Earticle

본 연구는 영화 <케이팝 데몬 헌터스> 대본을 대상으로 감정 분석을 수행하여, 감정이 서사를 구성하는 핵심 메커니즘으로 작동하는 방식을 규명한다. 기존의 사건·플롯 중심 해석에서 벗어나 감정을 서사를 추동하는 구조적 요소로 재개념화하고, 대사 단위의 감정 극성 및 6개 기본 감정에 대한 정량 분석을 병행하였다. 분석 결과, 서사는 감정의 선형적 변화가 아닌 공포 중심의 순환적 전이 구조를 통해 긴장을 유지하는 것으로 나타났다. 특히 ‘공포→분노→슬픔’으로 이어지는 전이는 플롯 전환의 주요 계기가 되었으며, 중립 감정은 다시 공포로 회귀하는 매개로 기능했다. 또한 정체성 갈등 구간에서 부정 감정이 유의미하게 집중되며, 감정 회복은 갈등 해소 이후에만 나타나는 양상을 보였다. 이러한 결과는 감정이 부수적 반응을 넘어 서사의 시간성과 방향성을 규정하는 구조적 장치임을 시사한다. 본 연구는 감정 분석을 디지털 인문학적 분석 틀로 제시하며, 글로벌 문화 콘텐츠의 서사 구조를 정량적으로 해석할 수 있는 방법론적 지평을 확장한다.

This study conducts a sentiment analysis of the script for the film K-Pop: Demon Hunters to identify how emotion functions as a core mechanism in narrative construction. Moving beyond traditional event- and plot-centered interpretations, this research reconceptualizes emotion as a structural element that drives the narrative. To this end, the study employs dialogue-level analysis, combining sentiment polarity (positive, negative, neutral) with quantitative analysis of six basic emotions. The findings reveal that the narrative maintains tension through a cyclical emotional transition structure centered on fear, rather than a linear emotional progression. Specifically, the transitions from fear to anger and from anger to sadness serve as pivotal triggers for plot shifts, while neutral emotions function as a medium for returning to fear. Furthermore, negative emotions are significantly concentrated during segments of identity conflict, with emotional recovery appearing only after such conflicts are resolved. These results suggest that emotion is not a secondary response to events but a structural device that defines the temporality and directionality of the narrative. By presenting sentiment analysis as an analytical framework connecting film narrative studies with digital humanities, this study expands the methodological possibilities for the quantitative interpretation of global cultural content narratives.

본 연구는 연구 중심의 4년제 대학과 차별화되는 전문대학 및 특성화고의 '실무 중심 AI 프로그래밍 교육(MLOps, sLLM 파인튜닝, RAG 구축 등)'에 최적화된 교육 인프라 구축 방안을 제시한다. 산업계는 자체 데이터와 오픈소스 모델을 결합하는 풀스택 인재를 요구하나, 기존 실습실의 저사양 PC는 고성능 연산이 불가능하고 상용 클라우드는 종량제 과금에 따른 비용 폭증 위험을 안고 있다. 이에 본 연구는 고성능 GPU 서버(NVIDIA RTX 6000 Ada 등)를 온프레미스로 구축하고 컨테이너 가상화(Docker, Kubernetes)로 학생에게 독립된 개발 샌드박스를 할당하는 방안을 분석한다. GPU 메모리를 96GB로 동일 기준으로 로컬 서버와 AWS g5.12xlarge 인스턴스(서울 리전)를 총소유비용(TCO) 모델로 비교한 결과, 손익분기점은 24시간 상시 운영 시 약 4개월, 수업시간 한정 시 약 20~34개월로 가동률이 높을수록 온프레미스의 경제적 우위가 뚜렷하였다. 또한 오픈소스 모델과 상용 API의 품질 및 비용을 함께 고려한 효율적 자원 활용 방안을 함께 검토한다. 결론적으로 본 연구는 예산 효율성을 높이고 학생 장비에 따른 교육 격차를 해소하기 위한 단계적 인프라 구축 방안을 제안하여, 실무형 소프트웨어 인재 양성을 위한 전략적 기반을 제공한다.

