Earticle

This study examines how collaborative translation has been approached in Korean scholarship and explores its conceptual framework and potential for development. Unlike in international research, where the term is more clearly defined, collaborative translation remains underused and insufficiently theorized in Korea. To address this gap, the study analyzes 254 academic papers to identify prevailing trends and limitations. Findings show that machine-centered approaches dominate (61.4%), focusing mainly on MT evaluation and translation education, while studies on professional collaboration between human translators and MT systems are relatively scarce. Human-centered studies (38%) encompass both multi-translator models—such as online collaboration, relay translation, and co-translation—and single-translator models involving collaboration with editors, proofreaders, clients, and others. Despite the widespread practice of co-translation, it remains underexplored in academic literature, exposing a gap between industry and academia. Existing classification models also fail to account for cases where a single translator assumes multiple roles, underscoring the need for a more nuanced framework that considers the intensity, stages, and dynamics of collaboration. This study highlights the need for a clearer and more comprehensive conceptualization of collaborative translation, and calls for future research that bridges theoretical insights with evolving technological and professional practices.

This study explores university students’ learning experiences in a collaborative, inquiry-based general English course that employed a range of AI-supported tools. Throughout the course, students used AI-supported generative systems, such as ChatGPT, to produce and refine texts, while non-generative AI-supported tools, like Papago and Natural Readers, supported translation, summarization, and text-to-speech tasks. Together, these AI-supported resources shaped how learners constructed meaning, processed information, and participated in collaborative activities. When fifty student artifacts, including group reports, reflective journals, and open-ended survey responses, were analyzed qualitatively four main themes emerged: (1) expanded and multilayered language-construction processes, (2) evolving structures of collaborative participation, (3) progressive development of AI-supported prompt-formulation strategies, and (4) affective responses tied to the use of AI-supported tools. Students described comparing AI-generated drafts, negotiating meaning with peers, and refining their ideas as they moved between tools. Many learners also noted that practicing prompts repeatedly helped them better control the quality of their output and use AI-supported tools more strategically. For several students, AI-supported assistance reduced anxiety, particularly in speaking and presentation tasks. Overall, the findings suggest that AI-supported tools collectively influence how learners construct meaning, collaborate with peers, and manage emotional aspects of learning. These insights offer important implications for designing AI-supported English instruction and understanding the teacher's evolving role in technology-mediated classrooms.

본 연구는 작곡가의 관점에서 인공지능 작곡 엔진의 실제 사용 사례를 통해, 프롬프트 엔지니 어링을 기반으로 한 AI 음악 작곡의 가능성과 한계점을 탐구한다. 2023 MUVA 프로젝트 쇼케 이스 <META-BREATHING> 전시의 일환으로 개최된 작곡가 정성엽의 협력형 연주 퍼포먼스 <Collabo and collabo>는 전문 바이올리니스트와 AIVA AI 작곡 프로그램을 이용하여 새롭 게 창작된 작품이다. 이 창작 과정에서 AI 작곡의 절차와 결과물을 분석하고, 이를 통해 AI 작 곡 프로그램의 문제점을 보완하며 작곡가의 개입 수준과 조건을 파악하고자 한다. 본 사례 연 구에서는 AI 작곡 프로그램이 작곡가의 의도를 넘어서는 새로운 아이디어를 창의적으로 제공 함에도 불구하고 연주자의 현실적인 연주 가능성, 곡 전개의 예측 가능성과 미세 조정 가능성 등의 부족으로 연주 퍼포먼스에 직접 적용이 어려움을 확인한다. 이에 현장에서 작곡가의 기 대치를 충족하기 위해 음악 제작 전문가들이 적극적으로 개입해 조절할 수 있는 방식으로 AI 작곡 플랫폼이 개선되어야 함을 제안한다.

This study analyzes the possibilities and limitations of AI composition based on prompt engineering through real-world use cases of AI composition engines from the perspective of a music composer. As part of the 2023 MUVA project showcase "META-BREATHING" exhibition, composer Chung Seong Yup's collaborative performance <Collabo and collabo> is a new creation that combines the work of a professional violinist and the AI composition program AIVA. In this creative process, the study aims to analyze the AI composition process and its outcomes, identifying the extent and conditions of the composer's involvement by addressing the issues inherent in the AI composition program used. While AI composition programs are creative and can offer new ideas beyond the composer's intentions, the case-study suggests a need for changes towards an AI composition platform that allows for active involvement by music production experts to produce results that meet the expectations of composers in the field.

본 연구의 목적은 질적연구에서 확산되고 있는 인간AI 협업이 실제 연구 과정에 어 떻게 작동하는지를 절차적으로 명시한 질적메타합성 연구모형을 제시하는 데 있다. 이 를 위해 본 연구는 가정해체를 경험한 결혼이주여성의 자립에 관한 15편의 질적연구물 의 질적메타합성을 연구사례로 삼는다. 특히 탈식민주의 관점을 분석의 인식론적 전제 로 설정함으로써, 이론적으로 통제된 협업 구조를 구현하고 질적연구에서 AI 활용의 투명성과 해석 책임성을 동시에 드러내는 방법론적 가능성을 탐색한다. 이러한 협업 과정의 결과로서 사례 간 연구물의 메타합성 주제는 ① 가정해체의 구조적 사건과 굴 곡진 경로의 자립 ② 자립의 관계적 자율성 ③ 개인 책임 부가의 통치 기술 ④ 자립의 정체성 재서사화 이렇게 4개를 도출하였다. 이 주제들은 가정해체 이주여성의 자립이 기존 연구 담론에서 전제해 온 경제적 성취나 제도적 독립 상태로 환원될 수 없으며, 삶 의 붕괴 이후 관계와 정체성 그리고 위치성의 재구성 등 다층적 과정을 나타냈다. 본 연구는 결혼이주여성의 자립을 개인 책임이나 정책 성과의 문제로 환원하는 지배적 담 론을 해체하는 동시에, 인간-AI 협업이 질적메타합성 연구에서 어떻게 이루어지는지를 구체적으로 제시함으로써 AI 기반 질적메타합성 방법론 개발에 기여한다.

