Earticle

[blank line] 의약학 분야에서는 동물실험 기반 논문으로부터 약물명, 투여 경로, 반응성 및 독성 정보를 추출하여 데이터베이스화하는 작업이 신약개발 연구에 중요한 기반으로 활용된다. 최근 대규모 언어모델(LLM)의 발전으로 자연어 기반 정보 추출이 가능해졌으나, 환각(hallucination) 현상으로 인해 정보의 신뢰성이 저하되는 문제가 제기되고 있다. 이를 해결하기 위해 본 연구에서는 도메인 지식 데이터베이스를 검색 기반으로 활용하는 Retrieval-Augmented Generation(RAG) 파이프라인을 구축하고, 단순 LLM 기반 정보 추출 방식과 성능을 비교하였다. 특히 본 연구는 Human GT, LLM GT 교집합 및 FDA Orange Book 필터링을 결합한 3중 검증 GT 구축 방법론을 제안하고, 이를 기반으로 RAG와 단순 LLM 방식의 성능을 비교 평가하였다. 실험 결과, 단순 약물명 추출 태스크에서는 단순 LLM 방식(0.74)이 RAG 방식(0.70)보다 소폭 높은 성능을 보였으며, 섹션 기반 Semantic Chunking 적용 시 RAG 정확도가 0.73으로 향상됨을 확인하였다. 본 연구는 신뢰도 높은 GT 구축 방법론과 태스크 특성에 따른 RAG 효용성 분석을 통해 의약학 도메인 정보 추출 연구에 방법론적 기반을 제공한다.

디지털 건강관리 앱은 사용자의 일상적 자기관리 활동을 지원하는 서비스 환경으로 확장되고 있으며, 앱스토어 리뷰에는 실제 이용과정에서 형성된 경험이 자연어 형태로 축적된다. 그러나 기존 연구는 앱 리뷰를 주로 만족·불만족, 기능 이슈, 오류, 개선 요구 중심으로 분석해 왔으며, 디지털 건강관리 앱 이용경험이 어떠한 상위 구조로 조직되는지는 충분히 설명하지 못하였다. 본 연구는 카카오파스타 사용자 리뷰 668건을 대상으로 한국어 형태소 분석, n-gram 구성, BERTopic 모델링, LLM 보조해석을 결합한 텍스트마이닝 분석을 수행하였다. 분석 결과, 총 4개의 주요 토픽과 1개의 잔여 군집이 도출되었으며, 이들은 자기관리 실천 경험과 건강데이터 활용 경험이라는 두 가지 상위 차원으로 구조화되었다. 본 연구는 디지털 건강관리 앱 리뷰를 단순한 평가 자료가 아니라 사용자 경험 구조를 탐색할 수 있는 경험자료로 재해석하고, 이론적으로는 디지털 건강관리 앱 이용경험에 대한 이해를 확장하며, 실무적으로는 자기관리 지원 기능과 건강데이터 활용 과정에 기반한 서비스 개선 방향을 제시하는 데 기여한다.

본 연구는 대학생 익명 커뮤니티 플랫폼 에브리타임을 대상으로 게시글을 자동 수집하고 키워드 기반 이슈 분류 체계를 구축하는 방법을 제안한다. Selenium을 활용한 웹 크롤링으로 자유게시판, 시사게시판, 새내기게시판의 게시글과 댓글을 주기적으로 수집하고, MySQL DB에 저장·관리하는 파이프라인을 설계하였다. 2026년 4월부터 수집된 실제 게시글 1,502건을 분석 대상으로 하여 키워드 기반 분류의 유효성을 검토하였으며, NLP 전처리와 감정 분류를 통해 이슈 탐지 대시보드를 구현하였다. 본 연구는 대학 내 학생 여론 모니터링 및 이슈 조기경보 시스템의 기초 연구로서 활용 가능성을 가진다.

