Earticle

최근 발생한 기업의 대규모 보안 사고는 고도화된 공격 기법보다는 기본적인 보안 정책 미준수와 장기간의 탐지 실패가 초 래하는 치명적 결과임을 보여주었다. 이는 복잡해지는 IT 인프라 환경에서 단순 스크립트 점검의 한계로 인해, 수동 점검 방 식만으로는 보안 공백을 해소하기 어렵다는 점을 시사한다. 이러한 한계를 보완하기 위한 대안으로 대규모 언어모델을 활용한 AI 기반 보안감사 자동화 기술이 주목받고 있으나, 고도의 기밀성과 가용성이 요구되는 국방 분야에서는 생성형 AI의 환각 현상과 예측 불가능한 자율성이 도입에 주요 제약 요인으로 작용하고 있다. 본 논문에서는 이러한 문제를 해결하기 위해 국방 환경에 최적화된 LangGraph 기반의 설명 가능하고 제어 가능한 보안 감사 에이전트를 제안한다. 본 시스템은 한국인터넷진흥 원의 가이드라인에 기반한 화이트리스트 명령어 통제, 데이터 유출 방지를 위한 로컬 RAG, 그리고 관리자 승인 절차를 결합 하여 AI의 행동을 엄격히 통제함으로써 운영 안전성을 확보한다. 실험 결과, 폐쇄망 및 이기종 OS 환경에서 총 91가지 항목 을 환각으로 인한 오류 없이 진단하고 가이드 위반 사항을 식별하여 설명 가능한 리포트를 생성함으로써, 국방의 제약을 극복 한 실질적인 AI 도입 가능성을 입증하였다.

Recent large-scale security incidents have demonstrated that severe consequences often stem from basic policy violations and prolonged detection failures, revealing the limitations of manual inspections in complex IT environments. While AI-based automation offers a solution, its adoption in the defense sector is restricted by concerns over hallucinations and unpredictable autonomy. To address these challenges, this paper proposes a LangGraph-based explainable and controllable security audit agent optimized for defense environments. The system ensures operational safety by enforcing whitelist-based command control grounded in KISA technical vulnerability guidelines, utilizing Local RAG to prevent data leakage, and implementing administrator approval procedures. Experimental results confirm that the agent reliably diagnoses 91 inspection items across heterogeneous OS environments without hallucinations, generating explainable reports. This study demonstrates the practical feasibility of AI in defense by effectively balancing automation efficiency with strict security compliance.

챗GPT로 대표되는 대화형 AI들은 이미 주요한 소통 행위자로 인식되며 우리 시대의 언어활용 방식과 소통 및 상호작용 규범에 큰 영향을 미치고 있다. 이 거대언어모델들은 인간 피드백을 통한 강화학습((RLFH: Reinforcement Learning from Human Feedback)을 통해 서구의 자본주의 문화가 권장하는 가치들을 정렬한다. 그 결과 이 모델들은 이용자 의 선호 충족에 최우선권을 두며 모든 경우에 공손함을 유지하며 정치, 경제, 종교 등과 같이 민감하지만 중요한 문제에 대해서 언급하지 않는다. 일부 학자들은 이를 아첨적 AI(Syncophatic AI)로 부르며 이에 대한 대안으로 이용자에게 비판과 반론과 같은 불편 한 경험을 제공하는 적대적 AI(Antagonistic AI)를 제시한다. 또 다른 대안은 특정 가치들 을 정렬하는 것이 아니라 상황에 맞게 조정할 수 있는 메타인지적 지혜를 갖춘 현명한 AI(Wise AI)를 구축하는 것이다. 이 두 가지 제안 모두 소크라테스를 호명한다. AI가 소 크라테스의 지혜를 갖추도록 하거나 혹은 이용자에게 그의 역할을 수행할 수 있어야 한 다는 것이다. 그런데 이러한 제안들 모두 이용자의 선호충족에 우선권을 둔다는 점에서 기존의 거대언어모델들과 크게 다르지 않다. 그것이 설사 이용자를 불편하게 만드는 적 대적 타자와의 경험이라도 이용자가 원하는 때, 원하는 유형과 강도로 제공될 수밖에 없 기 때문이다. 아첨이든 비판이든 이용자는 자신의 욕구를 즉각적이고 별다른 위험 없이 경험할 수 있다. 대화형 인공지능은 소크라테스식으로 답변할 수 있지만, 그가 자신의 삶 전체를 걸고 타인에게 무지와 잘못을 깨닫도록 촉구했던 호의와 용기는 전달할 수 없 다. 이런 미덕들은 본능과 욕망에 휘둘리지 않고 타인과 관습에 지배되지 않고 스스로 를 형성하는 주체로서 살아가고자 하는 사람들의 상호작용을 통해서만 습득할 수 있는 것이다.

