Earticle

이 연구의 목적은 생성형 인공지능의 확산으로 기존 문법 중심 코딩 교육이 한계에 직면한 상황에서, 초등 실과 교육에 적합한 대안적 교수·학습 모형으로서 자연어 기반 로봇 제어 수업에서 V-I-B-E 절차를 탐색·제안하는 데 있다. 연구 방법으로는 설계기반 연구(design-based research)의 초기 단계로서 문헌연구와 구현 연구를 병행하 였다. 연구 결과, V-I-B-E 절차는 학습자가 문제를 시각화하고(V), 자연어로 설계 의도를 표현하며(I), 인공지능이 생성한 코드의 논리 구조를 이해하고(B), 로봇 실행과 대화형 디버깅을 통해 설계를 개선하는(E) 순환적 학습 경험을 제공함으로써 기존 문법 중심 코딩 교육의 한계를 효과적으로 보완할 수 있음을 확인하였다. 특히 로봇의 물리적 반응은 학습자의 몰입과 이해를 강화하며, 자연어 기반 디버깅 과정은 메타인지 조절과 설계 기반 문제해결 능력을 촉진하는 것으로 분석되었다. 전문가 8인의 CVI 검증 결과, V-I-B-E 절차 기반 수업 설계와 4차시 수업안은 초등 실과 수업 적용을 위한 내용타당도를 확보하였다. 이상의 결과를 바탕으로 다음과 같은 결론을 도출하였다. 첫째, 바이브 코딩(vibe coding)은 자연어–인공지능–로 봇 실행의 연계 구조를 통해 프로그래밍의 문법적 진입 장벽을 낮추는 교수적 접근으로, 학습자를 단순한 코드 작성자 가 아닌 문제해결의 설계자로 전환시키는 교육적 가능성을 지닌다. 이는 초등 실과교육에서 디지털 소양과 알고리즘 적 사고를 통합적으로 함양할 수 있는 실천적 대안으로 기능할 수 있음을 시사한다. 둘째, V-I-B-E 절차는 2022 개정 실과 교육과정에서 강조하는 기술적 문제해결 과정, 인공지능 이해, 창의·융합 역량과 높은 정합성을 지니며, 생성형 인공지능을 학습자의 사고를 매개하고 확장하는 인식적 행위자로 활용할 수 있는 구조적 틀을 제공한다는 점에서 교육과정 적용 가능성이 높다. 본 연구는 자연어 기반 로봇 제어 수업이 초등 실과교육에서 생성형 인공지능과 교육용 로봇을 통합적으로 활용할 수 있는 새로운 교수·학습 방향을 제시한다는 점에서 의의를 지닌다. 향후 연구에서는 V-I-B-E 절차의 학습 효과 를 실증적으로 검증하는 후속 연구와 함께, 다양한 로봇 및 인공지능 환경으로의 확장 가능성, 그리고 초등 실과 교육 맥락에 적합한 인공지능 윤리 및 평가 체계에 대한 추가적인 논의가 필요함을 제언한다.

The purpose of this study is to explore and propose Vibe Coding as an alternative instructional approach suitable for elementary Practical Arts education in response to the limitations of grammar-centered coding education in the era of generative AI. In this study, vibe coding refers to natural language–based programming practices, whereas Vibe Coding denotes the instructional approach conceptualized for classroom use. As an initial phase of design-based research, this study employed a combination of literature review and implementation research. Based on these analyses, the study designed an instructional sequence based on V–I–B–E (Visualize–Input–Bridge– Execute/Edit) as a structured framework that integrates natural language, generative AI, and educational robots, and examined its feasibility through implementation scenarios. Expert content validity verification (CVI) provided preliminary support for the appropriateness and classroom feasibility of the proposed the V-I-B-E procedural framework and the four-lesson plan. The findings indicate that Vibe Coding demonstrates strong educational potential by lowering grammatical barriers to programming through a natural language–AI–robot execution structure, while repositioning learners as designers of problem-solving solutions rather than mere code writers. Furthermore, the V-I-B-E procedural framework aligns closely with the 2022 revised Practical Arts curriculum, particularly in its emphasis on technical problem-solving processes, artificial intelligence understanding, and creative and convergent competencies. By conceptualizing generative AI as a cognitive agent that mediates and extends learners’ thinking, the proposed model offers high applicability for elementary Practical Arts education.

최근 기업 및 공공기관에서 생성형 AI 기술을 적극적으로 도입하여 업무 자동화와 생산성이 향상되는 반면, 민감한 기술 정보 유출 위험도 증가하고 있다. 기존 연구는 개인정보 재식별 위 험 측정이나 악성 프롬프트 및 데이터 오염 대응에 주목하고 있어 업무 시 발생하는 중요기술 유 출 문제를 실시간으로 대응하기에 한계가 존재한다. 본 연구는 업무용 생성형 AI 모델의 안전한 활용을 위해 프롬프트 입력문서 내 중요 기술 정보를 식별하고 비식별처리하는 기술보존 비식별 화 기법을 제안한다. 구체적으로, 개체명 인식 기법으로 중요기술용어를 BIO 태깅하고, 퓨샷 기 반 거대언어모델을 활용하여 핵심 기술어를 추출한다. 이후 k-익명성 기반 기술보존 비식별화를 적용하여, 마스킹·대체어·토큰화와 비교분석한다. 특허 대표청구항을 대상으로 실험한 결과, BIO 태깅을 통한 기술용어 인식 정확도와 비식별화 전후 문서 간 의미론적 유사도가 높게 나타 나 원문 기술 정보 보존 효과를 확인하였다. 본 연구는 생성형 AI의 안전한 활용을 위한 실질적 방안을 제시함으로써, 기술정보 유출 방지와 업무 품질 유지를 동시에 달성할 수 있는 새로운 패 러다임을 제안하여 산업적·학문적 기여를 도모한다. 향후 연구에서는 다양한 산업 도메인에 적 용한 프레임워크로 확장하여 범용성을 확보하고자 한다.