The purpose of this study is to propose a qualitative meta-synthesis research model that procedurally explicates how humanAI collaboration, which has been increasingly adopted in qualitative research, operates within actual research processes. To this end, the study employs a qualitative meta-synthesis of fourteen qualitative studies on the self-reliance of marriage migrant women who have experienced family dissolution as an empirical case. By adopting a decolonial perspective as the epistemological foundation of the analysis, the study constructs a theoretically controlled collaboration framework and explores methodological possibilities for simultaneously demonstrating transparency in AI use and interpretive accountability in qualitative research. As a result of the collaborative process, four cross-study meta-synthesis themes were derived: (1) family dissolution as astructural event and unstable processes of self-reliance (2) relational autonomy ofself-reliance (3) governing technologies that impose individualized responsibility and (4) the re-narrativization of identity through self-reliance. These themes indicate that the self-reliance of marriage migrant women following family dissolution cannot be reduced to economic achievement or institutional independence, as presupposed in existing research discourses, but instead entails multi-layered processes of reconstructing relationships, identities, and positionalities after life disruption. By deconstructing dominant discourses that reduce the self-reliance of marriage migrant women to matters of individual responsibility or policy performance, and by concretely demonstrating how humanAI collaboration is enacted in qualitative meta-synthesis research, this study contributes to the development of AI-based qualitative meta-synthesis methodology.

본 연구의 목적은 질적연구에서 확산되고 있는 인간AI 협업이 실제 연구 과정에 어 떻게 작동하는지를 절차적으로 명시한 질적메타합성 연구모형을 제시하는 데 있다. 이 를 위해 본 연구는 가정해체를 경험한 결혼이주여성의 자립에 관한 15편의 질적연구물 의 질적메타합성을 연구사례로 삼는다. 특히 탈식민주의 관점을 분석의 인식론적 전제 로 설정함으로써, 이론적으로 통제된 협업 구조를 구현하고 질적연구에서 AI 활용의 투명성과 해석 책임성을 동시에 드러내는 방법론적 가능성을 탐색한다. 이러한 협업 과정의 결과로서 사례 간 연구물의 메타합성 주제는 ① 가정해체의 구조적 사건과 굴 곡진 경로의 자립 ② 자립의 관계적 자율성 ③ 개인 책임 부가의 통치 기술 ④ 자립의 정체성 재서사화 이렇게 4개를 도출하였다. 이 주제들은 가정해체 이주여성의 자립이 기존 연구 담론에서 전제해 온 경제적 성취나 제도적 독립 상태로 환원될 수 없으며, 삶 의 붕괴 이후 관계와 정체성 그리고 위치성의 재구성 등 다층적 과정을 나타냈다. 본 연구는 결혼이주여성의 자립을 개인 책임이나 정책 성과의 문제로 환원하는 지배적 담 론을 해체하는 동시에, 인간-AI 협업이 질적메타합성 연구에서 어떻게 이루어지는지를 구체적으로 제시함으로써 AI 기반 질적메타합성 방법론 개발에 기여한다.

The purpose of this study is to propose a qualitative meta-synthesis research model that procedurally explicates how humanAI collaboration, which has been increasingly adopted in qualitative research, operates within actual research processes. To this end, the study employs a qualitative meta-synthesis of fourteen qualitative studies on the self-reliance of marriage migrant women who have experienced family dissolution as an empirical case. By adopting a decolonial perspective as the epistemological foundation of the analysis, the study constructs a theoretically controlled collaboration framework and explores methodological possibilities for simultaneously demonstrating transparency in AI use and interpretive accountability in qualitative research. As a result of the collaborative process, four cross-study meta-synthesis themes were derived: (1) family dissolution as astructural event and unstable processes of self-reliance (2) relational autonomy ofself-reliance (3) governing technologies that impose individualized responsibility and (4) the re-narrativization of identity through self-reliance. These themes indicate that the self-reliance of marriage migrant women following family dissolution cannot be reduced to economic achievement or institutional independence, as presupposed in existing research discourses, but instead entails multi-layered processes of reconstructing relationships, identities, and positionalities after life disruption. By deconstructing dominant discourses that reduce the self-reliance of marriage migrant women to matters of individual responsibility or policy performance, and by concretely demonstrating how humanAI collaboration is enacted in qualitative meta-synthesis research, this study contributes to the development of AI-based qualitative meta-synthesis methodology.

본 연구는 2026년 3월까지 발표된 인간-AI 협력 관련 경험연구를 체계적으로 수집·선별하여, 그 시기별 분포와 상호작용 구조, 교육적 함의를 분석하는 데 목적이 있다. 특히 인간-AI 협력이라는 표현이 연구와 실천 맥락에서 언제부터 본격적으로 사용되기 시작했는지, 그리고 교육 맥락에서 그러한 협력이 어떠한 신뢰, 상호작용 주도권, 인식적 주체성의 조건 위에서 성립하는지를 검토하였다. 본 연구는 PRISMA 2020 보고 지침에 따라 문헌 검색, 중복 제거, 제목·초록 검토, 전문 적격성 검토의 절차를 거쳐 최종 분석 대상을 확정하였다. 최종 코퍼스는 162편의 경험연구로 구성되었으며, 코드북은 아키텍처 유형, AI 역할, 상호작용 주도권, 교육 수준, 결과지표를 중심으로 설계하였다. 분석 결과, 최종 포함 문헌의 67.9%가 2023년 이후에 집중되었고, 생성형 LLM 기반 연구가 59편(36.4%)으로 가장 큰 비중을 차지하였다. 상호작용 주도권은 Human-Driven 78편(48.1%), AI-Driven 51편(31.5%), Shared-Initiative 33편(20.4%)으로 나타나, 최근의 협력 담론이 곧바로 대칭적 공동주도 구조로 이어지는 것은 아님을 시사하였다. 또한 고등교육 연구가 98편(60.5%)으로 가장 높은 비중을 보였고, K-12 연구는 13편(8.0%)에 그쳐 상대적으로 제한적이었다. 결과지표 측면에서는 성과 관련 지표가 가장 빈번하게 관찰되었으나, 에이전시, 신뢰, 인지적 외주화와 관련된 항목도 최근 문헌에서 함께 부상하고 있었다. 이상의 결과는 인간-AI 협력 관련 경험연구가 생성형 인공지능 서비스의 확산 이후 빠르게 증가하였으나, 교육 맥락에서의 협력은 여전히 신뢰 보정, 역할 협상, 최종 판단권 유지의 조건 아래 제한적으로 구성되고 있음을 시사한다.

