Earticle

This study applies topic modeling analysis to AI?dance research articles indexed in SCOPUS and KCI to identify the major themes and knowledge structures of international AI?dance scholarship, and, through comparison with domestic research, to suggest future directions for AI?dance research in Korea. First, while both international and domestic AI?dance research have experienced rapid growth since the pandemic, they exhibit distinct differences in research perspectives and methodologies. International research focuses on the structures, algorithms, and creative systems of AI technologies?such as generative AI, learning, movement modeling, neural networks, and human?computer interaction?thereby conceptualizing dance as a data-driven object of creation and analysis. In other words, AI is understood as a technological medium that performs practical creative functions within dance. In contrast, domestic research largely approaches AI as a tool for education, classroom practice, and applied case studies, remaining at an exploratory stage of potential utilization. AI is positioned not as a component of creative systems but as part of an educational discourse. Consequently, while international research has already entered a convergent and multidisciplinary research ecosystem, domestic research still remains in a foundational stage focused on educational introduction and preliminary application. To bridge this gap, it is necessary to strengthen the core competencies required for AI research, pursue more ambitious and forward-looking studies grounded in a deeper understanding of international scholarship, and expand domestic research into specialized educational topics as well as culturally and identity-based themes.

This study proposes a real-time content design pipeline optimized for Unreal Engine, integrating generative AI-based image creation with AI-assisted 3D modeling tools. The pipeline aims to streamline the production of high-quality assets for real-time applications, including games and simulations. Two types of subjects were selected: a bust combining organic character features, and a stone slab characterized by planar and symmetrical structure. Multi-angle image data were first synthesized using advanced generative AI models to simulate diverse viewpoints. These were then processed using AI-enhanced photogrammetry and modeling tools to reconstruct detailed 3D meshes and extract base textures. Post-processing steps, including mesh decimation, UV unwrapping, and texture baking, were performed to ensure compatibility with Physically Based Rendering (PBR) workflows used in Unreal Engine. The final assets were successfully imported into Unreal Engine, demonstrating visual fidelity and performance suitability in a real-time environment. The study confirms the pipeline’s potential for accelerating asset development and suggests promising future directions in AI-driven digital content creation.

본 연구에서는 Text-to-3D 생성형 AI 기술을 활용하여 메타버스 방 꾸미기 게임의 프로토타 입을 설계하고 구현하고자 하였다. <Roblox>와 <Minecraft>와 같은 가상 현실 기반의 메타버 스 게임은 사용자를 단순한 플레이어에서 창작자인 크리에이터로 발전할 수 있게 하였고 이러 한 재미 요소는 대중적인 인기에 이바지하였다. 생성형 AI는 데이터와 패턴을 기반으로 다양 한 형태의 미디어 콘텐츠를 쉽게 생성할 수 있으며, 게임 개발에도 마찬가지로 유용하다. 이러 한 생성형 AI를 통한 콘텐츠 제작은 시간과 비용을 절약할 뿐만 아니라 결과적으로 콘텐츠의 품질을 높이고 다양성을 확보할 수 있다. 본 연구에서는 언리얼 엔진의 네트워크 프레임워크 를 활용한 리슨 서버(Listen-Server) 방식으로 방 꾸미기 게임을 설계 및 구현하였다. 이 게 임의 핵심 시스템은 메타버스에서 사용자가 쉽게 생성형 AI로 3D 모델을 생성하고, 자신의 방 에 배치할 수 있게 하는 것이다. 본 연구를 통해 코딩 기초 이해는 물론 좀 더 쉬운 방법으로 3D 오브젝트 생성을 통해 사용자가 원하는 메타버스 플랫폼 제작을 가능하게 하며 이러한 과 정은 사용자뿐만 아니라 동시에 창작자의 역할로 이용자의 주체성, 창의성, 의사소통 능력 등 을 향상할 가능성을 찾고자 한다. 그뿐만 아니라 기본적인 코딩 학습을 이해함으로써 사용자 의 창작 활동에 기회를 확장할 뿐만 아니라 메타버스 콘텐츠 개발에 이바지하고자 한다.

In this paper, we propose to design and implement a prototype of a room decorating game in the metaverse using Text-to-3D generative AI technology. Virtual reality-based metaverse games like <Roblox> and <Minecraft> have enabled users to evolve from mere players to creators, contributing to their widespread popularity. Generative AI can easily create various forms of media content based on data and patterns, and it is equally useful in game development. Content creation through generative AI not only saves time and costs but also improves the quality and diversity of content. we designed and implemented a room decorating game using the Listen-Server method with Unreal Engine's network framework. The core system of this game allows users to easily generate 3D models using generative AI and place them in their rooms within the metaverse. This research demonstrates that, with a basic understanding of coding, users can create the metaverse platform they desire through easier methods of 3D object creation. This process enhances the user's sense of agency, creativity, and communication skills by allowing them to play both the roles of user and creator. Additionally, understanding basic coding principles expands the opportunities for users to engage in creative activities and contributes to the development of metaverse content.

