Earticle

본 연구는 서울시가 시행한 시민 참여형 자전거 재배치 정책이 자전거 공유 시스템에 미친 영향을 실증적으로 평가하였다. 정책 시행 전후를 비교하는 방식으로, 운영 지표, 재고 수준, 재배치 네트워크의 연결성과 구조 지표 등 다양한 정량 지표를 활용하여 정책 효과를 다층적으로 분석하였다. 분석 결과, 정책 시행 이후에도 운영자의 회수 및 배송 활동은 특정 시간대와 지역에서 유지되었으며, 특히 출퇴근 시간대에는 시민 참여만으로 수급 불균형을 해소하기 어려운 것으로 나타났다. 재고 분석에서는 적정 재고 비율이 감소하고 과소 재고 비율이 증가하여 전반적인 재고 안정성이 저하되었으며, 일부 지역에서는 과다·과소 재고가 동시에 증가하는 양극화 현상도 확인되었다. 네트워크 분석에서는 전체 연결 강도는 다소 약화되었으나 구조는 유지되었고, 지역별로 군집성, 동류성, 상호성 등에서 상이한 변화가 나타났다. 이러한 결과는 시민 참여 정책의 효과가 지역별 수요 구조와 참여 역량에 따라 달라질 수 있음을 시사하며, 지역별 맞춤형 전략과 시민과 운영자가 협력하는 혼합형 재배치 체계의 필요성을 제기한다. 또한, 본 연구에서 제시한 정량 지표와 네트워크 분석 틀은 향후 정책 평가와 의사결정에 활용 가능한 실용적 도구일 뿐만 아니라, 시민 참여 정책의 구조적 효과를 실증적으로 평가할 수 있는 방법론적 기반을 제공한다.

This study provides an empirical evaluation of Seoul’s citizen-participatory bicycle rebalancing policy and its impact on the bike sharing system. Using a pre–post comparative framework, the analysis draws on a range of quantitative indicators—including operational performance, inventory levels, and network-based measures of connectivity and structure—to offer a multi-dimensional assessment of policy outcomes. Findings reveal that, even after the policy was introduced, operator-led redistribution continued to play a key role, particularly during peak commute hours. This suggests that citizen participation alone may be insufficient to address demand–supply imbalances in high-traffic periods. Inventory analysis shows a decline in the share of optimally stocked stations and a rise in understocked stations, indicating a reduction in overall inventory stability. In some districts, both overstocked and understocked cases increased simultaneously, pointing to a growing polarization in inventory distribution. Network analysis suggests that while the overall connectivity weakened slightly, the fundamental structure of the redistribution network remained intact. However, notable variation emerged at the district level in clustering, assortativity, and reciprocity. These results highlight the context-dependent nature of citizen-based interventions and the need for region-specific strategies. The study underscores the importance of hybrid redistribution models that combine citizen efforts with operator support. Moreover, the proposed metrics and network-based analytical framework offer a practical toolkit for future policy evaluation, operational monitoring, and resource allocation in shared mobility systems.

기존의 데이터 가치 평가는 주로 비용 접근법, 시장 접근법, 수익 접근법에 근거하고 있다. 그러나 기존 방식은 데이터 구조의 정밀도나 정보량과 같은 내재적 특성을 반영하지 못하고, 데이터 유형과 활용 맥락에 따라 평가 기준이 달라지는 한계를 지닌다. 이러한 한계를 보완하고자, 본 연구는 데이터의 경제적 가치를 평가하는 새로운 방법론을 제안한다. 분석에는 서울 지역 택시의 GPS 로그 데이터를 활용하였으며, 위치 정보의 세분화 수준과 구조적 정밀도, 그리고 속도 변수의 결합 여부에 따라 변화하는 정보량(엔트로피)을 측정하였다. 이후 정보량을 기반으로 한 데이터 가치 함수 모델을 설계하고, 실거래 기반의 기준가격을 참조하여 시장 가치 연동 가능성을 검토하였다. 본 연구는 정보량 중심의 정량적 가치 측정 방식을 통해 데이터의 구조적 특성을 반영하는 합리적 가격 산정 기준과 보상 체계 수립을 위한 이론적․실무적 기반을 제시한다.

Existing data value assessments are mainly based on the cost approach, market approach, and revenue approach. However, existing methods do not reflect the unique characteristics of data structures and have limitations in that the evaluation criteria vary depending on the data type and usage context. The analysis utilized GPS log data of taxis in the Seoul area, and measured the information volume (entropy) that varies depending on the detail and structural precision of location information and the combination of speed variables. Afterwards, a data value function model based on information volume was designed, and the possibility of linking with market value was examined by referring to the standard price based on actual transactions. This study presents theoretical and practical grounds for establishing a reasonable price calculation standard and compensation system that reflects the structural characteristics of data through a quantitative value measurement method centered on information volume.

최근 AI 기술, 특히 ChatGPT와 같은 대규모 언어 모델(LLM)은 인간과 기계 간 상호작용에 큰 변화를 가져왔다. 이러한 AI 모델은 자연어를 이해하고 다양한 데이터 형식을 처리하며 명령을 실행할 수 있다. 한편, 전자상거래와 국제 무역의 급속한 확장으로 인해 세관 당국의 업무량이 증가하면서 정확한 HS 코드 분류는 공정한 관세 부과를 위해 필수적이다. 하지만 수작업 분류는 전문가의 지식이 필요하여 시간과 비용 측면에서 비효율적일 수 있다. 본 연구에서는 SBERT을 활용한 자동 HS 코드 추천 시스템을 제안하였다. SBERT 기반 임베딩을 통해 법령 및 해설서 등 원천 데이터와 테스트 데이터 간 유사도를 측정하여 추가 학습 없이 HS 코드를 추천하는 방식이다. 또한, 실제 사례 데이터를 활용한 비교 분석을 수행하였다. 다양한 SBERT 모델을 적용하여 모델 및 데이터 특성에 따른 정확도를 평가하고, 기존 연구에서 제기된 지속적인 학습 요구와 클래스별 제약 문제를 해결할 방안을 제시하였다. 본 연구의 결과는 AI 기반 HS 코드 분류 및 검색 시스템에 적용되어 세관 행정 업무의 효율성을 높이는 데 기여할 것으로 기대된다.