This study aimed to systematically collect and screen empirical studies on human-AI collaboration published through March 2026 and to analyse their period-based distribution, interactional structures, and educational implications. In particular, it examined when the expression human-AI collaboration began to gain broader salience in research and practice, and under what conditions of trust, interactional initiative, and epistemic agency such collaboration becomes viable in educational contexts. Following the PRISMA 2020 reporting guidelines, the study identified, de-duplicated, and screened the literature through title-and-abstract review and full-text eligibility assessment, resulting in a final corpus of 162 empirical studies. The codebook focused on architecture type, AI role, interactional initiative, educational level, and outcome indicators. The results showed that 67.9% of the included studies were published from 2023 onward, and that studies based on generative LLMs accounted for the largest share, with 59 articles (36.4%). The distribution of interactional initiative was Human-Driven in 78 studies (48.1%), AI-Driven in 51 studies (31.5%), and Shared-Initiative in 33 studies (20.4%), suggesting that the recent discourse of collaboration does not necessarily imply a symmetrical co-led structure. The analysis also showed a strong concentration in higher education, with 98 studies (60.5%), and a relative scarcity of K-12 research, with 13 studies (8.0%). Although performance-related indicators remained the most frequently observed outcomes, such indicators as agency, trust, and cognitive offloading also became more visible in recent studies. These findings suggest that empirical research on human-AI collaboration has expanded rapidly following the diffusion of generative AI services; however, in educational settings, such collaboration appears to remain conditionally structured around calibrated trust, negotiated roles, and the preservation of final human judgement.

본 연구는 생성형 AI가 질적연구의 분석 과정에 실질적으로 개입하는 환경 변화에대응하여, 인간 연구자의 해석 책임과 참여자 보호를 동시에 확보할 수 있는 인간AI 협업 질적연구용 IRB 프로토콜을 개발하는 데 목적을 둔다. 최근 AI는 텍스트 요약과범주화, 초기 코딩 등 연구 과정의 핵심 단계에 참여하며 연구 수행 방식을 재구성하고있으나, 기존 벨몬트 레포트의 윤리 원칙만으로는 데이터 재식별 위험, 알고리즘 편향, 책임 귀속 문제와 같은 새로운 쟁점을 충분히 다루기 어렵다. 이를 위해 본 연구는NIST, GDPR, UNESCO 등 국제 규범에 대한 벤치마킹 분석과 함께, 연구윤리 및 AI 분야 전문가 10인을 대상으로 전문가 의견 조사를 실시하여 프로토콜의 타당성을 검토하였다. 분석 결과로 ① AI 활용의 투명성 ② 데이터 보호 및 비식별화 ③ 설명 동의의 확장 ④ 알고리즘 편향 관리 ⑤ 인간 연구자의 최종 책임이라는 다섯 가지 핵심 원칙이 도출되었으며, 특히 인간 연구자의 최종 책임과 AI 활용 절차의 명시에 대해 높은 합의가확인되었다. 이에 따라 본 연구는 IRB 심사의 초점을 기술 자체의 평가에서 연구자의절차적 통제 장치 검증으로 전환할 것을 제안하며, 프롬프트 설계 이력과 도구 버전 기록, 교차 검증 절차, 데이터 폐기 체계 등을 포함한 프로토콜을 제시한다. 이러한 연구는 AI 시대 질적연구의 방법론적 기준을 재정립하고, IRB 심사의 실효성을 높이며, 참여자의 데이터 주권을 보호하는 데 기여한다.

This study aims to develop an Institutional Review Board (IRB) protocol for humanAI collaborative qualitative research, seeking to ensure the interpretive responsibility of human researchers and the protection of research participants as generative Artificial Intelligence(AI) becomes increasingly embedded in qualitative research. AI is now used in key research stages, including text summarization, categorization, and initial coding, thereby transforming conventional research practices. However, the Belmont Report’s ethical principles alone cannot fully address emerging concerns such as data re-identification, algorithmic bias, and unclear responsibility attribution. To respond to these issues, this study conducted a benchmarking analysis of international ethical and governance frameworks, including NIST, GDPR, and UNESCO, and administered an expert survey from ten specialists in qualitative research, research ethics, and artificial intelligence. The findings identify five core principles: transparency in AI use, risk management with data protection and re-identification, expansion of informed consent, control of algorithmic bias, and ultimate accountability of human researchers. Strong consensus emerged on the necessity to define human accountability and AI usage procedures clearly. Accordingly, this study proposes shifting IRB review’s focus from evaluating AI systems’ technical properties to examining human researchers’ procedural safeguards. The protocol includes documentation of prompt design history, tracking of AI tool’s specification, cross-validation procedures, and data disposal frameworks. This study contributes to redefining qualitative research standards in the AI era, enhancing the effectiveness of IRB reviews, and protecting research participants’ data sovereignty.

본 연구는 생성형 AI가 질적연구의 분석 과정에 실질적으로 개입하는 환경 변화에대응하여, 인간 연구자의 해석 책임과 참여자 보호를 동시에 확보할 수 있는 인간AI 협업 질적연구용 IRB 프로토콜을 개발하는 데 목적을 둔다. 최근 AI는 텍스트 요약과범주화, 초기 코딩 등 연구 과정의 핵심 단계에 참여하며 연구 수행 방식을 재구성하고있으나, 기존 벨몬트 레포트의 윤리 원칙만으로는 데이터 재식별 위험, 알고리즘 편향, 책임 귀속 문제와 같은 새로운 쟁점을 충분히 다루기 어렵다. 이를 위해 본 연구는NIST, GDPR, UNESCO 등 국제 규범에 대한 벤치마킹 분석과 함께, 연구윤리 및 AI 분야 전문가 10인을 대상으로 전문가 의견 조사를 실시하여 프로토콜의 타당성을 검토하였다. 분석 결과로 ① AI 활용의 투명성 ② 데이터 보호 및 비식별화 ③ 설명 동의의 확장 ④ 알고리즘 편향 관리 ⑤ 인간 연구자의 최종 책임이라는 다섯 가지 핵심 원칙이 도출되었으며, 특히 인간 연구자의 최종 책임과 AI 활용 절차의 명시에 대해 높은 합의가확인되었다. 이에 따라 본 연구는 IRB 심사의 초점을 기술 자체의 평가에서 연구자의절차적 통제 장치 검증으로 전환할 것을 제안하며, 프롬프트 설계 이력과 도구 버전 기록, 교차 검증 절차, 데이터 폐기 체계 등을 포함한 프로토콜을 제시한다. 이러한 연구는 AI 시대 질적연구의 방법론적 기준을 재정립하고, IRB 심사의 실효성을 높이며, 참여자의 데이터 주권을 보호하는 데 기여한다.

