Earticle

패션 이미지에는 의류의 카테고리, 색상, 소재, 핏과 같은 의류 속성 정보가 포함 되어있다. 의류 속성 정보는 소비자가 의류를 구매하는 과정에서 중요한 요소다. 하지만 패션 산업에서 패션 이미지를 통해 의류의 속성을 분류하는 과정은 작업자 개인의 주관적인 기준으로 이루어져 일관성이 부족하다. 이를 개선하고자 인공지능 기술을 도입하여 패션 이미지 분석을 통해 의류의 속성을 식별하는 연구가 증가하고 있다. 대다수의 연구는 상의 또는 하의의 속성만을 분류하는 데 중점을 두고 있기 때문에 상의의 속성을 파악하고자 할 때, 전신 패션 이미지는 하의의 영향으로 인하여 상의에 대한 의류 속성을 정확하게 파악하는 것이 어렵다. 즉, 전신 패션 이미지에서 상하의의 속성을 동시에 인식하는 것이 어렵다는 한계가 존재한다. 따라서 본 연구는 패션 이미지 내의 상하의를 구분하여 의류 속성을 올바르게 분류할 수 있는 딥러닝 모델을 제안한다. 제안된 모델은 사용자에게 정확한 의류 속성 정보를 제공하여 의류에 대한 신뢰도를 높이고, 패션 분야에서 의류 속성 분류 작업의 효율성을 향상시킬 것이다. 본 연구는 패션 이미지에서 카테고리, 색상, 소재, 핏을 분류하기 위해 딥러닝 모델 ResNet과 MobileNet을 이용하였다. 학습에 이용한 데이터셋은 AI-Hub의 ‘K-Fashion 패션 이미지’를 활용하였다. 해당 데이터에서 이미지 772,534장과 의류 카테고리와 색상, 소재, 핏 속성을 포함한 라벨 총 222개를 사용하였다. 사용한 모델은 Weighted F1-Score를 기준으로 비교하였으며, 비교 결과, ResNet은 0.753, MobileNet는 0.782로 MobileNet이 0.029 더 우수한 성능을 보였다.

암호화폐 시장은 주식 시장과 같이 급격한 가격 변동, 과도한 투기열 등의 문제점을 가지고 있으며, 이러한 문제점들은 투자자들에게 큰 리스크로 작용하고, 안정적인 투자 전략의 수립을 어렵게 만든다. 본 연구의 주요 목적은 암호화폐 시장의 이러한 불안정성을 극복하기 위해 향상된 성능의 가격 등락 예측 모형을 구축하는 것이다. 특히, 딥러닝 기법인 CNN을 활용하여 기술적 지표와 감성 분석을 통한 감성 점수를 사용하는 것으로 예측 정확도를 높이는 것을 중점으로 한다. 2021년 9월부터 2023년 9월까지의 암호화폐 가격 시계열 데이터와 coindesk.com의 암호화폐 관련 뉴스를 주요 데이터로 활용하여 CNN 기법을 중심으로 한 예측 모형을 구축하며, 뉴스 기사의 감성 분석을 통해 추가적인 감성 점수를 도입하여 예측의 정확성을 높이고자 한다. 본 연구를 통해 구축된 예측 모형은 기존의 기술적 지표만을 사용한 예측 모형에 비해 높은 예측 정확도를 보일 것으로 기대되며, 투자자들에게 안정적인 투자 전략의 수립과 CNN을 이용한 이진분류 예측 모델의 발전에 기여할 것으로 예상된다.