Recently, AI technologies, especially large language models (LLMs) like ChatGPT, have significantly transformed human-machine interactions. These AI models understand natural language, process diverse data formats, and execute commands. Meanwhile, the rapid expansion of e-commerce and international trade has increased the workload of customs authorities, making accurate HS code classification crucial for fair tariff imposition. However, manual classification requires expert knowledge, leading to inefficiencies in time and cost. This study proposes an automatic HS code recommendation system using SBERT, an LLM-based embedding model, to measure similarity between source data (laws, explanatory notes) and test data without additional training. Comparative analyses were conducted using real-world cases. By applying different SBERT models, this study evaluates accuracy based on model and data characteristics. It addresses challenges such as continuous training requirements and class-specific constraints, offering methodologies to enhance accuracy. The findings are expected to improve customs administration efficiency by supporting AI-driven HS code classification and search systems.

본 연구는 국내에서 시행 중인 관광 홍보 정책의 보도자료와 관광객의 블로그 리뷰 데이터를 수집하여 인구감소 지역의 지역경제 활성화를 위한 수요 중심의 맞춤형 전략을 제시해 보고자 하였다. 이를 위해 공공데이터포털에서 제공하는 전국 관광지 정보 표준데이터를 바탕으로 인구감소지역 지정 현황, 신용카드 지출액, 관광 예산 현황 등을 수집하고, 관광지식정보시스템을 통해 수집한 지자체의 관광 홍보 정책 관련 보도자료와 관광객의 블로그 게시물에 대한 토픽 모델링을 수행하였다. 본 연구에서는 LDA(Latent Dirichlet Allocation) 분석을 실시하여 지자체가 제공하는 관광 요소와 실제 관광객의 관심 활동 사이에 불일치가 존재하는 것을 확인하였으며, 각각의 토픽과 키워드를 기반으로 주요 성공 요인(Critical Success Factors, CSF)을 도출하고 고객여정지도를 구성함으로써 수요 중심의 맞춤형 관광 홍보 전략을 제시하였다. 본 연구는 갈수록 심화되는 지역경제 불균형의 해소 방안으로 주목받고 있는 국내 관광산업의 활성화를 위한 데이터 기반의 분석을 수행하여 지속가능한 국내 관광 산업의 발전과 지역경제 회복의 가능성을 제시하였다는데 의의가 있다.

This study aims to propose a demand-oriented, customized strategy for revitalizing the regional economy in areas experiencing population decline by analyzing press releases on tourism promotion policies and blog reviews from tourists. Utilizing standardized national tourism data from the Public Data Portal, this study integrates information on designated population-declining regions, credit card expenditures, and tourism budgets. Additionally, press releases on local government tourism promotion policies and blog posts from tourists, collected through the Tourism Knowledge Information System, were analyzed using topic modeling. The findings reveal a misalignment between the tourism elements emphasized by local authorities and the aspects that tourists actually favor. By employing Latent Dirichlet Allocation (LDA), key topics and associated keywords were identified, leading to the extraction of Critical Success Factors (CSF). Based on these insights, tourist personas were developed, and a customer journey map was constructed to propose a demand-driven tourism promotion strategy. This research contributes to the sustainable development of the domestic tourism industry and regional economic recovery by employing a data-driven approach to address the widening economic disparities among regions.

본 연구의 목적은 기업의 디지털 전환과 지속가능성 및 ESG 경영이 기업성과에 있어서 상호 보완적인 관계라는 관점에서 국내 경영학 분야에서 이루어지고 있는 관련 연구 동향을 파악하고 향후 연구과제를 제시함에 있다. 본 연구 수행을 위해 한국연구재단의 한국학술지인용색인에서 ‘디지털’, ‘지속가능성’, ‘ESG’를 주제어로 경영학 분야의 학술지에서 발표된 논문들을 검색하여 자료를 수집하였고, 연도별 발표된 논문의 수량과 연구 유형, 그리고 연구 주제별로 내용을 심층분석 하였다. 연구 결과를 토대로 제조 산업 영역에서의 연구가 양적으로 증가될 필요성과 지속가능성의 개념을 기업의 비재무적 성과로 정의할 필요성, 디지털 전환과 지속가능성 및 ESG 요인 간의 관계 분석에서 실증연구에 기반한 인과관계 연구가 양적으로 증가될 필요성, 실증연구의 질적 향상을 위해 다양한 변수 요인과 분석모형 개발의 필요성, 그리고 다양성과 디지털 포용 관점에서의 디지털 기술의 수용과 같은 다양한 영역으로 연구 주제가 확장될 필요성 등을 향후 연구 과제로 제시하였다.

The purpose of his study is to identify research trends in the field of Korean management studies from the perspective that digital transformation and sustainability/ESG are mutually complementary for the corporate performance, and to suggest future research agendas. To conduct the study, we searched for papers published in academic journals in the field of management studies using the ‘digital’, ‘sustainability’, and ‘ESG’ as the keywords from Korea Citation Index(KCI) of National Research Foundation of Korea and then conducted an in-depth analysis of the number of papers by year, research type, and research topic. Based on the research results, the need for quantitative increase in research in the manufacturing industry, the need to define the concept of sustainability as the non-financial performance of companies, the need for quantitative increase in causal relationship research based on empirical research in the analysis of the relationship between digital transformation and sustainability/ESG factors, the need to develop various variable factors and analysis models to improve the quality of empirical research, and the need to expand research topics to various areas such as the acceptance of digital technology from the perspective of diversity and digital inclusion were suggested as future research tasks.