This study proposes an educational infrastructure strategy optimized for 'practical AI programming education' (MLOps, sLLM fine-tuning, RAG implementation) in vocational colleges and specialized high schools, distinct from research-centric four-year universities. While the IT industry demands full-stack engineers who integrate proprietary data with open-source models, existing low-spec lab PCs cannot handle high-performance computing, and commercial clouds carry the risk of cost explosion due to pay-as-you-go pricing. This study thus analyzes an approach that deploys a high-performance on-premise GPU server (e.g., NVIDIA RTX 6000 Ada) and allocates independent development sandboxes to students through container-based virtualization (Docker, Kubernetes). Comparing the local server against an AWS g5.12xlarge instance (Seoul region) on an equivalent basis of 96GB GPU memory using a Total Cost of Ownership (TCO) model, the break-even point was about 4 months under 24/7 continuous operation and about 20~34 months when limited to class hours, confirming that the economic advantage of the on-premise approach becomes more pronounced as the utilization rate increases. The study also examines an efficient resource utilization approach that jointly considers the quality and cost of open-source models and commercial APIs. In conclusion, this study proposes a phased infrastructure deployment approach to improve budget efficiency and eliminate educational inequality caused by personal device specs, providing a strategic foundation for nurturing industry-ready software talent.

본 연구는 2026년 3월까지 발표된 인간-AI 협력 관련 경험연구를 체계적으로 수집·선별하여, 그 시기별 분포와 상호작용 구조, 교육적 함의를 분석하는 데 목적이 있다. 특히 인간-AI 협력이라는 표현이 연구와 실천 맥락에서 언제부터 본격적으로 사용되기 시작했는지, 그리고 교육 맥락에서 그러한 협력이 어떠한 신뢰, 상호작용 주도권, 인식적 주체성의 조건 위에서 성립하는지를 검토하였다. 본 연구는 PRISMA 2020 보고 지침에 따라 문헌 검색, 중복 제거, 제목·초록 검토, 전문 적격성 검토의 절차를 거쳐 최종 분석 대상을 확정하였다. 최종 코퍼스는 162편의 경험연구로 구성되었으며, 코드북은 아키텍처 유형, AI 역할, 상호작용 주도권, 교육 수준, 결과지표를 중심으로 설계하였다. 분석 결과, 최종 포함 문헌의 67.9%가 2023년 이후에 집중되었고, 생성형 LLM 기반 연구가 59편(36.4%)으로 가장 큰 비중을 차지하였다. 상호작용 주도권은 Human-Driven 78편(48.1%), AI-Driven 51편(31.5%), Shared-Initiative 33편(20.4%)으로 나타나, 최근의 협력 담론이 곧바로 대칭적 공동주도 구조로 이어지는 것은 아님을 시사하였다. 또한 고등교육 연구가 98편(60.5%)으로 가장 높은 비중을 보였고, K-12 연구는 13편(8.0%)에 그쳐 상대적으로 제한적이었다. 결과지표 측면에서는 성과 관련 지표가 가장 빈번하게 관찰되었으나, 에이전시, 신뢰, 인지적 외주화와 관련된 항목도 최근 문헌에서 함께 부상하고 있었다. 이상의 결과는 인간-AI 협력 관련 경험연구가 생성형 인공지능 서비스의 확산 이후 빠르게 증가하였으나, 교육 맥락에서의 협력은 여전히 신뢰 보정, 역할 협상, 최종 판단권 유지의 조건 아래 제한적으로 구성되고 있음을 시사한다.

