Earticle

기술의 발달과 스마트 스피커 보급의 증가에도, 스마트 스피커의 대화 오류로 사용자 만족도는 하락하고 있다. 이 연구는 스마트 스피커의 대화형 에이전트 맥락에서 ‘자기발화수정 전략’이 과업 중요도 수준과 대화 오류 여부에 따라 사용자 경험에 미치는 영향을 살펴보았다. 대화 오류에 따라 시나리오를 제작하고 과업 중요도 수준에 따라 집단을 나눠 실험을 진행해 신뢰, 지각된 유용성, 지각된 용이성, 수용의도를 측정하였다. 연구 결과, 에이전트의 자기발화수정 전략은 완전한 수행과 비교해 신뢰와 지각된 용이성에 부적 영향을 주며, 과업 중요도와의 상호작용을 통해 수용의도에 영향을 미치는 것을 발견하였다. 이 연구는 대화형 에이전트 연구에서 미흡했던 자기발화수정 전략의 효과를 실증적으 로 알아보았고, 자기발화수정 전략의 수용과 관련된 사용자 경험 요인을 살펴보았다는 점에서 의의를 가진다.

Despite the development of technology and the increase in the spread of smart speakers, user satisfaction keeps decreasing due to conversational errors. This study aims to examine the effect of the self-repair strategy on user experience in the context of conversational agents of smart speakers. Scenarios were designed based on error situations, and participants were divided into two groups by task criticality. The results revealed that the agent’s self-repair strategy has a negative effect on trust and perceived ease of use compared with performance without error. It also influenced adoption intention through interaction with task criticality. This study is significant in that it empirically investigated the effects of the self-repair strategy and the user experience factors related to the actual acceptance of the self-repair strategy.

최근 교육 분야에서 다양한 인공지능 기술을 활용한 연구와 개발이 이뤄지고 있다. 인공지능을 활용한 교육 중 특히 대화형 에이전트는 시간과 공간의 제약을 받지 않고 음성인식, 번역과 같은 다양한 인공지능 기술과 결합해 더 효과적인 언어 학습을 가능하게 한다. 본 논문은 상용화된 교육용 플랫폼 중 이용자 수가 많고 영어 학습을 위한 대화형 에이전트가 활용된 플랫폼에 대한 동향 분석을 진행하였다. 동향 분석을 통해 현재 상용화된 교육용 플랫폼의 대화형 에이전트는 여러 한계점과 문제점이 존재했다. 구체적인 문제점과 한계점 분석을 위해 사전 학습된 최신 대용량 대화 모델과 비교 실험을 진행하였고, 실험 방법으로 대화형 에이전트의 대답이 사람과 비슷한지를 평가하는 Sensibleness and Specificity Average (SSA) 휴먼 평가를 진행하였다. 실험 내용을 바탕으로, 효과적인 학습을 위해 개선방안으로 대용량 파라미터로 학습된 대화 모델, 교육 데이터, 정보 검색 기능의 필요성을 제안했다.

Recently, research and development using various Artificial Intelligence (AI) technologies are being conducted in the field of education. Among the AI in Education (AIEd), conversational agents are not limited by time and space, and can learn more effectively by combining them with various AI technologies such as voice recognition and translation. This paper conducted a trend analysis on platforms that have a large number of users and used conversational agents for English learning among commercialized application. Currently commercialized educational platforms using conversational agent through trend analysis has several limitations and problems. To analyze specific problems and limitations, a comparative experiment was conducted with the latest pre-trained large-capacity dialogue model. Sensibleness and Specificity Average (SSA) human evaluation was conducted to evaluate conversational human-likeness. Based on the experiment, this paper propose the need for trained with large-capacity parameters dialogue models, educational data, and information retrieval functions for effective English conversation learning.

