Earticle

최근 들어 뇌파(electroencephalogram, EEG) 신호와 같은 생리적 신호를 활용한 감정 인식 연구가 활발하게 이루어지고 있다. 특히, 다양한 딥러닝 기반의 하이브리드 모델이 도입되면서 EEG 신호의 시간적․공간적 특징을 효과적으로 추출하는 방법이 주목받고 있다. 이러한 접근 방식은 감정 분류 성능 향상에 중요한 역할을 하며, 최신 연구에서는 다양한 딥러닝 기술의 결합을 통해 EEG 감정 인식의 성능을 높이고 있다. 본 연구에서는 EEG 기반 감정 인식의 정확도를 향상시키기 위해 CNN과 CBAM(Convolutional Block Attention Module)을 결합하여 EEG 신호의 채널 및 공간 정보를 강조하여 초기 특징 추출을 강화하고, Bi-LSTM을 통해 시간적 맥락을 학습하며, Transformer의 Self-Attention을 적용하여 전역적 시계열 정보를 통합한 모델을 제안하였다. 또한, 각 모듈의 결합 순서가 감정 분류 성능에 미치는 영향을 실험적으로 비교․분석하여 최적의 구조를 도출하였다. DEAP 데이터셋의 EEG 신호를 활용하여 실험한 결과, CNN을 적용한 모델의 정확도는 정서가(Valence) 56.39%, 각성도(Arousal) 56.16%였으며, 초기 특징 추출 강화를 위해 CNN에 CBAM을 결합한 모델의 정확도는 정서가는 62.75%, 각성도는 65.27%로 향상되었다. 이후 추가적으로 Bi-LSTM과 Self-Attention을 순차적으로 적용한 결과 정서가의 정확도는 62.75%에서 74.15%로 개선되었고, 각성도의 정확도는 65.27%에서 71.54%로 개선되었으며, 이는 기존 선행연구 대비 유의미한 성능 향상임을 확인하였다. 본 연구는 시공간적 정보를 효율적으로 통합하여 EEG 기반 감정 인식의 정밀도를 유의미하게 개선하였으며, 개인별 편차를 고려한 레이블링으로 모델의 일반화 가능성을 확인하였다.

This study proposes a hybrid deep learning model to improve the accuracy of EEG-based emotion recognition by effectively extracting spatial and temporal features. Initially, Convolutional Neural Networks (CNN) were combined with the Convolutional Block Attention Module (CBAM) to enhance initial feature extraction by selectively emphasizing channel and spatial information in EEG signals. Subsequently, Bidirectional Long Short-Term Memory (Bi-LSTM) networks were employed to learn temporal contextual information, and the Self-Attention mechanism from Transformers was incorporated to integrate global temporal dependencies. The study also conducted experimental comparisons of different module combination orders to identify the optimal model architecture. Using the DEAP dataset, the CNN-only model achieved classification accuracies of 56.39% for valence and 56.16% for arousal. The model augmented with CBAM improved these accuracies to 62.75% and 65.27%, respectively. Further sequential application of Bi-LSTM and Self-Attention resulted in significantly enhanced accuracies of 74.15% for valence and 71.54% for arousal. These results demonstrate that the hybrid architecture, which efficiently integrates spatial and temporal information, substantially improves emotion recognition performance based on EEG signals. Additionally, by incorporating individual differences through personalized labeling, the study confirmed the model’s generalizability across diverse participants.

최근 가전제품 유통 환경은 오프라인 대면 구매에서 온라인 기반의 비대면 구매로 빠르게 전환되고 있다. 이와 같은 구매 트렌드 변화에 따라, 소비자가 구매 결정과정에서 매장 직원의 설명 대신 스스로 정보를 탐색하고 비교하는 경향이 뚜렷하게 나타나고 있다. 하지만 대표적인 고관여 제품인 가전제품은 일반적으로 고가이면서 기술적으로 복잡하다는 특성을 갖고 있으므로, 단순한 사양 나열 수준의 설명으로는 구매 결정을 효과적으로 유도하기 어렵다는 특성을 갖는다. 이러한 문제를 해결하기 위해, 본 연구는 상품 이미지로부터 소비자의 구매 동기를 자극하는 FAB 구조의 설득형 판매 논리를 자동으로 생성하기 위한 OCR-LLM 기반 프레임워크를 제안한다. 제안 프레임워크는 텍스트 추출 모듈과 판매논리 생성 모듈의 두 모듈로 구성되며, 이미지 전처리, OCR, LLM 정제, 그리고 판매논리 생성의 네 단계로 구성된다. 제안 방법론의 실효성을 확인하기 위해 국내 주요 유통사의 실제 제품 상세 이미지를 기반으로 실험을 수행하였다. 실험 결과 제안 방법론이 생성한 판매논리는 문장당 평균 1.95개의 구매동기를 포함하고 제품별 평균 86.64%의 동기 항목을 포괄하여, 단순 사양 나열을 넘어선 다층적 설득 구조를 형성하는 것으로 나타났다. 이러한 설득형 문장은 소비자와 비대면 상호작용을 수행하는 LLM 기반 시맨틱 검색 및 챗봇 등 AI 에이전트 시스템에서, 구매 전환을 유도하는 응답 생성을 위한 유의미한 자원으로 활용가치가 높을 것으로 기대한다.

The home appliance retail environment is rapidly shifting from offline, face-to-face purchases to online, contactless transactions. Along with this trend, consumers are increasingly inclined to explore and compare information independently, rather than relying on in-store sales staff. In particular, high-priced and technologically complex home appliances are considered high-involvement products, and their purchase decisions involve extensive pre-purchase information search. As such, simple specification listings are often insufficient to effectively influence purchase decisions. To address this issue, this study proposes an OCR–LLM-based framework for automatically generating persuasive sales logic in the FAB (Features–Advantages–Benefits) structure from product images, aimed at stimulating consumer purchase motivation. The proposed framework consists of two main modules: a text extraction module and a sales logic generation module, and it operates through four automated stages—image preprocessing, OCR, LLM-based text refinement, and sales logic generation. Experiments were conducted using real product detail images from a major domestic retailer. The results show that the generated sentences include an average of 1.95 purchase motivations per sentence and cover an average of 86.64% of key motivation items per product, thereby forming a multi-layered persuasive structure that goes beyond simple specification descriptions. Furthermore, these persuasive sentences can serve as valuable knowledge resources for AI agent systems—such as LLM-based semantic search and chatbots—that replace human interaction in contactless purchase environments and aim to generate responses that drive purchase conversion.

본 연구는 소비자의 프라이버시 인식이 지역 택배 서비스의 배송량에 미치는 영향을 분석하기 위해 구조방정식모형(SEM)을 구축하였으며, 서비스 제공자에 대한 신뢰와 데이터 보호 강도에 대한 인식을 조절 변수로 설정하였다. 실증 분석은 SPSS 및 AMOS 소프트웨어를 활용하여 수행되었다. 연구 결과, 소비자의 프라이버시 인식은 지역 택배 서비스의 배송량에 유의미한 정(正)의 영향을 미치는 것으로 나타났다. 또한, 소비자가 서비스 제공자에 대한 신뢰는 소비자의 프라이버시 인식과 택배 서비스 배송량 간의 관계를 부정적으로 조절하며, 데이터 보호 강도에 대한 인식은 이 관계를 긍정적으로 조절하는 것으로 분석되었다. 본 연구는 실증적 근거를 제시함으로써 프라이버시 민감 환경에서의 소비자 행동에 대한 이론적 이해를 심화시키고, 물류 기업이 신뢰 구축 및 프라이버시 보호 전략을 강화함으로써 지속 가능한 비즈니스 운영을 도모할 수 있도록 실무적 시사점을 제공한다.