This study aimed to systematically collect and screen empirical studies on human-AI collaboration published through March 2026 and to analyse their period-based distribution, interactional structures, and educational implications. In particular, it examined when the expression human-AI collaboration began to gain broader salience in research and practice, and under what conditions of trust, interactional initiative, and epistemic agency such collaboration becomes viable in educational contexts. Following the PRISMA 2020 reporting guidelines, the study identified, de-duplicated, and screened the literature through title-and-abstract review and full-text eligibility assessment, resulting in a final corpus of 162 empirical studies. The codebook focused on architecture type, AI role, interactional initiative, educational level, and outcome indicators. The results showed that 67.9% of the included studies were published from 2023 onward, and that studies based on generative LLMs accounted for the largest share, with 59 articles (36.4%). The distribution of interactional initiative was Human-Driven in 78 studies (48.1%), AI-Driven in 51 studies (31.5%), and Shared-Initiative in 33 studies (20.4%), suggesting that the recent discourse of collaboration does not necessarily imply a symmetrical co-led structure. The analysis also showed a strong concentration in higher education, with 98 studies (60.5%), and a relative scarcity of K-12 research, with 13 studies (8.0%). Although performance-related indicators remained the most frequently observed outcomes, such indicators as agency, trust, and cognitive offloading also became more visible in recent studies. These findings suggest that empirical research on human-AI collaboration has expanded rapidly following the diffusion of generative AI services; however, in educational settings, such collaboration appears to remain conditionally structured around calibrated trust, negotiated roles, and the preservation of final human judgement.

생성형 인공지능의 확산으로 직업 세계의 대전환이 이루어짐에 따라, 미래 세대의 주체적인 진로 설계 역량이 어느 때보다 중요해진 시점이다. 이에 본 연구는 생성형 AI ‘뤼튼(Wrtn)’을 활용한 진로교육프로그램을 개발하고, 초등학생의 진로성숙도 및 진로 자기효능감에 미치는 영향을 양적·정성적 분석을 통해 검증하였다. 연구 결과, 실험집단의 진로성숙도(F=23.30, p<.001, η²p=.406)와 진로 자기효능감(F=11.10, p=.002, η²p=.247)이 유의미하게 향상된 것으로 나타났다. 또한, 활동 과정 및 면담에 대한 정성적 분석을 통해 학습자의 심층적인 자기 이해와 진로 설계 역량 강화, 진로 가치관의 긍정적인 전환 등을 확인하였다. 본 연구는 생성형 AI가 학습자 맞춤형 인지적 비계(Scaffolding)로 기능함을 확인하였으며, 급변하는 인공지능 시대에 부합하는 새로운 진로교육 모델의 가능성을 확인하고 기초 자료를 제시하였다는 점에서 학술적 의의가 있다.

With the proliferation of generative artificial intelligence (AI) and the resulting transformation of the world of work, the development of self-directed career design competencies among future generations has become increasingly important. In response to this need, this study developed a career education program utilizing the generative AI platform Wrtn and examined its effects on elementary school students’ career maturity and career self-efficacy through both quantitative and qualitative analyses. The results indicated significant improvements in the experimental group’s career maturity (F=23.30, p<.001, η²p=.406) and career self-efficacy (F=11.10, p=.002, η²p=.247). Furthermore, qualitative analyses of students’ learning activities and interviews revealed enhanced self-understanding, strengthened career planning competencies, and positive changes in career values. The findings suggest that generative AI can function as personalized cognitive scaffolding for learners. This study contributes to the literature by demonstrating the potential of a novel career education model suited to the rapidly evolving AI era and by providing a foundation for future research on AI-supported career education.

