 어려움, 입학동기 및 학습목표 좌절 등이 존재함을 확인하였다. 이처럼 학습 과정에서 많은 어려움을 경험하는 원격대학 학위과정의 장기 원격학습자들에게 학습자지원은 핵심 사안이며, 이를 위한 학습자 지원체제로 튜터제도를 도입해 운영해오고 있다(지희숙‧윤여각, 2010).

원격대학에서 튜터는 학습자를 도와주는 학습지원자의 역할(주영주‧김지연, 2003)을 수행하고, 학습자의 동기를 높여주어 자율적으로 수업에 참여할 수 있도록 한다(김명희‧장윤호, 2021; 박상훈‧권성호, 2001). 하지만 이에 대한 문제 제기도 있는데, 튜터제도의 성과지표라고 할 수 있는 학업성취도 향상, 학업지속률 제고 등 효과성의 측면에서의 비판이다. 예를 들어 한국방송통신대학교의 경우 튜터 제도 운영의 내실화를 위해 기존에 다양한 정책 연구들이 수행되어 왔다(우영희 외, 2017; 이은경 외, 2018; 주형선 외, 2021). 연구 결과 튜터제도는 참여도와 중도탈락률에 있어서는 효과가 미흡하거나 없는 것으로 나타나기도 했지만, 성적과 만족도에 있어서는 긍정적인 효과가 확인되었다(우영희 외, 2017). 중도탈락률과 관련해 이은경 외(2018)의 연구에 따르면 신·편입 학생들의 40-50% 정도가 학기 초기 단계에서 중도탈락되는 만큼 이를 통해 튜터들의 학기초 활동의 중요성이 확인되었다. 연구 결과 튜터들이 학기초에 집중적인 학생지도 활동을 할 수 있도록 하는 안내 및 교육이 필요하고, 또한 이에 대한 지원 및 평가방안 구축이 요구되었다. 이를 종합해보면 튜터제도는 학업성취도 향상에 기여하나, 중도탈락률에 있어서는 효과가 미흡한 측면이 있는데 이는 대거 중도탈락이 발생하는 학기초에 집중적인 학생지도의 어려움에 기인한다고 할 수 있다.

최근 교육계에서는 AI 기술을 활용하여 이러한 문제를 해결하고자 하는 시도가 이루어지고 있다. 2016년 미국 조지아 공과대학의 한 교수는 자신의 수업에 최초의 인공지능(AI) 조교(Teaching Assistants; TAs)인 ‘질 왓슨(Jill Watson)’을 도입한 바 있다(Goel & Polepeddi, 2018). 이 AI 조교는 수업의 온라인 포럼에서 학생들의 질문에 답변하는 용도로 설계되었고, 조교의 정체가 AI라는 사실은 학기 말에 교수가 이를 공개할 때까지 아무도 알지 못했다(Kim et al., 2020). 이외에도 인간과 닮은 지능형 튜터를 만드는 연구분야로 지능형 튜터링 시스템(Intelligent Tutoring System; ITS)이 빠르게 발전하고 있다(Holmes et al., 2019). 지능형 튜터링 시스템은 인공지능 기법을 이용하여 인간 튜터처럼 학습자의 지식 상태를 진단하고, 적절한 교수학습 전략에 따라 맞춤형 콘텐츠와 피드백을 자동으로 제공하는 시스템을 통칭한다(장지수‧신서경, 2019).

그러나 원격대학의 튜터 제도에 AI를 적용하는 것에 대한 연구는 아직 미흡한 실정이다. 기존의 ITS에 대한 국내의 연구는 주로 K-12 교육의 맥락 안에서만 이루어졌다. 예를 들어 교육부는 2025년부터 ITS가 결합된 인공지능 디지털 교과서를 도입하기로 밝혔으며, 교실 내 교사와 ITS 간의 협력을 바탕으로 개별화 학습을 실현하기 위해 노력하고 있다(교육부, 2023a, 2023b). 하지만 K-12 맥락에서 이루어지는 연구들은 원격대학의 특수성과는 맞지 않는 문제가 있다. 원격대학에서 AI 튜터라는 개념은 상당히 새로운 개념이기 때문에 기술 사용자, 특히 학생의 관점에서 이러한 현상을 이해하는 것이 중요하다. 특히 평생교육 기관으로서 다양한 구성의 학습자들이 혼재하는 원격대학의 특성을 고려한 연구의 필요성이 제기된다.

이와 더불어, ChatGPT로 대표되는 생성형 AI 기술의 등장은 원격대학의 튜터 제도에 AI 적용 가능성에 대한 새로운 방향성을 제시하고 있다. 기존의 규칙 기반 AI 시스템과 달리 생성형 AI는 맥락을 이해하고 개인화된 응답을 제공할 수 있어 원격대학 튜터가 수행해야 하는 교수적, 조직·관리적, 사회적 역할을 통합적으로 지원할 수 있는 잠재력을 지니고 있다. 해외에서는 앞서 언급한 질 왓슨(Jill Watson) 시스템에 ChatGPT를 적용하여 교수적 실재감 향상과 학업 성과 개선 효과를 실증(Goel et al., 2024)하는 등 생성형 AI 기반 튜터 연구가 체계적으로 진행되고 있다. 칭화대학교 역시 LittleMu라는 AI 튜터를 통해 MOOC 맥락에서 긍정적인 교육적 효과를 보고하고 있다(Tu et al., 2023). 반면 국내에서는 원격대학 맥락에서 생성형 AI 기반 튜터의 적용 가능성과 효과성에 대한 연구가 부족한 실정이며, 특히 실제 사용자인 학습자 관점에서의 인식과 요구를 탐구한 연구는 거의 찾아보기 어렵다. 이는 향후 AI 튜터 도입 시 학습자의 수용성과 교육적 효과성을 충분히 고려하지 못하는 원인이 될 수 있다.

이에 본 연구는 원격대학의 학습자들이 인식하는 현행 튜터 제도의 문제점을 진단하고, 이를 해결하기 위한 한 가지 대안으로서 AI 튜터의 도입에 대한 학습자들의 인식을 살펴보고자 한다. 생성형 AI 기반 튜터는 기존 튜터 제도의 한계로 지적된 인적 자원의 제약과 튜터 역량의 불균형 문제를 극복하고, 실시간으로 개인화된 지원을 제공함으로써 학습자의 학업 지속성과 학습 성취도 향상에 기여할 가능성이 있다. 본 연구는 원격대학 맥락에서 AI 튜터가 수행할 수 있는 역할과 지향해야 할 방향에 대한 시사점을 제공하고, 맞춤형 교육이라는 목표를 달성하기 위한 실질적인 방향을 제안하는 데 기여하고자 한다. 본 연구의 구체적인 연구 문제는 다음과 같다.

• 연구 문제 1. 원격대학 학습자들이 현행 튜터 제도에 대하여 느끼는 문제점과 개선 요구는 무엇인가?
• 연구 문제 2. 원격대학 학습자들은 원격대학에서 AI 튜터가 어떤 역할을 수행할 수 있다고 인식하는가?
• 연구 문제 3. 원격대학 학습자들은 AI 튜터가 도입되는 것에 대해 어떠한 인식을 갖고 있는가?

