Earticle

본 연구는 기존 인공지능 교육의 한계를 보완하고 교육 대전화의 패러다임을 반영한 AI교육 2.0 모델을 개발하는 데 목적이 있다 이 를 위해 국내외 AI 교육 등의 문헌 연구와 사례 분석, 집단지성 워크숍, 델파이 조사, 내용 타당도 검증을 포함한 설계기반 연구 방법 을 적용하여 AI교육 2.0 모델을 체계적으로 설계·개발하였다. AI교육 2.0 모델은 기초 역량으로 디지터시를 설정하고, 이를 토대로 AI 이해교육, AI협력교육, AI가치교육의 세 가지 핵심 교육 영역을 구조화하였다. AI교육 2.0을 통해 학습자가 신장하는 핵심 역량은 AI 사고력(AI Thinking)으로 추상화, 자동화, 지능화, 자율화의 4가지 요소를 제안하였다. 연구의 타당도 검증 결과, AI교육 2.0 모델은 전 반적으로 높은 타당도를 확보하였으며, 교육 현장에서의 적용 가능성과 이론적 정합성을 동시에 갖춘 모델로 평가되었다. 본 연구는 AI 기술의 이해를 넘어, AI와 함께 살아가는 시민을 기르는 f교육 모델을 제시하였다는 점에서 의의가 있다.

This study aims to develop the AI Education 2.0 model, which addresses the limitations of existing artificial intelligence education and reflects the paradigm shift toward educational transformation. To this end, a design-based research methodology was employed, incorporating literature review and case analysis of domestic and international AI education, collective intelligence workshops, Delphi surveys, and content validity verification, to systematically design and develop the AI Education 2.0 model. The model establishes Digitacy as its foundational competency and structures three core educational domains: Understanding AI Education, AI Collaboration Education, and AI Value Education. The central competency fostered through AI Education 2.0 is AI Thinking, which consists of four components: abstraction, automation, intelligence, and autonomy. The results of the content validity evaluation indicate that the AI Education 2.0 model demonstrates a high level of overall validity and is assessed as a model that simultaneously ensures theoretical coherence and practical applicability in educational settings. This study is significant in that it proposes an educational model that goes beyond understanding AI technologies to cultivating citizens capable of living and collaborating with AI in an AI-driven society.

본 연구는 대학생들의 생성형 AI 활용 특성을 파악하고자 하였다. 이를 위해 수도권 소재 A대학교 재학생을 대상으로 생성형 AI 활용 빈도, 활용 역량, 학습기여도, 사용용이성, 심리적 불안감, 윤리적 측면 등을 설문조사를 통해 파악하였다. 수집된 데이터는 기술통계, 독립표본 t-검정, 상관분석 등의 방법으로 분석하였다. 분석 결과, 첫째, 대학생들의 생성형 AI 활용빈도는 비교적 높은 것으로 나타났으며, 활용 역량, 학습기여도, 사용용이성은 보통 수준 이상의 값을 보였다. 둘째, 성별, 학년, 전공계열과 같은 인구통계학적 특성에 따른 유의한 차이는 부분적으로 존재하였다. 남학생이 여학생에 비해 생성형 AI 활용역량이, 고학년이 저학년에 비해 생성형 AI 학습기여도, 사용용이성이, 이공계열 학생이 인문사회계열 학생에 비해 생성형 AI 활용역량, 생성형 AI 학습기여도, 사용용이성이 높게 나타났다. 셋째, 생성형 AI 활용 빈도와 생성형 AI 활용역량, 생성형 AI 학습기여도, 생성형 AI 활용의 윤리적 측면 간에 통계적으로 유의한 상관관계가 나타났다. 이러한 결과는 성별, 학년, 전공계열의 특성에 따른 생성형 AI도구를 효율적으로 활용할 수 있는 교육과 환경을 조성할 필요가 있음을 시사한다.

This study aimed to investigate college students' usage characteristics related to the use of generative AI. A survey was conducted among students to examine variables such as frequency of use, user competency, perceived contribution to learning, ease of use, psychological anxiety, and ethical considerations related to generative AI. The collected data were analyzed using descriptive statistics, t-tests, and correlation analyses. The findings revealed that, first, students reported a relatively high frequency of generative AI tool usage, competency, contribution to learning, and ease of use evaluated at above-average levels. Second, significant differences were found in certain variables according to demographic characteristics(gender, grade, major). Male students demonstrated higher levels of AI-related competency than female students; upper-year students perceived greater learning contribution and ease of use compared to lower-year students; and students in STEM fields showed higher competency, learning contribution, and ease of use than those in humanities and social sciences. Third, statistically significant correlations were observed between frequency of generative AI use and variables such as competency, perceived learning contribution, and ethical considerations. These findings suggest the need to establish educational strategies and learning environments that support the effective use of generative AI tools, tailored to students’ demographic backgrounds.