본 연구는 온라인 호텔 예약 맥락에서 리뷰 요약문의 출처(AI vs. 인간)와 리뷰의 양면성(단면 vs. 양면)이 소비자의 정보처리 노력(IPE)에 미치는 영향에 관하여 연구하였다. 본 연구에서는 정교화 가능성 모델(ELM)을 이론적 틀로 활용하여 두 가지 지표(이해도 점수, 읽는 시간)의 IPE를 측정하였으며 이를 위해 두 차례의 실험연구를 진행하였다. 스터디 1에서는 리뷰의 출처보다 리뷰 양면성이 인지적 노력에 더 큰 영향을 미치며, 특히 단면적인 AI 생성 리뷰가 가장 높은 정보처리 노력을 요구함을 확인할 수 있었다. 흥미롭게도, 양면 리뷰의 경우 인간이 작성한 요약이 AI가 생성한 요약보다 더 높은 IPE를 유발하였다. 스터디 2에서는 참가자들이 양면 리뷰보다 단면 리뷰를 더 오래 읽음을 확인할 수 있었다. 이러한 결과는 리뷰 출처와 IPE 간의 관계에서 리뷰 양면성이 조절 변수로 작용될 수 있음을 시사한다. 또한, 리뷰 내용의 불충분함과 모호성이 더 깊은 인지적 처리를 유발하며, 확인 편향과 인간 우월성 인식 또한 AI와 인간 생성 콘텐츠에 대한 정보처리 노력에 영향을 미침을 보여준다. 본 연구는 AI-인간 생성 콘텐츠 비교 연구에서 리뷰 양면성을 조절 변수로 도입함으로써 이론적 공헌을 하며, AI 기반 플랫폼에서 신뢰성과 설득력을 갖춘 리뷰 시스템 설계를 위한 실무적 시사점을 제공한다.

This study investigates how the source (AI vs. Human) and sidedness (One-sided vs. Two-sided) of review summaries affect consumer information processing effort (IPE) in the context of online hotel booking. Drawing upon the Elaboration Likelihood Model (ELM), two experimental studies were conducted to measure IPE using two indicators: comprehension score and reading time. Study 1 reveals that review sidedness, rather than review source, significantly influences cognitive effort, with one-sided AI-generated reviews requiring the highest processing effort. Interestingly, for two-sided reviews, human-generated summaries demanded higher IPE than AI-generated ones. Study 2 finds that participants spent more time reading one-sided reviews than two-sided ones. These findings support the moderating role of review- sidedness in the relationship between review source and IPE. Additionally, the results highlight that perceived insufficiency and ambiguity in review content trigger deeper cognitive processing. Notably, confirmation bias and perceived human superiority also contribute to shaping consumers’ cognitive effort with AI versus human-generated content. This study contributes to existing literature by introducing review- sidedness as a moderating variable in AI-human content comparisons and offers practical implications for designing persuasive and trustworthy review systems in AI-assisted platforms.

본 연구는 전자상거래의 한 형태인 2인 공동구매 플랫폼에 대해 분석하였다. 2인 공동구매 플랫폼에서는 공동구매를 시작하는 구매 모집자와 기존 공동구매에 참여해 구매를 성사시키는 구매 참여자가 존재한다. 또한, 2인 공동구매 플랫폼은 소비자가 제한된 시간 내에 구매 결정을 내릴 수 있도록 돕기 위해 남은 시간을 나타내는 카운트다운 타이머를 제공한다. 이러한 시간제한은 구매 참여자의 구매 결정에 긴급감을 부여하며, 제한된 시간 동안의 제품 제안은 구매 참여자들이 더 빨리 구매하도록 동기를 부여할 수 있다. 그러나, 2인 공동구매에서는 구매 참여자의 경제적 효용은 없다. 남은 시간에 상관없이 구매 참여자가 참여하는 즉시 공동구매가 성사되기 때문이다. 따라서, 본 연구는 공동구매 플랫폼에서 거래의 남은 시간이 경제적 효용이 없더라도, 구매 참여자의 공동구매 참여 시기 선택에 영향을 미치는지 실증적으로 분석하였다. 이를 위해 패널 데이터 모수적 생존 분석 등을 사용하여, 짧은 남은 시간이 구매 참여자를 더 빨리 참여하여 공동구매가 성사되는 중요한 요인으로 확인되었다. 특히, 제품 카테고리별 분석에서는 식품과 생활용품에서 더 빨리 참여한다는 결과도 관찰되었다. 이 연구를 통해 거래의 남은 시간이 공동구매 참여 시기 선택에 미치는 영향을 이해함으로써, 플랫폼은 구매참여자가 더 매력적으로 여길 수 있는 조건을 조성하여 공동구매 성사율을 높일 수 있을 것이다.

This study examines a group-buying platform—a type of e-commerce where consumers join together to purchase products or services at discounted rates. In particular, two-person group-buying platforms involve two distinct roles: the initiator, who starts the group purchase, and the participant, who joins the group to complete the transaction. Moreover, these platforms often provide a countdown timer displaying the remaining time to expire the group-buying deals. Such time constraints may motivate participants to join the deal more quickly due to a sense of urgency in consumers’ decision-making. However, in the two-person group buying platform, the participant does not receive any utilities since the transaction is completed immediately upon their participation, regardless of the time left. So, this study aims to analyze how the remaining time of the deal influences participants' timing of participation. Using the parametric survival model, the study finds that shorter remaining times significantly increased the likelihood of participants joining sooner. Additional analyses by product categories reveal that participants more quickly join the deal for the food and household goods categories. By understanding the effects of time constraints, platforms can optimize their strategies to enhance consumer engagement and improve group purchase success rates.

최근 패션 업계에서는 딥러닝 기술을 활용한 개인화 추천 서비스에 대한 관심이 증가하고 있다. 그러나 현재 대부분의 추천 시스템은 단일 상품 중심이거나 제한된 속성 정보에 의존하는 방식으로, 스타일 간의 조화를 고려한 조합 추천에는 한계가 존재한다. 본 연구는 이러한 한계를 해결하고자, 딥러닝 기반 이미지 분류 모델을 활용하여 상품의 스타일 확률 벡터를 생성하고, NSGA-II 기반 다목적 최적화 기법을 적용하여 스타일 유사성과 사용자 만족도를 고려한 최적의 패션 스타일 조합을 제안한다. 실험은 AI-Hub의 K-Fashion 데이터셋과 “A”사의 플랫폼에서 수집한 실제 상품 데이터를 활용하였으며, 이미지 분류에는 ViT-B/16, ResNet-50, EfficientNet-B0 세 가지 모델을 비교하였다. 그 결과, 가장 높은 분류 정확도를 보인 ViT-B/16 모델을 기반으로 스타일 벡터를 생성하고 최적화에 적용하여 최적의 조합을 도출하였다.

