앤트로픽 교육 보고서: 대학생들이 클로드를 사용하는 방법

2025년 4월 9일

원문 보기: Anthropic Education Report: How University Students Use Claude

AI 시스템은 더 이상 전문적인 연구 도구가 아닙니다. AI 시스템은 일상적인 학문적 동반자입니다. AI가 교육 환경에 더 깊이 통합됨에 따라 학습, 평가 및 기술 개발에 대한 중요한 질문을 고려해야 합니다. 지금까지 대부분의 논의는 학생들이 실제 환경에서 AI를 학업에 자연스럽게 통합하는 방법에 대한 직접적인 증거보다는 설문 조사와 통제된 실험에 의존해 왔다.

이러한 격차를 해소하기 위해, 우리는 고등 교육에서 실제 AI 사용 패턴에 대한 최초의 대규모 연구 중 하나를 수행했으며, Claude.ai에서 백만 건의 익명화된 학생 대화를 분석했습니다.

교육 보고서의 주요 결과는 다음과 같습니다.

STEM 학생들은 클로드^Claude와 같은 AI 도구의 얼리 어답터이며, 컴퓨터 과학 학생들은 특히 과도하게 대표됩니다(학생 대화의 36.8%를 차지하며 미국 학위의 5.4%만 차지함). 대조적으로, 비즈니스, 건강 및 인문학 학생들은 등록 수에 비해 채택률이 낮습니다.
학생들은 주로 코딩 프로젝트를 만들거나 법률 개념을 분석하는 것과 같이 생성(새로운 것을 배우기 위해 정보를 사용)하고 분석(알려진 관계를 분리하고 식별하는 관계)을 분석하기 위해 AI 시스템을 사용합니다.
이것은 블룸의 분류학에서 고차 인지 기능과 일치한다. 이것은 학생들이 중요한 인지 작업을 AI 시스템에 부담을 주지 않도록 하는 것에 대한 질문을 제기한다.

교육용 AI 사용 식별
사람들이 AI 모델을 어떻게 사용하는지 연구할 때, 사용자 프라이버시를 보호하는 것이 가장 중요하다. 이 프로젝트에서 우리는 사람들이 클로드를 어떻게 사용하고 있는지에 대한 통찰력을 제공하는 자동화된 분석 도구인 클로드 인사이트&관찰(Claude Insights and Observations) 또는 “클리오^Clio“를 사용했습니다. 클리오는 사용자 대화를 “문제 해결 코드” 또는 “경제 개념 설명”과 같은 높은 수준의 사용 요약으로 추출하여 AI 사용 패턴을 상향식으로 발견할 수 있습니다. 클리오는 대화에서 개인 사용자 정보를 제거하는 다층 자동화 프로세스를 사용합니다. 우리는 한 계층에서 다음 계층으로 전달되는 정보를 최소화하도록 이 프로세스를 구축했습니다. 우리는 이 이전 블로그에서 클리오의 프라이버시 우선 디자인을 설명합니다.

우리는 Clio를 사용하여 고등 교육 이메일 주소와 연결된 Claude.ai 무료 및 유료(Pro) 계정에서 약 백만 개의 익명화된 1 대화를 분석했습니다. 2 그런 다음 이러한 대화를 학생 및 학업 관련성에 대해 필터링했습니다. 예를 들어 대화가 교과 과정 또는 학술 연구와 관련이 있는지 등 574,740개의 대화를 낳습니다. 3 Clio는 이러한 대화를 그룹화하여 교육 관련 통찰력을 도출했습니다. 즉, 다양한 학업 과목이 어떻게 표현되었는지, 학생-AI 상호 작용이 어떻게 달랐는지, 학생이 AI 시스템에 위임하는 인지 작업 유형이 무엇인지 알아냈습니다.

학생들은 AI를 무엇을 위해 사용하고 있나요?
학생들은 또한 학업 과제에 대한 기술적 설명이나 솔루션을 제공하기 위해 클로드를 자주 사용했습니다(33.5%). AI와 협력하여 코딩 과제의 오류를 디버깅 및 수정하고, 프로그래밍 알고리즘 및 데이터 구조를 구현하고, 수학 문제를 설명하거나 해결했습니다. 학생 사용의 작지만 여전히 상당한 부분은 데이터 분석 및 시각화(11.0%), 연구 설계 및 도구 개발 지원(6.5%), 기술 다이어그램 생성(3.2%), 언어 간 콘텐츠 번역 또는 교정(2.4%)이었습니다.

아래는 주제별 일반적인 요청의 더 자세한 분석입니다.