본 연구는 초등학교 2학년 아동 100명을 대상으로 AI 개념 형성 수준과 인식(흥미, 유용성, 친숙함) 간의 관계를 분석하였다. AI 개념은 20문항 이분법 설문으로, 인식은 5점 리커트 척도로 측정하였으며, 신뢰도 검증, 상관분석, 회귀분석과 질적 면담을 통해 자료를 분석하였다. 그 결과, 아동의 AI 개념 형성 수준과 전반적 인식은 정적 상관을 보였고, 흥미와 유용성은 개념 형성을 유의하게 예측하였으나 친밀감은 유의미한 관계가 없었다. 면담에서는 아동이 AI를 생활을 돕는 존재로 이해하고 흥미는 높았으나, 주로 수동적 도구로 인식하고 친밀감에는 거리감을 느끼는 양상을 보였다. 본 연구는 아동의 AI 인식과 개념 형성 실태를 규명하고, 체계적이고 심화된 교육 프로그램 개발 필요성을 제시한다.

This study analyzed the relationship between AI concept formation and perceptions (interest, usefulness, and familiarity) among 100 second-grade elementary school students. AI concepts were measured using a 20-item dichotomous survey, and perceptions were assessed with a 5-point Likert scale. Data were analyzed through reliability tests, correlation and regression analyses, and qualitative interviews. Results showed a positive correlation between AI concept formation and overall perceptions. Interest and usefulness significantly predicted concept formation, while familiarity showed no significant relationship. Interviews revealed that students viewed AI as a helpful tool in daily life and expressed high interest, but generally perceived it as a passive tool and felt some emotional distance. This study provides insights into children’s AI understanding and perceptions and highlights the need for systematic and advanced educational programs.

이 연구의 목적은 2022 개정 교육과정 총론에 제시된 디지털·인공지능(AI) 관련 내용이 초등학교 교과 교육과정에 어떻게 반영되어 있는지를 분석하는 데 있다. 이를 위해 바른 생활·슬기로운 생활·즐거운 생활, 국어, 사회, 도덕, 수학, 과학, 실과, 체육, 음악, 미술, 영어 등 13개 교과의 성격 및 목표, 내용 체계 및 성취기준, 교수·학습, 평가 영역에서 디지털·인공지능 관련 핵심어가 포함된 문장을 추출하고, 총론에서 도출한 7개 분석 준거에 근거한 교육과정 내용 맵핑(CCM)을 적용하여 분석하였다. 분석 결과, 디지털·인공지능 관련 내용의 분량은 실과(29.92%)가 가장 높고 미술과 영어가 그 뒤를 이었으며, 바른 생활/슬기로운 생활/즐거운 생활은 가장 낮은 비중(3.41%)을 보였다. 또한 모든 교과에서 정보통신기술 활용 교수·학습은 비교적 충실히 반영된 반면, 지능정보기술 기반 학습 환경, 맞춤형 학습과 평가 등 인공지능 기반 개인화 교육에 대한 명시적 서술은 매우 제한적으로 나타났다. 이러한 결과를 토대로 디지털·인공지능 소양과 인공지능 기반 맞춤형 학습·평가 요소를 교과 전반에 보다 균형 있게 확충할 필요성을 논의하였다.

This study analyzes how digital and artificial intelligence (AI)–related content in the 2022 Revised National Curriculum General Guidelines is reflected in the elementary school subject curricula. Thirteen subjects’ aims, content structures and achievement standards, teaching–learning, and assessment sections were examined. Sentences containing predefined digital/AI keywords were extracted and analyzed by applying a curriculum content mapping (CCM) framework based on seven criteria derived from the General Guidelines., and each subject–criterion pair was rated on a four-level scale. Results show that Practical Arts (29.92%) includes the largest proportion of digital/AI-related statements, followed by Art and English, whereas the integrated subjects (Good Life, Wise Life, and Joyful Life) show the lowest proportion (3.41%). Across subjects, digital literacy, ICT-based teaching and learning, and EdTech use are relatively well represented, but AI-driven learning environments and personalized learning and assessment are scarcely specified. Implications for strengthening AI literacy and balancing digital/AI content across subjects are discussed.

