AI 기반 게이미피케이션은 정말 학습 효과를 높일까? 대학 교육 연구가 밝힌 핵심 조건
이 글은 AI와 게임 요소를 교육에 결합하는 것만으로 학습 효과가 자동으로 높아지는 것은 아니라는 점을 설명한다. 이번 연구의 핵심 의미는 기술의 존재보다 학생의 학습 동기, 참여, 개인 맞춤형 경험이 실제 성과를 결정한다는 데 있다. 대학과 교육기관이 AI 학습 플랫폼을 도입할 때 무엇을 우선해야 하는지 보여주는 실증적 자료라는 점에서도 의미가 크다.
AI가 게임처럼 공부를 재미있게 만든다고 해서 학습 효과가 자동으로 높아지는 것은 아니다
최근 Frontiers in Computer Science에 게재된 연구에 따르면, AI 기반 게이미피케이션은 학생들의 학습 참여와 동기, 개인 맞춤형 학습 경험을 높일 때 비로소 포용적 학습 성과를 향상시키는 것으로 나타났다. 단순히 AI 기능이나 게임 요소를 도입하는 것만으로는 충분하지 않았으며, 적절한 교육 설계가 뒷받침되지 않으면 부정적인 결과가 나타날 가능성도 확인됐다.
이번 연구는 인도 고등교육기관 학생 303명을 대상으로 진행됐다. 연구진은 AI 기반 또는 게임화된 학습 플랫폼을 사용해 본 학생들을 조사하고, AI 기반 게이미피케이션이 학습 참여, 학습 동기, 개인 맞춤형 경험과 포용적 학습 성과에 어떤 영향을 주는지 구조방정식모형으로 분석했다. :contentReference[oaicite:0]{index=0}
디지털 교육이 확대되면서 대학들은 AI를 적용한 학습관리시스템, 온라인 강좌, 문제 추천 서비스와 자동 피드백 도구를 빠르게 도입하고 있다. 하지만 AI를 활용하면 학습 효과가 실제로 좋아지는지, 모든 학생이 공평하게 혜택을 얻을 수 있는지에 대해서는 충분한 검증이 이뤄지지 않았다.
특히 기존 AI 교육 연구는 성적이나 기술 수용도에 초점을 맞춘 경우가 많았다. 경제적 배경, 학업 수준, 디지털 활용 능력이 서로 다른 학생들이 얼마나 공평하게 참여하고 성취할 수 있는지를 분석한 연구는 상대적으로 적었다. 이번 연구는 이러한 공백을 메우기 위해 AI 기반 게이미피케이션이 포용적 학습 성과에 도달하는 과정을 세분화해 살펴봤다.
AI 기반 게이미피케이션은 학생마다 다른 난이도와 피드백을 제공한다
일반적인 게이미피케이션은 점수, 배지, 순위표, 도전 과제 같은 게임 요소를 학습에 적용하는 방식이다. 문제는 모든 학생에게 동일한 규칙과 보상을 제공할 경우 학습 수준이나 동기의 차이를 충분히 반영하기 어렵다는 데 있다.
처음에는 점수나 배지가 흥미를 끌 수 있지만 시간이 지나면 새로움이 사라진다. 학습 내용과 관계없이 보상만 반복되면 학생은 지식을 이해하는 것보다 점수를 얻는 행동에 집중할 수도 있다. 쉬운 문제만 계속 나오면 지루해지고, 너무 어려운 문제가 반복되면 학습을 포기할 가능성도 높아진다.
AI 기반 게이미피케이션은 이런 한계를 줄이기 위해 학생의 행동과 성과를 분석한다. 학습 속도, 정답률, 실수 유형, 콘텐츠 이용 방식 등을 바탕으로 문제 난이도와 학습 경로를 실시간으로 조정한다.
연구진은 AI 기반 게이미피케이션의 주요 기능을 네 가지로 설명했다. 첫째, 학생의 현재 수준에 맞춰 난이도를 조절하는 적응형 알고리즘이다. 둘째, 학생의 이전 학습 기록과 관심사에 맞는 콘텐츠를 제시하는 추천 시스템이다. 셋째, 학습 중단이나 성취 저하 가능성을 미리 탐지하는 예측 분석이다. 넷째, 정답과 오답만 알려주는 것이 아니라 왜 틀렸는지 설명하는 지능형 피드백이다.
