문제 해결 전략 (r1)

문제 공간은 문제 해결자가 문제를 해결하기 위해 탐색할 수 있는 모든 가능한 상태와 상태 간의 이동을 포함하는 개념적 공간이다. 이 공간은 초기 상태, 목표 상태, 그리고 한 상태에서 다른 상태로 이동하기 위한 연산자들로 구성된다. 문제 해결은 본질적으로 이 문제 공간 내에서 초기 상태에서 목표 상태에 이르는 경로를 찾는 탐색 과정이다.

문제 해결자는 문제를 이해하고 해결하기 위해 내부적으로 심적 모델을 구축한다. 이 모델은 문제의 핵심 요소, 제약 조건, 그리고 상태 간의 관계에 대한 개인의 인지적 표현이다. 심적 모델의 정확성과 완전성은 문제 해결의 효율성에 직접적인 영향을 미친다. 예를 들어, 하노이의 탑 문제에서 문제 해결자는 원반의 이동 규칙과 목표 상태에 대한 정확한 심적 모델을 형성해야 효과적으로 탐색을 진행할 수 있다.

문제 공간의 복잡성은 상태의 수와 연산자의 종류에 따라 결정된다. 간단한 문제는 공간이 작고 명확하여 체계적 탐색이 용이하지만, 복잡한 문제는 공간이 방대하여 모든 가능성을 탐색하는 것이 불가능에 가깝다. 이때 문제 해결자는 심적 모델을 바탕으로 탐색 범위를 줄이거나, 휴리스틱을 적용하여 효율적으로 목표에 접근한다.

따라서 효과적인 문제 해결은 주어진 문제를 적절한 문제 공간으로 매핑하고, 정교한 심적 모델을 통해 이 공간을 효율적으로 탐색하는 능력에 달려 있다고 볼 수 있다.

인간의 문제 해결 과정은 제한된 작업 기억 용량과 같은 인지적 자원의 한계에 의해 영향을 받는다. 이러한 인지적 제약은 복잡한 문제를 동시에 처리하는 능력을 제한하며, 문제 해결자는 종종 문제를 더 작고 관리 가능한 하위 문제로 분해하거나, 외부 도구를 활용하는 전략을 사용한다. 또한 시간 압박, 피로, 정서적 상태와 같은 요인들도 인지적 처리 효율에 영향을 미쳐 문제 해결 성과를 저해할 수 있다.

통찰력은 갑작스럽게 문제 해결 방법이 떠오르는 순간을 의미하며, 종종 '아하! 순간'으로 불린다. 이는 무의식적 처리의 결과로, 문제 해결자가 의식적으로 탐색하지 않았던 해결책이 갑자기 의식 수면 위로 떠오르는 현상이다. 통찰력에 의한 문제 해결은 단순한 단계적 추론과는 구별되며, 게슈탈트 심리학에서는 문제에 대한 지각적 재구성이 핵심 메커니즘으로 제안되었다.

통찰력의 발생을 설명하는 주요 이론은 다음과 같다.

통찰력은 종종 문제에서 벗어난 발산적 사고나 휴식 기간 후에 발생하며, 인지적 제약을 극복하는 중요한 수단이 된다.

체계적 탐색 알고리즘은 문제 해결을 위해 가능한 모든 해결 경로나 상태를 조직적이고 완전하게 탐색하는 방법을 말한다. 이 접근법은 알고리즘의 정의에 부합하며, 주어진 규칙을 따라 단계적으로 실행하면 반드시 해답에 도달하거나 해답이 없음을 증명할 수 있다는 특징을 지닌다. 이러한 방법은 문제 공간이 명확히 정의되고, 탐색 경로가 유한할 때 특히 효과적이다.

대표적인 체계적 탐색 알고리즘으로는 깊이 우선 탐색과 너비 우선 탐색이 있다. 깊이 우선 탐색은 한 가지 가능한 경로를 끝까지 탐색한 후, 다른 경로로 돌아와 탐색을 계속하는 방식이다. 반면, 너비 우선 탐색은 시작점에서 가까운, 즉 같은 깊이의 모든 가능성을 먼저 탐색한 후 점점 더 깊은 수준으로 나아간다. 두 방법 모두 모든 가능성을 검토하므로 해답이 존재한다면 찾아낼 수 있지만, 문제 공간의 크기에 따라 계산 비용이 매우 커질 수 있다는 단점이 있다.