The electrification of modern energy systems relies heavily on lithium-ion batteries, yet their high energy density exacerbates thermal runaway (TR) safety risks. Traditional TR characterization is expensive, time-consuming, and reliant on post-mortem analysis. To enable design-stage safety screening, this study proposes a physics-informed machine learning framework utilizing the open Battery Failure Databank. We curated 309 experiments and used 11 pre-test variables to predict three complementary TR severity metrics: total energy yield, unrecovered mass, and positive-end ejecta energy fraction. Evaluating four tree-based models via 10-fold stratified cross-validation, Random Forest emerged as the best baseline across all targets. Results revealed a clear predictability gradient: total energy yield showed high determinism (R² = 0.93), unrecovered mass moderate predictability (R² = 0.57), and directional ejecta energy remained stochastic (R² = 0.30). This framework can help reduce reliance on destructive testing.

글로벌 지속가능발전 이념의 심화와 산업 고도화가 진전되는 배경 하에서, ESG는 기업의 핵심 경쟁력을 구성하는 중요한 요소로 부상하였다. 이익조정은 기업에서 흔히 나타나는 재무적 행위로서 재무정보의 신뢰성을 왜곡할 가능성이 있으며, 재무적 제약은 기업의 자원배분에 영향을 미치는 중요한 요인으로서 ESG와 이익조정 간 관계에서 일정한 조절효과를 가질 수 있다.

소셜미디어의 선한댓글은 악성댓글에 대응할 수 있는 방안 중에 하나이지만, 선한댓글에 대한 연구는 오프라인에서 발생하는 선행의 동기요인을 규명하는 연구들과 크게 차별화를 두지 못하고 있으며, 또한 악성댓글 연구에 비해 상대적으로 주목받지 못했다. 본 연구는 선한댓글 작성에 있어 기존 연구에서 발견된 심리적 요인이외에 인터넷의 주요 환경 요인인 익명성의 조절변수 역할을 규명하고자 한다. 연구결과, 선한댓글 작성 의도에 있어 댓글 작성에 대한 기쁨과 온라인의 사회적 기여가 작성의도를 높이는 것으로 나타났으며, 이 관계들은 인지된 익명성에 의해 서로 다른 방향으로 조절된다는 것을 발견하였다. 추가로, 댓글 작성으로 인한 사회적 불안은 선한댓글 작성에 직접적인 영향을 미치지 않는 것으로 나타났다.

Social bot detection on emerging platforms is constrained by sparse labels and by evaluation practices that focus on classification accuracy while ignoring network validity for network analytics. This study proposes a graph-based semi-supervised bot detection framework for Bluesky. From 2.2 million accounts, we construct 6,891 high-confidence bot seeds and 683,209 conservative non-bot anchors without treating unlabeled accounts as humans. We then introduce a Role-Discrepancy GNN that models directional role asymmetry across repost, reply, quote, and mention relations. On a temporal test split, the proposed model achieves the best overall performance among profile-only and graph-based baselines, with AUC = 0.9930 and F1 = 0.8936. Network validation further shows the strongest structural separation, with modularity Q = 0.0547 and mean homophily gap ΔH = 0.0515. These results support relation-role discrepancy as a useful signal for bot detection under sparse labels.

본 연구는 AX(AI Transformation) 시대에 AI 모델의 성능을 결정짓는 비정형 데이터의 신뢰성을 확보하기 위해, 텍스트의 구조적 무결성 (Structural Integrity)을 측정하는 신규 지표인 T-Cohesion Index (이하 T-Index)를 제안한다. 기존의 콘텐츠 기반 탐지 모델이 특정 어휘나 도메인에 과적합 (Overfitting)되어 발생하는 성능 저하 문제를 극복하기 위해, 본 연구는 단어 공출현 네트워크 (Word Co-occurrence Network)의 기하학적 연결성에 주목하였다. 제안된 T-Index는 밀도, 평균 경로 길이, 군집 계수, 연결 성분 수, 고립 비율 등 5가지 네트워크 지표를 정규화하여 통합한 지수로, 정보가 인위적으로 조작되거나 파편화될 때 나타나는 '구조적 단절' 신호를 정량화한다. 정치(PolitiFact) 및 보건 (CoAID) 분야의 공개 데이터셋을 활용한 실증 분석 결과, T-Index는 도메인 전이 상황에서도 일관된 판별력을 보였으며, 특히 저품질 데이터를 사전에 선별하는 재현율 (Recall) 측면에서 0.917의 우수한 성능을 기록하였다. 본 연구는 이를 통해 AI 데이터 거버넌스 차원의 분석 유효성 (Readiness) 평가 체계를 제시하며, 실무적으로는 데이터 전처리 단계에서의 자동화된 품질 게이트 (Quality Gate) 활용 가능성을 입증한다.

