Earticle

본 연구는 슬로우 예능 프로그램 속 음료류 서사 연속형 PPL의 속성이 소비자의 광고태도, 브랜드 태도 및 구매 의도에 미치는 영향을 살펴 보고자 한다. 이를 위해 정보성, 오락성, 불편감, 서사적 적합성을 주요 독립변수로 설정하고, 이들 변수가 광고태도와 브랜드태도에 미치는 영향 및 광고태도와 브랜드태도가 구매의도에 미치는 영향관계를 검토하고자 한다. 연구대상은 중국 소비자이며, 중국 슬로우 예능 프로그램 《향왕적생활(向往的生活)》에 등장한 음료 브랜드 ‘특륜소(特仑苏)’ PPL을 사례로 활용한다. 본 연구는 슬로우 예능과 음료류 PPL이라는 구체적 맥락을 바탕으로 간접광고 효과를 세분화하여 이해하고, 관련 연구와 실무적 시사점 제시에 기여하고자 한다.

본 연구는 청년 ‘쉬었음’이 개인적 특성뿐 아니라 지역·국가 수준의 거시경제 요인과 결합된 구조적 현상이라는 문제의식을 통해 분석하고자 한다. ‘쉬었음’은 비경제활동인구 중 특별한 사유 없이 경제활동에 참여하지 않는 상태를 의미하며, 그 증가는 부정적 경제 파급효과로 이어질 가능성이 높다. 그러나 선행연구에서는 경제적 비용과 결정계수에 대해서만 진행되었을 뿐, 다차원 구조에서 분석한 연구는 부족하다. 이러한 이유로, 본 연구에서는 “지역과 국가수준의 변수가 청년 ‘쉬었음’에 영향을 미치는가?”를 주요 연구 질문(RQ)로 설정하고, 이를 실증적으로 분석하기 위해 한국노동패널조사(KLIPS) 10–27차년도 자료를 활용하여 삼수준 다층 로지스틱 회귀모형을 추정한다. 구체적으로, 개인수준(Level 1: 연령, 성별, 학력, 자격증, 직업훈련, 가구소득, 생활만족도), 지역수준(Level 2: 지역내총생산, 지역별 청년실업률, 평균소득, 지방정부 청년정책 지표), 국가수준(Level 3: 국내총생산, 경기지수, 청년실업률, 국가 고용정책 변화)으로 구성하고, 분석을 통해 개인 요인의 영향력과 지역·국가 수준 변수의 추가적 설명력을 검증하고, 교차수준 상호작용을 통해 청년 쉬었음에 어떤 영향을 주는지 확인하고자 한다. 본 연구는 청년 쉬었음 문제를 통해 국내 비경제활동 인구를 개인·지역·국가 차원에서 입체적으로 이해함으로써 맞춤형 청년 고용정책과 데이터 기반 의사결정 지원에 기여한다

본 연구는 생성형 인공지능이 관광 정보 시스템 맥락에서 여행자의 상황 정보의 풍요로움이 어떻게 의사결정 과정에 영향을 미치는지를 어포던스 이론(affordance theory)과 인지적 의사결정 노력 관점에서 통합적으로 분석한다. 기존 관광 정보 분야는 주로 생성형 AI 연구를 통해, AI기술 수용과 AI정보의 신뢰를 중심으로 연구가 이루어져 왔으며, 이는 제한된 텍스트 기반 AI 관광 정보 시스템 연구의 한계를 보여왔다. 그러나, 시각 지능 기반 생성형 AI는 사용자가 현재 보고 있는 실시간 상황 정보를 시각적으로 인식하고, 순간에 맞는 정보 (Actionable Information in Situ)를 제공함으로써, 여행자의 의사결정 구조를 근본적으로 변화시키고 있다. 이에 본 연구는 시각지능 생성형 AI가 제공하는 상황중심 여행 정보를 어포던스 이론의 바탕위에, 여행자의 인지적 의사결정 노력을 매개로 여행 경험 품질에 영향을 미치는 구조를 제안하고, 이러한 관계가 생성형 AI 미디어 타입(텍스트 vs 이미지)과 상황의 긴급성(고 vs 저)에 의해 조절된다는 연구모형을 제시한다. 본 연구는 2×2 집단 간 요인설계(between-subjects factorial design) 기반의 실험 연구를 제안하며, 생성형 AI의 효과가 기술 자체가 아니라 상황과 결합된 맥락 속에서 나타난다는 이론적·실무적 시사점을 제공한다.