금융 서비스에서 적극적으로 활용되고 있는 챗봇은 대화 오류와 기계적인 답변으로 사용자 경험을 저해하고 있다. 이 연구는 의인화된 챗봇의 자기노출과 감정표현이 금융 서비스에서 대화 오류 시 사용자 경험에 미치는 효과 를 살펴보았다. 일상적인 금융 서비스 문의 상황에서 자기노출 유형(긍정적 vs. 부정적)과 감정표현 수준(높은 수준의 자신감 vs. 낮은 수준의 자신감)별로 시나리오를 구성해 온라인 실험을 진행하였고, 신뢰, 곤혹도, 서비스 회복만족, 지속 사용의도를 측정하였다. 실험 결과, 의인화된 챗봇의 자기노출과 감정표현에서 신뢰, 곤혹도, 서비스 회복만족, 지속 사용의도에 대해 각각 주효과가 나타났고 신뢰와 곤혹도에서 상호작용 효과가 나타났다. 결론적으로 의인화된 챗봇이 긍정적 자기노출과 자신감 있는 감정표현을 할 때 상대적으로 신뢰가 높아지고 곤혹도가 낮아지는 것을 확인 하였다.

Financial service chatbots are hindering user experience with conversational errors and machine-like responses. This study aims to examine the effect of self-disclosure and emotional expression of an anthropomorphic chatbot on user experience before conversation errors occur in financial services. In financial inquiries, scenarios were designed based on self-disclosure type (positive vs. negative) and emotional expression level(high confident vs. low confident), and online experiments were conducted. The result revealed that when anthropomorphic chatbot provided self-disclosure and emotional expression, the main effect has been shown on trust, annoyance, service recovery, and intention to continuous use. In addition, interaction effects were significant in trust and annoyance. In conclusion, this paper demonstrated that anthropomorphic chatbot’s positive self-disclosure and confident emotional expression influenced trust and annoyance.

배경 및 목적: 말소리 습득과정에서 나타나는 정상적인 음운오류패턴을 알아보기 위해 가장 타당한 문맥은 자발화이다. 문헌고찰을통해 안정적인 말소리 패턴이 나타나기 시작한다고 알려진 2세의 자발화 분석을 통해 초기음운오류패턴을 확인하고, 다시 이러한 초기패턴이 사라지는 것으로 알려진 4세 아동을 대상으로 하여 후기까지 남아 있는 후기 음운오류패턴을 알아보고자 하였다. 방법: 2세와4세 각 집단 별로 20명씩 총 40명의 자발화에서 50어절씩을 추출하여 음운변동을 구하고 각 변동 별 집단 간 차이를 검정하였다. 결과:2세에서 주로 관찰되는 초기오류패턴은 음절탈락, 종성탈락, 유음탈락, 마찰음·파찰음·유음의 파열음화, 마찰음의 파찰음화, 활음화,연구개음 전방화, 긴장음화였으며, 4세 이후에도 남아있는 후기오류패턴은 어중종성탈락과 유음탈락, 마찰음·파찰음의 파열음화, 연구개음 전방화와 경음화 등이었으며 유음탈락과 어중종성탈락, 마찰음의 파열음화와 경음화였다. 논의 및 결론: 본 연구는 자발화 문맥에서 적용하기에 편리하도록 고안된 발달적 음운변동 분석의 기본적인 준거 틀을 검증하였으며, 자발화에서 나타나는 초기와 후기음운오류패턴의 발달적 비교 준거를 제공하였다. 단어유도 문맥에서 나온 이전 연구들에 비해 자발화에서 유도한 결과 음소탈락과 동화가 적게 나타났다. 이 연구의 결과는 말소리장애아동의 자발화를 통한 음운 진단과정에서 나타나는 오류가 발달적 오류패턴특성인지 판단하는 것과, 음운치료목표를 수립하는 데 이용될 수 있을 것이다.

