Earticle

본 연구는 혁신정책도구가 인공지능 신뢰성에 미치는 영향과 이러한 관계에서 인공지능 윤리성의 조절효과를 분석하는 것이다. 분석결과, 독립변수중 연성적 정책도구에서는 인공지능 시대 대비 인문 학적 교육 강화 요인이, 경제적 정책도구에서는 인공지능 위험 비용 배상책임 체계 마련 요인, 인공 지능 안전 연구 투자 확대 요인, 인공지능 사고 공적보험제도 요인이, 규제적 정책도구에서는 인공지 능 사생활 및 개인정보 침해 방지 장치 마련 요인이 인공지능 신뢰성에 정(+)의 영향을 미치는 것으 로 나타났다. 이를 토대로 정책적 함의로서 인공지능의 신뢰성을 제고하기 위한 방안으로 연성적 정 책도구의 인공지능 시대 대비 인문학적 교육 강화가, 경제적 정책도구의 인공지능 위험 비용 배상책 임 체계 마련, 인공지능 안전 연구 투자 확대, 인공지능 사고 공적보험제도, 규제적 정책도구의 인공 지능 사생활 및 개인정보 침해 방지 장치 마련이 필요하다는 점을 제시하였다.

This study analyzes the effect of innovation policy tools on AI reliability and the moderating effect of AI ethics in this relationship. As a result of analysis, the reinforcement of AI humanities education in soft policy tools had an impact on AI reliability. In the economic policy tool, AI responsibility cost compensation system, AI safety research investment, and AI accident public insurance system influenced AI reliability. In the regulatory policy tool, it has been shown that the provision of a device for preventing the invasion of personal privacy and personal information affects the reliability of AI. Based on this, policy implications were proposed. In order to improve the reliability of AI, it is necessary to strengthen AI humanities education, prepare a system for reimbursing AI risk costs, expand investment in AI safety research, provide a public insurance system for AI accidents, and prepare a device for preventing personal privacy and personal information infringement.

인공지능(AI)은 사람의 인지 능력을 모방/확장하여 학습, 추론, 문제 해결 등의 작업을 수행하는 시스템을 의미한다. 해당 시스템은 다양한 산업과 접목되며 사회에 빠르게 확산되고 있으나 예상치 못한 역기능(예: 프라이 버시 침해, 편향성, 허위정보 확산 등)도 급속히 증가하고 있다. 이에 따라 AI 역기능 문제 완화에 대한 기술적·사 회적 요구가 증대되고 있고, 한국을 포함한 주요국들은 AI의 안정성 및 신뢰성 확보를 위한 다양한 정책을 추진 하고 있다. 이와 같은 맥락에서 본 연구는 AI의 안전성·신뢰성에 대한 학술적 논의와 관련 기술 및 대응 정책 동 향을 분석하였고, AI 안전성·신뢰성에 대한 국가별 경쟁력을 도출하였다. 이를 종합하여 본 연구는 향후 한국의 AI 안전성 및 신뢰성 확보를 위한 정책 수립 방향과 주요 주체별 과제들을 제언하였다.

Artificial Intelligence(AI) refers to systems designed to emulate and extend human cognitive abilities, enabling tasks such as learning, reasoning, and problem-solving. While these systems are rapidly being integrated into various industries and spreading throughout society, unexpected adverse effects are also increasing at an alarming rate. Consequently, there is a growing technical and societal demand to mitigate the adverse effects of AI. In response, major countries, including Korea, are actively advancing policies to ensure AI safety and reliability. Within this context, this study analyzes academic discussions on AI safety and reliability, examines trends in relevant technologies and policy responses, and derives the competitive strengths of various nations in these areas. Building on this analysis, the study proposes policy directions and tasks for key stakeholders to strengthen the safety and reliability of AI in Korea.