이러한 체계적 방법은 의사결정 트리를 구성하거나 규칙 기반 시스템에서 모든 조건 조합을 평가할 때 유용하게 적용된다. 그러나 실생활의 복잡하고 모호한 문제에서는 모든 가능성을 나열하고 탐색하는 것이 현실적으로 불가능한 경우가 많다. 이때는 완전한 탐색 대신 휴리스틱을 활용한 불완전하지만 효율적인 탐색 전략이 필요해진다.

의사결정 트리는 문제 해결 과정을 일련의 결정 지점과 그 결과로 구성된 트리 구조로 모델링한 것이다. 각 내부 노드는 특성이나 조건에 대한 테스트를 나타내고, 각 가지는 테스트의 가능한 결과를, 각 잎 노드는 최종 결정이나 분류를 나타낸다. 이 접근법은 복잡한 결정을 더 작고 관리 가능한 단계로 분해하여 체계적으로 해결할 수 있게 한다. 의사결정 트리는 기계 학습에서 분류 및 회귀 작업에 널리 사용되며, 인간의 의사결정 과정을 모방하거나 지원하는 규칙 기반 시스템의 기초를 형성하기도 한다.

규칙 기반 시스템은 "IF (조건) THEN (행동)" 형태의 명시적 규칙 집합을 사용하여 문제를 해결하는 인공지능 패러다임이다. 이 시스템은 일반적으로 사실(데이터)을 저장하는 작업 메모리, 규칙 집합을 포함하는 규칙 베이스, 그리고 규칙을 적용하는 추론 엔진으로 구성된다. 추론 엔진은 주어진 사실에 맞는 규칙을 찾아 실행하는 순환적 과정을 통해 작동한다. 이 방식은 전문가의 지식을 포착하여 전문가 시스템을 구축하는 데 역사적으로 중요한 역할을 했다.

의사결정 트리와 규칙 기반 시스템은 서로 밀접한 관련이 있다. 의사결정 트리는 시각적이고 계층적인 규칙 집합으로 해석될 수 있으며, 규칙 기반 시스템의 규칙은 종종 트리 구조로 조직될 수 있다. 두 방법 모두 지식의 명시적 표현과 체계적인 적용을 강조한다는 공통점을 가진다. 그러나 규칙 기반 시스템은 규칙 간의 상호작용이 복잡해질수록 관리가 어려워지는 '규칙의 폭발' 문제에 취약할 수 있다. 반면, 의사결정 트리는 과적합되기 쉬우며, 데이터의 작은 변화에도 구조가 크게 달라질 수 있다는 단점이 있다.

이러한 체계적 접근법은 인간의 문제 해결에서 암묵적으로 작용하는 휴리스틱과 대비된다. 알고리즘적 방법은 명료성과 재현성을 보장하지만, 복잡하고 모호한 실제 문제 상황에서는 모든 규칙을 미리 정의하기 어려울 수 있다.

대표성 휴리스틱은 사건이나 대상이 특정 범주나 프로토타입을 얼마나 잘 대표하는지에 따라 그 가능성을 판단하는 경향을 말한다. 예를 들어, 어떤 사람에 대한 짧은 묘사가 특정 직업의 고정관념과 일치할 때, 사람들은 그 묘사가 사실인지에 대한 추가 정보 없이도 그 사람의 실제 직업을 그렇게 판단할 가능성이 높다. 이는 실제 통계적 확률(기저율)을 무시하게 만드는 오류를 초래할 수 있다[4]]과 아모스 트버스키에 의해 수행되었다].

가용성 휴리스틱은 판단의 근거로 쉽게 떠오르는 사례나 정보의 생생함에 의존하는 방식을 의미한다. 기억에서 회상하기 쉬운 사건은 그 발생 빈도나 확률을 실제보다 높게 평가하게 만든다. 최근에 접했거나 감정적으로 강렬한 사건은 더 쉽게 기억나기 때문에 이러한 편향이 강화된다. 예를 들어, 비행기 사고에 대한 생생한 뉴스 보도는 사람들이 실제 통계보다 항공 여행을 더 위험하게 인식하도록 만들 수 있다.

고정 편향 또는 닻 내림 효과는 초기에 제시된 정보(닻)가 이후의 판단과 추정에 불균형적인 영향을 미치는 현상이다. 한 번 형성된 초기 인상이나 수치는 사고의 기준점이 되어, 새로운 정보가 들어와도 그 기준점에서 충분히 조정되지 않는 경향을 보인다. 이는 협상에서의 첫 제안 가격이 최종 합의점에 영향을 미치는 경우나, 문제 해결 시 처음 떠오른 해결책에서 벗어나지 못하는 경우에서 관찰된다.

