AIDT와 에듀테크 시대, 교사는 무엇을 읽어야 하는가

디지털 리터러시를 넘어 ‘데이터 독해력’으로의 교사 역할 전환

AI 디지털교과서와 다양한 에듀테크가 교실에 들어오면서 교사의 역할에 중요한 변화가 일어나고 있다. 과거 디지털 교육에서 교사에게 요구된 능력은 비교적 분명했다. 기기를 사용할 수 있는가? 교육 플랫폼을 다룰 수 있는가? 디지털 콘텐츠를 수업에 활용할 수 있는가?

그러나 AI 기반 학습환경에서는 이것만으로 충분하지 않다. AI가 학생의 학습 데이터를 분석하고, 취약 개념을 찾아내며, 학습 패턴과 반응을 보여주기 시작했기 때문이다. 이제 교사에게 필요한 것은 데이터를 ‘보는 능력’에서 데이터를 ‘해석하는 능력’으로의 전환이다.

OECD는 2026년 Digital Education Outlook에서 AI가 교사의 피드백과 학습 과정을 지원할 수 있지만, AI가 제공하는 분석과 피드백을 최종적으로 신뢰하고 교육적으로 활용하기 위해서는 교사의 전문적 판단과 인간의 검토가 중요하다고 강조한다. 따라서 AI 시대의 교사는 데이터를 전달받는 사람이 아니라 데이터와 교육적 판단 사이를 연결하는 해석자가 되어야 한다.

1. 디지털 리터러시만으로는 부족해졌다

디지털 리터러시는 오랫동안 미래교육의 중요한 역량이었다. 온라인 플랫폼을 사용할 수 있고, 디지털 자료를 검색할 수 있고, 학습관리시스템(LMS)을 운영할 수 있으며, 디지털 콘텐츠를 수업에 활용할 수 있는 능력이다. 하지만 AI 기반 교육환경에서는 질문이 달라진다. AI가 다음과 같은 정보를 제공한다고 생각해보자.

• “학생 A는 분수 개념에서 취약합니다.”
• “학생 B는 문제 해결 속도가 평균보다 느립니다.”
• “학생 C는 특정 유형의 문제에서 반복적으로 오답을 냅니다.”
• “학생 D는 개념 이해는 높지만 서술형 문항의 논리적 설명이 부족합니다.”

이때 교사가 해야 할 일은 데이터를 확인하는 것에서 끝나지 않는다. 진짜 질문은 다음이다. “왜 이런 패턴이 나타났을까?” 그리고 더 중요한 질문이 이어진다. “그렇다면 교사는 무엇을 다르게 해야 하는가?” 바로 여기에서 데이터 독해력(Data Literacy)이 필요해진다.

2. 데이터는 사실이지만, 데이터의 해석은 사실 그 자체가 아니다

교육 데이터에서 특히 주의해야 할 부분이다. AI가 “이 학생은 수학 개념 이해도가 낮다.”라고 분석했다고 해서 그것이 곧 학생의 능력에 대한 확정적 사실이 되는 것은 아니다. 학생의 오답에는 여러 원인이 있을 수 있다.

개념을 몰랐을 수도 있고, 문제를 잘못 읽었을 수도 있고, 시간이 부족했을 수도 있으며, 질문 자체가 학생에게 익숙하지 않았을 수도 있다. 따라서 [데이터 → 해석 → 교육적 판단]의 세 단계를 구분해야 한다. 예를 들어,

• 데이터: 분수의 덧셈 문제 10개 중 6개 오답
• 가능한 해석: 분수의 통분 개념이 충분히 형성되지 않았을 가능성
• 교육적 판단: 통분 개념을 다른 방식으로 다시 설명하고 새로운 상황에서 적용하도록 한다.

이 과정에서 AI가 도움을 줄 수는 있다. 그러나 마지막 판단까지 AI가 자동으로 결정하도록 해서는 안 된다. OECD 역시 교육에서 AI를 사용할 때 인간의 판단과 교사의 전문성을 유지하면서 AI를 보조적으로 활용하는 접근을 강조한다.

