2nd/10_Wiki/Topics/AI_and_ML/AI Literacy.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-ai-literacy	AI Literacy	10_Wiki/Topics	verified	self	AI 문해력 AI fluency AI competence co-intelligence AI education	none	B	0.85	conceptual	ai-literacy education prompt-engineering critical-thinking ai-ethics future-skills productivity		2026-05-09	pending	Claude Opus 4.7 (manual cleanup 2026-05-09)	language applicable_to education / process Education HR Self-development

AI Literacy

📌 한 줄 통찰 (The Karpathy Summary)

AI 사용 ≠ AI literacy. 매 user 가 ChatGPT 사용 가능 가, "왜 이 답?", "이 답 가 신뢰?", "어떻게 더 잘?" 의 답 가 별 skill. Understand + Utilize + Evaluate + Reflect 의 4 dimension. 코딩 literacy 의 modern 후계자.

📖 구조화된 지식 (Synthesized Content)

4 dimension (Long et al. 2020 + Mollick "Co-intelligence")

1. Understand: AI / LLM 의 작동 원리.

   • Token / context window / hallucination.
   • Train data 의 cutoff.
   • 매 model 의 strength / weakness.
   • Pattern matching ≠ reasoning.

2. Utilize: 효과적 사용.

   • Prompt engineering (clear task, examples, constraints).
   • Tool / agent (Claude Code, Cursor).
   • Multi-step task 의 break down.
   • 매 model 의 적절 선택 (Opus 가 critical, Haiku 가 quick).

3. Evaluate: 결과 의 verification.

   • Hallucination detect (citation, fact-check).
   • Bias 인지 (training data 의 bias).
   • Source verification.
   • 자기 reasoning 의 sanity check.

4. Reflect: 윤리 / 사회 의 영향.

   • Privacy (매 prompt 가 server).
   • Bias 의 amplification.
   • Job displacement.
   • Misinformation potential.
   • 의존 / 의지 의 위험.

Bloom's Taxonomy 식 (AI 의)

1. Remember: terminology (LLM, RAG, fine-tune).
2. Understand: concept (token, context, hallucination).
3. Apply: use ChatGPT / Claude 의 task.
4. Analyze: 매 output 의 quality / bias 의 critique.
5. Evaluate: 새 model / tool 의 verdict.
6. Create: prompt template / agent / 매 workflow.

→ 매 level 의 progressive skill.

매 audience 의 priority

General public

• AI 가 무엇 (LLM, image gen).
• ChatGPT / Claude 사용.
• Hallucination 인지.
• Privacy + scam 인지.

Professional (non-tech)

• 매 task 의 AI 활용 (writing, analysis).
• Prompt 의 효과적 작성.
• Output 의 critical review.
• Tool 의 적절 (research, coding, design).

Engineer

• API integration.
• RAG / fine-tune / agent.
• Cost / latency / quality optimization.
• Production eval.

Educator / parent

• Cheating 의 detect (hard).
• AI-augmented learning (Khan Academy).
• 학생 의 critical thinking.

Policymaker

• Regulation (EU AI Act, US EO).
• Bias / fairness.
• Job market impact.

Common misconception 의 fix

• ❌ "AI 가 만물 알아" → 실제 = train cutoff + hallucination.
• ❌ "AI 가 sentient" → pattern matching.
• ❌ "AI = AGI 곧" → 매 capability 의 plateau / breakthrough cycle.
• ❌ "AI 가 magic" → train data + 알고리즘.
• ❌ "Prompt 가 고정" → iterate + variant.
• ❌ "최신 model 가 항상 best" → cost / latency trade-off.

매 평소 work 의 AI integration

Writing

• Draft → AI revise → human polish.
• 매 paragraph 의 alternative.
• Tone / style 의 adjust.

Coding

• Boilerplate generation.
• Bug fix.
• Refactor.
• Test write.

Research

• Literature 의 summarize.
• Brainstorm.
• 매 paper 의 critical question.

Decision

• Pros / cons matrix.
• 매 option 의 risk.
• Analogous case 의 search.

→ 매 task 의 적절 use case.

Critical thinking — 매 AI output 의 fact-check

1. Source: AI 가 source claim?
2. Reproducibility: 다른 model 도 같은 답?
3. Plausibility: 매 number / claim 의 sanity.
4. Bias check: 매 perspective.
5. Counter-question: "왜 안 X?".

💻 패턴 (활용 + 검증)

Prompt 의 4 component

1. Role / context: "You are an expert React dev."
2. Task: "Refactor this code to use hooks."
3. Constraints: "Keep TypeScript types. No new dependencies."
4. Format: "Output: code block + 1 sentence summary."

Iteration pattern

v1: "Translate to French: Hello"
v2: "Translate to formal French: Hello"
v3: "Translate to formal French (business email register): Hello"

→ 매 iter 의 specificity ↑.

Few-shot example

"Classify sentiment.

