Earticle

IoT 기기가 제공하는 편의성, 자동화 기능, 관리 효율성 향상 등 다양한 이점이 검증됨에 따라 IoT 서비스 시장은 급격히 성장하고 있는 추세이다. 그러나 IoT 서비스는 개인화된 기능 제공을 위해 광범위한 개인정보 수집을 필요로 한다는 점에서 본질적인 프라이버시 트레이드오프를 이용자들에게 요구한다. 기존 연구는 주로 프라이버시 계산이나 프라이버시 역설 관점 에서 이러한 현상을 논의해 왔으나, 어떠한 세부 요인이 트레이드오프 의사결정을 구체적으로 유발하는지에 대한 논의는 부족 하다. 이에 본 연구에서는 인지된 가치 이론을 바탕으로 기능적, 경제적, 유희적, 사회적 가치 요인과 정보 프라이버시 트레이 드오프 행태 간의 관계를 실증 분석함으로써 어떠한 요인이 이러한 행태를 견인하는지에 대해 고찰한다. 또한 성별 간의 비교 를 통해 사용자들의 특성이 미치는 영향 또한 살펴본다. 본 연구의 결과는 사용자들이 IoT 서비스 사용 과정에서 편익과 위험 을 어떻게 평가하는지에 대한 이해를 확장하며, 서비스 제공자의 관점에서 프라이버시 친화적 설계 및 이용 활성화를 위한 시 사점을 제공할 것으로 기대된다.

The Internet of Things (IoT) service market has grown rapidly as the benefits of IoT devices—such as enhanced convenience, automation capabilities, and improved management efficiency—have been increasingly validated. However, the personalized nature of IoT services requires extensive collection of personal data, inherently imposing an information privacy trade-off on users. Although prior studies have primarily examined this phenomenon through the perspectives of privacy calculus and the privacy paradox, limited attention has been paid to identifying the specific factors that shape users’ trade-off decisions. To address this gap, this study draws on perceived value theory to empirically investigate how functional, economic, hedonic, and social value dimensions influence users’ information privacy trade-off behaviors in the IoT service context. Additionally, gender-based comparisons are conducted to explore how user characteristics moderate these relationships. The findings contribute to a deeper understanding of how individuals evaluate benefits and risks in IoT service adoption and offer practical implications for service providers seeking to design privacy-conscious systems and promote sustainable user engagement

개인정보 및 내부 중요정보 등의 유출 사고 발생이 증가하고, 다기능 단말을 사용하여 내부 정보에 접근할 수 있도록 하는 기능적 요구가 확대됨에 따라, 내부 정보 유출의 가능성이 증가 하게 되면서 이를 막기 위하여 기업은 내부정보유출방지 시스템을 운영한다. 그러나 정보유출을 방지 하게 위한 솔루션이 확인 하는 데이터에는 기업에서 종사하는 개인의 프라이버시가 포함되어있다. 어떠한 경우에서도 프라이버시는 보호되어야 한다는 관점에서 프라이버시를 보호할 수 있으면서도 정보유출탐지가 가능한 솔루션이 필요하게 되었다. 이에 본 논문에서는 이러한 프라이버시 보호를 고려한 정보유출탐지 모델을 제시 하고자 한다. 본 논문에서 제안하는 모델에는 정보유출탐지 시스템을 사용하는 과정에서 발생하는 프라이버시의 침해정도(PVL: Privacy Violation Level)를 측정하고, 프라이버시 보호 수준(PPL:

Privacy Protection Level)을 정의하여, 이들의 상관관계를 기반으로 모델을 제시한다. Nowadays, since there are the needs of multi-purpose terminals for accessing company's internal system, the possibility of leaking the critical information is getting higher. To prevent the leakage of the critical information, DLP (Data Leakage Prevention) solutions have been deployed. The DLP solution also can reveal the personal information during the data leakage detection process. This work is motivated by the needs of privacy protection of DLP's process. Specifically, we have defined two indexes such as PVL (Privacy Violation Level) and PPL (Privacy Protection Level) for this purpose. In addition, we have shown the relation between these two indexes using e-mail and instant messenger cases.

대형언어모델(LLM)의 개인정보 유출에 대한 우려가 커짐에 따라 개인정보보호 능력을 체계적으로 평가하고 취약성을 파악하는 것이 점점 중요해지고 있다. 본 연구는 LLM의 개인정보 보호 능력이 프롬프트의 언어⋅ 인지 복잡도 증가에 따라 어떻게 변화하는지 체계적으로 분석하고, 안전성과 유용성의 균형이 복잡한 추론 환경에서 유지될 수 있는지 검증하는 것을 목적으로 한다. OpenAI, Google, Anthropic의 6개 최신 LLM을 대상으로 언어⋅ 인지 복잡도가 심화되는 4단계 프롬프트(직접형, 간접형, 일반추론형, 메타추론형)를 적용하여 평가하였다. 성능 측정은 보호 점수(PS), 소통 점수(CS), 유출률(LR)의 세 가지 지표로 수행하였으며, PS-CS 매트릭스를 활용하여 모델을 균형형, 보수형, 과잉소통형, 위험형으로 분류하였다. 실험 결과, 언어⋅ 인지 복잡도 증가 시 보호 점수는 직접형 대비 메타추론형에서 83.4% 감소하였고, 유출률은 3.2배 증가하였다. 소통 점수는 간접형까지 증가하다가 추론형부터 급락하는 비선형적 패턴을 보였다. 특히 메타추론형 프롬프트에서 전 모델이 위험형으로 수렴하며 안전성과 유용성이 동시에 저하된 것을 발견하였다. 이는 복잡한 추론 환경에서 LLM의 개인정보 보호 메커니즘 이 무력화되며, 고급 프롬프팅 기법 사용 시 프롬프트 복잡도를 고려한 안전성 검증이 필수적임을 시사한다.

As concerns about large language models (LLMs) leaking user data and violating user privacy continue to grow, evaluating the privacy protection capabilities of existing models and identifying potential vulnerabilities has become increasingly important. In this study, we systematically analyzed how the privacy protection of LLMs varies with increasing linguistic and cognitive complexity of prompts. We also examined whether the balance between safety and usefulness can be maintained under complex reasoning conditions. Six state-of-the-art LLMs developed by OpenAI, Google, and Anthropic were evaluated using four levels of prompts with progressively increasing linguistic and cognitive complexity, including direct, indirect, general reasoning, andmeta-reasoning types. The performance of the models was assessed in terms of three metrics: Protection Score (PS), Communication Score (CS), and Leakage Rate (LR). The Models were also classified into four categories balanced, conservative, over-communicative, and risky based on the PSCS matrix. The experimental results show that the PS decreased by 83.4 % as linguistic and cognitive complexity increased from the direct prompts to those based on meta-reasoning, whereas the Leakage Rate increased by a factor of 3.2. The Communication Score exhibited a nonlinear pattern in which it increased up to the indirect type but dropped sharply from the reasoning type on ward. Notably, all models converged to the risky type with meta-reasoning prompts, and they also exhibited a simultaneous degradation in safety and usefulness. These findings suggest that LLMs substantially weaken user privacy in complex reasoning environments. This highlights the necessity of safety validation that accounts for the complexity of the expected prompts in applications employing LLMs with more complex prompting techniques.