This research develops a structural equation model (SEM) to examine the influence of consumer privacy awareness on the volume of regional courier services, with trust in service providers and the perception of the strength of privacy data protections as moderating variables. Empirical analysis was conducted using SPSS and AMOS software. We find that consumer privacy awareness has a significant positive effect on the volume of regional courier services, whereas consumer trust in service providers negatively moderates the relationship between consumer privacy awareness and the volume of regional courier services. Conversely, the perception of the strength of privacy data protections positively moderates this relationship. This study provides empirical evidence to enrich our theoretical understanding of consumer behavior in privacy-sensitive contexts and offers practical recommendations for logistics companies to improve trust-building mechanisms and privacy protection strategies to promote sustainable business operations.

본 연구는 국내 전력시장의 계통한계가격(SMP)에 대해 약 5개월 이후의 상승․하락 방향을 예측하는 중기 구간추정 프레임워크를 제안하고, 딥러닝과 전통 통계 모형을 정교하게 비교․평가한다. SMP, 두바이유, USD/KRW, 장단기 금리차, 기온으로 구성된 다변량 입력에 대해 특성별 맞춤 전처리(차분, 이동평균, 정규화)를 적용하고, 5-fold 교차검증과 그리드서치를 통해 공정한 모형 선택과 하이퍼파라미터 최적화를 수행하였다. 차분을 적용하지 않은 MLP가 가장 뛰어난 분류 성능을 보였으며(Validation Loss 0.2553, Accuracy 91.97%, F1 0.9234, AUC 0.9601), LSTM은 차분 적용 시 안정성은 개선되었으나 AUC(0.8782)에서 MLP에 미치지 못했다. 반면 ARIMA 및 지수평활은 BCE(3.454-4.901)와 MAPE(22-33%)가 높아 방향성 판별에 한계를 드러냈고, ElasticNet 점추정 역시 RMSE ≈ 43 KRW/kWh, R² ≈ 0.30으로 실무적 활용성이 제한적이었다. LIME 분석을 통해 MLP는 유가와 금리차 등 거시 변수에, LSTM은 지연된 SMP 패턴에 상대적으로 의존함을 확인하였다. 본 연구는 단기․점추정에 치우친 기존 문헌과 달리, 중기 시계의 방향성 신호를 다변량․전처리 ․모형 선택이 상호 공적응하는 구조로 실증했다는 점에서 의의가 크다. 제시된 5개월 선행 신호는 연료비 연동제와 SMP 상․하한제 같은 정책 시뮬레이션, 발전사와 전력구매자의 헤지 전략, 산업체의 에너지 조달 의사결정 등에서 실질적 근거를 제공하며, 전력시장 이해관계자의 위험관리와 비용 효율성 제고에 기여할 것으로 기대된다.

We propose a medium-horizon interval-estimation framework that predicts the five-month-ahead direction (up/down) of Korea’s System Marginal Price (SMP) using a multivariate feature set (SMP, Dubai crude, USD/KRW, term spread, temperature) and systematically benchmark deep learning against statistical baselines. Tailored preprocessing (lag differencing, moving averages, min–max scaling) and 5-fold CV with grid search ensure fair comparison. The best model, an MLP without differencing, achieved validation loss 0.2553, accuracy 91.97%, F1-score 0.9234, and AUC 0.9601; LSTM improved with differencing but underperformed (AUC 0.8782). ARIMA/triple smoothing showed higher BCE (3.454–4.901) and MAPE (22-33%), while ElasticNet point forecasts were weak (RMSE ≈ 43 KRW/kWh; R2 ≈ 0.30). LIME reveals MLP’s reliance on macro variables (crude, term spread) versus LSTM’s focus on lagged SMP patterns. Unlike short-term point-forecast studies, we evidence co-adaptation across variables, preprocessing, and model class for medium-horizon directional signals, enabling policy simulation (fuel pass-through, SMP caps/floors) and hedging/procurement decisions that enhance risk management and cost efficiency.

‘외부의 자극을 통해 얻은 새로운 여행 아이디어를 현실화하도록 추동하는 동기적 단계’로 정의되는 여행 영감(travel inspiration)은 잠재 여행객의 방문의도와 여행 의사결정에 영향을 미치는 요인으로 평가받으면서, 여행연구 분야에서 전도유망한 개념으로 떠오르고 있다. 본 연구에서는 첫째, 여행 영감의 원천으로서의 세 가지 개인 성향(우호적 선망, 경험 개방성, 삶의 만족도)이 여행 영감에 미치는 영향을 탐색하였으며 둘째, 여행 영감이 소셜미디어 인게이지먼트에 미치는 영향을 조절초점의 관점에서 살펴보았다. 연구결과 우호적 선망, 경험 개방성, 삶의 만족도는 여행 영감에 영향을 미쳤다. 개인의 성향이 영감의 원천 중 하나라는 기존 연구의 주장이 여행 맥락에서도 확인된 것이다. 특히, 우호적 선망은 다른 두 요인에 비해 더 크게 여행 영감에 영향을 미치는 것으로 나타났다. 소셜미디어의 확산에 따라 여행 경험의 공유가 활발해지고 있는 상황을 감안할 때, 우호적 선망이 여행 영감에 미치는 영향력은 지속적으로 확대될 것으로 판단된다. 한편, 여행 영감은 소셜미디어 인게이지먼트에 정(+)의 영향을 미치는 것으로 파악되었다. 아울러 조절초점은 여행 영감과 소셜미디어 인게이지먼트 사이에서 조절효과를 보이는 것을 확인하였으며, 예방초점의 조절효과가 향상초점의 조절효과보다 유의미하게 큰 것으로 나타났다. 본 연구는 위와 같은 연구결과에 따른 학술적, 실무적 시사점을 제시하였고, 추가 연구에서 보완할 사항을 논의하였다.

Travel inspiration is defined as a motivational state in which individuals are prompted to realize newly acquired travel ideas stimulated by external cues. Gaining recognition as a key factor influencing potential travelers’ visit intentions and decision-making processes, travel inspiration has recently emerged as a promising concept in tourism research. This study aims to achieve two primary objectives. First, it examines how three individual traits—benign envy, openness to experience, and life satisfaction—function as sources of travel inspiration. Second, it investigates the effect of travel inspiration on social media engagement, and tests the moderating effect of regulatory focus in this relationship. The results indicate that all three individual traits positively influence travel inspiration, supporting previous claims that individual dispositions serve as sources of inspiration, even in the context of travel. Notably, benign envy shows a stronger impact than the other two traits. Given the widespread use of social media for sharing travel experiences, the influence of benign envy is expected to continue growing. Furthermore, travel inspiration is found to positively affect social media engagement. The analysis also reveals that regulatory focus plays a moderating role in this relationship. Specifically, prevention focus exerts a significantly greater moderating effect than promotion focus. Based on these findings, the study provides theoretical and practical implications and offers suggestions for future research.