본 연구는 DirectML 기반 통합 실행 환경에서 대표적인 실시간 Neural Style Transfer 모델 4종을 동일 조건에서 비교·분석하였다. 모든 모델은 MS-COCO(콘텐츠)와 WikiArt(스타일) 데이터셋을 사용하여 학습되었으며, ONNX Runtime과 DirectML Execution Provider(DirectX 12 기반)를 이용해 추론을 수행하였다. 평가 지표로는 추론 속도, GPU 메모리 사용량, PSNR, SSIM, LPIPS, 시간적 일관성(Temporal Consistency), 구조 유지(Coherence)를 사용하였다. 실험 결과, Fast Style Transfer와 ReCoNet은 가장 높은 FPS와 낮은 VRAM 사용량을 기록하였으며, 특히 ReCoNet은 높은 시간적 안정성을 보여 비디오 응용에 적합함을 확인하였다. AdaIN은 임의 스타일을 실시간으로 적용할 수 있는 유연성을 보였고, SANet은 세밀한 스타일 표현력은 우수하나 높은 연산 비용이 요구되었다. 본 연구는 기존의 비표준화된 NST 비교 문제를 해결하고, 이를 통해 실시간 그래픽스 및 게임 엔진 환경에서의 NST 모델 선택과 벤치마크 표준화에 기여할 수 있을 것으로 기대된다.

This study compares and analyzes four representative real-time Neural Style Transfer models under identical conditions within a unified DirectML-based execution environment. All models were trained using the MS-COCO (content) and WikiArt (style) datasets, and inference was performed using ONNX Runtime with the DirectML Execution Provider built on DirectX 12. The evaluation metrics include inference speed, GPU memory usage, PSNR, SSIM, LPIPS, temporal consistency (TC), and structural coherence (C). Experimental results show that Fast Style Transfer and ReCoNet achieved the highest FPS and lowest VRAM usage, with ReCoNet demonstrating particularly high temporal stability, making it suitable for video applications. AdaIN exhibited strong flexibility by enabling real-time arbitrary style transfer, while SANet achieved fine-grained stylistic expressiveness at the cost of higher computational overhead. This study addresses the long-standing issue of non-standardized NST comparisons and is expected to contribute to model selection and benchmarking standardization for real-time graphics and game-engine environments.

본 연구는 화학생명공학 계열 학부생 및 초심 연구자를 위한 AI 기반 단일세포 RNA-seq(scRNA-seq) 분석 교육 파이프라인을 제안하고, 실제 데이터를 적용하여 그 교육적 유효성을 검증하였다. 비소세포폐암(NSCLC) 공개 데이터를 활용하여 전처리, 차원 축소, 군집화 및 상호작용 분석에 이르는 전 과정을 학습자가 주도적으로 수행할 수 있도록 모듈화된 실습 과정을 구축하였다. 사례 연구 결과, 학습자들은 LIPA-RORA 및 CD55-ADGRE5와 같은 비정형 면역 조절 축을 새롭게 규명하였으며, 기존 자동 주석 단계에서 분류되지 않았던 미분류(Other_Unknown) 세포군을 메타 계통 분석을 통해 B-like 및 T/NK-like 아형으로 재정의하는 심화 분석을 성공적으로 수행하였다. 이러한 과정은 학습자가 단순히 코드를 복제하는 수준을 넘어, 데이터 중심의 사고를 통해 스스로 가설을 설정하고 검증하는 연구 역량을 함양하는 데 효과적임을 입증하였다. 본 연구는 실제 임상 데이터를 활용한 실무 중심의 AI 융합 교육 프레임워크를 제시함으로써, 이론과 실무를 겸비한 AI 바이오 인재 양성을 위한 구체적인 교육 모델을 확립했다는 점에서 중요한 의의를 갖는다.