While enterprises and public institutions are actively adopting generative AI technologies to enhance work automation and productivity, the risk of sensitive technical information leakage has also increased. Existing research has primarily focused on measuring personal information re-identification risks and addressing malicious prompts and data poisoning, presenting limitations in real-time response to critical technology leakage issues during business operations. This study proposes a technique-preserving de-identification method to identify and de-identify critical technical information in prompt input documents for the safe utilization of generative AI models in business contexts. Specifically, the approach employs Named Entity Recognition techniques to perform BIO tagging of important technical terms and utilizes few-shot learning to extract key technical terminology. Subsequently, masking, substitution, and tokenization methods are compared and applied. Experimental results on representative patent claims demonstrate high accuracy in technical term recognition through BIO tagging and high semantic similarity between documents before and after de-identification, confirming the effectiveness of preserving original technical information. This research presents a practical solution for safe generative AI utilization, proposing a new paradigm that simultaneously achieves technical information leakage prevention and work quality maintenance, thereby contributing to both industrial and academic advancement. Future research aims to expand the framework to various industrial domains to ensure broader applicability.

생성형 언어모델은 최근 AI 기술의 발전과 함께 다양한 산업 분야에서 혁신을 주도하고 있다. 모델이 최적의 성능을 발휘하기 위해서는 충분한 양의 고품질 학습데이터 확보가 필수적이며, 이는 모델의 일반화 성능을 향상시키고 신뢰성 높은 결과를 제공하는 데 중요한 역할을 한다. 이에 본 연구에서는 학습데이터의 양과 품질이 생성형 AI 기반 언어모델 의 성능에 미치는 영향을 분석하고, 기존의 데이터 양(Quantity) 중심 접근 방식에서 벗어나 데이터 품질(Quality)을 반 영한 손실함수(loss function) 확장 모델을 제안하였다. 제안된 모델의 유효성을 정량․실증적으로 검증 후 데이터의 양 과 질을 기반으로 한 2×2 모델을 적용하여 충분한 고품질 학습데이터의 구축이 AI 성능 최적화에 필수적인 요소임을 입증하고 모델의 성능을 극대화하기 위한 최적의 학습데이터 구축 전략을 제시한다.

Generative language models have been driving innovation across various industries with the rapid advancement of AI technology. To achieve optimal performance, these models require a sufficient amount of high-quality training data, which plays a crucial role in enhancing generalization capabilities and ensuring reliable outputs. This study analyzes the impact of training data quantity and quality on the performance of generative AI-based language models and proposes an extended loss function model that incorporates data quality, moving beyond the traditional quantity-centric approach. The proposed model is quantitatively and empirically validated, followed by the application of a 2×2 model based on data quantity and quality. Through this approach, the research demonstrates that constructing high-quality training data is essential for optimizing AI performance and presents a strategic framework for maximizing language model performance.

본 연구는 생성형 인공지능(Generative AI) 서비스 이용 맥락에서 사용자의 개인정보 제공 의도를 설명하기 위해 가치기반 수용모델과 신뢰 이론을 통합한 이론적 모형을 제시하고 실증적으로 검증하였다. 제안된 모형은 지각된 유용성, 기대 만족, 쾌락 동기로 구성된 편익 요인과 노력 기대, 프라이버시 위험, 기술 불안으로 구성된 희생 요인이 지각된 가치에 미치는 영향, 그리고 지각된 가치가 정서 신뢰와 인지 신뢰를 매개로 개인정보 제공 의도에 이르는 이중 경로를 포함한다. 국내 성인 1,000명을 대상으로 구조방정식모형을 분석한 결과, 편익 요인은 지각된 가치에 유의한 정(+)의 영향을 미쳤으나, 희생 요인은 유의한 영향을 나타내지 않았다. 또한 지각된 가치는 두 신뢰 요인에 모두 정(+)의 영향을 미쳤으며, 정서 신뢰와 인지 신뢰는 각각 개인정보 제공 의도에 유의한 정(+)의 영향을 미쳤다. 특히 지각된 가치가 신뢰를 매개로 개인정보 제공 의도에 미치는 간접효과가 직접효과보다 크게 나타나 신뢰의 핵심적 매개 역할이 확인되었다. 본 연구는 기존 가치기반 수용모델의 한계를 보완하여 지각된 가치와 신뢰를 연결 고리로 한 통합적 수용 경로를 제시함으로써 이론적 기여를 제공하며, 생성형 AI 서비스 설계와 개인정보 보호 정책 수립에 실질적 시사점을 제시한다.

This study develops and empirically tests an integrated theoretical model that combines the Value-Based Adoption Model (VAM) and Trust Theory to explain users’ intentions to disclose personal information in the context of generative artificial intelligence (AI) services. The model specifies how benefit factors (perceived usefulness, expectation satisfaction, and hedonic motivation) and sacrifice factors (effort expectancy, privacy risk, and technology anxiety) affect perceived value, and how perceived value influences disclosure intention through affective and cognitive trust as dual mediators. Structural equation modeling was conducted using survey data from 1,000 Korean adults. The results indicate that benefit factors significantly and positively influence perceived value, whereas sacrifice factors do not exert a significant effect. Perceived value positively affects both affective and cognitive trust, and these two trust dimensions significantly enhance personal information disclosure intention. Notably, the indirect effects of perceived value on disclosure intention via trust were stronger than the direct effect, confirming the central mediating role of trust. By extending the traditional VAM with a trust-centered mechanism, this study contributes to the theoretical understanding of information disclosure in AI environments and provides practical insights for designing trustworthy AI services and developing effective privacy protection policies.