최근 생성형 인공지능(Generative AI)의 발전은 인간-기계 상호작용에 혁신을 가져왔으며, 특히 중국산 고성능 생성형 AI 도구인 DeepSeek는 산업계 등에서 주목받고 있다. 그러나 기존 생성형 AI 수용 연구는 주로 ChatGPT 등 글로벌 플랫폼에 집중되어 있어, 지역적 및 정책적 맥락을 반영한 DeepSeek의 수용 경로에 대한 실증적 분석은 미비한 실정이다. 이에 본 연구는 S-O-R(Stimulus-Organism-Response) 이론을 바탕으로 DeepSeek의 사용성 요인(편의성, 환각) 및 경제적 요인(비용 절감, 보안성)이 지각된 유용성과 지각된 신뢰성에 미치는 영향을 분석하고, 이들이 수용 의도에 어떻게 연결되는지를 실증적으로 검증하고자 하였다. 이를 위해 DeepSeek를 1회 이상 사용한 중국 사용자 대상으로 설문조사를 실시하고, 구조방정식모형(PLS-SEM)을 통해 분석하였다. 연구 결과, 편의성은 지각된 유용성과 신뢰성 모두 긍정적인 영향을 미친 반면, 환각은 두 변수 모두에 부정적인 영향을 미치는 것으로 나타났다. 또한, 비용 절감 및 보안성은 모두 지각된 유용성과 신뢰성에 정(+)의 영향을 주었으며, 지각된 유용성과 지각된 신뢰성은 모두 수용 의도에 유의한 영향을 미쳤다. 특히 신뢰성이 유용성보다 더 큰 영향력을 가지는 것으로 나타났다. 이러한 결과는 생성형 AI 수용 연구에 있어 환각, 비용 절감, 보안성과 같은 새로운 요인의 중요성을 부각시키며, DeepSeek와 같은 로컬 기반 AI의 수용 경로를 설명할 수 있는 이론적 확장 모델을 제시하였다. 실무적으로는 무료 접근성 확보, 환각 최소화, 보안성 명확화, 초기 신뢰 형성 전략이 사용자의 수용성 향상에 결정적임을 시사한다. 이상의 연구 결과를 바탕으로 본 연구는 생성형 AI인 DeepSeek의 수용 특성을 규명하고, 향후 생성형 AI 수용에 있어 실무적 및 이론적 시사점을 제공하고자 한다.

Recent advances in generative artificial intelligence (Generative AI) have transformed human–machine interaction. DeepSeek, a high-performance, China-developed generative AI tool, is drawing strong interest in industry and academia. Yet most adoption studies focus on global platforms such as ChatGPT, leaving few empirical analyses that consider regional and policy contexts for DeepSeek. Using the S–O–R (Stimulus–Organism–Response) framework, we test how DeepSeek’s usability factors (convenience, hallucination) and economic/security factors (cost savings, security) affect perceived usefulness and perceived trust, and how these evaluations shape adoption intention. We surveyed Chinese users who had used DeepSeek at least once and analyzed the data with partial least squares structural equation modeling (PLS-SEM). Results indicate that convenience positively influences both perceived usefulness and perceived trust, whereas hallucination negatively influences both. Cost savings and security positively affect perceived usefulness and perceived trust; both constructs significantly promote adoption intention, with trust exerting a stronger effect than usefulness. These findings underscore the value of incorporating hallucination, cost savings, and security into generative-AI adoption research and offer an extended model explaining adoption of local AI such as DeepSeek. Managerially, ensuring free access, reducing hallucinations, clarifying security, and establishing early trust are critical to boosting user adoption.

기업 부실 예측 모델은 부도와 같은 사후적 사건에 집중하여, 그 전 단계의 중요한 위험 신호인 비적정 감사의견을 예측하는 데 한계가 있었습니다. 기업 간 상호작용으로 전파되는 네트워크 리스크를 포착하지 못하는 한계가 있었다. 본 연구는 이러한 한계를 극복하고자 그래프 신경망(GNN)을 활용하여 기업의 구조적 연결성을 반영한 비적정 감사의견 예측 모델을 제안한다. 금융감독원 DART 공시 데이터를 기반으로 2,057개 상장기업의 5년간 재무 정보와 감사의견을 수집하고, 기업 간 출자 관계와 감사인 공유 관계를 통합하여 약 45만 건의 엣지로 구성된 이중 관계 네트워크(Dual-edge Network)를 구축하였다. 기업의 잠재적 부실 징후는 외부감사인의 비적정 감사의견을 기준으로 정의하였으며, GCN, GraphSAGE, GATv2 등 다양한 GNN 모델을 적용하여 로지스틱 회귀 및 XGBoost와 같은 전통적 모델과 성능을 비교 평가하였다. 실험 결과, 하이퍼파라미터 튜닝을 거친 GraphSAGE 모델이 비적정 감사의견 기업(소수 클래스) 탐지 성능에서 F1-Score 0.551과 ROC-AUC 0.936을 기록하며 종합적으로 가장 안정적인 예측력을 보였다. 이는 기업 네트워크 내 위험 신호를 효과적으로 일반화하여 학습하는 능력의 중요성을 입증한다. GNNExplainer를 통한 분석은 모델 예측의 해석 가능성을 제시했으며, 본 연구 결과는 금융기관, 투자자, 감사인이 기업의 감사 리스크(Audit Risk)를 사전에 식별하는 조기 경보 시스템으로 활용되어 실무적으로 기여할 수 있다. 향후 시계열 데이터를 반영한 동적 그래프 모델링 및 공급망 등 다양한 관계를 통합하는 연구로 확장될 수 있을 것이다.

Traditional models for predicting corporate failure or audit risk have relied heavily on the financial indicators of individual firms, failing to capture network risks that propagate through inter-firm interactions. To address this limitation, this study proposes an audit risk prediction model that incorporates structural connectivity among companies using Graph Neural Networks (GNNs). Based on public disclosure data from the Financial Supervisory Service’s DART system, we collected five years of financial information and audit opinions for 2,057 listed companies. By integrating equity investment relationships and shared auditor connections, we constructed a dual-edge network consisting of approximately 450,000 edges. Audit risk was defined according to external audit opinions, and various GNN models—including GCN, GraphSAGE, and GATv2—were evaluated and compared with traditional models such as logistic regression and XGBoost. Experimental results show that the hyperparameter-tuned GraphSAGE model achieved the most stable and comprehensive predictive performance in detecting at-risk firms (minority class), with an F1-Score of 0.551 and an ROC-AUC of 0.936. This highlights the importance of effectively learning and generalizing risk signals embedded within corporate networks. Moreover, analysis using GNNExplainer provided interpretability into the model’s predictions. The findings of this study offer practical implications for improving audit risk management systems and advancing network-based risk management in financial institutions. Future research can be extended to dynamic graph modeling by incorporating time-series data and integrating additional relational dimensions such as supply chain links.

