베타 이 사이트는 베타 버전입니다. 정보는 계속 추가하고 검토하고 있습니다.
LINC 당신의 언어로 정신건강 진료를 받으십시오
한국어
실무자를 위한 이동식 워크숍

일선 이민자 및 난민 서비스를 위한 AI 리터러시

이민자 및 난민을 지원하는 기관의 일선 실무자가 AI 도구를 잘 쓰도록 돕는 짧고 이동하기 쉬운 워크숍입니다. AI가 잘하는 일에는 자신 있게, 실패하는 일에는 신중하게 쓰도록 안내합니다. 특정 기관에 얽매이지 않으므로, 어떤 조직이든 자체 직원과 자체 정책으로 진행할 수 있습니다.

무엇에 관한 내용인가

이 워크숍은 생성형 AI를 다룹니다. ChatGPT, Claude, Gemini, Microsoft Copilot처럼 텍스트를 만들어 내는 챗봇과 글쓰기 도우미가 이에 해당합니다. 모든 종류의 AI를 다루지는 않습니다. 핵심은 직원과 클라이언트가 이미 입력하고 있는 바로 그 도구들입니다.

누구를 위한 것인가

정착 사례 담당자, 혜택 및 자원 내비게이터, 법률 지원 접수 담당자, ESL 교사, 보건 내비게이터, 자원봉사자를 위한 것입니다. 기술적 배경은 전혀 필요하지 않습니다.

어떻게 진행하는가

1부는 안전의 중심축입니다. 전체 워크숍으로 진행하면 약 2~3시간이 걸리며, 필요한 모듈만 골라서 할 수도 있습니다. 2부는 약 한 시간짜리 짧은 실무 과정으로, 그룹으로 진행하거나 참고 자료로 나눠 줄 수 있습니다. 마지막의 기본 수칙 카드는 팀 전체를 위해 인쇄하십시오.

이 자료는 연구용 시제품 커리큘럼입니다. 인증된 과정이나 임상 프로토콜이 아니며, 소속 조직의 자체 정책을 대체하지도 않는 교육 보조 자료입니다. 사용 전에 현장과 슈퍼비전에 맞게 조정하십시오.

이 워크숍 활용법

1부부터 시작하기

아홉 개의 안전 모듈을 순서대로 진행하거나, 가장 필요한 모듈 하나만 열어 보십시오.

근거를 읽고 활동 진행하기

각 모듈에는 뒷받침하는 연구와 진행자가 이끌 수 있는 짧은 활동이 함께 담겨 있습니다.

팀에 전달하기

기본 수칙 카드를 인쇄하고 2부 툴킷을 직원들과 공유하십시오.

1부

AI 이해하고 사용하기

이 도구가 무엇을 하는지, 어떻게 확인하는지, 워크숍이 끝난 뒤에도 안전한 사용을 어떻게 이어 갈지 다루는 다섯 개의 짧은 모듈입니다. 심화 페이지는 모델이 답할 때 실제로 무슨 일을 하는지 설명하고, 그다음에 실전 툴킷이 이어집니다.

도구 사용하기

지속시키기

심화

모델이 실제로 하는 일

선택 사항입니다. 모델이 답을 만들 때 실제로 무엇을 하는지, 모델마다 무엇이 다른지 알고 싶은 사람을 위한 보충 페이지 두 개입니다.

실전 툴킷

실무 툴킷 열기

시간을 아껴 주는 일상 보조, 여러 언어에 걸친 작업, 쉬운 말로 풀어낸 에이전트형 AI, 클라우드와 데이터 공유, 버전 관리, 그리고 도구를 책임 있게 고르기 위한 점검표를 담았습니다. 프롬프트 미니 가이드와 바로 쓸 수 있는 레시피 카드도 포함됩니다.

일상 업무

한 단계 더 나아가기

잘 관리하기

분석과 전달

2부

AI와 윤리

이 기술이 우리가 돕는 사람들에게 끼칠 수 있는 해악을 다루는 네 개의 모듈입니다. 클라이언트 데이터로 시작해 편향, 이 도구가 어디서 왔고 무엇을 대가로 치르는지, 마지막으로 언어 격차와 통역 지원 권리를 다룹니다.

