1) 교육자료 1

첫 번째로 소개할 자료는 2024년 Haltaufderheide와 Ranisch [1]의 “The ethics of ChatGPT in medicine and healthcare: a systematic review on large language models (LLMs)” 논문이다. 이 논문은 의료현장에서 LLM이 활용되는 양상을 53편의 문헌을 통해 분석하고, 그 활용 영역을 clinical applications, patient support applications, public health, health professionals and researchers의 네 가지 범주로 정리하였다. 저자들은 LLM이 방대한 비정형 데이터를 분석하고 정보 접근성을 높이며 의료진의 행정 부담을 덜어줄 수 있다고 평가하나, 각 범주별로 생길 수 있는 윤리적 쟁점(autonomy, efficiency, epistemic values, fairness/justice, privacy, safety/security, scientific integrity, therapeutic relationship, well-being/harm)과 함의를 제시한다. 이를 근거로 AI 기술의 전면적 도입 이전 인간의 검증과 단계적 학습과정이 반드시 동반될 필요성을 강조하고 있다.

의과대학생과 전공의가 이미 일상적으로 생성형 인공지능(generative artificial intelligence, Gen AI)을 학습 및 진료 보조도구로 활용하고 있다는 현실에 비추어 볼 때 이 자료는 교육적 활용도가 다양하다. 우선 인문사회의학(의료인문학) 내 AI 윤리 관련 수업이나 임상실습 진입 전 교육에서 “AI를 어디까지, 어떤 조건에서 활용해도 되는가?”라는 질문을 던지는 토론자료로 활용할 수 있다. 저자들이 Gen AI의 현재 활용 양상을 사회적 실험(social experiment)으로 규정하고 있다는 점에서 이러한 질문은 더욱 의미가 있다. 이 외에도 네 가지 활용 범주별로 제시된 구체적 시나리오는 사례 기반의 학습 소재로 그대로 활용할 수 있으며, 학생들이 자신의 실제 사용 경험을 윤리적 관점에서 성찰할 수 있도록 돕는 읽기자료로써도 활용할 수 있다. 이러한 활용은 의과대학생뿐만 아니라 졸업 후 교육에서도 충분히 적용할 수 있다.

2) 교육자료 2

두 번째로 소개할 자료는 2025년 Hasanzadeh 등[2]이 발표한 종설로, AI 모델의 생애주기(개념화–데이터 수집–전처리–알고리즘 개발 및 검증–임상배포–사후 감시)에 걸쳐 발생하는 편향의 유래와 완화전략을 체계적으로 식별하여 소개하고 있다. 첫 번째 자료가 Gen AI 기술의 윤리적 쟁점에 집중했다면, 이 자료는 의료 영상 진단, 위험 예측, 전자의무기록 분석 등 의료 AI 전반에서 편향이 발생하는 지점을 모델 생애주기 관점에서 조망한다는 점에서 상호보완적이다. 저자들은 의료 AI의 편향이 단순한 기술적 결함이 아니라 기존 의료시스템에 내재된 인종, 성별, 사회경제적 격차를 그대로 재생산하거나 증폭시킬 수 있다는 점을 강조한다. 의료비용을 질병 중증도의 대리변수로 삼아 흑인 환자의 위험을 과소평가한 알고리즘 사례는 변수 선택 하나가 어떻게 구조적 불평등으로 이어지는지를 보여주며, 저자들은 이러한 편향을 평가하기 위한 다양한 지표들과 그 한계도 함께 소개한다.

이 자료는 의과대학생들이 AI 도구의 결과를 수동적으로 수용하는 대신 “이 결과는 어느 단계에서 누구에게 불리하게 작동할 수 있는가?”라는 질문을 구조적으로 던질 수 있도록 훈련시키는 데 유용하다. 특히 편향을 데이터의 문제로만 보지 않고 개념화에서 사후 감시에 이르는 전 과정의 문제로 다루기 때문에, 학습자가 AI 도구를 단계별로 점검하는 사고의 틀을 익히는 데 도움이 된다. 모델 생애주기 도식은 그 자체로 강의 뼈대로 삼을 수 있으며, 연구심화과정이나 의료정보학 수업에서 사례 기반 토론자료로 활용하거나 임상실습 중 마주치는 AI 기반 진단 보조도구를 비판적으로 평가하는 학습활동의 근거자료로 제공할 수 있을 것이다.