본 연구는 생성형 인공지능(Generative AI) 기반 민원 응답 시스템(VOC: Voice of Customer)의 공공조직 수용성을 기대-현실 간 괴리(Expectation-Reality Gap, ERG) 관점에서 탐색적으로 분석하였다. 기술수용 모델(TAM), 공정성 인식 이론, 자동화 인식 이론을 통합한 분석 틀을 제시하고, 실제 시스템을 운영 중인 국내 공공기관 민원 담당자를 대상으로 혼합 방법론을 적용하였다. 정량 분석에서는 지각된 유용성(PU)과 업무 효율성 인식이 행동 의도(BI)에 유의한 영향을 미쳐 기능적 기대를 뒷받침한 반면, 정성 분석에서는 반복 표현, 감정 미반영, 설명가능성(XAI) 부족이 주요 저해 요인으로 나타났다. 이는 효율성 인식만으로는 공공조직 내 AI 수용성을 충분히 설명하기 어렵고, 사회적․심리적 조건이 충족되지 않을 경우 ERG가 발생함을 보여준다. 본 연구는 TAM의 기능 중심 한계를 보완하여 공정성․설명가능성․감정 대응을 포함한 공공부문 수용 모델을 제안하였으며, 정책적으로는 정확성 강화, 정서 기반 응답 설계, Human-in-the-loop 구조, 피드백 거버넌스 제도화를 제시한다. 다만 본 연구는 단일 기관․소규모 표본에 기반한 탐색적 연구이므로 일반화에는 한계가 있다. 그럼에도 불구하고, 이러한 초기 결과는 공공조직 AI 수용성 연구의 기초 토대를 제공하며, 향후 다기관․대규모 표본과 정교한 계량적 검증을 통해 확장될 수 있음을 시사한다.

This study conducts an exploratory analysis of the acceptance of a Generative AI-based Voice of Customer (VOC) system in public organizations from the perspective of the Expectation-Reality Gap (ERG). An integrated framework combining the Technology Acceptance Model (TAM), Fairness Perception Theory, and Automation Perception Theory was developed, and a mixed-methods approach was applied to civil servants in a Korean public agency operating the system. Quantitative results showed that perceived usefulness (PU) and efficiency-related automation perception significantly influenced behavioral intention (BI), confirming functional expectations. In contrast, qualitative findings revealed barriers such as repetitive expressions, lack of emotional adaptation, and insufficient explainability (XAI). These results suggest that efficiency perceptions alone are insufficient to explain AI adoption in public organizations, and that unmet socio-psychological conditions create ERGs between expectations and actual experiences. This study extends TAM by proposing a public-sector acceptance model that incorporates fairness, explainability, and affective responses, while also providing practical implications such as enhancing accuracy, designing emotionally adaptive responses, implementing human-in-the-loop structures, and institutionalizing feedback governance. However, as this research is based on a single organization and a small sample, its generalizability is limited. Nevertheless, these initial findings provide a foundational basis for public-sector AI acceptance research and highlight the need for expansion through larger-scale, multi-agency samples and more rigorous quantitative validation in future studies.

AI 기술의 발전으로 AI가 스스로 학습하고 새로운 정보를 생성함에 따라, 업무 효율성을 향상시키고, 데이터 및 프라이버시를 보호하고, 경제적 가치를 창출하는 등의 긍정적 효과로 인해 AI 활용이 증가하고 있다. 그러나 생성형 AI는 경제적․윤리적 문제뿐 아니라 프라이버시를 침해할 우려가 있으며, 실제 프라이버시 침해 등 부정적 활용 사례도 증가하는 추세다. 이러한 문제점을 해결하기 위해 NIST, EU, OECD, 개인정보보호위원회 등은 AI를 안전하게 활용하기 위한 표준을 제정하였다. 그러나 표준의 대상과 목적이 다르고 AI에 대한 국가 간의 관점도 달라서 개인정보보호 관점에서 조직에 적합한 표준을 파악하기 어렵다. 본 연구는 국내외 표준을 대상으로 PbD 적용 여부, 개인정보보호 관련 키워드 포함 여부, AI 활용 관련 기준 및 방법의 포함 여부를 기준으로 분석하여 각 표준의 특징을 파악하고 개인정보보호 관점에서 참고 가능한 표준을 식별한다. 그리고 식별한 표준이 미흡한 부분이 있는지 확인하고 개선 방안에 대해 제시하고자 한다. 본 연구 결과를 활용하여 AI 기술을 활용할 때 효율성과 개인정보보호를 모두 고려함으로써 지속 가능한 AI 발전에 도움을 주는 데 기여할 것으로 기대된다.

The advancement of AI technology enables AI to learn from data and generate new information on its own. As a result, the use of AI is increasing due to its positive effects, such as improving work efficiency, protecting data and privacy, and creating economic value. However, generative AI not only raises economic and ethical concerns but also poses risks of privacy infringement, and negative use cases such as actual privacy violations are on the rise. To address these issues, organizations such as NIST, the EU, the OECD, and the Personal Information Protection Commission have established standards for the safe use of AI. However, due to differences in the scope and purpose of these standards, as well as varying national perspectives on AI, it is difficult to identify the appropriate standard for an organization from a personal data protection standpoint. This study analyzes domestic and international standards based on criteria such as the application of PbD, inclusion of privacy-related keywords, and the presence of AI utilization standards and methodologies. It identifies the characteristics of each standard and pinpoints those that can serve as references from a privacy perspective. Furthermore, it aims to identify any shortcomings in the identified standards and propose improvement measures. It is expected that utilizing the findings of this study to consider both efficiency and privacy protection when applying AI technology will contribute to sustainable AI development.

최근 대형 언어 모델(LLM)의 성능이 전문가 수준으로 발전하고 있다. 본 연구는 고객서비스 도메인에서 기존 인간 중심 평가 방식의 한계를 극복하고자 Expert AI(평가 전문가로서의 역할을 하는 AI)를 활용한 품질 모니터링 시스템 구축 방안을 새롭게 제시하고자 한다. 본 연구에서는 고객 질문에 대해 “고객서비스 도메인 특화된 Local LLM 기반 AI”로부터 생성된 응답 데이터 결과물의 품질을 인간 평가자와 Expert AI(AI 평가자)가 평가하도록 하였다. 단, Local LLM의 품질 평가 시, 다른 LLM AI(ChatGPT와 Perplexity)로부터 답변된 응답과 비교하여 평가되도록 하여, 도메인 특화로 구축된 Local LLM의 현재 품질 상황과 개선할 점을 파악할 수 있도록 하였다. 평가 수행 이후, 인간 평가자와 Expert AI의 품질 평가에 대한 일치도를 분석한 결과, 92.4%에 달하는 높은 일치율을 확인하였다. 특히 Local LLM의 문제점 탐지(응답 품질이 나쁜 경우)에서는 98.9%의 일치율을 보여, Expert AI가 핵심 품질 관리 역할을 수행할 수 있음을 입증하였다. 본 연구는, 지속적이면서 실시간 품질 관리가 필요한 고객서비스 분야에서 Expert AI의 적용 가능성을 실증적으로 검증함으로써, 실무 환경에서 효율성을 극대화할 수 있는 AI 기반 품질 모니터링 시스템 구축 방안을 제안한다.