본 연구는 N. Yilmaz(2019)의 “Higher Education Students Performance Evaluation” 데이터를 활용하여 데이터 셋에 SMOTE 기법을 적용한 후 지도학습 분류분석의 알고리즘을 적용한 후 변수간의 중요도(Feature Importance)들을 규명하고자 하였다. 또한 퍼지셋 질적비교방법론(Fs/QCA)을 활용하여 양적비교방법론과의 상호보완적 연구를 수행하였다. 분류분석에 적용한 분류기 알고리즘은 의사결정나무, 서포트벡터머신, 로지스틱회귀, GBM, 랜덤포레스트를 활용하였다. 가장 성능이 좋았던 알고리즘이 랜덤포레스트였으므로, 해당 알고리즘을 통해 변수 중요도 순위를 산정하였다. 구현언어 및 환경으로는 python3.11.5버전, 구현환경으로는 R-4.3.1버전과 Rstudio2023을 활용하였다. 분석결과로 5순위까지의 변수 중요도를 살펴보면, ‘지난학기누적성적평균’, ‘장학금유형’, ‘총수입’, ‘예상졸업누적성적평점평균’, ‘형제자매의 수’ 순대로 중요도가 확인되었다. 해당 변수들을 원인조건으로 하여 Fs/QCA 분석 결과로의 최소간결해 모형은 지난학기누적성적평균*~장학금유형*~총수입 + 지난학기누적성적평균*장학금유형*형제자매의수 + 지난학기누적성적평균*~총수입*예상졸업누적성적평점평균 -> 산출성적으로 모델링됨을 확인할 수 있었다. 본 연구의 시사점은 양적비교방법론과 질적비교방법론을 통한 상호보완적 연구를 수행함으로써 교육분야에서의 효과적인 변수 규명을 시도하였다는 점에 그 의의가 있다. 한편 기존 문헌연구에 의하면 한국의 경우 학생의 가정 배경의 영향력에 이어 학업 성취 욕구가 영향력이 상대적으로 큰 반면, 연구집단인 키프러스 대학생들은 개인의 학업성취 욕구 등 자기 효능감에 의한 영향이 크다는 점이 차이점으로 나타났다.

In the dynamic world of e-commerce, effectively deciphering customer reviews is of paramount importance. This study uniquely combines the RFE-SHAP feature selection technique with topic modeling (LDA) to address prevalent challenges like overfitting in predictive modeling. Our empirical analysis underscores the superior performance of the Random Forest model, particularly when refined with a subset of 14 pivotal features. Notably, topics such as quality and appearance, fit and comfort, and durability concerns emerged as significant determinants of customer satisfaction within the clothing sector. Utilizing data exclusively from Amazon's clothing reviews, our research emphasizes the criticality of strategic feature selection and delves deep into the multifaceted factors shaping customer sentiments. By seamlessly merging quantitative metrics with qualitative content insights, this study not only offers a robust framework for understanding online reviews but also paves the way for future research in optimizing e-commerce strategies based on customer feedback.

최근 디지털 콘텐츠의 사용자 증대로 언제 어디서나 사용 가능한 플랫폼으로 자리매김하면서 많은 소비자들이 이용하게 되었다. 특히, 오디오북 플랫폼은 시각이 아닌 청각을 이용하여 다양한 환경에서 이용가능하게 되어 소비자들이 선호하고 있는 추세이다. 하지만, 온라인 리뷰는 높아진 소통의 수요에 따라 관리측면에서는 신속하고 정확한 응대가 이루어져야만 한다. 관리자 측면에서는 소비자 리뷰를 관리함에 있어서 많은 시간과 비용, 인력이 동원되어야 하는 비효율적인 기업 운영이 되고 있는 상황이다. 따라서, 본 연구에서는 오디오북 플랫폼을 대상으로 기계학습 기법을 적용하여 효율적인 웹케어 모형을 제안하는 것을 목표로 한다. 본 연구에서는 Google Play에 등록된 오디오북 플랫폼의 소비자 리뷰와 관리자 답변을 수집하였으며 비정형화된 데이터를 다루기위해 텍스트 전처리를 수행하였다. 소비자 리뷰와 관리자 답변의 관계를 분석하기 위해 토픽 모델링, 토픽 불일치성과 같은 기법을 적용하였다. 또한, 다양한 기계학습 기법을 적용하여 각 오디오북 플랫폼별 최적의 모형을 탐색하고, 관리자 답변의 군집화 과정을 거쳐, 소비자 리뷰를 활용하여 웹케어 모형을 구축하고자 한다.

본 연구에서는 유저 혁신의 기반이 되는 아이디어 출처(자신 혹은 타인)가 해당 유저 혁신의 성과에 미치는 영향을 실증적으로 조사하고자 한다. 이를 위해 우리는 가장 대표적인 디지털 게임 유통 플랫폼인 스팀(Steam)에서 방대한 양의 유저 혁신(모드) 데이터를 수집하였다. 이 데이터를 기반으로 혁신의 성과 측면에서 타인의 아이디어에 기반한 유저 혁신과 자신의 아이디어에 기반한 유저 혁신 간에 어떠한 차이가 있는지를 조사할 예정이다. 또한 이 차이가 유저 혁신 관련 특성과 혁신 성과의 관계에 어떤 영향을 미치는지를 분석하고자 한다. 우리의 연구 결과는 유저 혁신 문헌과 디지털 게임 산업에 다양한 학술적, 실무적 기여를 할 것으로 기대된다.