This study proposes an AI system that predicts customer churn based on telecommunications customer data and automatically generates personalized retention strategies for each customer. Recently, due to market saturation and intensified competition in the telecommunications industry, retaining existing customers has become more important than acquiring new ones. As a result, predicting customer churn in advance and responding effectively has become a key factor in maintaining a company’s competitiveness. However, the causes of customer churn are diverse, including dissatisfaction with pricing, service quality issues, lack of benefits, and customer service experiences. In particular, much of this information exists in the form of unstructured text data such as consultation records and VOC (Voice of Customer), making systematic analysis difficult. To address this issue, this study utilizes natural language processing (NLP) techniques to analyze the reasons for customer churn and convert them into quantitative measures. Specifically, deep learning-based language models such as DistilBERT and RoBERTa were used to process customer text data and perform sentiment analysis. Based on the results, a churn_score representing the customer’s churn risk was calculated. This approach enables the transformation of previously qualitative customer dissatisfaction factors into quantitative indicators for analysis. In addition, this study employs the LightGBM algorithm for structured data-based churn prediction. This model considers various factors such as customer pricing plans, usage patterns, and contract duration to predict churn probability, offering both high predictive performance and efficiency. Furthermore, beyond simply predicting churn, this study designs a system that automatically generates customized retention strategies tailored to each customer based on the analysis results. This allows companies to establish more timely and appropriate response strategies for individual customers. In conclusion, this study proposes an integrated approach that combines unstructured text data and structured data to analyze and predict customer churn, while also providing actionable retention strategies. This system can significantly enhance data-driven customer retention strategies in the telecommunications industry and is expected to be applicable to various other industries in the future.

This study examines the effect of consumers’ perception of intelligent agent usage on purchase decision-making in e-commerce platforms. As e-commerce platforms increasingly adopt intelligent agent technologies such as personalized recommendations, search assistance, and price comparison tools, consumers’ perceptions of these functions have become an important factor influencing shopping behavior. This study classifies intelligent agent usage perception into personalization perception and interactivity perception and investigates how these perceptions influence purchase decision-making through price rationality, product suitability, product attitude, and user satisfaction. Data were collected through an online survey targeting consumers with experience using e-commerce platforms such as Coupang, Alibaba, Amazon, Naver, Musinsa, Auction, and 11st, and a total of 100 valid responses were used for analysis. The collected data were analyzed through statistical analysis including reliability analysis, correlation analysis, regression analysis, and ANOVA. The results show that all variables are positively correlated with purchase decision-making. However, the regression analysis indicates that user satisfaction is the only variable that has a statistically significant effect on purchase decision-making, while personalization perception, price rationality, and product suitability are not significant. In addition, no significant differences were found across e-commerce platforms. These findings suggest that consumers’ purchase decisions are influenced more by their overall user experience and satisfaction than by the technical features of intelligent agents. This study provides theoretical implications for understanding AI-based consumer behavior and practical implications for e-commerce firms seeking to enhance customer experience and improve purchase conversion.

