Earticle

본 연구는 생성형 인공지능(AI)과 인간 연구자의 협업을 통해 질적연구 전사자료 코딩 과정이 어떻게 조직되고 조율되는지를 탐색하는 데 목적이 있다. 이를 위해 결혼이 주여성의 자립 경험을 다룬 심층면담 전사자료 25편을 대상으로, AI 기반 1차 코딩과 인간 연구자의 반복적 검토, 수정, 해석이 상호적으로 이루어지는 사례연구를 수행하 였다. 분석 결과, 생성형 AI는 방대한 텍스트 자료의 신속 처리 및 반복적 패턴 탐지, 초기 코드 생성과 범주 제안 효율성 증대에 기여하였다. 그러나 동시에 발화 맥락의 단 절, 의미의 단순화와 과잉 일반화, 유사·중복 범주의 과잉 생성, 환각과 부분적 발화 누 락, 비언어적·정동적 의미 해석의 한계와 같은 문제들이 반복적으로 확인되었다. 이에 인간 연구자는 AI 생성 코드 및 범주를 원전사 자료와 대조하며 발화코드 정합성 검 토, 맥락 보완, 범주 재구조화, 위계 조정, 최종 해석 확정의 역할을 수행함으로써 분석 의 타당성과 의미 구성을 주도하였다. 특히 본 연구에서 AI가 제안한 범주 체계는 인간 연구자의 해석적 판단을 통해 다층적으로 수정·재조정되었으며, 이 과정에서 AI인간 협업은 반복적 조율과 비판적 검증을 핵심으로 하는 분석 실천으로 나타났다. 본 연구 는 AI가 질적자료 코딩의 유용한 보조 도구가 될 수 있음을 결혼이주여성 전사자료 분 석 사례를 통해 확인하는 동시에, 질적연구의 해석적 책임과 분석적 판단은 여전히 인 간 연구자에게 귀속됨을 보여준다.

This study aims to explore how the coding process of qualitative interview transcripts is organized and coordinated through collaboration between generative artificial intelligence (AI) and human researchers. To this end, a case study was conducted using 25 in-depth interview transcripts addressing the self-reliance experiences of marriage migrant women. The analysis involved an interactive process in which AI-based first-round coding was followed by repeated review, revision, and interpretation by human researchers. The findings indicate that generative AI contributed to the rapid processing of large volumes of textual data, the detection of recurrent patterns, and increased efficiency in generating initial codes and category suggestions. At the same time, however, recurring problems were identified, including fragmentation of utterance context, simplification and overgeneralization of meaning, excessive generation of similar or overlapping categories, hallucinations and partial omission of utterances, and limitations in interpreting nonverbal and affective meanings. In response, human researchers played a central role in ensuring analytical validity and meaning construction by comparing AI-generated codes and categories with the original transcripts, examining utterancecode alignment, supplementing contextual information, restructuring categories, adjusting hierarchical relationships, and determining final interpretations. In particular, the category system proposed by AI was repeatedly modified and recalibrated through the interpretive judgments of human researchers, revealing AIhuman collaboration as an analytical practice characterized by iterative coordination and critical validation. This study demonstrates, through an analysis of interview transcripts with marriage migrant women, that AI can serve as a useful auxiliary tool for qualitative data coding, while also underscoring that interpretive responsibility and analytical judgment in qualitative research remain firmly vested in human researchers.