This study proposes an AI-driven single-cell RNA-seq (scRNA-seq) analysis pipeline designed for undergraduate students and novice researchers in chemical and biological engineering, and validates its educational effectiveness through real-world data application. Utilizing public non-small cell lung cancer (NSCLC) datasets, a modularized hands-on curriculum was constructed, covering the entire workflow from preprocessing and dimensionality reduction to clustering and cell-cell interaction analysis, enabling learners to proactively lead the research process. The case study results demonstrated that learners successfully conducted advanced analyses, such as identifying non-canonical immune regulatory axes including LIPA-RORA and CD55-ADGRE5. Furthermore, they redefined unclassified "Other_Unknown" cell populations into functional B-like and T/NK-like subtypes through meta-lineage analysis. These findings suggest that the proposed pipeline effectively cultivates data inquiry and problem-solving competencies by encouraging students to establish and verify hypotheses based on complex biological data, transcending simple code replication.

본 연구는 국가 주도 AI·디지털 직업훈련의 교육 효과성을 Kirkpatrick 4수준 평가 모형으로 다차원 진단하였다. 특정 민간 훈련기관의 208명 수료생을 대상으로 고용 성과, 직무 일치도, 기업 DX 기여도, 미취업 원인을 종합적으로 실증 분석하였다. 취업률은 68.3%로 양적 성과는 양호하였으나 수료생의 89.4%는 취업까지 1개월 이상 소요되었다. 직무 일치도는 클라우드(4.29점)와 자율주행(2.23점) 등 교육 분야에 따라 뚜렷한 격차를 보였다. 비IT 전공자를 포함한 취업자의 78.9%가 IT 직무에 종사하며, 이 중 약 30%가 클라우드·빅데이터·머신러닝 등 핵심 기술로 기업 DX에 직접 기여하여 정책 성과가 확인되었다. 반면 미취업자의 68.2%는 실무 경험 부족을 주원인으로 인식하였다. 이를 바탕으로 생애주기형 지원 체계, 기업 연계 인턴십 및 현장실습 확대, 산업 수요 기반 핵심 기술 심화 교육을 통한 실질적 경력 개발 지원을 정책 개선안으로 제언한다.

This study diagnoses the educational effectiveness of government-led AI and digital vocational training using Kirkpatrick's four-level model. We conducted an empirical analysis on 208 graduates from a specific private institution, examining employment outcomes, job-training alignment, corporate DX contribution, and causes of unemployment. Results show a 68.3% employment rate, indicating quantitative success, yet 89.4% required over a month for placement. Job-training alignment varied significantly, with a notable gap between Cloud (4.29) and Autonomous Driving (2.23). Crucially, 78.9% entered IT roles, and roughly 30% directly contributed to corporate DX via core technologies, confirming policy effectiveness. Meanwhile, 68.2% of unemployed graduates cited insufficient practical experience as the primary barrier. Based on these findings, the study recommends reinforcing lifecycle support systems, expanding corporate internships and field training, and intensifying core technology training to foster practical career development.

본 논문은 현대 항공우주산업이 직면한 ’안전(Safety)’과 ’환경적 지속가능성(Environmental Sustainability)’이라는 이중적 과제를 해결하기 위해, 예측 정비(PdM)와 연료 효율(Fuel Efficiency) 최적화를 결합한 통합적 접근법을 제안한다. 이를 위해 가스 터빈 파라미터 보정 이론과 손상 전파 모델링을 기반으로, 장기 시계열 의존성과 변수 간 인과관계를 효과적으로 학습하는 BiGRUT 및 Transformer 하이브리드 AI 모델을 구축하였다. 제안된 모델의 유효성을 검증하기 위해 NASA의 C-MAPSS FD001 데이터셋을 활용하여 실증 실험을 수행하였다. 실험 결과, 제안 모델은 기존 LSTM 모델 대비 RMSE가 약 23% 개선된 12.38을 기록하였으며, NASA Scoring Function에서도 245점이라는 우수한 성능을 보여 예측의 정확도와 신뢰성을 입증하였다. 최종적으로 이러한 RUL 예측 정보를 바탕으로 정비 비용과 연료 손실 비용을 최소화하는 메타 휴리스틱 기반의 동적 스케줄링 전략을 제시함으로써, 데이터 기반의 효율성 보존 전략이 갖는 산업적 가치를 규명한다.