Electronic disclosure systems are designed to reduce information frictions in cross-border capital markets, yet improved access does not necessarily translate into more informed investment behavior. We develop a two-barrier framework in which information accessibility and information utilization are distinct components of acquisition cost, each addressed by a different type of intervention. We test this framework using two sequential changes in Korea's OpenDART system: an August 2021 expansion of API-accessible disclosure data and a July 2023 expansion of English-language functionality. Foreign investors' trade quality, measured by the predictive relationship between abnormal net buying and subsequent cumulative abnormal returns, improves after the processing-side intervention but not the access-side intervention. The Stage 2 effect is foreign-specific: foreign net buying becomes more positively associated with future returns, whereas domestic individuals show the opposite pattern. These findings indicate that disclosure-system effectiveness depends on the match between intervention type and the binding user constraint.

Artificial intelligence (AI) and green innovation have emerged as strategic frontiers for corporate sustainable development, yet the mechanisms through which patient capital supports these uncertainty-intensive transitions remain underexplored. Using panel data from Chinese A-share listed firms over the period 2013–2024, this study empirically examines the impact of patient capital on corporate green innovation. The findings indicate that patient capital significantly promotes green innovation, underscoring its crucial governance value in long-term investments. Mechanism analyses reveal that AI adoption acts as a vital bridge, mediating the transformation of financial capital into green innovation outcomes. Furthermore, corporate social responsibility (CSR) positively moderates this AI-green innovation nexus, highlighting a critical boundary condition for maximizing digital dividends. This study emphasizes the governance function of patient capital in intelligent transformations and provides novel insights into the synergistic evolution of capital governance, AI adoption, and corporate sustainability.

본 연구는 온라인 플랫폼 및 전자상거래 환경에서 기업이 제공하는 리뷰 답변의 무성의 특성이 소비자의 부정적 감정을 유발하고, 궁극적으로 구매 회피라는 행동적 결과로 이어지는 구조적 메커니즘을 규명하고자 한다. 소비자는 제품 구매 결정 시 리뷰뿐만 아니라 이에 대한 기업의 대응 방식을 통해 기업의 고객지향성과 신뢰성을 평가하며, 무성의한 대응은 단순한 불만을 넘어 강력한 심리적 반발을 일으키는 핵심 요인이 된다. 리뷰 답변이 단순한 정보 전달을 넘어 기업과 고객 간의 신뢰를 형성하는 핵심 커뮤니케이션 수단이다. . 특히 기업의 대응 방식이 소비자의 책임 귀인 과정에 영향을 미쳐 분노와 같은 강렬한 감정을 유발한다는 점을 제시함으로써, 실무적으로 기업이 리뷰 대응 자원을 어떻게 전략적으로 배분해야 하는지에 대한 이론적 근거를 제공하고자 한다.

This study draws on data from the 2025 Survey on the Level of Informatization in Small and Medium-sized Enterprises (SMEs) (N=4,300) to quantitatively classify DX maturity levels among Korean SMEs and empirically examine the effects of firm size characteristics and DX training on ma-turity group membership. Following the Technolo-gy-Organization-Environment (TOE) framework, 23 in-formatization items preprocessed via Multiple Imputation by Chained Equations (MICE) were subjected to Principal Component Analysis (PCA) and K-Means clustering. PCA extracted five principal components (KMO=0.908; cumula-tive variance=62.5%), and k=3 was selected as the optimal cluster solution, yielding three DX maturity profile groups: Executive-Driven DX Will (52.4%), DX Adoption Lagging (17.2%), and DX Implementation Leading (30.4%). Signif-icant inter-cluster differences were confirmed across all five profiling variables (p<.001). Greater firm resource scale (H1) and DX training implementation (H2) were each sig-nificantly associated with higher-maturity cluster member-ship (p<.001), while DX training effects did not vary sig-nificantly by revenue scale (H3 rejected) but differed sig-nificantly by industry sector, particularly manufacturing status (H4 supported). These findings underscore the ur-gency of affordance-based, maturity-differentiated DX support policies as a strategic foundation for the transition toward AI Transformation (AX).