Deep learning technologies are increasingly being used to create personalized recommendation services in the fashion industry. However, many recommendation systems focus on suggesting a single item based on limited attribute information, which makes it difficult to suggest well-coordinated and harmonized outfits. To address this limitation, this study proposes an optimized fashion coordination system. The system supports style probability vectors from deep learning-based image classification models and adopts a multi-objective optimization approach based on NSGA-II. With the experiment results, the system aims to suggest item combination methodologies which effectively address both style similarity and user satisfaction. For this purpose, this study conducted experiments using the AI-Hub K-Fashion dataset and real-world product data collected from the “A” company’s platform. Three analysis models—ViT-B/16, ResNet-50, and EfficientNet-B0 —were adopted to compare the performances. The ViT-B/16 model among those models showed the highest classification accuracy to be selected to generate style vectors for the optimization process. This study demonstrates that the proposed method successfully generates optimal outfit combination recommendations considering both stylistic coherence and user-centric preferences.

암호화폐 투자자들은 자신의 투자가 불확실하고 위험성이 높다는 것을 알고 있지만, 암호화폐에 많은 돈을 투자하며 위험을 감수한다. 이러한 현상은 인간의 투자결정이 합리적이라는 전통적 금융 이론에 정면으로 반하는 행동이지만 암호화폐 시장에서 매우 쉽게 발견할 수 있다. 본 연구는 암호화폐 투자자의 비합리적인 투자를 설명하기 위해, 비합리적 투자를 유도하는 투자 편향요인과 그 투자 편향을 가져오는 선행요인을 규명하고 그 요인들이 암호화폐 투자에 미치는 영향을 분석하고자 한다. 이를 위해, 본 연구는 제한된 합리성 이론과 사회 인지 이론을 채택하여 투자 편향의 선행요인과 투자 편향요인들을 각각 규명하고, 규명된 요인들과 암호화폐 투자 간에 어떠한 관계를 가지는지를 탐색하였다. 연구 결과, 과신 편향은 암호화폐 투자에 가장 큰 영향을 미치는 반면, 집단행동 편향은 상대적으로 영향력이 미미하였다. 소유효과 편향은 암호화폐 투자를 약화하기보다 강화하는 요인으로 나타났다. 암호화폐 투자에는 정보 복잡성이 정보 부족보다 더 중요한 영향을 미치는 것으로 나타났다. 정보 복잡성은 집단행동 편향에 가장 큰 영향을 미친 반면 과신편향에 상대적으로 가장 적은 영향을 미쳤으며, 정보 부족은 소유효과 편향에 가장 큰 영향을 미쳤으나 과신 편향과 자기이익 편향에는 아무런 영향을 미치지 못했다. 본 연구는 암호화폐의 불확실성으로 인해 발생하는 비합리적인 투자 행위의 원인을 정확히 파악함으로써, 건전한 암호화폐 투자 문화 조성과 블록체인 생태계 발전을 위한 올바른 방향을 제시하는 데 기여할 수 있다.

Although cryptocurrency investors are aware that their investments are uncertain and risky, they continue to invest significant amounts of money in cryptocurrencies. This phenomenon contradicts the traditional financial theory, which states that investment decisions are rational. However, it occurs frequently in reality. This study aims to identify the investment biases that lead to irrational investment decisions in cryptocurrencies, and the antecedents of these biases, and to analyze the impact of these factors on cryptocurrency investment decisions. Therefore, this study adopted the bounded rationality theory and social cognitive theory to identify the investment bias factors and their antecedents. We then examine the relationships between the identified bias factors and their antecedents, and cryptocurrency investment decisions. The results show that overconfidence bias has the greatest influence on cryptocurrency investment decisions, while herding bias has a relatively minor influence. The endowment effect bias was found to reinforce cryptocurrency investment. Information complexity had the greatest influence on herding bias but relatively little influence on overconfidence bias. Conversely, information deficiency had the greatest influence on the endowment effect bias, but had no influence on overconfidence bias or self-serving biases. Finally, information complexity was found to influence cryptocurrency investment decisions more than a lack of information. This study contributes to identifying the causes of irrational investment behavior arising from the uncertainty of cryptocurrencies, thereby providing proper direction and guidelines for fostering a healthy cryptocurrency investment culture and promoting the development of the blockchain ecosystem.

공항 산업은 최근 인공지능(AI) 기술을 활용한 디지털 전환을 가속화하고 있으며, 그 중 생체인식 기술은 비접촉식 자동화와 보안 강화 측면에서 핵심 인프라로 부상하고 있다. 그러나 생체인식 기술은 고도로 민감한 개인정보를 포함하는 고위험 AI로 간주되며, 효율성 외에도 공정성, 설명 가능성, 책임성, 개인정보 보호 등 ‘책임감 있는 AI(Responsible AI)’ 원칙의 제도적 구현이 필수적이다. 본 연구는 유럽연합(EU), 미국, 중국, 대한민국을 비교 사례로 설정하여, 각국 공항 산업에서 AI 기반 생체인식 기술이 ‘책임감 있는 AI’ 원칙에 따라 어떻게 제도화되고 운영되고 있는지를 질적 비교 사례연구 방식으로 분석하였다. 특히, 개인정보 보호 수준, 고위험 AI 지정 여부, 책임 구조, 국제 규범 수용성과 같은 핵심 분석 영역을 중심으로 각국의 제도적 강도와 실행력을 비교하였다. 연구 결과, 강한 법적 기반과 제도적 강제력을 가진 국가일수록 책임 원칙의 실현 수준이 높았으며, 기술 확산 속도보다는 사회적 정당성과 신뢰 확보 여부가 공공 기술 운영의 지속 가능성에 결정적인 영향을 미침을 확인하였다. 본 연구는 기술 중심의 AI 정책 담론을 넘어, 공공 인프라 내 고위험 AI 기술의 책임 기반 운영 조건을 이론적․실증적으로 제시함으로써, 공공기술 거버넌스 설계에 기여하고자 한다.