본 연구는 AI 음악 프로젝트 기획 과정에서 인공지능 활용 특성이 청중의 창의성 인식과 신뢰도 형성에 미치는 영향을 규명하고, 창의성 인식의 매개적 역할을 실증적으로 검증하는 데 목적이 있다. 이를 위해 상호작용성, 맥락인지성, 편의성을 인공지능 활용 특성의 하위 요인으로 설정하고, 이들이 창의성 인식에 미치는 영향과 창의성 인식이 신뢰도에 미치는 구조적 관계를 분석하였다. 연구 방법으로는 구조방정식 모형을 적용하여 변수 간 인과관계를 검증하였으며, 부트스트래핑을 활용하여 매개효과의 유의성을 확인하였다. 연구 결과, 인공지능 활용 특성은 모두 청중의 창의성 인식에 유의한 영향을 미치는 것으로 나타났으며, 창의성 인식은 신뢰도에 정적인 영향을 미치는 핵심 요인으로 확인되었다. 또한 인공지능 활용 특성과 신뢰도 간의 관계에서 창의성 인식이 유의한 매개 역할을 수행하는 것으로 나타났다. 이는 청중이 AI 음악 프로젝트를 평가하는 과정에서 기술적 특성 자체보다 이를 통해 형성되는 창의성에 대한 인식이 신뢰 형성에 중요한 역할을 한다는 점을 시사한다. 본 연구는 AI 음악 프로젝트에 대한 청중 중심의 인식 형성 메커니즘을 구조적으로 규명함으로써, 기술 중심 논의를 확장하여 인지적·심리적 요인을 통합한 이론적 틀을 제시하였다는 점에서 의의를 지닌다. 또한 실무적으로는 AI 음악 콘텐츠 기획 시 상호작용성, 맥락인지성, 편의성을 고려한 경험 설계를 통해 청중의 창의성 인식을 제고하고, 이를 기반으로 신뢰도를 향상시킬 필요가 있음을 시사한다.

This study aims to examine the effects of artificial intelligence (AI) utilization characteristics on audiences’ perception of creativity and trust in the process of planning AI-based music projects, and to empirically verify the mediating role of creativity perception. To this end, interactivity, context awareness, and convenience were established as sub-dimensions of AI utilization characteristics, and the structural relationships among these factors, creativity perception, and trust were analyzed. Structural equation modeling was employed to test the causal relationships among variables, and bootstrapping was conducted to verify the significance of the mediating effects. The results indicate that all AI utilization characteristics have significant effects on audiences’ perception of creativity, and that creativity perception is a key factor positively influencing trust. Furthermore, creativity perception was found to play a significant mediating role in the relationship between AI utilization characteristics and trust. These findings suggest that, in evaluating AI music projects, audiences’ trust is influenced more by their perception of creativity than by the technical features themselves. This study is meaningful in that it extends technology-centered discussions by proposing a theoretical framework that integrates cognitive and psychological factors, thereby structurally identifying the audience-centered mechanism of perception formation in AI music projects. Practically, the findings imply that planning AI music content should incorporate interactivity, context awareness, and convenience in experience design to enhance audiences’ perception of creativity, which in turn can improve trust.

본 연구는 협력적 셀프스터디 방법론으로 AI DAPR 신뢰도 검증 과정에 참여한 연구자이자 참여자인 미술치료사 6인의 체험을 탐구하는 것을 목적으로 한다. 자료 수집은 두 단계로 이루어졌다. 첫 번째로 각 연구자는 ‘체험 전 자료’, ‘체험 중 자료’, ‘체험 후 자료’의 3단계로 회상 일지를 작성하여 자료를 수집하였다. 두 번째로는 각 연구자의 회상 일지를 통합하여 원고지 200자 기준 85.7장의 자료를 수집하였다. 자료 분석은 Willis(2007)가 제시한 항시 비교법을 3단계로 압축하여 분석하였다. 이 결과, ‘미술치료사의 전문성에 대한 불안과 안도’, ‘AI 그림 검사의 유용성’, ‘AI 그림 검사의 제한과 한계’, ‘미술치료사의 전문적 역량 강화에 도움 됨을 발견’이라는 4개의 소범주와 ‘미술치료사의 도전과 성장’이라는 1개의 대범주가 도출되었다. 이러한 연구 결과를 바탕으로 본 연구의 의의와 제한점에 대하여 논의하였다.

This study aimed to explore the experience of six art therapists who participated in the AI DAPR reliability verification process as both researchers and subjects using a collaborative self-study methodology. Data collection was occurred in two phases. Firstly, each researcher collected data by writing retrospective journals in three stages: ‘pre-experience data,' ‘during-experience data,' and ‘post-experience data.' Secondly, the researchers integrated their retrospective journals, resulting in a total of 85.7 pages based on the manuscript of 200 characters. Data analysis was conducted by compressing Willis's (2007) constant comparative method into three stages. The findings revealed four subcategories: ‘anxiety and reassurance regarding the expertise of art therapists,' ‘utility of AI drawing tests,' ‘limitations and constraints of AI drawing tests,' and ‘enhancement of art therapists' professional competence with the help of AI.' Additionally, one overarching category emerged: ‘challenges and growth of art therapists.' Based on these results, the significance and limitations of the study were discussed.