This study explores the impact of rarity on NFT prices post-cyber scams. Using quasi-experimental methods and analyzing 98,280 observations, we uncover unique reactions of rare NFTs to the scam. These findings contribute to NFT pricing and alternative asset literature, providing practical insights for businesses and investors in the NFT market.

가상현실 기술을 활용하면 문자나 사진에 비해 상품을 보다 생생하게 표현하거나, 고객들과 상호작용이 가능하도록 표현할 수 있다. 가상현실 기술을 활용한 상품 전시를 경험한 고객들은 상품에 대한 보다 깊은 이해와 호감, 만족 등 긍정적인 반응을 보이고 있다. 그런데 이런 긍정적인 반응들이 지속되지 않을 수 있다는 연구가 있다. 생소함 효과에 대한 선행 연구들은 사람들에게 생소한 자극을 주면 처음에는 사람들의 호기심, 주의집중 등 긍정적 효과를 이끌어 낼 수 있으나, 자극에 익숙해지면 점차 지루함이 증가하여 이러한 긍정적인 효과가 상쇄된다고 주장한다. 그런데 선행연구들은 3D 상품전시를 반복 노출한 후 효과를 측정하는 바람에 3D 상품전시의 효과를 다른 매채들과 비교하여 얼마나 효과가 줄어드는지를 관찰하지 못하였다. 따라서 이 연구는 가상현실 기반 상품 전시의 경우에 생소함 효과 이론을 적용하여 몇 번의 노출 이후에 생소함에 의한 긍정적인 효과가 상쇄되는지를 2D 정적 사진, 2D 정적 사진 파노라마, 3D 상품 전시의 경우를 비교하여 실증하였다. 이 연구의 결과는 보다 효율적인 상품 전시 방안을 설계하는데 도움을 줄 수 있다.

The growing resale sector is attracting attention from both real-world practitioners and metaverse enthusiasts. Resellers' ability to set prices based on item valuations is a key draw, yet the lack of a defined reference price leads to uncertainty. This results in polarized price fluctuations, with some items wildly changing while others remain stable. Previous research neglected owner characteristics as price determinants due to data limitations. This study analyzes dynamic factors influencing resale prices using transparent metaverse data from Roblox, a major platform. The findings offer insights for resale platform practitioners, allowing them to refine price determinants or implement more sophisticated dynamic pricing strategies.

직원들의 이직은 회사에 많은 비용을 초래하므로 사전에 직원들의 이직의도를 파악하여 이직을 예방하기 위한 시도의 하나로서 최근 급속히 발전하고 있는 기계학습 방법을 사용하였다. 그런데 이직 데이터의 경우, 이직하지 않은 경우와 이직한 경우 사이에 불균형 데이터(Imbalanced Dataset) 상황이 생겨 단순한 기계학습 모델의 예측 성능은 제한적일 수 있다. 본 연구에서는 첫 단계로 KNN, 랜덤 포레스트, 의사결정 나무, 서포트 벡터 머신, AdaBoost 등의 단일 기계학습 모델들을 활용하여 이직의사를 예측하고 정확도를 계산하였다. 두 번째 단계에서는, 변수 클래스를 균형화 할 수 있는 오버샘플링 기법 중의 하나인 SMOTE 기법을 사용하여 데이터를 균형화 한 후 단일 기계학습 모델들을 적용하여 이직의도를 예측하고 정확도를 측정하였다. 마지막으로, Stacking 기법을 도입하여 SMOTE 적용 전, 후의 데이터를 활용하여 이직의도를 예측하였다. SMOTE 기법을 사용한 경우가 SMOTE 기법을 사용하지 않은 경우보다 예측 정확도가 더 높았고, Stacking 기법을 적용한 경우의 예측 정확도가 단일 알고리즘을 적용했을 때 보다 더 높았다. 결과적으로 본 연구는, 불균형 데이터를 사용하여 이직의도를 예측할 때에는 SMOTE 기법을 사용하여 처리한 데이터에 Stacking 기법을 활용하는 것이 모델의 성능을 향상시킬 수 있음을 보였다.