위의 두 자료 외에도 Ning 등[3]의 연구는 Gen AI 연구의 윤리적 검토를 위한 체크리스트(Transparent Reporting of Ethics for Generative AI)를 제안하여 AI를 활용한 연구윤리 교육의 실습도구로 활용할 수 있다. Liu 등[4]의 연구는 임상 AI의 공정성 연구가 특정 진료과와 속성에 치우쳐 있고 임상의의 참여가 부족함을 정량적으로 보여주는데, 이는 학생들이 공정성을 단순한 성능 격차가 아니라 임상 맥락과 환자 특성, 의사의 능동적 참여와 연결 지어 사고하도록 이끄는 자료가 된다.

1) 교육자료 1

첫 번째로 소개할 자료는 2024년 Zhang과 Fenton [5]의 “Preparing healthcare education for an AI-augmented future” 논문이다. 이 논문은 의학교육이 전제해 온 학습, 지식, 전문성의 개념을 인공지능의 등장과 함께 다시 생각하게 만드는 교육자료로서 의미가 있다. 저자들은 교육을 본질적으로 지식의 생성·전달·활용이 이루어지는 “지식 기업(knowledge enterprise)”으로 보고, AI의 발전이 이러한 교육의 구조를 근본적으로 바꾸고 있다고 설명한다. 특히 인간의 인지를 개인의 능력이 아니라 기술과 환경을 포함한 분산된 인지시스템(distributed cognition system)으로 설명하면서 AI를 인간과 경쟁하는 존재가 아니라 인간의 인지기능을 확장하는 인지적 도구로 설명한다. 또한 앞으로의 교육은 단순한 지식 전달이나 암기 중심 학습에서 벗어나서 AI와 협력하여 문제를 해결하고 새로운 통찰을 만들어 내는 방향으로 재구성되어야 한다고 주장한다.

이 자료가 의학교육에서 유용한 이유는 AI 활용의 기술적 효율성만을 강조하는 것이 아니라, “앞으로 무엇을 가르쳐야 하는가,” “의사의 전문성은 무엇으로 남아야 하는가,” “학습자는 AI와 어떤 관계를 맺으며 성장해야 하는가”라는 근본적인 교육 질문을 던지게 하기 때문이다. AI가 다양한 인지적 과업을 수행하게 된 현 시대에는 교육의 초점이 정보의 전달보다 메타인지, 창의성, 맥락적 사고, 윤리적 추론과 같은 고차원적 사고 역량으로 이동해야 한다고 본다. 아울러, 학문 간 경계가 약화되는 상황에서 미래의 교육은 AI를 매개로 지식을 연결하고 활용하는 방향으로 발전해야 한다고 논의한다. 이 자료는 의예과 또는 의학과 학생들을 대상으로 인문사회의학, 의료와 AI, 의사전문직업성 관련 수업에서 읽기자료로 제시하여 학생들이 AI 시대에도 인간 의사에게 남는 고유한 역량이 무엇인지 성찰하도록 사용 가능할 것이다. 또한 자료에서 제시하고 있는 학제 간 교육 사례와 학제 간 분야 사례들을 읽기자료와 토론자료로 활용 가능할 것이다.

2) 교육자료 2

두 번째로 소개할 자료는 2025년 Tran 등[6]의 “Situating governance and regulatory concerns for generative artificial intelligence and large language models in medical education” 논문이다. 이 논문은 Gen AI와 LLM의 도입이 의학교육에 가져오는 변화에 대해 학습, 평가, 전문성, 거버넌스의 문제를 통합적으로 다루고 있어 교육자료로서 의미가 있다. 저자들은 Gen AI가 교육 효율성과 개인화된 학습을 가능하게 하는 동시에 학습과정의 본질, 평가의 정당성, 학문적 진실성에 대한 근본적인 도전을 제기한다고 지적한다.