수단-목표 분석은 문제 해결 과정에서 현재 상태와 목표 상태 사이의 차이를 식별하고, 그 차이를 줄이기 위한 구체적인 행동(수단)을 선택하는 체계적인 전략이다. 이 접근법은 인공지능과 인지 심리학 분야에서 문제 해결의 핵심 메커니즘으로 연구되었다. 기본 아이디어는 목표를 달성하기 위해 반복적으로 현재 상황과 원하는 상황을 비교하고, 그 차이를 제거할 수 있는 연산자(operator)나 행동을 적용하는 것이다.

이 과정은 일반적으로 순환적 또는 재귀적으로 이루어진다. 문제 해결자는 먼저 현재 상태와 목표 상태의 차이를 평가한다. 그런 다음, 그 차이를 줄일 수 있는 연산자를 선택하여 적용한다. 연산자를 적용한 후 새로운 현재 상태가 생성되면, 다시 새로운 현재 상태와 최종 목표 사이의 차이를 분석한다. 이 사이클은 차이가 완전히 제거되어 목표에 도달할 때까지 반복된다. 때로는 선택한 연산자의 적용을 위해 선결 조건을 충족시켜야 하는 부목표(sub-goal)가 설정되기도 한다.

수단-목표 분석의 효율성을 높이기 위해 다양한 하위 전략이 사용된다. 대표적인 예는 목표 스택(goal stack)을 활용하는 것으로, 해결해야 할 목표와 부목표들을 스택 자료구조에 저장하고 순서대로 처리한다. 또한, 복잡한 문제를 해결할 때는 문제를 더 작고 관리 가능한 하위 문제로 분해하는 접근법과 결합되기도 한다. 이 전략은 일상적인 문제부터 복잡한 계획 수립에 이르기까지 광범위하게 적용될 수 있다.

그러나 수단-목표 분석에는 한계도 존재한다. 이 방법은 주로 잘 정의된 문제(well-defined problem)에 효과적이며, 목표가 명확하지 않거나 해결 경로가 모호한 경우에는 적용하기 어렵다. 또한, 매 단계에서 차이를 줄이는 연산자를 선택하는 과정이 항상 최적의 해결책으로 이어지지는 않으며, 때로는 비효율적인 경로를 초래할 수 있다. 이러한 한계는 휴리스틱 정보나 도메인 지식을 결합하여 보완된다.

발산적 사고는 가능한 한 많은 다양한 아이디어나 해결책을 생성하는 사고 방식이다. 이 과정에서는 평가나 판단을 보류하고, 자유롭게 연상하며, 기존의 틀에서 벗어난 독창적인 접근법을 모색한다. 브레인스토밍이 대표적인 발산적 사고 기법이다. 반면, 수렴적 사고는 생성된 여러 아이디어들 중에서 가장 적절하고 실현 가능한 최선의 해결책을 선택, 평가, 결정하는 사고 방식이다. 논리적 분석, 비판적 검토, 기준에 따른 비교가 핵심이다.

두 사고 방식은 상호보완적이며, 효과적인 창의적 문제 해결은 이 두 단계의 순환적 적용을 필요로 한다. 먼저 발산적 사고를 통해 다양한 가능성을 열어놓은 후, 수렴적 사고를 통해 그 가능성들을 현실적으로 다듬고 구체화한다. 발산 단계에서 너무 일찍 비판적 사고(수렴적 사고)가 개입하면 아이디어 생성이 억제될 수 있다[5].

교육 및 문제 해결 훈련에서는 이 두 가지 사고 모드의 중요성을 인식하고, 각각을 의도적으로 연습하는 것이 강조된다. 발산적 사고 능력은 유연성과 독창성을, 수렴적 사고 능력은 논리성과 실용성을 향상시킨다. 많은 창의성 모델, 예를 들어 J. P. 길포드의 지능 구조 모델이나 디자인 싱킹의 프로세스에서도 이 이분법적 구분이 핵심 요소로 작용한다.