본 연구는 건설 현장의 CCTV를 활용한 실시간 침수 예측 시스템을 개발하는 것을 목표로 한다. CCTV로부터 침수 깊이를 추정하기 위한 모델을 구축하고, 추정된 침수 깊이를 관측 데이터와 비교하 여 성능을 검증하였다. 분석 결과 높은 상관관계(R2 = 0.99)와 약 3cm의 RMSE를 보여 정량적 침수 모니터링에 CCTV를 활용할 수 있는 가능성을 확인했다. 또한, 취약 지역에 대한 실시간 침수 예측 방법을 제안했으며 XP SWMM 시뮬레이션에서 도출된 침수 특성을 활용하여 ANN(인공 신경망)과 CNN(합성곱 신경망)을 기반으로 한 모델을 학습시켰다. 모델의 성능은 평균 절대 백분율 오차 (MAPE)를 사용하여 평가되었으며, 전체 평균 오차율은 침수면적 예측에서 8.89%, 그리드 기반 침수 깊이 예측에서 19.49%가 나타났다. 향후 연구는 실시간 CCTV 침수 모니터링과 AI 모델을 통합하여 예측 정확도를 높일 수 있을 것이라 판단된다.

This study aims to develop a real-time inundation prediction system using CCTV at construction sites. A model was established to estimate inundation depth from CCTV, and its performance was validated by comparing the estimated inundation depth with observed data. The results demonstrated a high correlation (R2 = 0.99) and an RMSE of approximately 3 cm, confirming the feasibility of using CCTV for quantitative inundation monitoring. Furthermore, a real-time inundation prediction method for vulnerable areas was proposed. inundation characteristics derived from XP SWMM simulations were used to train a model based on ANN (Artificial Neural Networks) and CNN (Convolutional Neural Networks). The model's performance was evaluated using the Mean Absolute Percentage Error (MAPE), with overall average error rates of 8.89% for inundation area predictions and 19.49% for grid-based inundation depth predictions. Future efforts will focus on integrating real-time CCTV inundation monitoring with the AI model to enhance its predictive accuracy.

This study systematically examines how research on AI-enabled human resource management (AI-enabled HRM) has evolved in terms of its thematic structure within organizational contexts. To this end, we applied BERTopic-based topic modeling to 797 articles on AI-enabled HRM retrieved from the Web of Science database. The analysis identified 20 topics, among which five dominant themes— adoption and effects, efficiency and strategy, managers and professionals, ethics and collaboration, and recruitment—each accounted for more than 5% of the total corpus and collectively defined the core structure of the AI-enabled HRM literature. A synthesis of the topic distributions and their temporal patterns indicates that AI-enabled HRM research has progressed from an initial focus on technological adoption and efficiency toward greater attention to organizational use, managerial interpretation, domain-specific applications, and governance-related concerns. In particular, the results suggest that the effects of AI-enabled HRM do not arise automatically from technological capabilities alone. Rather, they are contingent upon organizational preparedness, the interpretive and decision-making roles of managers and professionals, the characteristics of application domains, and management practices that support accountability and trust. This study provides a data-driven thematic map of AI-enabled HRM research that integrates previously fragmented research streams into a coherent field-level overview. The synthesis suggests that academic discussions of AI-enabled HRM are shaped not only by technological potential but also by organizational and governance conditions. Future research should move beyond general claims of effectiveness by identifying conditions and evaluating which governance arrangements support trustworthy AI-enabled HRM across application domains and stakeholder groups, including employees.

This study proposes and verifies a next-generation 3D modeling pipeline integrating Generative AI and Photogrammetry techniques. Two types of objects were selected for experimentation: a bust combining characteristics of both objects and characters, and a stone slab exhibiting planar and symmetrical features. Firstly, videos depicting these objects from various viewpoints were generated using generative AI models. Secondly, these videos were processed through Photogrammetry software to produce high-quality 3D meshes and diffuse textures. Lastly, post-processing including high and Low-polygon mesh separation, UV unwrapping, and texture baking was performed, successfully producing Physically Based Rendering (PBR)-compatible game assets. The proposed pipeline demonstrates significant potential for practical applications across various industries, and further advances in generative AI and future research are expected to broaden this novel approach to digital asset creation.

본 연구에서는 공공 및 위험 시설물의 자가 진단과 예측적 유지 관리를 위해 초음파 센서 데이터를 활용한 AI 기반 이상 탐지 기술을 제안한다. 초음파 센서를 통해 수집된 데이터를 분석하여 이상 상태를 조기에 감지하고 예측할 수 있도록, LSTM 기반 오토인코더에 대비 학습 기법과 동적 마진을 적용한 손실 함수를 설계하였고, 데이터 증강 기법을 활용하여 성능을 향상시켰다. 제안 기술은 시계열 데이터에 대해 평탄화, 스파이크, 급격한 하락 등 다양한 이상 패턴을 효과적으로 탐지하였다. 실험 결과, 베이스라인 LSTM 오토인코더 대비 F1 score와 ROC AUC에서 성능 향상을 보였으며, 이는 시설물 상태 감지의 자동화와 안전성 증대에 기여할 가능성을 보여준다.