Ⅱ. 이론적 배경

1. 원격대학

고등교육법 제52조(목적)에서 원격대학은 국민에게 정보·통신 매체를 통한 원격교육(遠隔敎育)으로 고등교육을 받을 기회를 제공하여 국가와 사회에 필요한 인재를 양성함과 동시에 열린 학습사회를 구현함으로써 평생교육의 발전에 이바지함을 목적으로 하는 기관으로 정의하고 있다. 또한 고등교육법 제2조(학교의 종류)에서는 원격대학을 방송대학, 통신대학, 방송통신대학 및 사이버대학을 통칭하는 개념으로 제시하고 있다.

국내 최초의 원격대학은 한국방송통신대학교(Korea National Open University)이다. 한국방송통신대학교는 당시 영국의 개방대학(Open University) 설립의 영향을 받아, 경제적, 지리적, 연령의 이유로 대학교육을 받지 못하는 사람들에게 고등교육의 기회를 제공하기 위한 국가적 노력의 결과로 1972년에 설립되었다(임철일‧김동호‧한형종, 2022). 이후 2001년부터 4년제 및 2년제 ‘사이버(cyber) 대학’이 설립되어 학사과정을 운영하기 시작하였으며, 2023년 9월 기준으로 총 22개의 사이버 대학이 운영되고 있다(교육부, 2024).

<표 1>

사이버대학 학교현황 및 관련 통계(2023.9.기준)

Ⅲ. 연구 방법

2. 연구 참여자

본 연구의 목적은 국내 원격대학에서 운영되고 있는 튜터 제도의 개선점을 도출하고, 이를 바탕으로 원격대학의 튜터 제도에 AI가 적용될 가능성에 대한 학습자의 인식을 심층적으로 탐색하는 데 있다. 이에 따라 연구 참여자는 국내 K 원격대학에 재학 중인 학습자 중 자발적으로 연구 참여 의사를 밝힌 5명을 선정하였다. 사례연구의 특성상, 본 연구는 각 사례의 심층적이고 풍부한 정보를 확보하기 위해 비교적 소수의 참여자를 목적표집(purposeful sampling) 방식으로 선정하였다. 이들은 모두 국내 K 원격대학 교육학과 3~4학년 재학생으로 구성되어 있었다. K 원격대학에서 튜터 제도가 1학년에 한해 지원된다는 점을 고려할 때, 본 연구의 참여자들은 모두 고학년에 해당하므로 튜터 제도가 지원되는 시기를 경험한 학습자들이다. 다만, 실제로 해당 제도를 활용했는지 여부나 활용 정도는 개인에 따라 차이가 있었다. 따라서 이들은 현행 튜터 제도에 대한 다양한 경험을 바탕으로 AI 튜터 도입에 관한 의견을 제시하기에 적합하다고 판단하였다. 또한 참여자들은 K 원격대학의 교육학과 학생회에 소속되어 있어 높은 적극성을 가진 학습자들로 볼 수 있고, 이러한 특성은 연구에 대한 자발적인 참여로도 이어질 수 있었다. 연구 참여자들의 연령대는 국내 원격대학 학습자들에게서 일반적으로 관찰되는 바와 같이 40대에서 60대에 집중되어 있었다. 참여자들의 상세한 일반적 특성은 <표 2>에 제시하였다.

<표 2>

연구 참여자들의 일반적 특성

4. 자료 분석 방법

면담 자료의 분석은 Corbin & Strauss(1990)가 근거 이론에서 제시한 코딩 절차에 따라 진행하였다. Corbin과 Strauss는 근거 이론 연구에서 진행하는 코딩 방법으로 개방 코딩, 축 코딩, 선택적 코딩의 세 가지 유형을 제시하고 있다. 본 연구에서 자료 분석 방법은 먼저, 녹취된 면담자료 파일을 모두 전사(transcription)하여 텍스트 자료로 변환한 뒤, 전사한 자료를 반복적으로 읽으면서 개방코딩(open coding)을 하고, 유사한 범주들을 유목화하는 작업을 통해 축코딩(axial coding)을 하는 과정으로 진행되었다. 연구 영역별 코딩 범주는 <표 3>과 같다.

〈표 3〉

연구영역별 코딩 범주

Ⅳ. 연구 결과

1. 현행 튜터 제도의 문제점과 개선 요구

원격대학 학습자들의 현행 튜터 제도에 대한 경험과 인식을 조사한 결과는 <표 4> 및 <표 5>와 같다.

<표 4>

현행 튜터 제도에 대한 원격대학 학습자들의 인식(N=5)

<표 5>

현행 튜터 제도에 대한 원격대학 학습자들이 인식한 문제점(N=5)

원격대학 학습자들은 현행 튜터 제도를 활용해 본 경험이 있는 경우 튜터 제도에 대해 대체로 긍정적 인식을 가진 것으로 나타났으나, 튜터 제도를 활용해보지 않은 경우도 존재했다. 튜터 제도를 활용해본 경험이 있는 경우 연령대가 높은 여성 학습자들이 튜터 제도에 대해 긍정적인 인식을 가졌음을 알 수 있었다(학습자 C, D). 현행 튜터 제도는 신/편입생을 대상으로 입학 첫해에 집중적으로 이뤄지고 있었는데, 이 과정에서 원격대학에 적응하는 데 많은 도움이 되었다는 것이 해당 학습자들의 공통적인 의견이었다. 하지만 남성인 학습자 E의 경우 학습자 C, D와 달리 튜터 제도를 활용한 적이 없다고 응답했다. 현행 튜터 제도에 대한 긍정적인 인식은 주로 튜터의 역할 중 관리적 역할이나 사회적 역할이었지만, 교수적 역할에서도 도움이 되었음을 언급한 학습자도 있었다.

튜터님한테 문자도 많이 보내고 전화도 많이 해서 도움을 정말 많이 받았었어요. 왜냐하면은 학우님들하고는 별로 안 친하고 직장인이다 보니까 다 바쁘잖아요. 그래서 남들 시간 뺏기도 그렇고 피해 끼치기도 그랬고, 그런데 튜터님 같은 경우는 제가 뭘 물어봐도 부끄럽지가 않았었어요(학습자 C).

튜터분들과 연락한 적이 없어가지고 사실은 써본 적이 없죠. 연락을 통해서 뭔가 도움받은 적은 사실은 없습니다. 그게 왜냐면 학생회 활동하면 더 빨리 알 수 있는 게 있기 때문에 튜터랑은 연락을 해본 적이 없죠(학습자 E).

만약에 이번에 시험이 과목이 세 과목이다 그러면 한 10문제나 다섯 문제 정도 이렇게 공부할 수 있는 문제를 튜터님이 만들어줘요. 그런 문제 풀이도 하고 공부에 활용이 많이 됐었어요(학습자 D).

원격대학 학습자들은 현행 튜터 제도의 문제점도 인식하고 있었는데, 문제점으로 지적된 것은 튜터 제도 적용 기간, 제공되는 정보의 유용성, 답변 속도 등이었다. 앞서 현행 튜터 제도에 대해 긍정적 경험이 있는 고령의 여성 학습자의 경우(학습자 C, D) 튜터 제도 적용 기간이 신/편입생에 국한되어 너무 제한적임을 문제점으로 언급하였다. 반면 튜터 제도를 활용한 적이 없는 경우나(학습자 A, E) 튜터 제도에 대해서 긍정적 경험보다 부정적 경험이 더 많았던 경우(학습자 B)는 제공되는 정보의 유용성, 답변 속도 등을 문제점으로 언급하였다. 종합하면 튜터 제도에 대한 긍정적 경험이나 인식에 비해서 부정적 경험이나 문제점을 모든 면담 대상자들이 언급하는 모습을 보였고, 이를 통해 현행 튜터 제도에 대해 많은 학습자들이 개선의 필요성을 느낌을 알 수 있었다.