본 연구는 그린워싱 위기에서 AI vs. 인간 대응 주체와 대응 시점이 소비자의 기업 신뢰도와 행동의도에 미치는 영향을 2×2 비네트 실험(N=108)으로 검증하였다. 대응 시점의 주효과가 유의미하였으나(p<.001), 대응 주체 효과는 유의미하지 않았다.

영화는 관람 결정 이전에 제품을 직접 경험할 수 없기 때문에 소비자들은 구매에 따른 불확실성을 줄이기 위해 다양한 온라인 리뷰 플랫폼의 전자 구전(eWOM) 정보를 적극적으로 참조한다. 이러한 의존을 배경으로 다양한 선행 연구가 영화 eWOM의 흥행 효과를 보고해 왔으나, 대부분 어휘 기반 감성분석에 의존하여 분석 변수가 평균 valence와 총 volume이라는 두 집계 차원에 한정되어 왔다. 이러한 한계를 보완하기 위해 대규모 언어모델(LLM) 앙상블이 영화 eWOM 분석에 (i) 언어 행위 강도, (ii) 리뷰 내부 표현의 직접 측정, (iii) 시간 분포 형상, (iv) 일별 관찰 정밀도의 4가지 추가 분석 차원을 도입할 수 있음을 보이고, 이로부터 4가지 새로운 가설(H1~H4)을 도출한다. 분석 대상은 BoxOfficeMojo 기준 2020–2025년 연도별 흥행 매출 상위 50편(총 300편)과 해당 영화의 IMDb 사용자 리뷰이다. 현재 Research-in-Progress 형태이며 분석은 진행 중이다.

스트리밍 플랫폼의 급성장으로 복수 시즌에 걸친 시청자 유지가 콘텐츠 성과의 핵심 지표로 부상하고 있으나, 시리즈물의 시즌 간 시청 유지율(Season Retention Rate, SRR) 결정 요인에 관한 실증 연구는 부족한 실정이다. 본 연구는 Netflix Engagement Report(2023년~2025년, 6개 반기)를 활용하여, 시즌 1·2 시청 시간이 모두 관측된 1,662개 TV 시리즈를 대상으로 SRR 예측 요인을 분석한다. TMDb 데이터와의 결합을 통해 구성된 1,364개 최종 샘플에 대해 머신러닝 모델(Random Forest 외 3개)과 Permutation Importance·PDP 분석을 적용한다. 본 연구는 장르별 서브그룹 분석을 통해 콘텐츠 유형에 따른 유지율 결정 메커니즘의 이질성을 검토하며, 스트리밍 플랫폼의 콘텐츠 투자 및 갱신 의사결정에 데이터 기반 근거를 제공한다.

This study examines how employment signals in the Korean labor market were rearranged across worker groups after November 2022, when ChatGPT emerged as a major technological shock. Focusing on new labor market entrants and incumbent workers, we use news texts as proxy indicators to complement the lagging nature of administrative employment data. Based on 112,600 AI and employment-related news articles, we apply a deep learning-based topic modeling pipeline and a frame-level two-way fixed effects difference-in-differences design. The results show that media signals after AI diffusion did not converge into a simple narrative of job destruction. Instead, heterogeneous signal shifts appeared across groups and frames. Macroeconomic and corporate performance frames were relatively strengthened, whereas signals related to new entrants weakened within the labor restructuring frame. These findings suggest that firms may respond to technological uncertainty by limiting external hiring and prioritizing internal workforce redeployment.