생성AI에 의해 만들어진 이미지는 디자인, 광고, 영상, 소셜 미디어 등 시각 콘텐츠 영역에서 활발하게 활용되고 있으며, 그 비중과 영향력이 점점 확대되고 있다. 생성된 이미지는 매우 사실적이고 구체적인 표현으로 인해 그것이 사람에 의해 만들어 진 이미지인지, AI를 통해 생성된 이미지인지 구분을 하기 어려울 정도로 높은 완성도를 보여준다. 생성AI는 방대한 데이터 셋을 학습한 후, 데이터셋 전반에 나타나는 통계적 특성과 패턴을 분석하여 이를 바탕으로 새로운 이미지를 생성한다. 이 데 이터셋은 사진, 그림, 그래픽 등 다양한 이미지로 구성될 수 있으며, 형태나 색채, 질감, 구조 등 현실 세계의 다양한 특성을 반영한다. 이러한 점에서 생성AI가 만들어내는 이미지는 본질적으로 현실 세계의 재현이라는 속성을 내포하고 있다고 할 수 있다. 따라서 본 연구는 생성AI가 단순히 시각적 표현을 넘어 실재 세계를 어떻게 재현하는지 고찰해보고자 한다. 이를 위해 서 과거에서부터 현대에 이르기까지 재현의 개념과 그 변화 과정을 살펴보고, 이것이 예술 영역에 어떠한 방식으로 적용되었 는지 탐구한다. 또한 대표적인 이미지 생성AI 모델을 기술적으로 분석하여 생성AI가 실재 세계를 재현하는 방식을 살펴본다. 이를 토대로 이미지 생성AI를 재현의 관점에서 고찰하고자, 원본과 데이터셋, 본질의 재현 그리고 이미지 생성의 비결정성과 다양성이라는 세 가지 측면에서 분석한다. 이러한 논의를 통해 기술의 발전에 따라 기존의 원본 개념에 재고의 필요성을 제기 하고, 생성AI가 단순히 원본 데이터의 복제가 아닌 모델의 비결정적 요소로 인한 다양한 재현의 결과를 만들어낸다는 점에서 기존 재현 개념에 대한 확장적 시각을 제안한다.

Images generated by Generative AI are actively utilized in visual content including design, advertising, video, and social media, and their importance and influence are continuously expanding. These generated images are highly realistic and detailed, making it difficult to distinguish whether they were created by a human or generated by AI. Generative AI learns from vast datasets and generates new images by analyzing their statistical characteristics and patterns. These datasets may consist of various types of images, such as photographs, drawings, and graphics, reflecting diverse aspects of reality, including shapes, colors, textures, and structures. This suggests that images created by generative AI inherently possess the ability to represent reality. This study aims to explore how Generative AI represents the real world, moving beyond simple visual expression. To this end, it examines the gradual development of the concept of representation from traditional to modern times and its application in art. It also analyzes representative image-generation AI models to investigate the technical principles and methods by which Generative AI represents the real world. To contemplate the image-generating principle and procedure from the perspective of representation, the study utilizes three viewpoints; the originals and datasets, the representation of essence, and indeterminacy and diversity during image generation. The study suggests the need to revisit the traditional concept of the original in the context of technological advancements and proposes an expanded perspective on representation. It emphasizes that Generative AI does not simply replicate original data but creates diverse representations through its indeterministic processes.

생성형AI는 디자인 산업 전반에걸쳐 빠르게 확산되고있 다. 특히, 브랜드 디자인 영역에서 인간 중심의 창의적 사고 과정으로 대체 및 보조하는 새로운 도구로 주목받고 있다. 본 연구는 생성형 AI를 활용한 브랜드 로고 결과물의 시각적 일 관성을 비교·분석함으로써 AI 디자인의 신뢰성과 적용 가능 성을 실험적으로 검증하는 것을 목적으로 한다. 본 연구를 위 핸 AI 도구 7종(DALL·E 3, Firefly, Nano Banana, Canva, Lo oka, Kittl, Brandmark)을 선정했다. 가상 브랜드인 “EcoLoop”를 대상으로 통일된 프롬프트를 반복 입력하고, 로고 이미 지를 수집했다. 색상, 형태, 구성의 세 항목을 기준으로 이미 지 분석을 통해 정량화하고, 통합 지수 VCII(Visual Consistency Index)로 산출했다. 그 결과, Firefly(VCI=0.83)가 가장 높은 시각적 일관성을 보였다. Looka는 형태 재현성과 구조 적 일관성에서, Firefly는 색상 안정성과 감성 톤의 유지에서 우수했다. 반면, DALL·E 3와 Kittl은 창의적 변주 폭이 넓었 지만, 변동성이 높게 나타났다. Nano Banana는 프롬프트 해 석의 일관성이 높게 나타났다. 텍스트-이미지 생성형 AI는 창의성 중심, 로고 설계 생성형 AI는 구조적 안정성 중심의 특성을 보여 브랜드 디자인에서 생성형 AI 활용시 선택적 접 근이 필요함을 시사한다. 본 연구는 AI 디자인 결과의 품질 평가에 적용 가능한 정량 지표(VCI)를 제시함으로써 향후 AI -인간 협업 디자인 연구의 기초를 제공한다.

Generative Artificial Intelligence (AI) has rapidly prolife rated across the design industry, emerging as a transform ative tool that both supplements and substitutes human-c entered creative thinking processes, particularly within th e field of brand design. This study aims to experimentally verify the reliability and applicability of AI-based design by comparing and analyzing the visual consistency of bra nd logo outputs generated through various Generative AI tools. Seven AI platforms—DALL·E 3, Firefly, Nano Ban ana, Canva, Looka, Kittl, and Brandmark—were selected for comparative analysis. Using a unified prompt for a vir tual brand named “EcoLoop,” multiple logo images were generated, quantified across three key parameters—color, form, and composition—and synthesized into an integrate d index termed the Visual Consistency Index (VCI). The results indicate that Firefly (VCI = 0.83) exhibited the hig hest level of visual consistency. Looka demonstrated supe rior structural stability and form reproducibility, while Fir efly excelled in color coherence and emotional tone consis tency. Conversely, DALL·E 3 and Kittl exhibited wider cr eative variability with reduced consistency, whereas Nano Banana showed higher prompt interpretation stability. The findings reveal that text-to-image generative models emphasize creativity, whereas logo-design-specific AI sy stems prioritize structural stability, implying that a selecti ve approach is required when employing AI tools in brand design practice. By presenting a quantitative metric (VCI) applicable to the evaluation of AI-generated design qualit y, this study provides a foundational framework for futur e research on AI–human collaborative design models.