The airport industry has recently accelerated its digital transformation by incorporating artificial intelligence (AI) technologies, among which biometric recognition has emerged as a core infrastructure for enabling contactless automation and enhancing security. However, as a high-risk AI system that involves the processing of highly sensitive personal data, biometric technology requires the institutional implementation of Responsible AI principles such as fairness, explainability, accountability, and data protection. This study conducts a qualitative comparative case analysis of four jurisdictions—European Union (EU), United States, China, and South Korea—to examine how biometric AI systems are regulated and operated in their respective airport industries in accordance with the principles of Responsible AI. Focusing on four key dimensions—personal data protection, high-risk AI designation, accountability mechanisms, and international regulatory alignment—the study compares the institutional robustness and implementation capacity of each country. The results indicate that countries with stronger legal foundations and regulatory enforcement mechanisms tend to achieve higher levels of institutionalization of Responsible AI principles. The study confirms that sustainable public technology governance depends not only on technological performance but also on legal legitimacy and public trust. By moving beyond technology-centered policy discourse, this research offers both theoretical and empirical insights into the institutional conditions necessary for responsibly deploying high-risk AI in public infrastructures.

본 연구는 커크패트릭(Kirkpatrick)의 4단계 교육평가 모델을 바탕으로, 지방교육행정기관 전산 업무를 담당하고 있는 사람들을 대상으로 수행한 개인정보보호 교육의 성과를 평가한다. 개인정보보호 교육이 참가자들의 학습, 행동, 그리고 결과에 미치는 영향을 분석하기 위해 총 111명의 응답을 바탕으로 회귀분석을 실시하였다. 연구 결과, 교육 참가자들의 반응, 학습, 행동이 모두 결과에 유의미한 영향을 미치는 것으로 나타났다. 특히, 반응은 학습, 행동, 결과에 긍정적인 영향을 미쳤으며, 학습 또한 행동과 결과에 직접적인 영향을 미치는 중요한 요인으로 확인되었다. 행동 또한 결과에 영향을 미치는 것으로 나타났다. 설문 조사 결과에 따르면, 교육 참가자들은 법적 요구사항 및 규정, 최신 개인정보보호 동향 및 사례를 가장 중요하게 여겼다. 이는 이 요소들을 반영하여 교육 과정을 설계할 필요성을 시사한다. 연구결과는 개인정보보호 교육이 단순한 지식 전달을 넘어, 실제 행동 변화와 조직의 성과로 이어질 수 있다는 점을 명확히 보여준다. 또한, 참가자의 만족도를 높이는 교육 설계가 학습 효과를 극대화하고, 궁극적으로 조직 성과로 연결될 수 있음을 확인하였다. 본 연구는 개인정보보호 교육의 개선과 발전을 위한 기초 자료로 활용될 수 있으며, 향후 교육 설계 시 학습자 만족도를 고려한 실천적 교육 강화의 필요성을 제안한다.

This study evaluates the effectiveness of information privacy training for local education administrative institutions, based on the Kirkpatrick's four-level training evaluation model. A regression analysis was conducted using data from 111 survey responses to analyze the impact of training on participants' learning, behavior, and results. The findings indicate that participants' reaction, learning, and behavior all significantly affect results. Specifically, reactions positively influenced learning, behavior, and results, while learning was confirmed to be a critical factor directly impacting behavior and results. Behavior also significantly influenced results. According to the survey, participants identified legal requirements and regulations, as well as the latest trends and case studies in information privacy, as the most important areas of focus. This highlights the need to incorporate these elements into training program design. This study demonstrates that information privacy training can lead to not only knowledge acquisition but also behavioral changes and organizational outcomes. Furthermore, training programs designed to enhance participant satisfaction were found to maximize learning outcomes, ultimately contributing to organizational performance. The findings provide foundational data for improving and advancing information privacy training programs and emphasize the importance of practical, learner-centered training designs to enhance satisfaction and effectiveness in future program development.

본 연구는 ChatGPT-4o, 역할 기반 멀티 AI(Artificial Intelligence, 인공지능) 에이전트, RAG(Retrieval- Augmented Generation, 검색기반 증강생성) 구조를 결합한 주식 투자 분석 자동화 시스템을 구현하였다. 재무ㆍ비재무 데이터, 뉴스 감성, 산업 경쟁력, ESG(Environmental, Social, and Governance) 정보를 실시간 수집․분석하여 해석 가능한 투자 보고서를 생성하는 것이 목표이다. 본 연구 시스템은 DART(Data Analysis, Retrieval and Transfer System, 전자공시시스템), 한국은행 ECOS(Economic Statistics System, 경제통계시스템), Google News & Finance API(Application Programming Interface, 응용 프로그램 인터페이스)와 연동하여 데이터 수집을 자동화하고, 11종 AI 에이전트를 통해 계획 수립, 분석, 예측, 종합 판단을 수행한다. 머신러닝 예측과 LLM(Large Language Model, 대규모 언어 모델) 기반 설명을 결합해 블랙박스 모델의 해석 한계를 보완하였다. 실험 결과, 분석 계획부터 최종 보고서 작성까지 전 과정이 자동화되었으며, 통합 분석 결과는 실제 투자 판단에 활용 가능함을 확인하였다. 본 연구는 금융 AI 분야에서 실시간․설명가능․자동화 분석 프레임워크를 제시하며, 투자자문․로보어드바이저 ․IR(IR(Investor Relations, 투자자 관계) 지원 등 다양한 분야에 적용 가능하다.

This study implemented an automated stock investment analysis system combining ChatGPT-4o, role-based multi-AI (Artificial Intelligence) agents, and a RAG (Retrieval-Augmented Generation) framework. It aims to collect and analyze financial/non-financial data, news sentiment, industry competitiveness, and ESG (Environmental, Social, and Governance) information in real time, producing interpretable investment reports. The system integrates with DART(Data Analysis, Retrieval and Transfer System) similar to the U.S. SEC(Securities and Exchange Commission), Bank of Korea ECOS(Economic Statistics System), and Google News & Finance API (Application Programming Interface) for automated data retrieval. Eleven AI agents perform planning, analysis, prediction, and integrated judgment. Machine learning models are combined with LLM-based explanations to overcome black-box interpretability limits. Results show the system automates the entire process from planning to final report generation, and the integrated analysis is applicable to investment decision-making. This research offers a real-time, explainable, automated framework for financial AI, with potential uses in investment advisory, robo-advisors, and corporate IR (Investor Relations) support.