본 연구는 생성형 인공지능(AI)과 인간 연구자의 협업을 통해 질적연구 전사자료 코 딩 과정이 어떻게 조직되고 조율되는지를 탐색하는 데 목적이 있다. 이를 위해 결혼이 주여성의 자립 경험을 다룬 심층면담 전사자료 25편을 대상으로, AI 기반 1차 코딩과 인간 연구자의 반복적 검토, 수정, 해석이 상호적으로 이루어지는 사례연구를 수행하 였다. 분석 결과, 생성형 AI는 방대한 텍스트 자료의 신속 처리 및 반복적 패턴 탐지, 초기 코드 생성과 범주 제안 효율성 증대에 기여하였다. 그러나 동시에 발화 맥락의 단 절, 의미의 단순화와 과잉 일반화, 유사·중복 범주의 과잉 생성, 환각과 부분적 발화 누 락, 비언어적·정동적 의미 해석의 한계와 같은 문제들이 반복적으로 확인되었다. 이에 인간 연구자는 AI 생성 코드 및 범주를 원전사 자료와 대조하며 발화코드 정합성 검 토, 맥락 보완, 범주 재구조화, 위계 조정, 최종 해석 확정의 역할을 수행함으로써 분석 의 타당성과 의미 구성을 주도하였다. 특히 본 연구에서 AI가 제안한 범주 체계는 인간 연구자의 해석적 판단을 통해 다층적으로 수정·재조정되었으며, 이 과정에서 AI인간 협업은 반복적 조율과 비판적 검증을 핵심으로 하는 분석 실천으로 나타났다. 본 연구 는 AI가 질적자료 코딩의 유용한 보조 도구가 될 수 있음을 결혼이주여성 전사자료 분 석 사례를 통해 확인하는 동시에, 질적연구의 해석적 책임과 분석적 판단은 여전히 인 간 연구자에게 귀속됨을 보여준다.

This study aims to explore how the coding process of qualitative interview transcripts is organized and coordinated through collaboration between generative artificial intelligence (AI) and human researchers. To this end, a case study was conducted using 25 in-depth interview transcripts addressing the self-reliance experiences of marriage migrant women. The analysis involved an interactive process in which AI-based first-round coding was followed by repeated review, revision, and interpretation by human researchers. The findings indicate that generative AI contributed to the rapid processing of large volumes of textual data, the detection of recurrent patterns, and increased efficiency in generating initial codes and category suggestions. At the same time, however, recurring problems were identified, including fragmentation of utterance context, simplification and overgeneralization of meaning, excessive generation of similar or overlapping categories, hallucinations and partial omission of utterances, and limitations in interpreting nonverbal and affective meanings. In response, human researchers played a central role in ensuring analytical validity and meaning construction by comparing AI-generated codes and categories with the original transcripts, examining utterancecode alignment, supplementing contextual information, restructuring categories, adjusting hierarchical relationships, and determining final interpretations. In particular, the category system proposed by AI was repeatedly modified and recalibrated through the interpretive judgments of human researchers, revealing AIhuman collaboration as an analytical practice characterized by iterative coordination and critical validation. This study demonstrates, through an analysis of interview transcripts with marriage migrant women, that AI can serve as a useful auxiliary tool for qualitative data coding, while also underscoring that interpretive responsibility and analytical judgment in qualitative research remain firmly vested in human researchers.

본 논문은 웹 기반 코딩 플랫폼인 CodeWalks를 Open edX 학습관리시스템(LMS)과 통합하여 코딩 교육을 개선하는 방안을 제시하였다. 제안된 시스템은 RESTful API와 사용자 정의 XBlock을 활용하여 CodeWalks와 Open edX 간의 원활한 통신을 구현하였으며, 이를 통해 실시간 코딩 활동 모니터링, 포괄적인 학습자 분석, 자동화된 퀴즈 채점, 그리고 블록 기반 및 텍스트 기반 코딩 인터페이스의 통합과 같은 핵심 기능을 제공하였다. 또한, Open edX의 분석 모듈인 edX Insights와 Figures를 통합하여 학습자 진행 상황을 정밀하게 추적하고 분석할 수 있는 강력한 프레임워크를 구축하였다. 정량적 분석 결과, 제안된 시스템은 학습자의 참여도(31% 증가, p < 0.001), 과제 완료율(23% 상승, χ² = 45.2, p < 0.001), 오류율(41% 감소, p < 0.001), 블록 기반에서 텍스트 기반 코딩으로의 전환율(73% vs. 52%, χ² = 38.7, p < 0.001), 그리고 학습자 만족도(중앙값 4.4 vs. 3.7, U = 76,234, p < 0.001)에서 통계적으로 유의미한 개선을 보였다. 이 연구는 코딩 초보자들의 학습 어려움을 해결하고 개인화된 학습 환경을 제공함으로써, 더 효과적이고 접근성 높은 코딩 교육의 새로운 가능성을 제시하였다.

