2022 개정 교육과정 기반 고교학점제:
인공지능(AI) 및 정보 교과 심층 분석 및 대응 전략

2.1. 교과목 위계의 재편: 보통 교과의 세분화와 선택 전략

고교학점제 체제에서 고등학교 교과는 크게 공통 과목과 선택 과목으로 구분되며, 선택 과목은 다시 일반 선택, 진로 선택, 융합 선택으로 세분화됩니다. 이러한 구분은 단순히 과목의 난이도 차이를 넘어, 내신 성적 산출 방식과 대학 입시 반영 방식에 결정적인 영향을 미칩니다.

2.1.1. 공통 과목: 기초 소양의 확립

고등학교 1학년 시기에 주로 이수하는 공통 과목(공통국어, 공통수학, 공통영어, 한국사, 통합사회, 통합과학 등)은 모든 학생이 필수적으로 이수해야 하는 과목입니다. 2025년부터는 이들 과목에 대해 5등급제 석차등급(상대평가)과 성취도(A~E, 절대평가)가 모두 산출되므로, 고1 내신 관리는 여전히 입시의 가장 중요한 기초가 됩니다.

2.1.2. 일반 선택 과목: 학문적 심화의 토대

고2~3 시기에 주로 이수하는 일반 선택 과목은 각 교과별 주요 학습 내용을 포괄하는 과목입니다. 정보 교과군에서는 '정보(Information)' 과목이 여기에 해당하며, 이는 컴퓨터 과학(Computer Science)의 핵심 개념을 다루는 과목으로서 위계상 가장 중요한 위치를 차지합니다.

2.1.3. 진로 선택 과목: 전공 적합성의 증명

학생의 진로와 적성에 따라 심화 학습을 하거나 실생활 체험을 할 수 있는 과목군입니다. '인공지능 기초', '데이터 과학', '인공지능 수학' 등이 이 범주에 속합니다. 기존 2015 개정 교육과정에서는 진로 선택 과목에 대해 성취도(A/B/C)만 산출하여 변별력이 낮았으나, 2025년부터는 성취도 5단계(A~E)와 함께 석차등급 5등급제가 병기될 가능성이 높습니다.

2.1.4. 융합 선택 과목: 창의·융합 역량의 실현

교과 간의 벽을 허물고 실생활 문제 해결을 목표로 하는 신설 과목군입니다. '소프트웨어와 생활', '융합과학 탐구' 등이 포함됩니다. 이 과목들은 학생의 융합적 사고력과 문제 해결 능력을 보여줄 수 있는 가장 좋은 기회이며, 학생부 세부능력 및 특기사항(세특) 기재를 통해 정성 평가에서 높은 점수를 받을 수 있는 전략 과목입니다.

2.2. 2025학년도 내신 평가 체제 개편 (9등급제 → 5등급제)

2025학년도 고1부터 적용되는 내신 평가 체제의 변화는 대입 전략의 근본적인 수정을 요구합니다.

등급	비율(누적)	기존 9등급제와의 비교 및 함의
1등급(A)	상위 10%	기존 1등급(4%) + 2등급(7%) + 3등급 초반까지 포함. 1등급 확보가 수월해진 반면, 최상위권 변별력은 약화됨.
2등급(B)	누적 34%	기존 3등급(23%) + 4등급 전체. 중상위권 학생들의 내신 인플레이션 발생 예상.
3등급(C)	누적 66%	기존 4등급 후반 ~ 5등급 ~ 6등급 초반.
4등급(D)	누적 90%	하위권 학생들.
5등급(E)	누적 100%	최하위권.

이러한 변화는 '내신 등급의 변별력 약화'를 의미하며, 이는 대학 입시에서 '세부능력 및 특기사항(세특)'과 '수행평가 결과물의 질적 수준'이 합불을 가르는 결정적인 요소로 부상함을 시사합니다. 즉, 단순히 시험 문제를 잘 풀어 1등급을 받는 것만으로는 부족하며, 수업 시간 내에 보여주는 탐구 역량, 프로젝트 수행 능력, 그리고 진로와의 연계성이 학생부에 얼마나 구체적으로 기록되느냐가 핵심 경쟁력이 됩니다.

인공지능 및 정보 관련 교과는 크게 정보 교과군(정보, 인공지능 기초, 데이터 과학 등)과 수학 교과군(인공지능 수학)으로 나뉩니다. 각 과목의 특성을 정확히 파악하고 유기적으로 연결하여 학습하는 것이 중요합니다.