유추는 한 영역의 문제나 개념을 다른, 보다 익숙한 영역의 문제나 개념과 구조적으로 비교하여 해결책을 찾는 사고 과정이다. 예를 들어, 원자 구조를 태양계 모델에 비유하거나, 전기 회로의 흐름을 물의 흐름에 비유하는 것이 유추적 사고의 전형적인 예이다. 이 접근법은 추상적이거나 새로운 문제를 구체적이고 친숙한 심적 모델로 변환함으로써 문제 이해를 용이하게 한다. 유추는 문제의 핵심 관계나 구조를 강조하여, 표면적 차이를 넘어선 해결 방안의 전이를 가능하게 한다[6].

은유적 사고는 유추보다 더 광범위하고 창의적인 연결을 만든다. "시간은 돈이다", "인생은 여행이다"와 같은 표현은 한 개념을 다른 개념의 속성으로 설명하는 은유이다. 문제 해결에서 은유적 사고는 고정된 관점을 깨고 새로운 해석의 틀을 제공한다. 예를 들어, 비즈니스 문제를 "전쟁 게임"으로 은유하면 경쟁 분석과 전략 수립에 새로운 통찰을 줄 수 있다. 이는 발산적 사고를 촉진하고, 기능적 고착이나 사고의 틀에서 벗어나도록 돕는다.

유추와 은유적 사고의 효과는 적절한 원천(source) 영역의 선택에 크게 의존한다. 효과적인 전이는 원천 영역과 목표(target) 영역 사이의 구조적 유사성이 높을 때 발생한다. 다음 표는 두 사고 방식의 주요 특징을 비교한다.

이러한 전략은 특히 잘 정의되지 않은 일상적 문제나 혁신이 필요한 영역에서 강력한 도구가 된다. 그러나 부적절한 유추나 은유는 문제를 오해하거나 잘못된 결론으로 이끌 수 있어, 비판적 검토와 메타인지적 모니터링이 필요하다.

기능적 고착은 어떤 사물의 고정된 용도나 기능에만 집착하여 새로운 상황에서의 대안적 사용법을 생각해내지 못하는 인지적 편향을 말한다. 이 개념은 카를 던커의 유명한 양초 문제 실험[7]에서 잘 드러난다. 실험 참가자들은 상자에 담긴 압정, 성냥, 양초를 받고 벽에 양초를 부착해 녹은 밀납이 책상 위로 떨어지지 않도록 하는 과제를 수행해야 했다. 많은 사람들은 상자를 압정을 담는 용기로만 인식하여, 상자를 벽에 못박을 수 있는 받침대로 사용하는 해결책을 발견하지 못했다.

심리적 고착은 기능적 고착보다 더 넓은 개념으로, 문제에 접근하는 사고의 경직된 패턴이나 초기 접근 방식에서 벗어나지 못하는 상태를 의미한다. 이는 특정 문제 해결 절차, 가정, 또는 마음속에 형성된 심적 모델에 갇혀 더 효율적이거나 간단한 해결책을 보지 못하게 만든다. 예를 들어, 일련의 숫자 문제를 특정 복잡한 공식으로만 풀다 보면, 훨씬 간단한 산술 규칙이 존재함을 알아차리지 못하는 경우가 있다.

두 고착 현상 모두 문제 해결의 유연성을 크게 저해한다. 이를 극복하기 위해서는 문제의 요소들을 기존의 문맥에서 분리하여 재구성하거나, 다양한 관점에서 문제를 재정의하는 연습이 도움이 된다. 브레인스토밍이나 역발상과 같은 기법은 고정관념을 깨고 새로운 가능성을 탐색하도록 촉진한다.

확증 편향은 개인이 자신의 기존 신념이나 가설을 지지하는 정보를 찾고, 선호하며, 기억하는 경향을 말한다. 반면, 반박하거나 모순되는 정보는 무시하거나 평가절하하는 인지적 편향이다. 이는 문제 해결 과정에서 중요한 장애 요인으로 작용한다. 예를 들어, 특정 해결책이 옳다고 믿는 문제 해결자는 그 해결책을 지지하는 증거만을 수집하고, 그렇지 않은 데이터는 간과할 수 있다. 이로 인해 대안을 충분히 탐색하지 못하거나, 명백한 오류를 수정하지 못하게 된다.

사고의 틀은 특정 상황이나 문제를 이해하고 해석하는 데 사용되는 정신적 구조 또는 인지적 틀을 의미한다. 이는 심적 모델이나 도식과 유사한 개념으로, 과거 경험과 지식에 기반하여 형성된다. 문제 해결자는 이 틀을 통해 정보를 조직하고 해석하지만, 동시에 그 틀에 갇혀 유연한 사고를 방해받을 수 있다. 잘못된 틀은 문제를 잘못 정의하게 하거나, 적절한 해결책의 범위를 제한한다.