This paper proposes integrating the CodeWalks coding platform with Open edX LMS to enhance coding education. The system uses RESTful APIs and custom XBlocks for seamless communication, enabling real-time monitoring, comprehensive analytics, and automated assessment. Integration with edX Insights and Figures provides detailed learner progress tracking. Quantitative analysis reveals significant improvements in the experimental group: 31% increase in engagement rate (p < 0.001), 22% higher completion rate (χ² = 45.2, p < 0.001), 41% decrease in error rate (p < 0.001), improved transition to text-based coding (73% vs 52%, χ² = 38.7, p < 0.001), and higher learner satisfaction (median 4.4 vs 3.7, U = 76,234, p < 0.001). The integrated platform addresses challenges faced by coding novices and offers a personalized learning environment. This study contributes to effective online coding education and provides a foundation for future innovations in educational technology.

본 산업/직업 자동코딩 시스템은 조사 대상자들이 응답한 방대한 양의 산업/직업을 설명하는 자연어 데이터에 통계 분류 코드를 자동으로 부여하는 시스템이다. 본 연구는 기존의 정보검색 기반의 산업/직업 자동코딩시스템과 다르 게 딥러닝을 이용하여 색인 DB가 필요하지 않고 분류 수준에 상관없이 코드를 부여할 수 있는 시스템을 제안한다. 또 한, 자연어 처리에 특화된 딥러닝 기법인 KoBERT를 적용한 제안 모델은 인구주택총조사 산업/직업 코드 분류, 그리고 사업체기초조사 산업 코드 분류에서 각각 95.65%, 91.45%, 97.66%의 Top 10 정확도를 보인다. 제안한 모델 실험 후 향후 개선 가능성을 데이터/모델링 관점으로 분석한다.

An Automated Industry and Occupation Coding System assigns statistical classification code to the enormous amount of natural language data collected from people who write about their industry and occupation. Unlike previous studies that applied information retrieval, we propose a system that does not need an index database and gives proper code regardless of the level of classification. Also, we show our model, which utilized KoBERT that achieves high performance in natural language downstream tasks with deep learning, outperforms baseline. Our method achieves 95.65%, 91.51%, and 97.66% in Occupation/Industry Code Classification of Population and Housing Census, and Industry Code Classification of Census on Basic Characteristics of Establishments. Moreover, we also demonstrate future improvements through error analysis in the respect of data and modeling.

본 연구는 방송 음악 프로그램을 대상으로 여성 신체 대상화 및 선정적 화면의 자동화된 검출을 위한 규칙을 찾는 연구이다. 그동안 사람에 의해 수동으로 연구되었던 화면 이미지를 자동화된 컴퓨터 알고리즘으로 추출하기 위해 어떠한 규칙을 적용해야 하는지 시험해 보았다. 연구는 2021년 3월 2째주에 지상파 3사 음악 프로그램에 방송된 걸그룹 브레이브걸스의 ‘롤린’ 댄스 화면을 대상으로 각 방송사 화면을 비교하며 진행되었다. 선행 연구에 기반하여 여성 신체가 대상화되는 이미지와 선정적 이미지를 12개의 화면 이미지로 구분하고, 방송 카메라 앵글이 이들 장면을 잡아낼 때 이전 화면과 달라지는 특질을 찾고자 하였다. 연구 방법으로는 영상 화면의 프레임 추출과 딥러닝에 기반한 YOLO4 객체 감지 알고리즘, 동작 감지 프레임워크인 MediaPipe를 활용하였다. 본 연구의 결과를 요약하면 다음과 같다. 우선, 여성 신체가 대상화되는 화면에서는 장면 전환이 일어나면서 이전 화면 대비 화면에 등장하는 사람의 수가 급격히 줄어드는 규칙이 발견되었다. 그런데, 이러한 규칙이 반드시 여성 신체가 대상화되는 화면에만 적용되는 것은 아니어서, 오히려 선정적 화면을 회피하는 방식으로도 확인되었다. 따라서, 추가적인 규칙으로 화면에 사람 얼굴이 등장여부를 동시적으로 적용해야 화면이 여성 신체를 대상화하는지 아니면 선정적 화면을 회피하는 방식의 카메라 앵글 화면인지 검출할 수 있는 것으로 나타났다. 부가적인 연구 문제로 지상파 방송 3사 화면의 대상화 및 선정적 화면 빈도를 살펴본 결과 MBC가 다른 방송사보다 상대적으로 대상화 및 선정적 화면이 적은 것으로 나타났다. 동작 검출을 해보니 MBC 화면에서 신체 하체부위의 화면이 다른 방송사보다 더 적게 검출되었다. 본 연구는 1개 걸그룹의 1개 노래에 대한 분석이라는 한계를 가지지만, 그동안 사람에 의한 수동 연구방법으로 연구된 방송 영상 이미지 연구를 자동화된 양적 연구를 통해 대용량 방송 화면에 적용하기 위해 어떠한 규칙이 적용되어야 하는지 탐색한 연구라는 의의를 가진다.