Conversational AIs, such as ChatGPT, are already recognized as major communicative actors and are having a major impact on the way we use language and the norms of communication and interaction in our time. These large language models(LLMs) use Reinforcement Learning from Human Feedback(RLFH) to align with the values promoted by Western capitalist culture. As a result, they prioritize satisfying user preferences, remain polite in all cases, and avoid commenting on sensitive but important issues such as politics, economics, religion, etc. Some researchers label this phenomenon as sycophantic AI and propose alternatives, such as antagonistic AI—designed to offer users uncomfortable experiences like critique and counterarguments. Another alternative is to build Wise AI, which has the metacognitive wisdom to adapt to context rather than align with a particular set of values. Both of these proposals invoke Socrates. Either AI should have the wisdom of Socrates, or it should be able to fulfill his role for the user. However, both of these proposals are not much different from the existing LLMs in that they prioritize satisfying the user's preferences. This is because the experience with the agonistic other, even if it makes the user uncomfortable, can only be provided when the user wants it, and in the type and intensity that the user wants. Whether it's flattery or criticism, the user can experience their desires immediately and without risk. Conversational AI can give Socratic answers, but it cannot convey the goodwill and courage with which he risked his life to urge others to realize their ignorance and wrongdoing. These virtues can only be acquired through the interaction of people who are not driven by instincts and desires, who are not dominated by others and conventions, and who seek to live as self-forming subjects.

Recent breakthroughs in generative reasoning have fundamentally reshaped how large language models (LLMs) address complex tasks, enabling them to dynamically retrieve, refine, and organize information into coherent, multi-step reasoning chains. Techniques such as inference-time scaling, reinforcement learning, supervised fine-tuning, and distillation have been effectively applied to state-of-the-art models, including DeepSeek-R1, OpenAI’s o1 and o3, GPT-4o, Qwen-32B, and various Llama variants, significantly enhancing their reasoning capabilities. In this paper, we present a comprehensive review of the top 27 LLMs released between 2023 and 2025, such as Mistral AI Small 3 24B, DeepSeek-R1, Search-o1, QwQ-32B, and Phi-4, and analyze their core innovations and performance improvements. We also provide a detailed overview of recent advancements in multilingual large language models (MLLMs), emphasizing methods that improve cross-lingual reasoning and address the limitations of English-centric training. In parallel, we present a comprehensive review of progress in State Space Model (SSM)-based architectures, including models like Mamba, which demonstrate improved efficiency for long-context processing compared to Transformer-based approaches. Our analysis covers training strategies such as general optimization techniques, mixture-of-experts (MoE) configurations, retrieval-augmented generation (RAG), chain-of-thought prompting, self-improvement methods, and test-time compute scaling and distillation frameworks. Finally, we identify key challenges for future research, including enabling multi-step reasoning without human supervision, improving robustness in chained task execution, balancing structured prompting with generative flexibility, and enhancing the integration of long-context retrieval and external tools.

대형언어모델(LLM)은 AI 기술의 일종으로, 인간의 언어를 이해하고 생성하는 능력을 갖추고 있으며, 이를 통해 학습자에게 맞춤형 학습 지원을 제공할 수 있다. 본 연구에서는 경력전환교육 분야에서 LLM의 정의를 명확히 하고, 이를 활용한 교육적 가능성과 효과를 체계적으로 분석하고자 한다. 이를 위해 PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 체계적 문헌고찰 방법론을 활용하여 2015년부터 2024년까지 Google Scholar, Scopus, JSTOR, ProQuest, DOAJ와 같은 주요 데이터베이스에서 수집된 영 어권 문헌과 국내 연구를 검토하였다. 연구는 LLM의 교육적 활용 가능성과 경력전환교육 분야에서의 역할 및 실증적 효과를 중심으로 분석하였다. 연구 결과는 다음 세 가지로 요약된다. 첫째, LLM은 개인화된 학습 환경 설계와 실시간 피드백 제공을 통해 학습 동기를 촉진하고, 학습자 중심의 맞춤형 학습 지원을 가능하게 하는 등 교육적 활용 가능성을 보 여준다. 둘째, LLM의 교육적 활용에 대한 실증적 연구를 통해, 창업 아이디어 개발, 시장 분석, 복잡한 문제 해결 등에서 효과적인 학습 결과가 도출되었으며, 경력전환교육에 적용 할 가능성을 확인하였다. 셋째, 경력전환교육 분야에서 LLM은 창업 지원, 팀워크 훈련, 갈 등 관리와 같은 직무 역량 개발과 학습자 중심의 교육을 지원하는 효과적인 도구로 활용 될 수 있음을 보여준다. 본 연구는 LLM의 교육적 활용 가능성과 실질적 효과를 탐구하여, 경력전환교육의 학습 환경을 혁신하고 창업 및 직업 역량 개발을 체계적으로 지원하는 데 기여한다. 이는 디지털 전환 시대의 요구에 부응하는 경력전환교육 패러다임 구축의 기반 을 마련할 것으로 기대된다.

