Earticle

본 연구는 유튜브 썸네일의 시각적 속성이 구독자 수 대비 초기 조회 성과에 미치는 관련성을 분석하고자 하였다. 471개의 표본을 대상으로 OpenCV, Tesseract OCR, MediaPipe Face Detection을 활용하여 시각 변수를 정량화하고 통계 분석을 실시하였다. 분석 결과, 색채 대비와 주조색 채도는 상향식 주의 집중과 시각적 현저성을 자극하여 SVR과 유의미한 정(+)의 관련성을 보이는 한편, 과도한 텍스트 밀도는 인지 부하를 유발하는 요인으로 작용함을 확인하였다. 또한, 얼굴이 포함된 썸네일은 상대적으로 높은 SVR 평균을 기록하였으며, 일원배치 분산분석(ANOVA)을 통해 장르별 수용 동기에 따른 평균 SVR의 통계적 차이를 파악할 수 있었다. 본 연구는 썸네일 이미지의 시각 요소를 수치화하고 성과 지표를 연계하여, 시각적 속성과 초기 조회 성과 간의 유의한 관련성을 실증적으로 검토하고 디자인 요소별 탐색적 참고 범위(대비비 8.0 이상, 텍스트 점유율 10~15% 등)를 제시했다는 점에서 학술적·실무적 의의를 지닌다.

This study examined the association between YouTube thumbnail visual attributes and the Initial Views-to-Subscribers Ratio (SVR), an early-stage performance metric, using 471 samples quantified via OpenCV, Tesseract OCR, and MediaPipe Face Detection. Multiple regression analysis showed that color contrast and dominant color saturation were significantly associated with higher SVR, consistent with enhanced visual salience, whereas text density was negatively associated with SVR, consistent with increased cognitive load. Independent-samples t-test results further indicated that thumbnails containing a human face showed a significantly higher mean SVR than those without, and one-way ANOVA confirmed significant differences in mean SVR across content genres, in line with genre-based audience gratification. Based on these associations, this study proposes exploratory reference ranges for thumbnail design (contrast ratio above 8.0; text occupancy of 10–15%), offering academic and practical value for data-driven thumbnail design research.

본 연구는 Belk(1988, 2013)의 확장 자아 이론에 기반하여, 서브컬처 게임 이용자의 확장 자아를 측정하는 게임 확장 자아 척도(GESS)를 개발·예비 타당화하였다. 서브컬처 게임의 캐릭터 중심 서사, 팬덤 문화, 성장 시스템이라는 특성은 기존 디지털 확장 자아 프레임워크로는 포착되지 않는다. GESS는 캐릭터 동일시 및 애착(CIA), 가상 소유물 심리적 소유감(VPO), 서사·세계관 몰입(NWI), 성취 기반 자아 표현(ASE), 팬덤 커뮤니티 정체성(FCI)의 5개 하위차원, 총 25개 문항으로 확정되었으며, 이 중 NWI, ASE, FCI가 기존 척도의 공백을 보완하는 독창적 기여이다. GESS는 게임 내 소비, 굿즈 구매 등 고관여 소비 행동을 확장 자아 이론으로 분석할 측정기반을 제공한다. 경쟁모형 분석 결과, 상관된 5요인 모형과 2차 요인 모형 모두 우수한 적합도를 나타냈다. 절대 적합도 지수에서는 상관된 5요인 모형이 근소하게 우수하였으며, 두 수용 가능한 모형 간 AIC와 BIC 비교에서는 2차 요인 모형의 상대적 간명성이 더 높게 나타났다.

Grounded in Belk's (1988, 2013) extended self theory, this study developed and preliminarily validated the Game Extended Self Scale (GESS) to measure the extended self of subculture game users. The character-driven narratives, fandom culture, and growth systems characteristic of subculture games are not captured by existing digital self-extension frameworks. The GESS was finalized with 25 items across five sub-dimensions—Character Identification and Attachment (CIA), Virtual Possession Ownership (VPO), Narrative and Worldview Immersion (NWI), Achievement-based Self-expression (ASE), and Fandom Community Identity (FCI)—among which NWI, ASE, and FCI constitute an original contribution addressing gaps in existing scales. The GESS provides a measurement foundation for analyzing high-involvement consumption behaviors, such as in-game spending and merchandise purchasing, through self-extension theory. Competing model analysis showed the five-factor model had somewhat better absolute fit, while the second-order model was relatively more parsimonious than the correlated five-factor model based on AIC and BIC.