3. 같은 데이터도 질문에 따라 전혀 다른 의미가 된다

교육평가 전문가의 관점에서 보면 데이터 자체보다 데이터에 던지는 질문이 중요하다. 예를 들어 AI가 “이 학생은 문제 해결 능력이 낮습니다.”라고 분석했다고 하자. 교사가 이 결과를 그대로 받아들이면 학생에게 하나의 낙인이 생길 수 있다. 하지만 교사가 다음과 같이 다시 질문한다면 상황은 달라진다.

• “이 학생이 어려움을 보이는 문항의 공통적인 조건은 무엇인가?”
• “개념 이해와 문제 적용 중 어느 단계에서 오류가 발생하는가?”
• “오답이 반복되는 패턴이 있는가?”
• “문제의 길이, 어휘, 시간 제한이 결과에 영향을 미쳤을 가능성이 있는가?”
• “이 학생이 성공했던 문제와 실패한 문제의 차이는 무엇인가?”

이것이 바로 데이터 독해력이다. 숫자를 읽는 것이 아니라 숫자 뒤에 있는 학습 과정을 읽는 것이다.

4. AI가 알려주는 ‘취약점’은 학생의 능력 자체가 아니다

교육평가에서 특히 조심해야 할 표현이 있다. 취약 학생, 하위 학생, 문제 학생과 같은 표현이다. AI가 학습 데이터를 분석하면서 특정 영역의 낮은 수행을 찾아낼 수 있지만, 그것을 곧바로 학생의 고정된 능력으로 해석해서는 안 된다.

교육평가에서 중요한 것은 현재 수행과 학습 가능성을 구분하는 것이다. 예를 들어 학생이 현재 특정 유형의 문제를 잘 풀지 못한다고 해서 “이 학생은 수학을 못한다.”라고 결론 내릴 수는 없다. 보다 정확한 질문은 “현재 어떤 학습 조건에서 어려움을 보이고 있으며, 어떤 지원을 제공했을 때 변화가 나타나는가?”이다. AI 데이터는 학생을 분류하기 위한 도구가 아니라 교사가 개입할 지점을 찾는 자료가 되어야 한다.

5. 교사의 역할은 ‘데이터 관리자’에서 ‘학습 진단가’로 이동한다

AI가 데이터를 자동으로 수집하고 분석할수록 교사의 역할이 줄어드는 것처럼 보일 수 있다. 하지만 실제로는 반대 방향의 역할 변화가 일어날 가능성이 있다. AI는

• 학습 로그를 수집하고
• 오답 패턴을 찾고
• 학습 속도를 분석하고
• 비슷한 문항을 추천하고
• 학생별 결과를 시각화할 수 있다.

그러나 교사는

• 이 데이터가 무엇을 의미하는지 판단하고
• 다른 관찰 자료와 비교하고
• 학생의 맥락을 고려하고
• 어떤 개입이 필요한지 결정하고
• 개입 이후 변화가 있었는지를 다시 확인해야 한다.

즉, AI는 분석의 자동화를 담당하고, 교사는 교육적 판단을 담당하는 구조가 바람직하다. UNESCO의 AI 교사 역량 프레임워크 역시 AI 시대의 교사를 단순한 기술 사용자가 아니라 인간 중심의 관점, AI 윤리, AI 기초와 활용, AI 교수법, 전문적 학습을 갖춘 교육자로 보고 있다.

6. 데이터 독해력은 ‘숫자를 읽는 능력’보다 훨씬 넓다

교사의 데이터 독해력을 다음과 같이 볼 수 있다.

• ① 데이터 이해 – 무엇을 측정한 데이터인가?
• ② 데이터의 한계 이해 – 무엇을 측정하지 못했는가?
• ③ 패턴 발견 – 어떤 반복적인 특징이 나타나는가?
• ④ 원인 가설 설정 – 왜 이런 결과가 나타났을 가능성이 있는가?
• ⑤ 다른 증거와 교차검증 – 수업 관찰, 학생의 설명, 과제, 평가 결과와 일치하는가?
• ⑥ 교육적 개입 – 무엇을 바꿔볼 것인가?
• ⑦ 변화 확인 – 개입 이후 실제로 변화가 나타났는가?

