Earticle

최근 딥러닝 기반의 모델이 발전하며, 모델은 점점 커지고 데이터획득의 중요성이 높아지고 있다. 또한, 생성형 모델의 발전으로 많은 생성형 데이터들의 성능이 향상되고 SORA, ChatGPT와 같은 어플리케이션이 많은 관심을 받고 있다. 데이터의 수가 비교적 많이 적은 의료 영상의 경우 커지는 모델을 감당하기 힘들어졌다. 본 논문은 데이터의 획득이 어려운 Brain Tumor MRI 데이터셋을 이용해 딥러닝 기반의 Tumor 분류를 수행했고, 데이터의 양이 많이 필요한 큰 모델에서의 성능 향상을 위해 부족한 데이터를 최근 화제가 되고 있는 Latent Diffusion 모델을 사용해 기존 데이터의 수보다 대략 14.2배의 데이터를 생성했다. 기존의 학 습 데이터보다 14.2배의 많은 데이터로 학습을 한 Brain Tumor분류 모델은 대략 4.9%의 성 능향상을 보였고, 99.6%의 정확도를 보였다.

최근에 생성모델, 특히 ChatGPT와 DALLE-3과 같은 생성모델들은 사회에 큰 영향을 미치며, 이러한 모델들의 잠재공간을 정교하게 조작하고 이해하는 기술이 중요해지고 있다. 본 논문에서는 학 습된 생성모델의 잠재공간을 시각화하여 조작하는 새로운 방법인 “시각화 오토인코더” 방법을 제안한 다. 이 방법은 생성모델의 잠재벡터를 입력으로 하여 3차원 이하의 시각화 가능한 차원으로 축소하여 조작하는 것을 목표로 한다. 본 연구에서는 생성모델의 잠재공간 조작을 “관심 있는 샘플 생성”과 “샘 플 간 변환 과정 시각화” 두 가지로 정의하고, 이를 위해 필요한 수학적 성질 “일대일 대응”과 “locally smoothness”를 가정한 심층신경망 기반의 생성모델로 제한한다. MNIST 데이터셋을 사용하여 실험 한 결과 이러한 성질을 만족하는 심층신경망 모델에 대해 제안된 시각화 오토인코더 방법으로 관심 있는 샘플을 생성, 변환 과정을 시각화할 수 있음을 확인하였다.

Recent generative models, especially generative models such as ChatGPT and DALLE- 3, have had a great impact on society, and technology to intricately manipulate and understand the latent space of these models is becoming important. In this paper, we propose the “Visualization Autoencoder” method, a new method that visualizes and manipulates the latent space of the learned generative model. This method aims to manipulate the latent vectors of the generative model by reducing them to three or less dimensions that can be visualized. In this study, the latent space manipulation of the generative model is defined as two types: “generating samples of interest” and “visualizing the transformation process between samples”. For this purpose, we limit our-selves to a deep neural network-based generative model that assumes the necessary mathematical properties “one-to-one correspondence” and “locally smoothness”. As a result of experiments using the MNIST dataset, we confirmed that the proposed visualization autoencoder method for a deep neural network model that satisfies these properties can generate samples of interest and visualize the conversion process.

Probabilistic modeling of normal data is commonly used for anomaly detection. In this paper, we present a novel anomaly detection process using a score-based probabilistic generative model. Our method is based on the Langevin dynamics-based sampling methods, but we use a reverse trajectory of a standard score-based framework to compute anomaly scores. We validate our anomaly detection framework according to different one-class classification settings on the MNIST dataset.