본 연구는 생성형 인공지능에 대한 정보신뢰가 이용자의 지속이용의도에 미치는 영향을 분석하고, 이 관 계에서 자기효능감과 지각된 유용성의 매개효과를 검증하는 것을 목적으로 한다. 본 연구는 R기반으로 매개효과 분석 결과, 정보신뢰는 지속이용의도에 직접적으로 유의미한 영향을 미쳤으며, 자기효능감과 지각된 유용성 역시 각각 유의한 매개효과를 나타냈다. 특히 두 변인의 다중매개효과도 통계적으로 유의하였다. 정보신뢰가 높을수록 AI를 유용하다고 느끼고, 잘 활용할 수 있다는 자신감이 높아져 지속사용의도가 강화됨을 확인하였다. 연구결과는 기술수용모형과 사회인지이론의 관점에서 정보신뢰의 중요성을 보여주며, AI 리터러시 교육에서 신뢰 형성과 자기 효능감 강화의 필요성을 제기하는데 기여한다.

This study investigates the impact of information reliability in generative AI on users’ continuous use intention, focusing on the mediating roles of self-efficacy and perceived usefulness. The multiple mediation effect analysis based on R results revealed that information reliability significantly influences continuous use intention both directly and indirectly through self-efficacy and perceived usefulness. The multiple mediation effects of these variables were also statistically significant. Higher information reliability in generative AI increased users perceived utility, thereby enhancing their intention to continue using it. These findings underscore the importance of information reliability within the frameworks of the Technology Acceptance Model and Social Cognitive Theory, highlighting the need to foster information reliability and self-efficacy in AI literacy.

디지털 트윈 기반 배터리 관리 시스템(BMS)은 물리적 자산을 가상 공간에 복제하여 운영 효율성을 높이는 핵심 기술이지만, AI 예측의 불투명성과 데이터 위변조 가능성은 시스템 신뢰도 확보에 큰 걸림돌이 되었다. 본 연구는 이러한 문제를 해결하기 위해 설명가능 인공지능(XAI)과 블록체인 기술을 융합하는 통합 프레임워크를 제안했다. XAI는 AI 모델 의 판단 근거를 투명하게 제시하고, 블록체인은 데이터의 무결성을 원천적으로 보장함으로써 시스템의 다층적 신뢰를 구 축했다. 이 통합 시스템은 예측 기반 유지보수를 통해 운영 비용을 절감하고 배터리 수명 주기를 최적화하며, 데이터 손실 및 위변조를 방지한다. 본 연구는 XAI와 블록체인을 통해 각각 예측 과정의 투명성과 데이터의 무결성을 확보하는 구체적 인 방안을 탐색했으며, 궁극적으로 스마트 에너지 관리 시스템을 고도화하고 지속 가능한 에너지 생태계 구축에 기여하고자 했다.

A Digital Twin-based Battery Management System (BMS) is a key technology for enhancing operational efficiency by replicating physical assets in a virtual space. However, the opacity of AI predictions and the potential for data tampering remain significant obstacles to ensuring system reliability. This study proposes an integrated framework that converges Explainable Artificial Intelligence (XAI) and blockchain technology to overcome these limitations. XAI provides transparency into the reasoning behind AI model decisions, while blockchain fundamentally guarantees data integrity, thereby building multi-layered trust. This integrated system reduces operational costs through predictive maintenance and optimizes the battery lifecycle by preventing data loss. This research explores methods to secure the transparency of the prediction process with XAI and the integrity of data with blockchain, ultimately contributing to the advancement of smart energy management and the establishment of a sustainable energy ecosystem.

최근 우리 헌법재판소는 2021년 12월 23일에 선고한 2018헌바524 결정을 통해 성폭력 범죄의 처벌 등에 관한 특례법 제30조 제6항에 대해 위헌 결정을 내리면서 아동 진술 영상녹화물의 증거능력에 대해 이전과는 다르게 그 증거능력을 부정하는 입장을 취하면서, 피고인 반대신문권이 보장되어야 한다는 입장으로 전환하였다. 그리고 이와 같은 헌법재판소 결정의 영향으로 이후 대법원은 최근까지 아동 진술 영상녹화물의 증거능력을 부인하는 판결들을 선고하고 있는 상황이다. 그러나 아동의 경우 피고인 반대신문권의 일정한 제한은 아동 피해자 진술의 특수성과 그 진술 신빙성 확보의 차원에서도 일반적인 반대신문권의 제한과 동일선상에서 평가할 수 있는 성질의 것이 아니다. 우리 사법부의 이러한 법적 관점 전환의 이유도 아동의 법적 진술에 관한 다양한 연구 결과들을 부정하거나 배척하기 때문은 아니라고 본다. 그렇다면 남은 과제는 결국 진술 영상녹화물의 증거능력이 배척된 상황에서 아동 피해 진술의 신뢰성을 확보할 수 있는 새로운 방법론을 찾는 것이다. 이에 본 논문은 이하에서 피고인 반대신문권의 수사단계 아동 피해 진술 채증 과정에서의 구현 가능성, 진술 과정에서의 아동 2차 피해 방지 가능성, 피해 사실을 조사하는 수사전문가의 역량 균질화 가능성, 그리고 이를 통한 아동 진술의 신뢰성 확보 가능성 등을 고려한 새로운 ‘AI 기반의 제도적-기술 적 아동 진술 신뢰성 확보 방안’에 대해 논의하고자 한다. 이를 위해 먼저, 헌법재판소 2018헌바524 결정과 그 영향으로 인한 대법원 2021도14530 판결, 대법원 2021도14616 판결, 2023도15133 판결의 분석을 통해 최근 문제 된 우리 대법원의 아동 진술 영상녹화물 증거능력에 대한 법적 판단의 변화를 검토해 보고(제Ⅱ장), 아동 진술 영상녹화물 증거능력 문제의 보완 필요성을 설명(제Ⅲ장)하고자 한다. 반대신문권과 조화될 수 있는 아동 피해 진술 확보를 위한 절차적 제도적 방안 및 이를 구현할 수 있는 AI와 클라우드를 활용한 아동 목격자 맞춤형 비대면 진술조서 지원 시스템을 제시한(제Ⅳ장) 다음, 이러한 AI 기반 진술조서 지원 시스템의 활용 방안과 함께 향후 추가적인 과제(제V장)에 대해 간략히 언급하고자 한다.

