생각의 수고와 인터페이스의 수고를 구분하기

어려운 개념을 공부하고 있습니다.

설명을 읽어도 바로 이해되지 않습니다. 자료를 덮고 핵심을 떠올려보니 빠진 부분이 많습니다. 두 주장을 비교하려면 전제를 다시 살펴야 하고, 반례를 찾으려면 자신이 세운 결론을 의심해야 합니다.

이 과정은 힘듭니다.

그런데 다른 종류의 힘듦도 있습니다.

긴 AI 채팅에서 방금 보았던 문장을 다시 찾습니다. 어느 답변에서 현재 질문이 갈라졌는지 기억하려고 스크롤을 되감습니다. 하위 개념을 확인한 뒤 처음 질문으로 돌아가려 하지만, 원래 무엇을 판단하려 했는지 흐려집니다. 서로 비교해야 할 답변이 멀리 떨어져 있어 한쪽 내용을 머릿속에 붙든 채 다른 쪽으로 이동합니다.

이 과정도 힘듭니다.

두 어려움은 겉으로는 모두 ‘인지적 노력’처럼 보입니다.

하지만 학습에 주는 의미는 다릅니다.

• 개념을 이해하고 기억에서 꺼내는 수고는 지식을 만드는 과정일 수 있습니다.
• 근거를 비교하고 반례를 찾는 수고는 판단을 정교하게 만드는 과정일 수 있습니다.
• 반면 질문의 위치를 기억하고 긴 로그를 되감는 수고는 인터페이스가 사용자에게 떠넘긴 부담일 수 있습니다.

모든 수고를 줄이는 것이 좋은 설계는 아닙니다.

모든 수고를 학습자의 몫으로 남기는 것도 좋은 설계는 아닙니다.

생각을 만드는 수고와 생각을 방해하는 수고를 구분해야 합니다.

AI 시대의 학습 도구를 설계할 때 가장 중요한 질문 중 하나는 “어떻게 더 쉽게 만들 것인가?”가 아닙니다.

무엇을 쉽게 만들고, 무엇은 끝까지 사용자가 하게 할 것인가?

‘쉬운 학습’에는 서로 다른 두 의미가 있습니다

학습을 쉽게 만든다는 말은 매력적으로 들립니다.

복잡한 내용을 간단히 설명하고, 불필요한 단계를 줄이고, 누구나 접근할 수 있게 만드는 일은 분명 중요합니다. 좋은 예시와 적절한 시각화, 명료한 문장은 학습자가 핵심 관계에 주의를 기울이도록 돕습니다.

그러나 ‘쉽다’는 말에는 두 의미가 섞이기 쉽습니다.

첫째, 핵심에 집중하기 쉬운 상태

• 관련 없는 정보가 제거되어 있습니다.
• 필요한 정보가 가까이 배치되어 있습니다.
• 현재 목표와 진행 경로를 알 수 있습니다.
• 복잡한 관계가 적절한 표상으로 드러납니다.
• 학습자가 감당할 수 있는 순서로 설명이 제공됩니다.

이런 쉬움은 사고를 돕습니다.

둘째, 학습자가 거의 생각하지 않아도 되는 상태

• 답이 먼저 완성되어 있습니다.
• 중간 추론을 직접 만들 필요가 없습니다.
• 기억에서 꺼내보지 않아도 됩니다.
• 이해 여부를 확인하지 않아도 다음으로 넘어갑니다.
• 무엇을 믿을지 스스로 판단하지 않아도 됩니다.

이런 쉬움은 당장의 수행을 편하게 만들 수 있지만, 학습자가 해야 할 인지적 활동까지 없앨 수 있습니다.

두 상태는 모두 매끄럽게 느껴질 수 있습니다.

그래서 사용 경험이 좋다는 사실만으로 학습 경험도 좋다고 결론 내릴 수 없습니다.