본 연구에서는 인공지능 기반의 음성 합성 기술에 이미지 생성의 접근법을 적용하여 부드러운 음성 합성 방법을 제 안한다. 이미지 생성 모델 중 Implicit Generative Model에서 잠재 공간 내 두 잠재 벡터를 보간한 보간 벡터로 이미지를 생성할 때 두 잠재 벡터의 이미지 사이에서 부드러운 전환이 일어나는 특징을 두 음성 합성에 활용하였다. 음성 데이터는 푸리에 전환(Fourier Transform) 등 전처리를 하지 않고 이미지 형태로 재구성하여 사용하여 정보 손실을 줄이고 생성 성능을 높였다. 모델은 Implicit Generative Model 중 DCGAN(Deep Convolution Generative Adversarial Nets)과 DDIM(Denoising Diffusion Implicit Model) 을 학습시켰으며 선형 보간 법, 구형 보간법을 활용하여 생성한 두 음성 사이의 부드러운 전환 효과를 실험하여, 부드러운 음성 전환을 목적으 로 하는 효과적인 모델과 보간 방법을 찾고자 한다. 실험 결과, DCGAN은 다양한 보간법으로 부드러운 음성 전환 이 확인되었지만, 음성 품질 면에서 떨어졌다. 반면 DDIM은 생성된 음성의 품질은 우수하였으나 구형 보간법에서 만 성공적인 전환이 이루어짐을 확인하였다. 본 연구에서 영상을 활용한 부드러운 음성 전환에 DDIM과 구형 보간 법 조합이 최적의 음성 합성 효과임을 보여주었다.

This paper proposes a soft audio synthesis method by applying an approach of image generation to audio synthesis technology. Using the Implicit Generative Model among the image generation models, we utilized the feature where a smooth transition occurs between the images of the two latent vectors when generating an image with the interpolated vector interpolated between two latent vectors in the latent space. Audio data was reconstructed and used in image form without preprocessing such as Fourier Transform to reduce information loss and increase generation performance. The models trained were DCGAN(Deep Convolution Generative Adversarial Nets) and DDIM(Denoising Diffusion Implicit Model). By experimenting with the smooth transition effects created using linear interpolation and spherical interpolation between the two audios, we aim to find an effective model and interpolation method for smooth audio transitions. As a result of the experiment, DCGAN confirmed a smooth audio transition with various interpolation methods, but fell in terms of audio quality. On the other hand, DDIM confirmed that the quality of the generated voice was excellent, but that the conversion was successful only in the spherical interpolation method. This study concluded that the combination of DDIM and spherical interpolation resulted in the optimal audio synthesis effect.

Generative AI confronts semiotics with a new kind of sign-producing machine that actively reshapes the production and interpretation of visual content. Addressing the lack of humanities-based transdisciplinary research on this transformation, this study aims to establish a methodological foundation for the semiotic analysis of multimodal AI. By combining visual, social, quantitative, and multimodal semiotics, the paper proposes an integrated micro–meso–macro framework for evaluating AI-generated images. The analysis moves from the micro-level examination of plastic features and text-to-image translation, through the meso-level of enunciation, narrativity, and causality, to the macro-level of social stereotypes, ideology, creativity, rhetoric, truth, and inference. This is supported by a case study on lonely death and a semiotic explanation of latent space.

생성형 인공지능 (AI)의 확산은 게임 개발의 기획, 프로그래밍, 아트 제작, 품질관리 전반을 변화시키고 있으며, 이에 따라 대학 게임교육에서 요구되는 역량도 재정의되고 있다. 본 연구는 생성형 AI 시대의 게임 대학교육을 위한 Korea Game AI Education Model (K-GAEM) 1.0 역량 프레임워크를 개발하는 것을 목적으로 한다. 이를 위해 게임기획 2명, 게임개발 2명, 게임아트 2명으로 구성된 산업계 전문가 6명, 4년제 대학교 게임학과 학과장 3명과 2년제 대학교 게임학과 학과장 3명으로 구성된 학계 전문가 6명, 교육학 박사 2명 등 총 14명의 전문가 패널을 구성하였다. 2025년 9월부터 12월까지 3회전 수정 델파이 조사를 실시하였으며, 3개 라운드 모두 응답률 100%를 확보하였다. 이후 동일 패널을 대상으로 AHP 쌍대비교 분석을 수행하였다. 그 결과 K-GAEM 1.0은 AI 리터러시, AI 융합 역량, 게임 전공 역량, 창의적 기획 역량, 산업 실무 역량의 5개 핵심 영역, 15개 하위 영역, 49개 역량 요소로 구성되었다. 본 연구는 국내 게임 관련 학과의 교육과정 개편과 후속 FGI 기반 박사학위 연구의 기초자료를 제공한다.

