1. 서 론

1.1. 연구의 목적

본 연구의 주된 목적은 디자인 씽킹 방법론과 생성형 인공지능(Artificial Intelligence, 이하 AI)을 활용하여 디지털 디자인 교육의 가능성과 한계를 탐구하는 것이다. 현대 건축물의 규모와 다양한 시설이 점차 증가하고, 설계 접근 방식과 디지털 도구의 활용이 다양해짐에 따라, 전통적인 교육 방식만으로는 학생들이 시장에서 요구하는 복잡한 디자인 문제를 해결하기에 충분하지 않게 되었다(Tracey & Boling, 2014). 이러한 문제의식에서 출발하여, 본 연구는 디자인 씽킹과 AI의 결합이 디지털 디자인 교육을 어떻게 변화시킬 수 있는지, 그리고 이러한 변화가 학생들의 학습 결과에 어떤 긍정적인 영향을 미칠 수 있는지를 분석한다.

디자인 씽킹은 본래 제품 디자인과 서비스 개발에서 주로 활용되어 온 인간 중심의 문제 해결 방법론으로, 최근 건축 교육과 실무에서도 점점 더 주목받고 있다. 특히 건축 분야에서 디자인 씽킹은 복잡한 설계 문제를 체계적으로 해결하기 위한 도구로 활용된다. 이 방법론은 사용자 경험을 중심으로 문제를 정의하고 창의적인 아이디어를 도출하며, 이를 구체적인 설계로 구현하고 테스트하는 과정을 통해 건축의 창의성과 실용성을 동시에 높이는 데 기여한다(Brown & Katz, 2011).

건축 실무에서는 디자인 씽킹을 활용하여 복합적인 사용자 요구, 환경적 요건, 기술적 한계를 조화롭게 통합하는 과정이 이루어지고 있다. 예를 들어, 설계 초기 단계에서 사용자와의 워크숍 및 인터뷰를 통해 요구사항을 도출하고, 이를 기반으로 프로토타입을 제작하여 반복적으로 테스트하고 개선하는 방식이 점차 확산되고 있다. 이는 특히 비정형 건축 설계나 지속 가능성을 고려한 설계와 같은 복잡한 디자인 상황에서 효과적으로 활용된다(Liedtka & Ogilvie, 2011).

건축 교육에서도 디자인 씽킹은 창의적 문제 해결 능력을 배양하고, 실제 설계 문제에 대한 체계적인 접근 방식을 학생들에게 제공하는 도구로 활용된다(Won, 2017). 학생들은 디자인 씽킹의 다섯 단계를 통해 복잡한 설계 과정을 단계적으로 경험하고, 이를 디지털 도구(Rhino, 3D 프린팅 등)와 통합하여 구체적인 결과물을 만들어낸다(Greenhalgh, 2016). 이러한 접근은 학생들이 실제 건축 실무에서 요구되는 기술과 사고방식을 습득하는 데 기여한다.

이러한 맥락에서, 본 연구는 디자인 씽킹이 건축 디지털 디자인 교육에서 어떤 방식으로 통합되고 활용될 수 있는지, 그리고 최신 디지털 디자인 툴로서 생성형 인공지능 기술과 결합하여 어떠한 효과를 발휘할 수 있는지를 탐구하는 데 초점을 맞추고 있다.

1.2. 연구의 방법 및 절차

본 연구는 서울 소재 5년제 건축학 인증 대학교의 1학년 대상 필수 전공 교과목인 다차원 디지털 디자인 수업 사례 분석을 기반으로 한다. 본 디지털 디자인 수업은 디지털디자인 도구를 학습하기 위한 컴퓨터 실습과목으로 1학년 2학기에 배치되어있으며, 1학기에 AutoCAD와 SketchUp과 같은 2D 도면 작성 및 3D 모델링에 관한 기본적인 디지털 도구를 학습한데 이어, 이후 Rhino를 기반으로 진행되는 디지털 디자인 교과목들의 학습을 준비하기 위해 Rhino 툴을 중심으로 진행된다.

기존의 컴퓨터 실습과목이 단순한 툴을 학습하는 수업 진행 방식인 것과는 달리, 수업방법론으로써 디자인 씽킹을 적용하고 생성형 AI를 포함한 다양한 디지털 디자인 툴을 활용하여 학생들이 팀 프로젝트를 통해 디지털 디자인 사례를 보다 사용자 입장에서 깊이 이해하고 분석한 것을 기반으로 사례 프로젝트를 구현할 수 있도록 계획하였다. 특히, 생성형 AI를 효과적으로 활용하기 위해 학생들은 생성형 AI를 단순히 사용하는 것이 아니라, 각 도구의 특성과 한계를 이해하고, 프롬프트 엔지니어링 및 최적화 기법을 적용하는 과정도 함께 수행하였다. 학생들이 어떤 추가적인 학습 과정을 거쳤는지, 그리고 이를 통해 디자인 결과물이 어떻게 향상되었는지를 활동지를 통해 기록하게 하고 이를 심층적으로 분석하였다.