Recently, the performance of large language models (LLMs) has improved to expert levels. This study proposes a novel approach to building a quality monitoring system utilizing Expert AI (AI acting as an evaluation expert) to overcome the limitations of existing human-centered methods in the customer service (CS) domain. In this study, the quality of responses to customer inquiries generated by a “CS domain-specific Local LLM-based AI” was assessed by human evaluator and Expert AI. For the quality assessment of the Local LLM, its responses were compared with those generated by other LLM-based AIs (ChatGPT and Perplexity) to evaluate the current quality and identify areas for improvement in the Local LLM. After the evaluation, we analyzed the agreement between human and AI evaluators in quality assessment, confirming a high agreement rate of 92.4%. In particular, the agreement rate for detecting Local LLM issues (e.g., poor response quality) was 98.9%, demonstrating that Expert AI can play a key quality control role. This study empirically verified the applicability of Expert AI in the CS field, which requires continuous and real-time quality management. It proposes a method for building an AI-based quality monitoring system that can maximize efficiency in corporate environments.

라이브커머스는 전자상거래와 실시간 미디어의 융합을 통해 단순한 상품 정보 제공을 넘어, 원자재 조달, 제조, 포장 및 배송 등 상품의 물적 프로세스에 관한 정보를 소비자에게 투명하게 제공함으로써 신뢰를 구축하고 있다. 여기서 소비자는 단순한 피드백 제공자로 머무르지 않고, 상품 구성 및 방송 기획에 능동적으로 참여하여 가치 창출에 기여하고 있다. 본 연구에서는 상품 정보 및 프로세스 투명성이 신뢰에 미치는 영향과 판매자-고객, 고객-고객, 고객 참여의 다층적 상호작용이 신뢰에 미치는 영향을 라이브커머스 이용자를 대상으로 분석하였다. 설문조사 데이터를 수집하여 위계모형으로 분석한 결과, 고객 참여가 신뢰 형성에 가장 큰 영향을 미치며, 고객 간 상호작용과 판매자-고객 상호작용 순으로 영향을 미치는 것을 확인하였다. 또한, 프로세스 투명성이 상품 정보 제공보다 신뢰 형성에 더 큰 영향을 미치는 것을 확인하였다. 본 연구는 기존 전자상거래 문헌에서 상대적으로 주목받지 못했던 프로세스 투명성과 고객 참여의 신뢰 형성 메커니즘을 라이브커머스 맥락에서 실증적으로 규명했다는 점에서 의의가 있다.

Live commerce, through the fusion of e-commerce and real-time media, goes beyond simply providing product information by transparently offering information about the physical processes of products, such as raw material procurement, manufacturing, packaging, and delivery, thereby building trust. In this context, consumers do not remain mere providers of feedback but actively participate in product planning, contributing to value creation. This study analyzed the effects of product information and process transparency on trust, as well as the multilayered interactions between sellers and customers, customers and customers, and customer participation on trust, targeting live commerce users. Survey data were collected and analyzed using a hierarchical component model, revealing that customer participation has the greatest impact on trust formation, followed by customer-to-customer interaction and seller-to-customer interaction. Additionally, it was confirmed that process transparency has a greater influence on trust formation than product information. This study is significant in that it empirically identified the trust formation mechanisms of process transparency and customer participation—areas relatively overlooked in existing e-commerce literature—within the context of live commerce.

본 연구는 전통 금융기관의 AI 도입 및 활용이 경영 성과에 미치는 영향을 TOE(Technology– rganization–Environment) 모델을 중심으로 분석하였다. 기술적 측면에서는 지각된 유용성, 조직적 측면에서는 IT인프라 및 역량과 혁신성, 환경적 측면에서는 경쟁적 압박이 AI 도입 및 활용을 촉진하는 주요 요인으로 나타났으며, 지각된 용이성은 유의한 영향을 보이지 않았다. 또한 AI 도입 및 활용은 전통 금융기관의 재무적 및 비재무적 성과에 직접적으로 기여하는 것으로 확인되었다. 이러한 결과는 금융기관의 AI 도입을 위해 기술적 기반뿐만 아니라 조직 내부적으로 혁신성을 제고할 수 있는 제도 및 문화적 지원과 외부 환경적 요인도 중요하다는 점을 보여준다. 학문적으로는 전통 금융기관을 대상으로 AI 도입 메커니즘을 규명했다는 점에서 의의가 있으며, 실무적으로는 금융기관과 정책 당국이 AI 전략을 수립하는 데 유용한 시사점을 제공한다.

This study investigates the impact of AI adoption and utilization on the performance of traditional financial institutions through the lens of the Technology–Organization–Environment (TOE) framework. Results indicate that perceived usefulness (technology dimension), IT infrastructure and capability along with innovativeness (organizational dimension), and competitive pressure (environmental dimension) serve as significant facilitators of AI adoption and utilization, whereas perceived ease of use does not exert a statistically significant influence. Furthermore, AI adoption and utilization are shown to have a direct positive effect on both financial and non-financial performance outcomes. These findings highlight the necessity for not only robust technological foundations but also organizational support—especially in fostering innovativeness—and recognition of external environmental factors for successful AI integration. Academically, this work contributes by clarifying the mechanisms underpinning AI adoption in traditional financial settings. Practically, it offers valuable insights for financial institutions and policymakers to devise effective AI strategies.

클라우드는 이미 기업의 디지털 인프라, 경쟁력 등 IT의 중심이 되었다. 클라우드 생태계는 공급자 (CSP : Cloud Service Provider), 중개자(MSP: Managed Service Provider), 수요자(고객)를 주요 축으로 이루어져 있고, MSP는 클라우드 확산과 안정화, 기술 내재화 등을 주요하게 지원하고 있다. 한편, 생태계 내 각 집단별로 MSP의 역할에 대한 평가와 인식이 상이하다고 보고되고 있다. 또한, 생성형 인공지능(Generative AI)의 확산으로 MSP의 역할도 새로운 관점에서 재정립할 필요성이 대두되고 있다. 따라서 본 연구는 MSP에 대한 인식을 집단별로 분석함으로써 MSP의 역할과 발전방향을 제시하고자 한다. 본 연구는 Stakeholder Theory 관점에서 CSPㆍMSPㆍ고객 세 집단(N=84)을 대상으로 MSP 가 제공하는 서비스들에 대한 인식의 공통점과 차이를 비교하였다. 주요 결과로, 세 집단 모두 아키텍처 설계․마이그레이션, 비용 최적화, 보안/컴플라이언스 등 위생요인에 대해 공통적으로 높은 기대치를 보였다. 반면, BigData 처리/분석 지원 등 차별화요인에 대해서는 중요도 인식이 수렴하지 않았다. 정성 응답 분석에서는 생성형 AI(GenAI)와 시스템 통합(SI) 역량 강화가 MSP의 전략적 발전 방향으로 제시됨을 확인했다. 본 연구는 위생요인과 차별화 요인을 함께 분석하여 국내 맥락에서 이해관계자별 인식 차이를 실증했고, MSP 서비스 전략과 발전 방향을 체계화했다는 점에서 의의가 있다. 실무적으로는 MSP가 표준화된 핵심 서비스 품질을 유지하는 동시에 GenAIㆍSI 연계 역량을 강화해 차별화된 경쟁우위를 확보해야 함을 시사한다.