This study systematically analyzes how Large Language Models(LLMs) can be utilized in career transition education using the PRISMA(Preferred Reporting Items for Systematic Reviews and Meta-Analyses) methodology. The research examines English-language literature collected from major databases such as Google Scholar, Scopus, JSTOR, ProQuest, and DOAJ, as well as Korean literature from domestic databases like RISS, spanning the years 2015 to 2024. The findings of the study are summarized as follows: First, LLMs demonstrate potential for educational applications by fostering learning motivation and enabling personalized, learner-centered education through the design of tailored learning environments and real-time feedback. Second, in the field of career transition education, LLMs can serve as critical tools for practical learning and the development of job competencies, including entrepreneurship support, teamwork training, and conflict management. Third, an empirical analysis of the effects of LLMs reveals positive learning outcomes in areas such as entrepreneurial idea development, market exploration, and complex problem-solving. By concurrently analyzing global and domestic literature, this study validates the educational potential and practical impact of LLMs, contributing to the establishment of a new paradigm for career transition education in the era of digital transformation.

Building on Jang(2021), we test whether text-only LLMs show graded evaluation of written Korean aegyo and how these relate to (un)naturalness language in explanations. We generate 77 informal past-tense verb forms from 11 high-frequency stems: a standard spelling (S), a resyllabified baseline (S′), and alternations from S′ (/j/-insertion, affrication, stopping, and combinations). We query GPT-4o, o3, and GPT-5, collecting 1–7 cuteness ratings and by-item justifications. All models categorically recognize aegyo, rating manipulated forms well above S and matching Jang(2021) by placing CJ at the top. Differences emerge in how strongly they demote mid-tier variants judged less conventional. A cue-based justification analysis reveals that mentions of ‘awkward/unnatural/nonstandard’ predict lower ratings, whereas generic ‘cute/endearing’ language is near-ubiquitous. Written aegyo thus separates register detection from gradient evaluation of (un)naturalness under text-only conditions, making it a useful diagnostic probe and benchmark candidate as opposed to definitive tests of phonotactic competence.

This study explores a novel approach to assessing cultural fit during the early stages of mergers and acquisitions (M&A) by leveraging publicly available employee review data and large language models (LLMs). Recognizing the limitations of traditional due diligence in accessing internal cultural data, the proposed framework utilizes fine-tuned models and chain-of-thought (CoT) reasoning strategies to infer corporate cultural characteristics based on the Denison and Ko [2016] framework. The model evaluates four key traits-Mission, Consistency, Involvement, and Adaptability-across twelve dimensions, using Low-Rank Adaptation (LoRA) for efficient fine-tuning. Experimental results demonstrate that LoRA-tuned models consistently outperform few-shot prompting across both proprietary (e.g., GPT-4o) and open-source (e.g., Llama 3.2-3B) models, with significant improvements in both text summarization and numerical prediction accuracy. Additionally, CoT reasoning-particularly Multi-step and Hybrid strategies-yields substantial performance gains, especially in smaller models, enabling them to approximate the results of large-scale systems at reduced cost. These findings highlight the practical utility of combining PEFT and CoT methods for scalable, objective, and early-stage cultural assessments in M&A decision-making.