본 연구는 디자인 씽킹 방법론의 다섯 단계를 기반으로 비정형 디지털 건축에 대한 깊이 있는 이해를 도모한다. 디자인씽킹의 첫 번째 단계인 공감하기를 통해 팀에서 선정한 건축가와 사례에 대해 사용자 입장에서 페르소나를 활용하여 심도 있게 이해하도록 하였다. 이 과정에서 학생들은 ChatGPT와 같은 생성형 AI를 활용하여 사례와 관련된 주요 사용자 경험을 분석하고, 이를 시각적 또는 텍스트 데이터로 변환하여 공감을 도출하는 데 활용하였다. 두 번째 단계인 문제 정의단계를 통해 사례가 갖고 있는 문제를 재 정의하고 목표를 설정하도록 하였다. 이를 위해 학생들은 생성형 AI를 활용하여 사례와 관련된 주요 사용자 경험을 분석하고, 이를 사례의 문제점을 체계적으로 정리하고, 키워드 추출 및 패턴 분석을 통해 문제의 핵심을 파악하도록 하였다. 세 번째 단계인 아이디어 도출에서는 디자인 해결방안을 모색하였다. 이 과정에서 학생들은 생성형 AI를 활용하여 다양한 아이디어 스케치를 생성하고, 이를 비교 분석하여 최적의 해결방안을 찾도록 유도하였다. 특히 생성형 AI는 다양한 대안들을 빠르게 시각화하고, 이를 토대로 팀 내 토론을 통해 최종 방향을 결정하는데 도움이 되었다. 네 번째 단계인 프로토타이핑을 통해 다양한 디자인 툴을 통해 사례의 디자인 목표를 구현하도록 하였다. Rhino를 통한 모델링, 생성형 AI 렌더링, 그리고 3D 프린팅 등에 초점을 두고, 비정형 디자인을 구현하는 다양한 과정을 경험하도록 하였다. 여기에서 Rhino는 곡면 모델링을 효과적으로 지원하고, AI 렌더링은 고도의 완성도 높은 이미지를 실시간으로 생성하는 것을 통해, 반복적인 모델링 수정과 개선 작업을 효과적으로 지원하였다. 최종적으로 3D 프린팅을 통해 실제 모형도 제작함으로써 다양한 디지털 디자인 도구를 활용한 프로토타입을 구현하도록 하였다.

특히, 다섯 번째 평가의 단계에서는 디자인 씽킹 평가 지표를 바탕으로 학생들 간 상호 평가를 실시하여 팀 프로젝트의 성과를 평가하는 한편, 디자인 씽킹의 본 프로젝트에 대한 영향력을 평가하기 위해 각 단계의 효용성을 5점 척도로 평가하도록 하였다. 학생 간 평가지표는 디자인씽킹 관련 선행연구들로부터 도출되었다: 구조적 체계성(Structural Coherence) (Simon, 2019), 발표 준비의 충실성(Preparation Thoroughness), 발표의 창의성(Creativity of Presentation) (Brown & Katz, 2011), 각 과정 진행의 숙성도(Maturity of Process) (Schön, 2017), 산출물의 매력성(사용자의 니즈에 부합하며 사용자 경험을 향상시키는지) (Desirability_User Needs and Experience) (Norman, 2013), 실현 가능성(현재 기술, 장비, 자원 및 예산 내에서 구현 가능한지) (Feasibility_Technology, Resources, Budget) (Thomke, 2003), 실행 가능성(추후에도 지속적으로 유지 보수되고 발전될 수 있는 구조를 가졌는지) (Viability_Sustainability and Maintenance) (Elkington & Rowlands, 1999) 등, 이 평가는 구글 폼을 통해 정보를 수집하고 분석함으로써 진행되었으며, 이를 통해 프로젝트의 전반적인 품질과 효과를 종합적으로 이해하고 개선할 수 있는 기회를 제공하였다.

이러한 수업 진행 방식은 20224년 개정 건축학인증 제도에서 요구하는 수행평가기준의 공통가치인 3. 창의적 문제해결능력을 충족 시킬 뿐만 아니라, 세부적인 핵심역량들에도 대응한다(한국건축학교육인증원, KAAB, 2024). 다음의 Table 1은 핵심역량과 디지털 씽킹 기반 디지털 디자인 팀 프로젝트의 단계와 목표, 그리고 5단계 테스트의 평가지표와의 대응을 구체적으로 설명하고 있다.

이렇듯, 본 연구는 학생들의 프로젝트 수행 과정에서 질적 피드백을 수집하고, 디자인 씽킹 평가 지표를 적용하여 데이터 분석을 진행하였다. 정성적 평가 방법을 중심으로 연구를 수행하면서도, 평가의 신뢰성과 타당성을 높이기 위해 학생 간 상호 평가 데이터를 활용하고, 주요 평가 지표에 대한 정량적 분석을 추가하여 프로젝트 수행 과정을 정량적 결과와 정성적 피드백을 상호보완적으로 분석하였다.

