보건의료 전문가 교육의 공동 창작에서의 인공지능의 역할: 혁신을 협력에 통합하기 AMEE Guide No. 190 (Med Teach. 2025)

Med Teach. 2025 Nov 16:1-12. doi: 10.1080/0142159X.2025.2581163. Online ahead of print.

The role of artificial intelligence in co-creation of health professions education: Integrating innovation into collaboration: AMEE Guide No. 190

Shireen Suliman 1 2 3 4, Salah Eldin Kassab 5, Muhammad Zafar Iqbal 6, Raghdah Al-Bualy 7 8, Maryam Asoodar 9, Astrid Pratidina Susilo 10 11, Chloé Aymée de Mortier 8 12 13, Martijn Boussé 14, Nicola J Hancock 15, Teena Mathew 16, Jyotsna Sriranga 4 17, Karen D Könings 4 15

 

 

🤖 의대생과 교수님이 함께 수업을 만든다고? AI와 함께하는 '공동 창작' 완전 정복!

여러분, '공동 창작(Co-creation)'이라는 말 들어보셨나요? 학생과 교직원이 서로를 파트너로 존중하며 교육 과정을 함께 설계하고 만드는 것을 말해요. 이게 말은 좋은데, 막상 하려니 현실적인 어려움(시간 부족, 소통의 어려움 등)이 만만치 않죠. 그래서 최근 연구에서는 AI를 활용해 이 과정을 훨씬 효율적이고 포용적으로 만드는 방법을 제안하고 있습니다.

연구진은 AI의 역할에 대해 이렇게 강조해요.

"여기서 AI는 복잡한 과업을 관리하는 데 능숙하면서도 창의성 및 감성 지능과 같은 필수적인 인간적 자질을 향상시키는 귀중한 파트너가 될 수 있습니다."

"AI can be a valuable partner here, adept at managing complex tasks while also enhancing essential human qualities, such as creativity and emotional intelligence."

 

단순히 일을 대신해 주는 기계가 아니라, 우리의 인간적인 면모를 더 빛나게 해주는 파트너라는 거죠! 💡

자, 그럼 AI를 공동 창작의 3단계(준비, 실행, 후속 조치)에 어떻게 써먹을 수 있는지 구체적으로 알아볼까요?

---

1️⃣ 준비 단계 (Preparation Phase): 시작이 반이다!

공동 창작을 하려면 먼저 누구랑 할지, 무엇을 할지 정해야겠죠?

• 똑똑한 모집 (Recruitment): 누가 이 프로젝트에 딱 맞을까요? AI가 설문조사 응답이나 지원자의 목표를 분석해서 프로젝트와 딱 맞는 참여자(Participants)를 추천해 줄 수 있어요.
• 맞춤형 오리엔테이션: 참여자들의 배경지식이 다 다르잖아요? 적응형 학습 모듈(Adaptive learning modules)이나 지능형 챗봇(Intelligent chatbots)이 각자에게 딱 맞는 사전 학습 자료를 제공해서 모두가 준비된 상태로 만날 수 있게 도와줍니다.
• 안건 짜기 (Agenda Design): 맨땅에 헤딩은 NO! AI가 학생들의 피드백이나 게시판 글을 분석해서, 진짜 학생들이 관심 있어 하는 주제로 회의 안건을 잡아줍니다.

---

2️⃣ 실행 단계 (Conduction Phase): 진짜 협업은 지금부터!

이제 모여서 아이디어를 낼 차례입니다. 여기서 AI는 '인지적 협력자(Cognitive collaborators)'가 됩니다.

• 브레인스토밍 도우미: 아이디어가 안 떠오르나요? 생성형 AI(Generative AI)에게 질문을 던져보세요. 새로운 관점을 제시해 줍니다.
• 모두가 평등하게: 교수님 앞에서 의견 내기 어려워하는 학생들 있죠? 😅 AI를 통해 익명 기여(Anonymous contributions)를 하면, 권력 관계나 눈치 볼 필요 없이 자유롭게 아이디어를 낼 수 있어요. 연구진은 이 부분을 특히 중요하게 봤어요.

"위계적 장벽은 동등한 참여를 저해하고, 열린 의사소통과 창의성을 억압하며, 사고의 다양성을 줄이고, 공동 창작 결과물에 대한 집단적 주인의식을 약화시킬 수 있습니다."

"Hierarchical barriers... might inhibit equal participation, suppress open communication and creativity, reduce diversity of thoughts, and weaken collective ownership of co-creation outcomes."

• 실시간 기록: 회의 내용을 받아 적느라 바쁠 필요 없어요. AI 전사 서비스(Transcription services)가 대화 내용을 기록하고 요약까지 척척 해줍니다. 우리는 눈을 맞추고 대화에만 집중하면 돼요!

---

3️⃣ 후속 조치 단계 (Follow-up Phase): 끝날 때까지 끝난 게 아니다

공동 창작이 끝나고 나면, 잘 됐는지 확인하고 널리 알려야겠죠?

• 피드백 분석: 참여자들의 소감이나 토론 내용을 자연어 처리(NLP) 도구가 분석해서 감정 상태나 핵심 주제를 뽑아줍니다. 우리가 놓친 과소대표된 목소리(Underrepresented voices)는 없었는지도 체크해 줘요.
• 결과물 확산 (Dissemination): 힘들게 만든 결과물, 널리 알려야죠! AI가 뉴스레터, SNS용 요약, 카드 뉴스, 심지어 팟캐스트 대본까지 뚝딱 만들어줍니다.
• 교육과정 통합: 우리가 만든 게 실제 수업 목표랑 잘 맞을까요? AI가 기존 커리큘럼과 비교해서 수정이 필요한 부분을 짚어줍니다.

---

🧠 이론적으로 탄탄하게 접근하기 (SAMR & TOE)

그냥 막 쓰는 게 아니라, 이론적인 틀을 가지고 접근하면 더 좋아요. 논문에서는 두 가지 프레임워크를 소개합니다.

1. SAMR 모델:
   • 대체(Substitution): 사람이 하던 걸 AI가 대신함 (예: 받아쓰기).
   • 증강(Augmentation): 기능을 더 좋게 만듦 (예: 실시간 번역).
   • 변형(Modification): 과정을 확 바꿈 (예: 맞춤형 자료 추천).
   • 재정의(Redefinition): 예전엔 상상도 못 했던 일을 함 (예: 실시간 시뮬레이션).
   • 팁: 무조건 높은 단계가 좋은 게 아니에요. 상황에 맞는 도구를 쓰는 게 중요합니다!
2. TOE 프레임워크 (Technology-Organization-Environment):
   • 기술만 좋으면 될까요? 아니죠. 조직의 준비도(Organizational readiness)와 외부 환경(External environment)도 고려해야 성공할 수 있습니다.

---

⚠️ 주의할 점: AI는 만능키가 아니다!

AI가 좋긴 하지만, 조심해야 할 점도 분명히 있습니다.

• 편향(Bias) 문제: AI가 학습한 데이터가 한쪽으로 치우쳐 있다면, 소수의 의견을 무시할 수도 있어요.
• 인간미 상실: 너무 기술에 의존하면 사람 간의 진짜 소통이 줄어들 수 있죠.
• 보안과 윤리: 민감한 대화 내용이 유출되지 않도록 조심해야 합니다.

연구진은 마지막으로 이렇게 당부합니다.

"공동 창작의 품질을 보존하기 위해, 기술적 입력과 대면 대화의 균형을 맞추고, 데이터 해석에 있어 인간의 감독을 보장하며, AI 역량과 한계에 대한 훈련을 제공하는 것이 중요합니다."

"To preserve the quality of co-creation, it is vital to balance technological input with face-to-face dialogue, ensure human oversight in data interpretation, and provide training on AI capabilities and limitations."

 

---

서론 (Introduction)

 

보건의료 전문가 교육(Health professions education, HPE)은 전통적인 개인 중심 학습(person-centered learning)에서 협력적 지식 통합(collaborative knowledge synthesis)으로 이동하며(shifting) 중대한 변화(significant transformation)를 겪고 있습니다. 이러한 변화는 고등교육(higher education) 전반의 더 넓은 변화를 반영하는 것으로(reflects a broader change), 학생들은 더 이상 정보의 수동적 수용자(passive recipients)가 아니라 자신의 학습에 대한 능동적 기여자(active contributors)로 간주됩니다. 기술의 발전(Advances in technology), 정보에 대한 접근성(access to information), 그리고 의료의 증가하는 복잡성(growing complexity of healthcare)은 미래의 전문가들이 비판적으로 사고하고(think critically), 협력적으로 문제를 해결하며(solve problems collaboratively), 급변하는 지식 환경(rapidly evolving knowledge landscapes)에 적응하도록 준비시키는 더 역동적이고 참여적인 학습 환경(dynamic and participatory learning environments)의 필요성을 촉진했습니다(catalyzed) [1]. 상호혜택(reciprocity), 포용성(inclusivity), 권한 부여(empowerment), 신뢰(trust)와 같은 가치 위에 구축된(Built on values) [2], 공동 창작(co-creation)은 학생들을 교육 형성의 능동적 파트너(active partners)로 위치시키고 교육을 민주화하며(democratize) 그 적절성(relevance)을 높이는 수단으로서 혁신적인 전략(transformative strategy)으로 부상했습니다 [3]. 향상된 동기부여(enhanced motivation), 개선된 비판적 사고(improved critical thinking), 더 나은 학습 성과(better learning outcomes)와 같이 잘 입증된 이점(well-documented advantages)에도 불구하고 [4], 공동 창작의 실행은 HPE 맥락 내에서 여전히 활용도가 낮고(underutilized) 일관성 없이 적용되고 있습니다(inconsistently applied) [5]. 이는 그 폭넓은 구현(broader implementation)을 촉진할 수 있는 혁신적인 도구와 전략의 필요성(necessity)을 강조합니다(underscores). 최근, 인공지능(Artificial Intelligence, AI)은 교육 분야에서 혁신적 요소(transformative element)로 등장하여, 개인화를 강화하고(enhancing personalization), 실시간 협업을 촉진하며(fostering real-time collaboration), 행정적 부담을 경감함(alleviating administrative burdens)으로써 공동 창작을 촉진할(promote co-creation) 독특한 기회를 제시하고 있습니다 [6].