This study evaluates the reading problem-solving abilities of four leading generative AI models: OpenAI’s GPT-4o and GPT-o3, and Google’s Gemini 2.5 Flash and Gemini 2.5 Pro. The models were assessed using the English reading sections from the College Scholastic Ability Test for the past three academic years. To ensure reliability, each model was tested across three separate sessions. The findings reveal high consistency in each model’s performance but significant accuracy differences among them. Gemini 2.5 Pro performed best with 97.12% accuracy, while GPT-4o was the lowest at 86.83%. All models excelled at tasks involving context inference and detailed comprehension; however, they demonstrated clear weaknesses in higher-order discourse skills, frequently producing incorrect answers for questions requiring logical construction and referential understanding. These results suggest that while generative AI’s reading capabilities have advanced significantly, critical vulnerabilities remain. The study also highlights the necessity of comparative analysis when selecting AI models for educational purposes.

이 연구는 최근 비약적으로 발전한 생성형 AI가 대학수학능력시험 <정치와 법> 문항 정답을 얼마나 정확하게 추론할 수 있는지 분석하고, 모델 유형에 따른 법･정치적 추론 성능의 차이를 검증하는 데 목적이 있다. 이를 위해 GPT 4o, 4.5, o3 모델을 대상으로 2021~2025학년도 <정치와 법> 100개 문항을 풀이시켜 정답률, 원점수, 추정등급을 산출하고, 모델 간 성능 차이를 통계적으로 분석하였다. 분석 결과, 4o와 4.5 모델 간에는 유의한 차이가 나타나지 않아 단순한 양적 개선만으로는 추론 성능 향상이 제한적임을 확인하였다. 반면 추론 특화 모델인 o3는 평균 정답률 83%로 두 모델을 크게 상회하였고, 특히 고난도 문항에서도 높은 정답률을 보였다. 이는 추론 모델의 질적 개선이 법･정치적 사고를 요구하는 문제 해결에서 결정적 영향을 미친다는 점을 시사한다. 본 연구는 수능 <정치와 법> 시험 문항에 대한 AI의 정답 추론 성능을 객관적으로 규명하였다는 점에서 의의를 가지며, 향후 교육평가 및 교수-학습 설계, 그리고 사회과 정치･법교육에서 AI의 실질적 적용 가능성과 패러다임 변화 필요성을 제안하고 있다.

This study examines how accurately recent generative AI models can infer the correct answers to the “Politics and Law” section of the Korean College Scholastic Ability Test (CSAT) and evaluates differences in legal and political reasoning across model types. To this end, GPT-4o, GPT-4.5, and the reasoning-specialized GPT-o3 were tested on 100 CSAT items from the 2021?2025 examinations. For each model, accuracy rates, raw scores, and estimated grade levels were calculated, followed by statistical analyses of performance differences. The results show no significant distinction between GPT-4o and GPT-4.5, indicating that incremental quantitative improvements alone do not substantially enhance reasoning performance. In contrast, GPT-o3 achieved an average accuracy of 83%, substantially outperforming the other models and demonstrating high correctness even on difficult items. These findings suggest that qualitative advancements in reasoning-oriented model play a decisive role in solving problems requiring legal and political reasoning. This study contributes by objectively identifying the level of AI reasoning performance on CSAT “Politics and Law” items and proposes that future educational assessment and instructional design reconsider the practical applicability of AI and the need for a paradigm shift.

이 글은 생성형 인공지능(Generative AI)의 등장 이후 이 기술이 연구개발과 사용 현장에서 전개되는 구체적인 실천 양상을 살펴보고 이를 바탕으로 기술의 사회적 연구(social studies of technology)를 위한 새로운 연구 어젠다를 탐색하고자 한다. 특히, 거대 언어 모델(LLM)의 성공 이후 이른바 ‘스케일링 법칙(scaling law)’이 이 분야 기술혁신에서 핵심 원칙이 되고 있다는 점에 주목한다. AI 모델의 매개변수와 데이터 수 등을 증가시키면 모델의 성능을 계속 향상시킬 수 있다는 주장이 하나의 자연법칙처럼 반복되면서 기술기업 등은 모델의 규모를 끝없이 확대하면서 경쟁하고 있다. 이 글은 컴퓨터과학자들처럼 스케일링 법칙을 경험적 자연법칙처럼 간주하기보다는 AI 연구개발을 둘러싼 새로운 기술정치의 핵심 요소로 다룰 것이다. 이는 AI 기술을 구성하는 다양한 담론적·정치경제적·물질적·실천적 요소들을 드러냄으로써 탈역사적이고 신비적인 것처럼 보이는 AI 기술을 ‘불안정하게’ 만들고자 하는 시도다. 무엇보다 이 글은 LLM의 연구개발, 유지와 사용 현장에서 작동하는 기술정치를 이해하기 위한 개념으로 ‘스케일링의 정치(politics of scaling)’를 제안하고자 한다(Pfotenhauer et al., 2022). 이 연구는 과학연구 논문과 연구개발 실천을 다룬 현장 사회과학 연구를 검토하고, 일부 면담 자료를 바탕으로 스케일링의 정치가 작동하는 방식을 분석한다. 이를 통해 스케일링의 정치를 분석적으로 접근할 수 있는 연구 어젠다로 스케일 낙관주의, 마찰의 선택적 가시화, 거대 실험주의를 제시한다. 이 요소들은 스케일링의 정치를 구성하면서 AI 모델의 사회적 연구를 하려는 이들에게 새로운 연구 주제들을 구체적으로 제공해 준다. 이런 분석은 AI 모델의 규모가 끝없이 확대되는 과정에서 인식론적 믿음, 가치평가 도구, 정치경제적 조건, 담론 지형 등이 상호 결합해 특정한 권력을 형성하고 있다는 점을 보여준다. 이 연구는 AI 기술혁신이 주도하는 최근의 변화를 스케일링의 정치로 이해할 가능성을 제시하면서 기술의 사회적 연구가 개입할 수 있는 다양한 지점을 마련하는 데 기여할 것이다.

