유창한 설명은 왜 이해처럼 느껴지는가

AI에게 낯선 개념을 물어봅니다.

답변은 정의에서 시작해 원인과 결과를 차례로 연결하고, 적절한 예시를 거쳐 깔끔한 결론에 도착합니다. 문장 사이에는 빈틈이 거의 없습니다. 처음에는 어렵게만 보였던 내용이 몇 분 만에 정리됩니다.

우리는 자연스럽게 생각합니다.

“아, 이제 이해했다.”

하지만 잠시 뒤 화면을 닫고 같은 내용을 직접 설명하려 하면, 방금까지 선명했던 연결이 흐려집니다. 핵심 용어는 기억나는데 왜 그런 결론이 나오는지는 말하기 어렵습니다. AI가 사용한 예시는 떠오르지만, 새로운 사례에는 어떻게 적용해야 할지 모르겠습니다.

설명은 유창했지만, 이해는 아직 유창하지 않습니다.

설명이 막힘없이 이어졌다는 사실과, 그 설명이 참이라는 사실, 그리고 내가 이해했다는 사실은 서로 다른 주장입니다.

AI 시대의 학습에서 이 세 가지를 구분하는 일이 중요해지고 있습니다.

우리는 자신의 이해를 직접 들여다볼 수 없습니다

“나는 이 내용을 얼마나 이해하고 있는가?”

겉보기에는 자신의 머릿속을 확인하는 단순한 질문처럼 보입니다. 그러나 우리는 기억 속 지식의 양과 구조를 계기판처럼 직접 읽을 수 없습니다. 대신 현재 경험할 수 있는 여러 단서를 바탕으로 자신의 학습 상태를 추론합니다.

내용이 익숙한지, 읽기가 쉬운지, 답이 빠르게 떠오르는지, 설명이 자연스럽게 연결되는지 같은 감각이 판단의 재료가 됩니다. 메타기억 연구에서는 사람들이 학습 정도를 판단할 때 학습 내용 자체뿐 아니라 과제의 특성, 학습 조건, 처리 과정에서 느껴지는 주관적 경험과 같은 단서를 사용한다고 설명합니다 (Koriat, 1997).

이러한 방식은 대체로 합리적입니다.

쉽게 떠오르는 정보가 실제로 더 잘 기억된 정보일 때도 있고, 명료하게 조직된 설명이 혼란스러운 설명보다 학습에 도움이 될 때도 있습니다. 문제는 단서와 실제 이해가 언제나 일치하지는 않는다는 데 있습니다.

우리는 이해 그 자체를 측정하는 대신, 이해할 때 흔히 동반되는 느낌을 측정할 수 있습니다.

그리고 그 느낌이 잘못된 원인에서 만들어졌을 때, 메타인지는 어긋납니다.

유창성은 문장을 잘 쓴다는 뜻만이 아닙니다

심리학에서 말하는 처리 유창성은 정보를 지각하고 처리하는 과정이 얼마나 쉽고 매끄럽게 느껴지는지와 관련된 주관적 경험입니다.

여기서 유창성은 단순히 글을 아름답게 쓰는 능력을 뜻하지 않습니다.

• 글자가 눈에 잘 들어오는 지각적 유창성
• 문장의 의미가 빠르게 파악되는 개념적 유창성
• 기억 속 정보가 쉽게 떠오르는 인출 유창성
• 설명의 전개를 막힘없이 따라갈 수 있는 서술적 유창성

같은 서로 다른 경험이 모두 판단에 영향을 줄 수 있습니다.

유창성 자체는 오류가 아닙니다. 유창성은 우리가 환경을 효율적으로 판단하도록 돕는 단서입니다. 다만 그 단서를 무엇의 증거로 해석하느냐가 중요합니다.