 

실천 요점 (Practice points)

• AI는 적응형 도구(adaptive tools)를 활용하여 광범위한 참여자를 식별 및 모집하고(identify and recruit) 공평한 대표성(equitable representation)을 장려함으로써, 공동 창작에 있어 포용적이고 다양한 이해관계자 참여(inclusive and diverse stakeholder engagement)를 촉진할 수 있습니다(facilitate).
• AI 도구는 토론을 전사하고(transcribing discussions), 핵심 아이디어를 추출 및 주제별로 분류하며(extracting and thematically clustering), 이를 시각적 대시보드(visual dashboards)와 간결한 요약(concise summaries)을 통해 제시함으로써 의사결정(decision-making), 투명성(transparency), 연속성(continuity)을 향상시켜 공동 창작을 지원할 수 있습니다.
• 참여 지표(participation metrics)를 모니터링하고 감성 분석(sentiment analysis)을 수행함으로써, AI는 공동 창작 과정의 개선을 알리고(inform improvements) 기관 내 공동 창작 관행의 채택(adoption)을 장려하는 실행 가능한 통찰력(actionable insights)을 제공할 수 있습니다.
• 신뢰성 보장(ensuring reliability), 편향 및 형평성 문제 해결(addressing bias and equity), 기술과 인간 상호작용의 균형(balancing technology with human interaction)과 같은 AI를 공동 창작에 통합하는 데 있어 주요 과제(key challenges)를 고려하는 것이 필수적입니다.

공동 창작은 더 나은 학생 참여(better student engagement), 만족도 증가(increased satisfaction), 더 깊은 학습 경험(deeper learning experiences), 그리고 전문 역량 개발(development of professional competencies)을 포함한 광범위한 교육적 혜택(range of educational benefits)과 관련이 있습니다(associated with) [3, 4]. 학생들을 학습 환경에 대한 능동적 기여자(active contributors)로 위치시킴으로써, 공동 창작은 주인의식(sense of ownership), 권한 부여(empowerment), 상호 존중(mutual respect)을 함양합니다(cultivates) [7]. 또한, 이는 학생들의 자신감(confidence), 동기(motivation), 웰빙(well-being)을 증진시킬 수 있으며(boost) [7, 8], 동시에 교수진이 자신의 교육 관점을 변화시키도록(transform) 영감을 줄 수도 있습니다 [9, 10]. 적절하게 수행될 경우(When done properly), 이러한 협력적 이니셔티브(collaborative initiatives)에 학생과 교수진을 참여시키는 것은 심리적으로 안전하고(psychologically safe) 협력적인 기관 환경을 조성할 수 있습니다(foster) [11, 12].

 

그럼에도 불구하고(Nonetheless), 실제 현장에서의 공동 창작 실행(implementation of co-creation in practice)은 몇 가지 난관들로 가득 차 있습니다(fraught with some challenges).

• 과정-성과 모델(Process-Outcome Model) [13]은 많은 공동 창작 이니셔티브가 최종 성과(final outcomes) (예: 교육과정 변경)에만 초점을 맞추는 반면, 공동 창작 과정 자체를 형성하는 미묘한(nuanced) 대인 관계 및 제도적 역학(interpersonal and institutional dynamics)은 소홀히 한다고(neglecting) 설명합니다.
  • 예를 들어(For instance), 교수진은 통제권을 포기하는 데(relinquishing control) 불편함(discomfort)을 겪을 수 있는 반면,
  • 학생들은 전문성과 자원의 부족(lack of expertise and resources)으로 인해 교육과정 설계 및 의사결정 과정에 의미 있게 참여하는 데(engage meaningfully) 준비되지 않았거나(unprepared) 주저한다고(hesitant) 느낄 수 있습니다 [9, 14].
• 최근의 주제 범위 문헌 고찰(scoping review)은 학생들이 종종 진정한 설계 파트너(genuine design partners)가 아닌 데이터 소스(data sources)로만 위치지어지며, 이는 포용(inclusion), 권한 부여, 상호 학습의 목표를 약화시키는(undermine) 유사 파트너십(pseudo-partnerships)을 초래한다고 강조합니다(highlights) [8].
• 게다가(Furthermore), 시간 제약(time constraints), 모호한 기대(ambiguous expectations), 파트너십 방법론에 대한 제한된 훈련(limited training)과 같은 장애물(obstacles)은 공동 창작 이니셔티브의 깊이와 지속 가능성(depth and sustainability)을 저해할 수 있습니다(hinder) [3].
• 더욱이(Moreover), 공동 창작은 종종 시간, 세심한 계획(meticulous planning), 그리고 물류적 지원(logistical support)에 대한 상당한 투자(significant investment)를 필요로 합니다.
• 공동 창작된 콘텐츠의 유용성(utility)은 그것이 얼마나 효과적으로 평가되고(evaluated), 보급되며(disseminated), 교육과정에 통합되는지(integrated)에 달려 있으며(hinges on); 이러한 과정들은 까다롭고(demanding) 시간이 많이 걸립니다(time-consuming). 종합적으로(Collectively), 이러한 과제들은 공동 창작 과정의 품질뿐만 아니라 그 결과물의 적절성(relevance)까지 훼손할 수 있습니다(compromise).

AI는 교육 이해관계자 간의 교육 공동 창작에 있어 과정 및 성과와 관련된 과제(process- and outcome-related challenges)를 모두 해결하는 데(addressing) 중요한 역할(significant role)을 할 수 있습니다. AI는 공동 창작 이니셔티브 동안 의견을 제공하는(providing input) 별개의 파트너(distinct partner)가 될 잠재력을 가질 수 있지만; 이 가이드(guide)는 인간 간의 공동 창작을 촉진하는(facilitating co-creation between humans) 역할에 초점을 맞춥니다. 여기서 AI는 복잡한 과업을 관리하는 데(managing complex tasks) 능숙하면서도(adept at) 창의성(creativity) 및 감성 지능(emotional intelligence)과 같은 필수적인 인간적 자질(essential human qualities)을 향상시키는 귀중한 파트너(valuable partner)가 될 수 있습니다 [15, 16]. 포용적인 접근 방식을 조성하고(fostering an inclusive approach), 인간의 촉진을 장려하며(encouraging human facilitation), 데이터 기반 관행을 활용함으로써(leveraging data-informed practices), AI는 교육 환경 내에서 공동 창작의 활용과 보급(utilization and dissemination)을 개선할 수 있습니다. 그럼에도 불구하고(Nevertheless), AI의 통합은 중요한 우려(important concerns)를 제기할 수 있으며, 이는 기술적 도구가 진정한 파트너십(authentic partnerships)의 기본 요소(foundational elements)를 대체하는 것이 아니라(not supplant) 보완하도록(complement) 보장하기 위한 사려 깊은 접근(thoughtful approach)의 필요성을 강조합니다. 이 가이드는 공동 창작 노력을 강화하는 데 있어 AI의 잠재적 유용성(potential utility)을 탐구하고(explores), 조직 내 교육 관행의 협력적 개발(collaborative development)에 AI를 활용하고자 하는(seeking to leverage) 교육자 및 기관 리더를 위한 실용적인 권장 사항(practical recommendations)을 제공합니다. 더 나아가, 이는 AI를 공동 창작 과정에 효과적으로 통합하기 위한 중요한 고려 사항(crucial considerations)을 논의합니다.

 

공동 창작에서 AI 활용하기 (Leveraging AI in co-creation)

 

최근 출판된(recently published) 우리의 'Twelve Tips' 논문(article)에서, 우리는 HPE에서의 공동 창작에 대한 구조적이고 실용적인 접근 방식(structured and practical approach)을 개략적으로 설명했으며(outlined), 이는 준비(preparation), 실행(conduction), 후속 조치(follow-up)의 세 가지 핵심 단계(key phases)로 구성되어 있습니다(organized across) [17]. 다음 섹션에서는(In the following section) 공동 창작의 과정과 성과(processes and outcomes) 모두를 향상시키기 위해(enhance) AI가 이 세 가지 단계 각각에 어떻게 실질적으로 통합될 수 있는지(practically integrated) 탐구합니다(explore). HPE에서 공동 창작의 다양한 단계를 촉진하는 데(facilitating) 있어 AI의 포괄적인 역할(overarching role)은 관련 예시(relevant examples)와 함께 그림 1(Figure 1)에 묘사되어 있습니다(illustrated).

 

그림 1. 공동 창작의 세 단계(준비, 실행, 후속 조치) 전반에 걸친 AI의 촉진 역할(facilitating roles)을 위한 팁과 뒷받침하는 예시들(supporting examples). 전체 크기 표시(Display full size)

 

[상단 프로세스 바]

• 공동 창작 과정 (Co-creation Process)
• 공동 창작 성과 (Co-creation Outcomes)

---

1. 준비 단계 (Preparation Phase)

[1-1] 모집 및 오리엔테이션 강화 (Enhancing recruitment & orientation)

• 참여자 입력으로부터 안건 생성 (Generate agendas from participant input).
• 토론을 위한 가이드 질문 초안 작성 (Draft guiding questions for discussion).
• 실제적 시나리오 생성 (Generate authentic scenarios).