2020년 OpenAI가 1,750억 파라미터 규모의 GPT-3를 공개한 이후 간단한 작업부터 복잡한 작업에 이르기까지 다양한 다운스트림 작업에 대응하는 대규모 언어 모델(LLM)의 개발이 가속화되고 있다. LLM이 개발되고 고도화됨에 따라 LLM의 성능을 객관적으로 평가할 수 있는 평가 지표와 데이터셋이 개발되어 활용되고 있다. 이러한 데이터셋은 다양한 분야에 대해 LLM을 객관적으로 평가함에 있어 좋은 성과를 거두었으나, 규모 측면에서 개인이나 소규모 기관에서 활용하기 어렵고 실용적 측면에서 실제 사용자가 체감하는 바와 다소의 괴리를 가지고 있다. 이에 본 연구에서는 사용자의 활용 패턴을 반영하여 비교적 작은 양의 데이터를 활용해 LLM을 평가할 수 있는 평가 지표 및 데이터셋을 제시한다. 더 나아가, 가중치를 일반에 공개하는 공개형 대규모 언어 모델의 개발이 가속화되고 고성능의 공개형 LLM이 출시되고 있음에 따라 연구 수행 시점인 2024년 4월 기준 최신의 폐쇄형 LLM 4종과 공개형 LLM 6종에 대한 평가를 시행하고 폐쇄형 LLM과 공개형 LLM의 비교 평가 결과에 대해 논의한다. 연구 결과 새롭게 개발한 데이터셋이 작은 규모에도 불구하고 기존 데이터셋과 유사한 경향성을 보이는 것으로 나타났다. 상식 추론 및 글 스타일 변환과 같은 간단한 작업에서는 공개형 LLM이 폐쇄형 LLM과 대등하거나 우세한 성능을 보였으나 수학, 코딩, 이미지 질의응답 등의 복잡한 작업에서는 큰 성능 격차를 보임을 확인하였으며, 더 나아가 비교적 작은 규모의 LLM이 규모 대비 좋은 성능을 보임을 확인하였다.

The development of large language models (LLMs) has accelerated since OpenAI released GPT-3, which demonstrated generalizability and capability for various downstream tasks, thanks to its 175 billion parameters. Various metrics and datasets for LLM evaluation have been developed to objectively assess LLMs’ performance. Although existing evaluation metrics and datasets have widely been used across various fields, their large scale hinders their use in small organizations or by individuals. Furthermore, there is degree of discrepancy between evaluation results and actual user experiences. The study proposes evaluation metrics and datasets with relatively small amounts of data while reflecting real-world user experiences. In the process of testing the proposed metrics and datasets, the research evaluates and compares four closed-LLMs and six open-LLMs, which are latest as of April 2024. The results show that proposing datasets exhibited trends similar to existing datasets despite its smaller size, and furthermore, well reflected actual user experiences. Moreover, open-LLMs performed similar, or indeed, better than closed-LLMs in simple tasks while closed-LLMs performed significantly better in complex tasks such as mathematics, coding, and vision question-answering.

본 연구는 생성형 인공지능의 교육적 활용 가능성을 모색하기 위해, 소크라테스식 문답법 기반의 질의응답 데이터셋(SocratiQ)의 한 국어 번역본을 활용하여 경량 온디바이스 대형언어모델(LLM) 두 종류(Gemma 1B, LLaMA 1B)에 대해 LoRA 방식의 파인튜닝을 수 행하고 그 성능을 비교하였다. 실험 결과, 두 모델 모두 BERTScore 기준 약 0.75 수준의 의미 유사도를 달성하였으며, Gemma 1B는 질문 표현의 정교성과 일관성 측면에서 우수한 성과를 보였다. 반면 LLaMA 1B는 평균 1초 미만의 추론 시간을 기록하여 실시간 응답 에 더 적합한 효율성을 나타냈다. 또한 일부 사례 분석을 통해 두 모델이 문맥에 따른 다양한 소크라테스식 질문 유형을 생성할 수 있음 을 확인하였다. 본 연구는 온디바이스 환경에서도 교육용 LLM이 실질적 질문 생성 도구로 활용될 수 있음을 실증적으로 제시하며, 향 후 경량 AI 기반의 자기주도 학습 지원 시스템 설계에 유의미한 기초 자료를 제공한다.

This study investigates the educational applicability of on-device lightweight large language models (LLMs) through fine-tuning with a Korean-translated version of the SocratiQ dataset, which is built upon the Socratic method of questioning. Two compact models, Gemma 1B and LLaMA 1B, were fine-tuned using the LoRA approach, and their performances were evaluated. Both models achieved a BERTScore F1 of approximately 0.75, indicating high semantic similarity with reference questions. Gemma 1B demonstrated slightly higher linguistic consistency and clarity, while LLaMA 1B showed superior inference efficiency, with an average response time of under one second. Sample analysis also revealed that both models were capable of generating diverse types of Socratic questions in contextually appropriate ways. The results suggest that fine-tuned lightweight LLMs can serve as viable educational tools for AI-assisted questioning, even in resource-constrained or privacy-sensitive environments. This work offers foundational evidence for integrating on-device AI in self-directed learning and classroom support systems.