이제 (튜터제도의 대상이) 신입생이라든가 편입생 한 학기만 해당되고 그다음엔 없잖아요. 제도가 이게 쭉 이어지는 게 아니라 조금 약간 1년까지 좀 약간 이렇게 해줬으면 좋겠어요. 왜냐하면 이게 스터디라든가 임원에 가입하는 사람들은 어느 정도 정보를 들을 수 있는데 혼자 바쁜 사람들 공부하는 사람들은 정보를 들을 수가 없거든요(학습자 C).

(튜터들이) 제가 아는 범위보다 더 많이 알 거라는 믿음이 없었던 것 같아요. 그러니까 제가 그냥 홈페이지에 들어가서 찾을 수 있는 정도의 정보를 준다는 느낌. 그러니까 굳이 제가 그분들과 소통할 필요가 없었던 것 같아요(학습자 A).

튜터 선생님이 워낙 담당하는 인원이 많다 보니까 이게 1대 1이 아니고 일대 다수다 보니까 뭔가 문자를 보내면은 이게 바로바로 연락이 오는 게 아니라 하루 이틀 정도 걸려가지고 오는데 이미 저는 기다리다 답답하니까 직접 또 그걸 찾아보게 되는 거예요. 이런 피드백 속도가 조금 제가 원했던 속도에는 따라가지 못하는 그런 부분이요(학습자 B).

2. AI 튜터가 수행해야 하는 역할

다음으로 원격대학 학습자들이 AI 튜터가 어떤 역할을 수행해야 한다고 생각하는지에 대해 의견을 조사한 결과는 <표 6>과 같다.

<표 6>

원격대학 학습자들이 인식하는 AI 튜터의 역할(N=5)

1) AI 튜터에게 기대하는 역할

먼저 AI 튜터에게 기대하는 역할은 교수적 역할, 관리적 역할, 사회적 역할이 모두 확인되었고, 특히 관리적 역할에 대한 수요는 모든 면담 대상자의 응답에서 언급되었다. 관리적 역할 내에서도 학습자마다 다양한 요구가 있었는데, 가장 많이 언급된 것은 학사 관리 차원에서 수강 계획, 과목 등록 등을 안내하고 지원해 주는 것이었다. 또한 학습 매니저 역할로서 학습 진도율 관리를 기대하는 경우도 있었으며, 고령의 학습자의 경우 한국방송통신대학교 시스템 자체를 어떻게 사용하는지 알려주는 역할을 기대하기도 하였다.

근데 그 과제나 이런 거에 대해서 궁금한 것보다는 학우들이 보통 보면은 제도적인 측면이나 학교 생활이 더 궁금한 게 많죠. 방송대 특성상 일단은 학교에서 뭔가를 하는 게 아니라 본인 스스로 하잖아요. 그래서 제도적인 궁금증이 더 많은 것 같아요. 학교 생활하는데 간단하게 말하면은 뭐 과목 등록하는 것 자체도 어려울 수가 있거든요(학습자 E).

근데 만약에 AI 튜터가 있다면 이번에는 이번 주에는 이 강의를 들어야 된다 약간 이런 식으로 알림을 보내준다거나 그렇게 맞춤형으로 학습 매니저가 됐으면 좋을 것 같거든요(학습자 B).

그래도 이 나이에도 이 공부를 하겠다는 생각을 갖고 있는 사람은 그래도 어느 정도 컴퓨터랑은 조금 친밀감 있고 그러는데 국내 K 원격대학의 복잡한 프로그램은 잘 못 쫓아가겠더라고요. 좀 더 간편하고 알아보기 쉽게 개선돼야 하는데 그 개선책이 이 AI 아닌가 싶어요(학습자 D).

또한 선행 문헌에서 제시한 튜터의 3가지 역할 이외에도 진로 컨설팅에 대한 수요가 많이 확인되었다. 면담 대상자 중에는 자격증 취득을 목표로 하는 학습자가 많았는데 어떤 과목이 자격증 취득에 필수적인지 알려주거나, 자격증 취득 이후 어떤 진로가 있는지 안내하는 등 진로 설계에 실질적으로 도움이 되는 정보에 대한 요구가 많았다. 이는 원격대학이 평생교육 학습자를 대상으로 하므로 대학 커리큘럼 이후의 진로 설계까지 튜터 제도의 지원 범위를 넓힐 필요가 있음을 시사한다.

교육학과 같은 경우에는 평생교육사 이런 자격증이 있거든요. 그러니까 요 자격증을 대비하기 위해서는 어떤 공부가 또 필요한지 그러니까 이 학과 과목에 연계되는 또 그런 게 있잖아요. 이걸 가지고 진로를 어디로 나아갈 수 있는지 좀 이런 것도 (안내)해주시면 좋을 것 같아요(학습자 B).

여기 방통대 공부한 사람들이 배움의 길을 더 넓히려고 하는 사람들도 있고, 아니면은 저 같은 경우는 60대를 준비하려고 하는 거거든요. 우리 나이가 50이어도 70까지 노동해야 하는 그런 사회 구조거든요. 그래서 평생 공부를 하면서 어느 정도 진로를 항상 60대에도 탐색을 해야 한다는 생각이 있어요(학습자 C).

2) AI 튜터의 차별점

AI 튜터가 인간 튜터에 비해 가지는 차별점을 확인한 결과, 먼저 인간 튜터의 느린 답변과 비교하여 AI 튜터는 즉각적인 도움을 줄 수 있다는 기대가 확인되었다. 면담 대상자들은 AI 튜터가 빠른 응답을 제공하고 24시간 언제든지 질문을 받을 수 있다는 점을 차별점으로 언급하였다.

쉽게 접근할 수 있습니다. 접근성 때문에 문제가 좀 있는 게 (인간) 튜터분들과 연락하는 게 이메일이나 전화를 통해서 이루어지는데, 튜터가 전문적인 직장인이 아니잖아요. 그래서 본인이 딱 시간 내가지고 받을 수 있는 게 한계가 있고 전문적인 직장인이래도 사실은 전화를 수시로 받을 수도 있는 게 아니기 때문에 연락이 바로바로 안 되는 단점이 좀 있죠. 근데 AI가 대체를 한다 그러면은 접근성은 되게 빨라서 좋을 것 같긴 하네요(학습자 E).

이게 AI로 만약에 된다 그러면은 이제 다니는 동안에 중간중간에 본인이 궁금한 것에 대해서 항상 24시간 물어볼 수 있잖아요. 그러면 그거에 대해서 답변이 신속히 올라올 수 있으니까 괜찮을 것 같아요(학습자 C).

또한, AI의 특성과 관련하여 인간 튜터와 비교했을 때 갖는 차별점이 언급되기도 했다. 많은 데이터를 바탕으로 정보를 제공해줄 수 있다는 점, 맞춤형 지원을 제공해줄 수 있다는 점, 개인 편차 없이 일관적 지원을 제공해줄 수 있다는 점 등이 학습자들이 제시한 의견이었다.