“쉽게 읽힌다”는 감각은 어느 순간 “잘 기억할 것이다”로 바뀔 수 있습니다. “설명이 자연스럽다”는 감각은 “설명이 정확하다”로, “강의를 잘 따라갔다”는 감각은 “내용을 스스로 사용할 수 있다”로 이어질 수 있습니다.

이 전환은 명시적인 추론이라기보다 느낌에 가깝습니다.

우리는 설명을 쉽게 처리했다는 사실을, 그 내용을 충분히 학습했다는 증거로 사용할 수 있습니다.

하지만 두 사실은 항상 같지 않습니다.

큰 글씨도 더 잘 기억할 것처럼 느껴지게 합니다

유창성이 학습 판단을 어떻게 흔들 수 있는지 보여주는 간단한 예가 있습니다.

Rhodes와 Castel은 참가자들에게 서로 다른 크기의 글씨로 단어를 보여주고, 나중에 각 단어를 얼마나 잘 기억할 것 같은지 예측하게 했습니다. 참가자들은 큰 글씨로 제시된 단어를 더 잘 기억할 것이라고 판단했습니다. 그러나 실제 회상에서는 글씨 크기와 기억 성과 사이에 그만큼의 관계가 나타나지 않았습니다 (Rhodes & Castel, 2008).

큰 글씨가 내용의 의미를 더 깊게 만들지는 않습니다. 단어 사이의 관계를 더 잘 설명해주지도 않습니다. 그럼에도 크게 보이는 정보는 더 뚜렷하고 쉽게 처리되기 때문에, 그 주관적 경험이 기억 가능성에 대한 판단으로 옮겨갈 수 있습니다.

기억에서 무언가가 빠르게 떠오르는 경험도 비슷합니다.

인출이 쉽다는 감각은 보통 기억의 강도를 판단하는 데 유용합니다. 그러나 현재 빠르게 떠오른다는 사실이 미래에도 잘 떠오른다는 것을 항상 보장하지는 않습니다. 실험에서는 최초 과제에서의 인출 속도와 용이성에 의존한 참가자들의 예측이 이후 기억 성과와 크게 어긋나는 경우가 관찰되었습니다 (Benjamin et al., 1998).

이 연구들이 말하는 바는 “느낌을 믿지 말라”가 아닙니다.

더 정확히는 다음과 같습니다.

학습에 대한 느낌은 실제 학습의 측정값이 아니라, 여러 단서로부터 만들어진 추정값입니다.

추정에 사용한 단서가 무엇인지 모르면, 높은 자신감이 어디에서 왔는지도 알기 어렵습니다.

매끄러운 강의는 배운 느낌을 키울 수 있습니다

유창성의 문제는 글씨 크기나 단어 목록에만 머물지 않습니다. 우리가 익숙하게 경험하는 강의에서도 나타납니다.

한 연구에서 참가자들은 같은 강사가 같은 내용으로 설명하는 짧은 영상을 보았습니다. 한 조건에서 강사는 바른 자세로 카메라를 바라보며 자연스럽게 말하고 적절한 몸짓을 사용했습니다. 다른 조건에서는 몸을 숙인 채 노트를 보며 머뭇거리고 시선을 자주 피했습니다.

내용과 강사는 같았지만 전달 방식은 달랐습니다.

유창하게 설명한 강사를 본 참가자들은 자신이 더 많이 배웠을 것이라고 예상했고, 강사의 준비도와 효과성도 더 높게 평가했습니다. 하지만 실제로 기억해낸 정보의 양에서는 유창성 조건에 따른 유의미한 차이가 나타나지 않았습니다 (Carpenter et al., 2013).

이후 더 긴 강의를 사용하고 즉시 검사와 하루 뒤 검사를 실시한 연구에서도 유사한 결과가 보고되었습니다. 유창한 강사는 더 효과적으로 보였고 참가자들은 더 많이 배웠다고 느꼈지만, 실제 학습 성과는 두 조건 사이에서 다르지 않았습니다 (Toftness et al., 2018).

