Earticle

전 세계 항공 기업과 국가 기관들은 수십 년간 안전 보고서를 작성하고 이를 분석하여 항공 사고 예방을 위해 지속 적으로 노력해왔다. 그러나 보고서의 규모가 방대해지고 내용이 복잡해짐에 따라 수동 분석만으로는 한계가 있다. 또한, 보안상의 이유로 웹에서 서비스하는 대형 언어 모델의 사용이 어려운 경우가 많다. 이러한 문제를 해결하기 위해 본 논문에서는 항공 안전사고 보고서에서 사고 원인을 추출하기 위해 항공 도메인에 특화된 자연어 처리 모델 인 AirGemma를 제안한다. AirGemma는 Gemma2-2B 모델을 기반으로 항공 도메인 데이터를 활용한 DAPT (Domain Adaptive Pre-Training) 기법을 적용해 항공 도메인 이해도를 향상시켰다. 이후 PEFT(Parameter Efficient Fine-Tuning) 기법을 활용한 미세조정을 통해 사고 원인 추출 성능을 높였다. 실험 결과, AirGemma 가 사전학습과 미세조정을 적용하지 않은 모델 대비 F1-score, ROUGE, BLEU 지표에서 우수한 성능을 기록했 다. 또한 GPT-4를 평가자로 사용한 쌍대비교 결과, AirGemma는 GPT-3.5 Turbo보다 높은 승률을 기록했고 단 일 답변 평가 결과 LLaMA3-70B와 GPT-3.5 Turbo에 비해 사고 원인 분석에 있어 더 높은 사실성 점수를 보였 다. 이러한 결과는 항공 도메인에 특화된 모델이 사고 원인 식별에 효과적임을 입증한다. AirGemma는 항공 산업 데이터의 보안 및 제한 조건을 고려하여 로컬 환경에서 안전하게 동작할 수 있도록 설계되었으며, 항공 안전사고 분 석 및 예방을 위한 새로운 접근 방안을 제시한다.

Analysis of safety accident reports is crucial for global aviation companies and national agencies to prevent aviation accidents. However, with increasing volume and complexity of these reports, manual analysis has its limitations. Moreover, due to security concerns, using large-scale language models served through the web is often not inapplicable. To address these challenges, this paper proposes a domain-specific natural language processing model called AirGemma, which is specifically designed to extract accident causes from aviation safety reports. AirGemma is built upon the Gemma2-2B model and enhances its domain understanding through Domain Adaptive Pre-Training(DAPT) using aviation-specific data. The performance of the proposed model is further improved by applying Parameter Efficient Fine-Tuning(PEFT). Experimental results show that AirGemma outperforms models without pre-training and fine-tuning in terms of F1-score, ROUGE, and BLEU metrics. Additionally, comparative evaluations using GPT-4 as a judge reveal that AirGemma achieves a higher win rate than GPT-3.5 Turbo, and in single-answer assessments, it demonstrated greater accuracy in accident cause analysis conpared to both LLaMA3-70B and GPT-3.5 Turbo. These findings demonstrate that AirGemma is effective in identifying accident causes within the aviation domain. Designed to operate securely in a local environment, AirGemma offers a new approach to aviation safety accident analysis and prevention.

Background In physical therapy, accurate information on musculoskeletal diagnosis and treatment is essential for patient care. Generative language models use machine learning to perform tasks like text generation and question answering, mimicking human language understanding. Purpose This study aimed to fine-tune the Llama2 language model using text data from books on the diagnosis and treatment of the musculoskeletal system in physical therapy, and to compare it to the base model to evaluate its usability in medical fields. Study design Technical evaluation study Methods The Llama2-13B Chat model was fine-tuned using text from books on musculoskeletal diagnosis and treatment in physical therapy and trained on 1.2 million tokens. Responses were compared to the base model based on relevance and specialization to clinical questions. Results Compared to the base model, the fine-tuned model consistently generated answers specific to the musculoskeletal system diagnosis and treatment, demonstrating improved understanding of the specialized domain. Conclusions The model fine-tuned for musculoskeletal diagnosis and treatment books provided more detailed information related to musculoskeletal topics, and the use of this fine-tuned model could be helpful in medical education and the acquisition of specialized knowledge.