디지털 전환과 플랫폼 서비스의 확산은 사용자에게 정보 검색, 셀프 결제, 리뷰 작성, 비밀번호 관리, 시스템 설정 등 다양한 과업을 스스로 수행하도록 요구하고 있다. 이러한 디지털 활동은 원래 기업이나 조직이 담당하던 업무가 사용자에게 전가된 결과로, 무보수적 특성을 지닌 ‘그림자노동’의 현대적 양상으로 간주할 수 있다. 지금까지 그림자노동에 관한 연구는 사회구조적 관점과 심리적 반응 관점을 중심으로 전개되어 왔으나, 과업 특성, 행위 주체성, 감정 반응을 단편적으로 분리하여 설명하는 경향이 강했다. 이로 인해 그림자노동 개념은 연구자마다 상이하게 해석되거나 과도하게 확장되는 문제에 직면하였으며, 결과적으로 이론적 일관성을 확보하지 못한 채 교착 상태에 머물러 있는 실정이다. 이러한 문제의식을 바탕으로 본 연구는 그림자노동 개념의 본질을 재정립하고 분석적 중심축을 확립하는 데 목적을 두고자 한다. 이에 본 연구는 과업 유형, 자율성 수준, 정서적 반응이라는 세 가지 차원을 설정하여 디지털 그림자노동을 통합적으로 설명할 수 있는 분석 프레임워크를 제안하였다. 아울러, 이미 출판된 국내외 그림자노동 관련 연구 34편을 프레임워크에 따라 재 분류함으로써, 그림자노동 개념의 일관된 체계화와 향후 연구 확장을 위한 이론적 기반을 제공하는데 중점을 두었다. 본 연구는 그림자노동 연구의 궤적을 비판적으로 조망하고, 그림자노동을 설명할 고유의 프레임워크를 제안하여, 보이지 않는 노동의 본질을 구조적으로 개념화함으로써 디지털 노동 연구의 새로운 전기를 마련하는데 기여할 수 있다.

The expansion of digital transformation and platform-based services increasingly requires users to independently perform various tasks such as information retrieval, self-payment, review writing, password management, and system configuration. These digital activities represent a contemporary manifestation of “shadow work”, characterized by the transfer of tasks originally handled by companies or organizations to users without formal compensation. Previous research on shadow work has largely focused on either structural perspectives or psychological responses, often isolating task characteristics, agency, and emotional reactions. As a result, the concept of shadow work has been interpreted inconsistently across studies, with tendencies toward conceptual overextension, ultimately leading to a theoretical stalemate. Thus, this study aims to address these issues by redefining the essence of shadow work and establishing a coherent analytical framework. To this end, it proposes a three-dimensional framework comprising task type, autonomy level, and affective response to provide an integrated explanation of digital shadow work. Furthermore, by systematically reclassifying 34 previously published domestic and international studies based on this framework, the study seeks to contribute to the consistent theorization and future expansion of shadow work research. Ultimately, this study critically examines the trajectory and stagnation of shadow work research and aims to provide a new foundation for structurally conceptualizing invisible labor within the broader field of digital labor studies.

현재 물가 안정세에도 불구하고 기업들이 가격 인상을 단행하며 소비자 불만이 증가하는 상황에서, 인공지능(AI)을 활용한 지능형 가격 의사결정 시스템 도입의 필요성이 커지고 있다. 이러한 시스템이 도입될 경우, 기업의 입장에서는 원재료 가격 상승에 대비한 핵심 지표로 활용할 수 있으며, 소비자에게는 신뢰 기반의 마케팅 수단으로 활용될 수 있다. 또한, 금융 투자 관점에서는 원재료 선물 투자 및 식품 제조기업 투자 판단의 중요한 기준이 될 수 있다. 현재 진행된 인공지능을 활용한 가격 예측 모델의 한계, 특히 거시경제적 충격 시 예측 정확도 저하 문제를 극복하고자 본 연구는 AI 모델을 활용한 제조식품의 지능형 가격 의사결정 시스템 구현 가능성을 탐색하고자 하였다. 이를 위해 ARIMAX, VAR, LSTM, GRU 등 다양한 AI 모델을 활용하여 가격 예측 모델을 구축했으며, 차분 후 LSTM 모델이 가장 뛰어난 성능을 보였다. 최종적으로 이 시스템은 ‘가격 상승’, ‘가격 동결(점진적 상승/하락)’, ‘가격 하락’ 중 ‘가격 상승’을 제안하였다. 본 연구는 학문적으로는 AI를 활용한 제조식품 가격 예측 모델을 구현하고 가공식품 가격 예측의 새로운 연구 방향을 제시했으며, 실무적으로는 기업의 효율적인 원재료 공급 관리와 금융 투자자의 핵심 투자 판단 기준으로 활용될 수 있음을 시사한다.

In a situation where consumer dissatisfaction is increasing due to companies raising prices despite the current price stability, the need to introduce an intelligent price decision system using artificial intelligence (AI) is growing. When such a system is introduced, it can be used as a key indicator against rising raw material prices from a company's point of view and as a trust-based marketing tool for consumers. In addition, from a financial investment perspective, it can be an important criterion for determining investment in raw material futures and food manufacturing companies. In order to overcome the limitations of current price prediction models using artificial intelligence, especially the problem of lowering prediction accuracy in case of macroeconomic shock, this study attempted to explore the possibility of implementing an intelligent price decision system for manufactured food using AI models. To this end, a price prediction model was constructed using various AI models such as ARIMAX, VAR, LSTM, and GRU, and the LSTM model showed the best performance after differentiation. Finally, the system proposed ‘price increase’ among ‘price increase’, ‘price freeze (gradual increase/fall)’, and ‘price decline’. Academically, this study implemented a manufactured food price prediction model using AI and suggested a new research direction for processed food price prediction, suggesting that it can be used as a standard for efficient raw material supply management by companies and key investment judgment by financial investors.

본 연구에서는 Retrieval-Augmented Generation (RAG)을 활용하여 금융 용어 질의응답 시스템을 개발하였다. 본 시스템은 금융 분야에서 높은 성능을 입증 받은 ChatGPT 모델을 기반으로 설계되었다. 데이터셋으로는 한국은행의 경제․금융용어 700선과 TESAT 핵심 문항 70선을 활용하였다. 해당 프레임워크는 ChatGPT가 사전에 정의된 템플릿과 맥락 정보를 학습하여 사용자와의 다중 턴 상호작용을 가능하게 하는 방식으로 설계되었다. 또한, 본 시스템은 검색어 추천 기능을 통해 연계 학습(linked learning)을 촉진하고 사용자 참여도를 향상시키도록 구성되었다.