본 연구는 생성형 AI 확산에 따라 소규모 게임기업에서 나타나는 직무구조 변화를 탐색하고 미래인재 양성 방향을 제안하는 데 목적이 있다. 이를 위해 종사자 1∼30인 규모의 게임기업 10개사를 대상으로 설문조사와 임원급 FGD, 2개 기업 대표 심층인터뷰를 결합한 다단계 혼합연구를 수행하였다. 분석 결과, 게임 콘텐츠 제작과 기획 직무의 중요도가 상대적으로 높았으며, 기술 기반 융합과 관리·운영 중심화, 기획·제작 강화, 창작·기획 통합, 디자인 직무 분화가 나타났다. 스토리 창작은 상대적으로 낮은 중요도와 유지 또는 소폭 감소 경향을 보였고, 생성형 AI 기반 디자인과 데이터 시각화가 유망 분야로 도출되었다. 이에 AI 활용 역량 교육, IP 융합형 기획, PM·프로듀서 양성을 중심으로 소규모 게임기업의 직무변화에 대응하는 탐색적 인재양성 방향을 제안하였다.

This study explores AI-driven job restructuring in small game companies and directions for future talent development. A multiphase mixed-methods design with an explanatory sequential component combined a survey of 10 companies with 1–30 employees, an executive-level FGD, and interviews with two company representatives. Content production and planning showed relatively high importance, with reinforcement, integration, and differentiation, whereas story creation remained less important and stable or slightly declining. Generative AI-based design and data visualization emerged as promising areas. The study proposes exploratory directions for AI competency education, IP-convergence planning, and PM/producer training.

본 연구는 깊이 센서 없이 단안(monocular) RGB 입력만으로 메시(mesh) 구동용 3D 안면랜드마크를 재구성하는 실시간 안면 모션 캡처 방법을 제시한다. 제안하는 방식은 2D 안면랜드마크를 검출한 뒤, 랜드마크 간의 기하학적 관계와 표준 안면 사전 지식(canonical facial prior)을 통해 누락된 깊이(depth) 요소를 추정한다. 이 방법은 재구성 정확도를 확인하기 위해 AFLW2000-3D 데이터셋에서 평가되었으며, 조밀한 468개 랜드마크의 시간적 움직임(temporal behavior)을 확인하기 위해 300VW-Mask 비디오 기반 시퀀스에서 평가되었다. 그 결과, AFLW2000-3D 데이터셋에서 제안된 방법은 약 42MB의 런타임 메모리만을 사용하면서도 정규화된 평균 오차(NME)를 기존 기하학적 베이스라인의 0.0136에서 0.0044로 감소시켰다. 300VW-Mask 데이터셋에서는 선택된 1,500개의 프레임 중 1,499개를 성공적으로 재구성하여 0.067%의 매우 낮은 실패율과 실시간 종단간(end-to-end) 성능을 달성했다.

This study presents a real-time facial motion capture method that reconstructs mesh-driving 3D facial landmarks from monocular RGB input without depth sensors. The proposed approach detects 2D facial landmarks and estimates the missing depth component through landmark-based geometric relationships and a canonical facial prior, enabling lightweight 3D face animation without an additional learned depth-estimation model. The method is evaluated on AFLW2000-3D for reconstruction accuracy and on 300VW-Mask video-derived sequences for dense 468-landmark temporal behavior. On AFLW2000-3D, the proposed method reduces normalized mean error from 0.0136 for a traditional geometric baseline to 0.0044 while using approximately 42 MB of runtime memory. On 300VW-Mask, it reconstructs 1499 of 1500 selected frames with a 0.067% failure rate and real-time end-to-end performance. The results indicate that monocular RGB input combined with lightweight geometric inference can provide an efficient reconstruction layer for avatar animation, augmented reality, and human-computer interaction applications.