OpenAI의 ChatGPT는 기존 기술보다 놀랍게 향상된 기능을 보여주었고 생성형 AI에 대한 활 발한 연구개발과 활용이 시작되었다. 컴퓨터 성능의 비약적인 발전으로 거대한 크기의 인공지능 언어 모델(LLM)을 활용하게 되었다. 본 연구는 LLM을 구축할 때 성능을 평가할 방법과 성능을 높이기 위 해 LLM의 구축 모든 과정에 걸쳐 고려해야 할 요인을 제시한다. 원시 데이터로부터 학습하여 backbone 모델을 만드는 것부터 만들어진 모델에 fine-tuning을 통해서 최종 모델을 구축하는 과정을 포함한다. 학습 데이터의 양과 품질, 모델 및 파라미터크기, 학습횟수 및 fine-tuning에 관련된 방안을 제시한다. 영문모델은 크기를 줄이면서 성능을 높이는 성과가 있는 반면에 한국어 모델은 작고 성능이 우수하면 서 연구개발과 서비스에 제한 없이 활용 가능한 오픈소스 모델의 구축과 보급이 필수적이다.

OpenAI's ChatGPT showed remarkable improvements over existing technologies, and active research and development and utilization of generative AI began. Advances in computing power have led to the use of large-scale artificial intelligence language models (LLMs). This study presents methods to evaluate performance when building an LLM and factors to be considered throughout the entire process of building an LLM to increase performance. It includes the entire process of building a model by learning from raw data and fine-tuning the created backbone model. We present how to improve performance from considering the quantity and quality of learning data, model and parameter size, learning frequency, and fine tuning. When it comes to the English dataset, there have been achievements in improving performance while reducing the model size, while in the case of Korean, it is essential to build and disseminate an open source model that is small but has excellent performance and can be used without restrictions for research and development and services.

Artificial intelligence (AI) is a significant tool in modern military operations in that it helps to analyze a large volume of strategic, tactical, and operational data. On the other hand, current large language models (LLMs) like GPT-4 or Falcon have difficulty resolving problems in defense-specific contexts because of issues related to security, data confidentiality, and the lack of explainability. This document presents MilGPT, a secure and explainable LLM structure that aims at solving military problems only. To the model, fine-tuned open-source architectures with domain-specific defense datasets are integrated to elevate intelligence synthesis, decision-making, and threat prediction. On the benchmark, performance evaluation tasks show that MilGPT accounts for a 27% increase in contextual accuracy, an 18% reduction in hallucination rate, and an 33% improvement in explainability as measured by gradient-based feature attribution. In the proposed framework, military intelligence systems are not only secured but also made adaptive and humaninterpretable, thus, setting up a basis for the coming generation of AI models capable of defense-grade tasks.

본 연구에서는 AI 언어모형의 경제학 분야 적용을 위한 기초 작업 과정과 응용을 실증분석한다. 경제․금융․재정에 특화된 한국어 소형언어모형(Small-scale Large Language Model; sLLM)을 개발하고, 이를 활용한 응용과정을 다룬다. Meta-llama/Llama-3.1-8B-Instruct를 베이스로, 신뢰성 있는 경제․금융 및 재정 데이터와 다양한 훈련방법을 적용한 후 경제분야 데이터 베이스에 활용하여 그 응용성과 범용성을 평가한다. 실증분석 결과, 본 연구의 소형언어모형은 경제학 관련 질문에 대해 그 맥락의 이해도가 향상되었으며, RAG(Retrieval Augmented Generation)에 적용할 경우 개선된 효과를 보여주고 있다. 이는 번역 오류와 문맥 이해 부족 등의 한계를 완화하며 AI Sovereign 문제를 해결할 수 있는 초석이 될 것으로 판단된다.