In this paper, we propose an AI-based anomaly detection technique utilizing ultrasonic sensor data for self-diagnosis and predictive maintenance of public and critical infrastructure. To enable early detection and prediction of abnormal conditions, we enhance an LSTM-based autoencoder with contrastive learning, a dynamically adjusted margin in its loss function, and data augmentation techniques to improve overall model performance and generalization. The proposed approach effectively detects various anomaly patterns in time-series data, including flatlines, spikes, abrupt drops, and other irregular fluctuations. In the experiments, we show that the proposed model consistently outperforms the baseline LSTM autoencoder in terms of F1 Score and ROC AUC, highlighting its potential to significantly enhance the automation of facility condition monitoring and improve overall safety and reliability.

이 연구는 국내 초등 및 중등학교를 대상으로 한 AI 교육 프로그램 관련 연구를 분석하여 국내 초중 등 AI 교육 프로그램의 주요 현황을 파악하고 이를 토대로 시사점을 제공하는 데 목표가 있다. 이를 위 해 2022 개정 교육과정 발표 이후 시점인 2022년부터 2025년 7월까지 KCI에 등재된 초중등 AI 교육 프로그램 관련 논문을 수집하여 최종 147건을 분석에 활용하였다. 연도별 출판 건수를 분석하여 연구 의 양적 추이를 파악하고, 키워드의 응집도 및 복잡도를 산출하여 최적 토픽 수는 7개로 설정하여 분석 을 실시하였다. 먼저, 전체 논문에서 빈출한 키워드와 특정 논문에서 빈출하여 가중치가 부여된 키워드 를 모두 파악하기 위해 TF 및 TF-IDF를 분석하였다. 이어 토픽 모델링을 활용하여 주요 토픽과 토픽 별 키워드를 분석하였으며 키워드 간 연결 패턴 파악을 위하여 키워드 네트워크 분석 또한 실시하였다. 연구 결과, 첫째, TF 분석 결과 ‘초등학교’, ‘적용’, ‘검사’, ‘역량’, ‘융합교육’ 등이 전체 논문에서 빈출한 것으로 나타났으며, TF-IDF에서는 ‘발명교육’, ‘한글’, ‘시쓰기’, ‘플립러닝’, ‘교수설계’ 등이 빈출하여 토 픽 간 차별성을 드러내는 키워드로 확인되었다. 둘째, 토픽별 비중은 유사하였으며, 초‧중‧고 학교급별 로 상이한 내용 및 방법으로 연구가 진행되는 것을 알 수 있었다. 셋째, 키워드 네트워크 분석을 통해 ‘역량’, ‘적용’, ‘창의적’, ‘현장’, ‘설계’, ‘교과’, ‘이해’ 등의 단어가 중심부를 이루어 AI 교육 프로그램과 관련하여 핵심키워드로 연구되고 있음을 알 수 있었다. 이를 통해 AI 교육 프로그램 관련 연구의 내용 및 방향이 2022 개정 교육과정 내 AI 교육 관련 성취기준과 일치하는지 교육과정과 현장 연구의 일치 도를 비교하고, AI 교육 활성화를 위한 시사점을 제공하였다는 데 이 연구의 의의가 있다.

This study examines research on artificial intelligence (AI) education programs in Korean elementary and secondary schools to identify current research trends and derive implications. A total of 147 KCI articles published between 2022 and July 2025, following the announcement of the 2022 Revised National Curriculum, were analyzed. Publication trends were examined, and based on keyword cohesion and complexity, the optimal number of topics was set to seven. TF and TF-IDF analyses were conducted to identify globally frequently used keywords across the entire corpus and document-specific frequent keywords, followed by topic modeling and keyword network analysis. The results showed that ‘elementary school’, ‘application’, ‘assessment’, ‘competency’, and ‘convergence education’ were frequently used across studies, while keywords such as ‘invention education’, ‘Hangul(Korean Characters)’, ‘poetry writing’, ‘flipped learning’, and ‘instructional design’ reflected topic-specific characteristics. Although topic proportions were similar, research contents and instructional approaches differed by school level. Core keywords identified through Keyword Network Analysis included ‘competency’, ‘application’, ‘creative’, ‘field’, ‘design’, ‘subject’, and ‘understanding’.These findings highlight the alignment between AI education program research and the achievement standards of the 2022 Revised National Curriculum and provide implications for strengthening AI education programs.