최근 LLM 기반 코드 생성 모델의 발전으로 데이터 포이즈닝을 통한 백도어 공격은 소프트웨어 공급망 보안에 심각한 문제로 대두되고 있다. 기존 공격은프롬프트 어휘나 구조 변화에 매우 민감하다. 이러한 한계를 극복하기 위해 본 논문에서는다중 프롬프트 앙상블과 의사결정 단일 프롬프트에 의존하기 때문에 불안정하고 알고리즘을 결합한 안정적인 백도어 공격 프레임워크를 제안한다. 제안된 방법은 Ask Me Anything(AMA)전략을 사용하여 네 가지 관점의 프롬프트를 생성하고, Self-Consistency 기반의 다수결 및 의미론적 투표를 적용해 최적의 취약점 데이터를 정제한다. 실험 결과는 제안된 다중 프롬프트 앙상블 프레임워크가 기존의 단일 프롬프트 방식보다 공격 성공률을 최대 94%까지 크게 향상시켜 높은 공격 일관성을 입증함을 보여주었다. 본 연구는 프롬프트 엔지니어링이 어떻게 보안 취약점을 극대화할 수 있는지 정량적으로 분석하여LLM기반 소프트웨어 공급망 위험에 대한 경고를 제시한다. 더불어, 제안된 공격 기법의 이중 용도(Dual-use) 위험성을 인지하고, 이를 완화하기 위한 방어 전략의 필요성과 향후 연구 방향을 제시한다.

As Large Language Model (LLM)-based code generation advances, backdoor attacks have become critical software supply chain security challenges. Existing backdoor attacks rely primarily on single prompts, showing instability and high sensitivity to prompt vocabulary or structure changes. To overcome these limitations, this paper proposes a stable backdoor attack framework combining a multi-prompt ensemble with decision-making algorithms. Our method generates multiple prompts from four perspectives using the Ask Me Anything (AMA) strategy and refines optimal poisoned data by applying Simple Majority and Semantic Voting techniques based on the Self-Consistency principle. Experimental results demonstrate that the proposed multi-prompt ensemble framework significantly improves the Attack Success Rate by up to 94% compared to the baseline single-prompt approach, proving high attack consistency. This study quantitatively analyzes how advanced prompt engineering can maximize security vulnerabilities, warning against LLM-based software supply chain risks. Furthermore, acknowledging the dual-use risk of the proposed attack, we suggest the necessity for defense strategies to mitigate these threats and outline future research directions.

본 연구는 거대 언어 모델(LLM; Large Language Model) 기반의 메타인지 진단평가 시스템 을 설계하고 구현한 내용을 다룬다. 현재 교육 환경에서 자기 주도적 학습의 중요성이 증가하고 있 는 가운데, 본 시스템은 개인별 메타인지 수준을 효과적으로 평가하고 맞춤형 피드백을 제공할 수 있는 기능을 가진다. 연구 방법으로는 51개의 문항으로 구성된 리커트 5점 척도를 활용하여 사용자 의 메타인지 요소를 분석하였다. 그 결과, LLM을 통해 각 개인의 메타인지 강점과 약점을 구체적으 로 진단하고, 이를 바탕으로 사용자에게 실질적인 피드백을 제공하는 시스템을 개발하였다. 향후 이 시스템은 교육 및 심리 평가 분야에서의 혁신적 접근으로 자리잡을 것으로 기대되며, 추가 연구를 통해 다양한 환경 속에서의 효과성을 검증할 필요가 있다.

This study addresses the design and implementation of a metacognitive diagnostic assessment system based on large language models (LLMs). With the increasing importance of self-directed learning in current educational environments, this system possesses the capability to effectively evaluate individual metacognitive levels and provide personalized feedback. The methodology employed a Likert scale consisting of 51 items to analyze users' metacognitive elements. The findings indicated that through LLMs, strengths and weaknesses in metacognition could be accurately diagnosed, resulting in a system that offers practical feedback to users based on their assessments. Future developments are expected to position this system as an innovative approach in the fields of education and psychological assessment, necessitating further research to validate its effectiveness across diverse educational contexts.