This study investigates the foundational processes and applications of AI language models in the field of economics. It focuses on developing a Korean Small-scale Large Language Model (sLLM) specialized in economics, finance, and fiscal policy, while exploring its practical applications. Using Meta-Llama/ Llama-3.1-8B-Instruct as the base model, the sLLM is developed by applying reliable datasets in economics, finance, and fiscal policy, along with various training methods such as SFT and DPO. Its applicability and versatility are evaluated through its implementation on economic databases. Empirical analysis indicates that the proposed sLLM exhibits enhanced contextual understanding in response to economic queries, with additional improvements observed when integrated with RAG (Retrieval-Augmented Generation). These findings suggest that the model successfully addresses challenges such as translation errors and limited contextual comprehension, laying a foundation for tackling AI sovereignty issues.

최근 대규모 언어모델의 발전에도 불구하고, 한국어 경어와 같이 화용적 판단이 요구되는 언어 현상을 대상 으로 한 실증 연구는 여전히 부족한 실정이다. 특히 기존 한국어 교육 연구에서 인공지능은 주로 교수·학습 보조 도구로 활용되어 왔으며, 언어학적 판단 과제를 검증하는 연구 방법으로 적극 활용된 사례는 드물다. 이에 본 연구는 대규모 언어모델 미세조정을 통해 한국어 경어 오류 판단 능력을 향상시킬 수 있는지를 실험적으로 검증하는 것을 목적으로 한다. 이를 위해 한국어 경어 오류 유형을 반영한 1,500여 개의 데이터셋을 구축하고, DeepSeek-1.5B 모 델을 대상으로 4-bit 양자화와 LoRA 기반 미세조정을 수행하였다. 모델 학습은 제한된 GPU 자원을 전제로 한 저 자원 환경에서 진행되었으며, instruction 기반 입력 설계를 통해 경어 사용의 적절성 판단을 유도하였다. 실험 결 과, 미세조정된 모델은 경어 오류 판단 과제에서 F1-score 0.66을 기록하였으며, 이는 미세조정 이전 모델 대비 약 34.7% 향상된 성능이다. 본 연구는 한국어 경어 오류 판단이라는 화용 중심 과제에 대규모 언어모델 미세조정을 적 용한 드문 실증 연구로서, AI를 단순한 도구가 아닌 연구 방법으로 활용할 수 있음을 보여준다. 또한 저자원 환경에 서도 효과적인 성능 개선이 가능함을 확인함으로써, 향후 한국어 교육 연구와 AI 기반 언어 분석의 융합적 확장에 기초 자료를 제공한다.

Despite advancements in large language models, empirical studies on language phenomena requiring pragmatic judgment, such as Korean honorifics, remain insufficient. In previous Korean language education research, artificial intelligence has primarily been used as a teaching and learning aid, with few examples actively utilizing it for linguistic judgment tasks. This study experimentally investigates whether fine-tuning large language models can enhance the ability to judge Korean honorific errors. A dataset of over 1,500 instances reflecting Korean honorific error types was created, and fine-tuning was performed on the DeepSeek-1.5B model using 4-bit quantization and LoRA. The training was conducted in a low-resource environment with limited GPU resources, inducing appropriate judgment on honorific use through instruction-based input design. The fine-tuned model achieved an F1-score of 0.66 in honorific error judgment tasks, representing an approximate 34.7% performance improvement compared to the pre-fine-tuned model. This research is a rare empirical study applying large language model fine-tuning to a pragmatic task of honorific error judgment, demonstrating the potential of AI as a research method rather than merely a tool. It also confirms effective performance improvement in low-resource environments, providing foundational data for the fusion of Korean language education research and AI-based linguistic analysis.