팀을 위해 인쇄하기 우리 팀의 AI 기본 수칙

한 장짜리 인쇄용 카드입니다. AI를 무엇에 쓸지, 무엇을 항상 확인할지, 무엇을 AI 도구에 절대 입력하지 않을지, 그리고 통역 지원 권리를 담았습니다. 인쇄한 뒤 기관에서 쓰는 도구와 언어에 맞게 조정하십시오.

인쇄용 카드 열기 →
기관이 더 나아가고자 한다면: 지침과 정책 템플릿

이 워크숍은 주류 비영리 AI 커리큘럼이 공통으로 갖춘 뼈대를 다룹니다. 쉬운 말로 된 기초, 모든 산출물 확인, 클라이언트 데이터 보호, 편향 경계, 서면 수용 가능 사용 정책 채택, 사명에 맞고 사람 중심인 사용 유지, 그리고 위험이 큰 사례 업무에 앞서 위험이 낮은 작업부터 시작하기입니다. 여기에 그러한 커리큘럼이 이민자 및 난민 서비스에서 대체로 덜 다루는 부분을 더합니다. 언어 격차, 이민 신분과 관련된 프라이버시와 감시, 클라이언트 언어에서의 잘못된 정보, 그리고 법적 의무로서의 통역 지원 권리입니다. 아래 자료는 기관이 더 나아가거나 자체 정책을 작성하려 할 때 신뢰할 만한 출발점입니다.

  • Switchboard (난민재정착사무소(Office of Refugee Resettlement) 기술지원 허브). The Use of Artificial Intelligence in Resettlement Work. switchboardta.org
  • Legal Services Corporation. Considerations for Integrating Generative AI into Legal Aid. lsc.gov
  • Data and Society. Poverty Lawgorithms (Michele Gilman), 이민자 감시에 관한 절 포함. datasociety.net
  • NTEN. Artificial Intelligence Framework for an Equitable World. nten.org
  • NTEN. Generative AI Use Policy Template for the Social Sector (2024). nten.org (PDF)
  • TechSoup. How to Create a Generative AI Use Policy. techsoup.org
  • Project Evident과 Stanford HAI. Equitable AI Adoption. projectevident.org
  • UNESCO. AI Competency Framework for Teachers (2024). unesco.org
출처

이 워크숍은 연구용 시제품 커리큘럼이며, 인증된 과정이나 임상 프로토콜이 아닙니다. 아래 결과는 회색 문헌으로 표시된 경우를 제외하면 동료 심사를 거친 연구에서 나온 것입니다. 특정 언어에 관한 일부 내용은 AI가 자원이 적은 언어에서 성능이 더 낮다는 일반적 패턴에서 추론한 것이며, 클라이언트가 쓰는 여러 언어에 대해서는 아직 언어별 근거가 존재하지 않습니다. 사용 전에 이 워크숍을 기관의 정책에 맞게 조정하십시오.