학문 분야 전반에 걸친 AI 사용
다음으로 우리는 어떤 피험자들이 클로드의 불균형적인 사용을 보였는지 조사했다. 우리는 Claude.ai의 사용 패턴을 수여된 미국 학사 학위 수와 비교하여 그렇게 했습니다. 4 클로드의 가장 불균형적으로 많이 사용한 것은 컴퓨터 과학이었습니다. 미국 학사 학위의 5.4%에 불과했음에도 불구하고 컴퓨터 과학은 Claude.ai에 대한 대화의 38.6%를 차지했습니다 (이것은 컴퓨터 코딩에서 클로드의 특정 강점을 반영할 수 있습니다). 자연 과학과 수학은 또한 학생 등록에 비해 Claude.ai에서 더 높은 대표성을 보여줍니다(각각 15.2% 대 9.2%).

반대로, 비즈니스 관련 교육 대화는 학사 학위의 18.6%를 구성함에도 불구하고 대화의 8.9%에 불과했으며, 이는 클로드의 불균형적으로 낮은 사용을 보여줍니다. 보건 직업(5.5% 대 13.1%)과 인문학(6.4% 대 12.5%)도 이 분야의 학생 등록에 비해 덜 대표되었다.

이러한 패턴은 STEM 학생들, 특히 컴퓨터 과학 학생들이 교육 목적으로 클로드를 일찍 채택한 반면, 비즈니스, 건강 및 인문학 분야의 학생들은 이러한 도구를 학업 워크플로우에 더 느리게 통합할 수 있음을 시사합니다. 이것은 컴퓨터 과학 커뮤니티에서 클로드에 대한 더 높은 인식과 다른 분야의 학생들이 수행하는 작업에 비해 STEM 학생들이 수행하는 과제에 대한 AI 시스템의 더 큰 숙련도를 반영할 수 있습니다.

학생들이 AI와 상호 작용하는 방법
AI와 상호 작용하는 방법은 여러 가지가 있으며, 학습 과정에 다르게 영향을 미칠 것입니다. 학생들이 AI와 상호 작용하는 방법에 대한 분석에서, 우리는 아래 그림과 같이 두 개의 다른 축을 따라 분류한 네 가지 뚜렷한 상호 작용 패턴을 식별했습니다.

여기에는 5 (1) 사용자가 가능한 한 빨리 쿼리를 해결하려는 직접 대화와 (2) 사용자가 목표를 달성하기 위해 모델과 적극적으로 대화하려고 하는 협업 대화가 포함될 수 있습니다. 여기에는 (1) 사용자가 질문에 대한 해결책이나 설명을 찾는 문제 해결과 (2) 사용자가 프레젠테이션이나 에세이와 같은 더 긴 출력을 생성하려는 출력 생성이 포함될 수 있습니다.

이 네 가지 상호 작용 스타일은 비슷한 비율(각각 대화의 23%에서 29% 사이)로 표현되었으며, 학생들이 AI에 대해 가지고 있는 사용 범위를 보여줍니다. 전통적인 웹 검색은 일반적으로 직접적인 답변만 지원하는 반면, AI 시스템은 훨씬 더 다양한 상호 작용과 새로운 교육 기회를 가능하게 합니다. 선정된 몇 가지 긍정적인 학습 예는 다음과 같습니다.

철학적 개념과 이론을 설명하고 명확히 한다
종합적인 화학 교육 자료와 학습 자료 만들기
학업 과제를 위한 근육 해부학, 생리학 및 기능 개념을 설명합니다.

동시에, AI 시스템은 새로운 도전을 제시한다. 일반적인 질문은 “학생들이 AI를 얼마나 사용하여 속임수를 쓰나요?”입니다. 특히 클로드의 각 응답이 사용되는 구체적인 교육적 맥락을 알지 못하기 때문에 대답하기가 어렵습니다. 예를 들어, 직접 문제 해결 대화는 집에서 치는 시험에서 부정행위를 하거나… 학생이 모의고사에서 자신의 과를 확인하는 것일 수 있습니다. 직접 결과물 생성 대화는 처음부터 에세이를 작성하거나 추가 연구를 위한 지식 요약을 작성하는 것일 수 있습니다. 협업 대화가 부정행위를 구성하는지 여부는 특정 강의 정책에 따라 달라질 수 있습니다.

즉, 학생-AI 대화의 거의 절반(~47%)이 직접적이었습니다. 즉, 최소한의 참여로 답변이나 콘텐츠를 찾는 것입니다. 이들 중 다수가 (개념적인 질문을 하거나 학습 가이드를 생성하는 것과 같은) 합법적인 학습 목적을 제공하는 반면, 우리는 다음과 같은 직접 대화에 관한 예를 발견했습니다.