확증 편향과 사고의 틀은 종종 상호작용하며 문제 해결을 방해한다. 강한 사고의 틀은 특정 유형의 증거에 대한 선택적 주의를 유발하여 확증 편향을 강화한다. 반대로, 확증 편향에 빠진 문제 해결자는 자신의 틀을 강화하는 정보만을 받아들여 그 틀을 변화시키거나 깨는 것을 더욱 어렵게 만든다. 이는 문제 공간의 탐색을 극도로 제한하고, 통찰에 의한 돌파구를 찾는 것을 방해한다.

이러한 인지적 함정을 완화하기 위한 전략에는 의도적으로 반증 증거를 탐색하기, 문제를 다양한 관점에서 재구성해보기, 다른 사람의 피드백을 적극적으로 수용하기 등이 포함된다. 메타인지를 통해 자신의 사고 과정을 모니터링하고 이러한 편향의 존재를 인식하는 것 자체가 첫 번째 단계가 된다.

메타인지 전략은 자신의 사고 과정을 인지하고, 모니터링하며, 조절하는 능력을 활용한 문제 해결 기법이다. 이는 단순히 문제를 푸는 방법을 아는 것을 넘어, 문제 해결 과정 자체에 대한 인식과 통제를 강조한다. 효과적인 문제 해결자는 자신이 사용하는 전략의 적절성을 평가하고, 필요시 전략을 수정하거나 교체하는 메타인지적 통제를 수행한다.

주요 메타인지 전략에는 계획, 모니터링, 평가가 포함된다. 계획 단계에서는 문제를 이해하고, 목표를 설정하며, 해결에 필요한 자원과 전략을 선택한다. 모니터링 단계는 해결 과정을 추적하여 진행 상황을 점검하고, 막다른 길에 빠졌는지 또는 오류를 범하고 있는지를 감시한다. 평가 단계에서는 최종 해결책의 타당성을 검토하고, 사용된 전략의 효과성을 반성하여 향후 문제 해결에 대한 교훈을 도출한다.

이러한 전략을 훈련하는 방법으로는 자기 질문법이 있다. 문제 해결 과정 중에 "나는 이 문제를 올바르게 이해했는가?", "현재 내가 사용하는 접근법은 효과적인가?", "더 간단한 방법은 없는가?"와 같은 질문을 스스로 던지는 것이다. 또한, 문제 해결 후에는 과정을 기록하거나 설명하는 회고적 사고를 통해 자신의 인지적 습관과 강점·약점을 파악하는 것이 도움이 된다. 이러한 메타인지적 실천은 기능적 고착이나 확증 편향과 같은 문제 해결 장애 요인을 극복하는 데 기여한다.

협력적 문제 해결은 두 명 이상의 개인이 공동의 목표를 달성하기 위해 지식, 기술, 관점을 결합하는 과정을 말한다. 이는 단순히 여러 사람이 함께 일하는 것을 넘어, 상호작용을 통해 개인이 단독으로는 도달하기 어려운 해결책을 창출하는 것을 목표로 한다. 효과적인 협력은 구성원 간의 명확한 의사소통, 역할 분담, 그리고 서로의 아이디어를 건설적으로 평가하고 통합하는 능력에 달려 있다.

이 접근법의 핵심 이점은 인지적 다양성을 활용할 수 있다는 점이다. 서로 다른 배경과 전문성을 가진 개인들은 문제를 바라보는 다양한 심적 모델을 제시하며, 이는 기능적 고착이나 사고의 틀과 같은 개인적 문제 해결 장애를 극복하는 데 도움을 준다. 예를 들어, 집단 브레인스토밍 세션에서는 한 구성원의 제안이 다른 구성원에게 새로운 연관을 불러일으키는 연쇄 반응이 일어나기도 한다.

성공적인 협력을 위해서는 몇 가지 조건이 필요하다. 첫째, 모든 구성원이 공유된 목표와 문제 정의에 동의해야 한다. 둘째, 개방적이고 존중하는 분위기에서 비판 없이 아이디어를 제시할 수 있어야 한다. 셋째, 메타인지 전략이 집단 수준에서 적용되어, 진행 과정을 모니터링하고 전략을 조정해야 한다. 연구에 따르면, 효과적으로 구조화된 협력은 문제 해결의 정확성과 창의성을 모두 향상시킨다[9].