[1-2] 공동 창작 안건 설계 및 계획 지원 (Supporting co-creation agenda design & planning)

• 설문조사 생성 및 분석 촉진 (Facilitate creating & analyzing surveys).
• 분석을 통한 팀 구성 최적화 (Optimize team composition through analytics).
• 사용자 요구에 맞춘 맞춤형 콘텐츠 초안 작성 (Draft customized content to the users needs).

[1-3] 공동 창작 계획의 시범 운영 및 정제 (Piloting and refining co-creation plans)

• 초안 자료에 대한 반응 시뮬레이션 (Simulate responses to draft materials).
• 시범 운영 중 행동 데이터 수집 및 분석 (Collect and analyze behavioral data during pilots).

---

2. 실행 단계 (Conduction Phase)

[2-1] 브레인스토밍 및 아이디어 생성 촉진 (Facilitating brainstorming & idea generation)

• 심리적 안전감 조성 (Foster psychological safety).
• 인지적 협력자로 활동 (Act as a cognitive collaborator).
• 익명 아이디어 기여 가능화 (Enable anonymous idea contributions).
• 공동 창작에서 주도적 참여자로 활동 (Act as proactive participant in co-creation).

[2-2] 권력 역학 문제 해결 및 자신감 구축 (Addressing power dynamics & building confidence)

• 익명성을 통한 위계 완화 (Reduce hierarchies through anonymity).
• 안전한 아이디어 표현 촉진 (Facilitate safe expression of ideas).

[2-3] 공유된 의사결정 지원 (Supporting shared decision-making)

• 의사결정을 안내하기 위해 그룹 입력 종합 (Synthesize group input to guide decisions).
• 합의 조성을 위해 트레이드오프 시각화 (Visualize trade-offs to foster consensus).

[2-4] 공동 창작된 콘텐츠의 기록 지원 (Supporting documentation of co-created content)

• 이야기 전사 및 포착 (Transcribe and capture narratives).
• 핵심 통찰력을 강조하기 위해 토론 요약 (Summarize discussions to highlight key insights).
• 협력적 기여를 구조화하고 태그 지정 (Structure and tag collaborative contributions).

---

3. 후속 조치 단계 (Follow-up Phase)

[3-1] 공동 창작 과정 및 성과 평가 지원 (Supporting evaluation of co-creation processes & outcomes)

• 파트너십 내 감정과 역학 분석 (Analyze emotions and dynamics in partnerships).
• 디브리핑 중 성찰적 피드백 유도 (Prompt reflective feedback during debriefings).
• 공동 창작 성과 요약 및 시각화 (Summarize and visualize co-creation outcomes).

[3-2] 공동 창작 성과 보급 증강 (Augmenting dissemination of co-creation outcomes)

• 다양한 플랫폼을 사용하여 맞춤형 콘텐츠 생성 (Generate tailored content using diverse platforms).
• 대상 청중에게 메시지 조정 (Adapt messaging to target audiences).
• 전략을 알리기 위해 참여도 추적 (Track engagement to inform strategy).

[3-3] 공동 창작 성과의 통합 지원 (Supporting integration of co-creation outcomes)

• 교육과정 및 표준과의 공동 창작 성과 일치성 평가 (Assess alignment of co-creation outcomes with curriculum and standards).
• 진화하는 학습자 요구를 위해 교육과정 정제 (Refine curriculum for evolving learner needs).

---

그림 1 캡션 (Figure 1 Caption): 그림 1. 공동 창작의 세 단계(준비, 실행, 후속 조치) 전반에 걸친 AI의 촉진 역할(facilitating roles)을 위한 팁과 뒷받침하는 예시들(supporting examples).

 

 

준비 단계에서의 AI 사용 (Use of AI in the preparation phase)

 

모집 및 오리엔테이션 강화 (Enhancing recruitment and orientation)

• 다양하고 적합한 참여자(diverse and suitable participants)를 모집하는 것은 성공적인 공동 창작 활동에 필수적입니다(essential). 모집 과정은 참여를 극대화하기 위해(maximize participation) 자발적이어야 하며(voluntary), 이는 잠재적 공동 창작자(potential co-creators)와 촉진자(facilitators)의 의향을 파악하기 위한(gauge the willingness) 간단한 온라인 설문조사(brief online survey)를 통해 달성될 수 있습니다 [17].
• AI 도구들(AI 도구 용어집은 Box 1 참조)은 이 과정을 다양한 방식으로 간소화할 수 있습니다(simplify). 예를 들어(For example), 이들은 모집 설문조사나 양식(forms)의 작성을 촉진하고(facilitate) 자연어 처리(natural language processing, NLP) 도구를 사용하여 응답 분석(analysis of responses)을 자동화할 수 있습니다(automate).
• 이러한 시스템은 또한 개방형(open) 또는 폐쇄형 질문(closed-ended questions)을 통해 접수된 응답을 분석하고 지원자의 목표(applicants’ goals)와 프로젝트의 목표(project’s objectives) 간의 일치성(alignment)을 식별할 수 있습니다(identify) [18]. 공동 창작 이니셔티브가 이전에 수행된 경우(In cases where... previously conducted), 기계 학습 모델(machine learning models)은 과거의 참여 데이터(historical participation data) (예: 참여 수준(engagement levels), 기여 품질(contribution quality))를 분석하여 참여자와 촉진자 모두에 대한 증거 기반 모집(evidence-informed recruitment)을 지원할 수 있습니다 [19].
• 참여자를 선발한 후(Upon selecting participants), 적응형 학습 모듈(adaptive learning modules) 및 지능형 챗봇(intelligent chatbots)과 같은 AI 기반 오리엔테이션 도구(AI-powered orientation tools)는 맞춤형 온보딩 경험(customized onboarding experiences)을 제공할 수 있습니다(deliver). 이러한 기술들은 사용자의 사전 지식(prior knowledge), 역할(roles), 그리고 학습 선호도(learning preferences)를 평가하여(evaluate) 공동 창작된 콘텐츠를 동적으로 조정합니다(dynamically tailor).
• 게다가(Furthermore), 이들은 효과적인 협업을 위한 공유된 기반(shared foundation)을 구축하기 위해(establish) 실시간(real-time), 대화형 안내(interactive guidance)를 제공합니다 [20]. 참여자와 촉진자의 사전 지식 수준과 선호도에 적응함으로써(adapting to), 이러한 AI 도구들은 모든 참여 이해관계자(participating stakeholders)를 위한 포용적인 온보딩 경험(inclusive onboarding experience)을 만드는 데 도움을 줄 수 있습니다 [21].

 

공동 창작 안건 설계 및 계획 지원 (Supporting co-creation agenda design and planning)

• 상세하고 현실적인 안건(detailed and realistic agenda)을 작성하는 것은 효과적인 공동 창작 활동에 필수적인데, 왜냐하면 즉흥적인 임기응변(spontaneous improvisations)은 어려울 수 있기 때문입니다. 구조화된 계획(structured plan)은 촉진자가 시간을 관리하고(manage time), 역할을 배정하며(assign roles), 그룹 간의 일치성을 유지하고(maintain alignment), 의미 있는 토론을 이끄는 데(guide meaningful discussions) 도움이 됩니다.
• 맞춤 설계된 AI 봇(Custom-designed AI bots)은 온라인 설문조사(예: 학생 평가(student evaluations), 피드백, 또는 성찰(reflections))나 AI 통합 학습 관리 시스템(AI-integrated LMS)을 통한 포럼 토론 게시판(forum discussion boards)의 사전 입력 정보(preliminary inputs)를 분석함으로써 촉진자가 포용적이고 적절한 안건(inclusive and relevant agendas)을 준비하도록 도울 수 있습니다. 이 과정은 안건이 참여자의 관심사(interests)와 우려사항(concerns)에 기반하도록(grounded in) 보장합니다(ensures) [22].
• 생성형 AI 도구(Generative AI tools)는 또한 가이드 질문(guiding questions), 성찰 프롬프트(reflection prompts)의 초안을 작성하거나 토론을 자극하는 데(stimulate) 도움이 되는 문서를 준비하는 것을 보조할 수 있습니다(assist). AI 지원을 구현할 계획인 촉진자들은 더 나은 AI 피드백을 촉진하기 위해 아이디어 구상(ideation) 및 정제(refinement) 단계를 위한 별도의 프롬프트(separate prompts)와 인터페이스를 활용할 수 있습니다(utilize) [23].
• AI는 추가적으로(additionally) 현실적인 사례 연구(realistic case studies), 시나리오 기반 프롬프트(scenario-based prompts), 그리고 시청각 보조 자료(audiovisual aids)를 생성함으로써 협력적 활동(collaborative activities)을 설계하는 데 기여할 수 있습니다. 이것들은 대면(face-to-face) 공동 창작 세션에서 사용되거나 가상(virtual) 또는 하이브리드 대화형 도구(hybrid interactive tools)에 삽입되어(embedded), 다양한 양식(modalities)에 걸쳐 참여(engagement)를 보장할 수 있습니다 [24].