Recently, the Korean Constitutional Court ruled that Article 30 (6) of the Act on Special Cases Concerning the Punishment of Sexual Violence Crimes was unconstitutional through the 2018 Heonba 524 ruling on December 23, 2021. This decision is taking a position to deny the admissibility of child statement video recordings differently from before. In other words, it was converted to the position that the defendant’s right to cross-examination should be guaranteed. Due to the influence of the Constitutional Court’s decision, the Supreme Court has recently sentenced rulings denying the admissibility of child statement video recordings. However, in the case of a child, certain restrictions on the defendant’s right to cross-examine should not be evaluated on the same line as general restrictions on cross-examination in terms of the specificity of the statement of the child victim and securing the credibility of such statement. The reason for this legal transition of our judiciary is not because it denies or rejects various research results on legal statements of children. If so, the remaining task is to find a new way to secure the reliability of child victim statements in a situation where the admissibility of statement video recordings has been rejected. In response, this paper seeks to discuss a new “AI-based institutionaltechnical method of securing credibility of child statements” that takes into account (1) the guarantee of the defendant’s right to cross-examine during the investigation stage, (2) the possibility of preventing secondary harm during the child’s statement process, (3) the equalization of the investigative expert’s capacity to investigate the victim, and (4) the possibility to secure credibility of the child’s statement. To this end, first, the analysis of the Constitutional Court Decision 2018Hun-Ba524 and the Supreme Court Decisions 2021Do14530, 2021Do14616, and 2023Do15133 is conducted. Since then, we will review the change in the legal judgment on the admissibility of child statement video recordings of our Supreme Court, which has recently become a problem in Section Ⅱ. It also explains the need to supplement the problem of the admissibility of child statement video recordings in Section Ⅲ. Procedural institutional measures to secure child damage statements that can be harmonized with cross-examination rights, and a system to support non-face-to-face statement protocols tailored to child witnesses using AI and cloud that can implement them in Section Ⅳ. Finally, we would like to briefly mention additional tasks in the future along with how to utilize this AI-based statement support system in Section Ⅴ.

In this paper, we propose the AI certification standardization activities for systematic research and planning for the standardization of trustworthy artificial intelligence (AI). The activities will be in two-fold. In the stage 1, we investigate the scope and possibility of standardization through AI reliability technology research targeting international standards organizations. And we establish the AI reliability technology standard and AI reliability verification for the feasibility of the AI reliability technology/certification standards. In the stage 2, based on the standard technical specifications established in the previous stage, we establish AI reliability certification program for verification of products, systems and services. Along with the establishment of the AI reliability certification system, a global InterOp (Interoperability test) event, an AI reliability certification international standard meetings and seminars are to be held for the spread of AI reliability certification. Finally, TAIPP (Trustworthy AI Partnership Project) will be established through the participation of relevant standards organizations and industries to overall maintain and develop standards and certification programs to ensure the governance of AI reliability certification standards.

The purpose of this study is to establish a systematic auditing methodology for ensuring the reliability of AI systems. To achieve this, we reviewed the definition of AI systems and the necessity of trustworthy AI, and specified the scope and targets of auditing based on the full life cycle of the AI system. As a result of the research, we proposed an AI System Auditing Framework consisting of six phases: Requirements Definition, Data Collection and Preprocessing, Model Development and Training, Deployment and Operation, Maintenance and Continuous Improvement, and Decommissioning and Archiving. For each phase, specific verification items were derived, including verification of suitability for purpose, data quality and bias checks, monitoring of the training process and explainability assessment, performance and stability verification, inoperation security and user trust evaluation, and personal information destruction and transition management.