2. 문헌 고찰

2.1. 교육에서 디자인 씽킹의 역사적 개요

디자인 씽킹은 디자인 분야 뿐만 아니라 교육 맥락에서 특히 중요한 발전을 이루고 있다. 그 기원과 진화를 추적해보면, 최초로 디자인 씽킹 개념이 학문적으로 소개된 것은 1960년대로, 허버트 사이먼(Herbert Simon)의 저서 “과학들의 과학(Sciences of the Artificial)”에서 공학, 건축, 교육 등 여러 분야에 걸친 문제 해결 방법으로 디자인 씽킹을 제안하였다(Simon, 2019). 이후 이 개념은 여러 학문 분야에서 다양하게 해석되고 확장되어 왔다. 한편, 1987년 피터 G. 로우(Peter G. Rowe)의 책 “Design Thinking” 디자인 프로세스에 대한 상세한 분석을 제공하고 체계적인 문제 해결 접근 방식을 강조하였다(Rowe, 1991). 더불어, 리처드 부캐넌(Richar Buchanan)의 1992년 논문 “Wicked Problems in Design Thinking”은 디자인 씽킹이 복잡하고 상호 연관된 문제를 해결하는 방법에 대해 논의하면서 개념을 더욱 확립했다(Buchanan, 1992).

디자인 씽킹의 현대적 응용에 큰 영향을 미친 두 명의 주요 이론가는 팀 브라운(Tim Brown)과 로저 마틴(Roger Martin)이다. 팀 브라운은 IDEO의 CEO로서, 디자인 씽킹을 창의적 문제 해결 프로세스로 대중화하는 데 기여했다. 그의 저서 “Change by Design”은 디자인 씽킹을 통해 혁신적인 솔루션을 창출할 수 있는 방법론을 제시한다(Brown & Katz, 2011). 로저 마틴 또한 “The Design of Business”에서 디자인 씽킹을 통해 비즈니스와 경영에 혁신을 가져올 수 있는 전략적 도구로서의 가능성을 탐구하였다(Martin, 2009).

교육 분야에서 디자인 씽킹의 적용은 학습자 중심의 교육 접근법을 통해 학생들의 창의적 문제 해결 능력을 개발하는 데 초점을 맞추고 있다. 여러 연구에서는 디자인 씽킹이 학생들의 비판적 사고, 협업 능력 및 창의성을 향상시키는 데 긍정적인 영향을 미쳤음을 보고하고 있다. 예를 들어, Razzouk와 Shute (2012)의 연구에서는 디자인 씽킹 교육이 학생들의 문제 해결 능력을 개선하였다는 결과를 제시했다.

그러나 디자인 씽킹의 교육적 적용은 몇 가지 한계도 드러냈다. 일부 연구에서는 모든 교육 분야나 상황에서 디자인 씽킹이 동일하게 효과적이지 않을 수 있으며, 특히 전통적인 학습 평가 방식과의 부조화가 문제로 지적되기도 했다(Edelman, Owoyele, Santuber, & Talbot, 2021; Haskamp, 2021). 이러한 한계를 인식하고, 효과적인 디자인 씽킹 교육 방법론을 개발하기 위한 추가적인 연구가 요구된다.

따라서 본 연구는 디자인 씽킹의 학습 효과를 분석하여 디지털 디자인 교육에 활용하는 방안을 모색한다.

2.2. 디자인씽킹을 활용한 건축 디자인 교육에서 생성형 AI의 역할과 영향

디자인 교육에 AI 기술을 통합하는 방식은 매우 다양하다. 최근 몇 년간, AI는 디자인 교육에서 중요한 역할을 차지하게 되었으며, 이는 학생들이 더 창의적이고 효율적으로 작업할 수 있도록 지원해오고 있다.

먼저, AI 도구 유형을 살펴보면, 패턴 인식을 위한 머신 러닝 알고리즘과 새로운 디자인 솔루션을 생성하는 생성적 디자인 도구가 주로 사용된다. 머신 러닝 알고리즘은 대규모 데이터 세트를 분석하고 패턴을 인식하여, 디자이너가 더 나은 결정을 내릴 수 있도록 돕는다(Hwang, Xie, Wah, & Gašević, 2020). 예를 들어, 건축디자인에서 AI는 과거의 디자인 개념 데이터를 분석하여 새로운 트렌드를 예측하고 적용할 수 있다. 하지만 이러한 분석과 구현에는 데이터 코딩이라는 전문적인 기술이 요구되어 학부단계에서의 교육과 활용이 어려웠다. 하지만 2023년 ChatGPT를 선두로 다양한 이미지 생성형 AI 툴들의 등장은 교수자와 학습자 모두에게 쉽게 접근하여 활용할 수 있는 기회를 제공하였다(Lee, 2024).

이러한 생성형 AI를 디자인씽킹을 활용한 건축 디자인 교육에 활용하는 것의 이점을 정리해보면 다음과 같다(Elsbach and Stigliani, 2018; Hwang et al., 2020; Haskamp 2021; Lee, 2024): 첫째, 창의성 증진: AI는 반복적인 작업을 자동화하여 디자이너가 창의적인 작업에 더 많은 시간을 할애할 수 있게 한다. 둘째, 실시간 피드백: AI는 실시간으로 피드백을 제공하여 학생들이 즉각적으로 수정하고 개선할 수 있도록 돕는다. 셋째, 개인화된 학습: AI는 각 학생의 학습 속도와 스타일에 맞춘 개인화된 학습 경로를 제공하여 문제 해결 능력과 팀 프로젝트에서 요구되는 협업 능력을 향상시킨다.