The rapid diffusion of generative artificial intelligence (AI) has reshaped game-development workflows and has created new competency requirements for entry-level game professionals. Existing game university education in Korea, however, remain organized mainly around traditional engine, graphics, and planning courses and have not fully incorporated AI-augmented production. This study develops the Korea Game AI Education Model (K-GAEM) 1.0, a competency framework for game university education in the generative AI era. A three-round modified Delphi survey was designed with 14 experts (six industry practitioners in game planning, development, and art; six heads of game departments from four-year and two-year colleges; and two doctors of education) between September 2025 and December 2025, achieving a 100% response rate across all three rounds. The validated competency structure was then prioritized through the Analytic Hierarchy Process (AHP). The resulting framework consists of five domains, 15 sub-domains, and 49 competency elements. AHP weights placed AI Literacy first (0.276), followed by AI Convergence Competency (0.231), Game Major Competency (0.203), Creative Planning Competency (0.166), and Industry Practical Competency (0.124). K-GAEM 1.0 provides a structured basis for curriculum redesign, credit allocation, and future FGI-based validation.

딥러닝의 치명적 망각 현상(Catastrophic forgetting)을 방지하기 위한 지속 학습 연구는 최근 분류모델에서 생성 형 모델로 확장되고 있다. 하지만 생성형 모델의 지속 학습은 태스크별 입력 데이터에 의존하며, 이는 현실 세계에 서 프라이버시 문제와 한정된 메모리 자원에 따른 제약이 존재한다. 즉, 신경망의 블랙박스 특성과 상대적으로 작은 메모리 크기를 고려하여, 접근 불가능한 데이터를 대체할 필요가 있다. 이에 본 논문에서는 태스크별 데이터에 직접 접근하는 대신, 해당 데이터를 사전 학습한 추론형 신경망만을 입력으로 받아 생성형 모델을 지속 학습하는 모델 (Data-Free Continual Learning of Generative Network, DF-CLG)을 처음으로 제안한다. 구체적으로, 사 전 학습된 추론형 신경망에 저장된 배치 정규화 계층의 통곗값을 제약하여 학습에 사용된 데이터를 역으로 합성하는 생성형 신경망을 학습한다. 이후, 대표적인 지속 학습 기법인 규제 기반 방법과 리허설 기반 방법을 적용하여, 제안 된 생성형 신경망의 치명적 망각 현상이 완화될 수 있음을 보인다. 주목할 점은, 지속 학습에서 상대적으로 저조한 성능으로 알려진 규제 기반 방법이 제안된 생성형 모델에서 리허설 기반 방법에 준하거나 우수한 성능을 보인다는 것이다.

Research on continual learning to prevent catastrophic forgetting problem of deep learning has recently expanded from classification models to generative models. However, the continual learning of generative models relies on task-specific input data, which poses constraints on pivacy issues and limited memory resources in the real world. In other words, considering the black-box property of neural networks and their relatively small memory size, there is a need to replace inaccessible data. In this paper, we propose the first model, called Data-Free Continual Learning of Generative Network (DF-CLG), which receives pre-trained inference model as input instead of directly accessing task-specific data. Specifically, the generative model is trained to synthesize the data used in the training by constraining the statistics of batch normalization layers stored in the pre-trained inference network. Subsequently, by applying representative continual learning methods, namely regularization-based and rehearsal-based approaches, it is demonstrated that the proposed generative model can alleviate catastrophic forgetting. It is worth noting that regularization-based methods, which are known for their relatively poor performance in continual learning, show comparable or superior performance to rehearsal-based methods in the proposed generative model.

복부 CT영상에서 세번째 요추부 (L3) 슬라이스 검출은 복부 내장 지방 및 근육량을 측정하는데 주로 선행되는 작 업이다. 최근에 딥러닝을 이용하여 L3 슬라이스를 자동으로 검출하는 연구가 활발히 진행되고 있다. Axial 슬라이 스 영상에서 L3인지 아닌지 분류하는 이진 분류기 방식이 보고되고 있는데, L3 슬라이스 부족으로 인한 클래스 불 균형 문제를 완화하고자 하는 시도가 있었다. 본 논문에서는 최근에 의료영상 분야에 활용도가 높은 생성형 인공지 능 모델을 이용하여L3 슬라이스 영상을 생성함으로써 불균형 문제를 완화했을 때, 모델의 성능에 영향을 주는지 비 교 분석한다. 공개데이터인 VerSe 데이터셋을 이용하여 axial 영상의 데이터를 추출한 후 전처리 작업을 거쳐 5-fold 교차검증으로 딥러닝 모델을 학습하고 학습에 관여하지 않은 테스트 데이터셋으로 성능을 평가하였다. 검증 결과 DCGAN, IDDPM 방식의 딥러닝 기반의 생성모델을 이용한 데이터 증강이 전통적인 데이터 증강 방식보다 분류기 성능이 향상됨을 보여준다. 결론적으로 L3 슬라이스 검출 성능을 높이기 위해 데이터 증강을 수행하고 이를 위해 전통적인 방법보다는 생성형 인공지능 모델을 이용한 방식을 사용할 것을 권장한다.