좋은 학습 도구는 사용자가 지식을 만들기 위해 해야 하는 일을 없애지 않습니다. 그 일을 수행하기 어렵게 만드는 군더더기를 줄입니다.

좋은 편의는 사고를 제거하지 않습니다. 사고가 일어날 자리를 확보합니다.

복잡해서 어려운 것과, 잘못 제시되어 어려운 것은 다릅니다

인지부하이론은 학습 과제의 요구와 인간의 제한된 인지 자원 사이의 관계를 설명해온 대표적인 틀입니다.

새로운 정보를 동시에 여러 개 다루고, 서로의 관계를 유지하며, 아직 익숙하지 않은 절차를 적용하는 일에는 부담이 따릅니다. 특히 초보자는 관련 지식 구조가 충분히 형성되어 있지 않기 때문에 같은 자료를 보더라도 숙련자보다 더 많은 요소를 따로 처리해야 할 수 있습니다 (Paas et al., 2003; Sweller, 1988).

여기에는 적어도 두 종류의 어려움이 있습니다.

배워야 할 대상 자체에서 오는 복잡성

어떤 내용은 본래 여러 요소의 관계를 이해해야 합니다.

• 통계 모형의 가정과 결과를 함께 이해하기
• 판례의 사실관계와 법리를 연결하기
• 생물학적 과정의 여러 단계를 인과적으로 설명하기
• 코드의 상태 변화와 함수 호출 관계를 추적하기
• 서로 다른 이론이 같은 현상을 어떻게 설명하는지 비교하기

이 복잡성을 무조건 없앨 수는 없습니다.

요소 사이의 관계가 바로 학습해야 할 내용이기 때문입니다.

정보가 제시되고 관리되는 방식에서 추가되는 부담

반면 학습 목표와 직접 관련 없는 요구도 생깁니다.

• 관련 설명이 여러 화면에 흩어져 있음
• 본문과 범례를 계속 오가야 함
• 같은 정보를 불필요하게 중복해서 처리함
• 현재 목표와 무관한 장식이 주의를 끎
• 질문이 어디에서 시작됐는지 기억해야 함
• 이전 맥락을 찾기 위해 긴 기록을 되감아야 함

이 부담은 학습할 내용이 어렵기 때문에 생기는 것이 아닙니다.

자료와 인터페이스가 학습자의 제한된 작업기억을 불필요하게 점유하기 때문에 생깁니다. 인지부하이론의 교육 설계 연구는 학습자의 전문성, 과제의 복잡성, 정보 제시 방식에 따라 같은 지원도 도움이 되거나 오히려 방해가 될 수 있음을 강조해왔습니다 (Paas et al., 2003; van Merriënboer & Sweller, 2005).

따라서 “인지부하를 줄여야 한다”는 문장은 너무 넓습니다.

무엇을 줄이는지가 중요합니다.

배워야 할 관계를 제거하는 것은 단순화가 아니라 학습 목표의 삭제일 수 있습니다.

반대로 그 관계를 이해하는 데 필요하지 않은 탐색과 기억 부담을 줄이는 것은 학습자가 핵심에 집중하도록 돕는 설계가 될 수 있습니다.

어떤 어려움은 기억과 이해를 더 단단하게 만듭니다

학습이 어렵게 느껴진다는 사실이 언제나 나쁜 신호는 아닙니다.

자료를 다시 읽으면 익숙하고 잘 아는 것처럼 느껴질 수 있습니다. 반면 자료를 덮고 핵심을 기억에서 꺼내려 하면 막히는 지점이 바로 드러납니다. 당장은 더 어렵고 수행도 낮아 보일 수 있지만, 이런 인출 활동은 이후의 장기 기억에 도움이 될 수 있습니다 (Roediger & Karpicke, 2006).

스스로 설명을 만들고, 예측한 뒤 결과를 확인하고, 여러 사례에서 공통 원리를 찾아보는 활동도 비슷합니다.