This paper examines the concrete practices through which generative artificial intelligence (AI) has been developed and deployed, and seeks to explore new research agendas for the social studies of technology. In particular, it highlights how, following the success of large language models (LLMs), the so-called “scaling law” has become a central principle of innovation in this field. The claim that increasing the number of parameters and the number of data will continuously improve model performance has been reiterated as if it were a “natural law,” driving technology firms to compete by endlessly scaling up their models. Rather than treating the scaling law as an empirical law of nature, as many computer scientists do, this paper approaches it as a core element of a new politics of technology. By tracing the discursive, politicaleconomic, material, and practical dimensions that constitute AI, the study aims to render unstable what otherwise appears as ahistorical and mysterious. Most of all, the paper proposes the concept of the “politics of scaling” (Pfotenhauer et al., 2022) as an analytic lens for understanding the research, maintenance, and use of LLMs. Drawing on scientific publications, ethnographic accounts of research and development practices, and several interviews, it analyzes how this politics operates in practice. Based on this analysis, it advances research agendas that includes scale optimism, the selective visualization of frictions, and large-scale experimentalism. These elements not only constitute the politics of scaling but also open up new lines of inquiry for scholars pursuing the social study of AI. In doing so, the paper demonstrates how epistemic beliefs, valuation tools, political-economic conditions, and discursive landscapes interact in the expansion of AI models to generate specific forms of power. Ultimately, this study contributes to situating recent transformations in AI innovation within the politics of scaling and identifies multiple points of intervention for social studies of technology.

비밀번호 추측 공격이 진보하면서 기존 비밀번호 보안 방책의 효율성을 재고할 필요가 있다. 본 논문은 생성형 AI의 대규모 비밀번호 생성에 기반한 추측 공격에 대해 연구하였다. 본 논문에서는 트랜스포머 기반 아키텍처의 장점과 언어 모델이 갖는 실제적인 비밀번호 생성의 장점을 결합한 하이브리드 모델인 PassGPT+Llama3.2를 제안한다. 비밀번호 유출 공개 데이터셋 수집 및 전처리 과정을 거쳐 비밀번호의 다양하고 복잡한 구조를 반영한 데이터셋을 구축하였으며, 이를 활용하여 학습 및 검증을 수행하였다. 본 논문에서 제안한 모델은 학습 시 1시간 45분 소요되었으며, 비밀번호 생성에 22분이 소요되었다. 또한 본 논문에서 제안하는 모델은 기존 모델에 비해 높은 Hit Rate를 보였으며, 이는 실제적인 비밀번호를 생성하는 모델의 우수한 능력을 보여준다. 본 연구는 비밀번호 보안에 있어서의 생성형 AI의 역할을 확인하고 AI 기반 추측 공격에 대한 진보된 방어책이 필요함을 시사한다.

In cybersecurity, sophisticated guessing attacks continually challenge the effectiveness of password security measures. This paper investigates the potential of generative artificial intelligence models for large-scale password generation and their implications for guessing attacks. We introduce PassGPT+LLaMa3.2, a hybrid model that combines the strengths of transformer-based architectures with advanced linguistic modeling capabilities to generate highly realistic passwords. Our experiments were conducted on a private dataset, comprising a diverse array of password structures to evaluate the performance of our model in terms of training and testing efficiency. Our findings demonstrate that PassGPT+Llama3.2 significantly enhances the diversity and realism of generated passwords, achieving a training time of 1h 45min and a testing time of 22min. Moreover, our model exhibits higher Hit Rate compare to existing models, indicating its effectiveness in mimicking real-world password patterns. This research underscores the impact of generative AI on password security, highlighting the need for advanced defenses against AI-driven guessing attacks.

This study evaluates the Chinese language capabilities of 13 generative AI models (7 English-based, 6 Chinese-based) using the 2026 Korean College Scholastic Ability Test. Employing zero-shot Korean prompts, we analyzed 30 items across five dimensions: knowledge, reasoning, language comprehension, multimodal understanding, and generalization. Beyond accuracy rates, we examined response quality through Grice's Maxim of Quantity and efficiency indices. Results show Deepseek achieved 100% accuracy, while Thinking-mode models demonstrated superior reasoning with concise explanations. Chinese-native models exhibited translation patterns, whereas English-based models provided more natural Korean responses. Findings indicate that effective educational application requires strategic model selection based on pedagogical objectives. Enhancing teachers' AI literacy in model selection and output verification is essential for successful integration.

This study evaluates the Chinese language capabilities of 13 generative AI models (7 English-based, 6 Chinese-based) using the 2026 Korean College Scholastic Ability Test. Employing zero-shot Korean prompts, we analyzed 30 items across five dimensions: knowledge, reasoning, language comprehension, multimodal understanding, and generalization. Beyond accuracy rates, we examined response quality through Grice's Maxim of Quantity and efficiency indices. Results show Deepseek achieved 100% accuracy, while Thinking-mode models demonstrated superior reasoning with concise explanations. Chinese-native models exhibited translation patterns, whereas English-based models provided more natural Korean responses. Findings indicate that effective educational application requires strategic model selection based on pedagogical objectives. Enhancing teachers' AI literacy in model selection and output verification is essential for successful integration.