This paper proposes an integrated approach combining Predictive Maintenance (PdM) and Fuel Efficiency optimization to address the dual challenges of 'Safety' and 'Environmental Sustainability' facing the modern aerospace industry. To this end, we constructed a hybrid AI model using BiGRUT and Transformer that effectively learns long-term time-series dependencies and causal relationships between variables, based on gas turbine parameter correction theory and damage propagation modeling. To verify the validity of the proposed model, empirical experiments were conducted using NASA's C-MAPSS FD001 dataset. The experimental results showed that the proposed model achieved an RMSE of 12.38, an improvement of approximately 23% compared to the existing LSTM model, and demonstrated excellent performance with a score of 245 in the NASA Scoring Function, proving the accuracy and reliability of the prediction. Finally, by presenting a meta-heuristic-based dynamic scheduling strategy that minimizes maintenance costs and fuel loss costs based on this RUL prediction information, we identify the industrial value of data-driven efficiency preservation strategies.

본 연구는 국내외에서 AI 윤리교육 프로그램 운영 사례연구에 대한 체계적 고찰 연구이다. 2021년부터 2025년까지 RISS, KCI, ERIC을 사용하여 국내외 학술논문을 검색한 결과 총 907편의 논문을 확인하였고 배제 기준에 해당되는 논문을 제외하고 최종 9편을 선정하였다. 선정된 9편의 논문을 SPIDER 모델을 기준으로 체계적으로 고찰한 결과, AI 윤리교육은 초등학생을 중심으로 운영되고 있었으며 고등학생과 대학생을 대상으로 한 실천 연구는 부족하였다. 교육 내용에서는 책임성이 공통 핵심 요소로 다루어졌고 사례기반 활동과 토의·토론 중심 전략이 주로 활용되었다. 모든 연구에서 사전–사후 검증을 통해 AI 윤리의식이 유의미하게 향상된 것으로 나타났다. 본 연구는 AI 윤리교육의 실제 운영 양상을 종합적으로 제시함으로써 초·중등에서 성인 학습자로 이어지는 연속적이고 체계적인 AI 윤리교육의 필요성을 강조하며 향후 교육과정 개발 및 연구 방향 설정에 기초자료를 제공한다.

This study is a systematic review of domestic and international research on the implementation of AI ethics education programs. Using RISS, KCI, and ERIC, a total of 907 academic articles published between 2021 and 2025 were initially identified, and after excluding studies that met the elimination criteria, 9 articles were ultimately selected. A systematic analysis of these studies using the SPIDER framework revealed that AI ethics education programs were primarily implemented for elementary school students, while practical studies targeting high school and undergraduate learners were lacking. In terms of educational content, “responsibility” was identified as a common core element, and instructional strategies frequently included case-based activities as well as discussion- and debate-oriented approaches. All studies reported significant improvements in learners’ AI ethics awareness based on pre–post assessments. By synthesizing the actual implementation practices of AI ethics education, this study highlights the need for a continuous and developmentally aligned AI ethics education framework extending from primary to adult learning, and provides foundational insights for future curriculum development and research directions.

본 연구는 2019년부터 2025년까지 KCI에 등재된 딥페이크 관련 논문 207편을 분석하여 학문 주제 분야별 연구 동향을 파악하고, 비교·분석하기 위해 메타데이터 분석과 제목 키워드 네트워크 분석을 수행하였다. 연구 결과, 법학과 공학 분야가 전체의 약 67%를 차지하고 있었으며, 교육학 분야와 윤리·철학 분야의 연구는 각 2편에 불과했다. 학문 분야별 차별된 주요 키워드는 법학 분야는 범죄, 아동, 청소년, 피해자, 규제, 책임 등이, 공학 분야는 탐지, 모델, 개발, 위협, 보안 등이, 사회과학 분야는 교육, 윤리, 대응, 과제, 민주주의 등이, 미디어·복합 분야는 콘텐츠, 배우, 연기, 허위, 침해, 전환 등으로 나타났다. 이를 통해, 우리나라의 딥페이크 관련 연구는 교육과 예방의 관점보다는 법적 규제와 기술적 탐지의 관점에서 주로 이루어지고 있음을 확인하였다. 연구 제언으로 향후에는 디지털 리터러시의 관점을 넘어선 윤리 교육, 학문간 연계를 통한 융합 교육 모델 등 디지털 시민성 함양과 인간 중심의 디지털 면역력을 기르기 위한 연구가 필요함을 제시하였다.