학습자는 완성된 설명을 따라가는 대신 자신의 현재 지식으로 구조를 만들어보게 됩니다. 그 과정에서 무엇을 모르는지, 어떤 연결이 약한지, 어느 전제가 빠졌는지가 드러납니다.

이처럼 당장의 수행을 어렵게 하지만 장기적인 학습을 촉진할 수 있는 조건을 흔히 바람직한 어려움이라고 부릅니다. 다만 여기서 중요한 단어는 ‘어려움’이 아니라 ‘바람직한’입니다.

어려움이 학습을 돕는 이유는 학습자를 힘들게 만들기 때문이 아닙니다.

다음과 같은 학습 활동을 유도하기 때문입니다.

• 기억에서 정보를 적극적으로 인출하기
• 여러 맥락에서 같은 지식을 다시 구성하기
• 답을 보기 전에 예측하거나 생성하기
• 서로 다른 사례를 비교해 관계를 찾기
• 자신의 오류와 지식의 빈틈을 확인하기
• 피드백을 이용해 기존 이해를 수정하기

학습에 도움이 되는 것은 고통 자체가 아니라, 어려움이 불러오는 인지 활동입니다.

이 차이를 놓치면 ‘어려울수록 더 잘 배운다’는 잘못된 결론으로 이어집니다.

모든 어려움이 바람직한 것은 아닙니다

읽기 어려운 글꼴을 사용하면 학습자가 더 집중하므로 기억이 좋아진다는 주장이 한때 큰 관심을 받았습니다.

논리는 직관적입니다. 자료가 쉽게 읽히지 않으면 더 천천히 처리하고, 더 많은 노력을 들이므로 더 잘 배울 것이라는 설명입니다.

하지만 지각적 비유창성이 학습 결과를 안정적으로 향상한다는 증거는 일관되지 않습니다. Rummer와 동료들의 연구에서도 읽기 어렵게 만든 자료가 학습 결과를 높이는 효과는 나타나지 않았습니다 (Rummer et al., 2016).

이 사례가 보여주는 점은 단순합니다.

노력이 늘었다는 사실만으로, 그 노력이 학습에 사용되었다고 볼 수는 없습니다.

글자를 해독하는 데 더 많은 자원을 쓰면 내용의 관계를 이해하는 데 사용할 자원이 줄어들 수도 있습니다. 목표와 무관한 불편은 학습자를 더 깊이 생각하게 만들기보다 피로하게 하거나 이탈하게 만들 수 있습니다.

문제 해결을 먼저 시도하게 하는 방식도 조건에 따라 결과가 달라집니다.

학습자가 아직 배우지 않은 문제를 먼저 풀어보는 ‘문제 해결 후 교수’ 접근은 기존 지식의 한계를 드러내고 이후 설명에서 중요한 구조를 알아보게 할 수 있습니다. 그러나 단순히 실패하도록 내버려두는 것만으로 충분하지 않습니다.

문제 해결 단계에서 적절한 대조 사례가 제공되는지, 학습자가 만든 해결안을 이후 설명과 연결하는지, 후속 교수가 오류를 정리하고 핵심 원리를 명확히 하는지에 따라 효과가 달라질 수 있습니다 (Kapur, 2008; Loibl et al., 2017).

즉, 학습에 도움이 되는 어려움에는 조건이 있습니다.

• 과제가 학습자의 현재 지식에서 완전히 벗어나지 않아야 합니다.
• 노력의 방향이 학습 목표와 연결되어야 합니다.
• 오류를 교정하고 구조를 정리할 피드백이 있어야 합니다.
• 학습자가 시도한 생각을 이후 설명과 연결할 수 있어야 합니다.
• 어려움이 지나쳐 탐구 자체를 포기하게 만들지 않아야 합니다.

바람직한 어려움은 방치된 어려움이 아닙니다. 생각하게 한 뒤, 그 생각을 배움으로 연결하는 구조가 있는 어려움입니다.