따라서 AI 기반 게이미피케이션은 단순히 학습 화면에 게임 장치를 붙이는 방식과 다르다. 학생마다 다른 학습 상태를 파악하고, 적절한 도전과 피드백을 제공하는 개인화된 교육 환경에 가깝다.
303명의 대학생 데이터를 구조방정식모형으로 분석했다
연구진은 2025년 7월부터 10월까지 인도 고등교육기관 학생을 대상으로 설문조사를 실시했다. 조사 참여자는 AI 기능이 포함된 학습관리시스템, 개인화된 온라인 강좌, 게임형 교육 도구를 사용해 본 경험이 있는 학생으로 제한됐다.
약 358부의 설문지를 배포해 311부를 회수했으며, 응답 누락이 많은 8부를 제외한 303부를 최종 분석에 사용했다. 응답률은 약 87%였다.
참가자의 39.9%는 21세에서 23세였고, 33.7%는 18세에서 20세였다. 남성은 55.4%, 여성은 44.6%였다. 학부생이 49.2%로 가장 많았고, 대학원생은 37.0%, 박사과정 학생은 13.9%였다.
연구진은 학생들에게 AI 기반 게임화 학습 경험, 학습 참여, 학습 동기, 개인 맞춤형 학습 경험, 포용적 학습 성과, 디지털 리터러시, 이전 온라인 학습 경험을 묻고 5점 척도로 응답하게 했다.
분석에는 구조방정식모형이 사용됐다. 구조방정식모형은 여러 변수가 서로 어떤 경로를 통해 영향을 주는지 동시에 분석하는 통계 방법이다. 예를 들어 AI 기능이 학습 성과에 직접 영향을 주는지, 아니면 학습 동기를 높인 뒤 간접적으로 성과를 개선하는지를 구분할 수 있다.
연구진은 간접효과의 신뢰성을 확인하기 위해 표본을 반복적으로 다시 추출하는 부트스트랩 분석도 2,000회 실시했다. 이 방법은 학습 동기나 개인화 경험이 실제 매개 경로로 작동하는지를 검증하는 데 사용됐다.
AI 기반 게이미피케이션은 학습 참여와 개인화 경험을 뚜렷하게 높였다
분석 결과 AI 기반 게이미피케이션은 학생의 학습 참여에 유의미한 긍정적 영향을 보였다. 표준화 경로계수는 β=0.572였으며 통계적 유의수준은 p<0.001이었다.
이는 AI가 학생에게 적절한 난이도의 과제를 제공하고 즉각적인 피드백을 줄수록 학생이 학습에 더 적극적으로 참여하는 경향이 나타났다는 의미다. 다만 β값은 성적이 57.2% 올랐다는 뜻은 아니다. 변수 사이 관계의 상대적 강도를 나타내는 통계 지표로 이해해야 한다.
AI 기반 게이미피케이션은 개인 맞춤형 학습 경험에도 강한 영향을 미쳤다. 경로계수는 β=0.566, p<0.001이었다. 학생들은 자신의 수준과 속도에 맞춰 콘텐츠가 조정되고, 필요한 부분에서 추가 설명을 받을 때 학습 경험을 더 개인화된 것으로 인식했다.
학습 동기에 대한 영향도 유의미했다. AI 기반 게이미피케이션과 학습 동기 사이 경로계수는 β=0.483, p<0.001이었다. 점수나 배지 같은 외적 보상뿐 아니라 자신의 실력이 향상되고 있다는 느낌이 학습을 지속하려는 의지를 높인 것으로 해석할 수 있다.
학습 효과를 가장 크게 좌우한 요인은 학생의 동기였다
AI 기반 게이미피케이션으로 증가한 참여와 동기, 개인 맞춤형 경험은 모두 포용적 학습 성과를 유의미하게 예측했다. 이 가운데 가장 강한 요인은 학습 동기였다.
학습 동기와 포용적 학습 성과 사이의 경로계수는 β=0.466이었다. 개인 맞춤형 학습 경험은 β=0.455, 학습 참여는 β=0.388로 나타났다. 세 경로의 통계적 유의수준은 모두 p<0.001이었다.