연구배경: 대규모 언어모델(LLM)을 활용한 학습이 확산됨에 따라, 단순한 활용을 넘어 학습자의 인지적 성장과핵심역량에 미치는 영향을 이해할 필요성이 제기되고 있다. 이에 본 연구는 LLM 활용이 메타인지와 핵심역량에미치는 효과를 확인하고, 이들 관계에서 AI 리터러시와 학업적 자기효능감의 매개효과를 검증하고자 하였다. 연구방법: 연구 참여자는 B대학 치위생학과 재학생 201명이었다. 2026년 3월 11일부터 2026년 3월 16일까지 설문조사를 통해 LLM 활용, AI 리터러시, 학업적 자기효능감, 메타인지 및 대학생 핵심역량을 측정하였다. 수집된자료는 SPSS와 PROCESS macro를 활용하여 기술통계, 상관분석, 회귀분석 및 매개효과 분석을 실시하였으며, 통계적 유의수준은 p＜0.05로 설정하였다. 연구결과: LLM 활용은 AI 리터러시와 학업적 자기효능감에 유의한 정적 영향을 미쳤으며, AI 리터러시는 학업적 자기효능감에 유의한 영향을 미치는 것으로 나타났다. 또한 LLM 활용은 메타인지와 핵심역량에 유의한 관련이 있는 것으로 나타났다(p＜0.05). 메타인지는 핵심역량에 유의한 정적 영향을 미치는 것으로 나타났다(p＜0.05). 매개효과 분석 결과, LLM 활용과 메타인지 간의 관계에서 AI 리터러시를 통한 간접효과와 AI 리터러시 및 학업적 자기효능감을 순차적으로 거치는 이중매개효과는 유의한 것으로 나타났다(p＜0.05). 반면, 학업적 자기효능감만을 통한 단순 매개효과는 유의하지 않았으며(p＞0.05), 매개변수를 통제한 후 LLM 활용의 직접효과는 유의하지 않아 해당 관계는 간접경로를 통해 설명되는 것으로 확인되었다. 결론: LLM 활용이 메타인지에 직접적인 영향을 미치기보다는, AI 리터러시를 중심으로 한 간접경로를 통해 영향을 미친다는 점을 확인하였다. 특히 AI 리터러시는 핵심 매개요인으로 작용하며, 학업적 자기효능감은 이를 기반으로 한 보조적 경로에서 역할을 수행하였다. 이러한 결과는 LLM 기반 학습에서 핵심역량 향상을 위해서는 메타인지 향상이 중요하며, 이를 위해 단순한 LLM 활용보다 AI 리터러시를 강화하는 교육이 선행되어야 함을 시사한다.

Background: With the rapid expansion of learning environments utilizing large language models (LLMs), there is a growing need to understand their impact not only on learners’ cognitive development but also on core competencies. This study aimed to examine the effects of LLM use on metacognition and core competencies, and to investigate the mediating roles of AI literacy and academic self-efficacy in these relationships. Methods: The participants were 201 dental hygiene students from University B. Data were collected through a survey conducted from March 11 to March 16, 2026, measuring LLM use, AI literacy, academic self-efficacy, metacognition, and core competencies. The data were analyzed using SPSS and PROCESS macro, including descriptive statistics, correlation analysis, regression analysis, and mediation analysis, with a significance level set at p<0.05. Results: LLM use had significant positive effects on both AI literacy and academic self-efficacy, and AI literacy significantly influenced academic self-efficacy. LLM use was also significantly associated with metacognition and core competencies (p<0.05). In addition, metacognition had a significant positive effect on core competencies (p<0.05). Mediation analysis revealed that the indirect effect of LLM use on metacognition through AI literacy, as well as the sequential dual mediation effect through AI literacy and academic selfefficacy, were significant (p<0.05). However, the mediation effect through academic self-efficacy alone was not significant (p>0.05). After controlling for the mediators, the direct effect of LLM use on metacognition was not significant, indicating that the relationship was fully mediated through indirect pathways. Conclusion: The findings indicate that the effect of LLM use on metacognition is not direct but operates through indirect pathways centered on AI literacy. AI literacy plays a key mediating role, while academic selfefficacy functions as a supplementary factor in a sequential pathway. These results suggest that enhancing metacognition is essential for improving core competencies in LLM-based learning, and that educational approaches should move beyond simple LLM use toward strengthening AI literacy