The identification of the third lumbar vertebra (L3) slice in abdominal computed tomography (CT) is a usual prerequisite for the measurement of visceral adipose tissue and muscle in the abdomen. Recently, there have been active research studies using deep learning to automatically identify the L3 slice. A method for binary classification on axial slices has been reported, and trials have been made to alleviate the issue of class imbalance caused by the scarcity of the L3 slices. In this paper, generative neural network models, highly utilized in medical imaging, are considered for the generation of the L3 images to address the class imbalance issue. A comparative analysis is performed to investigate the effectiveness of the generative neural network models in improving the model’s prediction performance. We utilized publicly available VerSe dataset, where the subjects’ axial slice data were extracted. Weper formed image pre-processing, followed by a 5-fold cross-validation for model development. Finally, we evaluated the performance on unseen test data. Our results indicated that data augmentation based on DCGAN and IDDPM model sresulted in higher F1-scores than those obtained by traditional data augmentation. Therefore, we recommend the use of generative AI models rather than traditional data augmentation methods to improve the L3 slice identification performance.

인공지능이 다루기 어려운 개념에서 아주 익숙한 도구로 자리매김 하고 있다. 이와 더불어 금융권 에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀해져 가는 사이버 금융사기(Fraud)를 기존의 규칙기반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적대 신경망(Generative Adversarial Network, GAN)을 활용한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거래 데이터의 불균형 문제를 개선하는데 효과를 보였으며, WGAN이 가장 높은 개선 효과가 있음을 확인하였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버샘플링의 효과를 더 잘 반영함을 확인하였다.

Artificial Intelligence is establishing itself as a familiar tool from an intractable concept. In this trend, financial sector is also looking to improve the problem of existing system which includes Fraud Detection System (FDS). It is being difficult to detect sophisticated cyber financial fraud using original rule-based FDS. This is because diversification of payment environment and increasing number of electronic financial transactions has been emerged. In order to overcome present FDS, this paper suggests 3 types of artificial intelligence models, Generative Adversarial Network (GAN), Deep Neural Network (DNN), and Convolutional Neural Network (CNN). GAN proves how data imbalance problem can be developed while DNN and CNN show how abnormal financial trading patterns can be precisely detected. In conclusion, among the experiments on this paper, WGAN has the highest improvement effects on data imbalance problem. DNN model reflects more effects on fraud classification comparatively.

인공지능이 다루기 어려운 개념에서 아주 익숙한 도 구로 자리매김 하고 있다. 이와 더불어 금융권에서도 인공지능 기술을 도입하여 기존 시스템의 문제점을 개선하고자 하는 추세이며, 그 대표적인 예가 이상거 래탐지 시스템(Fraud Detection System, FDS)이다. 결제 수단의 다양화 및 전자금융거래의 증가에 따라 치밀 해져 가는 사이버 금융 사기(Fraud)를 기존의 규칙기 반 FDS로는 탐지하기 어려워지고 있다. 이를 극복하 기 위해 딥러닝 기술을 적용하여 이상거래 탐지율을 향상시키고, 이상행위에 즉각 대응하며, 탐지 결과의 반영을 자동화하고자 하는 시도가 이루어지고 있다. 딥러닝 FDS 구축에서 핵심 문제는 데이터 불균형과 이상거래 패턴의 변동이다. 본 논문에서는 생성적 적 대 신경망(Generative Adversarial Network, GAN)을 활용 한 오버샘플링 기법을 통해 데이터 불균형 문제를 개선하고, 이상거래 분류기로써 심층 신경망(Deep Neural Network, DNN)과 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하여 이러한 문제를 개선 하고자 하였다. 실험 결과, GAN 오버샘플링이 이상거 래 데이터의 불균형 문제를 개선하는데 효과를 보였 으며, WGAN이 가장 높은 개선 효과가 있음을 확인하 였다. 또한 제안 FDS 모형의 AUC가 0.9857로 랜덤포 레스트 FDS 모형에 비해 약 6.5% 향상되어, 딥러닝 이 이상거래 탐지에 뛰어난 성능을 가짐을 입증하였 다. 더불어 딥러닝 모형 중 DNN은 CNN에 비해 오버 샘플링의 효과를 더 잘 반영함을 확인하였다.