머신 러닝 객관식 질문에 대한 답변 제공
영어 시험 질문에 대한 직접적인 답변 제공
표절 탐지를 피하기 위해 마케팅 및 비즈니스 텍스트를 다시 작성하십시오.

주제별 AI 사용 패턴
다양한 분야의 학생들은 다양한 방식으로 AI에 참여합니다.

자연 과학 및 수학 대화는 “단계별 계산으로 특정 확률 문제 해결” 및 “단계별 설명으로 학업 숙제 또는 시험 문제 해결”과 같은 문제 해결을 지향했습니다.
컴퓨터 과학, 공학, 자연 과학 및 수학은 협력적인 대화에 기울어진 반면, 인문학, 비즈니스, 건강은 협력적인 대화와 직접적인 대화 사이에서 더 균등하게 더 강하게 나뉘었다.
교육은 대화의 74.4%를 차지하는 산출물 생성에 대한 가장 강한 선호를 보였다. 그러나 이러한 사용은 필터링 방법의 결함에서 비롯될 수 있습니다. 이러한 대화의 대부분은 “포괄적인 교재와 교육 자료 작성”과 “자세한 수업 계획 작성”과 관련이 있으며, 이는 교사들이 교육 지원을 위해 Claude를 사용하고 있음을 나타냅니다. 전체적으로 교육은 전체 대화의 3.8%를 차지했습니다.

이는 AI 통합에 대한 교육적 접근 방식이 특정 분야로 인해 도움이 될 수 있음을 시사한다. 우리의 데이터는 과목 전반에 걸쳐 학생들이 AI에 참여하는 방식의 변화를 인식하는 데 도움이 되는 첫 번째 단계입니다.

학생들이 AI에 위임하는 인지적 과제
우리는 또한 학생들이 AI 시스템에 인지적 책임을 위임하는 방법을 탐구했다. 우리는 인지 과정을 단순한 것부터 더 복잡한 것으로 분류하기 위해 교육에 사용되는 계층적 틀인 블룸의 분류학6을 사용했다. 그 프레임워크는 처음에 학생의 사고를 위한 것이었지만, 우리는 학생과 대화할 때 클로드의 반응을 분석하기 위해 그것을 적용했다.

우리는 AI가 전시한 블룸의 분류 영역의 반전된 패턴을 보았다:

클로드는 주로 고차 인지 기능을 완료하고 있었고, 창조(39.8%)와 분석(30.2%)이 블룸의 분류학에서 가장 일반적인 작업이었다.
저차 인지 과제는 적용(10.9%), 이해(10.0%), 기억(1.8%)과 같은 덜 널리 퍼졌다.
이 분포는 또한 상호 작용 스타일에 따라 다양했다. 예상대로, 학술 텍스트의 요약을 생성하거나 에세이에 대한 피드백을 생성하는 것과 같은 출력 생성 작업은 더 많은 생성 기능을 포함했습니다. 미적분 문제를 풀거나 프로그래밍 기초를 설명하는 것과 같은 문제 해결 과제는 더 많은 분석 기능을 포함했다.

AI 시스템이 이러한 기술을 보여준다는 사실은 학생들이 스스로 기술에 참여하는 것을 배제하지 않는다. 예를 들어, 함께 프로젝트를 공동 만들거나 AI 생성 코드를 사용하여 다른 맥락에서 데이터 세트를 분석하는 것 등. 그러나 AI에 인지 능력을 아웃소싱하는 학생들의 잠재적인 우려를 지적한다. AI 시스템이 학생들에게 목발을 제공하여 고차 사고를 지원하는 데 필요한 기초 기술의 개발을 억제할 수 있다는 정당한 우려가 있다. 거꾸로 된 피라미드는 결국 넘어질 수 있다.

한계
우리의 연구는 실제 데이터에 기반을 두고 있습니다. 그것은 우리의 발견의 타당성과 교육적 맥락에 대한 적용 측면에서 많은 장점을 가지고 있다. 그러나, 그것은 또한 우리의 발견의 범위에 영향을 미칠 수 있는 한계가 있다:

우리의 데이터 세트는 얼리 어답터를 포착할 가능성이 높으며, 더 넓은 학생 인구를 대표하지 않을 수 있습니다.
Claude 사용이 교육에서 전반적인 AI 사용과 어떻게 비교되는지는 불분명합니다. 많은 학생들이 Claude.ai 이외의 AI 도구를 사용합니다. 즉, 우리는 그들의 전반적인 AI 참여 패턴에 대한 부분적인 관점만 제시합니다.
대화를 분류하는 방식에는 오탐지와 오탐이 모두 있을 가능성이 있습니다. 우리는 고등 교육 이메일 주소와 연결된 계정의 대화에 의존했습니다. 분류자가 학생과 관련된 것으로 간주한 이들 중 일부는 실제로 직원이나 교수진으로부터 온 것일 수 있습니다. 게다가, 다른 학생들의 대화는 대학이 아닌 이메일 주소와 연결된 계정에 서 있을 가능성이 있다;
개인 정보 보호 고려 사항으로 인해, 우리는 단일 18일 보존 기간 내에서만 Claude.ai 사용을 분석합니다. 학생들의 교육 약속이 변동함에 따라 학생들의 사용은 일년 내내 다를 수 있습니다.
우리는 학생들이 학업에서 AI 산출물을 궁극적으로 어떻게 사용하는지 또는 이러한 대화가 학습 결과를 효과적으로 지원하는지 여부가 아니라 학생들이 AI에 어떤 과제를 위임하는지만 연구합니다.
학생-AI 대화를 학문 분야로 분류하는 것은 AI 사용 패턴이 크게 다를 수 있는 학제 간 작업을 완전히 포착하지 못할 수 있습니다.
블룸의 분류법을 학생과는 반대로 AI의 인지 과정에 적용하는 것은 불완전하다. 기억과 같은 기술은 AI 시스템의 맥락에서 정량화하기가 더 어렵다.

교육에서 AI 사용에 관한 기관 정책은 매우 다양하며, 이 데이터 세트 내에서 측정할 수 없는 방식으로 우리가 관찰하는 패턴에 상당한 영향을 미칠 수 있습니다.

결론과 앞을 내다보기
우리의 분석은 학생들이 현실 세계에서 AI를 어디에 어떻게 사용하고 있는지에 대한 조감도를 제공합니다. 우리는 AI가 교육에 미치는 영향을 이해하는 시작에 불과하다는 것을 알고 있습니다.

우리는 학생 및 교육자들과의 토론에서 AI가 놀라운 방식으로 학습에 힘을 실어줄 수 있다는 것을 보았습니다. 예를 들어, AI는 학생의 핵융합 원자로 프로젝트를 지원하고 교실에서 학생과 교사 간의 더 나은 의사 소통을 촉진하는 데 사용되었습니다.

그러나 우리는 이러한 초기 발견이 교육에서 일어나고 있는 심오한 변화를 완전히 다루고 있다는 환상을 가지고 있지 않다. AI는 모든 면에서 교육자들의 삶을 더 어렵게 만들고 있으며, 이 연구는 그들을 완전히 포착하지 못한다. 학생들이 AI 시스템에 고차 인지 과제를 위임함에 따라 근본적인 질문이 생깁니다. 학생들이 여전히 기초적인 인지 및 메타인지 기술을 개발할 수 있도록 어떻게 보장할 수 있을까요? AI가 가능한 세상에서 평가 및 부정 행위 정책을 어떻게 재정의할 수 있을까요? AI 시스템이 거의 즉시 세련된 에세이를 생성하거나 많은 시간이 걸리는 복잡한 문제를 빠르게 해결할 수 있다면 의미 있는 학습은 어떤 모습일까요? 모델 능력이 성장하고 AI가 우리 삶에 더 많이 통합됨에 따라, 숙제 설계에서 평가 방법에 이르기까지 모든 것이 근본적으로 바뀔까요?

이러한 발견은 AI가 학습을 약화시키는 것이 아니라 심화시킬 수 있는 방법에 대한 교육자, 관리자 및 정책 입안자 간의 지속적인 논의에 기여합니다. 추가 연구는 학생과 교사 모두가 AI를 어떻게 사용하는지, 학습 결과와의 연결, 그리고 교육의 미래에 대한 장기적인 의미를 더 잘 이해하는 데 도움이 될 것입니다.

교육에 대한 앤트로픽의 접근 방식
이 교육 보고서 외에도, 우리는 교육에서 AI의 역할을 더 잘 이해하기 위해 대학과 협력하고 있습니다. 초기 단계로, 우리는 직접적인 답변보다 소크라테스 방법과 개념적 이해를 강조하는 학습 모드를 실험하고 있습니다. 우리는 향후 연구 연구를 위해 대학과 협력하고 AI가 학습에 미치는 영향을 보다 직접적으로 연구하기를 기대합니다.

@online{handa2025education,
author = {Kunal Handa and Drew Bent and Alex Tamkin and Miles McCain and Esin Durmus and Michael Stern and Mike Schiraldi and Saffron Huang and Stuart Ritchie and Steven Syverud and Kamya Jagadish and Margaret Vo and Matt Bell and Deep Ganguli},
title = {Anthropic Education Report: How University Students Use Claude},
date = {2025-04-08},
year = {2025},
url = {https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude},
}

인쇄하기