Cloud has become the core of corporate IT, supporting digital infrastructure and competitiveness. The cloud ecosystem consists of providers (CSPs), intermediaries (MSPs), and customers, with MSPs playing a key role in cloud adoption, stabilization, and capability building. Yet, perceptions of MSPs’ roles differ across stakeholder groups, and the rise of Generative AI further necessitates a renewed understanding of MSPs’ strategic position. This study examines these perception gaps to identify the strategic role and development directions of MSPs. Using a Stakeholder Theory lens, we compare perceptions of MSP services among CSPs, MSPs, and customers (N = 84). All three groups show high expectations for hygiene factors such as architecture design/migration, cost optimization, and security/compliance, while diverging in their views on differentiating services like big data analytics support. Qualitative responses highlight the importance of strengthening Generative AI (GenAI) and system integration (SI) capabilities as future strategic directions for MSPs. This study empirically reveals stakeholder-specific perception differences within the domestic cloud ecosystem and organizes a strategic framework for MSP service development. Practically, MSPs should maintain strong performance in standardized core services while enhancing GenAI and SI capabilities to achieve differentiated competitive advantage.

본 연구는 최근 일상과 업무에서 빠르게 확산하고 있는 생성형 AI 기술의 지속적 이용을 결정하는 요인을 규명하고, 이들 요인 간의 구조적 관계를 실증적으로 분석하는 것을 목적으로 한다. 이를 위해 본 연구는 생성형 AI를 대표하는 서비스 중 하나인 ChatGPT를 연구 대상으로 선정하였다. 이론적 고찰을 통해 ChatGPT의 특성과 자기결정이론에 근거한 사용자 특성을 도출하고 이러한 요인들이 사용자의 몰입과 만족에 어떠한 영향을 미치며, 나아가 지속적 이용의도에 어떠한 영향을 미치는지를 살펴보고자 하였다. 가설을 검정하기 위해 설문을 실시하였으며, 구조방정식 모델링을 사용하여 데이터를 분석하였다. 연구 결과, 지식희소성, 지능화, 자율성, 유능성, 관계성은 모두 몰입과 만족에 긍정적인 영향을 미치는 것으로 나타났다. 또한, ChatGPT에 대한 몰입은 만족과 지속적 이용의도에 유의한 영향을 미치는 것으로 나타났으며, 만족은 지속적 이용의도에 영향을 미치는 것으로 나타났다. 이러한 결과는 생성형 AI의 지속적 이용에 영향을 미치는 주요 요인을 통합적으로 제시함으로써 학문적 이해를 확장하는 동시에 향후 서비스 설계 및 운영 전략 수립에 유용한 실무적 시사점을 제공한다.

The purpose of this study is to identify the factors influencing the intention to continue use Generative AI and to empirically examine their relationships. For this purpose, ChatGPT, one of the representative services of Generative AI, was selected as the research subject. Through a theoretical review, the characteristics of ChatGPT and user attributes based on Self-Determination Theory were derived, and their effects on flow and satisfaction, as well as on intention to continue use, were investigated. To test the hypotheses, a survey was conducted and the data were analyzed using structural equation modeling(SEM). The results indicate that knowledge rareness, intelligence and autonomy, competence, and relatedness all have positive effects on flow and satisfaction. Flow toward ChatGPT was found to positively influence both satisfaction and intention to continue use, while satisfaction also had a significant effect on intention to continue use. These findings provide theoretical insights into the factors affecting the continuance intention of Generative AI and offer practical implications for the design and management of such services.

본 연구의 목적은 생성형 AI(Generative Artificial Intelligence) 서비스 이용에 대한 이용자들의 태도를 분석하는 것이다. 이를 위해 태도이론을 기반으로 이론적 프레임워크를 제안하였고, 이를 토대로 대학생들의 학술적 이용을 중심으로 생성형 AI 서비스 이용과 관련된 심리적 요인을 분석하였다. 본 연구에서는 생성형 AI 서비스를 이용 경험이 있는 대학생들을 대상으로 설문조사를 수행하였고, 생성형 AI 서비스에 대한 지식, 지각된 성과 불일치, 태도, 충성도 간의 관계를 최소부분자승 구조방정식(PLS-SEM) 접근법을 통해 검증하였다. 분석결과, 생성형 AI 서비스 이용자의 지식은 지각된 성과 불일치에 유의한 정(+)의 영향을 미치는 것으로 나타났고, 이용자의 지식은 태도와 충성도 모두에 긍정적인 영향을 미치는 것으로 나타났다. 반면, 지각된 성과 불일치는 태도와 충성도에 유의한 부(-)의 영향을 미치지 않는 것으로 나타났다. 마지막으로, 태도는 충성도에 긍정적인 영향을 미치는 것으로 나타났다. 본 연구결과는 생성형 AI 서비스 이용자들의 심리적 특성에 대한 유용한 통찰과 충성도 강화 방안을 제공해 줄 것이다.

The purpose of this study analyzes users' attitudes to the use of generative AI (artificial intelligence) services. A theoretical research framework, drawing from attitude theory, was developed to explore the psychological dimensions of university students' academic use with generative AI services. The study examine the relationships between users' knowledge, perceived performance incongruence, attitude, and loyalty in generative AI services. A survey was conducted among university students who have used generative AI services. The research hypotheses were tested using partial least squares structural equation modeling. The empirical findings indicate that users’ knowledge has a significant positive effect on perceived performance incongruence. In addition, users’ knowledge positively influences both attitude and loyalty. However, perceived performance incongruence does not impact a significant negative effect on attitude and loyalty. Finally, attitude shows a positive effect on loyalty. The empirical finding provides valuable insights into the psychology of using generative AI services, offering ways to enhance the formation of positive attitudes and loyalty among generative AI services users.

청소년의 게임 이용이 일상화됨에 따라 게임 과몰입에 대한 실증적 분석의 필요성이 커지고 있다. 그러나 기존 연구는 횡단적 분석에 머물러 발달 경로 규명에 한계가 있었다. 본 연구는 5개년 종단 패널 데이터(N=496)를 시계열 클러스터링으로 분석하여 건전-선용형, 만성 고착형, 전이 단계형의 세 가지 발달 경로를 도출하였다. 자기결정성이론 분석 결과, 만성 고착형은 높은 학업 유능감과 사회적 관계성에도 불구하고 과몰입 상태에 머무는 역설적 특성을 보였으며, 이는 영역 특수적 불균형, 게임 중심 또래 문화, 통제된 동기로 설명되었다. 각 클러스터는 행동변화 단계 모형의 유지, 전숙고, 숙고 단계에 대응되었으며, 이를 바탕으로 차별화된 개입 전략을 제시하였다. 본 연구는 게임 과몰입을 고정된 병리가 아니라 발달 과정 속에서 변화하는 역동적 현상으로 규정하고, 5개년 자료 분석을 통해 일부 청소년에게서 자연적인 회복 경향이 나타남을 보였다. 이를 토대로 게임 과몰입을 과도하게 병리화하는 관점에 문제를 제기한다. 이는 청소년 게임 이용에 대한 발달 친화적 접근의 이론적, 실무적 기초를 제공한다.