이렇듯, AI 기술이 디자인 교육에서 창의적이고 효율적인 학습 환경을 조성하는 데 중요한 역할을 할 수 있음을 알 수 있다. 동시에, 효과적인 통합을 위해서는 기술적, 교육적 준비가 필요하며, 이는 지속적인 연구와 개발을 통해 이루어질 수 있다.

3. 수업사례 분석

디자인 씽킹과 생성형 AI를 활용한 팀 프로젝트 결과물에 대한 분석은 세 단계로 나아간다. 첫째, 디자인 씽킹의 각 단계에 따른 팀 프로젝트 결과물의 도전 과제과 해결과정을 논의한다. 둘째, 디자인 씽킹 방법론의 테스트 단계의 일환이자 학생간 평가로 팀 프로젝트의 결과물을 7가지로 지표로 평가하고, 개선점을 도출한다. 마지막으로, 학생설문을 통해 디자인 씽킹 단계별 학습경험을 세부적으로 평가하고, 그 효용성을 검증한다.

3.1. 참여 학생 특성

본 연구에 참여한 학생들은 1학년 2학기에 개설된 ‘다차원 디지털 디자인’이라는 전공 필수 이론 과목에 등록한 총 26명의 학생들로 구성되었으며, 재수강하는 고학년 학생들도 일부 포함되어있었다. 총 6개 팀 중 2개 팀은 고학년 학생들로만 구성되었으며, 나머지 4개 팀은 1학년 학생들로 이루어졌다. 그러나 연구 대상 학생들 모두 AI를 활용한 모델링 기반 렌더링 도구를 활용한 경험이 없었기 때문에, 본 연구의 핵심적인 학습과정인 디자인 씽킹과 AI 도구 적용은 학년과 관계 없이 동일한 출발선에서 진행되었다. 학생들은 AI 기술을 활용하여 디지털 디자인 사례 분석 및 구현 프로젝트를 수행하며, AI 렌더링 도구를 적용하는 경험을 쌓았다. 학생들의 성별과 건축학과 학년 특성을 팀별로 정리해보면 다음 와 같다(Table 2 참조).

3.2. 생성형 AI 도구 선택

디지털 디자인 수업에 적용될 생성형 AI 도구의 선택은 다음의 세 가지 주요 기준을 기반으로 이루어졌다. 첫째, Rhino 3D 모델링과의 호환성을 고려하여, Rhino로 생성된 모델과 이미지를 처리할 수 있는지, 둘째, 렌더링 이미지 품질로써 해상도, 색상 표현, 세부 묘사 수준을(Oppenlaender, 2024) 기준으로 하였으며, 마지막으로, 무료 크레딧 제공여부를 기준으로 삼았다. 이러한 기준을 바탕으로 Veras for Rhino(EvoveLAB, USA), LookX AI(LookX. AI, USA), 그리고 ChatGPT 4o(OpenAI, USA)를 보조 도구로 선정하여 프롬프트 작성 및 설계과정을 지원하였다.

3.3. 디자인 씽킹과 AI를 활용한 팀 프로젝트 결과물 분석

본 장에서는 디자인 씽킹과 AI를 활용한 디지털 디자인 수업 결과물 분석 결과를 제시한다. 총 6개 조가 다양한 비정형 디지털 건축 사례를 선정하고, 디자인 씽킹의 원칙과 접근 방식을 적용하여 프로젝트를 진행하였다. 각 조는 선정된 프로젝트에 대해 공감하기(Empathize), 문제 정의(Define), 아이디어 생성(Ideate), 프로토타이핑(Prototype) 등의 핵심 단계를 따라 프로젝트를 수행하였으며, 디자인씽킹의 단계에 맞춰 발전한 각 팀의 결과물을 정리하면 Table 3과 같다.

Table 3.

Team Project Results of Design Thinking and AI Integration

Team 1의 경우 Hani Rashid의 Daegu Arc Cultural Center를 사례로 선정하고 공감하기 단계에서 사용자의 요구 파악을 통해 주변 현황에 어울리는 물방울이라는 건축 개념이 도출되었음을 파악하였다. 문제 재정의를 통해 물방울의 형태를 다각적으로 건축물에 통합하기 위해 다양한 대안을 실험하였다. 프로토타이핑을 위해 Rhino를 활용하여 복잡한 곡면을 구현해냈고, 그 과정에서 수업에서 연습한 툴을 사용하여 해결해나갔다고 밝혔다.

AI 렌더링을 통해서는 빠른 시간에 다양한 대안을 통해 재질, 형태, 조경에 있어 디테일의 도움을 받은 한편, AI툴의 작동원리에 대한 이해부족으로 인해 원하는 디테일 적용의 어려움을 겪었으며, 이때, 유사한 프롬프트와 변수 조정을 통해 세부 디테일을 개선하였다. 또한 3D 프린팅을 통해 빠르게 양질의 모형을 완성할 수 있었으며, 과정의 어려움에 있어서는 8주차 특강 내용을 다시 살펴보면서 해결하였다고 밝혔다.