본 연구에서는 대규모 언어 모델의 발전 및 교육적 활용 동향을 살펴보고, 이를 바탕으로 교육적 활용 방안을 제시 하였다. 현재 대규모 언어 모델은 GPT 등의 모델이 상용화되어 사용되고 있으며, 특정 데이터에 최적화된 sLLM도 지속적으로 연구 개발되고 있다. 이러한 인공지능 기술을 교육적으로 활용하는 연구에서 그 가능성과 한계점 분석이 이루어지고 있다. 이에 본 연구에서는 대규모 언어 모델을 교육적으로 활용하기 위한 방안으로 교육용 LLM 가이드 라인 개발과 sLLM 최적화 방안을 제시하였다. 이를 통해 교육에 보다 효과적으로 LLM을 적용할 수 있을 것으로 기대된다.

This study examined the advancements and educational utilization trends of large language models (LLM), and based on this, proposed educational application strategies. Currently, LLMs, such as GPT, are being commercialized and used, and sLLM optimized for specific data is also continuously being researched and developed. The potential and limitations of using these artificial intelligence technologies in education are being analyzed in related studies. In this research, we proposed the development of educational LLM guidelines and optimization strategies for sLLM. Through these efforts, we anticipate that LLM can be applied more effectively in education.

대규모 언어모델(LLM)의 활용이 보편화됨에 따라, 프롬프트 인젝션(Prompt Injection), 데이터 탈취 등 이를 악용한 신종 보안 위협이 급증하고 있다. 기존의 방어 체계로는 예측 및 대응이 어 려운 이러한 공격들에 효과적으로 대처하기 위해, 본 연구는 LLM 기반 공격의 행위적 특성을 체 계적으로 분석하고 이를 기반으로 새로운 보안 프레임워크를 제안하는 것을 목적으로 한다. 이 를 위해, 2023년 1월부터 2025년 6월까지 공개된 실제 공격 사례들을 수집하여 ‘단일 행위 (Atomic Unit)’ 단위로 분해하였다. 이후, 각 행위를 MITRE ATT&CK 프레임워크에 매핑하여 공격 의 핵심 전술, 기술, 절차를 구조화하였다. 분석 결과, 공격자가 AI를 공격 준비 단계의 '보조 도 구'로 활용하는 패턴과 LLM 자체의 취약점을 직접 공격하는 패턴 등 핵심적인 공격 유형을 도출 할 수 있었다. 본 연구가 제시하는 공격 패턴 분석 및 프레임워크는 날로 지능화되는 LLM 위협 에 대한 산업 방어 전략 수립에 중요한 기초 자료를 제공한다는 점에서 의의를 갖는다.

With the widespread adoption of Large Language Models (LLMs), novel security threats such as prompt injection and data exfiltration are rapidly increasing. To effectively counter these attacks, which are difficult to predict and respond to with existing defense systems, this study aims to systematically analyze the behavioral characteristics of LLM-based attacks and propose a new security framework based on the findings. To this end, real-world attack cases from January 2023 to June 2025 were collected and decomposed into 'Atomic Units.' Subsequently, each action was precisely mapped to the MITRE ATT&CK framework to structure the core Tactics, Techniques, and Procedures (TTPs) of the attacks. The analysis identified key attack patterns, including the use of AI as an 'auxiliary tool' in the attack preparation phase and patterns that directly exploit the vulnerabilities of the LLM itself. The attack pattern analysis and framework presented in this study hold academic and practical significance by providing foundational data for establishing proactive defense strategies at both the industrial and national levels against increasingly sophisticated LLM threats.