This study analyzed 207 deepfake-related papers listed in the Korea Citation Index (KCI) between 2019 and 2025 to identify and compare research trends across academic disciplines using metadata and keyword network analysis. The results indicated that the Law and Engineering disciplines accounted for approximately 67% of the total research output, whereas studies in Education and Ethics/Philosophy were scarce, with only two papers each. Distinct keywords characterized each discipline: Law focused on “crime,” “children,” “adolescents,” “victims,” “regulation,” and “responsibility”; Engineering on “detection,” “models,” “development,” “threats,” and “security”; Social Sciences on “education,” “ethics,” “response,” “tasks,” and “democracy”; and Media/Convergence on “content,” “actors,” “acting,” “falsehood,” “infringement,” and “transition.” These findings demonstrate that South Korean deepfake research has predominantly centered on legal regulation and technical detection rather than education and prevention. Consequently, this study suggests the need for future research to foster digital citizenship and human-centered digital immunity, including ethical education beyond digital literacy and interdisciplinary convergence education models.

한–중 법률 번역은 법률 용어의 복잡성, 일관성에 대한 엄격한 요구, 그리고 도메인 특화 이중언어 자원의 부족으로 인해 고유한 어려움을 가진다. 최근 신경망 기계번역(NMT)의 발전으로 전반적인 번역 성능은 향상되었으나, 용어의 신뢰성과 오류 분포 문제는 여전히 해결되지 않아 법률 분야에서의 실제 적용 가능성을 제한하고 있다. 본 연구는 mBART 기반 NMT 모델의 디코딩 단계와 사후편집 단계에 이중언어 법률 용어집을 통합하는 용어 인식 번역 프레임워크를 제안한다. 또한 의미 불일치, 문법 오류, 용어 일탈 등을 포함한 주요 법률 번역 오류를 분류하고 정량화하기 위한 종합적인 오류 분석 체계를 제시한다. 한–중 법률 코퍼스를 이용한 실험 결과, 제안된 방법은 BLEU 및 TER과 같은 기존 평가 지표를 향상시킬 뿐만 아니라, 기준 시스템에 비해 더 높은 용어 정확도와 일관성을 달성함을 보여준다. 이러한 결과는 도메인 특화 용어 통제와 체계적인 오류 분석이 기계 기반 법률 번역의 신뢰성을 향상시키는 데 핵심적임을 시사하며, 사법 및 입법 분야에서 보다 신뢰할 수 있는 활용을 가능하게 한다.

Legal translation between Korean and Chinese poses unique challenges due to the complexity of legal terminology, strict requirements for consistency, and the scarcity of domain-specific bilingual resources. While recent advances in neural machine translation (NMT) have improved overall translation performance, issues of terminology reliability and error distribution remain unresolved, limiting the practical applicability of such systems in legal contexts. This study proposes a terminology-aware translation framework that integrates a bilingual legal glossary into both the decoding and post-editing stages of an mBART-based NMT model. In addition, a comprehensive error analysis framework is introduced to classify and quantify common legal translation errors, including semantic inconsistency, grammatical inaccuracies, and terminological deviations. Experiments on a Korean–Chinese legal corpus demonstrate that the proposed approach not only enhances conventional evaluation metrics such as BLEU and TER, but also achieves higher terminology accuracy and consistency compared with baseline systems. These findings highlight the importance of domain-specific terminology control and systematic error analysis in improving the reliability of machine-assisted legal translation, thereby contributing to more trustworthy applications in judicial and legislative contexts.

한국어–중국어 법률 번역은 복잡한 법률 용어, 상이한 언어 구조, 그리고 고품질 이중언어 병렬 말뭉치의 부족으로 인해 많은 도전에 직면해 있다. 본 연구는 역번역 기반 데이터 증강과 전이학습을 결합하여 저자원 환경에서의 신경망 법률 번역 성능을 향상시키는 방법을 제안한다. 구체적으로, 다국어 사전학습 모델인 mBART를 두 단계로 미세조정(fine-tuning)한다. 먼저 실제 한국어–중국어 법률 병렬 데이터를 이용해 초기 미세조정을 수행하고, 이후 역번역을 통해 생성된 의사 병렬 데이터에 법률 용어 주석을 결합하여 추가적인 강화 미세조정을 수행한다. 도메인 특화 데이터셋을 활용한 실험 결과, 제안한 방법은 기본 Transformer 및 단순 미세조정된 mBART 모델 대비 유의미한 성능 향상을 보였으며, BLEU 점수 34.5와 TER 0.42를 달성하였다. 또한 이중언어 법률 전문가에 의한 인간 평가 결과, 번역의 유창성, 적합성 및 법적 일관성이 모두 개선됨이 확인되었다. 본 연구는 저자원 환경에서의 한‧중 법률 신경망 기계번역 성능을 향상시킬 뿐만 아니라, 책임성, 준법성, 그리고 번역 이력 추적을 위한 블록체인 활용 가능성 등 법적·제도적 함의도 함께 논의한다. 제안된 프레임워크는 신뢰할 수 있는 AI 기반 법률 번역 시스템 구축을 위한 실용적인 기반을 제공한다.