외식 프랜차이즈 산업 기업의 자본의 영세함과 내부 시스템의 부재등의 다수의 요인에 인한 짧은 기업 존속년수 및 브랜드 존속년수는 외식 프랜차이즈 산업의 한 특징이다. 이에 본 연구는 외식 프랜차이즈 기업의 가맹본부 근로자들이 인적자원 으로서의 기업의 유지발전을 위해 요인으로서 그 중요도를 인지하고, 이를 안정적으로 유지관리 및 이탈방지를 위한 요인으로 직무자율성, 잡크래 프팅이 이직의도에 어떠한 영향을 미치는지를 검증 하고자 하였다. 자료의 수집은 온•오프라인을 통한 설문을 통해 이루어졌으며 총 255부의 표본을 바탕으로 진행되었다. 수집된 자료에서 직무자율성, 잡크래프팅, 업무만족도, 업무성과를 원인조건으로 하였고, 이직의도를 결과변수로 설정하였다. 측정방법으로는 리커트 5점척도로 진행하였다. 본 연구의 공헌으로는 외식 프랜차이즈 산업에서의 안정적인 인사관리를 위한 직무자율성, 잡크래프팅, 업무성과의 각 원인조건들의 결합조건을 도출했다는 점이다. 본 연구가 향후 외식프랜차지즈업계의 조직문화 발전에 일조하기를 바란다.

The advancement and widespread adoption of digital technologies have given rise to a novel service paradigm - self-service. Concurrently, this emerging service model has also ushered in a new form of labor known as "shadow work." Self-service empowers consumers to assume more proactive and leading roles in the service process, yet it also imposes upon them a significant burden of concealed, non-monetary remunerated shadow work, traditionally delegated to employees. While some scholars have introduced and elucidated the concepts and manifestations of shadow work, research on the decision factors and comprehension of consumers engaging in shadow work remains limited. Therefore, the primary objective of this study is to delve into the psychological decision factors underpinning consumers' engagement in shadow work within self-service environments. This research adopts a mixed-method approach. It initiates with an exploratory qualitative study, utilizing a grounded theory methodology through interviews with consumers, to identify the psychological decision factors influencing the engagement in shadow work. Subsequently, a quantitative confirmatory study employs a survey to scrutinize the newly derived theoretical model and hypotheses, which are founded upon grounded theory. This study not only serves to augment consumers' awareness and comprehension of the psychological decision factors associated with engaging in shadow work but also advances the academic recognition of the concept of shadow work. Furthermore, it contributes to enhancing consumers' self-protective awareness when employing self-service technologies. Given that comprehending consumer decision psychology has perennially posed a challenge for non-face-to-face self-service enterprises, this research also assists businesses in acquiring deeper insights into consumer psychology, thereby providing valuable theoretical underpinnings to facilitate the sustainable development of enterprises.

본 연구는 일반인에게도 피싱 모의훈련 서비스를 제공하기 위한 새로운 서비스 및 시스템 모형을 제시한다. 피싱 피해는 재직자, 일반인을 가리지 않고 모두에게 발생하기 때문이다. 기존 피싱 모의훈련 시스템이 특정 조직만을 위해 모의훈련 서비스를 폐쇄망에서 제공했다면, 제안모형은 모든 일반인을 대상으로 모의훈련 서비스를 온라인으로 제공한다. 또한, 제안모형에는 기존 훈련시스템의 일괄적인 훈련콘텐츠, 단발성 수행으로 인한 훈련 효과성 및 참여율 저조를 보완한다. 각 참여자의 주제에 맞는 정적 맞춤화된 훈련콘텐츠 제공, 참여자의 훈련결과 정보로 적절한 콘텐츠를 부여하는 동적 맞춤화된 훈련콘텐츠 제공으로 효율적이고 효과적인 훈련기법을 적용하였다. 제안된 모형의 구현 가능성, 효율성, 효과성 입증을 위해 제안모형의 일부 구현 후, 일반인 118명을 모집하여 실험군 60명과 대조군 58명으로 나눠 모의훈련을 실시한 결과, 제안된 모형의 구현 가능성, 효율성, 효과성을 확인하였다. 온라인 구축을 통해 구현 가능성을 확인할 수 있었고, 제안모형이 제공하는 훈련참여자 맞춤형 훈련콘텐츠를 통해 훈련 참여자의 관심을 끌어 효율적인 훈련을 유도함을 확인하였다. 또한, 재훈련의 효과성을 확인할 수 있었다. 또한, 제안모형의 비즈니스모델을 수립하여 지속운영 가능한 서비스를 제안하고자 한다. 이를 통해 일반인도 피싱 모의훈련 서비스를 제공받아 일반인의 피싱 예방능력 강화를 통한 피싱피해 감소를 기대할 수 있다.