3.1. 정보 (Information) - 일반 선택 과목

고등학교 정보 교과는 모든 IT 관련 학습의 근간이 되는 과목입니다. 2022 개정 교육과정에서는 디지털 대전환 시대에 맞춰 내용이 대폭 보강되었습니다.

3.1.1. 내용 체계 상세 분석

정보 과목은 다음의 5개 핵심 영역으로 구성됩니다.

• 컴퓨팅 시스템 (Computing System): 컴퓨터의 하드웨어와 소프트웨어 구조뿐만 아니라, 운영체제(OS)의 역할, 네트워크의 기본 원리, 그리고 피지컬 컴퓨팅(센서 및 액추에이터 제어)을 다룹니다. 이는 향후 컴퓨터공학이나 전자공학 진학 시 하드웨어 이해의 기초가 됩니다.
• 데이터 (Data): 데이터의 수집, 관리, 분석, 시각화 과정을 포괄합니다. 단순한 스프레드시트 활용을 넘어, 텍스트 데이터나 이미지 데이터와 같은 비정형 데이터의 처리 방법과 데이터베이스(DB)의 기초 개념을 학습합니다.
• 알고리즘과 프로그래밍 (Algorithm and Programming): 문제 해결을 위한 절차적 사고를 배우는 핵심 영역입니다. 텍스트 기반 프로그래밍 언어(주로 Python이나 C언어)를 사용하여 변수, 연산자, 제어 구조(조건문, 반복문), 배열, 함수 등을 학습합니다.
• 인공지능 (Artificial Intelligence): AI의 개념, 지능 에이전트, 기계학습(Machine Learning)의 기초 원리를 다룹니다. 정보 과목에서는 AI를 기술적 도구로서 활용하는 방법에 초점을 맞춥니다.
• 디지털 문화 (Digital Culture): 정보 윤리, 저작권, 사이버 폭력 예방, 정보 보안, 개인정보 보호 등을 다루며, 건전한 디지털 시민성을 함양합니다.

3.1.2. 평가 및 대비 전략

정보 과목의 평가는 지필평가와 수행평가의 비율이 통상 4:6 또는 3:7로 수행평가 비중이 매우 높습니다.

• 지필평가: 프로그래밍 문법을 묻는 문제, 주어진 코드의 실행 결과를 예측하는 문제(Code Tracing), 알고리즘의 빈칸을 채우는 문제 등이 출제됩니다. 특히 서·논술형 문제에서는 문제 해결 과정을 논리적으로 서술하는 능력을 평가합니다.
• 수행평가: 프로젝트 중심 학습(PBL)이 주를 이룹니다. "학교 생활의 불편함을 해결하는 프로그램 제작", "공공 데이터를 활용한 지역 문제 분석" 등 실생활 문제를 컴퓨팅 사고력으로 해결하는 전 과정을 평가합니다.

3.2. 인공지능 기초 (AI Basics) - 진로 선택 과목

'정보' 과목에서 배운 프로그래밍 역량을 바탕으로 인공지능의 원리와 기술을 심화 탐구하는 과목입니다.

3.2.1. 교과서 내용 심층 분석

주요 출판사(비상, 씨마스, 미래엔 등)의 교과서 목차를 분석하면 다음과 같은 심화 내용을 다룹니다.

• 인공지능의 이해: 튜링 테스트, AI의 역사, 강인공지능과 약인공지능의 구분.
• 데이터와 기계학습: 데이터의 중요성, 데이터 편향성(Bias)의 위험, 지도학습(분류, 회귀), 비지도학습(군집화), 강화학습의 개념적 이해.
• 인공지능 모델: 퍼셉트론(Perceptron)과 인공신경망(ANN)의 구조, 딥러닝(Deep Learning)의 등장 배경과 원리. 이미지 인식(CNN)이나 자연어 처리(RNN)의 기초 개념을 다룰 수 있습니다.
• 인공지능의 사회적 영향: AI 윤리 가이드라인, 트롤리 딜레마의 AI 버전, 일자리의 변화, 알고리즘의 공정성 문제 등 인문학적·사회학적 쟁점을 다룹니다.

3.2.2. 학습 및 평가 전략

이 과목은 기술적 구현 능력뿐만 아니라 'AI 리터러시'와 '윤리적 감수성'을 중요하게 평가합니다.

