Earticle

This paper evaluates SnapCheck.io, a smart workflow platform aimed at improving the efficiency of project management in remote work environments. Through the use of AI-driven task scheduling, smart time tracking, and real-time analytics, SnapCheck.io enhances resource utilization and lowers the waiting time for task dependency. A mixed-method study at various organizations showed an improvement in performance by 18%, which was thus corroborated by the increased rate of task completion and quicker workflow execution. The results reveal that the use of intelligent automation in SnapCheck.io not only helps in streamlining the project coordination process but also promotes the ongoing productivity and collaboration of distributed teams.

다양한 형태로 표면 웹에 급증하고 있는 공개정보(OSINT)는 프로파일링 기법을 사용하여 범죄 수사에도 활용할 수 있다. 이러한 기술은 미국 등 외국의 수사기관에서는 상당히 보편화되었으며 일부는 고도화 작업도 진행하고 있다. 반면에 국내의 경우 많이 사용하지 못할 뿐 아니라 수사 인력의 개인적 경험과 지식수준에 따라 획득하는 정보의 양과 질에 있어서 큰 편차를 보이고 있다. 본 논문에서는 가장 잘 알려진 Bazzell의 모델과 달리 한국적 웹 환경을 고려하고 시간 정보까지 제공해주는 한국형 공개정보 기반 프로파일링 기법을 개선된 워크플로우를 중심으로 제시한다. 아울러 프로파일링의 효율성 향상을 목적으로 설계한 검색 데이터베이스의 스키마도 제시한다. 이곳에서 제시한 기법을 사용하 면 범죄 수사에서 있어서 일정 수준의 양과 질을 보장하는 검색 결과를 얻을 수 있을 뿐 아니라, 관련 수사 인력에 대한 표준 훈련 과정으로도 사용할 수 있다. 아울러 이 기법을 활용한 범죄 수사의 실효성과 효율성을 높이려면 법률적 기반 강화 및 동화된 기술 도입이 더 필요하다.

OSINT(Open Source Intelligence), rapidly increasing on the surface web in various forms, can also be used for criminal investigations by using profiling. This technique has become quite common in foreign investigative agencies such as the United States. On the other hand, in Korea, it is not used a lot, and there is a large deviation in the quantity and quality of information acquired according to the experience and knowledge level of investigator. Unlike Bazzell's most well-known model, we designed a Korean-style OSINT-based profiling technique that considers the Korean web environment and provides timeline information, focusing on the improved workflow. The database schema to improve the efficiency of profiling is also presented. Using this, we can obtain search results that guarantee a certain level of quantity and quality. And it can also be used as a standard training course. To increase the effectiveness and efficiency of criminal investigations using this technique, it is necessary to strengthen the legal basis and to introduce automation technologies.

본 연구는 치과의료공급자를 대상으로 디지털 워크플로우 핵심역량과 AI 기반 구강건강 상담 플랫폼 기대 효과가 직무만족도에 미치는 영향을 분석하였다. 연구 설계를 위해 예비조사를 실시한 후 본조사는 서울 및 경기, 전북특별자치도에 재직 중인 치과의사, 치과위생사, 치과기공사를 대상으로 진행하였다. 총 249부가 최종 분석에 활 용되었다. 조사는 생명윤리교육을 이수한 연구원 4인이 담당하였으며, 대면조사와 온라인 조사를 병행하였다. 연구 결과로는 디지털 워크플로우 역량과 AI 플랫폼 기대효과가 직무만족도에 유의한 영향을 미치는 것으로 나타났다. 특히 환자와 디지털 의사소통역량(=.266) 및 디지털 워크플로우 활용역량(=.416)이 높을수록, AI 기반 구강건강 상담 플랫폼에 대해 정확성 및 신뢰도(=.345)를 기대할수록 직무만족도가 유의하게 높았다. 본 연구는 치과의료현 장에서 디지털 전환과 AI 플랫폼 도입이 치과의료공급자의 만족도와 직무성과를 증진할 수 있음을 시사한다.