As gaming has become a normalized part of adolescents’ daily lives, there is a growing need for empirical analyses of gaming overindulgence. However, existing research has been limited to cross-sectional analyses, failing to capture developmental trajectories and often dichotomizing gaming behaviors into binary categories. This study analyzed five-year longitudinal panel data (N=496) using time-series clustering to identify three distinct developmental trajectories: stable healthy use (Healthy-Adaptive), sustained overindulgence (Chronic-Persistent), and alternating between healthy and at-risk states (Transitional). Analysis based on self-determination theory showed that the Chronic-Persistent cluster displayed high academic competence and social relatedness despite sustained overindulgence. This paradoxical profile can be understood in terms of domain-specific imbalance, gaming-centered peer culture, and controlled motivational structures. Each cluster corresponded to the maintenance, precontemplation, and contemplation stages of the transtheoretical model, respectively, informing differentiated intervention strategies. This study demonstrates that gaming overindulgence is not a static pathological condition but a dynamic developmental phenomenon, with natural recovery patterns observed in some adolescents, problematizing excessive pathologization. These findings provide a theoretical and practical basis for developmentally informed approaches to adolescent gaming behaviors.

본 연구는 텍스트마이닝 기법을 활용하여 기술보호 분야의 학계와 산업계 동향을 종합적으로 분석하고, 주제 구조의 변화와 양측 간 시차적 관계를 규명하고자 한다. 이를 위해 TF-IDF 기반 키워드 추출, SBERT 임베딩, K-means 클러스터링으로 구성된 의미 기반 분석틀을 구축했으며, 연도별 클러스터의 비중 변화를 통해 주제 진화 양상을 알아보고, Shannon 엔트로피를 통해 주제의 다양성을 확인했다. 또한 교차상관분석을 통해 학계와 산업계 간 주제별 시차적 전이 구조를 실증적으로 검증하였다. 지난 10년간의 학술논문(OpenAlex)과 산업계 특허(EPO, DOCDB) 데이터를 대상으로 분석한 결과, 학계는 사이버보안, 설계․프레임워크, 신기술 중심 주제가 분산적으로 전개된 반면, 산업계는 인증․접근통제, 위협 대응, 반도체․소재, AI․블록체인 보안 등 실용 기술에 집중되는 경향을 보였다. 또한 일부 주제는 학계 연구가 산업계 활동을 1~2년 선행한 반면, 기술혁신과 네트워크․클라우드 보안 분야는 양측이 동시적으로 반응하는 결과를 보였다. 이 연구는 기술보호 분야의 구조적 진화와 학계와 산업계 간 지식전이 메커니즘을 통합적으로 제시하며, 분야별 특성을 고려한 차등적 기술보호 정책 및 R&D 전략 수립에 실증적 근거를 제공한다.

This study employs text mining techniques to examine academic and industrial trends in the field of technology protection and to identify the evolution of thematic structures and temporal lag relationships between the two domains. An analytical framework integrating TF-IDF-based keyword extraction, SBERT embeddings, and K-means clustering was developed to enable semantic topic identification. Annual variations in cluster proportions were analyzed to capture topic evolution, and Shannon entropy was used to assess topical diversity. Cross-correlation analysis was further conducted to verify topic-specific lagged diffusion patterns between academia and industry. Using academic publications from OpenAlex and industrial patents from the EPO DOCDB over the past decade, the analysis reveals that academic research exhibits a dispersed structure centered on cybersecurity, design frameworks, and emerging technologies. In contrast, industrial activity shows a concentrated focus on practical domains such as authentication and access control, threat response, semiconductors and materials, and AI-blockchain security. While several topics show that academic research precedes industrial activity by one to two years, areas such as technological innovation and network or cloud security exhibit simultaneous responses across the two sectors. Overall, this study provides an integrated depiction of the structural evolution of technology protection and the knowledge transfer mechanisms linking academia and industry. The findings offer empirical evidence that can support differentiated technology protection policies and R&D strategies aligned with domain-specific characteristics.

이 연구는 ChatGPT 도입이 한국 내 온라인 번역기 사용 패턴에 미친 영향을 정량적으로 분석하였다. 대규모 국내 활동 패널 데이터를 바탕으로 이벤트 타임 사양을 갖춘 매칭 기반 차이의 차이 모형을 적용한 결과, 채택 이후 주간 번역기 사용 시간은 증가하며 도입 후 약 6주에 정점을 보인 뒤 평균적으로 음수로 전환하지 않은 채 0에 가까운 정상상태로 점차 수렴하였다. 평균 효과 뒤에는 뚜렷한 이질성이 존재한다. 보완 효과는 더 젊은 이용자에서 더 크게 나타났고, 대체 패턴은 대학생 및 대학원생 집단에서만 관찰되었다. 이론적 측면에서, 일반 목적 LLM이 유사한 기능을 가지는 단일 도구를 평균적으로 보완한다는 사용자 수준의 인과적 근거를 제시하고, 이질성을 역량에 기반해 설명하며, 이벤트 타임 동학과 사전 추세 공동 검정을 결합해 초기 탐색과 정상상태를 구분하는 관찰자료 분석 템플릿을 제공한다. 실무적 측면에서는 LLM 출력의 번역기 검증으로의 원클릭 연동, 신뢰도 표시를 위한 경량 품질 배지, 전환 비용을 낮추는 명시적 전환 흐름 설계, 보완성이 큰 집단을 겨냥한 세그먼트별 온보딩 등 공용 설계 지침을 제시한다.

We examine how first use of a general purpose LLM, represented by ChatGPT, reallocates user time within the ecosystem of online translators. Using a matched difference-in-differences design with an event-time specification on a large Korean activity panel, we find that weekly translator use increases after adoption, peaks during the first six weeks, and then attenuates toward a near-zero steady state without turning negative on average. The average effect masks systematic heterogeneity: complementarity is larger for younger users, while a substitution pattern appears only among university and graduate students. Theoretically, we provide causal user-level evidence that a general-purpose LLM complements an online translation on average, link heterogeneity to capability, and offer a transparent template that combines event-time dynamics with a joint pre-tend test to separate initial exploration from steady state behavior. Practically, we translate the mechanisms into co-use design guidance, including one-click-pass through from LLM outputs to translator verification, and segment-specific onboarding that targets groups where complementarity is strongest.