본 연구는 설계·개발 연구(Design and Development Research, DDR) 방법론에 기반한 사례 연구로서, 공공 대기환경 실무자를 위한 생성형 AI 교육 프로그램을 설계하고 실무자 검토를 통해 모형을 보완하였다. 공공부문 AI 교육은 망분리 보안, 증거 기반 행정의 통계적 엄밀성, 공공문서의 법적 정확성이라는 고유 제약을 충분히 반영하지 못하고 있으며, 특히 대기환경 분야는 SIFT-MS·드론 등 첨단 측정장비의 고해상도 데이터 분석을 위한 AI 역량이 요구되나 관련 교육 사례는 찾아보기 어렵다. 본 연구에서 '교육 프로그램 모형'이란 학습 목표·교육 내용·교수학습 방법·평가 방법으로 구성된 4개 모듈의 체계적 설계 구조를 의미한다. 문헌·업무 분석을 통해 4대 핵심 요구사항을 도출하여 초기 모형을 설계하고, 대기환경 정책·연구·협력 직군 실무자 6인을 대상으로 심층 면접(IDI)과 내용 타당도 비율(CVR) 분석을 2라운드에 걸쳐 수행하여 최종 모형을 도출하였다. 그 결과 보안 필터링·자가비판 프롬프팅 중심의 공통 기본과정(모듈 1·2·3, 7시간)과 바이브코딩 기반 대기분석 AI 앱 제작 심화과정(모듈 4, 1시간)의 2트랙 8시간 프로그램이 도출되었다. 본 사례 연구는 공공부문 AI 교육에서 'Red Zone(절대 금지선)' 명문화의 우선성, 데이터 로컬 보관 기반 바이브코딩의 보안·재현성 충족 가능성, 자가비판 프롬프팅과 Human-in-the-loop 검수의 신뢰도 보장 기능을 시사한다.

This case study applies Richey and Klein's Design and Development Research (DDR) methodology to design a generative AI education program for air quality practitioners in public institutions and to revise it based on practitioner review. Existing programs do not adequately address government-specific constraints including air-gapped network security, statistical reproducibility in evidence-based policy-making, and legal precision in official documents. Air quality management requires AI competency for analyzing high-resolution pollutant data from SIFT-MS and drones, yet domain-specific programs are rarely reported. We define an 'education program model' as a four-module design structure comprising learning objectives, content, instructional methods, and assessment. Four core requirements were derived through literature and workflow analysis, and an initial model was designed accordingly. Two rounds of in-depth interviews (IDI) and Content Validity Ratio (CVR) analysis were then conducted with six practitioners from air quality policy, research, and collaboration roles, followed by thematic analysis to produce the final program. The resulting two-track, eight-hour program comprises a common foundational track (Modules 1·2·3, 7H) on security filtering and self-critique prompting, and a domain-specific track (Module 4, 1H) on vibe coding-based air pollution analysis app development. Key implications include the priority of codifying a 'Red Zone' of prohibited use cases, the viability of vibe coding for reconciling data security with reproducibility, and the role of self-critique prompting with Human-in-the-loop review in ensuring output reliability.

본 연구는 AI 시대에 성장하는 알파 세대를 위한 새로운 성격 측정 도구의 필요성을 비판적 문헌 고찰을 통해 논증한다. 새로운 성격 측정 도구의 필요성은 측정학적·기술적 근거, 자기이해 교육, 진로 교육, 교사의 학생 이해, 인간-AI 상호작용 연구라는 다섯 근거에서 도출된다. 기존의 대표적 도구인 Big Five, MBTI, 홀랜드 검사, 애니어그램은 성격의 상황 일관성, 디지털 이전 환경, 성인 표본이라는 세 전제를 공유한다. 그러나 일상이 온·오프라인에 걸쳐 디지털로 매개되고 상황에 따라 성격이 달리 나타날 수 있는 알파 세대에 이를 적용하면 세 전제는 검사 내용(AI 관련 성향 미포괄)·응답 과정(문항과 경험 세계의 불일치)·내적 구조(상황 변동 미반영)의 세 영역에 걸쳐 타당도 위협으로 작용할 수 있다. 이에 본 연구는 AI 차원 통합, 구체적 문항 표현, 다중 측정 방법, 다층적 측정 모델, 이중 결과 해석 체계, 교사 해석용 프로파일의 여섯 설계 원칙을 제안한다.