인간에 의한 수작업 평가는 시간과 비용 소모, 주석자 간의 의견 불일치, 평가 결과의 품질 등 불가피한 한계가 있다. 본 연구에서는 생성 AI모델 중 문맥을 고려하고 긴 문장을 입출력할 수 있는 ChatGPT를 활용한 한국어 요약 평가가 사람의 평가를 대체하거나 보완할 수 있는지 살펴보았다. 이를 위해 정량적 지표로 BERTScore를, 정성적 지표로 ‘일관성, 관련성, 문법, 유창성’ 등을 사용하여 ChatGPT가 생성한 요약에 대한 정성 및 정량적 평가를 실시했다. 평가 결과 ChatGPT4는 사람의 수작업 평가를 보완할 수 있는 잠재력을 가지고 있는 것을 확인하였다. 영어에 대해 학습된 모델이라는 점을 감안하여 한국어 오류 요약문 평가를 통해 오류 탐지 성능을 추가로 평가하고, 생성형 AI를 이용한 평가의 타당성과 신뢰성을 검증하기 위해 문장과 비문에 대해 반복적으로 평가하여 ChatGPT4의 오류 요약문 평가 성능과 내부 신뢰도를 검증했다. 그 결과 ChatGPT3.5와 ChatGPT4의 오류 요약 평가 성능이 불안정하여 아직은 사람의 평가를 보조하는 데 어려움이 있음을 확인하였다.

Manual human evaluation has inevitable limitations such as time and cost consumption, disagreement among annotators, and quality of evaluation results. In this study, we investigated whether Korean summary evaluation using ChatGPT, a generative AI model that considers context and can input and output long sentences, can replace or complement human evaluation. For this purpose, we conducted qualitative and quantitative evaluations of summaries generated by ChatGPT using BERTScore as a quantitative indicator and 'consistency, relevance, grammar, and fluency' as qualitative indicators. The results showed that ChatGPT4 has the potential to complement manual human assessment. Given that the model was trained on English, we further evaluated its error detection performance using Korean error summaries and repeatedly evaluated it on sentences and inscriptions to verify the validity and reliability of the evaluation using generative AI, thus validating ChatGPT4's error summary evaluation performance and internal reliability. The results showed that the error summary evaluation performance of ChatGPT3.5 and ChatGPT4 is unstable, and it is still difficult to assist human evaluators.

본 논문은 생성형 AI 환경에서 사용되는 ‘프롬프트 언어’를 그룹 뮤의 일반수사학의 관점에서 재해석하고, 그 구조적이며 의미적 작동 원리를 규명하고자 한다. 프롬프트 언어는 단순한 명령문을 넘어 비트겐슈타인의 ‘명제’ 개념과 같이 ‘현실의 상’을 조작하는 언어의 구성력으로 작동한다. 여기서 프롬프트 언어는 문화적 규칙과 자연법칙이 융합된 가능 세계를 재구성하는 과정의 언어로 이해될 수 있다. 이때 일반수사학에서 제시하고 있는 ‘삭제, 첨가, 삭제-첨가, 치환’의 수사적 조작은 AI 모델 내부의 연산 구조(차원 마스킹, 벡터 가산, 임베딩 이동, 셀프 어텐션)와 유비적 차원에서 적절히호응할 수 있다는 점에 착안하여 각 특성을 개념 압축, 공간 배치, 의미 확장, 세계관재구성과 연계함으로써 생성 이미지의 미학적 효과와 정서적 효과 역시 조작할 수 있는 핵심 기제임을 밝히고자 한다. 또한, 프롬프트 언어는 다양한 문화 코드의 충돌과재배열을 통해 문화적 잡종 이미지를 생산하고, 물리적 인과성을 전복하는 새로운 서사의 세계를 제시할 수 있다는 점에도 주목하고자 한다. 결과적으로 프롬프트 언어는수사적 조작과 계산적 연산이 교차하는 디지털 수사학적 장치이면서 의미변환을 수행하는 하이브리드 언어이자 생성형 AI 시대의 새로운 수사학적 실천이라고 할 수 있다.

This paper aims to reinterpret “prompt language”?used in generative AI environments?from the perspective of Group M’s general rhetoric and to elucidate its structural and semantic operating principles. Prompt language functions as a linguistic device that constructs “images of reality,” akin to Wittgenstein’s concept of a “proposition,” going beyond mere commands. Thus, prompt language can be understood as a process of constructing a possible world where cultural rules and natural laws converge. In this context, the rhetorical operations of “deletion, addition, deletion-addition, and substitution” proposed in General Rhetoric can be appropriately aligned with the computational structures within AI models (dimensional masking, vector addition, embedding shifts, self-attention) and on an analogical level. Based on this, we aim to demonstrate that these characteristics?translated into conceptual compression, spatial arrangement, semantic expansion, and worldview reconstruction?constitute the core mechanisms capable of manipulating both the aesthetic and emotional effects of the generated images. Furthermore, this paper aims to highlight that prompt language produces “cultural hybridity” through the collision and rearrangement of diverse cultural codes, and can present new narrative worlds of possibility that reverse physical causality. Consequently, prompt language can be regarded as a digital rhetorical device where rhetorical manipulation and computational operations intersect, a hybrid language that performs semantic transformation, and a new rhetorical practice in the era of generative AI.