연구목적: 본 연구는 뉴스 빅데이터를 활용해 한파로 인한 사회적 피해와 위험요소를 체계적으로 분류 하는 것을 목표로 한다. 또한 한파 위험이 시대별로 어떻게 보도되는지 분석하고자 한다. 연구방법: 2010년부터 2025년까지 수집된 약 1억 건의 네이버 뉴스를 대상으로 BERT 기반 모델과 거대언어모델 (GPT-4o-mini)을 활용한 4단계 정제 프로세스를 설계하였다. 단순 날씨 예보와 비유적 표현을 제거하 여 최종 1,973건의 한파 관련 뉴스를 확정하고, 최종 선별된 뉴스에서 2,829개의 위험 문장을 추출하여 WHO 기준을 바탕으로 구축한 5개 대분류와 24개 세분류 체계에 따라 위험요소를 분류·분석하였다. 연구결과: 한파 위험요소 분류 결과 취약계층(42.0%), 취약시설(33.2%) 관련 보도가 가장 높은 비중을 차지하여, 뉴스에서는 한파가 사회적 약자에게 상대적으로 큰 영향을 미치는 재난으로 다루어지고 있다. 시대별로는 2010년대에 인프라 손상 등 물리적 피해에 집중되었으나, 2020년대에는 코로나19와 결합된 복합재난 및 취약계층 보호 이슈 가 부각되었다. 결론: 한파는 단순한 기상 현상을 넘어 취약계층과 취약시설에 피해가 집중되는 복합적 위험으로 인식되고 있으며, 감염병 등 복합재난 상황에서의 특수성 또한 부각되고 있는 것으로 확인되었다. 이에 한파 피해가 특정 계층에 집중되는 특성을 고려하여, 취약계층의 수요와 상황을 반영한 ‘수요자 중심’의 정책과 복합재난 관점에서의 한파 대응 체계 마련이 필요하다.

Purpose: This study aims to systematically classify social risks associated with cold waves using news big data and to analyze how media coverage of cold wave risks has changed over time. Method: A four-stage refinement process was designed using the BERT based model and a Large Language Model (GPT-4o-mini) on approximately 100 million Naver news articles collected from 2010 to 2025. After removing simple weather forecasts and figurative expressions, 1,973 news articles specifically related to cold waves were finalized. From these, 2,829 risk-related sentences were extracted and analyzed according to a classification system of five major and twenty-four subcategories established based on WHO standards. Result: The classification of cold wave risk factors revealed that the number of new articles related to vulnerable groups (42.0%) and vulnerable facilities (33.2%) accounted for the highest proportions, indicating that news media perceives cold waves as disasters with a disproportionately large impact on the socially disadvantaged. While reports in the 2010s focused on physical damage such as infrastructure failure, the 2020s saw a shift toward highlighting complex disasters associated with COVID-19 and issues regarding the protection of vulnerable populations. Conclusion: The study confirms that cold waves are recognized as complex risks where damage is concentrated on vulnerable groups and facilities, especially under special circumstances like pandemic-driven complex disasters. Considering that cold wave damage is concentrated on specific classes, it is necessary to establish “user-centered” policies that reflect the needs and situations of vulnerable groups, alongside a cold wave response system from a complex disaster perspective.

본 연구는 대규모 언어 모델(LLM)의 기술적 특성과 GDPR 원칙 간 충돌에 관한 개인정보 리터러시 교육 효과를 실증적으로 분석하였다. 이를 위해 인공지능 및 정보보호 전공 대학원생 31명을 대상으로 단일 집단 사전-사후 검사 설계를 적용하여 5가지 기술적 요인(대규모 데이터 사용, 모델 경직성, 데이터 편향성, 블랙박스, 새로운 보안 위협)에 따른 인식 변화를 측정하였다. 분석 결과, 교육 후 ‘모델 경직성’과 ‘데이터 편향성’ 요인에서는 위험 인식이 유의미하게 강화된 반면, ‘블랙박스’와 ‘대규모 데이터 사용’ 관련 항목에서는 기술적 이해도 향상에 따라 막연한 불안감이 합리적으로 조정되는 경향이 나타났다.

This study provides an empirical analysis of the impact of privacy literacy education on the tension between the technical features of Large Language Models (LLMs) and GDPR principles. Utilizing a single-group pre- and post-test design with 31 graduate students in AI and information security, we evaluated perceptual changes based on five technical domains: large-scale data use, model rigidity, data bias, the black box phenomenon, and new security threats. The results indicate that while risk perception was significantly heightened regarding ‘model rigidity’ and ‘data bias,’ arbitrary anxiety surrounding ‘black box’ issues and ‘large-scale data use’ was rationally mitigated through enhanced technical comprehension.