  1. Abrajano, M., Garcia, M., Pope, A., Vidigal, R., Tucker, J. A., & Nagler, J. (2024). How reliance on Spanish-language social media predicts beliefs in false political narratives amongst Latinos. PNAS Nexus, 3(11), pgae442. https://doi.org/10.1093/pnasnexus/pgae442
  2. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), 1–21. https://doi.org/10.1145/3449287
  3. Carlini, N., Tramèr, F., Wallace, E., Jagielski, M., Herbert-Voss, A., Lee, K., Roberts, A., Brown, T., Song, D., Erlingsson, Ú., Oprea, A., & Raffel, C. (2021). Extracting training data from large language models. In 30th USENIX Security Symposium (pp. 2633–2650). USENIX Association. https://arxiv.org/abs/2012.07805
  4. Carreras Tartak, J. A., Haimovich, A. D., Thomas, C. E., Bivens Moore, E., Slebonick, A., Haque, N., & Thomas, S. H. (2025). Evaluating the accuracy of Google Translate in emergency department discharge instructions. The Journal of Emergency Medicine, 79, 132–142. https://doi.org/10.1016/j.jemermed.2025.04.024
  5. Castellon-Lopez, Y. M., Klomhaus, A. M., Garcia, C., Marquez, D., Avila, H., Gravette, H., Lopez-Chang, R., Ortega, B., Norris, K. C., Brown, A. F., & Blanco, L. (2024). MivacunaLA (MyShotLA): A community-partnered mobile phone intervention to improve COVID-19 vaccination behaviors among low-income, Spanish-speaking, and immigrant Latino parents or caregivers. Vaccines, 12(5), 511. https://doi.org/10.3390/vaccines12050511
  6. Cervantes, L., Martin, M., Frank, M. G., Farfan, J. F., Kearns, M., Rubio, L. A., Tong, A., Matus Gonzalez, A., Camacho, C., Collings, A., Mundo, W., Powe, N. R., & Fernandez, A. (2021). Experiences of Latinx individuals hospitalized for COVID-19: A qualitative study. JAMA Network Open, 4(3), e210684. https://doi.org/10.1001/jamanetworkopen.2021.0684
  7. Chelli, M., Descamps, J., Lavoue, V., Trojani, C., Azar, M., Deckert, M., Raynier, J.-L., Clowez, G., Boileau, P., & Ruetsch-Chelli, C. (2024). Hallucination rates and reference accuracy of ChatGPT and Bard for systematic reviews: Comparative analysis. Journal of Medical Internet Research, 26, e53164. https://doi.org/10.2196/53164
  8. Cronin, A., Kelly, A., Wrona, M., O’Donnell, P., Hassan, A., Myles, T., Fallon, T., & MacFarlane, A. (2025). The patient-safety implications of AI-based communication with migrants in general practice: A scoping review. BJGP Open. https://doi.org/10.3399/BJGPO.2025.0107
  9. Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. https://doi.org/10.1093/jla/laae003
  10. Deng, Y., Zhang, W., Pan, S. J., & Bing, L. (2023). Multilingual jailbreak challenges in large language models. arXiv. https://arxiv.org/abs/2310.06474
  11. Diamond, L., Izquierdo, K., Canfield, D., Matsoukas, K., & Gany, F. (2019). A systematic review of the impact of patient–physician non-English language concordance on quality of care and outcomes. Journal of General Internal Medicine, 34(8), 1591–1606. https://doi.org/10.1007/s11606-019-04847-5
  12. Ecker, U. K. H., Lewandowsky, S., Cook, J., Schmid, P., Fazio, L. K., Brashier, N., Kendeou, P., Vraga, E. K., & Amazeen, M. A. (2022). The psychological drivers of misinformation belief and its resistance to correction. Nature Reviews Psychology, 1(1), 13–29. https://doi.org/10.1038/s44159-021-00006-y
  13. Ehrhart, M. G., Aarons, G. A., & Farahnak, L. R. (2014). Assessing the organizational context for EBP implementation: The development and validity testing of the Implementation Climate Scale (ICS). Implementation Science, 9(1), Article 157. https://doi.org/10.1186/s13012-014-0157-1
  14. Ettinger de Cuba, S., Miller, D. P., Raifman, J., Cutts, D. B., Bovell-Ammon, A., Frank, D. A., & Jones, D. K. (2023). Reduced health care utilization among young children of immigrants after Donald Trump’s election and proposed public charge rule. Health Affairs Scholar, 1(2), qxad023. https://doi.org/10.1093/haschl/qxad023
  15. Gaube, S., Suresh, H., Raue, M., Merritt, A., Berkowitz, S. J., Lermer, E., Coughlin, J. F., Guttag, J. V., Colak, E., & Ghassemi, M. (2021). Do as AI say: Susceptibility in deployment of clinical decision-aids. npj Digital Medicine, 4(1), Article 31. https://doi.org/10.1038/s41746-021-00385-9
  16. Gobezayehu, A. G., Mohammed, H., Dynes, M. M., Desta, B. F., Barry, D., Aklilu, Y., Tessema, H., Tadesse, L., Mikulich, M., Buffington, S. T., & Sibley, L. M. (2014). Knowledge and skills retention among frontline health workers: Community maternal and newborn health training in rural Ethiopia. Journal of Midwifery & Women’s Health, 59(Suppl 1), S21–S31. https://doi.org/10.1111/jmwh.12146