이 결과를 “좋은 강의는 소용없다”는 주장으로 읽어서는 안 됩니다.

명확한 발음, 적절한 속도, 좋은 구조와 예시는 주의를 유지하고 복잡한 내용을 이해하는 데 도움을 줄 수 있습니다. 두 연구에서도 참가자들은 강의를 통해 실제로 내용을 배웠습니다. 문제는 전달의 유창성이 실제로 배운 양보다 배웠다는 느낌을 더 크게 움직일 수 있었다는 점입니다.

강사가 설명을 잘했다는 판단과 학습자가 내용을 잘 배웠다는 판단은 관련될 수 있지만, 같은 판단은 아닙니다.

설명자의 능숙함을 학습자의 이해로 옮겨 적을 수는 없습니다.

강의식 교육의 오래된 위험은 여기에 있습니다.

강사가 복잡한 관계를 대신 정리하고, 중간 추론을 자연스럽게 연결하고, 적절한 예시까지 제시하면 학생은 그 사고의 흐름을 편안하게 따라갈 수 있습니다. 그러나 따라간 경로를 학생이 스스로 다시 만들 수 있는지는 별도의 문제입니다.

대화형 AI는 이 오래된 문제를 개인화하고 상시화합니다.

설명하려는 순간, 이해의 경계가 드러납니다

우리는 익숙한 사물이 어떻게 작동하는지 잘 안다고 느낍니다.

그러나 “정확히 어떻게 작동하는가?”라는 질문을 받고 단계별로 설명하려 하면 예상하지 못한 빈칸을 발견합니다. 이름은 알고 있고 사용하는 방법도 알지만, 내부의 인과 구조는 설명하지 못하는 경우가 많습니다.

Rozenblit과 Keil은 사람들이 일상적 장치와 현상에 대한 자신의 설명 지식을 실제보다 깊다고 평가하는 경향을 설명 깊이의 착각이라고 불렀습니다. 참가자들은 처음에는 대상의 작동 원리를 잘 이해한다고 평가했지만, 자세한 설명을 직접 생성한 뒤에는 자신의 이해 수준을 더 낮게 평가했습니다 (Rozenblit & Keil, 2002).

중요한 점은 사람들이 아무것도 몰랐다는 것이 아닙니다.

대상의 이름을 알고, 무엇에 쓰는지 알고, 익숙하게 다룰 수도 있었습니다. 다만 주변 세계에 존재하는 구조와 자신의 머릿속에 표현된 구조의 경계를 정확히 보지 못했습니다.

사물은 눈앞에 완성된 형태로 존재합니다. 부품은 보이지 않는 곳에서 연결되어 있고, 우리는 필요할 때 외부 세계를 다시 관찰할 수 있습니다. 이 풍부한 접근 가능성이 마치 모든 작동 원리가 이미 머릿속에 들어 있는 것 같은 느낌을 줄 수 있습니다.

AI의 답변도 비슷한 외부 구조가 될 수 있습니다.

화면에는 원인과 결과, 전제와 결론, 예시와 반례가 이미 연결되어 있습니다. 사용자는 그 구조를 바라보며 쉽게 이동할 수 있습니다. 그러나 화면에서 연결을 따라가는 능력과, 화면 없이 그 연결을 다시 구성하는 능력은 다릅니다.

AI가 구조화한 설명에 접근할 수 있다는 사실이, 그 구조가 내 지식 안에 형성되었다는 뜻은 아닙니다.

설명 깊이의 착각은 설명을 시도할 때 약해집니다. 직접 말해보는 순간, 외부에 있던 연결과 내부에 남은 연결이 분리되기 때문입니다.

AI는 왜 유창성의 착각을 키우기 쉬운가

현재까지의 연구만으로 “AI의 문체가 언제나 이해의 착각을 일으킨다”는 보편적 법칙을 선언할 수는 없습니다.