In this study, a financial terminology question-answering system was developed using Retrieval- Augmented Generation (RAG). The system was designed based on the ChatGPT model, which has demonstrated high performance in the financial domain. The dataset used included 700 economic and financial terms from the Bank of Korea and 70 key questions from the TESAT exam. The framework enables multi-turn interactions with users by training ChatGPT with predefined templates and contextual information. Furthermore, the system is designed to promote linked learning and enhance user engagement through a search query recommendation feature.

AI 기반 자산운용은 투자 판단의 정교화와 자동화를 동시에 실현할 수 있는 새로운 패러다임으로 주목받고 있다. 본 연구는 LLM(ChatGPT)을 활용해 수치 중심 자산운용 접근을 보완하고, 뉴스 기반 비정형 정보를 통합하는 자산배분 프레임워크를 제안한다. 2024년 상반기 수집한 약 9만 건의 경제 뉴스 헤드라인을 대상으로, ChatGPT의 CoT(Chain-of-Thought) 프롬프팅을 활용해 핵심 키워드를 추출하고, 섹터별 감성과 중요도를 평가한 뒤 ETF 투자 비중을 산출하였다. 이 과정을 통해 구성된 포트폴리오 중 4주 단위 리밸런싱 전략은 KOSPI 200 및 국내 AI 운용 ETF 대비 우수한 성과(수익률 40.96%, 샤프 비율 2.76, 최대 낙폭 -3.22%)를 기록하며, LLM 기반 텍스트 해석의 투자 적용 가능성을 실증적으로 보여주었다. 본 연구는 프롬프트 기반 구조화 추론을 AI 자산운용에 통합한 사례로, 향후에는 프롬프트 최적화와 언어모델 비교, RAG 기법 적용 등을 통해 분석 프레임워크를 더욱 정교하게 고도화하고자 한다.

AI-based asset management is gaining attention as a new paradigm that enables refined and automated investment decisions. This study presents a framework that integrates unstructured, news-based information into ETF portfolio allocation using a large language model (ChatGPT). Based on 90,000 economic news headlines from early 2024, key keywords were extracted and sector-level sentiment assessed through Chain-of-Thought (CoT) prompting, allowing the derivation of ETF weights. A four-week rebalancing strategy outperformed KOSPI 200 and domestic AI-driven ETFs (return: 40.96%, Sharpe ratio: 2.76, max drawdown: -3.22%), demonstrating the practical value of LLM-based text analysis. The study highlights how prompt-based structured reasoning can be applied to AI asset management, with future potential in prompt optimization, model comparison, and RAG integration.

본 연구의 목적은 AI 금융 추천 시스템에 대한 사용자의 인식이 인지된 자율성 및 AI 시스템에 대한 신뢰에 어떠한 영향을 미치는지 규명하는 것이다. 자기 결정 이론(SDT)을 기반으로, 사용자가 시스템 특성을 투명하고 설명력이 높고, 공정하며 안전하다고 인식할 때 자율성이 향상되어 결과적으로 AI 시스템에 대한 신뢰가 높아짐을 제안하였다. 또한, 시스템 보안의 측면에서 보안 인증에 대한 인식의 역할도 검증하였다. 가설을 검증하기 위해 설문 조사를 실시하고 구조 방정식 모델링(SEM)을 사용하여 데이터를 분석했다. 연구 결과에 의하면 투명성, 설명력, 공정성, 데이터 보안성의 네 가지 시스템 특성 모두 사용자의 자율성 인식에 긍정적인 영향을 미치는 것으로 나타났다. 자율성 인식은 AI 금융 추천 시스템에 대한 신뢰에 영향을 미치며, 보안 인증 인식은 AI 시스템에 대한 신뢰를 강화하는 것으로 나타났다. 본 연구의 결과는 AI 추천 시스템에서 신뢰가 형성되는 심리적 메커니즘에 대한 이론적 통찰을 제공하며, 사용자의 자율성을 지원하는 AI 서비스 설계의 중요성을 강조한다.

This study aims to investigate how users' perceptions of AI financial recommendation systems affect their perceived decision autonomy and subsequent trust in the system. Drawing on self-determination theory (SDT), we propose that when users recognize system characteristics as transparent, explainable, fair, and secure, their sense of autonomy is enhanced, ultimately fostering stronger trust toward the AI system. Furthermore, we also verified the role of perceived authenticity. To empirically test the research model, we conducted a survey and analyzed the data using structural equation modeling (SEM). The results show that all four system characteristics—transparency, explainability, fairness, and data security— have a significant positive effect on users’ perceived decision autonomy. Perceived autonomy significantly influences users' trust in the AI financial recommendation system and perceived authenticity enhanced user’s trust toward AI system. These findings offer theoretical insights into the psychological mechanisms underpinning trust formation in AI systems and highlight the practical importance of designing AI services that support user autonomy.

최근 급격히 증가하고 있는 금융 이상 거래는 막대한 경제적 손실을 일으키고 있다. 하지만 금융 이상 거래 탐지에 이용되는 데이터에서 이상 거래는 정상 거래에 비해 극히 적어 효과적인 탐지를 어렵게 하는 불균형 데이터 문제가 제기되어왔다. 본 연구는 이러한 불균형한 데이터 특성의 한계를 극복하기 위해 VAE-GAN(Variational Autoencoder-Generative Adversarial Network) 과 Semi-Hard Example Mining 기법을 결합하여, 이상 거래 데이터의 품질을 유지하면서 실제로 이상 거래이지만 정상 거래로 판단하는 거짓 음성(False Negative)을 줄이는 모델을 제안한다. 먼저, VAE-GAN을 통해 실제 거래와 유사한 소수 클래스 합성 데이터를 생성하고, Semi-Hard Example Mining으로 분류기가 헷갈리기 쉬운 사례를 집중적으로 재생성한다. 이를 신용카드 이상 거래 데이터셋에 적용한 결과, 기존 보간 기반 오버샘플링 기법(SMOTE, Borderline-SMOTE, ADASYN)과 기존 VAE-GAN 증강 대비 재현율(Recall), F2 스코어(F2 Score)가 향상됨을 확인하였다. 본 연구는 금융권 FDS(Fraud Detection System)에서 불균형 데이터 문제를 완화하고 탐지 성능을 극대화하는 데 기여할 것으로 기대한다.