Team 2의 경우 공감하기 단계를 통해 Neil Leach의 AI를 사용한 건축물 디자인이 클라이언트의 요구를 충족시키는 혁신적인 설계방식임을 파악한 반면, 대지와 도시 문맥이 반영되지 않은 디자인의 문제점을 발견하였다. 이에 따라 건축물이 도시와 조화를 이루지 못한다고 판단하였다. 이에 따라 아이디어 도출 단계를 통해 이에 따라 청담 명품 거리의 도시 문맥과 어울리는 건축사례로 ‘House of Dior’을 선택하고 이를 바탕으로 새로운 설계를 구상하였다. 프로토타이핑을 위해 Rhino를 활용하여 모델링을 하고, AI 렌더링 및 3D 프린팅으로 세부적인 디테일을 보완하였다.

Team 3의 경우, 첫 번째 공감하기 단계를 통해 Mark Goulthorpe Smart Office의 천정 디자인을 분석하며 사용자의 공간 경험 향상을 목표로 설정하였으나, 곡선모델링 과정에서 기술적 어려움을 발견하였다. 이에 대해 ChatGPT의 도움을 받아 모델링 문제를 해결하고, AI 렌더링을 활용하여 즉각적으로 다양한 대안을 실험하며 원하는 렌더링 방향을 위해 명령어를 디테일하게 작성하며 해결하였다고 밝혔다. 한편, 3D 프린팅을 활용하여 모델링의 물리적 구현 가능성과 디자인의 현실성을 검토해 볼 수 있었다고 평가하였다.

Team 4는 Greg Lynn의 New York Presbyterian Church를 사례로 선정하고, 공감하기단계에서 파악한 사용자 요구와 설계 목표로 지붕의 비정형 형태를 제안하는 것을 도전과제로 삼았다. 아이디어생성단계를 통해 Rhino와 Grasshopper를 활용하여 복잡한 곡면 모델링을 구현하였는데, 그 과정에서 발생한 영어기반 인테페이스 적응의 어려움과 기능 학습 부족 문제는 조원과 인터넷 검색을 통해 해결하였다고 밝혔다. 프로토타이핑 단계에서는 Veras와 LooX AI를 비교분석하여, 모델링 기반 렌더링과 이미지 기반 렌더링의 장단점을 확인하였다. LooX AI는 현실적인 재질 표현을 제공했지만, 메탈 재질이나 사이트 표현에서 미흡한 결과를 보였다고 평가했으며, 이를 해결하기 위해 참고 이미지를 추가하여 보다 만족스러운 결과물을 얻을 수 있었다고 밝혔다. AI 도구의 장점으로는 빠른 시간 안에 구체적이고 고품질의 결과물을 비교할 수 있는 점을 꼽았으며, 단점으로는 자신의 의도를 적절히 표현하기 위한 단어 선택과 언어적 장벽을 해결해야 한다는 점을 지적하였다. 무엇보다 3D 프린팅을 통해 중요한 디자인 요소인 곡선 형태와 “버블”의 세부 사항을 정확히 구현하였는데, 스프레이 도색과 아크릴 부착등을 통해 모형의 완성도를 높였다. 3D 프린팅 과정 경험에 있어 오랜 출력 시간과 매끄럽지 못한 표면 문제, 그리고 후공정 작업(사포 처리 등)의 필요성을 지적하였다.

Team 5는 2, 3학년 재수강 학생들로 구성되었으며, Zaha Hadid의 DDP를 사례로 선정하고, 공감하기 단계에서 사례에 대한 이해와 분석을 도모하였으나, 문제정의를 설정하지 못하는 한계를 보이며, 기존의 형태를 구현하는 프로토타이핑에 초점을 맞추었다. Rhino를 활용하여 정확한 곡선모델링을 구현하였고, 이 과정에서 발생한 어려움은 수업자료와 추가 자료를 참고하여 해결하였다고 밝혔다. AI 렌더링 단계에서 Veras와 LooXAI를 비교했으며, 특히, LookXAI가 배경 모델링 없이 주변 대지 상황과 재질감을 다양하게 표현할 수 있고, 짧은 시간에 고품질 결과를 제공하는 것에 대해 높은 만족도를 보였다. 3D 프린팅을 통해 모델링 문제점을 파악할 수 있는 것을 장점으로 꼽았으며, 출력 시간 단축과 표면 품질 개선을 위해 스케일 조정과 후공정을 수행하였다고 밝혔다.

Team 6는 고학년 재수강 학생들로 구성되었으며, Jeanne Gang의 Aqua Tower를 사례로 선정하고, 공감하기 단계에서 창의적인 도시 주거 공간에 초점을 맞추었다. 특히 테라스와 조경 요소를 중심으로 사용자 요구를 체계적으로 분석하고, 이를 다이어그램으로 시각화 하였다. 문제 정의 단계에서는 사례 건축물의 강점인 테라스의 다양화를 목표로, 아이디어 생성 단계를 통해 Grasshopper와 Rhino를 활용하여 곡률 문제를 해결하고, AI 렌더링을 통해 조경과 테라스 디자인의 대안을 제안하였다. 한편, 3D 프린팅을 통해 설계 구현 가능성을 검증하고자 하였으나, 렌더링 이미지에서 보여진 테라스 부분이 반영되지 못하는 한계를 아쉬워하였으며, 출력 과정에서 재료 분포의 불균일로 인한 층간 결합 문제가 발생했으나, 출력 중간에 추가 재료를 투입하거나 서포트 구조를 활용하여 이를 해결하였다고 밝혔다.