본 연구는 생성형 인공지능 활용이 확대되는 초등 교육 맥락에서 기존 ASSURE 교수설계 모형을 재구성한 GA‑ASSURE 모형을 제안하는 데 목적이 있다. 문헌연구를 통해 ASSURE 모형의 여섯 단계와 생성형 인공지능의 기능, 위험, 윤리, 교사 역량을 분석하여 1차 모형을 구안하고, 초등교사와 관련 전공 전문가 5인의 서면 의견을 반영해 단계별 실행 지침의 명료성과 현장 적용 가능성을 보완한 2차 모형을 도출하였다. GA‑ASSURE 모형은 학 습자 분석부터 평가 및 수정에 이르는 ASSURE 흐름 속에 AI 리터러시 진단, 프롬프트 설계와 산출물 검증, 윤리 적인 부분과 법적 고려, 기술적 오류 대비를 통합하여 생성형 인공지능을 교사의 전문성을 보완하는 인지적 도구 로 활용하기 위한 성취기준 기반 수업 설계 준거를 제공하고자 하였다.

This study proposes the GA‑ASSURE model, which adapts the ASSURE instructional design model to the use of generative artificial intelligence in elementary education. The initial model was developed by analyzing the six phases of ASSURE together with key aspects of generative AI, such as its functions, risks, ethics, and required teacher competencies, and then aligning these elements. Written feedback from five experts, including in‑service elementary teachers and researchers in computer education and instructional technology, was used to refine phase‑specific guidelines and derive the second version of GA‑ASSURE. The model embeds AI literacy diagnosis, prompt design and verification, ethical and legal considerations, and preparation for technical failures into the ASSURE cycle, providing practical criteria for using generative AI as a cognitive tool that complements teachers’ professional judgment in achievement standard‑based instructional design.

이 연구에서는 개인간 태도에서외 대립이 태도대상을 바라보는 조망의 차이에서 비롯된다는 전제에서, 조망의 확대처치가 태도에서의 대립에 어떤 영향을 미치는가를 분석하였다. 연구에서 설정한 태도의 변형생성모형에서는 조망이 확대되면 태도 대상에 대한 개인의 지각된 차원구조가 평가차원에서 기술차원으로 변형되며, 이에 따라 태도에서의 대립도 개인간 대립에서 대상간 대립으로 바귀계 된다고 제안하였다. 이 모형에 대한 검증은 태도대상 「개기르기」에 대하여 찬성조망(놀이가치)을 갖고 있는 국민학생들에게 반대조망(일가치)도 갖게 해줌으로써 그들의 태도의 차원구조가 어떻게 바뀌는가를 통하여 수행되었다. 그 결과 태도대상에 대한 국민학생들의 지각된 차원구조가 평가차원에서 기술차원으로 변형되었음이 밝혀졌다. 이 결과로부터 태도에서의 개인간 갈등이 개인내의 인식의 변화를 거쳐서 어떻게 해결될 수 있는가를 논의하였다.

On the assumption that inter-individual attitudinal conflict would result form different perspectives toward an attitude object, this study was assessed the effects of perspective expansion in attitudinal conflict. When anti-perspective(work oriented values) was given to children with pro-perspective(play oriented values) toward an attitude object dogrearing. children's perceived structure of attitude dimensions was changed from evaluative dimension(likable-dislikable) to descriptive dimension(play oriented-work oriented). That is, the dog rearing was not perceived by children as likable or dislikable, but as play-oriented value(amusing but annoying) or work-oriented value(comfortable but weary). Also, inter-individual conflict shifted form evaluative confrontation(likable vs. dislikable) to descriptive confrontation(thing to work vs. thing to play). Attitudinal conflict was then transformed from inter-individual discrimination to inter-object discrimination. Based on these results, we were proposed a resolution model of attitudinal conflict.