This study aims to develop an Institutional Review Board (IRB) protocol for humanAI collaborative qualitative research, seeking to ensure the interpretive responsibility of human researchers and the protection of research participants as generative Artificial Intelligence(AI) becomes increasingly embedded in qualitative research. AI is now used in key research stages, including text summarization, categorization, and initial coding, thereby transforming conventional research practices. However, the Belmont Report’s ethical principles alone cannot fully address emerging concerns such as data re-identification, algorithmic bias, and unclear responsibility attribution. To respond to these issues, this study conducted a benchmarking analysis of international ethical and governance frameworks, including NIST, GDPR, and UNESCO, and administered an expert survey from ten specialists in qualitative research, research ethics, and artificial intelligence. The findings identify five core principles: transparency in AI use, risk management with data protection and re-identification, expansion of informed consent, control of algorithmic bias, and ultimate accountability of human researchers. Strong consensus emerged on the necessity to define human accountability and AI usage procedures clearly. Accordingly, this study proposes shifting IRB review’s focus from evaluating AI systems’ technical properties to examining human researchers’ procedural safeguards. The protocol includes documentation of prompt design history, tracking of AI tool’s specification, cross-validation procedures, and data disposal frameworks. This study contributes to redefining qualitative research standards in the AI era, enhancing the effectiveness of IRB reviews, and protecting research participants’ data sovereignty.

생성형 AI와 에이전틱 AI의 확산은 디자인 실무에서 구현 중심 과업의 성격을 변화시키고 있으며, 이에 따라 디자이너에게 요구되는 역량 역시 개별 결과물의 직접 제작에서 작업 과정의 구조화, 인간-AI 역할 배분, 산출물과 과정에 대한 비평적 판단으로 이동하고 있다. 특히 AI가 초안 생성, 시각화, 반복 수정 등 초급 디자이너가 수행해 온 주변적 과업을 보조하거나 대체하게 되면서, 실무 경험을 통해 점진적으로 형성되던 디자인 전문성의 학습 경로가 약화될 가능성이 제기된다. 본 연구는 이러한 문제의식에서 출발하여 AI 협업 환경에서 요구되는 디자이너 역량을 이론적으로 재정의하고, 이를 설명하기 위한 개념으로 시스테마틱 디자이너(Systematic Designer)를 제안한다. 본 연구는 문헌 연구에 기반한 개념적 프레임워크 제안 연구이다. 이를 위해 디자이너의 전통적 역할을 기획자, 구현자, 비평자의 세 축으로 검토하고, 전문성 발달 단계와 인지부하 이론을 바탕으로 초급 디자이너의 학습 경로와 인지적 차이를 고찰하였다. 또한 프로세스 아키텍처링을 암묵적 디자인 전문성을 외현화하는 방법으로 해석하여, 디자인 과정을 작업 단위와 흐름, 수행 주체, 판단 지점의 관계로 재구성하였다. 이를 바탕으로 시스테마틱 디자이너를 AI 협업 환경에서 디자인 과정을 명시적으로 구조화하고, 인간과 AI의 역할을 전략적으로 배분하며, 산출물과 작업 과정의 적절성을 비평적으로 판단·조정하는 메타역량을 갖춘 디자이너로 정의하였다. 그 핵심 역량은 프로세스 구조화 능력, 인간-AI 역할 배분 능력, 비평적 품질 관리 능력으로 정리된다. 나아가 본 연구는 이러한 역량을 디자인교육에서 다루기 위한 예비적 교육 설계 원리로 MECE 기반 작업 절차 구조화, 스윔레인 차트를 통한 인간-AI 역할 구조 시각화, 실행 및 비평적 평가의 세 단계를 제안하였다. 이 논의는 AI 시대의 디자이너를 단순한 도구 사용자나 결과물 생산자가 아니라, 디자인 과정 전체를 설계·조율·평가하는 주체로 재정의했다는 점에서 의의를 지닌다. 또한 실무 경험을 통해 암묵적으로 형성되던 작업 설계와 판단 능력을 디자인교육에서 명시적으로 구조화하기 위한 이론적 기반을 제공한다. 실제 교육 현장에서의 적용 양상과 교육 효과에 대한 경험적 검증은 후속 연구 과제로 설정하였다.

The expansion of generative AI and agentic AI is changing the nature of implementation-oriented tasks in design practice. Accordingly, the competencies required of designers are shifting from the direct production of individual outcomes toward the structuring of work processes, human-AI role allocation, and critical judgment of both design outcomes and processes. In particular, as AI increasingly supports or replaces peripheral tasks traditionally performed by novice designers, such as initial draft generation, visualization, and iterative refinement, concerns have emerged that the experiential learning pathways through which design expertise has gradually been formed may be weakened. Against this background, this study theoretically redefines the competencies required of designers in AI-collaborative environments and proposes the concept of the Systematic Designer. This study proposes a conceptual framework based on a literature review. It examines the traditional roles of designers through three dimensions: planner, implementer, and critic. It also reviews the learning pathways and cognitive differences of novice designers based on models of expertise development and cognitive load theory. In addition, this study interprets process architecting as a method for externalizing tacit design expertise and reconstructs the design process in terms of task units, process flows, performing agents, and decision points. Based on this discussion, the Systematic Designer is defined as a designer equipped with the meta-competency to explicitly structure design processes, strategically allocate roles between humans and AI, and critically evaluate and adjust the appropriateness of both design outcomes and work processes in AI-collaborative environments. The core competencies of the Systematic Designer are identified as process structuring ability, human-AI role allocation ability, and critical quality management ability. Furthermore, this study proposes three preliminary educational design principles for addressing these competencies in design education: MECE-based structuring of work procedures, visualization of human-AI role structures through swimlane charts, and execution with critical evaluation. The significance of this study lies in redefining the designer in the AI era not as a mere tool user or producer of visual outcomes, but as an agent who designs, coordinates, and evaluates the entire design process. It also provides a theoretical basis for explicitly structuring, within design education, the abilities of work-process design and judgment that have traditionally been formed tacitly through practical experience. The empirical examination of its application and educational effects in actual design education settings is left for future research.