3.4. 디자인 씽킹과 AI를 활용한 팀 프로젝트 결과물에 대한 학생 간 평가

본 연구에서는 디자인 씽킹 방법론의 테스트 단계의 일환이자 디자인씽킹과 AI를 활용한 팀 프로젝트의 효용성을 평가하기 위해 학생들 간 상호 평가를 실시하였다. 각 팀은 다른 팀의 작업을 평가하고, 구조적 체계성, 발표 준비의 충실성, 발표의 창의성, 각 과정 진행표의 숙성도, 산출물의 매력성, 실현 가능성, 실행 가능성 등 7가지 기준에 따라 5점 척도로 점수를 부여하였으며, 그 결과는 구글폼(Google Forms)을 통해 수집되었다. 이를 통해 학생들은 상호 피드백을 통해 자신의 프로젝트를 더욱 개선할 수 있는 기회를 가졌다.

각 팀별로 다음과 같은 평가 결과를 얻었으며(Table 4), 평가 지표별로 각 팀의 강점과 개선점을 시각적으로 나타내며, 팀 간 비교가 용이하도록 그래프로 시각화하였다(Figure 1 참조):

Figure 1.

Graph Visualization for Comparison of Each Team's Evaluation.

(1) 구조적 체계성: Simon (2019)의 문제 해결 이론에서 언급된 문제 정의와 해결 간의 논리적 일관성 및 체계성을 반영한다. 문제 정의 단계에서 설계 과제의 핵심 문제를 명확히 도출하고, 이를 해결하기 위한 설계 아이디어와 프로토타입이 논리적으로 연결되었는지를 평가한다. 모든 팀의 평균이 두 번째로 높은 평가를 받은 항목이다. 6조가 가장 높은 평균 점수(4.50)를 기록하였으며, 전반적으로 모든 팀이 디자인 씽킹 단계별 활동이 체계적으로 이루어졌음을 의미한다.

(2) 발표 준비의 충실성: 공감단계의 사용자에 대한 깊은 이해를 기반으로 한 철저한 초기 준비가 전체 디자인 과정의 성공을 좌우한다(Brown & Katz, 2011). 초기 사례 및 사용자 분석이 프로토타입에 충분히 반영되었는지를 평가하며 프로젝트의 완성도를 측정한다. 6조가 가장 높은 점수(4.36)를 받았고, 5조가 가장 낮은 점수(3.50)를 기록하였다. 완성도 측면에서 각 팀의 평균점수의 순위와 대응된다.

(3) 발표의 창의성: 창의성은 Runco (2007)의 창의적 문제 해결 이론에서 강조되며, 디자인씽킹의 아이디어 도출(Ideate) 및 프로토타입(Prototype) 단계에서 발휘된다. 학생들이 제안한 아이디어가 프로토타입을 통해 창의적으로 표현되었는지를 평가한다. 이 항목은 평균값 3.73으로 가장 낮은 점수를 보였으며, 팀간 점수 차이가 크게 나타났다. 이는 각 팀의 창의적인 표현 방식에 따라 평가 결과가 다르게 나타났음을 보여주는 한편, 발표 방식과 시각적 표현에서 다소 개선이 필요함을 나타낸다. 따라서 발표 방식에 대한 피드백과 창의적인 프리젠테이션 기법에 대한 교육이 보완되어야 할 필요성을 시사한다.

(4) 각 과정 진행의 숙성도: Schön (2017)이 제시한 반성적 실천(Reflective Practice)은 디자인씽킹 각 단계의 깊이를 향상시키는 과정을 의미하며, 학생들이 각 단계에서 도출된 문제, 아이디어, 프로토타입을 심층적으로 탐구하여 명확히 발전시켰는지를 평가한다. 평균 4.13으로 구조적 체계성과 동일한 수준을 보였으나, 6조가 가장 높은 점수(4.36)를 받은 반면, 5조가 상대적으로 낮은 평가(3.77)를 받았다. 이는 단계별 접근 방식에서 팀별 차이가 존재함을 보여준다.

(5) 산출물의 매력성_사용자 니즈 및 경험: Norman (2013)의 사용자 중심 설계(User-Centered Design) 이론에 따르면, 산출물은 사용자의 요구를 반영하고 경험을 향상시키는 방향으로 설계되어야 하며, 이는 공감 및 문제정의단계와 밀접하게 관련된다. 사용자 요구를 반영한 디자인에 대한 평가는 전반적으로 긍정적이었다. 3조와 6조가 가장 높은 점수(4.23)를 받았으며, 5조가 가장 낮은 점수(3.82)를 받았다. 이는 사용자 페르소나 분석과 실제 설계 반영 정도의 차이가 영향을 미친 것으로 보인다.