마이크로비트를 활용한 피지컬 컴퓨팅교육은 학습자의 프로그래밍에 대한 흥미와 현실적인 문제들을 해결하 기 위한 프로토타입 결과물을 제작하고 만들 수 있어 유용하게 사용된다. 연구에서는 예비교사들의 마이크로비 트 교육 프로젝트를 진행하기 위해 최근 발전하고 있는 생성형 AI 기술을 활용할 수 있는 교육 모델을 개발하 였다. 개발된 교육모델은 생성형 AI를 활용하여 문제인식, 해결방법 논의, 실행요소 도출, 분석, 학습 및 공유 단 계를 통해 프로젝트를 추진할 수 있도록 구성하였다. 또한 기초적인 수준의 마이크로비트 프로그래밍 경험과 프 로젝트 경험을 가지고 있는 예비교사들도 쉽게 활용할 수 있도록 각 단계별 생성형 AI를 활용할 수 있는 프롬 프트를 구성 방법을 제시하였다. 연구에서 제시한 생성형 AI를 활용하여 학습자와 협업하여 프로젝트를 진행할 수 있는 교육모델을 통해 피지컬 컴퓨팅 교육과정 및 교수학습 방안에 필요한 연구자료로 활용될 수 있다.

Physical computing education using the micro:bit is useful because it can create and create prototype results to solve learners' interest in programming and realistic problems. In the study, an educational model that could utilize the recently developed generative AI technology was developed to carry out a micro:bit education project for prospective teachers. The developed education model utilizes generative AI to promote the project through the stages of Identify, Define, Extract, Analyze, Learn, and Share. In addition, we presented a method of configuring prompts that can utilize generative AI at each stage so that even prospective teachers with basic micro:bit programming and project experience can easily use it. It can be used as research material for physical computing curriculum and teaching and learning methods through an educational model that can carry out projects in collaboration with learners using generative AI presented in the study.

급속한 기술 발전으로 생성형 AI가 교육에 새로운 가능성을 제시하고 있으나, 기존 연구는 정규 교육과정 학생들에 편중되어 있다. 본 연구는 평생 학습자와 전공 학생 간 협력을 통한 생성형 AI 교육 모델을 제시한다. 교육 모델은 컴퓨팅 사고력의 핵심 요소인 추상화, 알고리즘, 프로그래밍, 디버깅을 기반으로 구성하고, 페어 프로그래밍을 도입 하여 세대 융합적 지식 공유를 촉진한다. 주요 특징은 생성형 AI 엔진을 교육용 파이프라인에 통합하여 평생 학습자 의 경험을 활용한 개인화 콘텐츠 창작과 전공자의 기술 지원을 통한 디지털 역량 강화에 있다. 교육 모델의 효과성 검증을 위해 평생 학습자 10명과 전공자 5명을 대상으로 실제 교육을 진행한 결과, AI 기술 활용 능력의 유의미한 향상과 협력 학습을 통한 세대 간 지식 공유의 효과성이 확인되었다. 본 연구는 AI 시대 평생교육의 새로운 방향을 제시한다는 점에서 의의가 있다.

Generative AI presents new opportunities in the field of education. However, previous studies have predominantly focused on students in formal education settings. This study proposes an education model that facilitates generative AI learning through collaboration between lifelong learners and university students majoring in related disciplines. The model consists of the core components of computational thinking:abstraction, algorithms, programming, and debugging, and incorporates pair programming to promote effective intergenerational knowledge exchange. A core feature is the integration of a generative AI engine into the educational pipeline, enabling personalized content creation that draws on lifelong learners’ experiences while enhancing digital competencies through expert technical support. To evaluate the effectiveness of the model, an educational program was implemented with 10 lifelong learners and 5 student participants. The results demonstrated a significant improvement in AI technology utilization and confirmed the value of collaborative learning in fostering intergenerational knowledge sharing. This study offers meaningful insights into the future direction of lifelong education in the era of AI.