This study employs Artificial Intelligence to develop experimental future scenarios for North Korean regional development. Focusing on government-proposed areas of inter-Korean economic cooperation - energy, transportation, and agriculture - the research analyzes current challenges including power supply instability, logistics inefficiency, and low agricultural productivity. The study proposes solutions utilizing Fourth Industrial Revolution technologies, such as smart grid systems with Northeast Asian connections, autonomous logistics networks, and advanced agricultural technologies. The use of Large Language Models (LLMs), with their extensive data processing capabilities, enabled generation of creative future scenarios beyond conventional research methods. Policy simulations using virtual personas demonstrated the potential for developing tailored policies considering North Korea’s characteristics. This research holds methodological significance through its experimental use of LLMs and offers valuable reference material for future inter-Korean economic cooperation policies by exploring new possibilities for North Korean regional development.

이 연구는 역대 언론중재법 제･개정안 및 관련 회의록에 다양한 데이터분석 기법을 적용함으로써, 언론중재법의 과거 입법 과정 양상을 실증적으로 분석하고자 했다. 첫 번째 연구문제에서는 연구자 사전 기반 분석을 적용해 언론중재법 개정안 내 입법 쟁점들의 출현 양상을 도출했으며, 이를 쟁점의 출현 빈도와 회기 확산 범위를 기준으로 ‘장기성 고빈도형’, ‘단기성 고빈도형’, ‘장기성 저빈도형’, ‘단기성 저빈도형’으로 유형화했다. ‘장기성 고빈도형’은 대부분 국회 회기에서 고빈도로 등장한 쟁점으로, ‘언론의 법적 정의’, ‘중재위원 자격 및 구성요건’ 등이 해당한다. ‘단기성 고빈도형’은 특정 회기에서 급부상하며 정파적･사회적 갈등을 동반한 쟁점으로, ‘징벌적 손해배상제 도입’ 및 ‘허위조작정보 규제’ 등이 대표적이다. 반면 ‘장기성 저빈도형’은 다수 회기에서 간헐적으로 등장한, 주로 실무 보완성 쟁점이며, ‘조정 및 중재 관련 세부 절차(증거조사, 중재부 결정, 직권조정결정, 중재절차)’ 등이 포함된다. ‘단기성 저빈도형’은 비주류 정치 의제나 지역･소수 집단의 관심을 반영한 의제로, 국회 공론장에서 주목도는 낮지만, 상징적 메시지를 전달하는 쟁점으로 기능한다. 본 연구는 이러한 쟁점 유형별로 상이한 입법 전략을 제안했다. 두 번째 연구문제에서는 가결안 및 본회의 부결안의 회의록 텍스트를 대상으로, GPT-4o 기반 대형언어모델을 활용한 자동분류기법을 적용해 입법자 간 갈등 양상을 분석했다. 발언 단위를 기준으로 쟁점별 태도(찬성/반대/중립)를 분류한 후 갈등도(Conflict Score)를 산출하고, CoT 프롬프팅 기법을 활용해 비꼼, 반어, 풍자 등 감정 표현의 강도를 냉소지수(Sarcasm Index)로 계량화했다. 분석 결과, 언론중재법 대안이 상정된 제18대 및 제21대 국회에서 갈등도와 고강도 냉소 표현이 집중적으로 나타나 입법자 간 감정적 격화 양상을 확인할 수 있었다. 본 연구는 갈등도에 기반한 입법 우선순위 설정과 냉소지수에 따른 바람직한 토론 및 설득 전략 수립의 필요성을 제시했다. 본 연구는 기존의 질적 중심 미디어 입법 연구에 정량적 분석을 접목함으로써 언론법제 분야의 학문적 외연을 확장하고자 했다. 언론중재법은 2005년 제정 이래 지속적인 입법 시도에도 불구, 개정안 다수가 미디어 환경의 변화를 반영하지 못한 채 폐기되어 왔다. 본 연구가 제시한 입법 쟁점의 분석 틀과 계량지표들이 향후 입법자들의 법안설계 과정에서 실증적 근거로 활용되기를 기대한다.