공동 창작 계획의 시범 운영 및 정제 (Piloting and refining co-creation plans)

• 공동 창작 세션을 시범 운영하는 것(Piloting)은 본 활동(main activity) 전에 잠재적인 물류적(logistical), 기술적(technical), 또는 참여 관련 문제(engagement-related issues)를 식별하고 해결하는 데(identifying and addressing) 있어 필수적인 단계(vital step)입니다 [17]. 이는 촉진자가 세션 안건을 정제하고(refine), 디지털 도구를 테스트하며, 지침을 명확히 할 수 있게 하여(clarify instructions), 결과적으로 원활하고 생산적인(smooth and productive) 공동 창작 과정의 가능성을 높여줍니다(increasing the likelihood).
• AI는 초안 자료(draft materials)에 대한 참여자 반응을 시뮬레이션(simulating)하여 이 단계를 지원할 수 있으며, 모호함(ambiguities)과 낮은 참여가 예상되는 영역(areas of low engagement)을 감지하는 데 도움을 줄 수 있습니다.
• 대면 파일럿 환경(in-person pilot settings)에서, AI 강화 도구(AI-enhanced tools) (예: 웨어러블 센서(wearable sensors) 또는 모바일 추적 앱)는 과제 수행 시간(time-on-task), 발언 순서 빈도(turn-taking frequency), 또는 발화 역학(speech dynamics)과 같은 관찰 데이터(observational data)를 수집할 수 있습니다.
• 가상 환경(virtual environments)에서는, AI 주도 분석(AI-driven analytics) (예: 클릭스트림 데이터(clickstream data), 참여 히트맵(engagement heatmaps), 그리고 감성 분석(sentiment analysis))이 사용자 행동(user behaviour)과 상호작용 품질(interaction quality)에 대한 통찰력(insights)을 제공할 수 있습니다. 이러한 데이터 기반 통찰력(data-driven insights)은 안건, 자료, 촉진 전략의 반복적인 정제(iterative refinement)를 지원하며, 궁극적으로 더 매끄럽고 영향력 있는(seamless and impactful) 공동 창작 경험으로 이어집니다.

 

실행 단계에서의 AI 사용 (Use of AI in the conduction phase)

 

브레인스토밍 및 아이디어 생성 촉진 (Facilitating brainstorming and idea generation)

• 자유로운 아이디어 생성(Free idea generation)은 공동 창작에서 필수적이며(vital), 심리적 안전감을 조성하는 것(fostering psychological safety)은 참여자들이 판단에 대한 두려움 없이(without fear of judgment) 다양하고 창의적인 기여(diverse and creative contributions)를 공유하도록 장려합니다(encourages). 이러한 개방성(openness)은 산출물의 질(quality of outputs)을 풍부하게 할 뿐만 아니라 참여자들의 자신감(confidence)과 동기(motivation)를 증진시켜(boosts), 그들이 가치 있게 여겨지고(feel valued) 공동 창작 과정에 몰입되어 있다고(invested) 느끼게 합니다 [25].
• 공동 창작 세션에서, AI 도구는 인지적 협력자(cognitive collaborators)로 작용할 수 있습니다. 예를 들어(For instance), 아이디어 생성 플랫폼(idea generation platforms), 개념 매핑 도구(concept mapping tools), 그리고 AI 기반 작문 도우미(AI-powered writing assistants)는 참여자들이 생각을 정리하고(organize thoughts) 떠오르는 주제(emerging themes)를 시각화하는 데(visualize) 도움을 줄 수 있습니다 [6]. 이러한 도구들은 대면 환경(face-to-face setting)에서 스크린에 투사되거나(screen-projected) 인쇄될 수 있으며, 또는 온라인 플랫폼에 통합될 수 있습니다(integrated into).
• 게다가(Moreover), 익명 기여(anonymous contributions)를 가능하게 함으로써(enabling), AI는 가상 및 대면 환경 모두에서의 브레인스토밍 세션 동안 학생들 사이의 포용성(inclusivity)과 동기(motivation)를 향상시키는 데 도움을 줄 수 있습니다. 예를 들어, 학생들은 소리 내어 말하는 것(speaking aloud)의 대안으로(alternative) 모바일 앱이나 온라인 양식을 통해 아이디어를 제출하도록 선택할 수 있으며, 이는 이후 AI를 사용하여 귀속 없이(without attribution) 군집화되고(clustered), 종합되며(synthesized), 제시될 수 있습니다.
• 더 나아가(Furthermore), AI 기반 대화 시스템(AI-based dialogue systems)은 공동 창작 과정의 품질을 실시간으로(in real-time) 모니터링하고 평가하여 가치 있는 피드백(valuable feedback)을 제공하는 분석 기능(analytics features)으로 강화될 수 있습니다 [26,27].

권력 역학 문제 해결 및 자신감 구축 (Addressing power dynamics and building confidence)

• 종종 고착된 권력 역학(entrenched power dynamics), 문화적 규범(cultural norms), 또는 인지된 전문성의 차이(perceived differences in expertise)에서 비롯되는(stemming from) 위계적 장벽(Hierarchical barriers)은 공동 창작에 있어 위협적일 수 있습니다(daunting). 그것들은
  • 동등한 참여(equal participation)를 저해하고(inhibit),
  • 열린 의사소통과 창의성을 억압하며(suppress),
  • 사고의 다양성(diversity of thoughts)을 줄이고,
  • 공동 창작 결과물에 대한 집단적 주인의식(collective ownership)을 약화시킬 수 있습니다(weaken) [7,28,29].
• Healey와 Harrington [2]에 따르면, 파트너십과 학생 참여(student engagement)에 관한 학술 문헌(scholarly literature) 및 관행(practice)에서의 핵심 가치(key values)는 상호혜택(reciprocity), 신뢰(trust), 그리고 권한 부여(empowerment)를 포함합니다. 학제 간 팀(interdisciplinary teams) 내에서 다양한 입력(diverse input)을 촉진함으로써(fostering), AI는 협력에 대한 장벽(barriers to collaboration)을 완화하는 데(mitigate) 도움을 줄 잠재력을 가지고 있습니다. 예를 들어,
  • 대면 환경에서 익명 디지털 투표 도구(anonymous digital polling tools)는 학생들이 판단에 대한 두려움 없이 의견을 공유하도록 허용합니다.
  • 온라인 환경에서, AI 챗봇은 학생들이 사적으로(privately) 자신의 기여를 리허설(rehearse)하거나, 아이디어를 정제하고(refine), 또는 판단 없이 명확한 설명(clarification)을 구하도록 안전한 공간(safe space)을 제공합니다 [30].
  • 게다가, 기여를 익명화하고(anonymizing contributions) 참여할 수 있는 공평한 방법(equitable ways)을 제공함으로써, AI는 모든 형식(formats)에 걸쳐 심리적 안전감과 권한 부여를 촉진할 수 있습니다(promote).
  • 추가적으로(Additionally), 다국어 챗봇(multilingual chatbots) 및 실시간 언어 처리(real-time language processing)와 같은 도구들은 교차 언어 협업(cross-linguistic collaboration)을 촉진할 수 있습니다 [31].
  • 음성 인식(speech recognition), 텍스트 음성 변환(text-to-speech), 그리고 적응형 인터페이스(adaptive interfaces)를 포함한 보조 기술(Assistive technologies)은 과소대표된(under-represented) 학생들과 장애 학생들을 위한 접근성(accessibility)을 향상시킬 수 있습니다 [32].

공유된 의사결정 지원 (Supporting shared decision-making) 

• 공유된 의사결정(Shared decision-making)은 공동 창작 과정의 모든 참여자 사이에서 주인의식(sense of ownership), 신뢰, 그리고 상호 존중(mutual respect)을 함양하기 때문에 공동 창작에 필수적입니다. 의사결정이 협력적으로 이루어질 때(made collaboratively), 기여자는 더 많이 참여하고(engaged) 동기부여되며, 이는 적절하고(relevant), 포용적이며(inclusive), 다양한 관점을 반영하는(reflective of diverse perspectives) 결과물(outcomes)로 이어집니다 [33].
• AI는 그룹의 입력을 종합하고(synthesizing) 합의(consensus) 또는 의견 차이(divergence)를 식별함으로써 협력적 의사결정을 지원할 수 있습니다.
• 대면 토론의 녹취록(transcripts)을 분석하든 온라인 플랫폼의 채팅 스레드(chat threads)를 분석하든, 감성 분석(sentiment analysis) 및 요약 도구(summarization tools)는 촉진자에게 참여자 관점에 대한 실시간 통찰력(real-time insights)을 제공합니다 [34].
• 더욱이, 의사결정 지원 대시보드(decision-support dashboards)와 같은 AI 기반 시각적 도구는 트레이드오프(trade-offs)를 시각적으로 매핑하고, 해결되지 않은 질문(unresolved questions)을 강조하며(highlight), 증거를 제시하여(present evidence) 참여자들 간의 토론과 합의 형성(consensus building)을 자극할 수 있습니다(stimulate).
• 공동 창작 양식(modality)에 따라, 이러한 시각 보조 자료(visual aids)는 물리적 보드나 디지털 스크린에 공유될 수 있습니다.
• 생성형 AI 도구는 효율성(efficiency)과 확장성(scalability)을 제공하지만, 특히 문화적 감수성(cultural sensitivity)을 필요로 하거나 소외된 집단(marginalized groups)을 포함하는 맥락에서, 공동 창작에서 발생하는 복잡한 결정과 토론을 의도치 않게 지나치게 단순화(inadvertently oversimplify)할 수 있습니다. 그러한 경우, 인간의 감독(human oversight)을 통한 미묘한 이해(nuanced understanding)가 여전히 없어서는 안 됩니다(indispensable). 따라서, 풍부함(richness)과 다양성을 보장하기 위해 효과적인 인간-AI 협업(human–AI collaboration)을 촉진하는 것이 필수적입니다 [35].