사회 전반에 중대한 변혁을 불러오고 있는 인공지능(Artificial Intelligence, AI) 기술 중에서도 생성 AI(Generative AI)는 저작권법 논의 지평에 특별한 영향을 미친다. 생성 AI 출력 단계의 저작권 침해 쟁점에 관한 국내의 논의는 주로 공정이용 조항의 적용이나 TDM 예외조항 도입 등에 맞춰져 있고, 저작권 침해의 기본 요건인 의거에 관해서는 폭넓은 논의가 이루어지지 못했다. 입력(학습) 단계의 접근과, 출력(생성) 단계의 결과에서 보이는 유사성의 존재 외관만으로 의거관계가 당연히 추정될 수 있는 것으로 전제하는 견해들이 많다. 그러나 이들 종래 견해는 두 간접사실이 각각 관찰되는 입력과 출력 단계 사이에 위치한 생성 AI 모델이라는 고리에서 그 연결이 희석 내지 단절될 수 있다는 점에 대해서는 크게 고려하지 않았다. 또한 추정 법리의 당연한 적용을 주장하면서도 그와 관련하여 고려되어야 할 생성 AI 기술의 원리를 상세히 들여다 보지 않았다. 이 글은 생성 AI 모델에 입력된 학습데이터와 모델에서 출력된 AI 산출물 간 의거 판단 문제를 의거관계의 법적 구성과 생성 AI 기술의 특성을 바탕으로 검토하였다. 이 글에서는 의거 요건의 개념적 구성을 법적 인과관계를 요체로 하는 객관적 사실로서 규명하고, 학습데이터와 AI 산출물을 잇는 연결경로 위에 위치하는 생성 AI가 각 모델 기술별로 그 인과적 연결성에 차이가 있다는 점을 검토했다. 현대 생성 AI의 대세로 부상한 디퓨전 모델과 LLM을 중심으로, AI 모델을 그 학습데이터의 사본으로 평가하기 곤란하다는 점을 기술 문헌들에 보고된 암기 현상을 중심으로 살펴보고, 모델이 학습데이터의 사본이 아니라고 할 때 그 산출물은 학습데이터의 표현이 아닌 아이디어에 의거하였다고 보아야 하므로 간접의거에 의한 의거관계가 인정되기 어렵다는 점을 검토하였다. 또한 의거의 증명과 관련하여, 인간의 저작물 이용과정에 관한 경험법칙에 기반하여 형성된 의거 추정방법이 생성 AI의 학습ㆍ작동 원리와 조화되기 어려운 이유들을 살펴보고, 의거의 추정을 위한 유사성의 요구 수준 상향, 및 의거 추정에 있어 암기 현상의 재현 빈도와 같은 추가적인 간접사실을 고려할 것을 제안하였다. 마지막으로, 다수의 이해관계인이 참여하는 생성 AI 생태계에서 의거 인정의 법적 효과를 누구에게 귀속시킬 것인가의 문제와 관련해, 암기 현상 억제를 위한 기술적 조치의 적용과 같은 인과관계 약화 요인 및 특정 저작물의 출력을 의도한 이용자의 프롬프팅 등 인과관계 강화 요인이 존재하는 경우 이를 의거관계의 판단에 참작할 수 있다는 점에 대해 논하였다.

Among artificial intelligence (AI) technologies, generative AI (GenAI) has a particular impact on copyright law. Until now, Korean scholarship on GenAI’s copyright infringement issues has mainly focused on the application of fair use provisions or the introduction of TDM exceptions, while paying little attention to ‘dependence’, one of the basic requirements for copyright infringement. It is commonly assumed that access to a prior work as training data in the input stage, and its similarity to the AI output generated in the output stage, are sufficient to presume dependence. However, these viewpoints have not sufficiently considered the possibility that the connection between the two indirect facts, observed in the input (access) and output (similarity) stages, may be diluted or severed due to the GenAI model acting as an intermediary. Additionally, while asserting the application of the presumption doctrine, they have not thoroughly examined the characteristics of GenAI technology that should be considered in this context. This article examines the issue of dependence between the training data input and the AI output, based on the legal structure of the dependence requirement and the specific features of GenAI technology. This article reconceptualizes the structure of dependence as objective facts centered on normative causality, and examines the differences in causal connection across various GenAI models. This article also adresses the difficulty of evaluating AI models as copies of their training data, based on the understanding of the memorization observed in the field of technical research. It also examines the difficulty of recognizing indirect dependence when the model cannot be regarded as a copy of the training data, as the model’s output is based on ideas rather than expressions contained in the training data. Also, this article examines the reasons why the traditional presumption method of dependence, which is based on the typical process by which a natural person copies works, is difficult to harmonize with the learning and operational mechanisms of GenAI models. The suggestions provided are, among others, further consideration of the degree of similarity and the frequency of memorization in presuming dependence. Finally, regarding the issue of attributing the legal effects of recognizing dependence within the GenAI ecosystem in which multiple stakeholders participate, this article reviews how weakening factors introduced by GenAI developers or service providers, and strengthening factors introduced by users, should be appropriately considered in determining the AI output’s dependence on training data.

LLMs 와 같은 생성형 인공지능의 발전은 이를 활용한 서비스의 확산을 가속화하고 있지만, PII 유출로 인한 프라이버시 침해 위험도 증가하고 있다. 현재 미국 NIST, DHS, HIPAA 등 여러 기관에서 PII 유출에 대한 위험 평가 기준을 제시하고 있으나, 각기 상이한 기준으로 일관된 위험 평가 수행에 한계점을 보인다. 본 연구는 PII 유출로 인한 위험 수준을 정량적으로 평가할 수 있는 통합 프레임워크를 제안한다. 이를 위해, 기존 PII 위험 평가 기준을 종합하여 3단계 위험 수준을 정의하고, PII 속성별 정량적 평가 점수 산출 모델을 설계하였다. 또한, 실제 데이터셋을 이용하여 제안된 프레임워크의 실효성을 검증함으로써 AI 환경에서 PII 보호를 위한 체계적인 위험 평가 방법론을 제시한다.

The advancement of Large Language Models has accelerated the proliferation of data-driven AI services, but also heightened the risk of privacy breaches from PII exposure. While institutions such as NIST, DHS, and HIPAA provide PII risk assessment standards, their inconsistencies hinder consistent evaluation. This study proposes an integrated framework to quantitatively assess PII risk levels by consolidating existing criteria into a three-tier classification and designing a scoring model based on PII attributes. The framework's effectiveness is validated using real-world datasets, offering a systematic methodology for PII risk assessment in AI environments.