본 연구는 생성형 AI를 학습의 도구가 아닌 협력적 파트너로 인식하도록 돕기 위해 개발된 AI 창의-협력 모형(co-AI 모형)을 실제 교육 현장에 적용하고, 이에 따른 초등학생의 AI 인식 및 수용 태도의 변화 양상을 탐색하고자 하였다. 이를 위해 초등학교 6학년 학생 50명을 대상으로 co-AI 모형 기반 프로젝트 수업을 실시하였으며, 사전·사후 설문 분석 및 면담을 통해 교육적 효과를 분석하였다. 연구 결과, AI 기초 인식, 인간-AI 협업 인식, 협업을 통한 자기 성장 인식, 사용 지속 의향의 모든 영역에서 통계적으로 유의미한 긍정적 변화가 나타났다. 특히 성별이나 학업 성취 수준에 따른 효과 차이는 유의미하지 않았으나, 사전 AI 사용 경험이 적었던 학생들에게서 상대적으로 높은 인식 변화가 관찰되었다. 이러한 결과는 co-AI 모형이 학생의 배경 특성과 관계없이 AI를 능동적인 협업 파트너로 경험하게 하는 유용한 수업 설계 틀로서 교육적 활용 가치가 있음을 시사한다.

This study applied the AI Creative-Collaboration Model (co-AI model) to an actual classroom to shift students' perception of generative AI from a tool to a collaborative partner and explored its impact on their AI acceptance attitudes. A project-based curriculum was conducted with 50 sixth-graders, with effects analyzed through preand post-surveys and interviews. Results showed statistically significant positive changes in AI literacy, human- AI collaboration, self-growth, and continued use intention. While gender and academic achievement showed no significant differences, students with less prior AI experience exhibited a more pronounced shift in perception. These findings suggest the co-AI model is a valuable instructional framework that empowers students to engage with AI as an active partner regardless of their background.

본 연구는 AI 작곡 시스템을 활용한 협업 창작 활동이 음악 전공 대학생의 문제해결능력에 미치는 영향을 분석하고, 이 과정에서 협력적 자기효능감이 매개 역할 을 수행하는지를 실증적으로 검증하는 데 목적이 있다. 이를 위해 본 연구는 AI 작곡 시스템을 활용한 협업 창작 수업에 참여한 음악 전공 대학생을 대상으로 사전· 사후 설문조사를 실시하였다. 측정 도구로는 협력적 자기효능감과 문제해결능력 및 그 하위 요인을 사용하였으며, 수집된 자료는 기술통계 분석, 대응표본 t-검정, 회귀분석, 그리고 매개 효과 분석을 통해 검증하였다. 또한 성별, 학년, AI 도구 사용 경험, 팀 규모를 통제 변수로 포함하여 분석의 타당성을 확보하고자 하였다. 연 구 결과, AI 작곡 시스템을 활용한 협업 창작 활동 이후 학습자의 협력적 자기효능감과 문제해결능력은 모두 유의미하게 향상된 것으로 나타났다. 특히 문제해결능 력의 하위 요인인 문제해결자신감과 접근회피스타일 역시 긍정적인 변화를 보여, 협업 창작 경험이 학습자의 문제 인식 및 해결 태도 전반에 긍정적인 영향을 미쳤 음을 확인할 수 있었다. 또한 협력적 자기효능감은 문제해결능력에 유의미한 영향을 미치는 핵심 요인으로 나타났으며, AI 작곡 시스템을 활용한 협업 창작 경험과 문제해결능력 간의 관계에서 협력적 자기효능감이 매개 역할을 수행하는 것으로 검증되었다. 이러한 결과는 AI 기반 협업 창작 활동이 단순한 기술 활용을 넘어, 학 습자의 협력에 대한 신념과 자신감을 강화함으로써 고차적 문제해결능력 향상으로 이어질 수 있음을 시사한다.

This study aims to empirically examine the effects of collaborative creative activities using an AI composition system on the problem-solving ability of university students majoring in music, and to investigate whether collaborative self-efficacy mediates this relationship. To address this gap, this study conducted pre- and post-survey assessments with music major university students who participated in collaborative composition classes utilizing an AI composition system. Collaborative self-efficacy and problem-solving ability, including its sub-factors, were employed as measurement instruments. The collected data were analyzed using descriptive statistics, paired-sample t-tests, regression analysis, and mediation effect analysis. Additionally, gender, academic year, prior experience with AI tools, and team size were included as control variables to enhance the validity of the analysis. The results indicated that both collaborative self-efficacy and problem-solving ability significantly improved following the collaborative creative activities using the AI composition system. In particular, the sub-factors of problem-solving ability—problem-solving confidence and approach–avoidance style—also demonstrated positive changes, suggesting that collaborative creative experiences had a beneficial effect on students’ overall problem recognition and problem-solving attitudes. Furthermore, collaborative self-efficacy was identified as a key factor exerting a significant influence on problem-solving ability, and it was confirmed to play a mediating role in the relationship between collaborative creative experiences using an AI composition system and problem-solving ability. These findings suggest that AI-based collaborative creative activities extend beyond simple technological utilization by strengthening learners’ beliefs in collaboration and their confidence, thereby contributing to the enhancement of higher-order problem-solving abilities.

본 연구는 기존 인공지능 교육의 한계를 보완하고 교육 대전화의 패러다임을 반영한 AI교육 2.0 모델을 개발하는 데 목적이 있다 이 를 위해 국내외 AI 교육 등의 문헌 연구와 사례 분석, 집단지성 워크숍, 델파이 조사, 내용 타당도 검증을 포함한 설계기반 연구 방법 을 적용하여 AI교육 2.0 모델을 체계적으로 설계·개발하였다. AI교육 2.0 모델은 기초 역량으로 디지터시를 설정하고, 이를 토대로 AI 이해교육, AI협력교육, AI가치교육의 세 가지 핵심 교육 영역을 구조화하였다. AI교육 2.0을 통해 학습자가 신장하는 핵심 역량은 AI 사고력(AI Thinking)으로 추상화, 자동화, 지능화, 자율화의 4가지 요소를 제안하였다. 연구의 타당도 검증 결과, AI교육 2.0 모델은 전 반적으로 높은 타당도를 확보하였으며, 교육 현장에서의 적용 가능성과 이론적 정합성을 동시에 갖춘 모델로 평가되었다. 본 연구는 AI 기술의 이해를 넘어, AI와 함께 살아가는 시민을 기르는 f교육 모델을 제시하였다는 점에서 의의가 있다.