공유경제는 모빌리티와 숙박 산업을 중심으로 기존 산업 구조의 재편을 촉진해 왔다. 카셰어링은 대중교통 인프라의 한계로 인해 접근이 어려웠던 지역에 대한 이동 편의성을 제고하는 등 유연하고 편리한 교통수단으로서 그 활용 범위를 확장해 오고 있다. 본 연구는 국내 최대 카셰어링 서비스 업체의 차량 이동 데이터를 활용하여 카셰어링 이용이 지역 관광 활성화에 미치는 영향을 분석한다. 전국 3,104개 지역을 대상으로 수집된 총 37,104건의 이동 데이터를 기반으로 실증 분석을 수행한 결과, 카셰어링 서비스 이용은 지역 관광지 방문객 수 증가에 유의한 영향을 미치는 것으로 나타났다. 본 연구는 공유경제 및 관광 분야의 기존 연구를 확장하는 이론적 시사점을 제시할 뿐만 아니라, 관광지 마케팅 담당자, 카셰어링 서비스 운영자, 도시 정책 입안자, 관광 산업 관계자 등 실무 분야에도 중요한 정책적·관리적 시사점을 제공한다.

The sharing economy has transformed traditional industries, particularly in mobility and hospitality. Among sharing economy services, car-sharing emerged as a flexible and convenient transportation mode, enabling individuals to access the areas that were difficult to visit previously due to poor public transportation infrastructure. This study examines the role of car-sharing usage in enhancing local tourism with vehicle travel data from the largest car-sharing provider in South Korea. Using 37,104 vehicle travel data across 3,104 locations in Korea, the study analyzes the impact of car-sharing use on the number of visitors to local tourist attractions. Our findings show that car-sharing service plays a significant role in increasing the number of tourists to local attractions. This study contributes to the existing literature on sharing economy and tourism and offers practical insights to destination marketers, car-sharing service providers, urban policymakers, and tourism businesses.

본 연구는 20~30대 사회초년생을 중심으로 SNS 사용이 유발하는 심리적 요인(비교 경향성, 중독 경향성, 자기표현, 내현적 자기애)이 우울감에 미치는 영향을 탐구한다. 특히 이 시기 청년들은 SNS를 통한 지속적인 사회적 비교와 부정적 경험으로 인해 자기효능감이 저하되며, 이는 조직 내 긍정심리자본(Positive Psychological Capital)을 소진해 직무 소진(Job Burnout)으로 이어질 수 있다는 문제의식에서 출발하였다. 본 연구는 SNS의 심리적 요인이 우울감에 미치는 직접적인 영향(H1)과 이 관계에서 자기효능감의 매개 역할(H2)을 검증하고자 하였다. 20~30대 인스타그램 사용자 135명의 데이터를 PLS-SEM으로 분석한 결과, 4가지 심리적 요인 중 ‘비교 경향성’(p < .001)과 ‘내현적 자기애’(p = .007)만이 우울감을 유의미하게 증가시켰으며, 중독 경향성과 자기표현은 유의미한 영향이 없었다. 이는 SNS 사용 시간보다 사용자의 ‘심리적 동기’가 우울감 유발에 더 결정적임을 시사한다. 가장 중요한 H2 매개효과 분석을 통해 ‘긍정심리자본 고갈’ 메커니즘은 부분적으로 확인되었다. 특히 ‘내현적 자기애’ 요인은 자기효능감 저하(p = .001)를 통해 우울감에 이르는 유의한 매개 경로(p = .010)를 가졌다. 이는 SNS 이용에 따른 내현적 자기애가 개인의 긍정심리자본을 소진하고, 그 결과 우울감이 증폭됨을 실증적으로 보여준다. 이러한 연구 결과를 바탕으로, 본 연구는 SNS의 부정적 영향으로부터 청년층의 심리적 웰빙과 직무 몰입을 보호하기 위한 기업 차원의 긍정심리자본 관리 방안의 필요성을 제언한다.

This study explores the impact of psychological factors induced by SNS use—specifically comparison tendency, addiction tendency, self-expression, and covert narcissism—on depression among young professionals (20s to 30s)1. The research originates from the premise that young people in this age group often experience reduced self-efficacy due to continuous social comparison and negative experiences on SNS, which can subsequently deplete Positive Psychological Capital (PsyCap) within the organization, potentially leading to Job Burnout. This study aimed to verify the direct impact (H1) of SNS psychological factors on depression and the mediating role of self-efficacy (H2) in this relationship. Analyzing data from 135 Instagram users in their 20s and 30s via PLS-SEM, the results showed that among the four psychological factors, only ‘comparison tendency' (H1-1) and ‘covert narcissism' (H1-4) significantly increased depression. Addiction tendency and self-expression had no significant effect. This suggests that a user's ‘psychological motivation' is more critical to inducing depression than the actual time spent on SNS. Most importantly, the ‘Psychological Capital Depletion' mechanism was partially confirmed through the mediation effect analysis. In particular, the ‘covert narcissism' factor had a significant indirect path, leading to depression by first causing a reduction in self-efficacy (Path a). This empirically demonstrates that covert narcissism, resulting from SNS use, depletes an individual's positive psychological capital, thereby amplifying depression. Based on these findings, this study suggests the necessity of corporate-level Positive Psychological Capital management to protect the psychological well-being and job engagement of young professionals from the negative effects of SNS.

본 연구는 생성형 인공지능(Generative AI)인 ChatGPT의 등장 이후 Q&A 플랫폼에서 사용자 질문 행태가 어떻게 변화했는지 실증적으로 분석한다. 국내 최대 Q&A 플랫폼인 네이버 지식인의 IT/테크 카테고리 내 기능적 문제 해결에 해당하는 도구적 키워드(코딩, 파이썬, 자바, c언어)를 중심으로 ChatGPT 도입 전후의 질문 수 및 검색량 대비 질문 수 비율 변화를 분석하였다. 통제집단합성법과 이중차분법 분석을 통해 생성형 AI 도입 이후 도구적 키워드 질문 수가 감소하고 질문/검색 비율도 유의미하게 하락한 것으로 나타났다. 이는 사용자들이 구조화되고 기능적인 문제는 인간 답변보다는 생성형 AI 응답을 수용하는 경향을 보이며, Q&A 플랫폼 내 질문 행태가 변화하였음을 시사한다. 본 연구는 알고리즘 회피 이론에 기반하여 정보의 성격에 따라 AI 수용 여부가 달라지는 사용자 인식을 실증적으로 확인하였다. 이를 통해 생성형 AI 시대 디지털 지식 생태계의 구조 변화와 인간과 AI 상호작용 방식에 대한 이해를 확장한다.

This study empirically investigates how user questioning behavior on Q&A platforms has changed following the emergence of generative artificial intelligence (Generative AI), focused on ChatGPT. Focusing on the IT/Tech category of Naver Knowledge iN, we examine shifts in user behavior before and after the release of ChatGPT. The analysis investigates utilitarian keywords (coding, python, Java, C language) associated with functional problem solving. Employing a combination of the Synthetic Control Method and Difference-in-Differences analysis, we find a statistically significant decline in both the number of questions involving utilitarian keywords and the ratio of questions to searches following the adoption of generative AI. These findings suggest that users increasingly tend to accept AI-generated responses over human answers when faced with structured problem scenario. This indicates a shift in user questioning behavior within the Q&A platform. Based on the theory of algorithm aversion, this study empirically confirmed that user acceptance of AI is contingent on the characteristics of information. Therefore, it contributes to a deeper understanding of the structural transformation of the digital knowledge ecosystem and the evolving dynamics of human-AI interaction in the era of generative AI.