Based on the benefit-risk model, in this study, we aim to investigate factors influencing social media users’ sharing behaviors of COVID-19 relevant health information. Specifically, we seek to emphasize the effects of three antecedents of perceived trust and identify if there are any differences between South Korea and China, respectively. We conducted a cross-country survey in both South Korea and China, garnering 408 valid responses (South Korea: N = 201; China: N = 207) for final analysis. In summary, we observed differences in trust levels in information content and trust in social media platform between the two countries. Understanding how social media users assess the credibility of COVID-19 information can assist public health authorities and practitioners in building and maintaining trust, allowing them to tailor official messaging and interventions more effectively. Furthermore, our findings offer insights for strategies to counteract false or misleading information, ensuring accurate information on COVID-19 and other health information reaches a wider

현대 금융 시장은 글로벌화와 디지털 전환의 진화 속에서 변동성이 지속적으로 증가하는 동시에 신용 평가의 연구 및 실용적 중요성이 강조되고 있다. 특히 2019년에 시작된 코로나19 팬데믹은 금융 시장의 불안정성에 대해 각별한 주의와 관리가 필요함을 환기시켰으며, 그 결과 고도화된 신용 평가 방법론의 중요성이 다시금 부각되고 있는 실정이다. 이에 본 연구는 기존 신용평가 모델의 성능을 개선하기 위한 새로운 대안으로 멀티모달 특징을 효과적으로 반영하기 위해 양방향 어텐션 블록을 적용한 신용평가 모델을 제안한다. 제안 모델의 우수성은 SEC의 EDGAR 데이터베이스로부터 얻은 재무 정보와 MD&A 텍스트를 기반으로 검증할 계획이다.

Earnings management is a practice where managers manipulate financial statements to benefit their interests. This practice has gained attention from academics, regulators, and industry professionals. Previous models have attempted to identify earnings management activities, but they have been ineffective in real practice. This study introduces a novel approach using the Genetic Algorithm (GA), a heuristic search technique based on natural evolution. GA generates easy-to- interpret rules and can analyze large amounts of financial data, detecting patterns that might not be apparent through traditional methods. The proposed GA model outperforms other benchmark models, demonstrating better predictive accuracy. This research aims to bridge the perceptual gaps between academics and practitioners regarding earnings management and contribute to a more comprehensive understanding of this critical issue in financial reporting.

모바일 헬스 또는 m-Health는 코로나19 대유행 이후 빠르게 발전하면서 주목받고 있다. m-Health는 스마트폰, 태블릿, 웨어러블 디바이스 등의 모바일 기기, 애플리케이션과 메시징 서비스를 이용하여 사람들이 언제 어디서나 의료 서비스와 건강 정보에 접근할 수 있도록 하는 것이다. 본 연구에서는 사회·기술시스템이론을 통해 사회적 요인인 사회적 지지와 기술적 요인인 커뮤니티 품질이 모바일 헬스 앱에서 사용자의 신뢰, 지각된 프라이버시 위험과 지속사용의도에 어떻게 영향을 미치는지 설명하였다. SOR 이론을 기반으로 3단계인 자극, 유기체, 반응으로 구분하였다. 연구모형을 검증하기 위해 설문조사를 통해 데이터를 수집하여 PLS-SEM 기법을 사용하였다. 분석 결과는 커뮤니티 품질과 사회적 지지가 신뢰와 지각된 프라이버시 위험에 미치는 영향에 대한 경로와 신뢰와 지각된 프라이버시 위험이 지속사용의도에 미치는 영향에 대한 경로는 모두 통계적으로 유의한 것으로 분석되었다.