(6) 실현 가능성_기술, 자원, 예산: Thomke (2003)의 혁신 프로토타이핑 이론에서 실현 가능성은 기술적 제약, 자원, 예산 등 현실적 요인들을 고려하여 프로토타입을 검증하는 단계로 강조된다. 2조가 가장 높은 점수(4.45)를 기록하였는데, 이는 생성형 AI를 적극적으로 이용하는 등 기술적 여건과 자원을 충실히 반영하여 실현가능한 설계안을 제시했음을 의미한다.

(7) 실행 가능성_지속가능성과 유지: 지속 가능성은 Elkington과 Rowlands (1999)의 이론에서 중요한 축으로 디자인씽킹의 테스트 단계에서 설계된 결과물이 지속적으로 유지 및 보수 가능하며 변화하는 요구에도 적응할 수 있는지를 테스트 단계에서 평가한다. 2조와 6조가 가장 높은 점수(4.27)를 기록하였고, 1조가 가장 낮은 점수(3.91)를 받았다. 이는 설계 결과물이 유지 보수 및 확장 가능성 측면에서 차이가 있음을 시사한다.

6조가 4.28로 모든 팀 중 가장 높은 평균을 보였으며, 전반적으로 모든 항목에서 고르게 높은 평가를 받았다. 이는 이 팀이 디자인 씽킹 방법론을 효과적으로 활용하였음을 의미하며, 6조의 각 단계별 결과물에서 잘 드러난다. 반면, 5조는 상대적으로 낮은 점수를 받았는데, 특히, 참의성과 준비 충실성 등의 항목에서 부족함을 보였기 때문이다. 특히, 디자인 씽킹 단계에서 문제정의의 부족 등 개선이 필요한 부분이 있음을 보여주며, 시각적 프리젠테이션과 표현방식에 대한 완성도를 높일 수 있도록 지원이 필요하다.

이렇듯, 학년별 팀 결과를 비교해보면, 고학년 팀 중 하나인 6조가 가장 높은 점수를 기록한 반면, 다른 고학년 팀인 5조는 가장 낮은 점수를 받았다. 만약 두 고학년 팀들이 일관되게 높은 성과를 냈다면 학년 차이가 연구 결과에 유의미한 영향을 미쳤을 가능성이 있으나, 팀별 성과가 일관되지 않았다는 점에서 학년 차이가 연구 결과의 일반화 가능성을 결정적으로 저해한다고 보기는 어렵다.

또한, 건축 설계 과정에서는 일반적으로 경험이 많을수록 판단력이 향상될 가능성이 있지만, 본 연구의 초점은 디자인 씽킹과 AI 도구의 활용에 있으며, 기존 건축 설계 경험이 결과물에 미치는 영향보다는 AI 기반 디자인 씽킹 프로세스를 학습하고 적용하는 과정이 더 중요한 변수로 작용한다. 따라서 연구 결과를 해석할 때, 학년 차이보다는 AI와 디자인 씽킹을 적용한 프로세스가 학습에 어떻게 기여했는지를 중점적으로 분석하는 것이 더욱 적절하다.

한편, 디자인 씽킹과 AI를 활용한 팀 프로젝트 결과물에 대한 학생 간 평가 분석결과는 각 팀의 강점과 개선이 필요한 부분을 명확히 보여주며, 상호 피드백을 통해 학생들이 더 나은 결과물을 도출할 수 있도록 돕는다. 한편, 이러한 평가 과정은 건축학인증에서 요구하는 다양한 핵심역량 중 16번째 항목인 학생과 교육자 모두에게 디자인 씽킹 방법론을 통한 디지털디자인 연구 및 교육학적 방법론에 대한 이해를 도와주는 것이기도 하다.

3.5. 디자인 씽킹 단계별 효용성 평가

본 연구에서는 디자인 씽킹의 각 단계가 디지털 디자인 프로젝트에 미치는 영향을 5점 척도로 평가하는 설문조사를 실시하였다. 총 26명 학생 중 24명이 응답한 설문 결과를 바탕으로, 디자인 씽킹의 단계별 효용성을 분석하였다. 이는 디자인 씽킹 단계가 수업 목표 달성에 기여했는지를 객관적으로 보여준다. 부정적인 점수는 없었고, 모든 응답이 긍정적인 상위 3개 척도에 집중되었다. 단계별 특징적인 결과를 Table 5와 Figure 2에 요약하였다.

Figure 2.

Effectiveness of design thinking stages.

디자인 씽킹의 단계별 학생들의 답변결과를 통해 모든 단계에서 평균 점수가 4.0이상을 기록하여 긍정적인 학습경험을 제공했음이 확인되었다.

주요 단계별 주요결과를 살펴보면 다음과 같다

프로토타입 단계는 평균 4.4.2로 가장 높은 평가를 받았다. 학생들은 Rhino 3D modeling, AI 렌더링, 3D 프린팅 등의 디지털 도구를 활용해 아이디어를 구체적으로 구현하고 검증하는 과정을 매우 유용하다고 평가했다.