최근 생성형 인공지능의 급속한 발전은 콘텐츠 생산과 소비 전반에 근본적인 변화를 야기하고 있다. 특히 2025 년 3월 25일 OpenAI의 ChatGPT-4o 이미지 생성 기능 발표 직후 확산된 ‘지브리 스타일 AI 이미지’ 유행으로, AI 생성 이미지는 대중적이고 일상적인 소비행위로 자리 잡았다. AI 생성 이미지의 급속한 확산은 소비자의 역 할을 수동적 수용자에서 능동적 공동 창작자로 전환시켰으나, 동시에 AI 이미지의 진정성 결여, 저작권 침해 우려, 일자리 대체 불안 등 다양한 소비자 반응이 새롭게 드러났다. 이에 본 연구는 ‘지브리 스타일 AI 이미지’ 현상을 중심으로, AI 생성 이미지 콘텐츠에 대한 실제 소비자 반응을 탐색적으로 분석하였다. 이를 위해 2025년 3월부 터 2025년 5월까지 유튜브에 업로드된 관련 영상 27편에서 11,190개의 댓글을 수집하였으며, 최종적으로 분석 대상으로 선정된 8,553개의 댓글에 LDA 토픽모델링과 KOTE 감성분석을 적용하였다. 분석 결과, 토픽은 ‘AI 화풍과 저작권 논쟁’, ‘무단 이미지 학습과 윤리적 쟁점’, ‘유행으로서의 AI 이미지 소비’, ‘AI의 직업 대체와 적응 전략’, ‘AI 이미지 소비와 개인정보 우려’, ‘지브리 창작자에 대한 감정적 연대’ 등 6개로 분류되었으며, 대부분의 토픽에서 부정 감정이 75% 이상을 차지하는 등 비판적 반응이 강하게 나타났다. 특히 소비자들은 AI 이미지가 단순한 기술적 산물이 아닌 사회문화적 의미와 감정적 판단의 대상임을 인식하고 있었으며, 창작자 권리와 진정성, 기술 수용 윤리 등을 중심으로 복합적인 평가를 수행하고 있었다. 본 연구는 기존 기술 수용 중심 연구로는 설명 하기 어려운 AIGC에 대한 소비자의 비판적 태도, 감정적 저항, 윤리적 판단 등 복합적인 소비자 반응을 탐색적으로 규명함으로써, 향후 AI 생성 콘텐츠에 대한 정책적․교육적 논의를 위한 기초자료를 제공한다는 점에서 의의를 갖는다.

Recent advances in generative artificial intelligence(AIGC) have significantly reshaped content creation and consumption. Following the March 2025 release of ChatGPT-4o’s image generation feature, the viral spread of “Ghibli-style AI images” illustrated how AIGC is becoming an everyday practice. While such tools shift consumers’ roles from passive recipients to active co-creators, they also provoke complex reactions regarding authenticity, copyright, creator rights, privacy, and job displacement. To examine these responses, this study collected 11,190 YouTube comments from 27 related videos uploaded between March and May 2025, and after preprocessing, analyzed a final set of 8,553 comments. Latent Dirichlet Allocation (LDA) topic modeling and Korean Online That-gul Emotions (KOTE) sentiment analysis revealed six major themes: (1) copyright debates surrounding AI art styles, (2) unauthorized image training and ethical issues, (3) AI images as trend-driven consumption, (4) job displacement and adaptation strategies, (5) privacy concerns, and (6) emotional solidarity with original creators. Across most topics, over 75% of comments expressed negative affect, indicating a predominantly critical and emotionally engaged stance toward AIGC. Consumers viewed AI-generated images not merely as technological products but as cultural and ethical objects requiring evaluative judgment. This study provides empirical evidence of consumers’ critical reception and resistance to AIGC, offering implications for consumer-centered policy design, ethical guideline development, and future research on emotion-based innovation resistance in emerging AI ecosystems.

이 연구는 2019년부터 2024년까지 국내 뉴스 기사 중 ‘인공지능’과 ‘보안’이 포함된 데이 터를 크롤링하고, 이를 기반으로 텍스트 마이닝 기법 중 LDA 토픽 모델링과 감성 분석을 활용해 인공지능을 기반으로 한 보안 기술에 대한 사회적 경향성과 대중의 인식을 탐구하 고 관련 정서적 변화를 분석하기 위해 진행되었다. LDA 토픽 모델링 결과를 통해 다섯 개의 주요 토픽을 도출했고 이를 통해 인공지능을 기반으로 한 보안이 산업 발전에 기여한 방향성과 이에 관련된 교육및 인력 양성의 중요성을 강조하고 있음을 확인 가능했다. 감성 분석 결과에서는 중립 문서가 가장 큰 비중을 차지했으며, 긍정 문서에서는 기술 발전과 혁신을 중심으로 한 기대와 흥미가, 부정 문서에서는 역으로 인공지능으로 인한 보안위협 과 윤리적 침해를 중심으로 한 우려와 거부감이 나타났다. 이 연구는 기술적 분석과 정책 적 방향성 제시에 집중되었던 기존 연구들과 달리 대중의 인식과 정서적 변화를 통해 인공 지능 기반 보안 기술의 사회적 영향력을 조명했다는 점에서 의의가 있다. 또한, 대중의 관 심과 우려를 데이터 기반으로 분석해 인공지능과 보안 기술의 지속 가능한 발전 방향을 제시하고, 관련 정책 수립과 사회적 논의의 기초 자료로 활용되기를 기대한다.

This study was conducted by crawling data from South Korean news articles published 2019-2024 that contained the terms “artificial intelligence” and “security.” These data were subjected to Latent Dirichlet allocation (LDA) topic modeling and sentiment analysis to explore social trends and public perceptions of AI-based security technologies and related changes in sentiment. The results of LDA topic modeling identified five primary themes, which predominantly addressed the impact AI and security technologies had on industrial advancement and cybersecurity, highlighting the significance of education and human resource training. Sentiment analysis revealed that neutral documents constituted the majority, with positive documents expressing anticipation and excitement toward technological advancement and innovation, and negative documents expressing ethical concerns and resistance toward security threats and invasion of human rights. This study is significant as it highlights the social impact of AI-based security technologies through an examination of public perception and sentiment, distinguishing itself from previous research that predominantly emphasized technical analysis and policy recommendations. Furthermore, by conducting a data-driven analysis of public interests and concerns, it can suggest a direction for sustainable development of AI and security technologies while serving as foundational material for future policy development and social discourse.