Example 1: 'This is great!' → positive
Example 2: 'I hate it' → negative
Example 3: 'Mediocre' → neutral

Now: '{user_input}' → ?"

→ 매 task 의 일관 output.

Chain of thought

"Solve step-by-step.
Q: A train travels 60 mph for 2.5 hours. Distance?
Reasoning: ..."

→ Math / logic 의 정확 ↑.

Self-verification

async function answer(query: string) {
  const ans1 = await llm.complete(query, { temp: 0.7 });
  const ans2 = await llm.complete(query, { temp: 0.7 });
  
  if (similar(ans1, ans2)) return ans1;
  
  // 다른 답 = 의심.
  const verify = await llm.complete(`Q: ${query}\nA1: ${ans1}\nA2: ${ans2}\n\nWhich more accurate? Why?`);
  return verify;
}

Hallucination detect

function fact_check(claim: string, search_result: string) {
  return llm.complete(`Claim: ${claim}\nSource: ${search_result}\n\nDoes source support claim? (Y/N + reason)`);
}

Multi-step task

"Build a flashcard app":
1. Define data structure.
2. Choose framework (React).
3. Component breakdown.
4. State management.
5. Persistence.
6. Test plan.

→ 매 step 의 separate prompt.

Curriculum (자기 학습)

Week 1: ChatGPT basic + 매일 1 task.
Week 2: Prompt engineering deep.
Week 3: Claude + Cursor 의 다양 tool.
Week 4: API call (Python).
Week 5: RAG basic.
Week 6: Agent basic.

→ 6 week 의 baseline literacy.

🤔 의사결정 기준 (Decision Criteria)

상황	AI 사용	검증
Brainstorm	✅ Generate ideas	Filter manually
Draft writing	✅ Initial + iterate	Polish + fact-check
Code	✅ Boilerplate, bug	Test + review
Research	✅ Summary, search	Cite + verify
Critical decision	✅ Pros/cons	매 source 의 check
Sensitive (legal, medical)	⚠️ Reference only	전문가 + final
Personal expression	❌ Authentic 가 가치
시험 / 평가	매 institution 의 policy

기본값: AI = 매 task 의 첫 draft / brainstorm. Human = final review + critical decision.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• "AI 의 이해" 의 standard: 매 country / institution 의 다른 curriculum.
• Tool change 의 빠름: 6 month 마다 update. "최신 best practice" 가 short-lived.
• Critical thinking 의 paradox: AI 의 답 의 검증 = AI 사용. Meta-cognition 필요.
• Education 의 cheating: 매 학생 의 ChatGPT 사용 = 공정 X / 새 reality?
• AI literacy ≠ AI fear: 매 risk 의 인지 의 healthy.
• Co-intelligence (Mollick): 매 task 의 AI + human 의 collaboration. "AI 가 없는 인간 의 의미" 재정의.

🔗 지식 연결 (Graph)

• 부모: Digital-Literacy · Information-Literacy
• 변형: Prompt_Engineering · AI-Ethics
• Adjacent: Lifelong-Learning
• 응용: Code Agent — Devin / Cursor / Claude Code

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• 매 team 의 AI training program.
• 학교 / 회사 의 AI policy 작성.
• 매 user 의 self-development plan.
• AI tool 의 onboarding.
• "AI 가 일자리 빼앗?" 질문 의 nuanced 답.

언제 쓰면 안 되는가:

• AI 의 specific 기술 detail (다른 doc).
• Specific 회사 의 AI training (custom curriculum).
• 매우 고급 (researcher 의 already known).
• AI 의 banning / blanket prohibition (다른 framework).

❌ 안티패턴 (Anti-Patterns)

• **"AI 가 모든 거 답": critical 검증 X.
• AI 의 output 의 100% trust: hallucination 의 victim.
• Privacy 무시: sensitive prompt 가 server.
• Tool 의 lock-in: 1 ChatGPT 만 = 매 task 의 best fit X.
• Prompt 가 1 try: iterate 가 핵심.
• AI 만 + critical thinking 안 함: 매 user 의 atrophy.
• Learning 가 정적: 매 6 month 의 update 필요.
• AI ban (학교): 학생 의 reality 의 부적응.

🧪 검증 상태 (Validation)

• 정보 상태: verified (concept-level).
• 출처 신뢰도: B (Long et al. 2020 paper, Ethan Mollick "Co-Intelligence", AI4ALL curriculum, UNESCO AI literacy framework).
• 검토 이유: Manual cleanup. 매 framework 가 active. 매 6 month review.

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: Prompt_Engineering (subset), AI-Ethics (related), Critical Thinking (parent).
• 처리 방식: KEEP (overall framework).
• 처리 이유: Literacy 가 holistic. 매 component 의 own document.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화	UPDATE	A
2026-05-09	Manual cleanup — pattern + curriculum + 안티패턴 + 매 audience 의 priority	UPDATE	B