AI는 두 종류의 수고를 모두 없앨 수 있습니다

AI의 강점은 부담을 빠르게 줄이는 데 있습니다.

어려운 문장을 풀어 설명하고, 긴 자료를 요약하고, 예시를 만들고, 여러 관점을 정리합니다. 사용자가 막히는 순간 즉시 도움을 제공할 수 있다는 점은 학습 접근성을 크게 높입니다.

하지만 AI는 서로 다른 두 종류의 수고를 구분하지 않은 채 모두 대신할 수도 있습니다.

AI가 덜어주면 좋은 수고

• 관련 없는 자료에서 필요한 정보를 찾기
• 반복적인 형식 변환과 정리
• 복잡한 용어의 첫 설명 얻기
• 비교해야 할 관점의 후보 모으기
• 긴 대화에서 이전 내용을 다시 찾기
• 질문의 출처와 현재 위치 기억하기

AI가 대신하면 학습 기회를 잃을 수 있는 수고

• 핵심 내용을 스스로 떠올리기
• 자신의 말로 개념을 설명하기
• 답을 보기 전에 예측하기
• 근거의 질을 판단하기
• 서로 충돌하는 설명을 비교하기
• 반례와 적용 조건을 찾기
• 불확실성을 인정하고 결론을 유보하기
• 자신의 판단에 책임지기

AI에게 “이 글을 세 줄로 요약해줘”라고 하면 정보량은 줄어듭니다.

하지만 사용자가 무엇을 중요하다고 보았는지, 왜 그 부분이 핵심인지, 어떤 내용이 이해되지 않았는지는 드러나지 않을 수 있습니다.

AI에게 “가장 좋은 결론을 골라줘”라고 하면 선택의 부담은 줄어듭니다.

하지만 어떤 기준으로 ‘좋음’을 판단해야 하는지, 그 기준을 사용자가 받아들이는지, 무엇을 포기하게 되는지는 가려질 수 있습니다.

AI에게 “내가 놓친 반론을 전부 찾아줘”라고 하면 반론 목록은 풍부해집니다.

하지만 어느 반론이 현재 주장에 실제로 치명적인지, 무엇이 단순한 가능성이고 무엇이 근거 있는 반박인지는 여전히 판단해야 합니다.

따라서 AI 학습 도구의 품질은 얼마나 많은 일을 대신해주는지만으로 평가할 수 없습니다.

AI가 없앤 수고 가운데 무엇이 군더더기였고, 무엇이 배움 그 자체였는지를 물어야 합니다.

외부화는 기억을 포기하는 일이 아닙니다

인간은 오래전부터 사고의 일부를 외부 도구에 맡겨왔습니다.

메모는 해야 할 일을 기억해주고, 달력은 미래의 약속을 보존하며, 계산식과 도표는 머릿속에서 동시에 다루기 어려운 관계를 눈앞에 펼쳐줍니다. 이런 인지적 오프로딩은 과업의 요구를 외부 환경으로 옮겨 수행을 돕는 전략입니다 (Risko & Gilbert, 2016).

외부화가 언제나 나쁜 것도, 언제나 좋은 것도 아닙니다.

계산기를 사용하면 계산 오류와 작업기억 부담을 줄일 수 있습니다. 그러나 어떤 식을 세워야 하는지 이해하지 못한 채 계산 결과만 받는다면, 문제 해결의 핵심을 도구에 넘긴 셈이 됩니다.

메모에 약속을 적으면 잊을 위험을 줄일 수 있습니다. 그러나 내용을 기록했다는 이유로 다시 검토하지 않는다면, 저장은 되었지만 사용할 수 있는 지식으로 남지 않을 수 있습니다.

AI도 마찬가지입니다.

외부화할 대상은 다음 기준으로 구분할 수 있습니다.