본 연구는 생성형 인공지능(Generative AI) 기술의 급격한 발전으로 인한 영상 제작 패러다임의 변화에 주목하여, 미래 영상 산업 인재 양성을 위한 ‘AI 기반 영상 제작 교육 직무 역량 모델’을 재구조화하고 구체적인 평가지표를 개발하는 것을 목적으로 했다. 최근 생성형 AI의 등장은 영상 제작의 기술적 장벽을 낮추는 동시에, 창작자에게 단순 숙련도를 넘어선 고차원적인 조율 역량을 요구하고 있다. 이에 본 연구는 기존의 영상 교육 체계를 분석하여 공통 역량, 직무 역량, 창의 역량의 세 가지 차원에서 모델을 재설계하였다. 첫째, 직무 역량 측면에서는 개별 숏(shot) 생성 단계를 넘어 영상 문법에 기초한 시각적 연속성(Continuity) 확보와 멀티모달 도구의 통합적 제어 능력을 핵심 지표로 설정하였다. 둘째, 창의 역량 측면에서는 AI 산출물의 우연성을 비판적으로 수용하고 자신의 예술적 의도에 맞게 재구성하는 ‘큐레이션 적 창의성’과 TMSI(탐색·제작·공유·상호작용) 모형에 기반한 협업 역량을 강조하였다. 셋째, 개발된 모델의 타당성을 검증하기 위해 실제 대학 교육 현장의 영상 제작 사례에 적용하고 전문가 조사를 통해 평가지표를 정교화하였다. 연구 결과, AI 기반 영상 교육은 결과물 중심 평가에서 벗어나 프롬프트 설계 로그(Prompt Log)와 성찰 저널(Reflection Journal)을 활용한 ‘과정 중심 평가’가 이루어질 때 학습자의 실질적인 직무 역량 향상을 확인할 수 있었다. 특히 AI 기술의 한계를 인간의 연출력으로 보완하는 지점에서 산업적 효용성이 극대화됨을 입증하였다. 하지만 AI 기술의 빠른 발전에 따른 평가지표의 유효성에 대한 문제는 여전히 연구의 한계로 남는다. 본 연구에서 제안한 역량 모델과 루브릭은 급변하는 AI 미디어 환경에 대응하는 대학 영상 교육의 표준 가이드라인으로 활용될 수 있을 것이며, 향후 AI 윤리와 저작권 인식을 포함한 적응형(adaptive) 교육 체계 구축의 기초 자료를 제공한다는 점에서 학술적, 실무적 의의를 지닌다.

This study aimed to restructure the 'AI-based video production education competency model' and to develop specific evaluation indicators for nurturing future talents in the video industry, focusing on the paradigm shift in video production that was caused by the rapid advancement of Generative AI technology. First, in terms of job competency, the core indicators were established as the ability to ensure visual continuity based on cinematography grammar—moving beyond individual shot generation—and the integrated control of multimodal tools. Second, regarding creative competency, the study emphasized ‘curatorial creativity,’ the ability to critically accept the randomness of AI outputs and reconstruct them according to artistic intent, and collaborative competency based on the TMSI (Thinking, Making, Sharing, Interaction) model. Third, to verify the model’s validity, it was applied to video production cases in university settings, and evaluation indicators were refined through expert surveys. The results indicate that AI-based video education is most effective in improving practical job competencies when transitioning from outcome-oriented evaluation to ‘process-oriented evaluation’ using prompt design logs and reflection journals. In particular, the study demonstrated that industrial utility is maximized when human directing skills compensate for the limitations of AI technology. The competency model and rubrics proposed in this study can serve as standard guidelines for university video education in the rapidly changing AI media environment. Furthermore, this research holds academic and practical significance by providing foundational data for establishing adaptive educational systems that include AI ethics and copyright awareness.

본 연구에서는 토픽모델링과 네트워크 분석을 활용하여 AI 음성기술의 연구 동향을 WoS에 등재된 한국 저자 논문 1,530편을 대상으로 3차 시기로 나누어 AI 음성기술 연구의 지적 네트워크과 주요 연구 토픽을 분석했 다. 초기 연구(2011-2015)는 HMM과 같은 머신러닝 모델 및 초기 딥 러닝 기술을 사용하여 음성인식, 소음 감소 및 신호 처리 개선에 중점을 둔 강력한 음성인식, 청각 처리 및 화자 적응이었다. 중기(2016～2020)는 딥 러닝과 머신러닝 기술을 적용하여 음성 및 언어 처리 분야에서 상당한 발전을 가져왔고 감정 인식, 시끄러운 환경에서의 향상된 음성인식 및 의료 분야와 같은 응용 분야에 중점을 두고 있었다. 최근 연구(2021～2024)는 자연어 처리를 위한 Transformers 및 BERT를 포함한 정교한 AI 모델을 사용하여 음성 및 감정 인식이 지속적으로 발전하고 있고, 맞춤형 음성합성, 달팽이관 이식과 같은 보조 기술의 적용에도 중점은 두고 있다. 본 연구에서 한국은 2011 년부터 2024년까지 AI 음성처리 기술 분야의 연구 동향을 분석한 결과는 상당한 기술 발전과 적용 확대를 경험했 다는 결론이 나왔다. 이러한 발전은 지속적인 혁신과 새로운 과제에 대한 적응을 통해 다양한 부문에서 AI 음성 처리 기술의 영향력과 중요성이 커지고 있음을 반영할 수 있다.