This study aims to develop the AI Education 2.0 model, which addresses the limitations of existing artificial intelligence education and reflects the paradigm shift toward educational transformation. To this end, a design-based research methodology was employed, incorporating literature review and case analysis of domestic and international AI education, collective intelligence workshops, Delphi surveys, and content validity verification, to systematically design and develop the AI Education 2.0 model. The model establishes Digitacy as its foundational competency and structures three core educational domains: Understanding AI Education, AI Collaboration Education, and AI Value Education. The central competency fostered through AI Education 2.0 is AI Thinking, which consists of four components: abstraction, automation, intelligence, and autonomy. The results of the content validity evaluation indicate that the AI Education 2.0 model demonstrates a high level of overall validity and is assessed as a model that simultaneously ensures theoretical coherence and practical applicability in educational settings. This study is significant in that it proposes an educational model that goes beyond understanding AI technologies to cultivating citizens capable of living and collaborating with AI in an AI-driven society.

본 연구는 공학계열 대학생이 의사소통 교양 수업에서 생성형 AI와 협업하는 경험의 특성과 의미를 탐색하 였다. 이를 위해 지방 소재 A대학 1학년 교양필수 ‘발표와 토론’ 수업을 사례로 선정하고, 수업 관찰과 9명 의 학생을 대상으로 한 심층 인터뷰 자료를 주제 분석 기법으로 분석하였다. 그 결과, 학습자들은 생성형 AI를 단순한 정보 탐색 도구가 아니라 주제 탐색, 논거 구성, 토론 개요서 작성 전 과정에서 상호작용하는 인지적 파트너로 인식하고 있었다. 초기의 기대와 불신이 공존하는 경험은 생성형 AI 응답을 검토, 수정하는 전략을 강화하며 협업 방식을 정교화하는 계기로 작용하였다. 특히, 프롬프트의 구체화와 반복적 재질문은 협업의 질 을 좌우하는 핵심 기제로 나타났다. 이러한 협업은 토론 진입장벽을 낮추고 다중관점 탐색과 반론 대비를 촉진 하여 논증 설계를 확장하였다. 동시에 표현 부담 완화와 참여 자신감이 형성되는 한편, 오류 경험을 통해 최종 책임이 학습자에게 있음을 자각하였다. 본 연구는 생성형 AI 활용을 도구 사용이 아닌 인간-AI 협업 경험의 관 점에서 재해석하고, 공학교육 맥락의 토론 수업 설계에 시사점을 제공하였다.

This study explored the characteristics and meaning of engineering students' collaborative experiences with generative AI in a communication-focused liberal arts course. As a case study, a required first-year course titled Presentation and Discussion at a regional university was examined, and data from classroom observations and in-depth interviews with nine students were analyzed using thematic analysis. The findings revealed that students perceived generative AI not merely as an information-seeking tool but as a cognitive partner with whom they interacted throughout the entire process of topic exploration, argument construction, and discussion outline writing. The coexistence of initial expectations and distrust led students to strengthen strategies for reviewing and revising AI-generated responses, thereby refining their modes of collaboration. In particular, prompt specification and iterative re-questioning emerged as key mechanisms influencing the quality of collaboration. Such collaborative practices were found to lower entry barriers to discussion and to expand argument design by facilitating the exploration of multiple perspectives and counterarguments. At the same time, students experienced reduced expressive burden and increased confidence in participation, while error experiences prompted an awareness that ultimate responsibility for learning outcomes rests with the learners themselves. This study reinterprets generative AI use not as tool utilization but as a human-AI collaborative experience, offering pedagogical implications for the design of discussion-based instruction in engineering education.

본 연구는 교실 현장의 협력학습 데이터를 대상으로 한국어 특화 AI 모델과 글로벌 AI 모델의 성능을 음성 인식 과 피드백 생성 차원에서 비교 분석하였다. 교실 소음과 다화자 발화가 혼재된 실제 환경에서 실험을 수행한 결과, 두 기술 단계 간에 뚜렷한 성능 상충 관계가 확인되었다. 음성 인식 단계에서는 한국어 특화 모델이 고유명사 인식 과 화자 분리에서 높은 견고성을 보인 반면, 글로벌 모델은 다화자 중첩 구간에서 화자를 구분하지 못하거나 한국 어 발화를 영어로 오인식하는 언어 교차 환각 오류를 범하며 한계를 드러냈다. 피드백 생성 단계에서는 글로벌 모 델이 65.6%의 승률로 한국형 모델과 비교하여 논리적 추론 부분에서 우세하였다. 특히 한국형 모델은 피드백 과정 에서 참조 환각과 온정적 편향을 보이는 경향이 있음을 확인했다. 이에 본 연구는 한국형 STT의 음향적 견고성과 글로벌 LLM의 논리적 추론 능력을 결합하여 협력학습 지원 시스템에서의 하이브리드 파이프라인 구축을 제안한다.

This study compared the performance of a Korean-specific AI model and a global AI model in terms of speech recognition and feedback generation using cooperative learning data from classroom settings. Experiments conducted in real-world environments with classroom noise and multi-speaker speech revealed a clear trade-off between the two technical approaches. In the speech recognition stage, the Korean-specific model demonstrated high robustness in proper noun recognition and speaker separation. Conversely, the global model revealed limitations, failing to distinguish speakers during overlapping multi-speaker segments or committing cross-language hallucination errors where it misrecognized Korean utterances as English. In the feedback generation stage, the global model demonstrated superiority in logical reasoning with a 65.6% win rate compared to the Korean model. Notably, the Korean model tended to exhibit reference hallucinations and benevolent bias during the feedback process. Therefore, this study proposes constructing a hybrid pipeline for collaborative learning support systems by combining the acoustic robustness of Korean STT with the logical reasoning capabilities of global LLMs.

본 연구는 AI 기반 음악 창작 환경에서 대학생 전공자의 AI 활용 정도가 창의적 몰입과 협업 만족도에 미치는 영향을 규명하고, 창의적 몰입의 매개효과를 검증 하는 것을 목적으로 하였다. 특히 민속악기와 AI를 결합한 사례를 중심으로 학습자의 창의적 참여와 협업 경험의 촉진 과정을 실증적으로 탐구하였다. 연구 결과, 첫째, 학습자가 AI의 제안을 수용하고, 생성 과정에 활용하며, 수정 및 개입을 적극적으로 수행할수록 창의적 몰입 수준이 높아지는 것으로 나타났다. 둘째, AI 활용 정도가 협업 만족도를 유의미하게 향상시키는 요인임이 확인되었다. 셋째, 창의적 몰입은 AI 활용과 협업 만족도 간의 관계에서 매개 역할을 수행함으로써, 학습자 가 AI를 적극적으로 활용할수록 창의적 몰입이 강화되고, 이를 통해 협업 만족도가 높아지는 경로가 나타났다. 이와 같은 결과는 AI 활용 경험이 대학생 전공자의 창의적 몰입과 협업 만족도를 증진시키는 중요한 요인임을 실증적으로 보여주며, 창의적 몰입이 이러한 효과를 매개하는 핵심 심리적 메커니즘임을 확인하였다. 본 연구는 AI 기반 음악 교육 및 창작 프로그램 설계 시, 학습자의 능동적 참여를 유도할 수 있는 환경 조성의 필요성을 강조하고, 향후 전공 교육과 협업형 프로젝 트에서 AI 도구를 효과적으로 활용할 수 있는 실무적 시사점을 제공한다.