Objectives: Most studies have examined the developmental error patterns of speechsounds based on elicited word productions. However, this study investigates the phonological characteristics of speech sound productions in conversational speech in 2- and4-year-old children. The application of articulation tests for the Korean language were administered and the analyses of the phonological error patterns were conducted. Methods:A total of forty typically developing monolingual Korean children, twenty children pergroup in the ages of 2 and 4, who had no speech, language, hearing or cognitive problems, and participated. Speech samples were collected at the participants’ homes duringdaily activities, including play and regular conversations with their mother. A total of 50 eojeols were analyzed. The error patterns for each age group were examined. Results: Syllable deletion, coda deletion, liquid deletion, stopping, affrication, gliding, fronting, andtensing were found in a quarter of 2-year-old children. Early phonological error patterns(syllable deletion & word-final coda deletion) appeared to disappear by age 4. Word-medical coda deletion, liquid deletion, stopping and tensing are found in a quarter of 4 year-oldchildren. There were quite a few omissions and assimilations of phonemes in younger children, which appeared to be related to conversational speech as opposed to elicited wordproductions. Conclusion: The results depicted the early and late developmental phonological error patterns in Korean conversational speech. In addition, the clinical implicationwas discussed with respect to developmental speech disorders.

인공지능 스피커로 대표되는 대화형 에이전트는 사람-컴퓨터 간 대화형이기 때문에 대화 상황에서 오류가 발생하는 경우가 잦다. 에이전트 사용자의 발화 기록에서 인식오류는 사용자의 발화를 제대로 인식하지 못하는 미인식오류 유형과 발화를 인식하여 서비스를 제공하였으나 사용자가 의도한 바와 다르게 인식된 오인식오류 유형으로 나뉜다. 이 중 오인식오류의 경우, 서비스가 제공된 것으로 기록되기 때문에 이에 대한 오류 탐지가 별도로 필요하다. 본 연구에서는 텍스트 마이닝 기법 중에서도 단어와 문서를 벡터로 바꿔주는 단어 임베딩과 문서 임베딩을 이용하여 단순 사용된 단어 기반의 유사도 산출이 아닌 단어의 분리 방식을 다양하게 적용함으로써 연속 발화 쌍의 유사도를 기반으로 새로운 오인식오류 및 신조어 탐지 방법을 탐구하였다. 연구 방법으로는 실제 사용자 발화 기록을 활용하여 오인식오류의 패턴을 모델 학습 및 생성 시 적용하여 탐지 모델을 구현하였다. 그 결과, 오인식오류의 가장 큰 원인인 등록되지 않은 신조어 사용을 탐지할 수 있는 패턴 방식으로 다양한 단어 분리 방식 중 초성 추출 방식이 가장 좋은 결과를 보임을 확인하였다. 본 연구는 크게 두 개의 함의를 가진다. 첫째, 인식오류로 기록되지 않아 탐지가 어려운 오인식오류에 대하여 다양한 방식 별 비교를 통해 최적의 방식을 찾았다. 둘째, 이를 실제 신조어 탐지 적용이 필요한 대화형 에이전트나 음성 인식 서비스에 적용한다면 음성 인식 단계에서부터 발생하는 오류의 패턴도 구체화할 수 있으며, 오류로 분류되지 않더라도 사용자가 원하는 결과에 맞는 서비스가 제공될 수 있음을 보였다.

The conversational agents such as AI speakers utilize voice conversation for human-computer interaction. Voice recognition errors often occur in conversational situations. Recognition errors in user utterance records can be categorized into two types. The first type is misrecognition errors, where the agent fails to recognize the user's speech entirely. The second type is misinterpretation errors, where the user's speech is recognized and services are provided, but the interpretation differs from the user's intention. Among these, misinterpretation errors require separate error detection as they are recorded as successful service interactions. In this study, various text separation methods were applied to detect misinterpretation. For each of these text separation methods, the similarity of consecutive speech pairs using word embedding and document embedding techniques, which convert words and documents into vectors. This approach goes beyond simple word-based similarity calculation to explore a new method for detecting misinterpretation errors. The research method involved utilizing real user utterance records to train and develop a detection model by applying patterns of misinterpretation error causes. The results revealed that the most significant analysis result was obtained through initial consonant extraction for detecting misinterpretation errors caused by the use of unregistered neologisms. Through comparison with other separation methods, different error types could be observed. This study has two main implications. First, for misinterpretation errors that are difficult to detect due to lack of recognition, the study proposed diverse text separation methods and found a novel method that improved performance remarkably. Second, if this is applied to conversational agents or voice recognition services requiring neologism detection, patterns of errors occurring from the voice recognition stage can be specified. The study proposed and verified that even if not categorized as errors, services can be provided according to user-desired results.