다만 처리 유창성과 메타인지에 관한 연구를 AI 채팅의 구조와 함께 보면, 왜 대화형 AI가 이 문제를 크게 만들 가능성이 있는지는 설명할 수 있습니다.

AI는 완성된 연결을 먼저 제시합니다

학습자가 개념 사이의 관계를 만들기 전에, AI가 먼저 정의와 전제, 인과관계와 결론을 정리합니다.

사용자는 각 연결을 직접 생성하지 않아도 설명을 따라갈 수 있습니다. 무엇이 빠져 있는지 찾기보다, 이미 채워진 연결을 확인하는 위치에 놓입니다.

이때 “나는 이 관계를 만들 수 있다”와 “이 관계를 보면 이해할 수 있다”가 섞이기 쉽습니다.

AI는 중간의 마찰을 자연스러운 문장으로 덮습니다

사람이 직접 설명할 때는 개념과 개념 사이에서 멈춥니다.

“그런데 왜 A가 B를 일으키지?”

“이 결론에는 어떤 전제가 필요하지?”

이 막힘은 불편하지만 중요한 정보입니다. 자신의 지식 구조에 연결이 없다는 신호이기 때문입니다.

AI는 바로 그 지점에 그럴듯한 연결 문장을 만들어 넣습니다. 연결이 타당할 수도 있고 그렇지 않을 수도 있지만, 문장이 자연스럽게 이어지면 사용자는 원래 그 자리에 질문이 있었다는 사실조차 발견하지 못할 수 있습니다.

AI는 사용자의 언어에 맞춰 설명을 조정합니다

AI는 같은 내용을 더 쉽게, 더 짧게, 비유를 사용해서, 초보자 수준으로 다시 설명할 수 있습니다.

이 적응성은 강력한 장점입니다. 동시에 설명이 나에게 잘 맞는다는 감각이, 내가 내용을 충분히 소유했다는 감각으로 넘어갈 수도 있습니다.

설명이 친숙해진 것과 지식이 형성된 것은 다릅니다.

답변이 화면에 남아 있는 동안에는 빈칸이 잘 보이지 않습니다

답변을 읽으며 내용을 다시 확인할 수 있는 상태에서는 재인과 재독이 계속 가능합니다.

문장을 보면 의미가 떠오르고, 앞 문단을 다시 보면 관계가 복구됩니다. 이 상태에서는 기억 속에서 스스로 꺼낼 수 없는 정보도 알고 있는 것처럼 느껴질 수 있습니다.

화면을 닫거나 백지 앞에 섰을 때에야 외부의 가용성과 내부의 가용성이 분리됩니다.

다음 질문마저 AI가 대신 제안할 수 있습니다

AI는 “추가로 알아볼 내용”과 “다음 질문”까지 생성합니다.

편리하지만, 학습자가 현재 설명의 빈틈을 찾아 질문으로 만드는 과정까지 건너뛸 수 있습니다. 질문을 받는 것과 질문을 발견하는 것은 같은 인지 활동이 아닙니다.

AI는 답을 제공할 뿐 아니라 답이 이어지는 방식까지 제공합니다.

그래서 사용자는 AI의 사고 구조를 빌려 탐색하면서도, 그것을 자신의 사고 구조로 오인할 수 있습니다.

문법적으로 완전한 문장은 우리를 속이는가

AI의 답변이 주는 위험을 설명할 때 다음과 같이 말하고 싶어질 수 있습니다.

“인간은 문법적으로 완전하고 잘 조직된 말을 들으면, 내용과 상관없이 이해했다고 착각한다.”

이 문장은 중요한 직관을 담고 있지만, 그대로 일반화하기에는 다소 강합니다.

문법적 완결성 하나만으로 이해의 착각이 반드시 발생한다고 말하기는 어렵습니다. 사람의 판단에는 문장의 가독성, 개념의 익숙함, 설명자의 자신감, 정보의 조직 방식, 기존 신념, 실제 배경지식 등 여러 단서가 함께 작용합니다 (Koriat, 1997).