Healthcare institutions continuously accumulate large volumes of healthcare big data through electronic medical records, laboratory systems, biosignal monitoring devices, prescription systems, imaging systems, and operational information systems. However, these data are often used mainly for retrospective reporting, fragmented statistical analysis, or quality management-centered evaluation rather than for continuous risk detection and reliability-centered preventive decision support. To address this limitation, this study proposes a reliability-based artificial intelligence platform using healthcare big data. The proposed platform was designed to integrate data ingestion, preprocessing, feature construction, reliability score calculation, HRAP API execution, visualization, metadata registration, and patient-level risk signal generation. The platform was implemented as a backend application-frontend layered structure centered on HRAP API, a data lake, and a metadata repository. For prototype-level workflow verification and exploratory internal evaluation, a structured, analyzable subset comprising 128 patients and 864 dialysis-session records was constructed from available de-identified, repeated hemodialysis-session records from a J Hospital-affiliated dialysis clinic. A composite healthcare reliability equation was developed by integrating domains of respiratory, hemodynamic, fluid tolerance, inflammation, anemia, nutrition, electrolytes, and event-related instability. In addition, a de-identified T0?T3 hemodialysis patient case was presented to demonstrate how longitudinal clinical facts can be transformed into patient-level reliability scores and risk signals. Exploratory internal evaluation using repeated hemodialysis-session records showed an AUROC of approximately 0.90, with sensitivity and specificity of approximately 90% and 85%, respectively. These values should be interpreted as exploratory internal-prototype indicators rather than final clinical or external validation results. This study contributes by translating healthcare reliability concepts into an implementable AI platform architecture and demonstrating how healthcare big data can support preventive risk monitoring and reliability-oriented healthcare management.

Nuclear power plant instrumentation and control (I&C) systems (NPPs) are critical in ensuring operational safety and reliability by monitoring and controlling NPP processes, performing periodic self-diagnosis during normal operations, and undergoing comprehensive inspections during planned preventive maintenance. However, challenges remain in diagnosing potential failures preemptively and preventing accident propagation, highlighting the need for advanced diagnostic technologies. We proposed a method for estimating the reliability functions of I&C equipment using environmental data and self-diagnosis results. We applied advanced artificial intelligence (AI) models for survival analysis?DeepSurv and DeepHit?on distributed control systems (DCS) failure data. These models analyze intricate failure patterns and generate highly accurate reliability functions. The results were validated against the Cox proportional hazards model, a traditional semiparametric model widely used in reliability analysis. The practical utility of the proposed approach was demonstrated by calculating the remaining useful life (RUL) of the I&C equipment in real-time, showcasing its potential for deployment in NPPs to enhance diagnostics, reliability, and safety. However, study limitations include dependence on the quality of DCS failure data, which may vary across NPPs, and the computational complexity of AI models, which could pose challenges for integration into legacy systems. Future research should address these limitations and explore robust data acquisition methods and computational optimizations for wider applicability.

4차 산업 시대가 도래하며 인공지능이 비약적으로 발전함에 따라, 인공지능은 다양한 산업 분야에 도입되어 업무의 효율성을 높이고 인류 발전에 중요한 역할을 하고 있다. 그러나 사회 전반에 걸쳐 인공지능의 역할이 커질수록 인공지능의 오판단, 오작동으로 인한 문제 또한 크게 작용한다. 따라서 인공지능 모델의 판단, 행동에 대한 신뢰성을 확보하기 위해 XAI 기술의 중요성이 크게 대두되었다. 본 논문에서는 이러한 XAI 기술에 대한 동향을 조사, 분석한다.

이 연구는 AI를 활용한 수업 영상 분석의 신뢰성과 타당성을 검증하기 위해 초등 임용 2차 수업실연영상을 대상으로 인간 교사와 AI의 평가 합치도를 비교 분석했다. 연구 참여자로 6명의 현직 교사가참여하였다. AI 모델로는 Gemini 2.5 Pro를 활용하여 3회 반복 평가를 수행했다. 평가 도구로는 ICALT 32개 문항을 활용했고, 최종 19개 문항이 분석에 활용되었다. 평정자 간 합치도 분석을 위해 급내상관계수(ICC)를 활용했다. 연구 결과, 인간 교사 6인의 평가 합치도(ICC=.56)와 AI 3회 반복 평가의 합치도(ICC=.53)는 모두 보통 수준으로 나타났으나, 인간 평균과 AI 평균 간 합치도(ICC=.25)는 낮은 수준이었다. 특히, 영역별로 인간과 AI의 평가 경향이 상이하게 나타났다. 이는 인간이 맥락적․비언어적정보를 종합적으로 고려하는 반면, AI는 외현적 언어 신호에 주로 의존하기 때문으로 해석된다. 또한, 객관적 합치도가 낮음에도 불구하고, 인간 교사들의 AI 평가 결과에 대한 주관적 동의도는 4.06점으로높게 나타났다. 이는, 통계적 일치도와 지각적 일치도가 분리될 수 있음을 시사한다. 본 연구는 AI가수업 분석에서 인간 전문가를 대체하기보다는 보조적 도구로서 상호보완적 역할을 수행할 수 있음을시사한다. 본 연구는 교육 현장에서 AI를 활용한 수업 개선 시스템 개발을 위한 탐색적 기초 연구로서의 의의를 지닌다.