공동 창작된 콘텐츠의 기록 지원 (Supporting documentation of co-created content) 

• 아이디어와 관점(viewpoints)을 교육 설계(educational design)에 통합하는 것은 토론 중에 참여자의 이야기(narratives)가 얼마나 포괄적으로 포착되고 기록되는지(captured and documented)에 크게 의존합니다(heavily dependent upon). 교육 혁신(educational innovations)에 대한 정확하고 포괄적인 기록(documentation)은 투명성(transparency), 반복적 개발(iterative development), 그리고 지식 전달(knowledge transfer)을 위해 필수적입니다 [17].
• 그러나 실시간으로 여러 토론 스레드(discussion threads), 결정 사항, 그리고 근거(rationales)를 추적하는 것(keeping track of)은 압도적일 수 있습니다(overwhelming). AI 도구는 공동 창작 과정 동안 이러한 부담(burden)을 상당히 완화할 수 있습니다(significantly ease). 예를 들어(For instance),
  • AI 기반 전사 서비스(AI-powered transcription services)는 공동 창작 세션의 오디오 및/또는 비디오 녹화본과 현장/서기 노트(field/scribe notes)의 녹취록을 자동으로 생성할 수 있으며(automatically generate transcripts), 이는 나중에 대규모 언어 모델(large language models, LLM)을 사용하여 요약되어 주요 결정 사항, 떠오르는 주제, 그리고 해결되지 않은 문제들을 강조할 수 있습니다 [23].
  • NLP 도구는 실행 항목(action items)을 추출하거나 결정을 설계 요소(design elements)에 매핑하여, 설계 과정의 구조화된 기록(structured recording)을 도울 수 있습니다(aiding).
  • 더 나아가, AI 통합 플랫폼은 협력적으로 개발된 아이디어에 대한 노트를 태그하고(tag), 정리하며(organize), 저장하여, 아이디어의 진화(evolution of ideas)를 추적 가능하게(traceable) 만들 수 있습니다. 수동 작업량(manual workload)을 줄임으로써, AI는 촉진자가 행정적 과업(administrative tasks)보다는 참여(engagement)에 더 집중할 수 있게 하는 동시에(enables), 공동 창작 과정이 철저하고(thoroughly) 정확하게 포착되도록 보장합니다 [36].

 

후속 조치 단계에서의 AI 사용 (Use of AI in the follow-up phase)

 

공동 창작 과정 및 성과 평가 지원 (Supporting evaluation of co-creation processes and outcomes) 

• 학생-교직원 파트너십 과정(student–staff partnership processes)에 대한 협력적 성찰(Collaborative reflection)은 공동 창작의 성공에 있어 중요합니다(crucial) [13]. 이는 참여자들이 새로운 역할에 적응하고(adjust to new roles), 신뢰를 구축하며(build trust), 서로의 관점(perspectives)에 대한 더 깊은 이해를 발전시키는 데(develop a deeper understanding) 도움을 줍니다 [37,38].
• 촉진자의 현장 노트(field notes)나 토론 녹취록(discussion transcripts)을 통해 포착된(captured) 파트너십 역학(partnership dynamics)의 주요 특징들(key features) (즉, 감정(emotions), 친밀도(familiarity), 아이디어에 대한 반응(responses to ideas))은 이 성찰을 향상시키기 위해 NLP 도구에 의해 분석될 수 있습니다(analysed).
• 우리는 이전에 투명성(transparency), 정확성(accuracy), 형평성(equity)을 보장하기 위해 공동 창작 세션 직후 이해관계자들을 디브리핑(debriefing)할 것을 권장했습니다(recommended) (참조 Tip 11 in [17]). AI는 중요한 순간(key moments)에 미세 성찰(micro-reflections)을 유도하고(prompting), 명확성(clarity), 참여도(engagement), 또는 만족도(satisfaction)에 대한 참여자 평가를 자동으로 요약함으로써(automatically summarizing) 이러한 디브리핑을 증강할 수 있습니다(augment).
• 이러한 적시 분석(just-in-time analytics)은 시의적절한 평가(timely evaluation)와 조정(adjustment)을 지원하며, 지속적인 개선 문화(culture of continuous improvement)를 강화합니다(reinforcing).
• 추가적으로(Additionally), AI는 상호작용 패턴 분석(interaction pattern analysis) (예: 발언 시간(speaking time), 어조(tone), 또는 발언 순서 교대(turn-taking))을 통해 과소대표된 목소리(underrepresented voices)를 감지하고(detect) 실시간으로 촉진자에게 알릴 수 있습니다(alert).
• AI는 또한 질적 데이터(qualitative data)로부터 핵심 주제(key themes), 감성(sentiments), 그리고 합의점(consensus points)을 추출함으로써(extracting) 공동 창작 성과(co-creation outcomes)의 평가를 지원하는 데 중요한 역할(significant role)을 할 수 있습니다. 그런 다음 AI 기반 시각화 플랫폼(AI-powered visualization platforms)은 대화형 대시보드(interactive dashboards)나 요약 보고서(summary reports)를 통해 결과를 생성하고 제시하는 데(generate and present findings) 사용될 수 있습니다.

공동 창작 성과 보급 증강 (Augmenting dissemination of co-creation outcomes) 

• 공동 창작 과정의 완료(completion) 후, 다음 단계는 성과를 보급하는 것(disseminate)입니다. 공동 창작된 성과(예: 코스(courses), 학습 자원(learning resources), 평가(assessments), 정책(policies))의 보급은 정보 공유(information sharing)만을 목적으로 하는 것이 아니라(not only aimed at), 공동 창작의 가치를 받아들이기를(embrace) 꺼리는(reluctant) 이해관계자들 사이의 태도 변화(attitudinal change)를 불러일으키는 것을 목표로 하며, 이를 통해 더 지속 가능하고(sustainable) 오래 지속되는 시스템적 변화(long-lasting systemic change)를 촉진합니다(fostering) [7,9,39].
• AI는 다양한 공식 플랫폼(formal platforms) (즉, 대학 소식지(university newsletters), 학회 기고(conference contributions), 대학/학교 웹사이트) 및 비공식 플랫폼(informal platforms) (즉, WhatsApp, Twitter, LinkedIn, Facebook, 팟캐스트)에 적합한 맞춤형 요약(tailored summaries), 시각적 초록(visual abstracts), 또는 멀티미디어 콘텐츠(multimedia content) (예: 짧은 비디오, 인포그래픽, 팟캐스트 대본)를 자동으로 생성함으로써 공동 창작 성과의 보급을 지원할 수 있습니다.
• 자연어 생성 도구(Natural language generation tools)는 다양한 청중(audiences) (학생, 교수진, 또는 행정가와 같은)에 맞춰 메시지를 조정함으로써(adapting messaging) 도달 범위와 영향력(reach and impact)을 더욱 넓힐 수 있습니다(broaden). AI 기반 분석(AI-powered analytics)은 또한 플랫폼 전반에 걸친 참여(engagement)를 추적하고(track) 어떤 형식(formats)이나 채널(channels)이 공동 창작 성과에 대한 정보의 이해와 수용(uptake)을 촉진하는 데 가장 효과적인지 식별할 수 있습니다(identify).

공동 창작 성과의 통합 지원 (Supporting integration of co-creation outcomes) 

• 공동 창작된 아이디어를 교육과정에 성공적으로 통합(Successful integration)하는 것은 학생과 교수진의 협력적 노력(collaborative efforts)이 의미 있는 교육적 변화(meaningful educational change)로 전환되도록(translate into) 보장하는 데 필수적입니다. 실행(implementation) 없이는, 공동 창작은 교육 개선의 원동력(driver)이라기보다는 상징적인 활동(symbolic exercise)이 될 위험이 있습니다(risks becoming).
• 공동 창작 성과의 통합은 종종 제한적인 교수진의 지지(limited faculty buy-in), 실행을 지원할 자원의 부족(lack of resources), 또는 기관 목표와의 불일치(misalignment)와 같은 과제들(challenges)에 직면합니다(encounters) [11]. AI는 공동 창작된 콘텐츠와 미리 정의된 교육과정 목표(predefined curricular goals)의 일치성(alignment)을 평가하고(assessing) 이를 지역적 또는 글로벌 표준(local or global standards)과 비교함으로써 이 통합 과정을 지원할 수 있습니다 [40].
• 예를 들어, AI 분석은 공동 창작된 콘텐츠를 검토하여(review) 기존 교육과정 프레임워크(existing curriculum frameworks)와의 중복(overlaps), 격차(gaps), 또는 불일치(misalignments)를 식별하고, 미리 정의된 목표나 요구사항(requirements)과 더 잘 일치하도록 수정(revisions)을 제안할 수 있습니다(suggest). 이러한 AI 분석 접근 방식은 또한 학생들의 변화하는 요구(evolving needs)에 대한 교육과정 일치성의 지속적인 모니터링(continuous monitoring)을 위해 사용될 수 있습니다. 이러한 데이터 기반 접근 방식(data-driven approach)은 수동 작업량(manual workload)을 상당히 줄이면서도(significantly reducing) 증거 기반 의사결정(evidence-based decision-making), 적응성(adaptability), 그리고 지속 가능성(sustainability)을 위한 견고한 기반(solid foundation)을 제공합니다 [41].