이 결과는 AI 교육에서 학생을 화면에 오래 머물게 하는 것보다 왜 학습해야 하는지 느끼게 만드는 일이 더 중요하다는 점을 보여준다. 게임 요소가 학생의 선택권과 성취감, 성장 경험을 지원할 때 학습 동기는 강화된다.
반대로 점수와 순위 경쟁만 강조하면 학생이 외적 보상에 의존할 수 있다. 보상이 사라질 때 학습 의욕도 함께 낮아질 가능성이 있다. 따라서 효과적인 AI 학습 시스템은 보상을 많이 제공하는 시스템이 아니라 학생이 자신의 발전을 확인하도록 돕는 시스템이어야 한다.
AI 기능만 추가하면 포용적 학습 성과가 오히려 낮아질 수 있다
이번 연구에서 가장 주목할 결과는 AI 기반 게이미피케이션이 포용적 학습 성과에 미치는 직접효과가 음수로 나타났다는 점이다. 직접 경로의 표준화 계수는 β=-0.256, p<0.001이었다.
이 수치만 보면 AI 게임화가 학습 성과를 낮춘 것처럼 보인다. 하지만 학습 참여, 학습 동기, 개인 맞춤형 경험을 거치는 간접효과는 모두 양수였다. 연구진은 이처럼 직접효과와 간접효과가 서로 반대 방향으로 나타나는 현상을 억제효과 또는 불일치 매개효과로 설명했다.
쉽게 말해 AI 기반 게이미피케이션은 그 자체로 학생의 학습 성과를 높이지 않는다. AI 기능이 학생의 동기와 참여를 실제로 끌어내고, 개인에게 맞는 학습 경험을 제공할 때에만 긍정적인 결과로 이어진다.
학습 동기 경로의 간접효과는 β=0.199였고, 95% 신뢰구간은 0.132에서 0.268이었다. 개인 맞춤형 학습 경험의 간접효과는 β=0.198, 신뢰구간은 0.129에서 0.261이었다. 학습 참여의 간접효과는 β=0.176, 신뢰구간은 0.115에서 0.241이었다.
세 간접효과를 합하면 약 0.573으로, 음의 직접효과인 -0.256보다 절댓값이 컸다. 전체적으로는 긍정적인 효과가 남았지만, 그 긍정성은 동기와 참여, 개인화가 제대로 작동한다는 조건에 의존했다.
너무 많은 게임 요소는 학생의 인지 부담을 키울 수 있다
AI 기반 게이미피케이션이 부정적인 직접효과를 보인 이유로는 인지 과부하를 생각할 수 있다. 학습 화면에 점수, 배지, 순위표, 알림, 도전 과제, 진행 막대와 피드백이 한꺼번에 나타나면 학생이 학습 내용보다 인터페이스를 처리하는 데 더 많은 정신적 자원을 사용하게 된다.
사람의 작업기억은 한 번에 처리할 수 있는 정보량에 한계가 있다. 불필요한 시각 정보와 알림이 많아지면 핵심 개념을 이해하고 장기기억으로 저장하는 과정이 방해받을 수 있다.
이 문제는 온라인 학습 경험이 적거나 디지털 도구에 익숙하지 않은 학생에게 더 크게 나타날 수 있다. 숙련된 학생에게 도움이 되는 기능이 초보자에게는 혼란을 줄 수 있기 때문이다.
따라서 플랫폼은 처음부터 모든 기능을 노출하기보다 학생의 숙련도에 따라 기능을 단계적으로 보여줄 필요가 있다. 난이도만 개인화하는 것이 아니라 화면의 복잡성과 피드백 양도 조절해야 한다.
디지털 활용 능력이 높은 학생일수록 AI 학습의 혜택을 더 많이 얻었다
연구에서는 학생의 디지털 리터러시와 이전 온라인 학습 경험도 포용적 학습 성과에 영향을 주는 것으로 나타났다.
디지털 리터러시의 경로계수는 β=0.138, p<0.001이었다. 온라인 학습 경험의 경로계수는 β=0.105, p=0.004였다. 두 효과의 크기는 학습 동기나 개인화 경험보다 작았지만 통계적으로 유의미했다.