다만 더 절제된 형태의 주장은 충분히 설득력이 있습니다.

구문적으로 완결되고, 인과적으로 연결되어 보이며, 막힘없이 읽히는 설명은 ‘이해하기 쉽다’는 경험을 만듭니다. 그리고 우리는 그 경험을 ‘이해했다’는 판단의 단서로 사용할 수 있습니다.

AI의 답변은 이 단서들을 한꺼번에 제공합니다.

• 문법적으로 완결된 문장
• 빠짐없이 정리된 듯한 항목
• 자연스러운 인과 연결
• 질문자의 수준에 맞춘 표현
• 확신에 찬 결론
• 즉시 제공되는 추가 설명

각 요소가 언제나 착각을 일으키는 것은 아닙니다. 오히려 좋은 설명을 구성하는 요소이기도 합니다.

문제는 설명의 형식적 완성도가 높아질수록, 사용자가 자신의 이해를 별도로 확인해야 할 필요를 덜 느낄 수 있다는 데 있습니다.

좋은 형식은 실제 이해를 도울 수 있지만, 실제 이해를 증명하지는 않습니다.

그렇다면 설명을 일부러 어렵게 만들어야 할까요

유창성이 판단을 흐릴 수 있다면, 반대로 글을 읽기 어렵게 만들면 더 깊이 생각하게 되지 않을까요?

이런 생각에서 읽기 어려운 글꼴이나 불편한 자료가 학습을 향상할 수 있다는 주장이 제기되기도 했습니다. 그러나 후속 연구의 결과는 일관되지 않았습니다. 읽기 어려운 자료의 효과를 재검토한 세 실험에서는 학습 성과가 향상되지 않았고, 연구자들은 단순한 지각적 비유창성 효과를 일반적인 학습 원리로 확대하기 어렵다고 결론지었습니다 (Rummer et al., 2016).

유창성의 위험에 대한 해법은 유창성을 없애는 것이 아닙니다.

글씨를 흐리게 하고, 문장을 불필요하게 복잡하게 만들고, 인터페이스를 불편하게 만드는 것은 학습자에게 더 많은 사고를 요구하는 것이 아니라 더 많은 방해를 줄 수 있습니다.

여기서 두 종류의 어려움을 구분해야 합니다.

내용을 만들어내는 어려움

설명을 보지 않고 핵심 원리를 떠올리고, 자신의 말로 다시 구성하고, 전제를 바꾸어 적용하고, 반례를 찾는 어려움입니다.

이 어려움은 학습자가 지식 자체를 다루게 합니다.

내용에 접근하기 어렵게 만드는 어려움

글자가 잘 보이지 않고, 문장이 불필요하게 복잡하고, 이전 맥락을 찾기 위해 긴 화면을 헤매야 하는 어려움입니다.

이 어려움은 지식보다 매체를 다루게 합니다.

유창성의 착각을 깨뜨리는 것은 난독성이 아니라 산출입니다.

설명을 어렵게 읽는 것이 아니라, 읽은 설명을 스스로 다시 만들어보는 과정이 필요합니다.

이해의 느낌보다 이해의 증거를 남깁니다

유창한 설명을 의심한다는 것은 모든 문장을 불신하거나, 매번 논문 수준으로 검증해야 한다는 뜻이 아닙니다.

자신감의 근거를 느낌 하나에만 두지 않도록 작은 확인 장치를 만드는 것으로도 충분히 달라질 수 있습니다.

읽기 전에 현재의 설명을 적습니다

AI에게 질문하기 전에 완전하지 않은 상태의 생각을 한두 문장으로 남깁니다.

“현재는 A가 B를 일으킨다고 생각한다. 다만 그 사이의 과정은 설명하지 못하겠다.”