Legal translation between Korean and Chinese faces significant challenges due to complex legal terminology, distinct linguistic structures, and the scarcity of high-quality bilingual corpora. This study proposes an approach to improve neural legal translation in low-resource scenarios by integrating back translation-based data augmentation with transfer learning. Specifically, the multilingual pre-trained mBART model is fine-tuned in two stages: initial fine-tuning with authentic Korean–Chinese legal parallel data, followed by enhanced fine-tuning using pseudo-parallel data generated through back translation and enriched with legal terminology annotations. Experiments on domain-specific datasets demonstrate substantial improvements over baseline Transformer and fine-tuned mBART models, achieving a BLEU score of 34.5 and a TER of 0.42. Human evaluation by bilingual legal experts further confirms enhanced fluency, adequacy, and legal consistency. This work not only advances Korean–Chinese legal neural machine translation in low-resource contexts but also discusses legal implications, including accountability, compliance, and the potential of blockchain for translation traceability. The proposed framework provides a practical foundation for developing reliable AI-assisted legal translation systems.

본 연구는 AI 기술이 확산되는 교육환경 속에서 간호교육이 지향해야 할 홀리스틱 교육의 방향을 탐색하고자, 생성형 AI, 시뮬레이션 기반 가상환자, 자동화된 피드백 시스템 등 AI 기반 간호교육 환경에서의 학습 경험이 지니는 의미 변화를 질적 분석 관점에서 규명하였다. 이를 위해 간호대학생 17명을 대상으로 온라인 설문조사를 실시하고, 이 중 자발적 동의자 6명과 현직 보건교사 3명을 대상으로 FGI를 진행하였다. 자료 분석은 설문조사를 통한 전반적 경험 경향 파악과 함께 면담 전사본에 대한 주제 분석을 홀리스틱 교육철학의 분석 틀(인지·정서·윤리·관계 차원의 통합)과 결합하여 수행하였으며, 참여자 검토과정을 통해 해석의 신뢰도를 확보하였다. 연구 결과, AI 기반 간호교육 환경에서의 학습 경험은 기술적 수행 안정감과 정서적 반응 형성을 출발점으로 하여 돌봄 의미의 재해석, 윤리적 판단의식 강화, 관계적 이해의 확장, 전문직 정체성 인식의 심화로 연결되는 통합적 변화 과정으로 나타났다. 특히 AI의 비인격적 특성은 인간 중심의 돌봄에 대한 중요성을 오히려 선명하게 드러내는 계기로 작용하였으며, 기술 판단의 한계를 인식하는 경험은 전문직 책무성과 성찰을 강화하는 방향으로 확장되었음을 확인하였다. 이러한 결과는 앞으로의 AI 기반 간호교육을 기술적 효율성과 인간 중심 가치가 상호 보완적으로 작동하는 홀리스틱 학습 환경으로 재개념화할 필요성을 제기하며, AI 활용 교수·학습 및 교육과정 설계에 대한 경험적 근거를 제공한다는 점에서 의의가 있다.

This study explored the direction of holistic education in nursing amid the expanding use of AI by qualitatively examining the meaning of learning experiences in AI-based nursing education environments, including generative AI, simulation-based virtual patients, and automated feedback systems. An online survey was conducted with 17 nursing students, FGIs with six voluntary participants and three licensed school health teachers. Data were analyzed by integrating thematic analysis of interview transcripts with a holistic educational framework encompassing cognitive, emotional, ethical, and relational dimensions. Trustworthiness was ensured through member checking. The findings revealed that learning experiences in AI-based nursing education formed an integrative developmental process, beginning with technical performance stability and emotional responses and extending to reinterpreting the meaning of caring, strengthening ethical judgment, expanding relational understanding, and deepening professional identity. These findings suggest the need to reconceptualize future AI-based nursing education as a holistic learning environment in which technological efficiency and human-centered values function complementarily, providing empirical foundations for AI-informed teaching, learning, and curriculum design.