본 연구는 국내 IT 및 기술 집약적 직군 관련 노동시장의 최신 동향과 변화 패턴을 분석하여 인공지능(AI) 기술 발전이 고용구조에 미치는 영향을 체계적으로 분석한다. 최근 AI 기술의 급격한 발전에 따른 노동시장 변화를 실시간으로 포착하는 연구의 필요성에도 불구하 고, 이에 대한 실증 연구는 제한적이다. 이에 본 연구는 IT 산업 중심 채용 플랫폼(원티드)의 구인 공고 데이터를 수집하고, 거대언어모델 (LLM) 기반 임베딩 기법을 활용한 시계열 분석을 수행하였다. 분석 결과, 임베딩 기반 지형도는 국내 IT 채용 시장의 산업 및 직군별 집중도를 직관적으로 가시화할 뿐만 아니라, 2014년부터 2025년까지의 시기별 분석을 통해 AI 기술 도입의 단계적 진화 패턴을 포착한다. 본 연구가 제시한 임베딩 기반 분석 프레임워크는 AI 기술이 단순한 직무 대체를 넘어 신규 직무 창출과 산업 구조 재편을 주도하고 있음을 실증적으로 규명하였다. 특히 본 방법론은 실시간 모니터링이 가능하다는 점에서, 급변하는 기술 환경하에서 정책 입안자와 기업이 선제 대응 전략을 수립하는 데 유용한 분석 도구로 활용될 수 있을 것으로 기대된다.

This study systematically analyzes the impact of artificial intelligence (AI) technology advancements on employment structures by examining recent trends and evolving patterns within the domestic IT labor market. Despite the recognized need for real–time capture of labor market changes resulting from the rapid progress of AI technology, empirical research on this topic remains limited. Here, we collect job posting data from a major IT industry–focused recruitment platform (Wanted) and conducted time–series analysis utilizing Large Language Model (LLM)–based embedding techniques. Our result reveals that the embedding–based landscape not only intuitively represent the concentration of industries and job categories within the domestic IT recruitment market but also captures the phased evolutionary patterns of AI technology adoption through temporal analysis spanning from 2014 to 2025. The embedding–based analytical framework proposed in this study empirically demonstrated that AI technology is driving the creation of new job roles and the restructuring of industries, rather than merely replacing existing jobs. Our approach provides a practical analytical tool for policymakers and business leaders for formulating proactive response strategies within a rapidly evolving technological environment, based on its capability for real–time monitoring.

본 연구는 2022 개정 교육과정 초등학교 5~6학년군 5개 교과(국어, 수학, 실과, 체육, 영어)를 대상으로 생성형 AI 기반 초거대언어모델 프롬프트의 교육적 활용 가능 사례를 탐구하여 향후 생성형 AI 활용 교육의 방향성과 시 사점을 도출하고자 하였다. 분석 결과를 통해 교과별 목표와 성격에 따라 초거대언어모델의 교육적 활용 분야가 다르게 적용될 수 있다는 점을 알 수 있었다. 교육 현장에서 적절하게 활용되는 생성형 AI는 학습자 중심 역량 강 화를 지원할 수 있는 혁신적 교육 방안으로서의 잠재력을 가지고 있다. 생성형 AI를 올바르게 사용하기 위해서는 이러한 긍정적인 가능성과 더불어 생성형 AI의 기술적 한계와 윤리적 사용에 대해서도 충분한 이해가 필요할 것 이다. 또한 AI교육에 대한 사회적 수요와 관심이 꾸준하게 늘어나는 만큼 관련한 후속 연구 및 논의가 필요한 상황이다.

This study aimed to explore the potential educational applications of a generative AI-based large language model prompts for the revised 2022 elementary school curriculum, specifically targeting 5th and 6th grade in five subjects: Korean, Mathematics, Physical arts, Physical Education, and English. Through our analysis, we found that the educational uses of the large language model can vary depending on the goals and characteristics of each subject. Appropriately utilized, generative AI has the potential to serve as an innovative educational approach that supports learner-centered competency enhancement. However, it is necessary to have a sufficient understanding of both its positive possibilities and the technical limitations and ethical considerations associated with its use. Furthermore, given the growing social demand and interest in AI education, further research and discussions on this topic are necessary.