이렇게 보면 데이터 독해력은 단순한 Data Literacy가 아니라 사실상 교육적 의사결정 역량에 가깝다.

7. ‘AI가 분석 → 교사가 개입 → 다시 데이터 확인’의 순환 구조

AI 기반 교육에서 가장 중요한 구조는 일회성 분석이 아니다. 다음과 같은 순환이 필요하다.

• 학습 활동
• ↓
• 학습 데이터 생성
• ↓
• AI 분석
• ↓
• 교사의 해석
• ↓
• 교육적 개입
• ↓
• 학생의 재학습
• ↓
• 새로운 데이터
• ↓
• 개입 효과 확인

이 구조가 만들어지면 데이터는 단순한 기록이 아니라 형성평가(Formative Assessment)의 자료가 된다. 특히 OECD는 디지털 플랫폼에서 생성되는 학습 과정 데이터가 교사가 평소 접근하기 어려웠던 학습 과정에 대한 피드백을 제공할 가능성이 있다고 설명하면서도, AI가 생성한 피드백은 인간의 검토를 거치는 것이 중요하다고 강조한다.

8. 그래서 AI 시대의 교사는 ‘데이터를 믿는 사람’이 아니라 ‘데이터를 질문하는 사람’이어야 한다

좋은 데이터 활용은 “AI가 그렇게 분석했으니까 맞겠지.”에서 시작하지 않는다. 오히려 “왜 그렇게 분석했지?”에서 시작한다. 그리고 다음 질문이 이어진다. 어떤 데이터를 근거로 했는가? 데이터가 충분한가? 다른 설명은 가능한가? 학생의 실제 행동과 일치하는가? 측정 오류 가능성은 없는가? 이 결과를 교육적 판단에 사용해도 되는가? 이러한 질문은 AI 리터러시이면서 동시에 평가 리터러시다.

9. 교사의 데이터 독해력이 부족하면 ‘AI 기반 교육’도 기존 교육의 자동화에 그칠 수 있다

가장 경계해야 할 상황은 이것이다.

• AI가 학생을 분석한다.
• 교사는 AI가 정한 취약점을 확인한다.
• AI가 추천한 문제를 제공한다.
• 학생이 문제를 푼다.
• AI가 다시 분석한다.

이 과정이 반복되면 매우 첨단화된 교육처럼 보인다. 하지만 중요한 질문이 빠져 있다. “교사의 교육적 판단은 어디에 있는가?” AI가 모든 학생에게 동일한 알고리즘으로 개입하고 있다면 개인화처럼 보이지만 실제로는 자동화된 표준화일 수도 있다.

따라서 진정한 AI 기반 개인화는 AI가 학생을 더 많이 분석하는 것이 아니라 교사가 학생을 더 깊이 이해할 수 있도록 AI가 지원하는 것이어야 한다.

10. 새로운 교사 역량은 ‘데이터 → 질문 → 개입’으로 정의할 수 있다

앞으로 교사 연수에서 단순히 “이 플랫폼은 이렇게 사용합니다.”라는 사용법 교육만으로는 부족할 가능성이 크다. 보다 중요한 교육은 다음과 같은 질문을 포함해야 한다.

• 데이터 읽기: 이 그래프에서 실제로 확인되는 사실은 무엇인가?
• 데이터 해석: 이 결과를 설명할 수 있는 다른 원인은 무엇인가?
• 평가 판단: 이 데이터만으로 학생의 역량을 판단할 수 있는가?
• 교육적 질문: 학생에게 무엇을 다시 물어봐야 하는가?
• 개입 설계: 어떤 교수 전략을 적용해 볼 것인가?
• 효과 검증: 개입 이후 어떤 변화가 나타났는가?

이런 역량이 쌓여야 AI가 교사의 판단을 대체하는 것이 아니라 교사의 판단을 강화하는 방향으로 작동할 수 있다.

11. 학생에게도 ‘데이터 독해력’을 가르쳐야 한다

데이터 독해력은 교사만의 역량도 아니다. AI가 학생에게 “당신의 약점은 비판적 사고입니다.”라고 알려준다면 학생 역시 질문할 수 있어야 한다.