지금 방통대 튜터들은 정보나 역량이 방통대 안에 갇혀 있는 것 같아요. 그러니까 그 수준에서 알려줄 수 있는 것 같은데 만약에 AI 튜터가 도입이 되면 그래도 AI는 모든 전산망에 접속할 수 있는 거니까 학교를 넘어서, 그러니까 우리 학교만이 아니라 다양한 학교의 정보들을 가지고 이 사람한테 제안을 할 수 있으니까 그런 질적인 면이 조금 향상되지 않을까 하는 생각은 들어요(학습자 A).

모르는 부분에 대해서 질문을 했을 때 맞는 맞춤 답을 얻을 수 있을 것 같아요. 자료를 찾는 데 AI를 제가 써보니까 이게 하나에 대해서만 자료를 주는 게 아니라 이것과 유사한 것을 추천하는 게 뜨더라고요(학습자 B).

인간 튜터는 사람마다 다르잖아요. 능력치가 다르고 관점이 다르고 그런데 AI는 그게 좀 객관화되고 표준화돼 있겠죠(학습자 A).

3) 인간 튜터와 AI 튜터의 역할 분담

학습자들은 AI 튜터가 도입됐을 때 인간 튜터와 적절한 역할 분담을 통해 협업하는 관계로 나아갈 것이라고 답변하기도 하였지만, 한편 AI 튜터가 인간 튜터를 완전히 대체할 수도 있을 거라고 응답하기도 하였다. 이런 의견의 차이는 학습자가 가진 AI 신뢰도에 크게 좌우되는 것으로 나타났는데 AI 리터러시 차원에서 AI에 대한 신뢰도가 높은 학습자의 경우 AI 튜터의 완전 대체를 예상하는 모습을, AI 신뢰도가 보통이거나 낮은 학습자의 경우 협업을 예상하는 모습을 보였다.

먼저 AI 튜터와 인간 튜터의 협업을 언급한 학습자들은 인간과 AI의 상호보완적 장단점에 대한 인식을 바탕으로, 단순한 질문 해결이나 정보 제공은 주로 AI 튜터가 정서적 지원은 인간 튜터가 하게 될 것으로 예상하였다. 이들은 이전 질문에서 지금의 생성형 AI가 성능이 괜찮은 편이지만 섬세한 답변은 부족하다고 언급하거나, AI가 아직 성능이 덜 발전하여 인간에 비할 바는 아니라고 응답한 학습자였다.

인간 튜터는 아무래도 그 사람의 정서적인 면을 다뤄야 되지 않을까요? 격려라든가 아니면은 학습 낙오자가 되도록이면 덜 생기게 이끌어줘야 될 것 같은데요. 그래야지 여기 방통대 같은 경우도 꾸준히 후배도 양성하고 그래서 더 발전이 있을 것 같아요. 그리고 AI 같은 경우는 객관적인 질문을 했을 때 객관적인 데이터가 나올 수 있도록, 그리고 학습에 좀 도움이 많이 될 수 있는 그런 공지사항 이런 것도 할 것 같아요(학습자 C).

그래서 지금 말씀해 주신 것처럼 그런 데이터 기반으로 한 정보에 관련된 맞춤형 알림 이런 거는 아무래도 AI 튜터가 좋을 것 같고 사회적 기능이라고 하셨던 상담에 대한 부분 이런 거는 그래도 인간 사람이 낫지 않나 아직은(학습자 A).

AI 튜터가 인간 튜터를 완전히 대체할 수 있음을 언급한 학습자들은 AI 튜터으로의 전환을 자연스러운 현상으로 인식하는 모습을 보였다. 이들은 생성형 AI의 답변을 매우 신뢰한다고 응답하거나, AI가 전문적인 내용에 대해서는 한계가 있지만 일반적으로 사용하기에는 무리가 없어서 상대적으로 높은 신뢰도를 갖고 있다고 응답한 학습자였다.

방송대에서 (학생들이) 질문할 수 있는 건 제한적으로 몇 가지 안 될 것 같아요. 그래봐야 몇백 가지 안 될 것 같아서, 도입이 된다고 하면 전반적으로 해결할 수 있지 않을까 싶은데요. 궁금한 게 몇 가지뿐이 안 되는데 그게 다 해결이 된다고 하면은 굳이 사람 튜터를 쓰지 않지 않을까 생각이 드는 거죠(학습자 E).

키오스크를 처음에 도입했던 것처럼 아마 AI 튜터가 도입된다면 서서히 그렇게 바뀌지 않을까 싶어요. 그러니까 AI 튜터가 들어오면 이제 현재 인간 튜터 같은 경우는 AI 튜터를 사용하는 사용 안내자가 될 것 같거든요. 처음에는 이제 조금 연령대가 있는 분들은 사용하시기 힘드시겠죠. 그러니까 그런 분들은 사람 인간 튜터에게 어떻게 쓰는 거야 계속 물어보실 거고 이거를 이제 계속 쓰고 자리가 잡혀 나가면 아마 AI 주체로 전체 대체가 되지 않을까라고 예상이 됩니다(학습자 B).

한편, AI 튜터와 인간 튜터의 역할 분담보다 두 가지 튜터가 공존하면서 학습자에게 선택권을 주어야 한다고 응답한 학습자도 있었다. 해당 학습자의 경우 생성형 AI에 대해 높은 신뢰도와 만족감을 보였지만 한편 현행 튜터 제도에서 인간 튜터에게 많은 도움을 받았음을 언급했다.

갑자기 바뀌면 바뀐 거에 대한 변화에 대한 두려움이 있을 수 있거든요. 저는 (AI 튜터를) 100% 좋아하는 입장이지만 그러면은 맨 처음 한 학기 정도는 병행을 해도 좋아요. 병행을 해보면은 이용도에 대한 모니터가 나오잖아요.
(중략) 그거는 이제 학생들의 선택권이죠. 두 개는 동시에 던져주고 어느 쪽이든 편리한 쪽을 이용해라(학습자 D).

3. AI 튜터 도입에 대한 인식

마지막으로 원격대학 학습자들이 AI 튜터가 도입되는 것에 대해 어떠한 인식을 갖고 있는지를 조사한 결과는 <표 7>과 같다.

<표 7>

AI 튜터에 대한 원격대학 학습자들의 태도 및 우려되는 점(N=5)

1) AI 튜터에 대한 태도

원격대학 학습자들은 대부분 AI 튜터의 도입에 대해 긍정적인 인식을 가진 것으로 나타났으며, AI 튜터의 필요성에 대해서는 모든 학습자가 동의하였다. 평소 인공지능을 가장 적극적으로 활용한 학습자 B와 D의 경우에는 최대한 빨리 도입되어야 한다며 그 필요성에 대한 강한 공감을 표하였다. 학습자 C는 최근 사회의 개인주의적 성향을 고려하여 인간 튜터에게 도움을 구하기보다는 AI 튜터에게 더 편하게 도움을 구할 수 있을 것이라는 의견도 제시하였다. 이는 튜터 한 명이 학습자 여러 명을 담당하는 상황에서 도움을 요청하기에 미안했다는 학습자 D의 답변과도 상통하는 내용이다. 현행 튜터 제도에 대한 경험이 없었던 학습자들 또한 AI 튜터에 대해서는 긍정적인 인식을 보였다(학습자 A, E). 이는 튜터 역할의 유용성에는 공감하지만 인간 튜터의 접근성 문제로 인해 잘 활용하지 않았던 학습자들도 AI 튜터는 더욱 수월하게 접근하고 유용하게 활용할 수 있을 것이라는 기대감을 준다.