디지털 리터러시는 기기를 조작하는 능력만 뜻하지 않는다. 온라인 정보를 찾고 평가하는 능력, 플랫폼의 기능을 이해하는 능력, 개인정보와 데이터 사용 방식을 판단하는 능력까지 포함한다.
같은 AI 학습 시스템을 제공하더라도 디지털 기술에 익숙한 학생과 그렇지 않은 학생이 얻는 혜택은 다를 수 있다. 따라서 교육기관이 AI 플랫폼을 도입하면서 사용법 교육을 생략한다면 기존의 디지털 격차가 더 커질 가능성이 있다.
AI 교육의 포용성을 높이려면 플랫폼 접근권만 제공해서는 부족하다. 학생들이 기능을 이해하고 스스로 통제할 수 있도록 사전 안내와 디지털 역량 교육을 함께 제공해야 한다.
개인화 알고리즘은 기존의 교육 격차를 반복할 위험이 있다
AI 개인화는 학생마다 적절한 학습 경로를 제공할 수 있지만, 알고리즘이 편향된 데이터를 학습했다면 반대 결과를 낳을 수 있다.
예를 들어 과거 성적이 낮았던 학생에게 AI가 계속 쉬운 콘텐츠만 추천하면 해당 학생은 고급 학습에 도전할 기회를 잃을 수 있다. 학생을 돕기 위한 개인화가 오히려 교육 기회의 상한선을 만드는 셈이다.
문화적 표현 방식이나 언어 사용 차이를 학습 부족으로 잘못 판단할 가능성도 있다. 특정 집단의 데이터가 충분히 반영되지 않은 알고리즘은 소수 학생에게 불리한 추천이나 평가를 제공할 수 있다.
따라서 교육기관은 전체 학생의 평균 성과만 확인해서는 안 된다. 성별, 경제적 배경, 장애 여부, 학업 수준과 같은 집단별 결과를 나눠 살펴보고 특정 집단에 불리한 영향이 나타나는지 정기적으로 점검해야 한다.
학습 데이터를 지속적으로 수집하는 과정에는 개인정보 보호가 필요하다
AI 기반 게이미피케이션은 개인화된 피드백을 제공하기 위해 많은 데이터를 수집한다. 정답률과 성적뿐 아니라 응답 시간, 클릭 순서, 오류 유형, 플랫폼 이용 시간과 같은 행동 정보까지 분석할 수 있다.
이 정보는 학습 지원에 활용될 수 있지만 학생이 어떤 데이터가 수집되는지 알기 어렵다는 문제가 있다. 알고리즘이 어떤 근거로 콘텐츠를 추천하거나 위험 학생을 분류했는지 설명되지 않는 경우도 많다.
학생의 동의가 단순한 서비스 약관 확인으로 대체돼서도 안 된다. 수집 데이터의 종류와 목적, 보관 기간, 제3자 제공 여부를 명확하게 알려야 한다. 학생이 자신의 데이터를 열람하고 수정하거나 삭제할 권리도 보장할 필요가 있다.
교육 데이터는 단순한 이용 기록이 아니다. 학생의 성취 수준, 학습 습관, 약점과 행동 특성을 보여주는 민감한 정보다. 따라서 플랫폼 설계자는 학습 효과뿐 아니라 개인정보 보호와 알고리즘 투명성을 핵심 설계 조건으로 다뤄야 한다.
포용적 AI 교육은 기술보다 교육 설계에서 시작된다
이번 연구는 대학이 AI 학습 플랫폼을 도입할 때 무엇을 평가해야 하는지 구체적인 기준을 제시한다.
첫째, 학생이 학습에 실제로 참여하고 있는지 확인해야 한다. 플랫폼 접속 시간이나 클릭 수만으로 참여를 판단해서는 부족하다. 학생이 내용을 이해하고 문제 해결에 집중하는지, 학습을 지속하는지 살펴봐야 한다.
둘째, 학생의 내적 동기를 높이는 설계가 필요하다. 순위와 보상만 강조하기보다 선택권을 제공하고, 실력이 향상되는 과정을 보여주며, 실패 후 다시 도전할 수 있도록 지원해야 한다.