최근 딥러닝 기반의 자연어처리 연구는 사전 훈련된 언어 모델을 통해 대부분의 자연어처리 분야에서 우수한 성능을 보인다. 특히 오토인코더 (auto-encoder) 기반의 언어 모델은 다양한 한국어 이해 분야에서 뛰어난 성능과 쓰임을 증명하고 있다. 그러나 여전히 디코더 (decoder) 기반의 한국어 생성 모델은 간단한 문장 생성 과제에도 어려움을 겪고 있으며, 생성 모델이 가장 일반적으로 쓰이는 대화 분야에서의 세부 연구와 학습 가능한 데이터가 부족한 상황이다. 따라서 본 논문은 한국어 생성 모델을 위한 멀티턴 대화 데이터를 구축하고 전이 학습을 통해 생성 모델의 대화 능력을 개선하여 성능을 비교 분석한다. 또한, 검색 모델을 통해 외부 지식 정보에서 추천 응답 후보군을 추출하여 모델의 부족한 대화 생성 능력을 보완하는 방법을 제안한다.

Recent deep learning-based research shows excellent performance in most natural language processing (NLP) fields with pre-trained language models. In particular, the auto-encoder-based language model proves its excellent performance and usefulness in various fields of Korean language understanding. However, the decoder-based Korean generative model even suffers from generating simple sentences. Also, there is few detailed research and data for the field of conversation where generative models are most commonly utilized. Therefore, this paper constructs multi-turn dialogue data for a Korean generative model. In addition, we compare and analyze the performance by improving the dialogue ability of the generative model through transfer learning. In addition, we propose a method of supplementing the insufficient dialogue generation ability of the model by extracting recommended response candidates from external knowledge information through a retrival model.

본 연구는 애니메이션 교육에서 생성형 AI를 활용한 교육 방법론을 연구하기 위한 선행연구로 현상학 기반 생성형 AI를 활용한 애니메이션 교육 모델(Animation Educational Model of generative AI based on Phenomenology, 이하 AEMAIP)을 제안한다. 이를 위해 기술과 인간 경험의 균형을 모색에 필요한 현상학 자 후설, 메를로-퐁티, 하이데거, 슈츠의 사상을 기반으 로 전통적인 애니메이션 교육과 새로운 교육 방법을 비 교하여 그 효율성을 비교 검증한다. 연구대상은 대학생 3-4학년 20명 중에서 실험집단 10명과 대조집단 10명 을 대상으로 하였다. 세부 분석결과 현상학 기반 생성 형 AI 교육은 기술적 제약 해소(p<.001, Cohen's d = 2.10), 시간 몰입성(p<.01, Cohen's d = 1.43), 학습 만족도(p = 0.054, Cohen's d = 0.92) 영역에서 통 계적으로 유의미한 향상을 보였다. 창의적 자유도는 향 상을 보였으나 통계적 유의수준에 도달하지 않았다(p = 0.499). 창의적 과정능력은 단선적 창의과정(평균 2.33/5.0)에서 순환적 창의과정(평균 4.47/5.0)으로 발 전하였다, 이러한 결과는 생성형 AI를 교육에 통합함에 있어 현상학적 접근이 기술 활용의 효율성뿐만 아니라 인간 고유의 학습 경험과 창의성을 증진하는데 기여함을 시사하였다.

This study proposes an Animation Educational Model of generative AI based on Phenomenology (AEMAIP) as preliminary research for developing pedagogical methodologies in animation education. The model integrates phenomenological theories of Husserl, Merleau-Ponty, Heidegger, and Schutz to balance technological advancement with human experiential learning. A comparative analysis was conducted between traditional and phenomenology-based generative AI approaches. Participants included 20 university students (3rd-4th year), divided into experimental (n=10) and control (n=10) groups. Results demonstrated statistically significant improvements in the phenomenology-based AI group for technical constraint resolution (p<.001, Cohen's d = 2.10), temporal immersion (p<.01, Cohen's d = 1.43), and learning satisfaction (p = 0.054, Cohen's d = 0.92). Creative freedom showed improvement but did not reach statistical significance (p = 0.499). Creative process capability evolved from linear (M = 2.33/5.0) to cyclical patterns (M = 4.47/5.0). These findings suggest that phenomenological approaches to generative AI integration enhance not only technological efficiency but also human-centered learning experiences and creativity in animation education.