This study investigates the structural challenges of public care systems in regions experiencing severe population outflow, conceptualized as the 'Care Desert Paradox'. Utilizing a balanced panel data of 224 municipalities in South Korea from 2011 to 2023, we employ an entity fixed-effects model to empirically analyze the lagged effect of net population outflow on long-term care recognition rates. The results reveal that net outflow significantly suppresses the care recognition rate with a 5-year lag, suggesting a collapse of informal care networks and formal service infrastructure. To address this, we propose an Intelligent Decision Support System (DSS) architecture that calculates a Care Desert Vulnerability Index (CDVI). This system shifts the policy paradigm from a reactive application-based approach to a proactive detection system, enabling timely interventions.

Short-form video platforms have reshaped digital marketing, with YouTube Shorts driving rapid audience engagement. While prior research emphasizes audiovisual elements, the role of captions, critical in muted, autoplay contexts remains underexplored. Existing studies also examine social, urgency, and interactive cues in isolation, limiting holistic understanding. This study develops a unified typology of textual marketing cues and tests their effects on virality, stickiness, and community drive. Grounded in Signaling Theory and Elaboration Likelihood Model, titles, captions, and descriptions are reconceptualized as structured signals shaped by content orientation. The findings show that hedonic Shorts generate significantly higher virality than utilitarian Shorts. Interactive cues are positively associated with stickiness, particularly in hedonic content, indicating that participatory prompts are more effective in affective and entertainment-oriented contexts. Urgency cues and community-drive outcomes receive limited empirical support. The study contributes to short-form video marketing research by demonstrating that textual cue effectiveness is outcome-specific and contingent on content orientation.

As online reviews increasingly combine text and user-generated images, prior research has paid limited attention to whether visual quality contributes to review helpfulness beyond image presence. Using 80,145 reviews from MercadoLibre Chile, this study examines how aesthetic image quality (MUSIQ), technical image quality (BRISQUE), and textual characteristics shape review helpfulness for search and experience goods. Predictive models show that visual quality provides modest but clearer performance gains for experience goods than for search goods. Fuzzy-set Qualitative Comparative Analysis (fsQCA) further shows that visual quality is not a core condition in high-helpfulness pathways. Instead, sufficient configurations are more consistently linked to authentic writing and balanced evaluative tone. The findings suggest that prediction model performance and configurational analysis provide different forms of evidence. This study contributes by offering a product-type-sensitive view of visual quality and by showing that visual quality can support helpfulness without defining its main configurational pathways.

본 연구는 N-CMAPSS 터보팬 엔진 데이터셋에 TimeSHAP을 적용하여 고장 발생 전 센서 중요도의 시간적 진화를 분석한다. 10개 엔진 유닛 전체(훈련 8개, 테스트 2개)를 활용하여 고장 발생 기준 t=−25부터 t=0까지 전체 시점(1사이클씩)에서 TimeSHAP을 계산하고, Mann-Whitney U 검정(p<0.05)으로 유의미한 시점만 분석에 포함하였다. DS01(HPT)은 −24 사이클, DS05(HPC)와 DS07(LPT)은 −25 사이클의 리드타임을 보인다. 1 사이클은 단거리~중거리 비행 1편에 해당하므로, 수십 사이클 전의 조기 경보는 실질적인 정비 계획 수립 여유를 제공한다. 물리적 검증을 통해 결과가 터보팬 엔진 공기 흐름 구조와 일치함을 확인하였다. 이는 TimeSHAP의 터보팬 예지보전 최초 적용으로, XAI를 사후 설명에서 고장 전 조기 경보로 전환한다.

본 연구는 임상시험 환자 데이터 수집의 AI 활용 양상을 매핑한 주제범위 고찰이다. AI 처리 단계를 획득, 유도, 도출로 분류한 결과, 단계별 검증 방식은 상이하나 AI 특화 보고 및 규제 적용은 미흡했다. 이러한 표준화 공백을 메울 단계별 보고 항목을 예시로 제안한다.