외부에 맡기기 좋은 것

• 정확한 위치와 시간순 기록
• 질문 사이의 부모·자식 관계
• 현재 위치에서 처음 질문까지의 경로
• 멀리 떨어진 정보의 배치와 연결
• 반복적인 검색과 형식 처리
• 다시 확인할 항목과 남은 갈래

인간 안에 남겨야 하는 것

• 왜 이 질문이 중요한지
• 어떤 기준으로 답을 평가할지
• 설명을 실제로 이해했는지
• 어느 근거를 신뢰할지
• 자신의 맥락에 어떻게 적용할지
• 결론을 언제 수정하거나 유보할지
• 판단의 결과를 누가 책임질지

첫 번째 영역을 외부화하면 두 번째 영역에 사용할 인지 자원을 확보할 수 있습니다.

문제는 외부화 자체가 아니라 무엇을 외부화했는지 알지 못하는 상태입니다.

도구는 기억의 일부를 맡을 수 있지만, 무엇을 맡겼고 무엇이 인간에게 남았는지를 분명히 해야 합니다.

인터페이스는 보이지 않는 과제를 만듭니다

우리는 보통 학습 과제를 내용으로만 생각합니다.

통계학을 배우면 통계 개념이 과제이고, 프로그래밍을 배우면 코드와 알고리즘이 과제라고 봅니다.

그러나 실제 사용자는 내용 외에도 인터페이스가 만든 과제를 수행합니다.

• 어디를 눌러야 하는지 찾기
• 방금 읽은 위치 기억하기
• 이전 답변과 현재 답변을 머릿속에서 연결하기
• 어떤 질문을 아직 확인하지 않았는지 관리하기
• 하위 질문을 끝낸 뒤 원래 목표 복구하기
• 여러 갈래의 정보를 하나의 결론으로 다시 모으기

이 과제들은 화면에 ‘학습 목표’로 표시되지 않습니다.

그래서 사용자가 지쳤을 때 자신의 집중력이나 능력을 탓하기 쉽습니다.

하지만 같은 내용을 더 적절한 표상과 구조로 제시했을 때 부담이 줄어든다면, 문제의 일부는 개인이 아니라 환경에 있었습니다.

외부 표상은 단순한 보관함이 아닙니다. 어떤 정보를 가까이 놓고, 어떤 관계를 눈에 보이게 하며, 어떤 연산을 머릿속이 아니라 환경에서 수행할 수 있게 하는지에 따라 사고 방식 자체를 바꿀 수 있습니다 (Zhang & Norman, 1994).

따라서 인터페이스 설계에는 교육적 책임이 있습니다.

사용자가 힘들어한다는 이유로 모든 단계를 자동화해서도 안 되고, 학습자가 성장해야 한다는 이유로 불필요한 구조적 부담을 방치해서도 안 됩니다.

Thinket이 덜어내려는 수고

Thinket은 AI가 생성한 답을 더 쉽게 소비하게 만들기 위해 시작되지 않았습니다.

AI의 답변에서 모르는 개념이나 의심스러운 주장을 발견했을 때, 사용자가 그 자리에서 새로운 질문을 분기하고 탐구를 이어갈 수 있게 합니다.

이 과정에서 Thinket이 맡으려는 것은 질문의 내용이 아니라 질문의 구조입니다.

분기

새 질문이 어느 답변의 어떤 맥락에서 시작되었는지 남깁니다.

사용자는 “이 질문을 왜 했지?”를 기억에만 의존하지 않아도 됩니다.

경로

현재 질문이 처음 질문에서 어떤 단계를 거쳐왔는지 보여줍니다.

하위 개념을 깊게 탐색한 뒤에도 원래 판단으로 돌아갈 수 있습니다.

갈무리

여러 갈래로 넓어진 탐색을 다시 펼쳐 무엇을 물었고 무엇이 남았는지 확인하게 합니다.

대화를 많이 했다는 사실을 배움으로 착각하지 않고, 탐색의 결과를 자신의 이해와 연결할 기회를 만듭니다.