The rapid rise in fraudulent financial transactions is inflicting substantial economic losses, yet effective detection remains difficult because genuine fraud represents only a tiny fraction of overall activity. To overcome this extreme class-imbalance problem, we propose a model that integrates a Variational Autoencoder Generative Adversarial Network (VAE-GAN) with Semi-Hard Example Mining (SHEM). The VAE-GAN synthesizes high-fidelity minority-class samples that closely mimic real transactions, while SHEM repeatedly targets borderline cases that the classifier is prone to misjudge, thereby reducing false negatives (fraudulent transactions incorrectly labeled as legitimate). Experiments on a benchmark credit- card-fraud dataset show that our method consistently outperforms interpolation-based oversampling techniques (SMOTE, Borderline-SMOTE, ADASYN) and a vanilla VAE-GAN baseline, achieving higher Precision, Recall, F1, and F2 scores. These results demonstrate the model’s potential to alleviate class imbalance and maximize detection performance in financial-sector fraud-detection systems(FDS).

최근 글로벌 기업 경쟁이 심화되면서 우수 인재 확보와 장기적 성장을 촉진하는 효과적인 보상 제도의 중요성이 강조되고 있다. 본 연구는 RSU(Restricted Stock Units)가 미국과 한국 기업의 장기 성장률에 미치는 영향을 실증적으로 분석하고, 미국 기업 데이터를 활용하여 머신러닝 기반 성장률 예측 모델(LightGBM)을 구축한 후 이를 한국 기업 데이터에 적용하여 성능을 평가하였다. 미국 기업 데이터를 바탕으로 총주주자본(teq), 직원 수(emp), 매출(sale)의 성장률을 종속변수로 선정하여 분석한 결과, RSU 부여가 기업 성장에 긍정적인 영향을 미쳤으며, LightGBM 모델이 높은 예측 성능(정확도 0.84 이상)을 나타냈다. 한국 기업 데이터 적용 시 전반적인 예측 정확도는 0.76으로 일정 수준 이상의 성능을 보였으나, 일부 클래스에서는 표본 부족과 예측 신뢰성의 한계를 나타냈다. 그 결과, RSU는 장기 성장을 위한 효과적인 보상 수단이나, 국내에서는 기업 내부의 장기 전략 수립뿐 아니라 이를 지원할 제도적, 정책적 개선이 동반되어야 함을 시사한다.

With increasing global competition, the importance of compensation mechanisms that effectively attract top talent and foster sustainable, long-term corporate growth has become increasingly emphasized. This study empirically analyzes the impact of Restricted Stock Units (RSUs) on the long-term growth rates of U.S. and Korean firms by developing a machine learning-based growth prediction model (LightGBM) trained on U.S. corporate data, and subsequently evaluating its predictive performance on Korean firm data. Using U.S. data, the study selected growth rates of total shareholder equity (teq), number of employees (emp), and sales (sale) as dependent variables, finding that RSU grants positively influenced corporate growth, with the LightGBM model demonstrating strong predictive performance (accuracy ≥ 0.84). When applied to Korean firm data, the model achieved an overall prediction accuracy of 0.76, indicating acceptable performance, albeit with limitations in certain classes due to insufficient samples and reduced predictive reliability. Consequently, this research highlights RSUs as an effective compensation strategy for fostering long-term growth, while also underscoring the necessity for Korean firms to develop comprehensive long-term strategic frameworks supported by institutional and policy-level enhancements.

은행 산업의 디지털 전환이 가속화되면서, 오프라인 채널 전략의 재정립이 중요한 과제로 부상하고 있다. 무분별한 점포 폐쇄는 시니어 고객의 금융 접근성 저하로 이어질 수 있으므로, 금융 소외를 최소화하는 동시에 채널 운영 효율성을 높일 수 있는 전략 마련이 필요하다. 본 연구에서는 부산광역시 행정동 단위의 노인 인구 비중, 소비매출, 생활인구 데이터를 활용하여 시니어 고객의 특성을 반영한 오프라인 채널 전략을 제안한다. 클러스터링 기반 분석 결과 고령화 수준이 높은 71개 행정동 중 시니어 금융 특화 운영이 적합한 13개 지역과 기능 간소화가 가능한 58개 지역을 도출하였으며, 노인 인구 비중이 높은 지역 내에서도 생활인구와 소비매출에 따라 뚜렷한 특성 차이가 존재함을 확인하였다. A은행 점포 운영 사례와의 비교를 통해 제안한 전략의 실무 적용 가능성을 검토하였으며, 시니어 고객의 금융 접근성을 유지하면서도 채널 운영 효율성을 높일 수 있는 현실적인 대안으로서의 실효성을 확인하였다. 또한, 본 연구는 시니어 고객의 특성을 반영한 채널 전략의 필요성을 실증적으로 입증함으로써 학술적 논의를 확장하였고, 고령층 금융 포용성 강화 정책 수립의 기초 자료로 활용될 수 있다는 점에서 의의가 있다.

As the digital transformation of the banking industry accelerates, redefining offline channel strategies has emerged as a critical challenge. Indiscriminate branch closures risk reducing seniors’ access to financial services; therefore, strategies are needed that minimize financial exclusion while enhancing operational efficiency. This study proposes an offline channel strategy tailored to the characteristics of senior customers by utilizing district-level data in Busan on elderly population ratio, senior expense, and senior living population. Through clustering analysis, 13 districts were identified as suitable for senior-focused financial services, while 58 districts were found appropriate for functional simplification, among a total of 71 districts with a high elderly population. The findings also reveal clear differences in district characteristics depending on senior expense and senior living population, even within areas with similarly high elderly population ratio. The practical applicability of the proposed strategy was examined through a comparison with the case of Bank A’s branch operations, confirming its effectiveness as a realistic alternative that both preserves seniors’ financial accessibility and improves channel efficiency. Furthermore, by empirically demonstrating the necessity of channel strategies that reflect seniors’ characteristics, this study contributes to academic discourse and offers valuable insights for policy development aimed at strengthening financial inclusion for seniors.