In this study, using topic modeling and network analysis, research trends in AI voice technology were divided into three periods targeting 1,530 papers by Korean authors registered in WoS to identify the intellectual network and major research topics of AI voice technology research. was analyzed. Early research (2011-2015) was in robust speech recognition, auditory processing and speaker adaptation, focusing on improving speech recognition, noise reduction and signal processing using machine learning models such as the HMM and early deep learning techniques. The mid-term (2016-2020) brought significant advances in the field of speech and language processing by applying deep learning and machine learning technologies, focusing on application areas such as emotion recognition, improved speech recognition in noisy environments, and the medical field. Recent research (2021-2024) continues to advance speech and emotion recognition using sophisticated AI models, including Transformers and BERT for natural language processing, and also focuses on the application of assistive technologies such as personalized speech synthesis and cochlear implants. there is. In this study, the results of analyzing research trends in the field of AI voice processing technology from 2011 to 2024 concluded that Korea has experienced significant technological development and expansion of application. These developments may reflect the growing influence and importance of AI voice processing technology in various sectors through continuous innovation and adaptation to new challenges.

AI 기술의 급속한 발전과 함께 생성형 AI의 활용이 증가함에 따라 AI 할루시네이션 문제를 해결하는 것이 중요한 과제로 부상하고 있다. 잘못된 정보나 비현실적인 결과물을 생성하는 AI 할루시네이션은 AI의 신뢰성과 투명성을 저해하며, 사회적 혼란을 초래할 수 있기 때문에 이에 대 한 체계적인 연구가 필요하다. 기존 선행연구는 대부분 기술적 측면에서 진행되었으나, 본 연구 에서는 빅데이터 분석 기법을 통해 AI 할루시네이션 관련 사회문제에 대한 새로운 시각을 제시 하고자 한다. 본 연구는 AI 할루시네이션 문제를 분석하기 위해 키워드 빈도분석, LDA 토픽 모델링과 감성 분석을 활용하였다. 연구 데이터는 ChatGPT 출시 이후의 기간인 2023년 1월 1일부 터 2024년 5월 31일까지 수집된 자료를 기반으로 분석하였으며, LDA 토픽 모델링을 통해 11개 의 토픽을 도출하였고, 감성 분석을 통해 대중의 인식을 긍정, 중립, 부정으로 구분하여 제시하 였다. 이와 같이 도출된 연구결과를 바탕으로 AI 할루시네이션 관련 이슈를 파악하고, 생성형 AI 관련 최대 이슈인 AI 할루시네이션에 대한 대중의 인식 및 반응을 파악하였다. 이러한 접근은 기 존 선행연구와 달리, 연구방법에 있어 큰 차별성을 가지며, AI 할루시네이션 관련 연구 분야에 새로운 시각을 제시하고, AI 기술의 발전 방향과 정책 수립에 학문적 및 정책적 시사점을 제공할 수 있을 것이다.

With the rapid development of AI technology and the increasing use of generative AI, solving the problem of AI hallucination has become an important issue. AI hallucination, which produces misleading information or unrealistic results, hinders the reliability and transparency of AI and can cause social disruption, so systematic research is needed. While most of the previous studies have been conducted from a technical perspective, this study aims to provide a new perspective on the social issues related to AI hallucination through big data analysis techniques. This study utilized keyword frequency analysis, LDA topic modeling, and sentiment analysis to analyze the AI hallucination problem. The research data was analyzed based on data collected from January 1, 2023 to May 31, 2024, the period after the launch of ChatGPT. 11 topics were derived through LDA topic modeling and public perceptions were classified into positive, neutral, and negative by sentiment analysis. Based on the research results derived in this way, we identified issues related to AI hallucination and identified public perceptions and reactions to AI hallucination, the biggest issue related to generative AI. Unlike existing prior research, this approach has a significant difference in research methods, presents new perspectives on AI hallucination-related research, and can provide academic and policy implications for the development direction and policy establishment of AI technology.

The Fourth Industrial Revolution has spurred widespread adoption of AI-based services, driving global interest in AI semiconductors for efficient large-scale computation. Text mining research, historically using LDA, has evolved with machine learning integration, exemplified by the 2021 BERTopic technology. This study employs BERTopic to analyze AI semiconductor-related patents and research data, generating 48 topics from 2,256 patents and 40 topics from 1,112 publications. While providing valuable insights into technology trends, the study acknowledges limitations in taking a macro approach to the entire AI semiconductor industry. Future research may explore specific technologies for more nuanced insights as the industry matures.