요약하자면(In summary), AI는 공동 창작 이니셔티브의 세 단계(준비, 실행, 후속 조치) 각각에 효과적으로 통합될 수 있으며(effectively integrated), 따라서 공동 창작 과정과 그 결과물 모두를 향상시킵니다(enhancing). 이 각 단계에서 사용될 수 있는 다양한 도구들(array of tools)이 존재합니다. 표 1(Table 1)에서, 우리는 세 단계 전반에 걸친 AI 도구의 몇 가지 예시와 그 적용(applications)을 언급합니다. 독자들이 이러한 예시들이 도움이 된다고(helpful) 느낄 수 있지만, 우리는 시간이 지남에 따라 AI 도구의 빠른 진화와 확장(rapid evolution and expansion)을 예상하며(anticipate), 이는 제공된 예시들을 가까운 미래에 쓸모없게 만들 수도 있습니다(render... obsolete).

 

표 1. 공동 창작의 단계 전반에 걸친 AI 도구의 개요(Overview) 및 가능한 적용(possible applications).

 

표 1. 공동 창작 단계 전반에 걸친 AI 도구 및 가능한 적용 개요 (Overview of AI tools and their possible applications across the phases of co-creation)

AI 도구 (AI tools)	준비 단계 (Preparation phase)	실행 단계 (Conduction phase)	후속 조치 단계 (Follow-up phase)
자연어 처리 (NLP) 도구 (Natural language processing tools) (예: Qualtrics Text iQ, MonkeyLearn, Google NLP, OpenAI GPT)	• 목표를 프로젝트 목적과 일치시키기 위해 설문조사 응답을 분석함 (Analyse survey responses to align goals with project objectives) • 안건에 정보를 제공하기 위해 포럼 입력을 처리함 (Process forum inputs to inform the agenda)	• 토론의 감성 분석 (Sentiment analysis of discussions) • 공유된 의사결정을 위해 기여를 분류함 (Classify contributions for shared decision-making)	• 감정과 관점을 파악하기 위해 녹취록/현장 노트를 분석함 (Analyse transcripts/field notes for emotions and perspectives) • 성찰 요약 (Summarize reflections) • 주제 및 감성 추출 (Extract themes and sentiments)
기계 학습 모델 (Machine learning models) (예: XGBoost, NVivo, MAXQDA, MonkeyLearn, OpenAI GPT)	• 적합한 참여자와 촉진자를 예측하기 위해 과거 데이터를 분석함 (Analyse historical data to predict suitable participants and facilitators)	—	• 과소대표된 목소리와 상호작용 패턴을 식별함 (Identify underrepresented voices and interaction patterns); 질적 데이터에서 주제를 감지함 (detect themes from qualitative data)
적응형 학습 모듈/지능형 챗봇 (Adaptive learning modules/intelligent chatbots) (예: Knewton Alta, LearnWorlds, Custom GPT Bots)	• 지식 수준과 선호도에 맞춰 온보딩 콘텐츠를 맞춤화함 (Customize onboarding content to knowledge levels and preferences)	• 참여자에게 안전한 리허설 공간과 익명 지원을 제공함 (Offer safe rehearsal spaces and anonymous support to participants)	• 미세 성찰을 유도함 (Prompt micro-reflections) • 세션 후 디브리핑을 지원함 (Support post-session debriefings)
생성형 AI (Generative AI) (예: ChatGPT, Claude)	• 가이드 질문, 사례 연구, 성찰 프롬프트 초안 작성 (Draft guiding questions, case studies, and reflection prompts) • 안건 계획을 위한 시청각 보조 자료 설계 (Design audiovisual aids for agenda planning) • 안건 계획에 정보를 제공하기 위해 사전 입력 정보를 분석함 (Analyse preliminary inputs to inform agenda planning)	• 브레인스토밍 및 토론에서 대화형 공동 창작자 또는 시뮬레이션된 이해관계자로 활동함 (Act as dialogic co-creators or simulated stakeholders in brainstorming and discussions)	• 보급을 위한 맞춤형 요약, 시각적 초록, 콘텐츠 생성 (Generate tailored summaries, visual abstracts, and content for dissemination)
AI 통합 학습 관리 시스템 설문조사 플랫폼 (AI-integrated learning management system survey platforms) (예: Canvas, Blackboard, Brightspace)	• 안건 계획에 정보를 제공하기 위해 사전 입력 정보를 분석함 (Analyse preliminary inputs to inform agenda planning)	• 익명 브레인스토밍 입력을 수집하고 종합함 (Collect and synthesize anonymous brainstorming input)	• 참여도 및 보급의 형식 효능을 추적함 (Track engagement and the format efficacy of dissemination)
AI 기반 작문 도우미/개념 매핑 도구 (AI-powered writing assistants/concept mapping tools) (예: OpenAI GPT, Miro, Notion, MindMeister)	—	• 참여자들이 아이디어를 정리하고, 콘텐츠를 생성하며, 주제를 시각화하도록 도움 (Help participants organize ideas, generate content, and visualize themes)	—
AI 기반 시뮬레이터/분석 대시보드 (AI-powered simulators/analytics dashboards) (예: Tableau, QualtricsXM, IntelliBoard)	• 시범 테스트에서 모호함이나 참여 문제를 식별하기 위해 응답을 시뮬레이션함 (Simulate responses to identify ambiguities or engagement issues in pilot testing)	• 실시간 피드백을 제공하고 토론의 질을 분류함 (Provide real-time feedback and classify the quality of the discussion)	• 평가 결과를 시각화함 (Visualize evaluation findings) • 대화형 요약을 제시함 (Present interactive summaries)
AI 주도 전사 서비스 (AI-driven transcription services) (예: Otter.ai, MS Teams, Zoom AI)	—	• 실시간으로 토론 내용을 기록함 (Document discussion content in real time)	• 성찰 및 보고를 위한 녹취록 생성 (Create transcripts for reflection and reporting) • 핵심 시사점 추출 (Extract key takeaways)
AI 기반 시각적 분석 도구 (AI-based visual analytics tools) (예: Tableau, Altmetric, PlumX)	—	• 트레이드오프와 합의를 보여주기 위해 의사결정 지원 대시보드를 표시함 (Display decision-support dashboards to show trade-offs and consensus)	• 보급 지표 및 참여 대시보드를 제시함 (Present dissemination metrics and engagement dashboards)

 

 

공동 창작에서의 AI에 대한 이론적 프레임워크 (Theoretical frameworks of AI in co-creation)

 

이 섹션에서는(In this section), 앞서 설명한 공동 창작에서의 AI 활용을 위한 실용적인 접근 방식(practical approaches)에 대한 이해를 지원할 수 있는 두 가지 교육적 프레임워크(educational frameworks)를 개략적으로 설명합니다:

 

• (1) 대체, 증강, 변형 및 재정의(Substitution, Augmentation, Modification, and Redefinition, SAMR) 모델, 그리고
• (2) 기술-조직-환경(Technology-Organization-Environment, TOE) 프레임워크.

 

이 두 이론적 프레임워크는 함께(Together), 이전에 논의된 실용적 전략들에 개념적 명확성(conceptual clarity)과 지지를 제공합니다. 이 프레임워크들은 또한 공동 창작에서의 AI 통합이 특정 맥락에 민감해야 하며(sensitive to the specific context) 건전한 이론적 원칙(sound theoretical principles)에 기반해야 함(grounded in)을 보여줍니다(illustrate).

 

SAMR 모델 (The SAMR model) 

 

SAMR 모델은 공동 창작 과정에 AI를 통합하기 위한 실용적이고 과업 중심적인 렌즈(practical, task-focused lens)를 제공합니다. 원래 교육에서의 기술 활용을 평가하기 위해 개발된(Originally developed to evaluate) SAMR은 기술 통합의 네 가지 점진적 단계(four progressive levels)를 설명합니다: 대체(Substitution), 증강(Augmentation), 변형(Modification), 재정의(Redefinition) [42]. 이 단계들은 학습 활동의 기본적인 향상(basic enhancement)에서부터 완전한 변화(complete transformation)로의 이동(shift)을 반영합니다. 아래에서, 우리는 SAMR 모델의 각 단계를 간략히 설명하고 공동 창작 과정을 지원하고 변화시키기 위해 AI 도구가 그에 따라 어떻게 적용될 수 있는지 예시를 듭니다(illustrate).

 

대체(Substitution) 단계에서,

 

• 기술은 과업 자체를 변경하지 않고(without altering the task itself) 전통적인 도구에 대한 직접적인 대체물(direct replacement)로 기능합니다.
• 공동 창작의 맥락에서, AI는 활동이 수행되는 방식을 근본적으로 바꾸지 않으며(does not fundamentally change); 단지 인간의 기능을 자동화된 것(automated one)으로 대체할 뿐입니다. 예를 들어(For instance),
  • 실행 단계(conduction phase) 동안, AI는 토론을 전사함으로써(transcribing) 서기(note-taker) 역할을 할 수 있습니다.
  • 유사하게(Similarly), 후속 조치 단계(follow-up phase)에서, AI 기반 전사 도구(AI-driven transcription tools)는 공동 창작 세션을 기록하는(document) 수동 노력을 대체하여, 속도와 효율성(speed and efficiency) 면에서 상당한 이득(significant gains)을 제공할 수 있습니다.
• 이러한 예시들은 AI가 공동 창작 활동에서 인간의 노동(human labor)을 어떻게 대체할 수 있는지 보여주며, 이는 원래의 과업 구조(original task structure)를 유지하면서도 실질적인 시간 절약(substantial time savings)을 가져옵니다.