이 자료의 교육적 가치는 AI 활용이 “교육적으로 무엇이 문제인가”를 학습, 임상추론, 평가를 중심으로 보여준다는 점에 있다. 학습 측면에서는 AI가 학습 효율을 높일 수 있으나, 사회적 상호작용과 경험을 통해 형성되는 맥락적 이해를 대체할 수 없으며, 오히려 초보 학습자에게는 기술 습득 방해나 과도한 의존을 초래할 가능성이 있음을 지적한다. 또한 AI는 더 많이 아는 존재처럼 기능할 수 있지만, 맥락적 판단, 공감, 환자와의 상호작용과 같은 핵심적인 임상 역량을 충분히 교육할 수 없다는 한계를 가진다. 임상추론 측면에서는 AI의 블랙박스 특성이 중요한 교육적 문제로 제기된다. AI는 그럴듯한 설명을 제시할 수 있지만, 실제 의사결정과정은 불투명하며, 이는 학습자가 임상적 판단의 근거를 학습하는 과정을 방해할 수 있다. 평가 측면에서는 직접적인 교육적 긴장을 설명한다. Gen AI는 의사국가시험 수준의 문제를 해결할 수 있을 정도로 발전하였으며, 이는 기존 지필시험 중심의 평가가 더 이상 학습자의 실제 역량을 반영하지 못할 수 있음을 의미한다고 제시한다. 또한 AI를 활용한 과제 수행은 학문적 부정행위로 간주될 수 있기 때문에 평가의 공정성과 정당성에 대한 근본적인 재검토를 요구하며, 평가의 개념 자체를 “무엇을 평가할 것인가”를 다시 설정할 필요가 있음을 제시한다. 이 자료는 AI 활용에 따라 발생 가능한 교육적 문제를 개별 이슈로 나열하지 않고, 거버넌스와 규제의 관점에서 구조화해서 보여주고 있다. 저자들은 AI 관련 문제를 해결하기 위해서는 개인(학습자, 교수자), 기관, 국가 수준의 다층적 접근이 필요하다고 보며, 이를 미시(micro), 중간(meso), 거시(macro) 수준으로 구분하여 설명한다. 예를 들어 개인 수준에서는 비판적 활용능력과 자기규제가 중요하며, 기관 수준에서는 교육과정과 평가체계의 재설계가 요구되고, 국가 수준에서는 법적·윤리적 규제가 논의되어야 한다. 이러한 틀은 의학교육시스템 전체를 어떻게 재구성할 것인가에 대한 논의를 가능하게 한다.

이 자료를 수업에서 읽기자료로 활용하면 학생들이 AI 활용의 장점과 함께 학습, 평가, 전문성에 미치는 영향을 비판적으로 성찰할 수 있을 것이다. 또한 생성형 AI를 둘러싼 쟁점을 학습자와 교수자, 교육기관, 사회적 규범과 제도의 차원까지 연결하여 생각해 보게 한다는 점에서 토론자료로 활용할 수 있을 것이다. 아울러, 학생들이 AI 시대의 의사에게 요구되는 역량과 책임을 생각해 보도록 하는 전문직업성 교육을 위한 자료로도 활용 가능할 것이다.

본고에서 다룬 자료는 서로 다른 주제에서 출발하지만, 궁극적으로 하나의 방향으로 수렴한다. AI는 의료와 교육에서 강력한 도구가 될 수 있지만, 그 결과를 비판적으로 검토하고 책임 있게 활용하는 인간의 역할이 전제되지 않는다면 기존의 불평등을 재생산하거나 교육의 본질을 약화시킬 수 있다는 것이다. 따라서 AI 시대의 의학교육은 새로운 기술의 사용법을 가르치는 데 그쳐서는 안 된다. 학습자가 AI가 생성한 지식의 타당성과 공정성에 대하여 스스로 질문하고, AI와 협력하면서도 인간 의사에게 요구되는 임상적 판단, 공감, 윤리적 추론 역량을 기를 수 있도록 교육과정을 재설계할 필요가 있다.

이러한 변화는 학습자 개인의 노력만으로 이루어지지 않는다. 교수자와 교육기관, 나아가 제도와 규범의 차원에서 다층적인 준비가 함께 이루어져야 한다. 여기서 소개한 자료가 의학교육자들이 이러한 준비를 시작하는 데 작은 길잡이가 되기를 바라며, AI와 인간이 각자의 역할을 바탕으로 더 나은 의료와 교육의 미래를 함께 모색해 나가기를 기대한다.