This study aimed to investigate the effect of AI utilization on creative engagement and collaboration satisfaction among university music majors in an AI-based music creation environment, and to examine the mediating role of creative engagement. Specifically, the study empirically explored how students’ creative participation and collaborative experiences are facilitated through the integration of folk instruments and AI. The results indicated that first, the more students accepted AI suggestions, utilized AI in the creation process, and actively engaged in modification and intervention, the higher their level of creative engagement. Second, the degree of AI utilization was found to significantly enhance collaboration satisfaction. Third, creative engagement served as a mediating factor between AI utilization and collaboration satisfaction, suggesting that active use of AI strengthens creative engagement, which in turn increases collaboration satisfaction. These findings empirically demonstrate that AI utilization is an important factor in enhancing creative engagement and collaboration satisfaction among university music majors, and that creative engagement functions as a key psychological mechanism mediating these effects. This study emphasizes the necessity of creating an environment that encourages active student participation in AI-based music education and creation programs and provides practical implications for effectively utilizing AI tools in major-specific education and collaborative projects.

본 연구는 인공지능(AI)을 단순한 도구가 아닌 학습의 협력적 파트너로 인식할 수 있도록 돕는 ‘AI 창의-협력(Co-AI) 모형’을 개발 하고, 그 타당성을 검증하는 것을 목적으로 한다. Co-AI 모형은 공동 목표 설정, 문제 탐색, 창의 협력 설계, 협력 실행, 공유 및 성 찰의 5단계로 구성되며, 각 단계에서 AI는 단순 정보 제공자에서 벗어나 아이디어 생성자, 문제 해결의 협력자, 결과물 생산자로의 역할을 수행한다. 본 연구에서는 설계·개발 연구 방법(DDR)을 기반으로 선행 문헌 분석을 통해 모형 초안을 구성하였으며, 이후 1 차 전문가(연구자 집단)와 2차 전문가(현장 교사)로 구성된 2단계 델파이 검토를 통해 이론적 타당성과 실행 가능성을 검증하였다. 검토 결과, CVR 및 CVI 분석에서 높은 타당성을 확보하였으며, 전문가 피드백을 반영해 역할 분담 도식, 피드백 루프, 상호작용 구 조를 추가하여 모형을 최종화하였다. Co-AI 모형은 생성형 AI가 학습자와 함께 문제를 탐색하고 해결 방안을 설계하며, 창의적 성 과물을 만들어내는 과정을 통해 학생의 창의성, 문제 해결력, 자기 주도성을 촉진할 수 있다는 가능성을 보여준다.

This study aimed to develop and validate the Co-AI(AI–Student Creative Collaboration) model, a teaching–learning model designed to help students perceive artificial intelligence(AI) not merely as a tool but as a collaborative learning partner. The Co-AI model consists of five stages: goal setting, problem exploration, collaborative planning, cooperative execution, and sharing with reflection. At each stage, AI goes beyond the role of a simple information provider, functioning as an idea generator, problem-solving collaborator, and content producer. This study employed a design and development research(DDR) approach, constructing a draft model through a review of prior literature, followed by a two-phase Delphi validation involving both research experts(first phase) and practicing teachers(second phase) to assess theoretical validity and practical feasibility. The validation process confirmed high content validity through CVR and CVI analysis, and expert feedback led to the addition of elements such as role assignment diagrams, feedback loops, and interaction structures, resulting in a finalized model. The Co-AI model demonstrates the potential for generative AI to work with learners in exploring problems, designing solutions, and producing creative outcomes, ultimately fostering students’ creativity, problem-solving abilities, and self-directed learning.

본 연구는 케이트 크로포드와 블라단 욜러의 협업 프로젝트인 <AI 시스템의 해부>를 중심으로 인간, 사회, 지구를 관통하는 인공지능 시스템의 작동에 대한 그들의 비판적 담론을 읽어내는 데에 목적이 있다. <AI 시스템의 해부>는 인공지능 음성인식 스피커인 아마존 에코를 사례로 삼아 인공지능 기술세계의 물질적, 사회적 조건을 가시화한 ‘데이터 시각화’로서, 인공지능 시스템의 이면에 감추어진 노동, 데이터, 자원의 무자비한 추출 구조를 드러낸 해부학적 지도이다. 크로포드와 욜러는 인공지능 기술이 작동하는 기술세계의 지형을 탐구하고 시각화하 기 위해 ‘비판적 지도제작’을 중요한 인식적, 실천적 방법으로 사용해 왔다. 이에 본고는 <AI 시스템의 해부>에 대한 ‘지도 읽기’를 수행하되, 철학자 레비 브라이언트가 ‘존재지도학’에서 제시하는 지형학의 네 가지 요소를 범주로 삼아 거대 기술세계 지형도의 구조와 의미를 분석하였 다. 이를 통해 본고는 크로포트와 욜러의 지형도가 인공지능 기술세계의 광범위한 추출주의를 비판적으로 가시화하고 있음을 강조하였다.

This study aims to examine the critical discourse on the artificial intelligence system that intersects with human, society, and the Earth, focusing on Kate Crawford and Vladan Joler’s collaborative project, Anatomy of an AI System. Using the Amazon Echo, an AI voice recognition speaker, as a case study, Anatomy of an AI System illuminates the material and social conditions upon which the technological system is founded. As a ‘data visualization’, it reveals the ruthless extraction of labor, data, and resources hidden behind an AI system; Crawford and Joler have employed ‘critical cartography’ as an epistemic and practical method to visualize the complex terrain shaped by the AI system. This paper conducts a ‘map reading’ by incorporating Levi R. Bryant’s concept of ‘onto-cartography,’ and suggests Crawford and Joler’s critical map visualizes the extensive extraction of labor, data, and resources on human, social, and planetary scales.