  17. Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089
  18. Gutman, C. K., Cousins, L., Gritton, J., Klein, E. J., Brown, J. C., Scannell, J., & Lion, K. C. (2018). Professional interpreter use and discharge communication in the pediatric emergency department. Academic Pediatrics, 18(8), 935–943. https://doi.org/10.1016/j.acap.2018.07.004
  19. Herring, J., & Barnow, B. (2025). Indirect effects of immigration enforcement on health care utilization among lawfully present older Hispanics. Social Science & Medicine, 384, 118540. https://doi.org/10.1016/j.socscimed.2025.118540
  20. Jacobs, M., Pradier, M. F., McCoy, T. H., Jr., Perlis, R. H., Doshi-Velez, F., & Gajos, K. Z. (2021). How machine-learning recommendations influence clinician treatment selections: The example of antidepressant selection. Translational Psychiatry, 11(1), Article 108. https://doi.org/10.1038/s41398-021-01224-x
  21. Jin, Y., Chandra, M., Verma, G., Hu, Y., De Choudhury, M., & Kumar, S. (2024). Better to ask in English: Cross-lingual evaluation of large language models for healthcare queries. Proceedings of the ACM Web Conference 2024, 2627–2638. https://doi.org/10.1145/3589334.3645643
  22. KFF. (2024–2025). KFF health information and trust tracking polls [Survey series]. Kaiser Family Foundation.
  23. Kim, S. S. Y., Liao, Q. V., Vorvoreanu, M., Ballard, S., & Vaughan, J. W. (2024). “I’m not sure, but…”: Examining the impact of large language models’ uncertainty expression on user reliance and trust. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 822–835). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658941
  24. Menz, B. D., Modi, N. D., Sorich, M. J., & Hopkins, A. M. (2024). Health disinformation use case highlighting the urgent need for artificial intelligence vigilance: Weapons of mass disinformation. JAMA Internal Medicine, 184(1), 92. https://doi.org/10.1001/jamainternmed.2023.5947
  25. Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342
  26. Oh, N., Kim, J., Park, S., An, S., Lee, E., Do, H., Baik, J., Gwon, S. M., Rhu, J., Choi, G. S., Park, S., Cho, J. Y., Lee, H. W., Lee, B., Jeong, E. S., Lee, J. M., Choi, Y., Kwon, J., Kim, K. D., . . . Chun, G. S. (2025). Large language model–assisted surgical consent forms in non-English language: Content analysis and readability evaluation. Journal of Medical Internet Research, 27, e73222. https://doi.org/10.2196/73222
  27. Petrov, A., La Malfa, E., Torr, P. H. S., & Bibi, A. (2023). Language model tokenizers introduce unfairness between languages. arXiv. https://arxiv.org/abs/2305.15425
  28. Roozenbeek, J., van der Linden, S., Goldberg, B., Rathje, S., & Lewandowsky, S. (2022). Psychological inoculation improves resilience against misinformation on social media. Science Advances, 8(34), eabo6254. https://doi.org/10.1126/sciadv.abo6254
  29. Spitale, G., Biller-Andorno, N., & Germani, F. (2023). AI model GPT-3 (dis)informs us better than humans. Science Advances, 9(26), eadh1850. https://doi.org/10.1126/sciadv.adh1850
  30. Van Veen, D., Van Uden, C., Blankemeier, L., Delbrouck, J.-B., Aali, A., Bluethgen, C., Pareek, A., Polacin, M., Reis, E. P., Seehofnerova, A., Rohatgi, N., Hosamani, P., Collins, W., Ahuja, N., Langlotz, C. P., Hom, J., Gatidis, S., Pauly, J., & Chaudhari, A. S. (2024). Adapted large language models can outperform medical experts in clinical text summarization. Nature Medicine, 30(4), 1134–1142. https://doi.org/10.1038/s41591-024-02855-5
  31. Wang, W., Tu, Z., Chen, C., Yuan, Y., Huang, J.-t., Jiao, W., & Lyu, M. R. (2023). All languages matter: On the multilingual safety of large language models. arXiv. https://arxiv.org/abs/2310.00905
  32. Wiltsey Stirman, S., Kimberly, J., Cook, N., Calloway, A., Castro, F., & Charns, M. (2012). The sustainability of new programs and innovations: A review of the empirical literature and recommendations for future research. Implementation Science, 7(1), Article 17. https://doi.org/10.1186/1748-5908-7-17
  33. Yoo, N., & Jang, S. H. (2026). Who is willing to use AI mental health chatbots? Perceived impact of AI in healthcare predicts acceptance, with higher willingness among immigrants. Computers in Human Behavior Reports, 22, 101111. https://doi.org/10.1016/j.chbr.2026.101111