수행평가에서 단순히 기존의 AI 모델을 가져다 쓰는 것에 그치지 말고, "왜 이 모델이 이러한 결과를 내놓았는가?"를 분석하는 설명 가능한 AI(XAI) 관점의 접근이 차별화 포인트가 됩니다. 또한, AI 윤리 문제에 대해 찬반 토론을 하거나 에세이를 작성하는 수행평가가 자주 등장하므로, 관련 이슈(예: 딥페이크, 채용 AI 차별)에 대한 뉴스 스크랩과 자신의 견해 정리가 필요합니다.

3.3. 인공지능 수학 (AI Mathematics) - 진로 선택 과목 (수학과)

많은 학생들이 가장 생소해하고 어려워하는 과목입니다. 이 과목은 정보 교과가 아닌 수학 교과에 속하며, 인공지능의 작동 원리를 수학적으로 해석하고 이해하는 데 목표를 둡니다.

3.3.1. 수학적 개념과 AI의 연결 고리

기존 수학 과목의 개념들이 AI에서 어떻게 쓰이는지 구체적으로 학습합니다.

• 인공지능과 데이터 (벡터와 행렬): 텍스트 데이터를 단어들의 빈도수 등으로 수치화하여 벡터(Vector)로 표현합니다. 이미지 데이터는 픽셀 단위의 수치로 변환하여 행렬(Matrix)로 표현합니다.
• 자료의 경향성 (함수와 통계): 산점도를 그리고 데이터의 추세를 가장 잘 설명하는 추세선을 찾습니다. 이는 일차함수와 통계적 회귀분석의 기초가 됩니다.
• 최적화 (미분): AI 모델이 정답을 찾아가는 과정인 '학습'을 수학적으로 정의합니다. 오차를 나타내는 손실 함수(Loss Function)를 정의하고, 이 손실 함수의 값을 최소화하기 위해 미분(접선의 기울기)을 이용한 경사하강법(Gradient Descent)의 원리를 학습합니다. 이것이 이 과목의 가장 고난도이자 핵심 파트입니다.

3.3.2. 선수 과목 및 학습 로드맵

이 과목을 수강하기 위해서는 '공통수학'의 이수가 필수적이며, '수학 I', '수학 II'의 기초 개념이 잡혀 있어야 수월합니다. 특히 미분의 개념(수학 II)과 벡터의 개념(기하, 또는 인공지능 수학 자체 도입)이 필수적입니다.

문제를 푸는 스킬보다는 '수학적 개념의 적용'에 초점을 맞춰야 합니다. 예를 들어, "왜 경사하강법에서 기울기의 반대 방향으로 이동해야 하는가?"를 수학적으로 설명할 수 있어야 합니다.

3.4. 데이터 과학 (Data Science) - 진로/융합 선택 과목

데이터의 생성부터 수집, 저장, 처리, 분석, 시각화에 이르는 전체 생명주기(Life Cycle)를 다루는 실습 중심의 과목입니다.

3.4.1. 프로젝트 중심 커리큘럼

교과서는 이론보다는 실습 위주로 구성되어 있습니다.

• 데이터 수집: 공공 데이터 포털(data.go.kr), 캐글(Kaggle) 등에서 데이터를 다운로드하거나, 웹 크롤링(Crawling)을 통해 직접 데이터를 수집합니다.
• 데이터 전처리: 결측치(비어있는 값) 처리, 이상치(Outlier) 제거, 데이터 형식 변환 등 분석 가능한 형태로 데이터를 다듬는 과정을 배웁니다.
• 탐색적 데이터 분석 (EDA): 시각화 도구(Matplotlib, Seaborn, Tableau 등)를 활용하여 데이터의 특징을 파악합니다.
• 데이터 모델링 및 의사결정: 회귀 분석, 분류 모델 등을 적용하여 미래를 예측하거나 의사결정의 근거를 마련합니다.

3.4.2. 융합적 프로젝트 수행 전략

이 과목은 문·이과 구분 없이 모든 학생에게 유용합니다.

• 인문/사회 계열: "소셜 미디어 텍스트 분석을 통한 청소년 언어 습관 연구", "지역별 범죄율 데이터와 CCTV 설치 현황의 상관관계 분석" 등 사회 문제를 데이터로 해석하는 프로젝트.
• 자연/공학 계열: "기상 데이터를 활용한 태양광 발전량 예측", "환자의 생체 신호 데이터를 이용한 건강 상태 분류" 등 과학적 가설을 검증하는 프로젝트.