Through a critical literature review, this study establishes the need for a new personality assessment instrument for Generation Alpha raised in the AI era. This need arises from five grounds: psychometric/technological considerations, self-understanding education, career education, teachers' understanding of students, and human–AI interaction research. Representative existing instruments—the Big Five, MBTI, the Holland inventory, and the Enneagram—share three premises: personality's cross-situational consistency, a pre-digital environment, and adult samples. However, when applied to Generation Alpha—whose daily life is digitally mediated online and offline and whose personality may vary across situations—these premises can become validity threats across three areas: test content (omission of AI-related dispositions), response processes (mismatch between items and lived experience), and internal structure (failure to reflect situational variability). Accordingly, this study proposes six design principles: integration of AI dimensions, concrete item wording, multiple measurement methods, a multilevel measurement model, a dual result-interpretation system, and a teacher-oriented interpretive profile.

한국어를 외국어로 배우는 학습자를 지원하는 학습 도구의 핵심 컴포넌트로서, 학습자의 작문에 포함된 오류를 자동으로 검출하는 검사기의 수요가 증가하고 있다. 그러나 범용 거대 언어 모델(LLM)은 한국어 문법 지식에서 환각과 부정확성을 보이는 한계가 있어, 한국어 전용 사전학습 모델을 학습자 말뭉치로 미세 조정하는 학습자 특화 접근의 필요성이 부각된다. 본 연구는 국립국어원 한국어 학습자 말뭉치(NIKL)와 한국어 전용 사전학습 모델 K-ELECTRA를 결합하여, 학습 도구 적용 가능 수준의 한국어 학습자 오류 검출이 가능한지를 실증적으로 검토하였다. 본 연구의 2단계 검출 목표는 1차로 학습자가 입력한 문장의 오류 존재를 검출하고, 2차로 오류가 발생한 문법 범주(어휘·기능어·표기)를 식별하는 것이다. NIKL 학습자 말뭉치의 오류 부위(ErrorArea) 주석 체계가 이 목표와 직접 대응한다는 점에 착안하여, 오류 부위 축을 검출과 평가의 공통 기준으로 채택하였다. NIKL XML과 K-ELECTRA 서브워드 토큰화 사이의 구조적 불일치를 해소하는 전처리 파이프라인과 BIO 시퀀스 레이블링 절차를 설계하고, K-ELECTRA 인코더 위에 오류 부위 헤드를 주 분류 헤드로 둔 검출기를 구성하였으며, 클래스 불균형에 대응하기 위해 γ를 2.0으로 설정한 Focal Loss를 채택하였다. 평가 집합 27,764문장에 대한 실험 결과 문장 수준 F0.5 0.8452(정밀도 0.8541, 재현율 0.8115)를 달성하여, 거짓 경보가 누락보다 부정적이라는 학습 도구의 정밀도 우선 요건을 충족하였다. 본 연구의 결과는 한국어 전용 사전학습 모델과 학습자 말뭉치의 결합만으로도 학습 도구 수준의 검출 정밀도를 달성할 수 있음을 보인다.

Demand for error-detection components that automatically identify errors in learners' writing is increasing in Korean-as-a-foreign-language learning tools. General-purpose large language models (LLMs), however, suffer from hallucinations and inaccuracies on Korean grammatical knowledge, motivating learner-specialized approaches that fine-tune Korean-only pretrained models on learner corpora. This study empirically examines whether combining the National Institute of Korean Language (NIKL) Korean Learner Corpus with K-ELECTRA, a Korean-only pretrained model, can achieve detection performance suitable for deployment in learning tools. The two-stage detection target of this study is, first, to determine whether a sentence entered by a learner contains an error and, second, to identify the grammatical category (lexical, function-word, or orthographic) in which the error occurs. Building on the observation that the ErrorArea annotation scheme of the NIKL Learner Corpus directly corresponds to this target, the ErrorArea axis was adopted as the common basis for both detection and evaluation. A preprocessing pipeline resolving the structural mismatch between the NIKL XML and K-ELECTRA subword tokenization was designed alongside a BIO sequence labeling procedure; an ErrorArea head was placed on top of the K-ELECTRA encoder as the primary classification head; and a Focal Loss with γ=2.0 was adopted to handle class imbalance. On 27,764 evaluation sentences the proposed model attained sentence-level F0.5 of 0.8452 (precision 0.8541, recall 0.8115), satisfying the precision-first requirement of learning tools, where false alarms are considered more harmful than misses. The results show that learning-tool-grade detection precision can be achieved using only the combination of a Korean-only pretrained model and a learner corpus.