최근 생성형 인공지능의 등장으로 수학 교육에서 이를 활용하려는 시도가 활발히 이루어지고 있으나, 학생 중심의 활용 방식에 대한 실증적 연구는 아직 부족하다. 본 연구는 초등학교 5학년 수학 수업에서 조력자이자 협력자의 역할을 수행하는 생성형 AI 기반 챗봇과 학생 간의 협력적 문제 해결 과정을 분석하는 데 목적을 두 었다. 이를 위해 생성형 AI 챗봇을 개발하고, 초등학교 5학년 학생 20명을 대상으 로 수업을 실시한 후, 학생과 챗봇 간의 대화 내역을 수집·분석하였다. 분석 결과, 챗봇은 해결 계획 제안, 비계 제공, 학생 풀이의 점검, 긍정적 피드백 등의 발화를 통해 학생들의 개별화된 학습을 지원하였으며, 학습 참여도와 흥미를 높이는 데 기 여하였다. 반면, 일부 응답에서는 부정확한 계산, 교육과정 외 개념 사용 등 오류가 나타나 교육적 활용 시 주의가 요구된다. 본 연구는 초등 수학 수업에서 생성형 AI 의 가능성과 한계를 동시에 조명하며, 효과적인 활용을 위한 교육적 시사점을 제시 하였다.

With the emergence of generative artificial intelligence (AI), there has been growing interest in applying it to mathematics education. However, empirical research on student-centered uses of generative AI remains limited. This study aimed to analyze the process of collaborative problem solving between elementary students and a generative AI-based chatbot acting as both a facilitator and partner in a 5th-grade mathematics classroom. A generative AI chatbot was developed and implemented in lessons with 20 fifth-grade students. The interactions between students and the chatbot were collected and analyzed. The results revealed that the chatbot frequently engaged in utterances related to providing scaffolding, suggesting solution plans, checking students’ answers, and offering positive feedback. These interactions supported personalized learning and enhanced students’ engagement and interest. However, some responses included errors such as incorrect calculations and the use of concepts beyond the curriculum, indicating the need for caution in educational applications. This study highlights both the potential and limitations of generative AI in elementary mathematics instruction and offers educational implications for its effective integration.

생성형 인공지능의 발전은 교육 현장에 새로운 가능성을 제시하고 있으나, 대부분의 AI 튜터 시스템은 일대일 개별 학습에 초점을 맞추 고 있어 실제 교실의 사회적 상호작용 맥락을 반영하지 못하는 한계를 가진다. 이에 본 연구는 AI 보조교사가 그룹 채팅 환경에서 학생 간의 의미 있는 상호작용을 촉진하고 지원하는 시스템을 설계 및 개발하는 것을 목적으로 하였다. 이를 위해 협동학습, AI 보조교사의 역할, 피드백의 교육적 효과 등 교육학 이론에 기반하여 세 가지 핵심 설계 원칙을 수립하였다. 개발된 시스템에서 AI 보조교사는 교사 가 직접 설정한 프롬프트에 따라 대화의 맥락을 판단하고, 학생들에게 분화된 피드백을 제공하며 협력적 상호작용을 지원한다. 이를 통 해 본 연구에서는 AI의 교육적 역할을 개인 튜터에서 협력적 지식 구성의 촉진자로 새롭게 정의 및 확장하고, 인간과 AI가 협력하는 교 수 체제의 구체적인 아키텍처 모델을 제시하였다.

Advances in generative artificial intelligence(AI) present new possibilities for education; however, most AI tutoring systems remain centered on one-to-one individualized learning, failing to capture the social-interaction context of real classrooms. This study aims to design and develop a system in which an AI teaching assistant promotes and supports meaningful peer interaction within a group-chat environment. Grounded in educational theories of cooperative learning, the pedagogical role of AI assistants, and the instructional impact of feedback, we established three core design principles-teacher-AI collaboration, differentiated feedback, and process-oriented assessment. In the proposed system, the AI teaching assistant interprets conversational context based on prompts configured by the teacher, offers tailored feedback to students, and facilitates collaborative interaction. By doing so, this research redefines and extends the educational role of AI from a personal tutor to a facilitator of collaborative knowledge construction, and presents a concrete architectural model for an instructional system in which humans and AI work in concert.

본 연구는 생성형 AI 페르소나와 인간 전문가 기반 G-MADE HIVE 협력형 경관 사전심의 지원모델을 개발하고 적용 가능성을 분석하는 데 목적이 있다. 이를 위하여 경관 사전심의와 AI-Human Hybrid 이론을 고찰하고 전문가 집단, 시민집단, 검증 패널 및 Multi-AI Expert Cluster 기반 연구모델을 설계하였다. 연구 결과 인간 전문가는 공공성, 장소성, 시민 체감성 등 가치 중심 해석 특성이 강하게 나타난 반면, 생성형 AI는 기준 검토와 구조적 분석 중심 특성이 상대적으로 높게 나타났다. 특히 인간 전문가는 도시 맥락과 생활 기반 경험 해석에 강점을 보였으며, 생성형 AI는 반복 검토와 설명 가능성 측면에서 우수한 특성을 보였다. 이에 본 연구는 건축, 도시설계, 조경, 정책 등 전문 분야별 생성형 AI 페르소나와 ChatGPT·Gemini·Claude 기반 Multi-AI Expert Cluster를 적용한 G-MADE HIVE Evaluation System을 제안하였다. 또한 전문가 집단, 시민 집단, 검증 패널이 단계적으로 연계되는 다층 Hybrid 협력심의 체계를 구성하여 기존심의 구조의 한계를 보완하고자 하였다.

This study developed and examined the applicability of the G-MADE HIVE collaborative landscape pre-review support model based on generative AI personas and human experts. A research framework integrating expert groups, citizen groups, verification panels, and a Multi-AI Expert Cluster was established based on landscape pre-review and AIHuman Hybrid theories. The results showed that human experts excelled in public value and contextual interpretation, whereas generative AI demonstrated strengths in criteria-based review, structured analysis, and explainability. To address these complementary characteristics, the study proposed the G-MADE HIVE Evaluation System using domain-specific AI personas and a Multi-AI Expert Cluster based on ChatGPT, Gemini, and Claude. The proposed model integrates expert groups, citizen groups, and verification panels into a multilayer Hybrid review system.