셋째, 개인화가 단순한 난이도 조절에 머물러서는 안 된다. 학생의 배경지식과 학습 속도, 선호하는 설명 방식에 맞춰 콘텐츠와 피드백을 조절해야 한다.
넷째, 디지털 활용 능력이 부족한 학생을 위한 교육과 지원이 필요하다. AI 시스템이 복잡할수록 적응에 필요한 안내와 연습 기회를 제공해야 한다.
다섯째, 알고리즘 공정성과 데이터 보호를 지속적으로 점검해야 한다. 교육 효과가 좋아졌다는 이유만으로 편향과 감시 문제를 정당화할 수는 없다.
이번 결과는 인도 대학생의 자기보고 설문을 분석한 연구라는 점을 고려해야 한다
이번 연구 결과는 AI 기반 게이미피케이션이 실제 시험 점수나 졸업률을 직접 높였다는 뜻은 아니다. 연구에서 사용한 주요 변수는 학생이 자신의 경험과 인식을 설문으로 평가한 결과다.
또한 한 시점에 자료를 수집한 횡단면 연구이므로 원인과 결과를 확정하기 어렵다. 학습 동기가 높은 학생이 AI 게임화 기능을 더 긍정적으로 평가했을 가능성도 배제할 수 없다.
참가자는 AI 기반 또는 게임화 플랫폼을 사용한 경험이 있는 인도 대학생으로 제한됐다. 국가의 교육 환경과 디지털 인프라가 다르면 결과도 달라질 수 있다.
표본 역시 무작위 추출이 아니라 관련 플랫폼 경험이 있는 학생을 의도적으로 모집하는 방식으로 구성됐다. 따라서 모든 대학생에게 결과를 그대로 일반화하기에는 주의가 필요하다.
통계모형의 적합도도 완벽하지 않았다. χ²/df는 2.384, RMSEA는 0.069로 일반적인 허용 기준을 충족했지만, CFI는 0.896, TLI는 0.883, IFI는 0.897로 통상적인 0.90 기준에 조금 못 미쳤다. 연구진도 효과 크기를 해석할 때 신중해야 한다고 밝혔다.
후속 연구에서는 실제 성적, 과제 수행, 중도 이탈률과 같은 객관적 지표를 함께 분석할 필요가 있다. 학생을 일정 기간 추적하는 종단 연구와 AI 게임화 기능을 무작위로 배정하는 실험 연구도 요구된다.
AI 기반 학습의 성패는 학생이 배우고 싶게 만드는 과정에 달려 있다
이번 연구는 AI 기반 게이미피케이션이 효과적인 교육 도구가 될 가능성을 보여준다. 학생 수준에 맞는 과제를 제공하고 필요한 시점에 피드백을 주며 학습 경로를 개인화하면 참여와 동기를 높일 수 있다.
그러나 AI 기능이 존재한다는 사실만으로 포용적 학습이 실현되지는 않는다. 게임 요소가 지나치게 복잡하거나 외적 보상에만 의존하면 학습 부담이 커질 수 있다. 디지털 역량이 낮은 학생은 플랫폼을 충분히 활용하지 못할 수도 있다.
AI 기반 게이미피케이션은 학습 성과를 직접 만들어내는 원인이 아니라 학생의 심리와 경험을 변화시키는 도구에 가깝다. 기술이 학습 참여, 동기, 개인화를 실제로 촉진할 때 포용적 성과가 나타난다는 것이 이번 연구의 핵심 결론이다.
따라서 교육 현장에서 중요한 질문은 AI를 도입할 것인지가 아니다. 어떤 학생도 배제되지 않도록 AI를 어떻게 설계하고 운영할 것인지가 더 중요한 질문이다.
출처
Beleya, P., Chauhan, N., Jaheer Mukthar, K. P., Devi, K. V., Subramanian, K. P., & Madraswale, M. A. (2026). AI-driven gamification and inclusive learning outcomes in higher education institutions: A structural equation modeling approach. Frontiers in Computer Science, 8, 1876544. https://doi.org/10.3389/fcomp.2026.1876544