미래 사회로 접어들면서, 건강한 삶의 증대를 위한 노력은 현대인들의 주요 관심 분야이다. 특히, ICT 기술과 경쟁력 있는 의료산업 환경을 융합하여 건강한 삶을 위한 기술 개발은 차세대 성장 동력으로 자리잡고 있다. 따라서, 본 논문에서는 건강 검진 프로세스에서 검진 결과에 대한 인공지능 기반의 데이터 분석을 적용하여 종합 판정의 신뢰성을 향상시킬 수 있는 지식 베이스 모델링을 구축하는 연구를 수행하였다. 이를 위해, 딥러닝 분석을 통한 알고리즘을 설계하여 검사 결과지수를 산출, 검증하고, 판정 지식을 통한 종합 검진 정보를 제공하는 모델링을 연구하였다. 제안한 모델링의 적용을 통해, 국민 건강에 대한 빅데이터 분석, 활용이 가능하여 의료비 절감 및 건강 증대의 효과를 기대할 수 있다.

As we enter the society of the future, efforts to increase healthy living are a major area of concern for modern people. In particular, the development of technology for a healthy life that combines ICT technology with a competitive healthcare industry environment is becoming the next growth engine. Therefore, in this paper, artificial intelligence-based data analysis of the examination results was applied in the health examination process. Through this, a research was conducted to build a knowledge base modeling that can improve the reliability of the overall judgment. To this end, an algorithm was designed through deep learning analysis to calculate and verify the test result index. Then, the modeling that provides comprehensive examination information through judgment knowledge was studied. Through the application of the proposed modeling, it is possible to analyze and utilize big data on national health, so it can be expected to reduce medical expenses and increase health.

본 연구는 향후 AI 기반 개별화 학습의 연구 방향을 제안하고자 2016년부터 2023년 4월까지 국내외 연구 동향 을 분석하였다. 이를 위해 국내 56개의 KCI 논문, 국외 46개의 SSCI 논문 제목과 초록을 대상으로 TF-IDF 분석 과 LDA 기반 토픽 모델링을 실시하였다. 연구결과, 첫째, 국내 연구에 대한 TF-IDF 분석에서 TF는 ‘학습자’, ‘시 스템’, ‘영어’, ‘플랫폼’, ‘개발’ 순으로 나타났으며 TF-IDF 기준에서는 ‘영어’, ‘시스템’, ‘수학’, ‘챗봇’, ‘플랫폼’이 상위 권에 위치해 있었다. 둘째, 국내 연구에 대한 LDA 기반 토픽 모델링 결과 5개의 주요 토픽이 도출되었다. 셋째, 국외 연구에 대한 TF-IDF 분석 결과, TF는 'learner’, ‘system’, ‘data’, ‘technology’, ‘educational’ 순으로 나타났으 며 TF-IDF 기준에서는 ‘chatbot’, ‘collaborative’, ‘technology’, ‘gamification’, ‘system’ 이 상위권에 위치해 있었다. 넷째, 국외 연구에 대한 LDA 기반 토픽 모델링 결과 5개의 주요 토픽이 도출되었다.

This study analyzed the domestic and international research trends of AI-based personalized learning from 2016 to April 2023 in order to propose research directions for the future fielding of AI-based personalized learning. For this purpose, TF-IDF analysis and LDA-based topic modeling were conducted on the titles and abstracts of 56 domestic KCI papers and 46 international SSCI papers. As a result, first, the TF-IDF analysis of domestic research showed that TFs were 'learner', 'system', 'English', 'platform', and 'development', and the TF-IDF criteria were 'English', 'system', 'Mathematics', 'chatbot', and 'platform'. Second, as a result of LDA-based topic modeling for domestic research, five major topics were derived. Third, the TF-IDF analysis of international studies showed that the TFs were 'learner', 'system', 'data', 'technology, and ‘educational', and the TF-IDF criteria were 'chatbot', 'collaborative', 'technology', ’gamification’, and 'system'. Fourth, LDA-based topic modeling of international studies resulted in five major topics.

본 연구는 2023년부터 2025년까지 전 세계 20개국의 iOS 빅데이터를 바탕으로 주요 생성형 AI 애플리케이션(ChatGPT, Gemini, Claude, Grok, DeepSeek)의 글로벌 시장 성과 동인과 현지화 전략을 실증적으로 규명하였다. 방법론적으로는 국가별 불변 특성을 통제한 패널 고정효과 모형 기반의 2단계 패널 분석과 Llama 3.1 및 Mistral-Nemo 모델을 결합한 고도화된 BERTopic 토픽 모델링을 수행하여 정량적 성과와 정성적 사용자 반응을 통합 분석하였다. 실증적 분석 결과, 사용자 평가의 양 적 지표(평가 횟수)는 다운로드와 매출액에 유의한 긍정(+)의 영향을 미치는 것으로 나타났으나, 기술적 고도화 단계에서 유입 증 가와 초기 불만이 공존하며 성과와 평점이 상충하는 ‘평점의 역설(Rating Paradox)’ 현상이 실증적으로 관측되었다. 특히 패널 분 석을 통해 글로벌 시장을 신호 민감형, 질적 가치 선별형, 파괴적/성숙 역설형, 시장 관성형의 4가지 유형으로 체계화하여 지역별 수용 패턴의 이질성을 입증하였다. 또한, 토픽 모델링을 통해 사용자 관심을 지능적 가치, 창의적 작업, 시스템 안정성, 운영 효율 성, 플랫폼 생태계, 메타 피드백의 6대 영역으로 분류하고, 정서적 유대와 인프라 안정성이 핵심 경험 요인임을 도출하였다. 본 연구는 고맥락 문화권의 정서적 현지화와 신흥 시장용 경량화 모델 전략을 제안함으로써, 생성형 AI 기업의 ‘글로컬라이제이션’ 확보를 위한 전략적 가이드라인을 제시한다.