• “어떤 근거로 그렇게 판단했나요?”
• “내가 잘했던 영역은 무엇인가요?”
• “이 결과가 최근 시험 하나만으로 나온 것인가요?”
• “다른 활동에서는 다른 결과가 나왔나요?”

이것은 학생이 자신의 학습 데이터를 수동적으로 소비하지 않고 자기주도적으로 해석하는 능력이다. 따라서 AI 시대의 학습자는 AI에게 학습 데이터를 제공하는 사람이 아니라 자신의 학습 데이터를 읽고 다음 학습 행동을 결정하는 사람이어야 한다.

12. 결국 교사의 핵심 역량은 ‘데이터를 많이 보는 것’이 아니다

AI가 발전할수록 교사는 더 많은 데이터를 보게 될 것이다. 그러나 데이터의 양이 많아진다고 교육의 질이 자동으로 좋아지는 것은 아니다. 오히려 데이터가 많아질수록 중요한 것은

• 무엇을 볼 것인가
• 무엇을 보지 말아야 하는가
• 무엇을 질문할 것인가
• 어떤 증거를 더 확인할 것인가이다.

교육평가의 관점에서 이것은 매우 중요한 변화다. 과거의 교사는 학생의 결과물을 보고 판단했다. AI 시대의 교사는 학생의 학습 과정 데이터와 결과 데이터를 함께 보고 판단할 수 있다. 하지만 그만큼 데이터 해석에 대한 전문적 책임도 커진다.

결론: AI가 데이터를 읽어주는 시대, 교사는 ‘의미’를 읽어야 한다

AI 디지털교과서와 에듀테크의 확산은 교사의 역할을 없애는 기술적 변화로만 볼 필요가 없다. 오히려 교사의 역할을,

• 콘텐츠 전달자 → 학습 설계자
• 기기 사용자 → 데이터 해석자
• 결과 확인자 → 학습 진단가
• 정답 제공자 → 개입 설계자로 이동시키는 계기가 될 수 있다.

UNESCO는 AI 시대 교사 역량을 인간 중심 관점과 AI 윤리뿐 아니라 AI 교수법과 전문적 학습까지 포함하는 다차원적인 역량으로 제시한다. 그리고 OECD는 AI가 교사의 피드백과 학습 과정 분석을 지원할 수 있지만, 교육적 판단에서 인간의 검토와 교사 전문성이 중요하다는 점을 강조한다. 따라서 앞으로의 교사에게 필요한 능력은 단순한 디지털 리터러시를 넘어선다.

• 데이터를 보고,
• 데이터를 의심하고,
• 데이터를 해석하고,
• 학생에게 다시 질문하고,
• 적절한 교육적 개입을 설계하는 능력.

이것이 AI 시대의 교사 데이터 독해력이다. AI가 학생의 학습 데이터를 더 정확하게 분석할수록 교사의 역할이 작아지는 것이 아니다. 오히려 더 중요한 질문이 남는다. “이 데이터가 우리 학생에게 무엇을 의미하는가?” AI가 답을 만들어 주는 시대에도 그 의미를 교육적으로 판단하는 책임은 여전히 사람에게 있다.

참고자료

1. OECD, OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education
2. OECD, How to effectively use Generative AI in education
3. OECD, Smart Data and Digital Technology in Education: Artificial Intelligence, Learning Analytics and Beyond
4. UNESCO, AI Competency Framework for Teachers
5. UNESCO, AI Competency Framework for Students
6. UNESCO, Guidance for Generative AI in Education and Research
7. UNESCO, ICT Competency Framework for Teachers
8. U.S. Department of Education, Artificial Intelligence and the Future of Teaching and Learning
9. Siemens, G., Learning Analytics: The Emergence of a Discipline
10. Ferguson, R., Learning Analytics: Drivers, Developments and Challenges
11. Black, P. & Wiliam, D., Assessment and Classroom Learning
12. Wiliam, D., Embedded Formative Assessment

원문보기 : AIDT와 에듀테크 시대, 교사는 무엇을 읽어야 하는가

Socko/Ghost