스테이블 디퓨전(Stable diffusion)과 같은 텍스트 프롬프트 입력 기반 이미지 생성 AI 기술의 발전으로 원하는 형태의 고품질 이미지를 누구나 손쉽게 생성가능할 것으로 기대하였으나 대부분의 경우 원하는 이미지를 얻기 위해서는 텍스트 프롬프트를 정교하게 조정해가며 많은 실패를 겪어야만 한다. 이러한 한계를 극복하기 위해 클립 인터로게이터(CLIP Interrogator)와 같은 유사 이미지를 재생성하기 위한 텍스트 프롬프트 추정 기술이 개발되었으며 몇몇 이미지에 대해 뛰어난 결과를 보였다. 본 논문에서는 이러한 텍스트 프롬프트 추정 기술의 활용이 한국화를 재생성할 수 있는지 실험을 통해 가능성을 확인하고 향후 한국화 재생성을 위한 연구 방향을 제안하고자 한다.

최근 GPT-4, LLaMA와 같은 초거대 언어모델을 활용한 서비스가 공개되며 많은 주목을 받고 있다. 이 모델들은 사용자들의 다양한 질문에 유창하게 응답할 수 있지만, 한국어 데이터의 학습량이 부족하여 한국 문화 및 한국어에 대한 잘못된 정보를 제공할 가능성이 있다. 본 논문에서는 한국어 데이터를 학습한 주요 공개 모델 8개를 선정하여, 5개 분야(한국어 이해 및 문화 영역으로 구성)에 대한 평가 데이터셋을 통해 한국 문화 이해 능력을 평가하였다. 그 결과, 상용 모델인 HyperClovaX가 전 분야에서 가장 뛰어난 성능을 보였으며, 공개용 모델 중에서는 Bookworm이 한국어 구사 능력에서 우수한 성과를 보였다. 또한, 한국어 이해 및 문화와 관련된 부문에서는 LDCC-SOLAR 모델이 뛰어난 성능을 확인할 수 있었다.

Recently, services utilizing large-scale language models (LLMs) such as GPT-4 and LLaMA have been released, garnering significant attention. These models can respond fluently to various user queries, but their insufficient training on Korean data raises concerns about the potential to provide inaccurate information regarding Korean culture and language. In this study, we selected eight major publicly available models that have been trained on Korean data and evaluated their understanding of Korean culture using a dataset composed of five domains (Korean language comprehension and cultural aspects). The results showed that the commercial model HyperClovaX exhibited the best performance across all domains. Among the publicly available models, Bookworm demonstrated superior Korean language proficiency. Additionally, the LDCC-SOLAR model excelled in areas related to understanding Korean culture and language.

4차 산업혁명 시대에 접어든 이래 AI는 광속적인 발전을 하며 이제는 인공지능이 사회 전반에 영향력을 미치고 있다. 지난 2022년 출시된 챗GPT-3의 단기간 확산으로 생성형 AI의 개발경쟁이 치열해지면서 인공지능이 인간만의 영역으로 간주되었던 창작의 영역에서까지 인간을 능가하는 기술을 보여주고 있다. 그러나 진보한 기술만큼이나 복잡하고 다양한 사회적 문제를 수반하고 있기에 본 연구에서는 생성형 AI, 그리고 특히 텍스트를 중심으로 대화나 검색엔진에 특화된 대규모 언어모델에 기반한 AI의 현주소를 분석하여 문제를 지적하고 해결방안을 모색하였다. LLMs AI는 대량의 데이터에 의존하다 보니 데이터편향, 허위정보, 정보오용, 데이터 환각 등 학습데이터 문제와 학습·생성·이용과정에서 개인정보 및 저작권 침해, 범죄에의 이용 등 불법적 문제, 그리고 광범위한 활용 영역에 따라 디지털 디바이드, 고용시장의 변화 등의 파생적인 문제들도 발생하고 있다. 이를 위하여 앞으로의 기술 개발에 있어 인간의 기본권을 중심으로 한 기술윤리 준수와 책임감 있는 자체 감독을 강제하고 범정부적 차원에서 AI윤리에 대한 홍보·교육·감독을 강화하여야 한다. 나아가 생성자인 AI와 개발자, 그리고 이용자 모두가 책임감 있는 개발·생성·이용 활동을 하도록 개인정보, 저작권, 콘텐츠 관련 법령과 AI기본법을 검토하여 책임을 부여하는 강력한 직접규제조항이나, 저작인접권·보험의무화 등 간접책임을 명문화한 입법규제를 제안한다.

Since entering the era of the 4th industrial revolution, AI has made light-speed development, and now artificial intelligence has an influence on society as a whole. As competition for the development of generative AI intensifies due to the short-term spread of Chat GPT-3, which was released in 2022, artificial intelligence is showing technology that surpasses humans even in the realm of creation that was considered to be human-only. However, since it is as complex and involves various social problems as advanced technologies, this study analyzed the current status of generative AI, especially AI based on large language models specialized in conversation or search engines, focusing on text, to point out the problem and seek solutions. LLMs AI relies on large amounts of data, resulting in learning data problems such as data bias, false information, misuse of information, and data hallucinations, illegal problems such as personal information and copyright infringement, crime use, and changes in the digital divide and job market. To this end, it is necessary to enforce compliance with technical ethics centered on basic human rights and responsible self-supervision in future technology development, and strengthen public relations, education, and supervision of AI ethics at the pan-government level. Furthermore, it proposes strong direct regulatory provisions that give responsibility by reviewing personal information, copyright, content-related laws, and basic AI laws so that AI, developers, and users, all of them, can develop, create, and use responsibly. And also it proposes legislative regulations that stipulate indirect responsibilities such as neighboring rights of copyright and insurance obligations.