본 연구는 자동채점 연구가 상대적으로 부족한 사회과 서ㆍ논술형 평가를 대상으로, 인공지능 자동채점의 신뢰도를 분석하고 교육적 활용 가능성을 확인하는 데 목적이 있다. 이를 위해 사회과 교육과정에 기반한 서술형 2문항과 논술형 1문항을 개발하고, 경기도 내 8개 고등학교 학생 335명의 답안을 수집하였다. 평가 전문성을 갖춘 교사 3인의 개별 채점과 합의 과정을 거쳐 기준 점수를 도출하였으며, GPT-4o와 GPT-5 모델을 활용하여 자동채점을 수행하였다. 예시답안 제시, 단계적 채점 지침, 채점기준의 구체성, 페르소나 부여 여부 등에 따라 6개의 프롬프트를 적용한 인공지능 채점을 수행하였고, 인공지능 채점의 내적 일관성과 교사 채점과의 신뢰도를 검증하기 위해 피어슨 상관계수, ICC, QWK 및 정확도, F1-score 분석을 실시하였다. 연구 결과, 인공지능 채점은 전반적으로 높은 내적 일관성과 신뢰도를 보였으며, 프롬프트 유형에 따른 채점 결과의 차이도 확인되었다. 특히 예시답안 제시 및 단계적 채점 지침은 전반적으로 채점 신뢰도를 높이는 데 효과적이었으며, 과도한 채점기준의 구체화나 페르소나 부여는 오히려 채점 신뢰도를 저하시킬 수 있음을 확인하였다. 또한 GPT-5 모델은 GPT-4o에 비해 전반적으로 우수한 채점 성능을 나타냈으며, 논술형 문항에 비해 서술형 문항의 채점 신뢰도가 더 높게 나타났다. 본 연구는 인공지능 자동채점이 사회과 서ㆍ논술형 평가에서 교사의 채점 부담을 완화하고 채점의 일관성과 질을 제고하는 실질적 도구로 활용될 수 있음을 시사한다.

This study examines the reliability of AI-based automated scoring and its educational applicability in social studies constructed-response assessments, a domain in which related research remains limited. Two restricted constructed-response items and one extended constructed-response item were developed based on the social studies curriculum, and responses were collected from 335 high school students across eight schools in Gyeonggi Province. Three assessment experts independently scored the responses and reached consensus scores, which served as the benchmark. Automated scoring was conducted using two large language models: GPT-4o and GPT-5. Six prompt types were designed with varying conditions such as the provision of sample answers, step-by-step scoring guidance, the specificity of scoring criteria, and persona assignment. To evaluate the internal consistency of AI scoring and its reliability relative to teacher scoring, Pearson correlation coefficients, intraclass correlation coefficients (ICC), quadratic weighted kappa (QWK), accuracy, and F1-scores were analyzed. The results indicated that AI-based automated scoring demonstrated high overall internal consistency and reliability, with notable differences across prompt types. Providing sample answers and step-by-step scoring guidance generally improved overall scoring reliability, whereas overly detailed criteria and persona assignment tended to reduce it. GPT-5 consistently outperformed GPT-4o, and reliability was higher for restricted constructed-response items than for the extended items. These findings suggest that AI-based automated scoring can serve as a practical tool to reduce teachers’ grading burden and enhance scoring consistency and quality in social studies assessment.

본 연구는 국내외의 선진 인공지능 개발 국가들과 국내의 인공지능 신뢰성 기준을 분석하여 가장 구체적으로 기술된 '신뢰할 수 있는 인공지능 개발 가이드'를 선정하였습니다. 이 선택된 기준을 기반으로 자율주행차와 관련된 40개의 인공지능 논문을 분석하였으며, 개별 연구 내용과 4개 분야(학습용 데이터, 모델 및 알고리즘, 시스템, 인터페이스)의 동향을 파악하였습니다. 인공지능 학습용 데이터 분야의 논문에서는 신뢰성 요구사항과 일치하는 내용을 많이 발견했으며, SPSS를 활용한 메타분석을 통해 윤리적 요건도 조사하였습니다. 그러나 나머지 3개 분야에서는 신뢰성과 관련된 내용이 부족하거나 전혀 없었습니다. 전반적으로 논문의 내용이 '신뢰할 수 있는 인공지능 개발 가이드'의 신뢰성 요구사항과 차이가 있거나 구조적인 거리를 보였습니다. 인공지능의 신뢰성 검증을 위해선 논문에 신뢰성과 관련된 내용을 반드시 포함하도록 권고하며, 분야별로 구체적인 신뢰성 기준을 개발하고 국제적으로 인정받는 신뢰성 기준을 마련하고자 컨설팅 및 검증기구 설립을 제안하였습니다.