그러나 협력적 문제 해결은 사회적 억제, 무임승차 효과, 또는 집단 내 갈등과 같은 잠재적 단점도 내포한다. 따라서 퍼실리테이터의 역할이나 명확한 협의 규칙이 중요해질 수 있다. 이 전략은 현대의 복잡한 문제들이 학제간 접근을 요구함에 따라 교육, 비즈니스, 과학 연구 등 다양한 분야에서 표준적인 실천 방식으로 자리 잡았다.

문제 해결 전략은 교육 심리학의 핵심 연구 주제 중 하나로, 학습자의 사고 능력 개발에 직접적으로 적용된다. 교수-학습 과정에서 학생들이 효과적인 전략을 습득하고 활용하도록 돕는 것은 중요한 교육적 목표이다. 이를 위해 교실 환경은 단순한 지식 전달이 아니라, 복잡한 문제를 체계적으로 분석하고 다양한 해결책을 탐구할 수 있는 기회를 제공해야 한다.

교육적 접근법은 종종 메타인지 전략을 강조한다. 학생들이 자신의 사고 과정을 모니터링하고 평가하며 조절하는 능력을 기르도록 지도하는 것이다. 예를 들어, 문제를 푼 후에 '어떤 전략을 사용했는가?', '그 전략은 효과적이었는가?', '다른 방법은 없었는가?'와 같은 질문을 스스로에게 하도록 유도한다. 이는 알고리즘적 접근의 체계성과 휴리스틱적 접근의 유연성을 모두 경험하게 하는 통합적 교수법을 통해 촉진될 수 있다.

특정 교과 영역에서의 적용은 다음과 같은 형태를 띤다.

이러한 교육은 단순히 정답을 찾는 기술이 아니라, 실패를 학습의 기회로 삼고 인지적 유연성을 기르는 데 중점을 둔다. 궁극적으로 학습자로 하여금 학교 밖의 실제 생활에서 마주치는 구조화되지 않은 문제들에 대처할 수 있는 능력을 갖추도록 하는 것을 목표로 한다[10].

인공지능 분야에서의 문제 해결은 인간의 인지 과정을 모방하거나 보완하는 계산적 접근법을 중심으로 발전해왔다. 초기 인공지능 연구는 인간의 알고리즘적 사고, 즉 논리와 규칙에 기반한 체계적 탐색을 강조했다. 의사결정 트리나 규칙 기반 시스템과 같은 기법은 이러한 접근의 대표적 예시이다. 반면, 인간은 제한된 시간과 인지 자원 내에서 효율적인 판단을 위해 휴리스틱에 크게 의존한다.

인간의 문제 해결과 인공지능의 문제 해결은 몇 가지 핵심 차이점을 보인다. 첫째, 인간은 메타인지를 통해 자신의 사고 과정을 모니터링하고 전략을 조정할 수 있지만, 대부분의 전통적 인공지능 시스템은 이러한 능력이 부족하다. 둘째, 인간은 유추와 은유적 사고를 통해 완전히 새로운 영역의 문제에 기존 지식을 적용하는 창의적 문제 해결이 가능한 반면, 인공지능은 주로 학습된 데이터 패턴 내에서 작동한다. 셋째, 인간은 기능적 고착이나 확증 편향 같은 인지적 편향에 쉽게 빠지지만, 인공지능 시스템은 설계된 알고리즘과 학습 데이터에 내재된 편향을 가질 수 있다[11].

최근 머신러닝과 딥러닝의 발전은 이 경계를 흐릿하게 만들고 있다. 특히 강화 학습은 수단-목표 분석과 유사한 방식으로 환경과의 상호작용을 통해 목표를 달성하는 전략을 학습한다. 아래 표는 인간과 인공지능의 문제 해결 특성을 비교한 것이다.

이러한 비교는 단순한 경쟁 관계가 아니라 상호 보완적 관계를 이해하는 데 도움을 준다. 인간의 직관과 창의성은 복잡하고 정의되지 않은 문제를 설정하는 데, 인공지능의 계산 능력은 방대한 문제 공간을 체계적으로 탐색하거나 데이터에서 패턴을 발견하는 데 각각 강점을 가진다. 따라서 효과적인 문제 해결을 위해서는 양자의 특성을 결합한 협력적 접근이 점차 중요해지고 있다.