Despite the widespread use of artificial intelligence (AI) in mobile healthcare apps, the need for more transparency in AI algorithms hinders their effectiveness by preventing users from understanding the reasons behind AI-based information provision. To address this challenge, various types of explainable AI (XAI) are adopted to offer transparent explanations of AI. Despite significant debates surrounding AI intervention, limited research has been devoted to whether and how various XAI types affect user behavior differently. In this study, we conducted a randomized field experiment to investigate the effectiveness of three XAI algorithms: 1) feature importance, 2) feature attribution, and 3) counterfactual explanation in promoting users' health behavior. Drawing on the self-regulated learning theory, we expect that XAI focusing on counterfactual explanation increases strategic planning and outcome expectancy, resulting in better self-regulation behavior. Our findings indicate that counterfactual explanation significantly improves users' action planning behavior, leading to a 16.5% increase in workout duration and a 3.49% increase in health records compared to the control group. Our results are salient for users with a high level of AI susceptibility due to age, goal weight loss, and AI outcome. Our finding sheds light on the potential of algorithmic explanations to improve the effectiveness of AI interventions in the healthcare industry, with practical implications for designing more transparent and user-friendly healthcare apps.

The advent of IT in healthcare has precipitated an unprecedented digital revolution, evidenced by the growing prevalence of telemedicine platforms, mobile health applications, and an array of other digital health interventions. The impetus for this rapid acceleration can be largely attributed to the COVID-19 pandemic, which has necessitated the adoption of remote health interactions. In 2021 alone, health and fitness applications experienced a staggering 26% increase in global downloads, reaching a zenith of 2.48 billion. Despite this surge in usage, the true impact of these applications on health outcomes remains an open question, with research yielding a spectrum of results. These digital healthcare interventions, while revolutionary, do not mandate user engagement and consequently, they face similar challenges of self-control that are well-documented in the domain of traditional healthcare. Habits such as regular exercise, smoking cessation, and maintaining a healthy diet require significant self-regulation, a trait that is not automatically instilled by the mere use of digital tools. The vast majority of self-control literature has been confined to offline environments — gym attendance, strategies for quitting smoking, and healthy shopping choices — and does not fully translate to the new digital health landscape, which is characterized by its high accessibility and the ease of sharing information. Our study moves away from the traditional efficacy assessments of mobile health applications and toward understanding how online health communities (OHCs) enhance self-control among their users, particularly through emotional precommitment. These communities act as a digital agora where individuals openly share personal health records, in the unique ecosystem of OHCs, members willingly divulge their health records, using real-time information sharing as a strategic precommitment tool to reinforce self-discipline. Contrary to prior literature that often correlates self-control with offline precommitment mechanisms with financial disincentives, our research delves into the emotional dimension within OHCs. The intricate social dynamics within these communities elicit emotional responses crucial for reinforcing self-regulatory behaviors. An aspect of our research will also examine the potential modulation of the OHCs' impact on self-control by the strength of community member networks. We have collected extensive data from a widely-used health diary application, which features tens of thousands of users who provide a rich tapestry of behavioral patterns. This data forms the foundation for our hypothesis that engagement in OHCs correlates with more consistent and qualitative health record maintenance. Our findings indicate that individuals active in OHCs are more likely to consistently log their diet, enjoy improved nutritional intake, and engage in longer durations of physical activity when compared to their non-participating counterparts. Addressing potential endogeneity, we are incorporating propensity score matching (PSM) to robustly evaluate the self-control effects. A comprehensive difference-in-differences analysis is set to affirm that participation in an OHC is more than symbolic—it is a commitment mechanism fueled by emotional rather than financial incentives. Our study brings to light the underexplored domain of emotional precommitment within OHCs and highlights the platforms' potential in enhancing self-discipline. By weaving together the theory of self-control with the mechanics of online communities, we offer a new perspective that has profound implications for the design of mobile health interventions and for the academic dialogue on Information Systems. As we acknowledge the constraints of self-reported data and the call for longitudinal research to determine the enduring impact of OHCs on self-discipline, we recognize a fertile ground for future inquiry. To extend the frontiers of this research, further studies could investigate the differentiation in user engagement based on the typologies of communities and how engagement manifests distinct effects, even within the same community activities. A comprehensive understanding of the mechanisms that sustain user participation, stratified by user types, will offer critical insights into the design and facilitation of OHCs, fostering more targeted and effective digital health interventions.