3.5. 소프트웨어와 생활 (Software and Life) - 융합 선택 과목

비전공자나 인문 계열 학생들도 쉽게 접근할 수 있도록 구성된 교양 성격의 과목입니다. 프로그래밍의 기술적 깊이보다는 소프트웨어가 우리 삶과 사회에 미치는 영향, 그리고 소프트웨어를 활용한 창의적 문제 해결에 중점을 둡니다. 앱 인벤터(App Inventor) 등을 활용한 간단한 앱 제작이나 피지컬 컴퓨팅 도구(마이크로비트 등)를 활용한 메이커 교육이 주를 이룹니다.

고교학점제에서의 성공은 체계적인 준비와 선행 학습(Seonhaeng)에 달려 있습니다. 단순히 진도를 미리 나가는 것이 아니라, '역량'을 미리 키우는 것이 핵심입니다.

4.1. 중학교 ~ 고1 입학 전: 기초 체력 다지기

이 시기는 본격적인 텍스트 코딩으로 전환하는 '골든 타임'입니다.

4.1.1. 블록 코딩에서 텍스트 코딩으로의 전환

중학교 때 주로 배우는 엔트리(Entry)나 스크래치(Scratch)와 같은 블록 코딩은 논리적 흐름을 익히는 데는 좋지만, 고등학교 정보 교과의 수행평가나 알고리즘 문제를 해결하기에는 한계가 있습니다.

Action Plan: 파이썬(Python) 학습을 시작해야 합니다. 파이썬은 문법이 간결하고 데이터 과학 및 AI 분야의 표준 언어이므로 고등학교 전 과정에서 활용도가 가장 높습니다. 변수, 자료형(리스트, 딕셔너리), 제어문(if, for, while), 함수(def)의 기본 문법을 익히고, 간단한 계산기나 구구단 출력 프로그램을 직접 타이핑하여 만들어보는 연습을 해야 합니다.

타자 연습: 의외로 많은 학생들이 영문 타자 속도가 느려 코딩 시험 시간 부족을 호소합니다. 영타 200~300타 수준을 목표로 연습해두면 큰 자산이 됩니다.

4.1.2. 온라인 코딩 테스트 사이트 활용 (Online Judge)

이론만으로는 프로그래밍 실력이 늘지 않습니다. 문제를 풀며 컴퓨팅 사고력을 키워야 합니다.

• 백준 온라인 저지 (BOJ): 국내에서 가장 방대한 문제 은행을 보유하고 있습니다. '단계별로 풀어보기' 메뉴를 통해 입출력부터 시작하여 조건문, 반복문, 배열 순으로 차근차근 정복해 나가는 것을 추천합니다.
• 프로그래머스 (Programmers): 기업 코딩 테스트와 유사한 환경을 제공하며, 문제 풀이 후 다른 사람의 코드를 쉽게 볼 수 있어 학습 효과가 좋습니다. 레벨 0~1 단계의 문제를 풀어보며 자신감을 키웁니다.
• Coding Game: 게임 형식을 빌려 캐릭터를 움직이거나 적을 물리치는 코드를 작성하는 사이트입니다. 코딩에 흥미가 없는 학생들에게 강력히 추천합니다.

4.2. 고등학교 학기 중: 내신 및 수행평가 실전 전략

고등학교 입학 후에는 철저히 평가 기준에 맞춘 학습이 필요합니다.

4.2.1. 지필평가 대비: 개념의 구조화

교과서에 나오는 핵심 개념(예: 정렬 알고리즘의 작동 방식, OSI 7계층, 저작권법 조항 등)을 구조화하여 암기해야 합니다. 특히 정보 과목 시험에서는 '손 코딩(Hand-Coding)' 문제가 자주 출제되므로, 컴퓨터 없이 종이에 직접 코드를 쓰며 논리적 오류(Syntax Error, Logical Error)를 찾아내는 훈련을 해야 합니다.

4.2.2. 수행평가 및 세특 관리: 차별화된 스토리텔링

내신 변별력 약화로 인해 세특의 중요성이 절대적입니다. 수행평가는 '제출'이 목표가 아니라 '기록'이 목표가 되어야 합니다.

주제 선정의 3원칙:

• 진로 연계성: 자신의 희망 전공과 관련된 주제인가? (예: 의대 지망생 → 의료 데이터 분석)
• 심화 탐구: 교과서 내용을 넘어선 추가 학습이 포함되었는가? (예: 수업 시간에 배운 선형 회귀를 넘어 로지스틱 회귀까지 탐구)
• 문제 해결: 실제 존재하는 문제를 해결하려는 시도가 있는가?