생활SOC 복합시설의 공간 구성에서 다양한 이해관계자의 의견수렴은 효과적인 우선순위 도출의 핵심 요 소이다. 그러나 기존 주민참여 방식은 시간과 비용 소요, 참여율 저조 등 현실적 제약을 가지고 있다. 이에 본 연 구는 대규모 언어모델(Large Language Model, LLM) 기반 다중에이전트 시스템과 델파이 방법론을 결합한 생활 SOC 복합시설 공간 우선순위 도출 프레임워크를 제시하였다. 연령별 인구구조를 반영한 가상 주민 에이전트를 모델링하고, 3단계 델파이 과정을 통한 체계적 의견수렴 메커니즘을 구현하였다. 프레임워크 검증을 위해 반복 시 뮬레이션을 수행한 결과, 주민 에이전트들이 선정한 상위 핵심공간에 대해 높은 일관성을 확인하였다. 연령대별 공간 중요도 평가 분석을 통해 모든 공간에서 연령대 간 통계적으로 유의한 차이가 확인되어, LLM 기반 에이전 트가 연령별 특성을 적절히 반영한 차별화된 의견을 생성할 수 있음을 확인하였다. 본 연구는 기존 주민참여 방식 의 제약을 보완하는 새로운 방법론적 대안을 제시하고 그 기초적 유효성을 검증하였다.

Opinion convergence among diverse stakeholders is critical for Community-based SOC complex facility spatial configuration, but existing resident participation methods face time, cost, and participation constraints. This study presents a spatial priority determination framework combining Large Language Model (LLM)-based multi-agent systems with Delphi methodology. Virtual resident agents reflecting age-specific population structures were modeled and implemented through a three-stage Delphi process. Repetitive simulations confirmed high consistency for selected core spaces. Age-specific spatial importance evaluations showed statistically significant differences among age groups, verifying that LLM-based agents generate differentiated opinions reflecting age characteristics. This study presents a methodological alternative complementing existing participation limitations and verifies its fundamental validity.

효과적인 사이버 위협 대응 전략을 수립하기 위해서는 다단계로 수행되는 사이버공격의 단계별 정보를 정확하게 식별할 수 있어야 한다. 그러나 사이버보안의 핵심인 침입탐지시스템은 다단계로 구성된 사이버공격을 하나의 연관된 공격으로 탐지 하지 못하고 개별적인 다수의 공격이 발생한 것처럼 경보를 생성한다. 따라서 대응은 개별 공격에 대한 단편화된 대응으로 이 어질 수밖에 없으며, 동일한 침해사고의 재발 방지를 위한 효과적인 대책을 수립하는 것도 어려워진다. 이러한 문제를 해결하 기 위해 본 연구에서는 거대 언어 모델을 기반으로 별도의 미세조정 없이 프롬프트 엔지니어링만을 활용하여 침입탐지 경보 로부터 다단계 공격을 시나리오 형태로 식별하는 기법을 제안한다. 프롬프트 엔지니어링 과정에서는 모델의 사이버 위협 분석 과 관련된 역량이 활성화되도록 페르소나를 부여하였다. 또한 논리적인 연쇄적 사고 기법을 적용하고, 환각 현상을 억제하기 위해 제약조건을 명시하였다. 제안된 기법의 효과성은 5종의 거대 언어 모델을 이용하여 검증하였으며, 웹 기반 모델인 Gemini 2.5 Pro 06-05가 가장 정확한 공격 시나리오를 식별하였다.

Developing an effective cyber threat response strategy requires accurately identifying information at each stage of a multi-stage cyber attack. However, intrusion detection system, a core element of cybersecurity, fail to detect multi-stage cyber attack as a single, correlated attack and instead generates alerts as if multiple individual attacks had occurred. This inevitably leads to fragmented responses to individual attacks. Developing effective countermeasures to prevent the recurrence of the same cyebr incident also becomes difficult. To address this problem, in this paper, we propose a novel approach for identifying multi-stage cyber attack in attack scenario from intrusion detection alerts using prompt engineering alone, without any additional fine-tuning, based on a Large Language Model(LLM). During the prompt engineering process, we assigned personas to the LLM to activate its cyber threat analysis capability. We also applied Chain-of-Thought technique to facilitate logical reasoning and specified constraints to suppress hallucinations. The effectiveness of the proposed approach was verified using five LLMs. As a result, the web-based LLM, Gemini 2.5 Pro 06-05, identified the most accurate attack scenario.

