Earticle

연구목적: 119 신고접수체계에 적용된 인공지능(AI) 기술의 현황과 효과를 분석하고, 실제 운영 환경에서 AI 기반 신고접수 지원 시스템이 재난 대응 효율성에 미치는 영향을 실증적으로 검토하는 데 있다. 이를 위 해 음성인식(STT), 자연어처리(NLP), 기계학습, 대규모 언어모델(LLM) 등 주요 AI 기술의 적용 동향을 고 찰하고, 서울종합방재센터를 중심으로 AI 기반 119 신고접수 시스템의 도입 사례를 분석하였다. 연구방 법: AI 콜봇 실증 운영 데이터를 활용하여 신고접수 대기시간 변화, 긴급도 판단 정확도, 비긴급 신고 선별효과를 정량적으로 분석하였으며, 동시에 AI 도입 이후 종합상황실의 업무 구조와 운영 방식 변화를 정성적으로 검토하였다. 분석결과: AI 시스 템 도입 이후 평균 신고접수 대기시간이 약 7.33% 단축되었으며, AI 콜봇을 활용한 비긴급 신고 자동 선별을 통해 상담요원의 업무 부담이 완화 되는 효과가 확인되었다. 특히 신고 폭주 상황에서도 AI 기반 초기 대응을 통해 긴급 신고 처리 집중도가 향상되었으며, 긴급도 판단 정확도 또한 초기 모델 기준 약 70% 이상의 수준을 보였다. 결론: 본 연구는 119 신고접수체계에서 AI가 단순한 자동화 수단을 넘어 접수요원의 판단을 보조 하는 협업형 의사결정 지원 기술로 기능할 수 있음을 실증적으로 제시한다. 아울러 향후 AI 기반 신고접수체계의 안정적 확산을 위해 학습데이 터 고도화, 설명가능한 AI 도입, 제도적·거버넌스 기반 마련이 필요함을 정책적·기술적 과제로 제안한다.

Purpose: This study is to analyze the current status and effects of artificial intelligence (AI) applications in the 119 emergency call-taking system and to empirically examine how an AI-based call-taking support system influences the efficiency of disaster response in real operational environments. To this end, this study reviews recent trends in key AI technologies—including speech-to-text (STT), natural language processing (NLP), machine learning, and large language models (LLMs)—and analyzes a practical application case of an AI-based 119 emergency call-taking system implemented at the Seoul Emergency Operations Center. Method: Consists of both quantitative and qualitative analyses. Quantitatively, operational data from an AI callbot pilot were analyzed to assess changes in call waiting time, the accuracy of emergency priority classification, and the effectiveness of non-emergency call triage. Qualitatively, organizational and operational changes in the emergency operations center following the introduction of AI were examined. Results: Indicate that the introduction of the AI-based system reduced the average call waiting time by approximately 7.33%. In addition, the automated pre-screening of non-emergency calls through the AI callbot significantly alleviated call-takers’ workloads. Even under conditions of heavy call surges, the AI-supported initial response improved the concentration of resources on high-priority emergency calls, while the emergency classification accuracy achieved a level exceeding 70% in the initial model implementation. Conclusion: This study demonstrates that AI in the 119 emergency call-taking system can function not merely as an automation tool but as a collaborative decision-support technology that assists human call-takers. Furthermore, the findings suggest that future advancements in AI-based emergency call-taking systems should focus on enhancing training data quality, adopting explainable AI, and establishing institutional and governance frameworks to ensure sustainable and reliable deployment in public safety services.

연구목적: 본 연구는 서울시민을 대상으로 재난·사고 유형에 대한 위험도(Risk Perception)와 중요도(Policy Importance)를 측정하고, 두 차원의 구조적 관계와 유형별 인식 패턴을 분석하였다. 연구방법: 서울시 거주 성인 500 명을 대상으로 설문조사를 실시하였다. 57개 재난·사고 유형(자연재난 12, 사회재난 28, 안전사고 17)에 대해 위험도 와 중요도를 각각 5점 리커트 척도로 측정한 후 100점으로 환산하였다. 분석은 기술통계, 위험도-중요도 매트릭스, 격차지수(Gi), K-means 군집분석을 통해 단계적으로 수행하였다. 연구결과: 전반적 위험도(52.1점)는 보통 수준을 소폭 상회한 반면, 도시안전 중요도(70.4점)는 이를 크게 상회하여 ‘중위험-고중요’ 구조가 확인되었다. 전체 유형 중 91.2%에서 중요도가 위험도를 초과하였으며, 도시기반서비스(물·에너지·통신·교통)와 일부 자연재난에서 위험도- 중요도 간 격차가 크게 나타났다. 군집분석 결과, 재난 유형은 위험도 단일 기준에 따른 서열 구조가 아니라 위험 체 감과 중요성 판단의 결합 수준에 따라 네 개의 계층적 집단으로 구분되었다. 연구결론: 서울시민의 재난 인식은 단일위험도 지표만으로 설명하기 어려운 이중 차원 구조를 보였다. 따라서 향후 재난관리 정책은 객관적 위험평가와 더불어 시민의 정책 중요도 판단, 위험도-중요 도 간 격차, 군집별 특성을 함께 반영하는 방향으로 설계될 필요가 있다.

Purpose: This study examines the structural relationship between risk perception and policy importance across disaster and accident types among Seoul citizens. It aims to identify patterns in public disaster perception based on a dual-dimensional framework. Methods: A survey was conducted with 500 adult residents of Seoul. A total of 57 disaster and accident types were evaluated using five-point Likert scales for both risk perception and policy importance. The analysis employed descriptive statistics, a risk-importance matrix, a gap index (Gi), and K-means cluster analysis. Results: The overall risk perception score was 52.1, slightly above the neutral level, whereas the perceived policy importance of urban safety reached 70.4, indicating a “moderate-risk, high-importance” structure. In 91.2% of the 57 types, policy importance exceeded perceived risk. Urban infrastructure services, including water, energy, telecommunications, and transportation, as well as several natural hazards, showed relatively large discrepancies between perceived risk and policy importance. Cluster analysis further revealed that disaster and accident types were not organized along a simple linear hierarchy of risk intensity, but rather formed four hierarchical groups based on the combined levels of risk perception and policy importance. Conclusion: The findings demonstrate that disaster perception among Seoul citizens is structured by the combination of perceived risk and policy importance. This study provides an analytical framework for identifying citizen-based disaster portfolios and implies that disaster management policies should incorporate public perception structures, resilience-oriented planning for urban infrastructure, and differentiated risk communication strategies.