이 기록은 AI의 답을 읽은 뒤 무엇이 달라졌는지 비교할 기준이 됩니다. 설명을 처음부터 AI에게 맡겼을 때 사라지기 쉬운 자신의 초기 지식 상태도 남길 수 있습니다.

읽는 동안 연결 문장에서 멈춥니다

따라서, 즉, 이 때문에, 결과적으로 같은 표현이 나올 때 앞뒤의 관계를 직접 확인합니다.

• 이 결론은 앞 문장에서 정말 따라오는가?
• 생략된 전제가 있는가?
• 다른 원인으로도 같은 결과가 나올 수 있는가?
• AI가 연결한 두 개념을 내가 설명할 수 있는가?

유창한 연결 문장은 이해를 돕지만, 논리적 타당성을 자동으로 보장하지 않습니다.

읽은 뒤 화면을 가리고 구조를 복원합니다

원문을 그대로 재현할 필요는 없습니다.

처음 질문, 핵심 개념, 중요한 인과관계, 결론을 빈 화면에서 다시 연결해봅니다. 이때 멈추는 지점이 현재 이해의 경계입니다.

막힘은 없애야 할 실패가 아니라 추가로 탐색할 위치를 알려주는 정보입니다.

사실, 추론, 불확실성을 구분합니다

AI의 답변은 서로 다른 확실성을 가진 문장을 하나의 동일한 목소리로 제시할 수 있습니다.

답변을 읽은 뒤 다음처럼 구분해볼 수 있습니다.

• 근거를 확인한 사실
• 여러 사실로부터 도출한 추론
• 설명을 위해 단순화한 부분
• 아직 확인하지 못한 주장
• 새롭게 생긴 질문

모든 것을 검증할 필요는 없지만, 무엇을 검증하지 않았는지는 알아야 합니다.

설명의 끝에서 새로운 문제를 풉니다

AI가 사용한 예시를 다시 말하는 것보다, 조건이 조금 달라진 사례를 직접 만들어 적용해보는 편이 이해의 범위를 더 잘 보여줍니다.

원래 설명과 비슷하게 생겼지만 다른 원리가 필요한 사례를 구별할 수 있다면, 유창한 문장을 따라간 수준을 넘어 개념을 사용할 가능성이 커집니다.

좋은 설명은 생각을 끝내지 않습니다

유창한 설명은 적이 아닙니다.

불필요하게 어려운 문장을 쉽게 풀고, 흩어진 정보를 정리하고, 낯선 개념 사이에 다리를 놓는 일은 AI가 학습에 제공할 수 있는 큰 가치입니다.

문제는 좋은 설명이 나쁜 학습을 만든다는 데 있지 않습니다.

좋은 설명을 읽었다는 사실만으로 학습이 끝났다고 판단할 때 문제가 생깁니다.

강의식 수업에서도, 책에서도, AI 채팅에서도 설명자는 학습자의 머릿속을 직접 바꿀 수 없습니다. 설명자는 경로를 보여줄 수 있지만, 그 경로를 다시 걷고 다른 길과 연결하는 일은 학습자에게 남습니다.

Thinket은 AI의 답변을 일부러 덜 유창하게 만들고자 하지 않습니다.

대신 유창한 답변 속에서 새롭게 생긴 질문을 분기하고, 어느 질문에서 출발했는지 경로를 확인하고, 탐색이 끝난 뒤 무엇을 알게 되었으며 무엇이 아직 남아 있는지 갈무리할 수 있는 환경을 만들고자 합니다.

AI가 구성한 설명과 사용자가 구성한 이해 사이의 경계를 잃지 않기 위해서입니다.

좋은 설명은 생각을 대신하는 설명이 아니라, 다음 생각을 가능하게 하는 설명입니다.

AI의 문장은 앞으로 더 자연스러워질 것입니다.

우리의 이해는 여전히, 스스로 설명하고 질문하며 연결하는 과정 속에서 만들어집니다.