Thinket이 대신하지 않는 일도 분명합니다.

• 어떤 질문이 가장 중요한지 대신 결정하지 않습니다.
• AI의 답이 참인지 자동으로 보증하지 않습니다.
• 사용자가 실제로 이해했는지 대신 판정하지 않습니다.
• 근거를 비교하고 결론을 내리는 책임을 가져가지 않습니다.

Thinket은 생각해야 할 것을 없애지 않습니다. 생각하는 동안 붙들고 있어야 했던 구조를 대신 붙들어둡니다.

이것이 Thinket이 말하는 인지적 오프로딩의 범위입니다.

좋은 학습 도구를 판단하는 질문

AI 기반 학습 도구를 평가할 때 “얼마나 빨리 답을 주는가?”만 묻는 것은 충분하지 않습니다.

다음 질문을 함께 물어야 합니다.

1. 이 도구는 무엇을 쉽게 만드는가?

핵심 개념에 접근하기 쉽게 만드는가, 아니면 이해하지 않고 넘어가기 쉽게 만드는가?

2. 사용자가 직접 해야 할 활동은 무엇인가?

인출, 설명, 비교, 적용, 검증과 같은 학습 활동이 남아 있는가?

3. 도구가 대신한 것은 군더더기인가, 판단인가?

위치와 경로를 기억하는 일을 대신하는가, 무엇을 믿을지 결정하는 일까지 대신하는가?

4. 사용자의 전문성에 따라 지원이 달라지는가?

초보자에게 필요한 설명이 숙련자에게는 방해가 될 수 있고, 숙련자에게 유용한 자유도가 초보자에게는 과부하가 될 수 있습니다. 지원은 고정된 양보다 학습자의 상태와 과업에 맞아야 합니다 (Paas et al., 2003).

5. 당장의 편리함 뒤에 학습의 흔적이 남는가?

사용자는 세션이 끝난 뒤 무엇을 알게 되었고, 무엇을 아직 모르는지 설명할 수 있는가?

6. AI 없이도 다시 수행할 기회를 만드는가?

완성된 답을 계속 제공하는가, 아니면 점차 도움을 줄이고 사용자가 스스로 꺼내고 적용하게 하는가?

좋은 도구는 사용자를 계속 의존하게 만드는 도구가 아닙니다.

필요한 순간에는 도움을 주고, 사용자가 해야 할 사고에는 자리를 내주는 도구입니다.

생각의 수고는 남기고, 군더더기만 덜어냅니다

학습은 본질적으로 어느 정도 불편합니다.

모르는 것을 발견해야 하고, 기억에서 꺼내야 하며, 자신의 오류를 인정하고 기존 이해를 수정해야 합니다. 근거를 비교하고, 결론을 유보하고, 처음보다 더 복잡한 질문을 안게 되기도 합니다.

이 수고까지 없애면 학습은 편해질 수 있지만 얕아질 수 있습니다.

반면 학습자는 내용과 관계없는 불편까지 감당할 필요는 없습니다.

긴 채팅을 되감고, 질문의 출처를 기억하고, 현재 위치와 처음 목표를 작업기억에 붙들고, 흩어진 갈래를 머릿속에서만 다시 조립하는 일은 배움의 본질이 아닙니다.

이 수고를 줄인다고 학습자의 사고를 빼앗는 것은 아닙니다.

오히려 생각에 사용할 자리를 돌려줄 수 있습니다.

생각해야 할 것은 사용자가 생각하도록 남겨두고,
생각을 방해하는 구조적 부담만 도구에 맡깁니다.

이것이 Thinket의 설계 원칙입니다.

AI 시대의 좋은 학습 환경은 모든 답을 대신 만드는 환경이 아닙니다.

사람이 계속 질문하고, 의심하고, 연결하고, 판단할 수 있게 하는 환경입니다.