생성형 AI 도구의 확산으로 AI·SW 교육에서 학습자의 활동은 단순한 코드 작성에서 AI 산출물의 이해, 실행, 검증, 수정, 설명으로 확장되고 있다. 본 연구는 생성형 AI 기반 코드 생성 활동에서 요구되는 AI 도구 활용 역량과 AI 산출물 검증 역량의 교육 요소를 탐색하는 데 목적이 있다. 이를 위해 UNESCO AI 역량 프레임워크, 생성형 AI 교육 지침, AI 리터러시 및 프로그래밍 교육 관련 연구를 검토하고, 초급·중급 프로그래밍 수업에서 활용 가능한 교육용 코드 생성 사례를 분석하였다. 연구 결과, 코드 생성 활동은 문제 이해, 프롬프트 구성, 코드 생성, 코드 해석, 실행 확인, 테스트 검증, 오류 수정, 윤리·보안 검토, 자기 설명의 단계로 구조화될 수 있었다. 또한 AI 도구 활용 역량, 코드 이해 역량, 실행·테스트 검증 역량, 오류 수정 역량, 근거 제시 역량, 책임 있는 활용 역량으로 구성된 AI·SW 코드 생성 검증 역량 프레임워크를 제안하였다. 본 연구는 코드 생성 사례와 검증 행동을 수업 활동 및 평가 루브릭으로 연결함으로써, 생성형 AI 활용 교육이 도구 사용 중심을 넘어 AI 산출물을 비판적으로 검토하고 책임 있게 활용하는 교육으로 확장될 수 있는 구체적 경로를 제시한다. 제안된 9단계 학습 과정, 6개 역량 범주, 5수준 루브릭은 프로그래밍 수업, AI 기초 수업, SW 융합 수업에서 생성형 AI 활용 과제를 설계할 때 참고할 수 있는 실행 가능한 틀을 제공한다. 본 연구는 생성형 AI 활용 교육을 프롬프트 작성과 코드 생성 중심에서 실행 검증, 테스트 설계, 오류 수정, 근거 제시, 책임 있는 활용을 포함하는 검증 중심 학습으로 확장하기 위한 교육 설계 기준을 제공한다.

The spread of generative AI tools is expanding learners’ activities in AI and software education from simply writing code to understanding, executing, verifying, revising, and explaining AI-generated outputs. This study explores the educational components of generative AI tool-use competency and AI-output verification competency in code generation activities for AI and software education. To this end, the study reviews UNESCO AI competency frameworks, guidelines for generative AI in education, AI literacy research, and prior studies on programming education with generative AI. It also analyzes illustrative educational code generation cases that can be used in introductory and intermediate programming courses. The findings structure generative AI-based code generation into nine learning stages: problem understanding, prompt construction, code generation, code interpretation, execution checking, test-based verification, error correction, ethical and security review, and self-explanation. Based on these stages, this study proposes a competency framework for verifying AI-assisted software code generation. The framework identifies six key competency areas: AI tool use, code comprehension, execution and testing, error correction, evidence-based explanation, and responsible use. By linking code generation cases with verification behaviors, instructional activities, and assessment criteria, the study provides a practical pathway for extending generative AI education beyond prompt writing and code production. The proposed nine-stage learning process, six competency categories, and five-level rubric offer instructional design guidance for AI-integrated tasks in programming, AI literacy, and software convergence courses. In doing so, the study shifts the focus of generative AI education toward verification-centered learning, including execution checking, test design, error correction, evidence-based explanation, and responsible use.