아이디어발산은 평균 4.38로 높은 점수를 기록했다. 학생들은 ChaGPT와 같은 생성형 AI도구를 활용하여 다양한 아이디어를 제한 없이 자유롭게 도출할 수 있었으며, 팀 내의 아이디어 교환과 논의를 통해 디자인 해결책에 다다를 수 있다고 밝혔다.

문제점 재정의 단계와 평가 단계 모두 평균 4.25로 동일한 점수를 기록했다. 문제점 재정의(Define) 단계는 기존 문제를 새로운 시각에서 바라보고 구체적인 목표를 설정하는 과정에서 긍정적인 평가를 받았으나, 초기 사용자 분석 및 문제 인식 과정에 대한 어려움이 일부 학생들에게 나타났다. 평가(Test) 단계는 프로토타입에 대한 검증 및 피드백을 반영하여 설계를 개선하는 마지막 단계로, 학생들이 학생 간 평가(peer review)를 통해 사용자 요구 충족 여부를 검증할 수 있었다는 점에서 긍정적 평가를 받았다. 그러나 평가가 프로젝트 최종 단계에서 진행되었기 때문에 개선 사항을 반영할 시간이 부족했다는 의견이 있었다. 이에 따라 수업 계획을 조정하여 테스트 단계를 최종 발표 이전 주차에 배치함으로써 피드백을 반영할 수 있는 충분한 시간을 확보할 필요가 있겠다.

디자인 씽킹의 단계별 접근은 학생들이 디지털 디자인 프로젝트를 수행하는 데 있어 사용자 중심의 문제 해결 과정을 경험하게 해주었으며, 이를 통해 실질적인 학습 효과를 얻을 수 있었다. 특히, 프로토타입과 아이디어 발산 단계에서 긍정적 평가가 두드러졌으나, 공감 단계 및 평가 단계에서 나타난 어려움을 보완하기 위해 추가 학습 자료 및 단계별 피드백 세션 강화가 필요하다. 이를 통해 학생들이 더욱 효율적이고 창의적인 설계 솔루션을 개발할 수 있는 학습 환경을 제공할 수 있다.

4. 결 론

본 연구는 디지털 디자인 교육에서 디자인 씽킹 방법론과 생성형 AI 활용이 창의적 문제 해결 능력과 실용적 디자인 구현 능력에 미치는 영향을 탐구하였다. 5년제 건축학 인증 대학의 필수 전공 교과목인 디지털 디자인 수업을 사례로, 학생들이 팀 프로젝트를 통해 디자인 씽킹의 5단계(공감하기, 정의하기, 아이디어 발산하기, 프로토타입 제작, 테스트)를 적용하고, Rhino 모델링, AI 렌더링과 3D 프린팅을 통한 다양한 디지털 사례 분석 및 구현을 수행하였다.

주요 연구결과는 다음과 같이 세 가지로 요약될 수 있다. 첫째, 디자인 씽킹의 효과성이다. 디자인 씽킹 방법론은 학생들이 문제를 정의하고 창의적인 아이디어를 발산하며, 프로토타입을 통해 실질적인 해결책을 모색하는 데 효과적이었다. 사용자 중심의 접근 방식을 통해 사례에 대한 이해와 분석을 심화하고, 더 나은 프로토타입 결과물들을 도출할 수 있었다. 둘째, AI 기술의 활용은 디자인 과정의 효율성과 정확성을 높이는 데 기여하였다. 특히, 실시간 피드백을 통해 학생들이 반복적인 설계과정을 효과적으로 개선 할 수 있었다. 셋째, 학생 간 상호 평가는 각 팀의 강점과 개선점을 명확히 보여주었으며, 이를 통해 학생들은 프로젝트를 품질을 더욱 개선할 수 있었다.

본 연구는 디지털 디자인 교육에서 디자인 씽킹과 생성형 AI의 활용이 학생들의 창의적이고 실용적인 문제 해결능력을 향상시키는 데 중요한 역할을 한다는 점을 확인하였다. 특히, AI 기반 도구의 실시간 피드백 기능은 학생들이 지속적으로 디자인을 개선하고, 더 나은 결과물을 도출하도록 지원하였다. 이러한 결과는 향후 디지털 디자인 교육 과정 개발과 교육 방법론 연구에 중요한 기여를 할 것으로 기대된다.

한편, 본 연구는 몇 가지 한계를 가지고 있다. 첫째, 1학년 26명을 대상으로 팀 프로젝트 중심으로 진행되었으며, 제한된 수의 사례 수로 인해, 연구결과를 다른 학년, 다양한 설계 주제와 환경에서의 디자인 씽킹 적용 사례로 일반화하는데 한계가 있다.. 둘째, 분석의 대부분이 정성적 접근에 기반하였으며, 정량적 평가지표를 활용한 추가 연구가 필요하다. 셋째, 사용자 피드백이 수업 내 학생들 간의 피드백으로 제한되었으며, 최종 사용자의 평가를 반영하지 못한 점이 한계로 작용하였다.

따라서 향후 연구에서는 보다 다양한 설계 주제와 사용자 피드백을 포함한 사례를 통해 디자인 씽킹의 효과를 심층적으로 탐구하고, 정량적 평가 지표를 개발하여 연구 결과의 객관성을 강화할 필요가 있다.