This study examined how core competencies in digital workflows and expectations regarding an AI-based oral health consultation platform affect job satisfaction among dental healthcare providers. A pilot study informed the research design, followed by a main survey of dentists, dental hygienists, and dental technicians in Seoul, Gyeonggi, and Jeonbuk State, with 249 responses analyzed. The survey was administered by four bioethics-trained researchers using both face-to-face and online methods. Digital workflow competencies and the expected benefits of the AI-based platform had a significant positive influence on job satisfaction. Higher digital communication competency with patients(=.266) and digital workflow utilization competency (=.416), as well as greater expectations for accuracy and reliability(=.345), were associated with higher job satisfaction. These findings suggest that digital transformation and AI platform adoption in dental practice can enhance both job satisfaction and professional performance.

본 연구는 생성형 인공지능이 통합된 브랜딩􄞻UI 재 교육 과정에서 경력단절 여성 디자이너의 작업 산출물 과 워크플로우 변화가 어떠한 메커니즘을 통해 나타나 는지를 질적으로 분석하는 데 목적이 있다. 이를 위해 2024년 4–7월 서울 지역 G기관에서 운영된 3개월간 의 모듈형 프로젝트 기반 학습(PBL) 재교육 과정을 단 일 사례로 설정하고, 총 19명의 참여자 중 네 명의 대 표 학습자 사례 중심으로 심층 분석을 수행하였다. 자료는 수업 계획안, 평가 루브릭, 강사–학습자 피드 백, 수업 기록, 최종 포트폴리오, 외부 전문가 평가, 재 취업 학습자 서술 자료로 구성되었으며, 주제 분석을 통해 코드화–범주화–주제 도출의 절차로 분석하였다. 본 연구는 기술수용모형(TAM)과 통합기술수용이론 (UTAUT)의 개념을 기반으로 생성형 AI 수용 과정을 해석하고, 이를 Kirkpatrick 교육 효과 모형의 행동 및 결과 수준 변화와 연결하여 분석하였다. 연구 결과, 첫째, 참여자들의 산출물은 초기의 단편적 구성에서 벗어나 서사적 일관성과 시각적 통일성을 갖춘 통합 포트폴리오로 변화하였다. 둘째, 워크플로우 는 비구조적 도구 탐색에서 단계화된 선택적 활용 구조 로 재편되었으며, 이는 프롬프트 구조화 역량의 발달과 관련이 있었다. 셋째, 이러한 변화는 프롬프트 템플릿, 평가 루브릭, 팀티칭 기반 피드백 구조 등 촉진 조건에 의해 매개되었으며, 이는 기술수용 이론의 관점에서 설 명될 수 있다. 본 연구는 생성형 AI 재교육이 단순 도구 습득을 넘 어 기존 디자인 전문성의 재구성을 유도하는 학습 메커 니즘으로 작동함을 제시하며, 재교육 프로그램 설계 및 AI 기반 디자인 교육 연구에 이론적􄞻실천적 시사점을 제공한다.

This study aims to qualitatively investigate the mechanisms underlying changes in the work output and workflow of career-interrupted female designers participating in a branding and UI retraining program that integrates Generative Artificial Intelligence (GAI). In response to the growing demand for AI-driven design competencies, this study focuses on how learners reconstruct their design practices through structured retraining processes. To achieve this objective, a three-month modular Project-Based Learning (PBL) retraining program conducted in Seoul was selected as a single-case study. Among the 19 participants, four representative cases were purposefully sampled for in-depth analysis. The dataset included lesson plans, evaluation rubrics, instructor–learner interaction data, class recordings, final portfolio outcomes, external expert assessments, and narrative accounts from participants who successfully re-entered employment. Data were analyzed using thematic analysis, following a systematic procedure of coding, categorization, and theme generation to identify recurring patterns and underlying mechanisms. The study adopts a theoretical framework that integrates the Technology Acceptance Model (TAM) with the Unified Theory of Acceptance and Use of Technology (UTAUT) to interpret the process of Generative Artificial Intelligence (GAI) acceptance. Furthermore, these processes are analytically linked to behavioral and outcome-level changes based on the Kirkpatrick model of training evaluation, enabling a multi-layered interpretation of learning effects. The findings are threefold. First, participants’ work output evolved from initially fragmented and tool-centered artifacts into integrated portfolios demonstrating narrative coherence and visual consistency, reflecting a higher level of design articulation. Second, participants’ workflows shifted from unstructured and exploratory tool usage toward a staged and strategically selective process, closely associated with the development of prompt structuring competencies in GAI utilization. Third, these transformations were mediated by facilitating conditions, including structured prompt templates, explicit evaluation rubrics, and iterative feedback mechanisms supported by a team teaching approach. These factors functioned as critical enablers of technology acceptance and effective learning transfer. This study concludes that Generative AI-based retraining programs function not merely as opportunities for acquiring new tools, but as transformative learning mechanisms that reconstruct existing design expertise. The findings offer significant theoretical contributions by extending technology acceptance frameworks into design education contexts, as well as practical implications for the systematic design of retraining programs and the advancement of AI-integrated design education.