This study aims to identify the factors affecting generative AI satisfaction and continuous use intention through an empirical analysis using a comparative study of South Korea and Japan. To verify the research model, data were collected from 151 university students each in South Korea and Japan, and based on this, an analysis was conducted using Structural Equation Modeling (SEM). The analysis results are as follows: First, information quality was found to have a significant positive effect on generative AI satisfaction in both the Korean and Japanese samples. Second, interactivity did not affect generative AI satisfaction in the Korean sample, but it showed a significant positive effect on generative AI satisfaction in the Japanese sample. Third, performance expectancy was found to have a significant positive effect on generative AI satisfaction in both the Korean and Japanese samples. Fourth, generative AI satisfaction was found to have a significant positive effect on continuous use intention in both the Korean and Japanese samples. Fifth, the results of the indirect effect analysis revealed that in the Korean sample, only information quality and performance expectancy had a significant positive effect on continuous use intention through generative AI satisfaction; however, in the Japanese sample, information quality, interactivity, and performance expectancy all had a significant positive effect on continuous use intention through generative AI satisfaction. The results of this study hold important significance in terms of being a comparative study between South Korea and Japan, and they emphasize that the characteristics of information quality, interactivity, and performance expectancy can affect generative AI satisfaction and continuous use intention.

This study evaluates the effectiveness of AI-driven CRM models in predicting consumer purchase behavior and examines how market volatility affects predictive performance. Using transactional data from Amazon, a customer-month panel is constructed to capture both active and inactive behavioral periods. Three modeling approaches are implemented, including a tree-based model and sequential learning models, to predict next-month purchase behavior using a time-based train-test split. The results demonstrate that LightGBM achieves superior predictive performance, with an AUC of 0.92, outperforming LSTM and GRU. However, the three models exhibit a decline in classification performance under high-volatility conditions. To further interpret model behavior, SHAP analysis is conducted, revealing that both behavioral features and market volatility significantly influence predictions. In particular, volatility emerges as an important contextual factor, with effects that vary across levels of customer activity.

본 연구는 호텔 산업에서 AI 기술 도입이 환경적·사회적 지속가능성에 미치는 영향을 실증적으로 규명하고, 이 과정에서 조직역량의 구조적 역할을 검증하는 것을 목적으로 한다. 기존 연구에서는 AI기술이 호텔 운영 효율성과 고객 만족 향상에 미치는 효과 혹은 조직문화 및 리더십 등이 ESG 성과 향상에 기여하는 바에 대한 연구가 진행되었다. 하지만, AI기술과 조직역량, 지속가능성의 관계를 통합적으로 살펴보는 연구는 미비하다. 따라서, 본 연구는 AI 도입을 독립변수로 설정하고, 운영 효율성, 서비스 혁신, 인적자원 역량, 투명성 및 규제 준수를 ‘동태적 역량이론’을 기초로하여 조직역량의 2차요인으로서 구성하여 연결변수로 설정하였다. 또한, 환경적 성과와 사회적 성과를 종속변수로 설정하여 호텔 기업의 ESG 성과와의 구조적 관계를 분석하였다. 국내 호텔 종사자 180명을 대상으로 설문조사를 실시하였으며, 수집된 자료는 PLS-SEM을 활용하여 분석하였다. 분석 결과, AI 도입은 조직역량에 유의한 정(+)의 영향을 미쳤으며, 조직역량은 환경적·사회적 성과 모두에 긍정적으로 작용하였다. 따라서, AI 기반 기술 투자가 ESG 성과로 이어지는 과정에서 내부 조직역량이 핵심적 연결 경로임을 확인하였다. 본 연구는 AI 기술의 단순 도입을 넘어 호텔 기업의 지속가능경영을 위한 조직역량의 중요성을 강조하였다는 점에서 학문적·실무적 의의를 가진다.