In this study we explore the integration of Large Language Models (LLMs), specifically GPT-4o-mini, with traditional stock market technical indicators—MACD, RSI, and Bollinger Bands—to enhance stock market prediction and decision-making frameworks. By combining quantitative analysis with qualitative insights generated by LLMs, this research demonstrates how artificial intelligence can improve the interpretability and predictive accuracy of technical trading strategies. Historical data for Tesla and Palantir, spanning six months, was analyzed with indicators calculated to identify market trends and anomalies. LLM integration provided contextual narratives that complemented technical signals, enhancing interpretability for investors. The performance evaluation revealed significant improvements in risk-adjusted returns, alpha generation, and prediction accuracy when LLM insights were incorporated into trading strategies. Key contributions include a novel methodology for structuring indicator outputs for LLM analysis, scalability across diverse stocks, and the potential for democratizing access to advanced financial analytics. Challenges such as computational complexity, data sensitivity, and the dynamic nature of financial markets are discussed, alongside opportunities for real-time adaptive models and expanded indicator integration. This research highlights the transformative potential of LLM-augmented technical analysis and offers a foundation for future innovations in AI-driven financial decision-making.

While conventional LLMs provide uniform services to various users, Personal LLMs can improve user experience by optimizing for the needs and environments of specific users. The purpose of this paper is to identify how the personalized features of Personal LLM can improve user satisfaction and efficiency, and the challenges associated with its application. The results of the study show that Personal LLM significantly improves work efficiency by providing customized responses and reflecting the specific needs of users. In addition, LLM showed progressively better performance over time through learning, and it was confirmed that it can be gradually improved through interaction with users. However, it was confirmed that there are technical and ethical limitations, such as data privacy issues, which remain important challenges in commercializing Personal LLM. This paper suggests the possibility that Personal LLM can provide customized services to users and provides important basic data for the development of personalized AI systems in the future.

이 연구는 거대한 언어 모델 (Large Language Model, LLM)과 도구를 결합한 시스템의 보안 문제를 다룬다. 프롬프트 주입과 같은 보안 취약점을 분석하고 이를 극복하기 위한 프롬프트 권한 분리 기법을 제안한다. 이를 통해 LLM-도구 결합 시스템에서의 사용자 데이터의 기밀성과 무결성을 보장한다.

Background: Large language models (LLMs), the most recent advancements in artificial intelligence (AI), have profoundly affected academic publishing and raised important ethical and practical concerns. This study examined the prevalence and content of AI guidelines in Korean medical journals to assess the current landscape and inform future policy implementation. Methods: The top 100 Korean medical journals determined by Hirsh index were surveyed. Author guidelines were collected and screened by a human researcher and AI chatbot to identify AI-related content. The key components of LLM policies were extracted and compared across journals. The journal characteristics associated with the adoption of AI guidelines were also analyzed. Results: Only 18% of the surveyed journals had LLM guidelines, which is much lower than previously reported in international journals. However, the adoption rates increased over time, reaching 57.1% in the first quarter of 2024. High-impact journals were more likely to have AI guidelines. All journals with LLM guidelines required authors to declare LLM tool use and 94.4% prohibited AI authorship. The key policy components included emphasizing human responsibility (72.2%), discouraging AI-generated content (44.4%), and exempting basic AI tools (38.9%). Conclusion: While the adoption of LLM guidelines among Korean medical journals is lower than the global trend, there has been a clear increase in implementation over time. The key components of these guidelines align with international standards, but greater standardization and collaboration are needed to ensure the responsible and ethical use of LLMs in medical research and writing.