 

 

증강(Augmentation) 단계에서,

 

• 기술은 기능적 개선(functional improvements)을 제공합니다. 이는 공동 창작에서 AI를 사용하는 것이 참여자들이 AI 없이는 할 수 있었던 것보다 과업을 더 효과적으로 수행할 수 있게 함을 의미합니다 [43].
• AI는 학생과 교수진이 협력적으로 브레인스토밍하고, 방대한 양의 입력(large volumes of input)을 종합하며, 초기 초안(early drafts)을 정제하도록 가능하게 함으로써 아이디어 생성 및 정제(idea generation and refinement)를 지원할 수 있습니다. 이는 공동 창작 과정을 간소화할(streamlines) 뿐만 아니라 콘텐츠 개발과 관련된 인지적 및 언어적 장벽(cognitive and linguistic barriers)을 줄임으로써 과정을 더 포용적(inclusive)으로 만듭니다.
• 또한(In addition), AI는 공동 창작된 자료의 명확성(clarity), 어조(tone), 논리적 일관성(logical consistency)과 같은 측면에 대해 실시간 피드백(real-time feedback)을 촉진하여(facilitates), 참여자들이 추가적인 개입(additional intervention) 없이도 더 빠르고 자신감 있게 반복 수행(iterate)할 수 있도록 합니다.
• 마지막으로, AI는 자동 번역(automated translation), 음성-텍스트 변환(speech-to-text conversion), 콘텐츠 단순화(content simplification)와 같은 도구를 제공함으로써 공동 창작에서의 접근성과 형평성(accessibility and equity)을 증강합니다. 이러한 기능들은 언어 장벽이나 학습의 어려움(learning difficulties)을 가진 사람들을 포함한 다양한 이해관계자들의 더 폭넓은 참여(broader participation)를 가능하게 하며, 이를 통해 더 공평하고 대표성 있는 협력(equitable and representative collaboration)을 지원합니다.

 

 

변형(Modification) 단계에서,

• AI는 공동 창작 과정의 상당한 재설계(significant redesign)를 지원하여, 사용자가 통상적으로는 어렵거나 비실용적인 목표를 달성할 수 있게 합니다(enabling users to achieve objectives).
• 예를 들어, 오리엔테이션 세션 동안, AI는 공동 창작자가 자신의 사전 지식(prior knowledge), 관심사, 또는 의도된 기여(intended contributions)와 일치하는 개인화된 읽기 자료(personalized reading materials)를 식별하도록 도울 수 있습니다 [42,43]. 이러한 목표 지향적 지원(targeted support)은 준비 과정(preparation process)을 변화시키고 콘텐츠에 대한 참여(engagement)를 향상시킵니다. 이러한 목표 지향적 비계(targeted scaffolding)는 참여자의 준비도(readiness)를 높이고 참여를 심화시킵니다(deepens).
• 실행 단계 동안, 실시간 군집화 및 종합 알고리즘(real-time clustering and synthesis algorithms)은 브레인스토밍 세션 중 참여자의 입력을 처리하고 정리할 수 있어, 촉진자가 떠오르는 주제(emergent themes)에 기반하여 토론의 방향을 조정(adapt)할 수 있게 합니다.
• 추가적으로(Additionally), AI 기반 담화 분석(AI-driven discourse analytics)은 참여 패턴(patterns of engagement)을 식별하고, 잠재적인 권력 불균형(power imbalances)을 감지하며, 과소대표된 관점(underrepresented perspectives)을 강조함으로써, 더 공평한 관행(more equitable practices)을 알릴 수 있습니다. 이러한 방식으로, AI는 상호작용성(interactivity), 포용성, 그리고 교육학적 적절성(pedagogical relevance)을 향상시키는 공동 창작 과정의 재구성(reconfiguration)을 가능하게 합니다.

 

재정의(Redefinition) 단계에서,

• AI는 시간이나 전문성의 제약(time or expertise constraints)으로 인해 종종 상상할 수 없거나 비실용적이었던 완전히 새로운 교육적 관행(entirely new pedagogical practices) 및 협력적 과업의 창조를 가능하게 합니다.
• 예를 들어, 실행 단계 동안, 생성형 AI 도구(generative AI tools)는 실시간으로 새로운 관점(novel perspectives)이나 유추(analogies)를 도입하여, 공동 창작 대화의 깊이와 창의성(depth and creativity)을 풍부하게 할 수 있습니다. 역동적이고 맥락을 인식하는 기여(dynamic, context-aware contributions)를 지원함으로써, AI는 입력의 범위를 확장할 뿐만 아니라 참여의 본질(nature of engagement)을 재형성(reshape)하여, 공동 창작 과정을 더 적응적이고 포용적(adaptive and inclusive)으로 만들 수 있습니다 [42].

비록 재정의 단계에 도달하기 위해 '사다리를 오르는 것(climb the ladder)'이 유혹적일 수 있지만, 공동 창작자들은 주어진 기술이 의미 있는 교육학적 목적(meaningful pedagogical purpose)에 부합하는지 신중하게 평가해야 합니다(carefully evaluate). SAMR 모델은 종종 위계(hierarchy)로 제시되지만, 학자들은 이것이 대신 유연한 도구 상자(flexible toolbox)로 간주되어야 하며, 각 단계는 맥락에 따라 가치가 있다고 주장해 왔습니다 [44]. 모든 단계에서 기술을 구현하거나 '더 높은' 단계가 항상 더 낫다고 가정할 필요는 없습니다. 오히려, 이 모델은 특정 기술이 공동 창작 과정의 별개의 단계(distinct phases)를 어떻게 향상시킬 수 있는지에 대한 사려 깊은 결정(thoughtful decisions)을 안내해야 합니다.

더욱이(Moreover), SAMR 모델은 공동 창작에서의 AI 채택에 영향을 미치는 조직적 및 맥락적 요인(organizational and contextual factors)을 설명하지 않습니다. 따라서, 추가적인 이론적 렌즈(즉, TOE 프레임워크)를 통합하는 것은 공동 창작 맥락에서의 AI 구현에 대한 더 포괄적인 이해(comprehensive understanding)를 제공할 수 있습니다.

 

TOE 프레임워크 (The TOE framework) 

 

• 기술-조직-환경(Technology-Organization-Environment, TOE) 프레임워크는 공동 창작 이니셔티브 내에서 AI와 같은 신기술(emerging technologies)의 채택 및 통합에 영향을 미치는 다면적인 요인들(multifaceted factors)을 분석하기 위한 렌즈를 제공합니다. 이 프레임워크는 기술의 성공적인 구현(successful implementation)이 세 가지 주요 맥락 간의 역동적인 상호작용(dynamic interplay)에 달려 있다고(contingent upon) 주장합니다:
  • 혁신의 기술적 특성(technological characteristics);
  • 조직적 준비도 및 구조적 속성(organizational readiness and structural attributes); 그리고
  • 조직이 기능하는 더 넓은 외부 환경(external environment) [45,46].
• 기술적 타당성(technical feasibility), 신뢰성(reliability), 적응성(adaptability)을 포함한 AI 도구의 기술적 특성(technological characteristics)은 공동 창작 과정의 목표와 밀접하게 일치해야 합니다(align closely).
  • 예를 들어, 브레인스토밍을 지원하는 생성형 AI 시스템이나 개인화된 피드백을 제공하는 적응형 플랫폼은 공동 창작 활동을 동적으로 지원하기 위해 복잡한 교육 데이터를 실시간으로 처리할 수 있어야 합니다(capable of processing).
  • 이는 앞서 실행 단계에서 논의된 개념 매핑 소프트웨어(concept mapping software) 및 개인화된 피드백 시스템과 같은 AI 기반 브레인스토밍 도구 및 적응형 플랫폼의 사용과 직접적으로 일치합니다.
  • 더욱이, 기존의 기관 인프라(institutional infrastructure) 및 워크플로(workflows)와의 호환성(compatibility)은 최대의 효율성을 보장하기 위해 결정적입니다(crucial).
• 조직적 요인(Organizational factors)은 AI 채택에 있어 중요한 역할을 합니다.
  • 자금(funding) 및 기술 지원(technical support)과 같은 자원을 포괄하는 기관의 준비도(Institutional readiness)는 공동 창작 활동에서의 AI 통합에 상당한 영향을 미칩니다(significantly impacts). 리더십의 헌신(Leadership commitment)과 AI에 대한 태도 [47]는 공동 창작 노력을 촉진하거나 저해할(facilitate or hinder) 수 있습니다.
  • 게다가(Furthermore), 외부 환경(external environment) 또한 공동 창작에서의 AI 채택에 영향을 미칩니다 [48]. 데이터 보호(data protection), 투명성(transparency), 그리고 관련 기관 정책 준수(adherence to relevant institutional policies)와 같은 규제적 및 윤리적 고려 사항(Regulatory and ethical considerations)은 AI의 안전하고 공평한 통합을 보장합니다. 이러한 요인들은 효과적인 협력에 필수적인 심리적 안전감과 신뢰(psychological safety and trust)를 증진합니다 [49].
• 마지막으로, 인증 기관(accrediting bodies) 및 전문 기구(professional organizations)를 포함한 외부 이해관계자(external stakeholders)와의 파트너십은 AI 솔루션이 실제 교육적 필요(real-world educational needs)에 반응하고 윤리적이고, 신중하며, 책임감 있게(ethically, judiciously, and responsibly) 사용되도록 보장하는 데 도움을 줍니다. 따라서, 공동 창작을 지원하기 위해 AI를 채택할 때, 공동 창작에서의 적용이 효과적이고 현실적이도록(effective and realistic) 보장하기 위해 AI 기술의 특성, 기관 환경, 그리고 외부 요인을 신중하게 고려하는 것(carefully consider)이 중요합니다.

