[논문 리뷰] AI Misuse in Education Is a Measurement Problem: Toward a Learning Visibility Framework

Eduardo Davalos, Yike Zhang|arXiv (Cornell University)|2026. 03. 08.

Artificial Intelligence in Healthcare and Education인용 수 0

한 줄 요약

이 논문은 교육에서의 AI 남용을 측정 문제로 재구성하고 Learning Visibility Framework를 제안하여 학습 과정과 결과를 함께 관찰 가능하게 만들고 윤리적 AI 통합을 촉진한다.

ABSTRACT

The rapid integration of conversational AI systems into educational settings has intensified ethical concerns about academic integrity, fairness, and students' cognitive development. Institutional responses have largely centered on AI detection tools and restrictive policies, yet such approaches have proven unreliable and ethically contentious. This paper reframes AI misuse in education not primarily as a detection problem, but as a measurement problem rooted in the loss of visibility into the learning process. When AI enters the assessment loop, educators often retain access to final outputs but lose valuable insight into how those outputs were produced. Drawing on research in cognitive offloading, learning analytics, and multimodal timeline reconstruction, we propose the Learning Visibility Framework, grounded in three principles: clear specification and modeling of acceptable AI use, recognition of learning processes as assessable evidence alongside outcomes, and the establishment of transparent timelines of student activity. Rather than promoting surveillance, the framework emphasizes transparency and shared evidence as foundations for ethical AI integration in classroom settings. By shifting focus from adversarial detection toward process visibility, this work offers a principled pathway for aligning AI use with educational values while preserving trust and transparency between students and educators

연구 동기 및 목표

• AI 남용이 탐지 문제라기보다 가시성/측정 문제인 이유를 명확히 한다.
• AI 활성화 평가에서 학습 과정을 관찰하고 추적할 수 있는 프레임워크를 제안한다.
• 감시 중심적 접근 없이 교실에서 투명하고 윤리적인 AI 사용을 안내하는 원칙을 정의한다.
• AI 도구를 교수 설계와 연결하여 신뢰와 학습 깊이를 보존한다.

제안 방법

• 인지적 오프로드, 학습 분석, 다중 모드 타임라인 재구성에 관한 증거를 종합한다.
• Learning Visibility Framework의 세 가지 핵심 원칙(P1-P3)을 도입한다.
• 타임라인 기반의 프로세스 인식 평가와 데이터의 인간 중심 해석을 주장한다.
• 가시성 기반 접근법의 구현을 위한 설계 고려사항, 프라이버시 및 향후 연구를 논의한다.
• 다중 모달 학습 분석 및 타임라인 재구성 기술과 프레임워크를 연결한다.

실험 결과

연구 질문

• RQ1 평가에서의 AI 사용을 명확히 명시하고 모델링하여 유효한 사용과 무효한 사용을 구분할 수 있는가?
• RQ2 최종 산출물뿐 아니라 학습 과정과 결과가 모두 증거로 작용할 수 있는가?
• RQ3 AI 지원 환경에서 학습 시퀀스를 재구성하는 학생 행동의 투명한 타임라인은 어떻게 만들어지는가?
• RQ4 교육에서 가시성 기반 평가를 구현하는 데 있어 윤리적이고 실용적인 고려사항은 무엇인가?

주요 결과

• AI 남용은 단순히 탐지 도구에 의존하기보다 학습 과정에 대한 가시성을 높이는 것이 더 효과적으로 해결된다.
• 프로세스 기반 증거(예: 수정 이력, 중간 단계)는 최종 서브미션을 넘어 참여와 추론을 밝힐 수 있다.
• 학생 행동의 투명한 타임라인은 AI 사용 맥락을 제공하고 형성적 대화와 책임성을 지원한다.
• 프라이버시, 데이터 양, 잠재적 우회를 포함한 주요 도전과제가 가시성 중심 설계에서 다뤄져야 한다.
• 프레이워크는 감시나 처벌적 탐지보다 투명성, 공유 증거, 교수 설계와의 정렬을 강조한다.