그래서 굉장히 반갑게 저는 아주 그냥 쌍수를 들고 환영하고 빨리 좀 더 개발해서 많은 학생들이 지금 가을 학기 신입생 모집을 하고 있는데 요 신입생부터 좀 혜택이 되면 좋을 것 같아요(학습자 D).

우려되고 이런 건 없을 것 같고요. 있으면 괜찮을 것 같아요. 왜냐면은 요즘 다 기업체가 다 AI를 도입을 하더라고요(학습자 C).

또한 학습자들은 AI 튜터 도입의 실현 가능성에 대해서도 긍정적으로 인식하는 모습을 보였다. AI 튜터의 기술적 구현 난이도가 높지 않고, 원격대학으로서 방송통신대의 정체성을 볼 때 도입이 예상됨 등의 의견을 확인하였다. 즉 원격대학 학습자들은 대체로 AI 튜터가 도입되는 것에 동의하고, 금방 도입될 수 있다고 인식하고 있었다. 이는 상대적으로 평균 연령대가 높은 데에도 불구하고 이미 대부분의 학습 활동에 온라인에서 참여하고 있다는 점에서 디지털 활용 능력이 우수한 원격대학 학습자의 특성에 기반한 것으로 해석된다.

네 가능할 것 같은데 뭐 금방 되지 않을까. 아까 방금 말씀드린 것처럼 질문이 많지 않을 것 같다는 생각이 들어서 금방 원하면 금방 되지 않을까 싶은데요(학습자 E).

저는 아무래도 일단 저희 학교 이름 자체가 (K 원격대학)인데 트렌드에서 뒤처지면 안 되잖아요. 그 부분을(AI 튜터) 조금 도입을 최대한 빨리 하려고 하지 않을까 저는 예상이 되거든요(학습자 B).

2) AI 튜터 적용 시 우려되는 점

원격대학 학습자들은 AI 튜터가 적용되었을 때 우려되는 점들도 인식하고 있었는데, 가장 많이 지적된 부분은 AI가 제공하는 답변의 신뢰성에 대한 문제였다. 학습자들은 AI가 편향된 데이터로 학습되었을 가능성, 정확하지 않은 정보를 제공할 가능성을 지적하였다. 연령대가 상대적으로 낮은 학습자 A, B가 더 많은 우려를 보이는 경향이 있었으며, 이 중 학습자 A는 다른 학습자들이 AI 튜터의 강점으로 뽑았던 ‘맞춤형 지원’이 오히려 학습자의 시야를 좁게 할 수 있다는 우려를 표현하기도 하였다. 평균적으로 연령대가 높은 원격대학 학습자들이 AI 튜터를 사용하는 데 겪을 어려움에 대한 우려들도 확인되었다. 여기서 주목할 만한 것은 이러한 우려가 낮은 연령대 학습자들을 중심으로 나타났으며(학습자 A, B), 상대적으로 고연령이었던 학습자들은 우려되는 점이 없다고 보고하는 등 AI 튜터의 도입에 대한 낙관적인 관점을 표현하였다는 점이다(학습자 C, D). 이상의 논의 외에도 정서적 지원의 어려움, 일자리 감소 등에 대한 우려가 확인되었다.

기존에 있던 (AI를 학습할 때 사용된)데이터가 이게 왜곡이 된 걸 수도 있고 허위 사실이거나 이런 게 같이 들어가다 보니 이 정보에 정확성이 다 100%가 아니잖아요⋯어떤 자료를 입력하는 사람이 어떤 사상을 갖고 있는지 그리고 이 자료에 대한 검증이 완벽히 된 건지 그런 것도 조금 걱정이 되고⋯(학습자 B).

이 사람이 검색하고 뭘 했던 그 데이터 기반으로 이 사람에게 추천을 해주게 됐을 때 과연 이 사람이 경험할 다양성까지 계산을 해서 이 사람에게 추천을 해줄까⋯ 평상시에 이 사람이 관심 있는 것만 알려줄 거잖아요. 근데 사람이라는 건 사실 내가 관심이 없는 것도 해볼 수도 있고 호기심을 가지고 많이 해봐야지 발전할 수가 있는 건데 이제 그런 부분이 걱정이 되지만⋯
(중략) 어르신들이 오히려 혹시 사용을 많이 못하시지는 않을까 사용이 어려우셔서(학습자 A).

우려되는 사항은 없는 것 같은데요(학습자 D).

기계들 그러니까는 이런 게 보통 그러면은 일자리가 이제는 없어지는 게 루틴이어서 일자리가 없어지겠죠. 아무래도 그렇게 돼서 그래봐야 몇 명 안 되지만(학습자 E).

Ⅴ. 논의 및 결론

본 연구는 원격대학의 튜터 제도에서 AI 적용 가능성에 대한 학습자의 인식을 조사하였다. 원격대학에서 운영되고 있는 현행 튜터 제도의 한계점을 파악하고, 이를 보완할 수 있는 대안으로서 AI 튜터의 역할과 가능성을 탐색하며, AI 튜터 도입에 대한 학습자들의 인식과 우려사항을 심층적으로 분석하고자 하였다. 국내 K 원격대학 재학생 5명을 대상으로 반구조화된 면담을 실시하였으며, 질적 사례연구 방법을 통해 학습자들의 경험과 의견을 심도 있게 분석하였다. 본 연구는 평생학습을 위한 원격대학 환경에서 AI 기술의 적용 가능성을 실제 사용자인 학습자의 관점에서 조사함으로써, 향후 원격대학의 학습자 지원 체계 개선을 위한 기초 자료를 제공할 수 있을 것으로 기대된다. 연구 결과를 바탕으로 논의 사항과 시사점을 살펴보면 다음과 같다.

첫째, 본 연구는 한국방송통신대학교의 기존 정책 연구 보고서들에서 지적한 국내 원격대학 튜터 제도의 한계점을 실증적으로 재확인하였다. 학습자 인터뷰 결과 특히 답변 속도, 튜터 제도 적용 기간, 제공되는 정보의 유용성 등이 주요 문제점으로 나타는데 이는 기존 정책 연구 보고서에서도 지적된 바 있다(우영희 외, 2017; 이은경 외, 2018; 주형선 외, 2021). Moore(2007)의 교류 간격 이론에 의하면 원격교육에 있어서 학습자와 교수자 사이의 의사소통 상의 간격 정하는 것이 중요함을 설명한다. 이런 교류 간격 이론의 관점에서 볼 때, 현행 튜터 제도는 대화의 양과 질을 충분의 보장하지 못하고 있음이 확인되었다. 학습자들이 언급한 느린 답변 속도와 정보의 유용성 부족은 교류 거리를 증가시키는 요인으로 작용할 수 있다. 또한, 현행 튜터 제도는 신, 편입생 1학기만을 대상으로 이루어지는 서비스이고 이는 입학 초기 중도 탈락자 발생 방지에는 기여할 수 있으나, 그 이후의 학습자들에게는 튜터 제도에 대한 혜택이 미치지 않는 문제점이 있었다. 연구 결과에 따르면, 연령대가 비교적 낮은 학습자의 경우 튜터 제도에 덜 의존하는 모습을 보였고, 연령대가 높은 학습자일수록 튜터 제도의 효용성에 대해 긍정적인 반응을 보였다. 이는 튜터 제도가 실질적 수요가 높은 학습자군을 대상으로 하여 이루어질 필요가 있음을 시사한다. 마지막으로, 기존 연구에서 지적한 학기 초 집중적 지원의 필요성과 튜터 1인당 관리 학생 수 과다 문제는 본 연구에서도 여전히 중요한 이슈로 확인되었다. 이는 원격대학의 구조적 특성과 관련이 있으며, 단순히 인적 자원을 늘리는 것만으로는 해결하기 어려운 문제임을 시사한다.