This study empirically identifies legislative patterns in the Press Arbitration Act of Korea by applying various computational methods, such as dictionary-based analysis and large language model (LLM)- based analysis, to historical amendment bills and minutes. First, a dictionary-based analysis was conducted to identify the patterns of legislative issues appearing in the amendment bills of the Press Arbitration Act. Based on their frequency of appearance and distribution across National Assembly sessions, these issues were categorized into four types: long-term high-frequency, short-term high-frequency, long-term low-frequency, and short-term low-frequency. Second, the research applied GPT-4o and few-shot prompting techniques to investigate the conflict patterns embedded in legislative debates surrounding the Press Arbitration Act. Legislators’ utterances in plenary and committee debates were automatically classified by stance (support/ oppose/neutral) and quantified in terms of conflict scores and a sarcasm index. Moreover, sarcastic, ironic, and emotionally charged expressions were detected by leveraging chain-of-thought prompting. The findings revealed that the highest levels of polarization and sarcasm were concentrated in the 18th and 21st National Assemblies, indicating heightened ideological clashes. These metrics provide evidence-based guidance for issue prioritization and rhetoric strategy in future lawmaking. This research extends the methodological scope of legislative studies by integrating quantitative computational methods into a traditionally qualitative domain. Despite repeated reform efforts since the enactment of the Press Arbitration Act in 2005, many proposed amendments have failed to reflect changing media environments and societal demands. The typology and metrics proposed in this study offer practical tools for legislators to design empirically grounded and strategically structured legislative agendas.

The trend of Small Large Language Models (LLMs) has been developing significantly in recent years. Lightweight LLMs are designed to operate efficiently on mobile devices or edge computing environments, and perform well even with limited resources. These models are optimized for specific domains and provide results that meet the needs of specific industries. In addition, they are easily accessible to non-developers due to their user-friendly interfaces, and are utilized in various fields. The purpose of this paper is to analyze the performance, functionality, and usability of Small Large Language Models (LLMs) to understand how they can be effectively used in various natural language processing (NLP) tasks. In particular, the key goal is to evaluate what advantages and disadvantages small models have compared to large models, and whether they can be optimized for specific tasks. Through this analysis, we aim to provide useful insights for developers and researchers in selecting and utilizing LLMs.

최근 기업은 생성형 AI 기술을 기반으로 부가가치 높은 새로운 사업모델을 창출하거나, 제품과 서비스의 지능 화 자동화를 통해 차별화된 경쟁력을 제고하고 기업의 내부 업무 운영 효율화를 위해 많은 노력을 기술이고 있다. 생 성형 AI 접목을 통하여 기업의 의사결정의 정확성과 스피드 향상을 통해 경영 성과 향상에 크게 기여할 것이라고 기 대하고 있다. 본 연구는 LLM을 활용하여 기업의 ERP가 제공하는 정형 데이터를 기반으로 생성형 AI의 추론 성과 에 미치는 영향 요인을 확인하기 위하여 학습방식, 학습 데이터의 품질, LLM모델 아키텍처와 하이퍼 파라미터의 최 적화 변동에 따른 실험가설을 검증하였다. 실험 연구 결과 학습방식에 있어서는 Prompting 방식 보다는 LLM Fine-Tuning 방식이 정형 데이터 학습에 좋은 성능을 보임을 확인하였다. 또한 Fine-Tuning 수행 시, 성능에 영향 을 미치는 주요 요소로서 학습 데이터의 품질, 학습 데이터 구성, 학습주기 (Epoch), LLM 파라미터 (Temperature, Top-k, Top-p)등으로 확인되었다. 본 연구는 정형데이터셋 기반의 검색 기술의 적용과 발전에 기여함과 동시에 LLM 활용 방향성을 제공함으로써 기업 운영에 LLM의 활용을 제고하는데 의미와 가치가 있다.

The recent trend among companies is to leverage generative AI technologies to create high value-added new business models. This involves enhancing differentiated competitiveness through the intelligent automation of products and services, as well as improving the efficiency of business operations. The integration of generative AI is anticipated to significantly contribute to improved management performance by enhancing the accuracy and speed of corporate decision-making. This study investigates the factors influencing the inference performance of generative AI using LLM based on structured data provided by a company's ERP system. The study tested experimental hypotheses concerning the learning method, the quality of training data, and the optimization variations of LLM model architecture and hyperparameters. The experimental results indicated that, in terms of learning methods, LLM Fine-Tuning outperformed Prompting for structured data learning. Additionally, during Fine-Tuning, key factors affecting performance were identified as the quality of training data, the composition of training data, training cycles, and LLM parameters. This research contributes to the application and development of search technologies based on structured datasets and provides direction for the utilization of LLMs, thereby enhancing the use of LLMs in corporate operations.

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.