AI-based health care professional (HCP) targeting in the US enables individualized segmentation, Next-Best-Action orchestration, and closed-loop measurement by integrating three individual-physician-level data layers: prescriber inputs, engagement responses, and outcome feedback. This study asks why these capabilities have not emerged in Korea, using a comparative qualitative analysis grounded in the Technology–Organization–Environment (TOE) framework. The US permits commercial aggregation of individual-level HCP data; Korea's Personal Information Protection Act (PIPA) classifies physician identifiers as personal information and forecloses this pathway at every layer. The three data layers therefore cannot form: rules-based targeting remains viable, but self-improving AI-based targeting is structurally precluded. The paper shows that when AI depends on regulated personal data, regulation determines which class of AI capability emerges, with the binding constraint at the data layer rather than at organizational or algorithmic capacity. For Korea, the path runs through reclassifying prescriber identity and behavioral data as professional rather than personal

In the AX era, the deployment of AI in healthcare organizations requires not only efficiency but also the simultaneous management of trust, workload, and operational stability. This study designs an experience-based closed-loop AI governance model that uses the Patient Experience Index (PXI) and the Employee Experience Index (EXI) as input signals, and validates—through simulation-based comparisons across governance levels—the resulting performance differences and the potential for post-shock recovery and re-stabilization. The analysis shows that the proposed model yields a consistent pattern of improvement in both operational performance and resilience.

본 연구는 근적외선 분광법(near-infrared spectroscopy, NIRS) 신호로부터 특정 조직층의 산소 포화도를 추정하기 위한 시뮬레이션 기반 딥러닝 방법을 제안한다. NIRS 신호는 다층 조직을 통과하면서 혼합되는 특성으로 인해 특정 깊이의 산소 포화도를 분리하는 문제가 ill-posed inverse problem에 해당한다. 이를 해결하기 위해 몬테카를로 시뮬레이션을 활용하여 조직 두께 및 산소 포화도를 다양하게 변화시킨 대규모 합성 데이터를 생성하였다. 생성된 데이터를 기반으로 1차원 합성곱 신경망(one-dimensional convolutional neural network, 1D-CNN)을 학습시켜 광학 신호와 생리학적 파라미터 간의 비선형 관계를 모델링하였다. 실험 결과, 제안된 모델은 다양한 조건에서도 안정적인 예측 성능을 보였으며, 신호 혼합 문제에 대한 강건성을 확인하였다. 본 연구는 비침습적 조직 기능 분석 및 NIRS 기반 실시간 임상 모니터링 시스템 개발에 활용될 수 있을 것으로 기대된다.

인공지능(AI) 기술의 급속한 발전에 따라, AI 시스템은 의료 환경에 점점 더 통합되고 있으며 임상 팀 내에 내재되어 진단, 의사결정 및 업무 흐름 조정을 지원하고 있다. 기존 연구들은 주로 AI의 기술적 성능이나 개별 사용자의 AI 시스템 수용에 초점을 맞추어 왔으나, 인간과 AI가 하나의 팀으로서 어떻게 협력적으로 작동하는지, 그리고 이러한 협력이 의료팀 성과에 어떠한 영향을 미치는지에 대한 연구는 여전히 부족한 실정이다. 이러한 연구 공백을 보완하기 위해, 본 연구는 팀 수준에서 인간-AI 협업 메커니즘이 의료팀 성과에 미치는 영향을 탐구한다. 교류기억체계(TMS) 이론을 기반으로, 본 연구는 인간과 AI가 의료팀 내에서 어떻게 협력적 가치를 공동으로 창출하는지를 설명하기 위한 통합적 이론 프레임워크를 제안한다. 구체적으로, 본 연구는 ‘인간-AI 교류기억체계(Human–AI TMS)’라는 개념을 도입하고, 이를 인간 팀 구성원과 AI 시스템 간의 지식 조정 구조로 정의한다. 전통적인 TMS 프레임워크를 확장하여, 본 연구에서는 Human–AI TMS를 전문성(specialization), 신뢰성(credibility), 조정(coordination), 그리고 보완성(complementarity)의 네 가지 차원으로 구분한다. 실증 분석 결과, 의료팀의 목표일치성, 혁신성, 의료 AI 시스템의 상대적 우위와 설명성은 Human–AI TMS에 유의한 정(+)의 영향을 미치는 것으로 나타났으며, Human–AI TMS 역시 의료팀 성과에 유의한 정(+)의 영향을 미치는 것으로 확인되었다. 본 연구의 결과는 AI 기반 의료팀의 설계, 도입 및 관리에 있어 실질적인 시사점을 제공하며, AI의 임상 현장 내 효과적인 통합과 의료팀 성과 향상을 위한 지침을 제시할 것으로 기대된다.