둘째, 본 연구는 원격대학 학습자들이 AI 튜터에게 기대하는 역할을 확인하였다. 원격대학 학습자들은 대체로 관리적 역할의 측면에서 AI 튜터가 현재 운영되는 인간 튜터를 대체할 수 있을 것으로 기대하고 있었으며, 그 실현 가능성에 대해서 매우 긍정적으로 전망하고 있었다. 본 연구의 결과를 바탕으로 학습자들의 답변을 바탕으로 하여 현행 튜터 제도의 문제점과 이를 극복하기 위한 AI 튜터의 역할을 다음과 같이 연결 지어 제시하고자 한다. 첫째, 현행 튜터 제도는 입학 후 첫 학기에만 지원을 받을 수 있는 것과 달리 AI 튜터 서비스는 지속적으로 제공받을 수 있어 튜터의 지원을 받는 대상을 대폭 확대할 수 있을 것으로 기대된다. 둘째, 인간 튜터는 본업을 가지고 있어 답변 가능 시간이 제한적이고 답변 제공이 느린 것에 비해 AI 튜터는 24시간 운영하며 실시간으로 답변을 제공받을 수 있어 학습자들의 궁금증 해소에 크게 도움이 될 것으로 기대할 수 있다. 이는 AI 튜터가 원격 학습 맥락에서 사회적 존재감(Social Presence)을 강화할 수 있음을 시사한다. Tu & McIsaac(2002)의 연구에 따르면, 온라인 학습 환경에서의 사회적 존재감은 학습 만족도와 성과에 중요한 영향을 미친다. AI 튜터의 지속적이고 개인화된 상호작용은 원격교육 환경에서 사회적 존재감을 강화하고, 이는 원격교육 맥락에서 학습자들이 느낄 수 있는 고립감(Holmberg, 2005)을 해소하는데 기여할 수 있다. 셋째, 인간 튜터로부터 제공받을 수 있는 정보는 비교적 단편적인 것에 비해 AI 튜터는 데이터를 기반으로 학습자가 요청하는 다양한 정보를 적절하게 제공해줄 수 있어 그 실효성이 매우 개선될 것으로 기대된다. 마지막으로 현재 국내 원격대학에서는 진로 설계를 지원하기 위한 방안이 부재하여 학습자들이 개별적으로 자격증 요건을 알아보고 커리큘럼을 구성해야 하는 상황인데, 이에 대한 대안으로 AI 튜터가 개인별 진로 컨설팅 서비스를 제공할 수 있을 것이다. 조성연‧박미진‧문미란(2009)은 국내 원격대학에서 실시한 대한 요구 조사 결과를 바탕으로 원격대학 성인학습자를 위한 진로개발 지원모형(Career Development Services Model)을 개발하였는데, 해당 모형은 자기이해를 촉진하기 위한 진단, 교과목 접근, 효과적인 진로정보 교류 등을 포함하고 있었다. 이를 적용하여 AI 튜터를 통해 학습자에게 진로 추천 서비스, 진로 관련 커리큘럼 설계 서비스, 맞춤 진로 정보 제공 등을 제공함으로써 원격대학 평생학습자의 졸업 후 사회 진출에도 긍정적으로 기여할 수 있을 것이다. 이상의 기대 사항들을 종합하였을 때, AI 튜터는 전통적인 대화형 AI 시스템이 아닌 GPT 모델과 같은 생성형 AI 기술을 기반으로 개별화된 지원을 제공해 줄 수 있어야 할 것임이 시사된다.

셋째, 본 연구는 AI 튜터 도입에 대한 학습자들의 인식을 조사하였고 학습자들은 AI 튜터 도입에 대해 대체로 긍정적인 인식을 보였다. 학습자들은 AI 튜터 도입의 필요성에 공감하였으며, 머지않은 시기에 실제로 도입될 수 있을 것이라는 기대감을 가지고 있었다. 그러나 정보의 정확성과 편향성, 정서적 교류의 한계, 일자리 감소에 대한 우려 등도 존재하였으며 이는 AI 기술 도입 시 고려해야 할 중요한 이슈들을 제기한다. 이러한 우려는 AI 기술의 한계와 윤리적 문제에 대한 선행 연구들(박연정 외, 2023; 박휴용, 2022; 이우권, 2020)과 일치하는 결과로, AI 튜터 도입 시 단순히 기술적 구현에 그치지 않고 윤리적, 사회적 측면을 종합적으로 고려해야 함을 시사한다.

넷째, AI 튜터 도입에 대한 인식은 학습자가 가진 AI에 대한 인식 및 학습자의 연령과 관련이 있었다. AI에 대한 신뢰도가 높은 학습자의 경우에 AI 튜터가 인간 튜터를 완전히 대체할 수 있다고 예상하는 경향이 강했으며, 평소 AI 활용 빈도가 높은 학습자들이 AI 튜터 도입에 대해 더 강한 공감을 표현하는 경향성이 있었다. 이는 AI 리터러시가 지각된 유용성을 매개로 생성형 AI 지속사용의도에 영향을 미친다는 이진‧오현정(2024)의 연구결과와도 맥락을 같이 하는 결과이다. 또한, 참여자 중 상대적으로 저연령이었던 40대 학습자들이 AI 튜터 도입에 대한 우려를 더 많이 표현하는 경향이 있었다. 이들은 고연령대 학습자들이 AI 튜터가 사용하는 데 기술적 어려움이 있을 수 있다는 우려를 표하였지만, 50～60대 참여자들은 오히려 AI 튜터 도입에 대한 다소 낙관적인 관점을 나타내었다. 그러나 생성형 AI 서비스 이용에 대한 연령의 조절효과를 확인한 민보경‧임춘성(2023)의 연구 결과에 따르면 30～40대는 생성형 AI 서비스에 대한 사용 의도에 있어 유용함과 생산성이 주된 영향을 미치는 반면, 50대에서는 생성형 AI 서비스를 사용하는 데 드는 노력이 사용 의도에 유의한 영향을 미쳤다. 따라서 본 연구에서 50～60대 고연령 학습자들이 AI 튜터 도입에 대해 보인 기대감을 실제 도입 이후에도 유지하려면, 사용의 용이성을 충분히 고려한 시스템 설계가 필요할 것이다.