This study explains AI trustworthiness standards in developed countries and Korea were analyzed, and the 'Trustworthy AI Development Guide', which most specifically expresses trustworthiness requirements, was selected as the trustworthiness standard. And, based on the selected criteria, 40 papers on artificial intelligence of autonomous cars were analyzed, and the contents of individual studies and trends in four fields (learning data, model and algorithm, system, and interface) were identified. Among the four fields, in the researched papers of artificial intelligence learning data, a large number of contents that met the artificial intelligence trustworthiness requirements were found, and ethical requirements were explored through meta-analysis using SPSS. In the remaining three fields, there was very little or no content related to trustworthiness, and it was confirmed that the composition or contents of the paper as a whole were somewhat far from the trustworthiness requirements of the 'Trustworthy Artificial Intelligence Development Guide'. To verify the trustworthiness of artificial intelligence, it was proposed to describe the trustworthiness-related contents in the thesis, to develop detailed trustworthiness standards for each field, to establish a consulting and verification organization for trustworthiness verification, and to establish internationally acceptable trustworthiness standards.

생성형 AI는 의료, 교육, 산업 등 다양한 분야에서 큰 변화를 가져왔다. 생성형 AI와 같은 기술은 방사선학 교육 분야에서도 널리 사용되고 있지만 생성형 AI가 제공하는 응답의 정확성에 대한 연구는 여전히 제한적이다. 본 연구는 ChatGPT-4, ChatGPT-4o 그리고 마이크로소프트 Copilot의 생성형 AI 모델을 활용하여 2022년 및 2023년 국가 방사선사 1차 및 2차 시험의 신뢰도를 평가하였다. 평가 방법은 2022년과 2023년 방사선사 자격시험 문제를 한국어로 각 생성형 AI에 입력하고 총 문제 수를 기준으로 정답률을 산출하는 방식으로 진행되었다. 또한 질문 시 사용되는 국가 언어의 차이에 대한 차이를 확인하기 위해 같은 방법으로 영어로 번역 후 실험을 진행 하였다. 2022년과 2023년 시험 문제에 대한 정답률은 ChatGPT-4가 두 해 모두 83%, ChatGPT-4o가 두 해 모두 87.5%, Copilot은 2022년 86%, 2023년 87%로 나타나 평균 86.5%를 기록했다. 그 외 언어의 차이로 인한 정답률은 유의미한 결과를 나타내지 않았다. 즉 한국어와 영어 그리고 일본어 모두 80% 이상의 정답률을 나타내며 방사선사 국가시험의 합격 기준을 통과 하며 높은 정답률을 보였다. 하지만 10% 이상의 오답률 또한 여전히 존재하므로 출력된 결과물의 검증은 반드시 필요하다고 보여 진다.

Generative AI has brought significant changes across various fields, including healthcare, education, and industry. Technologies such as generative AI are widely used in the field of radiology education. However, research on the accuracy of responses provided by generative AI remains limited. This study evaluates the reliability of generative AI models-ChatGPT-4, ChatGPT-4o, and Microsoft Copilot-by assessing their performance on the 2022 and 2023 National Radiologic Technologist Qualification Examinations (both first and second rounds). The evaluation method involved inputting the 2022 and 2023 radiologic technologist qualification exam questions in Korean into each AI model and calculating their accuracy rates based on the total number of questions. Additionally, to examine potential differences due to language variations, the same method was applied after translating the questions into English. The accuracy rates for the 2022 and 2023 exams were as follows: ChatGPT-4 achieved 83% in both years, ChatGPT-4o recorded 87.5% in both years, and Copilot scored 86% in 2022 and 87% in 2023, averaging 86.5%. The accuracy rates across different languages did not show significant differences. Specifically, all three AI models achieved over 80% accuracy in Korean, English, and Japanese, surpassing the passing criteria for the radiologic technologist qualification exam. However, since an error rate exceeding 10% still exists, it is essential to verify the generated results for accuracy.