프로젝트 예시 (의학 계열): "폐렴 진단 보조 AI 모델 제작"

• 동기: 생명과학 시간에 배운 호흡기 질환의 진단 과정이 복잡함을 인지하고, AI를 통해 이를 보조할 수 있는지 궁금해짐.
• 과정: Kaggle에서 흉부 X-ray 데이터셋을 확보하고, 파이썬 TensorFlow 라이브러리를 활용해 CNN 모델을 설계함. 학습 과정에서 과적합(Overfitting) 문제가 발생하여 드롭아웃(Dropout) 기법을 적용해 해결함.
• 결과: 90% 이상의 정확도를 달성했으며, 의사의 진단을 보조하는 도구로서의 윤리적 책임(오진 시 책임 소재 등)에 대해 보고서를 작성함.

프로젝트 예시 (인문 계열): "빅데이터로 보는 우리 동네 젠트리피케이션"

• 동기: 사회탐구 시간에 배운 도시화 문제에 관심을 가짐.
• 과정: 서울시 상권 분석 서비스의 공공 데이터를 활용하여 최근 5년 간 우리 동네의 임대료 상승률과 폐업률 추이를 분석하고 시각화함.
• 결과: 데이터에 기반하여 젠트리피케이션의 진행 단계를 진단하고, 이를 해결하기 위한 정책 제언을 담은 카드 뉴스를 제작함.

서울대학교를 비롯한 주요 대학들은 '전공 연계 교과이수 과목'을 제시하여 고교 교육과정 선택을 입시에 반영하고 있습니다. 이는 학생이 고교 3년 동안 어떤 과목을 듣고 어떤 역량을 키웠는지를 보겠다는 강력한 시그널입니다.

5.1. 주요 계열별 추천 이수 과목 및 포인트

계열	핵심 권장 과목	추천 진로 선택 과목	입시 전략 포인트
컴퓨터/SW/AI	미적분, 기하, 정보	인공지능 수학, 정보과학, 인공지능 기초	수학적 깊이가 핵심입니다. '정보' 과목 세특에서 알고리즘의 효율성(시간 복잡도)을 분석하거나, '미적분' 세특에서 AI 최적화 원리를 설명하는 등 수학과 SW의 결합을 보여줘야 합니다.
전자/전기/기계	미적분, 기하, 물리학I/II	인공지능 기초, 데이터 과학	하드웨어 제어와 관련된 피지컬 컴퓨팅 경험이나, 센서 데이터 수집 및 분석 경험을 강조합니다. 로봇 제어 알고리즘 탐구 등이 유리합니다.
의학/생명/약학	미적분, 생명과학I/II	데이터 과학, 인공지능 기초	'데이터 기반의 의학'이 트렌드입니다. 유전체 데이터 분석, 질병 예측 모델링 등 생명과학 실험 결과 데이터를 통계적으로 분석하는 역량을 어필합니다.
경영/경제/통계	미적분, 확률과 통계	데이터 과학, 경제수학, 사회문제 탐구	통계적 분석 능력이 필수입니다. 사회/경제 데이터를 크롤링하여 분석하고, 인사이트를 도출하여 의사결정을 내리는 과정을 보여줍니다. R이나 파이썬 활용 능력이 큰 가산점이 됩니다.
인문/사회/어문	확률과 통계, 사회 교과	소프트웨어와 생활, 인공지능 윤리	디지털 인문학(Digital Humanities) 관점으로 접근합니다. 텍스트 마이닝을 통한 문학 작품 분석, 챗봇의 언어 습득 원리 탐구, AI 윤리 쟁점 분석 등이 훌륭한 주제입니다.

5.2. 서울대학교 교과 이수 기준 분석

서울대 컴퓨터공학부의 경우 '미적분'과 '기하'를 핵심 권장 과목으로 지정하고 있으며, '확률과 통계', '정보'를 권장 과목으로 제시합니다. 이는 AI 및 컴퓨터 과학의 본질이 수학에 있음을 의미합니다.

따라서 단순히 코딩을 잘하는 것을 넘어, "왜 이 코드가 작동하는가?"에 대한 수학적·논리적 배경을 설명할 수 있어야 서울대 수준의 학종 대비가 가능합니다. 예를 들어, 인공지능 수학 과목을 이수하면서 행렬과 벡터의 개념을 확실히 다지고, 이를 정보 과목의 이미지 처리 프로젝트와 연계하여 학생부에 기재되도록 설계해야 합니다.