본 연구는 국내 원격대학 맥락에서 AI 튜터 도입에 대한 학습자의 기대와 우려, 그리고 현행 튜터 제도의 구조적 한계를 심층적으로 탐색하였다는 점에서 학술적 의의가 있다. 특히, 교육의 주체가 아닌 실제 학습자의 관점에서 AI 튜터 적용 가능성을 생생하게 파악하였다는 점에서 그 의미가 크다. 실무적으로는 본 연구 결과가 현행 원격대학 튜터 제도 개선 및 AI 튜터 시스템의 설계와 운영 정책 수립에 실질적인 참고 자료로 활용될 수 있다는 점에서 의의가 있다. 구체적으로, 현행 튜터 제도는 신·편입생 중심의 일회성 지원을 넘어 전 학습자를 대상으로 한 지속적이고 맞춤형 지원 체계로의 전환이 요구되며, AI 튜터는 이러한 전환을 실현할 수 있도록 학사 및 학습 관리, 실시간 질의응답, 진로 설계 지원 등의 기능을 중심으로 설계 및 적용될 필요가 있음이 시사된다. 아울러 도입 초기에는 인간 튜터와의 병행 운영 및 역할 분담을 통해 학습자의 선택권을 보장하고, 이후 점진적인 통합을 통해 학습자 중심의 통합적 지원 체계를 구축하는 방안을 고려할 수 있다. 이처럼 본 연구는 원격대학의 학습자 지원 체계 개선을 위한 기초 자료를 제공함은 물론, 장기적으로는 AI 기술을 활용한 평생학습 지원 체계 구축 방향을 모색하는 데에도 기여할 수 있을 것으로 기대한다.

하지만 연구 방법의 측면에서 다음과 같은 한계점을 가지고 있어, 이를 보완하기 위한 후속 연구를 제언하고자 한다. 첫째, 본 연구는 학습자들의 인식에 대한 질적 자료를 바탕으로 AI 튜터의 적용 가능성을 탐색적인 수준에서 제시한 연구이다. 따라서 후속 연구에서는 더 많은 학습자군을 대상으로 한 양적 연구를 통해 AI 튜터에 대한 인식을 보다 광범위하게 조사할 필요가 있다. 예를 들어 기술수용모델(Technology Acceptance Model, TAM)은 정보기술수용에 대한 설명과 예측을 위한 모형으로서 지각된 유용성, 지각된 용이성, 태도, 행동의도 크게 4가지로 구성되어 있다(Davis, 1989). TAM을 기반으로 한 설문 도구를 개발하여 대규모 학습자 집단을 대상으로 조사를 실시할 수 있다. 이를 통해 AI 튜터의 지각된 유용성과 용이성이 실제로 AI 튜터 수용 의도에 미치는 영향을 통계적으로 검증할 수 있을 것이다. 더 나아가, 구조방정식 모델링(Structural Equation Modeling, SEM)을 활용하여 AI 튜터 수용에 영향을 미치는 다양한 요인들 간의 관계를 종합적으로 분석할 수 있을 것이다.

둘째, 본 연구는 제한적인 학습자 집단을 대상으로 실시되었다. 국내 K 원격대학 학습자 5명을 대상으로 실시하였는데, 참여한 5명의 특성만으로 국내 K 원격대학 학습자들에 대한 대표성을 가지기에는 다소 어려운 부분이 있었다. 우선 참여 학습자들의 연령에 대해서는 다양성을 확보하였으나 전공의 다양성은 확보하지 못하였다. 또한 학습자들은 모두 국내 K 원격대학에서 임원을 맡아 학교 활동에 주도적으로 참여하는 편이었으며, 면담 결과 연령대와 무관하게 전반적으로 높은 인공지능 리터러시를 갖추고 있는 것을 확인하였다. 따라서 후속 연구에서는 참여자의 사례 수 및 다양성을 확보하여 다양한 지역과 전공의 학습자, 원격대학 생활에 적응하는 데 어려움을 느끼는 학습자, 인공지능 리터러시가 낮은 학습자 등 연구 대상의 범위를 확대하여 AI 튜터에 대한 학습자의 인식을 더욱 다각적으로 파악할 필요가 있다.