 

이론적 관점에서 공동 창작에 AI를 통합하는 것의 도전과 기회 (Challenges and opportunities in integrating AI into co-creation from theoretical perspectives) 

 

공동 창작 이니셔티브에 AI를 통합하는 것(Integrating AI into co-creation initiatives)은 기회와 도전(opportunities and challenges)을 모두 제공합니다.

 

• SAMR 모델은 AI가 단순한 대체(substitution)에서 혁신적인 재정의(redefinition)로 이동함에 따라 윤리적 및 실무적 복잡성(ethical and practical complexities)이 어떻게 증가하는지 개념화하는 데(conceptualize) 도움을 줍니다.
• TOE 프레임워크는 성공적인 AI 통합(successful AI integration)이 기술 자체(technology itself)뿐만 아니라 조직적 준비도(organizational readiness)와 더 넓은 환경(broader environment)에 달려 있음을 우리에게 상기시켜 줍니다(reminds).

AI가 기본적인 과업을 자동화하는 것(automating basic tasks)에서 협업을 근본적으로 재형성하는 것(fundamentally reshaping collaboration)으로 변화함에 따라(shifts), 공동 창작자들은 더 큰 실행 과제(greater implementation challenges)와 잠재적 혼란(potential disruptions)을 예상해야 합니다(anticipate).

 

 

대체 단계: 신뢰성과 보안 (Substitution phase: Reliability and security) 

• 대체 수준(substitution level)에서, AI는 전사(transcription)와 같은 수동 작업(manual tasks)을 대체할 수 있습니다. 이는 효율성을 높이지만(boosts efficiency), 억양(accents)이나 기술 용어(technical language)와 관련된 오류와 같은 신뢰성(reliability), 그리고 특히 민감한 토론(sensitive discussions)이 제3자 플랫폼(third-party platforms)에 의해 처리될 때의 데이터 보안(data security)에 대한 우려를 제기합니다(raises concerns) [50].
• TOE 프레임워크가 강조하듯이(highlights), 보안 인프라(secure infrastructure) 및 명확한 정책(clear policies)과 같은 조직적 요인(organizational factors)은 프라이버시를 보호하고(safeguarding privacy) 신뢰를 보장하는 데(ensuring trust) 필수적입니다 [6,49,51].

증강 단계: 편향과 형평성 (Augmentation phase: Bias and equity) 

• AI 도구가 더 발전함에 따라(become more advanced) (즉, 번역 향상(enhancing translation), 아이디어 생성(generating ideas), 합의 형성(consensus building)), 알고리즘 편향(algorithmic bias), 데이터 투명성(data transparency), 그리고 공평한 참여(equitable participation)의 문제가 더 두드러지게 됩니다(become more pronounced) [52–54].
  • AI 시스템은 의도치 않게 소수의 목소리(minority voices)를 소외시키거나(marginalize), 특히 훈련 데이터(training data)에 다양성이 부족한 경우(lack diversity) 문화적 편향(cultural biases)을 반영할 수 있습니다 [55].
• TOE 프레임워크는 조직들이 AI 도구가 맥락적으로 적절하고(contextually relevant) 윤리적으로 배포되도록(deployed ethically) 보장하며, 강력한 감독(robust oversight)과 명확한 동의 절차(clear consent processes)를 갖추도록 장려합니다.
• 공동 창작자들은 AI 산출물(AI outputs)을 비판적으로 평가하고(critically evaluate) 지역적 필요(local needs)에 맞게 맥락화하여(contextualize), 공정성(fairness)과 포용성(inclusivity)을 유지해야 합니다.

변형 및 재정의: 기술과 인간 상호작용의 균형 (Modification and redefinition: Balancing technology and human interaction) 

• 더 높은 SAMR 수준(higher SAMR levels)에서, AI는 새로운 작업 방식(new ways of working) (즉, 실시간 다국어 협업(real-time multilingual collaboration) 및 AI 주도 아이디어 구상(AI-driven ideation))을 가능하게 하지만, 대인 상호작용(interpersonal interaction)을 줄이고 권력 불균형(power imbalances)을 악화시킬(exacerbating) 위험도 있습니다.
• TOE 프레임워크는 책임감 있는 AI 사용(responsible AI use)을 조성하는 데 있어 조직 문화(organizational culture), 리더십(leadership), 그리고 외부 규제(external regulations)의 중요성(significance)을 강조합니다. 공동 창작의 품질을 보존하기 위해(preserve),
  • 기술적 입력(technological input)과 대면 대화(face-to-face dialogue)의 균형을 맞추고(balance),
  • 데이터 해석(data interpretation)에 있어 인간의 감독(human oversight)을 보장하며,
  • AI 역량과 한계(capabilities and limitations)에 대한 훈련을 제공하는 것이 중요합니다(vital) [56].
• 명확한 가이드라인(Clear guidelines), 공유된 기대(shared expectations), 우려를 표명할 기회(opportunities to voice concerns)는 심리적 안전감(psychological safety)과 신뢰를 조성하여(foster), 공동 창작 그룹이 고급 AI 통합(advanced AI integration)의 윤리적 및 관계적 복잡성(ethical and relational complexities)을 헤쳐나가는 데 도움을 줍니다. 또한 AI가 행동을 잘못 해석하여(misinterpret behaviors), 잠재적으로 고정관념을 고착화하고(perpetuating stereotypes) 프라이버시를 침해할(infringing on privacy) 수 있음을 인정하는 것(acknowledge)이 필수적입니다 [57].
• 이러한 문제들은 특히 공동 창작과 같은 민감한 맥락(sensitive contexts)에서의 감시(surveillance) 및 프라이버시 위험과 관련하여 중대한 윤리적 우려(significant ethical concerns)를 제기합니다. 이러한 관점은 정확성(accuracy)과 사전 동의(informed consent)에 대한 우려로 인해 교육 환경에서의 감정 인식(emotion recognition)을 제한하는 EU AI 법(EU AI Act)의 비판과 일치합니다(aligns with) [58,59].

결론 (Conclusion) 

 

교육 이니셔티브의 공동 창작에 AI를 통합하는 것은 기술적(technological), 조직적(organizational), 사회적 차원(social dimensions)을 다루는 전략적 접근(strategic approach)을 필요로 합니다(necessitates). AI는 공동 창작 과정과 성과 모두를 향상시키기 위해 공동 창작의 세 단계—준비(preparation), 실행(conduction), 후속 조치(follow-up)—각각에 효과적으로 통합될 수 있습니다. 공동 창작 이니셔티브의 기획자(Planners)는 협업을 개선하고(improve collaboration), 정보에 입각한 의사결정(informed decision-making)을 촉진하며, 더 포용적이고 효과적인 공동 창작 경험을 조성하기 위해 AI의 역량을 충분히 활용할 수 있습니다(fully leverage). 이는 SAMR 모델(대체, 증강, 변형, 재정의) 및 기술-조직-환경(TOE) 프레임워크와 같은 프레임워크를 활용함으로써 달성될 수 있습니다. 그럼에도 불구하고(Nonetheless), AI 활용과 관련된 잠재적 편향(potential biases)과 윤리적 도전(ethical challenges)을 예상하고 완화하여(anticipate and mitigate), 그 실행이 효과적이면서도 책임감 있게(effective and responsible) 이루어지도록 보장하는 것이 필수적입니다(imperative).

 

 

 

 

 

Box 1. AI 도구 용어집 (Glossary of AI tools)

AI 도구 (AI tools)	정의 (Definitions)
자연어 처리 (NLP) 도구 (Natural language processing (NLP) tools)	기계가 인간의 언어를 의미 있고 유용한(meaningful and useful) 방식으로 읽고(read), 이해하며(understand), 해석하고(interpret), 생성하며(generate), 반응하도록(respond to) 하여 다양한 영역에서(various domains) 인간-컴퓨터 상호작용을 촉진하는(facilitating human–computer interaction) 소프트웨어 시스템 또는 애플리케이션(Software systems or applications).
기계 학습 모델 (Machine learning model)	특정 작업에 대해 명시적으로 프로그래밍되지 않고도(without being explicitly programmed) 패턴을 식별하거나(identify patterns) 예측 또는 결정을 내리기 위해(make predictions or decisions) 데이터로 훈련되는(trained on data) 수학적 또는 계산적 구조(mathematical or computational structure).
적응형 학습 모듈 (Adaptive learning modules)	기계 학습(machine learning)과 실시간 분석(real-time analytics)을 사용하여 개별 학습자의 특성(individual learner characteristics) (예: 지식 수준(knowledge level), 학습 선호도(learning preferences), 성과(performance))에 맞춰 교육 콘텐츠, 활동, 그리고 속도(pacing)를 동적으로 조정하는(dynamically tailor) 교수 시스템(Instructional systems).
지능형 챗봇 (Intelligent chatbots)	인간 대화 파트너(human conversation partner)를 시뮬레이션하여 대화를 자동화하도록 설계된(designed to automate conversations) 자연어 기반 시스템(Natural-language-driven systems)으로, 질문에 답하고(answering questions), 설명을 제공하며(offering explanations), 추가 자원을 제공함으로써 즉각적인 지원(immediate support)을 제공함.
생성형 AI (Generative AI)	입력 데이터(input data)의 패턴과 구조를 학습하여(learn the patterns and structure) 인간과 유사한 창의성(human-like creativity) 및 적응성(adaptability)을 가지고 유사한 특성(similar characteristics)을 지닌 새로운 데이터(generate new data) (즉, 텍스트, 이미지, 및/또는 미디어)를 생성하는 AI 알고리즘 및 모델의 그룹(A group of AI algorithms and models).