Deep learning-based vision systems are widely used in manufacturing for defect inspection and process monitoring, but their performance can drop sharply under rare visual disturbances such as sudden illumination changes, occlusions, and pose variations that were not seen during training. Since collecting and labeling data that covers all such real-world conditions is costly and risks production downtime, this paper proposes a framework that combines digital-twin-based domain expansion with test-time adaptation. A Segment-Guided Network (SGN) is trained on image-mask pairs generated from a high-fidelity Unity-based simulation in which lighting factors are systematically controlled, and at test time the segmentation model is stably adapted using semantic self-supervisory signals produced by SGN, without additional labels. Experiments on a robot manipulator dataset and an in-house digital twin dataset under various domain shift conditions show that the proposed method improves Dice scores by up to 27.47 percentage points over a source-only baseline and by up to 25.05 percentage points over other test-time adaptation methods, demonstrating robust visual perception and reliability in manufacturing environments under rare compound disturbances while minimizing labeling cost and production downtime.

원전 계측제어계통은 정상운전 시 자가 진단기능의 유지보수를 위해 일정 주기로 건전성을 확인하고 있으며, 계획예방정비 기간 동안 기능 및 성능점검을 실시하여 필요한 경우 유지보수를 하고 있다. 하지만 원전의 정보를 계측하고 제어하는 계측제어계통에서도 선제적으로 고장을 진단하고 대처하여 사고전파를 방지할 수 있는 기술개발이 필요하다. 이에 본 논문에서는 계측제어 장비의 환경조건과 자가 진단 데이터를 활용한 신뢰도 함수 추정 방안을 연구하였으며, 고장데이터의 획득을 위해 계측제어 장비의 부품에 대한 Feature 별 확률분포를 가정하여 가상 고장데이터를 생산하였다. 이러한 고장데이터를 바탕으로 생존분석에서 활용되는 대표적인 인공지능 모델(DeepSurve, DeepHit)을 이용하여 신뢰도 함수를 추정하였고, 그와 동시에 전통적인 준모수적 방법론인 Cox 회귀모델을 통해 신뢰도 함수를 추정하여 환경조건과 진단 데이터를 바탕으로 한 잔여 수명 계산을 통해 적용 가능성을 확인하였다.

The nuclear power plant(NPP)'s Instrumentation and Control(I&C) system periodically conducts integrity checks for the maintenance of self-diagnostic function during normal operation. Additionally, it performs functionality and performance checks during planned preventive maintenance periods. However, there is a need for technological development to diagnose failures and prevent accidents in advance. In this paper, we studied methods for estimating the reliability function by utilizing environmental data and self-diagnostic data of the I&C equipment. To obtain failure data, we assumed probability distributions for component features of the I&C equipment and generated virtual failure data. Using this failure data, we estimated the reliability function using representative artificial intelligence(AI) models used in survival analysis(DeepSurve, DeepHit). And we also estimated the reliability function through the Cox regression model of the traditional semi-parametric method. We confirmed the feasibility through the residual lifetime calculations based on environmental and diagnostic data.

첨단 패키지 기술은 반도체 산업의 고성능화, 소형화, 저전력화 요구를 충족시키기 위해 빠르게 발전하고 있다. 특히, 웨이퍼 레벨 패키지(wafer-level package, WLP)는 반도체 패키징 기술 중에서도 소형화 및 고성능화 요구를 충족시키는 핵심 기술로 주목받고 있다. 그러나 기술의 복잡성과 다양한 환경 요인으로 인해 신뢰성 수명 예측은 중요한 과제로 대두되고 있다. 전통적인 물리 기반 모델과 가속 수명 시험은 높은 비용과 시간 소모의 한계를 가지며, 이를 보완하기 위해 인공지능 기술, 특히 머신러닝 알고리즘이 주목받고 있다. 본 논문에서는 비지도학습, 지도학습, 그리고 하이브리드 학습 접근법을 중심으로 첨단 패키지의 신뢰성 수명 예측을 위한 머신러닝 알고리즘의 연구 동향을 살펴보고, 향후 연구 방향을 제시하고자 한다.

Advanced packaging technologies are rapidly evolving to meet the semiconductor industry's increasing demands for higher performance, miniaturization, and lower power consumption. Among these technologies, wafer-level packaging (WLP) has emerged as a key solution due to its superior capability in achieving compactness and enhanced performance. However, predicting the reliability life of WLP remains a significant challenge due to its complex structure and various environmental factors. Traditional reliability life prediction methods, such as physics-based modeling and accelerated life testing, are limited by high costs and long time requirements. To address these limitations, artificial intelligence (AI), particularly machine learning (ML) algorithms, have gained significant attention. This study discusses recent trends in ML algorithms for reliability life prediction in advanced packaging, focusing on unsupervised learning, supervised learning, and hybrid learning approaches. Additionally, the paper provides insights into potential future research directions.