References

• 교육부(2023a). 인공지능(AI) 디지털교과서로 1:1 맞춤 교육시대 연다. 교육부.
• 교육부(2023b). AI를 활용한 디지털 교육으로 ‘모두를 위한 맞춤 교육시대’연다. 교육부.
• 교육부(2024). 사이버대학 학교현황 및 관련 통계(2023.9.기준). 교육부.
• 구양미·정미강·정영숙(2018). 원격대학 성인학습자의 인구학적 특성에 따른 튜터 역할에 대한 필요성 인식 비교. 교육문제연구, 31(1), 121-139.
• 권진희(2009). 원격대학생의 학업중단에 관한 성인교육학적 연구. 평생교육학연구, 15(3), 159-188.
• 김명희·장윤호(2021). 튜터링 프로그램이 대학생의 핵심역량에 미치는 효과 및 학생 변인별 역량 차이 분석 연구. 평생학습사회, 17(3), 267-290. [https://doi.org/10.26857/JLLS.2021.8.17.3.267]
• 김현숙(2012). 사이버대학교 튜터의 역할 실현 분석. 사회과학연구, 24(2), 139-166.
• 민보경·임춘성(2023). UTAUT 모형을 적용한 챗GPT 및 생성형 AI 서비스 이용에 영향을 미치는 요인에 대한 연구. 차세대융합기술학회논문지, 7(12), 2298-2311. [https://doi.org/10.33097/JNCTA.2023.07.12.2298]
• 박상훈·권성호(2001). 웹 기반 수업에서 튜터의 동기유발전략이 학습동기에 미치는 영향 - 관련성 중심의 개별메시지를 사용하여 -. 교육정보미디어연구, 7(2), 51-82.
• 박연정·정종원·노석준·이은배(2023). 인공지능의 교육적 활용을 위한 윤리 지침 개발. 교육공학연구, 39(4), 1509-1564. [https://doi.org/10.17232/KSET.39.4.1509]
• 박철(2020). 사이버대학 중도탈락 개선을 위한 예측모형 개발. 한국산학기술학회논문지, 21(7), 380-390. [https://doi.org/10.5762/kais.2020.21.7.380]
• 박휴용(2022). 인공지능 윤리의 주요 쟁점과 필수 고려사항. 열린교육연구, 30(6), 173-201. [https://doi.org/10.18230/tjye.2022.30.6.173]
• 서울사이버대학교(2017). 자체평가. https://www.iscu.ac.kr/06_membership/07_03_onpen_ann_view2.asp, (검색일: 2024. 8. 26)
• 우영희·김보원·이기재·양유정(2017). 튜터 제도의 효과성 분석을 통한 학습지원 제도 개선방안 연구. 정책연구보고서 16-06. 한국방송통신대학교 원격교육연구소.
• 유혜리·민영(2023). 생성형 인공지능 챗봇 챗지피티(ChatGPT) 이용 의도에 대한 연구 : 기술 수용 모델과 어포던스를 중심으로. 방송통신연구, 124, 141-169. [https://doi.org/10.22876/kjbtr.2023..124.005]
• 은혜경·조영미·전선미(2014). 원격대학 성인학습자들이 호소하는 학업상담 내용 분석 -게시판 상담내용을 중심으로-. 상담학연구, 15(6), 2509-2534. [https://doi.org/10.15703/kjc.15.6.201412.2509]
• 이용상·신동광(2020). 원격교육 시대의 인공지능 활용 온라인 평가. 학습자중심교과교육연구, 20(14), 389-407. [https://doi.org/10.22251/jlcci.2020.20.14.389]
• 이우권(2020). 인공지능의 윤리적 사용을 위한 정책대안에 관한 연구. 한국정책논집, 20(1), 1-16.
• 이은경·김보원·손향숙·이동국·백삼균·김종오(2018). 튜터제도 내실화 방안 시범운영 및 효과분석을 위한 제도개선 실행방안 개발. 정책연구보고서 17-17. 한국방송통신대학교 원격교육연구소.
• 이진·오현정(2024). 생성형 AI의 기술적 특성과 사용자의 AI 리터러시가 생성형 AI의 지속사용의도에 미치는 영향 : 확장된 기술수용모델을 중심으로. 한국광고홍보학보, 26(3), 96-140. [https://doi.org/10.16914/kjapr.2024.26.3.96]
• 임철일·김동호·한형종(2022). 원격교육과 사이버교육 활용의 이해. 경기: 교육과학사.
• 장지수·신서경(2023). 개별화 학습 지원을 위한 지능형 튜터링 시스템 연구 동향 분석: LDA 토픽 모델링을 활용하여. 교육정보미디어연구, 29(4), 1095-1122. [https://doi.org/10.15833/KAFEIAM.29.4.1095]
• 조성연·박미진·문미란(2009). 성인원격대학의 진로개발 지원모형 구축. 진로교육연구, 22(2), 117-139.
• 주영주·김지연(2003). e-Learning 환경에서 교수-학습지원체제로서 튜터의 역할 및 역량에 관한 탐색. 교육과학연구, 34(1), 19-39.
• 주영주·심우진·김수미(2008). 기업 사이버교육에서 학습자의 중도탈락에 대한 결정요인 분석. 교육정보미디어연구, 14(4), 5-25.
• 주형선·박동우·이호행·최은영·이자명·구양미(2021). 튜터링 질관리를 위한 튜터 교육 및 평가 제도 개선 방안 연구. 정책연구보고서 21-04. 한국방송통신대학교 원격교육연구소.
• 지희숙·윤여각(2010). 원격대학에서 튜터링의 실제에 관한 사례연구 : 방송대 학과튜터를 중심으로. 평생학습사회, 6(2), 47-75. [https://doi.org/10.26857/JLLS.2010.11.6.2.47]
• 최성희·오인경(2002). e-Learning에서 온라인 튜터의 역할 규명 : 사례를 중심으로. 기업교육과 인재연구, 4(1), 157-173.
• 한국방송통신대학교(2024). 튜터제도. https://www.knou.ac.kr/knou/97/subview.do, (검색일: 2024. 10. 1)
• 한예원(2025). 온라인 동영상 학습에서 자기설명을 촉진하기 위한 ChatGPT와 상호작용이 학습 참여도와 성취도에 미치는 영향. 석사학위 논문, 서울대학교 대학원.
• 황현정·박솔잎·박형용(2021). 학습결과 분석을 통한 원격대학 중도탈락 예측 시스템 AI 알고리즘 적용방안. 컴퓨터교육학회 논문지, 24(5), 63-73. [https://doi.org/10.32431/kace.2021.24.5.007]
• Corbin, J. M., & Strauss, A. (1990). Grounded theory research: Procedures, canons, and evaluative criteria. Qualitative Sociology, 13, 3-21. [https://doi.org/10.1007/BF00988593]
• Davis, F. D. (1989). Perceived usefulness, easy of use, and the user acceptance of information technology. MIS Quarterly, 13(3), 318-340. [https://doi.org/10.2307/249008]
• Goel, A. K., & Polepeddi, L. (2018). Jill Watson: A virtual teaching assistant for online education. In C. Dede, J. Richards, & B. Saxberg(Eds.), Learning engineering for online education(pp. 120-143). Routledge. [https://doi.org/10.4324/9781351186193-7]
• Goel, A., Dede, C., Garn, M., & Ou, C. (2024). AI ALOE: AI for reskilling, upskilling, and workforce development. AI Magazine, 45(1), 77-82. [https://doi.org/10.1002/aaai.12157]
• Haleem, A., Javaid, M., & Singh, R. P. (2022). An era of ChatGPT as a significant futuristic support tool: A study on features, abilities, and challenges. BenchCouncil Transactions on Benchmarks, Standards and Evaluations, 2(4), 100089. [https://doi.org/10.1016/j.tbench.2023.100089]
• Holmberg, B. (2005). Theory and practice of distance education. Routledge. [https://doi.org/10.4324/9780203973820]
• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education. Promises and implications for teaching and learning. Center for Curriculum Redesign. [https://doi.org/10.1007/978-3-319-60013-0_107-1]
• Kim, J., Merrill, K., Xu, K., & Sellnow, D. D. (2020). My teacher is a machine: Understanding students’ perceptions of AI teaching assistants in online education. International Journal of Human-Computer Interaction, 36(20), 1902-1911. [https://doi.org/10.1080/10447318.2020.1801227]
• Merriam, S. B. (1988). Case study research in education : A qualitative approach. San Francisco: Jossey-Bass Publishers.
• Moore, M. G. (2007). The theory of transactional distance. In M. G. Moore(Ed.), Handbook of distance education(2nd ed., pp. 89-105). Lawrence Erlbaum Associates.
• Ortega-Ochoa, E., Pérez, J. Q., Arguedas, M., Daradoumis, T., & Puig, J. M. M. (2024). The effectiveness of empathic chatbot feedback for developing computer competencies, motivation, self-regulation, and metacognitive reasoning in online higher education. Internet of Things, 25, 101101. [https://doi.org/10.1016/j.iot.2024.101101]
• Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P. F., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. In S. Koyejo, S. Mohamed, A. Agarwal, D. Belgrave, K. Cho, & A. Oh(Eds.), Advances in neural information processing systems 35(pp. 27730-27744).
• Priadko, A. O., Osadcha, K. P., Kruhlyk, V. S., & Rakovych, V. A. (2020). Development of a chatbot for informing students of the schedule. In Proceedings of 2019 2nd Student Workshop on Computer Science & Software Engineering. [https://doi.org/10.31812/123456789/3744]
• Shahzad, M. F., Xu, S., & Javed, I. (2024). ChatGPT awareness, acceptance, and adoption in higher education: The role of trust as a cornerstone. International Journal of Educational Technology in Higher Education, 21, 46. [https://doi.org/10.1186/s41239-024-00478-x]
• Tu, C.-H., & McIsaac, M. (2002). The relationship of social presence and interaction in online classes. American Journal of Distance Education, 16(3), 131-150. [https://doi.org/10.1207/S15389286AJDE1603_2]
• Tu, S., Zhang, Z., Yu, J., Li, C., Zhang, S., Yao, Z., Hou, L., & Li, J. (2023, October). LittleMu: Deploying an online virtual teaching assistant via heterogeneous sources integration and chain of teach prompts. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (pp. 4843-4849). [https://doi.org/10.1145/3583780.3615484]
• Weizenbaum, J. (1966). ELIZA—A computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45. [https://doi.org/10.1145/365153.365168]
• Yu, J., Zhang, Z., Zhang-li, D., Tu, S., Hao, Z., Li, R. M., Li, H., Wang, Y., Li, H., Gong, L., Cao, J., Lin, J., Zhou, J., Qin, F., Wang, H., Jiang, J., Deng, L., Zhan, Y., Xiao, C., Dai, X., Yan, X., Lin, N., Zhang, N., Ni, R., Dang, Y. Hou, L., Zhang, Y., Han, X., Li, M., Li, J., Liu, Z., Liu, H., & Sun, M. (2024). From MOOC to MAIC: Reshaping online teaching and learning through LLM-driven agents. arXiv. [https://doi.org/10.48550/arXiv.2409.03512]