본 연구는 디자인 스페이스 이론을 바탕으로 24개 최신 휴머노이드 로봇을 콘텐츠 분석하여, 디자인 스페이스 → 구성 → 바운더리 → 어포던스 → 디자인 원칙으로 이어지는 분석 프레임워크를 제안한다. 분석 결과, 휴머노이드 로봇은 여섯 가지 디자인 스페이스 안에서 여섯 가지 구성으로 분화되며, 각 구성은 고유한 어포던스와 바운더리를 생성한다. 본 연구는 어포던스가 개별 기능이 아닌 디자인 스페이스, 구성, 바운더리의 구조적 관계 속에서 발현됨을 제시하며, 정보시스템 분야의 어포던스 연구를 물리적 AI 아티팩트로 확장한다.

생성형 AI의 확산은 오픈소스 프로젝트의 문서화 산출물의 생산 비용을 급격히 낮추었다. 본 연구는 신호 이론의 위조 비용 프레임워크에 기반하여, 저비용 문서화 신호(README)와 고비용 행동 기반 신호(릴리스)가 프로젝트 생존성 및 플랫폼 관심과 맺는 관련성이 AI 확산 전후로 어떻게 변화하였는지를 탐색적으로 분석하였다. 2021~2024년 GitHub 저장소 295,920개에서 성향점수매칭을 통해 137,540개(Python·Rust 각 68,770개) 코호트를 구성하고, OLS 및 선형확률모형(LPM)에 HC1 강건 표준오차를 적용하였다. 분석 결과, AI 확산 이후 README 신호의 관련성은 약화(readme×post_ai: stars −0.0145***)되는 반면, 릴리스 신호의 관련성은 안정적이거나 강화(release×post_ai: survive_6m 0.0546***)되는 비대칭적 패턴이 관찰되었다. 이러한 대비는 연도별 Event Study에서 점진적 추세로 확인되며, 언어 생태계별로 차별적 양상을 보였다.

This study examines human–AI delegation from a configurational perspective. While prior research has conceptualized delegation through isolated factors, empirical evidence remains limited. This study investigates how combinations of AI design features and user characteristics shape delegation decisions. A scenario-based experiment is conducted and analyzed using fsQCA. Results reveal multiple configurations (D1–D7), with agentic level as a core condition. Two delegation regimes are identified: complementary structures among younger users and substitution-based structures among older users. These findings demonstrate that delegation is configurational rather than linear.

Artificial intelligence is increasingly used in language-learning services, yet it remains unclear whether learners evaluate identical educational explanations differently when they are labelled as AI-generated. This study examined the effect of AI labelling on the perceived quality of Korean language explanations by integrating Technology Acceptance Model constructs with source evaluation. A quantitative A/B survey was conducted with 270 Korean language learners, randomly assigned to an AI-labelled condition or a no-label control condition. Participants evaluated identical Korean language explanations using measures of perceived ease of use, perceived usefulness, and perceived quality. Reliability analysis, exploratory factor analysis, MANOVA, hierarchical regression, and robustness checks were conducted. Perceived ease of use and perceived usefulness positively predicted perceived quality. The AI label did not directly reduce perceived quality, but it weakened the relationship between perceived usefulness and perceived quality. Language proficiency was not a significant moderator.