최근 몇 년 간 많은 대규모 언어 모델(LLM)이 만들어지고 있다. 이와 함께 LLM 기반 생태계가 빠른 속도로 발전하고 있다. 이러한 흐름 속에서 등장한 LangChain은 언어 모델에 기반한 어플리케이션을 개발하기 위한 프레임워크이며 다양한 분야에 활용되고 있다. 기존 LDA 토픽모델링은 형태소 분석기 의존성이 강해서 주제와 관련성이 낮은 결과를 도출하는 경향이 있다. 본 연구에서는 기존 방식의 한계점을 개선하고 어플리케이션 개발이 아닌 연구에도 활용할 수 있는, LangChain을 활용한 LLM 기반 토픽모델링 방법을 제시한다.

본 연구는 인공지능기술 도입이 제조기업의 혁신성과 미치는 영향을 분석하고자 하였다. 본 연구는 ‘한국기업혁신조사: 2022년 제조업 부문’ 데이터를 사용하였으며, 총 4,000개의 기업표본 중 디지털 전환 핵심기술을 도입한 1,141개의 제조기업을 중심으로 실증분석을 수행하였다. 연구결과에 따르면 인공지능 기술은 제조기업의 서비스 혁신성과에 긍정적인 영향을 주는 것으로 분석되었으나 프로세스 혁신성과 및 제품 혁신성과에는 유위미한 결과를 주지 못하는 것으로 나타났다. 이와 같은 결과는 국내 제조기업이 인공지능기술에 대한 수용도가 서비스업에 비해 상대적으로 낮기 때문인 것으로 해석할 수 있다. 그러나, 인공지능기술이 제조기업의 서비스 혁신성과에는 통계적 유의성뿐만 아니라 측정계수값도 매우 높은 것으로 나타났다. 이는 인공지능기술 도입이 제조기업의 서비스화 또는 제조업-서비스업 융복합화를 창출하는데 핵심적인 역할을 수행하는 것으로 해석할 수 있다. 또한, 혁신전략은 제조기업의 프로세스 혁신성과, 제품 혁신성과, 서비스 혁신성과에 긍정적인 영향을 주는 것으로 나타났으나 탐험적 혁신전략이 활용적 혁신전략보다 상대적으로 더 높은 수준으로 영향을 주는 것으로 분석되었다. 이는 디지털 전환 핵심기술이 아직 국내 기업에는 새로운 신산업 및 신기술로 인식되기 때문에 새로운 정보 및 기술을 효과적으로 탐색하고 흡수하는 탐험적 혁신전략이 더 큰 효과를 가져다주는 것으로 해석할 수 있다.

본 연구는 생성이미지와 실사이미지의 분류를 위한 최적의 이미지 전처리 기법을 탐색한다. Stable diffusion과 크롤링을 통해 구축한 데이터셋에 sharpening, grayscale, canny, diffusion, ELA(Error Level Analysis) 총 5가지 전처리 기법을 적용하여 모델별 성능을 비교하고자 한다.

생성형 AI 기반 대화형 인공지능 서비스인 ChatGPT가 2022년 11월 30일 공개된 후 약 1년이라는 시간이 지났다. 지난 2023년 8월에 발표된 McKinsey & Company의 설문 조사 결과에 따르면 전세계 응답자의 약 79%가 생성형 AI 노출 경험이 있으며 1/3 이상이 이미 조직에서 사용하고 있다고 답했다. 이처럼 생성형 AI의 비즈니스 활용 가능성에 대한 업계의 관심이 높아지고 있는 가운데, 기업들은 고객 운영 분야에서 생성형 AI를 활용했을 때 효율성을 높일 수 있을 것으로 기대하고 있다. 이러한 상황에서 본 연구는 생성형 AI를 활용하여 온라인 소비자 리뷰에 대한 관리자 응답을 자동으로 생성하였을 때, 고객의 인식과 반응에 어떤 영향을 미치는지 정보 처리 경로를 중심으로 분석하고자 한다. 특히 사람 관리자가 응답할 때와 생성형 AI가 응답할 때를 상호 비교함으로써, 생성형 AI가 사람을 대체하는 것이 가능한 지, 조건과 상황에 따라 차이가 있는지에 대해 살펴보고자 한다.