본 연구는 온라인 소비자 리뷰에서 소비자의 정치적 이념을 추론하고, 이것이 리뷰 유용성 판단에 미치는 메커니즘을 규명한다. 기존 설문조사의 사회적 바람직성 편향과 사전 기반 텍스트 분석의 맥락 한계를 극복하기 위해, 인공지능 기반 이념 추론 파이프라인을 구축하였다. 정치적 이념을 소비자가 정보를 수용하고 재구성하는 인지적 필터로 정의하고, 이념적 성향에 따른 수사 스타일을 분석하였다. 진보 성향 리뷰어는 주관적 서사를 통한 진정성을, 보수 성향 리뷰어는 논리적 위계에 기반한 분석성 및 위험 회피에 따른 부정 감성을 수사 전략으로 채택함을 가설화하였다. 대규모 리뷰 데이터를 활용한 분석 결과, 인공지능 분류기가 분류한 이념 집단은 심리-언어적 지표와 높은 통계적 일치성을 보였다. 진정성, 분석성, 부정 감성 지표는 모두 리뷰 유용성에 유의미한 정의 영향을 미쳤다. 이는 리뷰 유용성이 정보의 객관적 속성보다 화자의 수사적 선택과 독자의 인지 체계가 상호작용한 결과임을 시사한다. 본 연구는 비정형 데이터를 통해 정치 심리 이론의 타당성을 재확인하고, 인공지능 기술을 사회과학적 측정 도구로 확장하였다. 또한 소비자 행동 연구에서 이념이 단순한 정치적 변수가 아닌 정보 처리와 설득의 핵심 동인임을 실증하였다. 실무적으로는 리뷰 텍스트만으로 내면의 가치를 파악하여 개인화 마케팅 및 메시지 최적화에 기여할 수 있는 비간섭적 심리 타겟팅의 방향을 제시한다.

본 연구는 MR 쇼핑 환경에서 LVLM 기반 대화형 보조가 사용자 경험에 미치는 영향을 규명하고자 수행되었다. Meta Quest 3기반 제품 탐색 쇼핑 환경에서 직접 탐색과 LVLM 보조 방식을 비교 실험한 결과, 직접 탐색은 높은 몰입감과 만족도를 제공하나 더 많은 노력을 요구했다. 반면, LVLM은 과업 복잡도가 높을수록 정보 통합 부담을 낮추는 보완적 효용을 보였으며, 시선 맥락 공유 및 인지적 위임이라는 고유한 행동 패턴을 보였다. 이러한 연구 결과는 MR 커머스 서비스 설계 시 LVLM 적용 및 활용가능성에 대한 방향을 제시할 수 있을 것으로 기대한다.

온라인 리뷰와 이에 대한 관리자 응답은 호텔 산업에서 소비자의 구매 의사결정과 디지털 평판 형성에 핵심적인 역할을 한다. 최근 생성형 AI의 발전으로 호텔 리뷰 응답 생성의 자동화 가능성이 크게 확대되었으나, 생성된 응답을 실제로 게시할지 여부를 판단하는 문제와 그에 따른 위험 관리에 대한 연구는 충분히 이루어지지 않았다. 본 연구는 AI가 생성한 리뷰 응답의 활용 여부를 판단하는 과정에 decision deferral 개념을 도입하여, 자동 게시 과정에서 발생할 수 있는 위험을 체계적으로 완화하는 것을 목적으로 한다. 이를 위해 디자인 사이언스 방법론에 입각하여, 상반된 관점을 비교·통합하는 LLM 기반 변증법적 추론 구조를 적용한 의사결정 아티팩트(artifact)를 설계하고, 실제 호텔 리뷰 데이터를 활용하여 자동 게시 여부를 판별하는 프로세스를 구현하였다. 평가 결과, 제안된 아티팩트는 자동 게시 위험을 유의하게 감소시키면서도 높은 수준의 자동화를 유지하고, 시간 및 비용 효율성 측면에서도 기존 수작업 대비 개선된 성과를 보이는 것으로 나타났다. 본 연구는 생성 성능 중심의 기존 호텔 리뷰 연구를 넘어 AI 결과물의 활용 의사결정을 체계적으로 다루는 새로운 연구 방향을 제시하며, 실무적으로는 관리자 개입을 최소화하면서도 위험을 통제할 수 있는 리뷰 응답 운영 전략을 제공한다.