This study empirically investigates the drivers of global market performance and localization strategies for leading generative AI applications (ChatGPT, Gemini, Claude, Grok, and DeepSeek) using iOS big data from 20 countries between 2023 and 2025. Methodologically, the research integrates quantitative performance with qualitative user responses through a two-stage panel analysis based on a fixed-effects model—controlling for country-specific invariant characteristics—and advanced BERTopic modeling integrated with Llama 3.1 and Mistral-Nemo models. The empirical results indicate that the volume of user evaluations (review counts) exerts a strong positive (+) influence on downloads and revenue. However, a "Rating Paradox" was observed, where market performance and average ratings conflict due to the coexistence of rapid user influx and initial dissatisfaction during stages of disruptive technological advancement. Notably, the panel analysis categorizes the global market into four distinct types—Signal-Sensitive, Qualitative Value-Selective, Disruptive/Mature Paradoxical, and Market Inertial—demonstrating the heterogeneity of regional adoption patterns. Furthermore, the topic modeling classified user interests into six domains: Intellectual Value, Creative Tasks, System Stability, Operational Efficiency, Platform Ecosystem, and Meta-feedback, identifying emotional bonding and infrastructure reliability as pivotal user experience factors. By proposing emotional localization for high-context cultures and Small Language Model strategies for emerging markets, this study provides strategic guidelines for generative AI firms to achieve successful "Glocalization."

AI의 발전은 교육 전반에 변화를 불러오고 있으며 특히 초등교육에서 AI의 적용 가능성의 관심이 증가하고 있다. 이에 본 연구는 초등교사의 AI 활용 관련 학문적 논의를 정리하고자 2016년부터 2025년 5월까지 발표된 논문을 수집하여 텍스트 마이닝 기법, 토픽 모델링을 통해 연구 동향을 분석하였다. 그 결과, AI 기반 수업 설 계, 디지털 도구 활용, 융합 교육 프로그램 개발, AI 교재 및 콘텐츠 유형과 학습자 반응, 교과별 AI 도구의 적 용 등 다섯 개의 주제가 도출되었으며, 시기별로 기술 이해 중심(2016–2019)에서 실천 적용 중심(2020–2022), 생 성형 AI 활용 중심(2023–2025)으로 변화하는 양상을 보였다. 최근 생성형 AI의 도입은 초등교실 내 수업 설계, 피드백, 교재 제작에 전환을 촉진하고 있으며 교사의 역할은 지식 전달자를 넘어 학습 설계자로 변화하고 있 다. 본 연구의 시사점은 다음과 같다. 첫째, AI는 맞춤형 수업 설계와 학습 진단의 핵심 도구로 자리 잡고 있다. 둘째, 교사의 AI 역량 강화를 위한 실천 중심의 연수 체계 구축이 시급하다. 셋째, AI 기술을 활용한 교육 콘텐 츠의 다양화와 데이터 기반 학습 환경 조성이 필요하다. 이러한 한계를 보완하고 연구를 확장하기 위해, 초등 교사의 AI 활용 역량을 진단할 수 있는 자가 진단 도구 개발, 생성형 AI를 활용한 초등 교과별 수업 모델 연구 등이 필요하다.

This study examines research trends on elementary school teachers’use of artificial intelligence (AI) by applying topic modeling to papers published between 2016 and May 2025. Five key topics were identified: AI-based lesson design, digital tools, integrated education programs, AI teaching materials and learner responses, and subject-specific applications. The focus shifted over time from technological understanding (2016–2019), to practical application (2020–2022), and to generative AI use (2023–2025). Generative AI has recently accelerated changes in lesson planning, feedback, and content creation, with teachers taking on the role of instructional designers. Findings suggest that AI supports personalized instruction and assessment, highlights the need for practice-based teacher training, and calls for more diverse AI-integrated content and data-driven learning environments. Future research should develop tools to assess teachers AI competencies and explore subject-specific lesson models using generative AI.

With the rapid development of Artificial Intelligence (AI) technology, there is an increasing variety of methods for creating 3D models. These include innovations such as text-only generation, 2D images to 3D models, and combining images with cue words. Each of these methods has unique advantages, opening up new possibilities in the field of 3D modeling. The purpose of this study is to explore and summarize these methods in-depth, providing researchers and practitioners with a comprehensive perspective to understand the potential value of these methods in practical applications. Through a comprehensive analysis of pure text generation, 2D images to 3D models, and images with cue words, we will reveal the advantages and disadvantages of the various methods, as well as their applicability in different scenarios. Ultimately, this study aims to provide a useful reference for the future direction of AI modeling and to promote the innovation and progress of 3D model generation technology.