The goal of this research is to examine patterns of objectification and sexualization of the female body in music programs on television. The study's goal is to identify rules for automated visual image detection of body objectification and sexualization. To do so, previous qualitative study findings were used to identify target images and the cutting-edge object-detection deep learning algorithm, YOLO4 (You Only Look Once), and MediaPipe, a framework for deep learning-based pose detection, were used to search for patterns. As this is a one-of-a-kind study linking body objectification and algorithm-based object detection, the case for analysis must be carefully chosen, taking into account random effects from unplanned camera movements caused by real-time broadcasting. The dance to the song 'Rollin' by the female group 'Brave Girls' had already been broadcasted earlier in 2017. Thus, the on-stage choreography and camera movements associated with the song were already known, making them suitable for research data. The study used music programs that aired on three broadcasting networks, KBS, MBC, and SBS, during the second week of March, 2021. To fine-tune the patterns, 12 screen images were selected by extracting keyframes from the song's original music videos. The study's findings are summarized below. To begin, when the scene transition is associated with a significant decrease in the number of people in the visual frame in comparison to the previous frame, it is frequently associated with female body objectification. Because body objection is associated with an emphasis on a specific body-part in the absence of a face, this is essentially a zoom-in technique transited from a wide-angle view of the scene. This rule, however, is insufficient for detecting objectified visual images; it can also be applied to screen images that avoid sexualized images in the given dance choreography. As a result, an additional rule is required to exclusively find images of female body objectification, and it is discovered that detecting human faces on the screen appears to be a good measure. In other words, unless the human faces on the screen do not appear with the scene transition that shows a dramatic decrease in the number of humans in the scene, a visual flow of images can be considered female body objectification. The study also compared the levels of objectification across broadcasting networks and found that MBC has a lower proportion of sexualized images than that of other networks. On MBC's music program, the MediaPipe framework for pose detection discovered fewer scene images with lower body parts than others. The findings of this study suggest that computer vision research can be used to detect female objectified bodies and sexual images in television programs.

This study investigates the feasibility of developing automated CSAT English item generation (AIG) applications through “vibe coding”?a no-code, AI-assisted approach?and examines how prompting strategies influence item quality. Using Google AI Studio, two web-based AIG applications were built using One-shot and One-shot Chain-of-Thought (CoT) prompting. Sixty blank-inference items were automatically generated by the systems and evaluated by experts across five domains. The results confirm that vibe coding enables non-programmers to design sophisticated assessment tools. While both methods produced pedagogically valid items, prompting strategies selectively influenced quality: One-shot prompting showed significantly better alignment with target difficulty, whereas One-shot CoT produced more plausible distractors. No significant difference was found in total scores or interaction effects. These findings suggest that vibe coding enhances teacher agency by democratizing AI tool development. The study concludes that prompting strategies should be strategically selected?One-shot for difficulty calibration and CoT for logical distractor construction?supporting more effective human-AI collaborative assessment design.