전통적인 형사 사건에서 조사 대상에 관한 정보는 국가의 합법적 조직이 보유하고 있는 개인정보만이 제공되기 때문에 정보 수집에 한계가 있다. 일반 검색엔진으로 검색이 가능한 SNS와 포털사이트를 포함하는 표면 웹 기반 공개정 보(OSINT)는 범죄수사에 사용할 수 있는 의미 있는 프로파일링에 활용할 수 있다. 한국형 공개정보 워크플로우를 사용 하면 공개정보 기반의 효과적인 프로파일링이 가능하지만 “개인”의 경우에는 “성명”으로 시작되기 때문에 수집할 수 있는 공개정보가 제한적이고 동명이인의 정보가 수집되는 등의 신뢰성의 한계가 있다. 본 논문에서는 이러한 한계를 극복하기 위해 개인과 연관된 정보 즉, 등가정보를 정의하고 이를 기반으로 효율적이고 정확한 정보를 수집할 수 있도록 한다. 따라서, 공개정보에서 특정인과 연관된 정보 즉, 등가정보를 추출할 수 있는 개선된 워크플로우를 제시한다. 이때 인물의 인지도에 따라 서로 다른 워크플로우를 제시한다. 이를 통해 인물(개인)의 효과적인 프로파일링이 가능하여 수사 정보 수집의 신뢰도를 높인다. 본 연구를 통해 향후에는 해당 워크플로우를 인공지능 기술을 이용하여 수집된 정보의 분석과정을 자동화할 수 있는 시스템을 개발함으로써 범죄 수사에 있어서 공개 정보 활용을 위한 기틀을 마련하고 수사 방식 다양화에 기여할 수 있을 것이다.

In traditional criminal cases, there is a limit to information collection because information on the subject of investigation is provided only with personal information held by the national organization of legal. Surface web-based OSINT(Open Source Intelligence), including SNS and portal sites that can be searched by general search engines, can be used for meaningful profiling for criminal investigations. The Korean-style OSINT workflow can effectively profile based on OSINT, but in the case of individuals, OSINT that can be collected is limited because it begins with "name", and the reliability is limited, such as collecting information of the persons with the same name. In order to overcome these limitations, this paper defines information related to individuals, i.e., equivalent information, and enables efficient and accurate information collection based on this. Therefore, we present an improved workflow that can extract information related to a specific person, ie., equivalent information, from OSINT. For this purpose, different workflows are presented according to the person’s profile. Through this, effective profiling of a person (individuals) is possible, thereby increasing reliability in collecting investigation information. According to this study, in the future, by developing a system that can automate the analysis process of information collected using artificial intelligence technology, it can lay the foundation for the use of OSINT in criminal investigations and contribute to diversification of investigation methods.

This article is set against the backdrop of the rapid development of the metaverse and artificial intelligence technologies, and aims to explore the possibility and potential impact of integrating AI technology into the traditional 3D animation production process. Through an in-depth analysis of the differences when merging traditional production processes with AI technology, it aims to summarize a new innovative workflow for 3D animation production. This new process takes full advantage of the efficiency and intelligent features of AI technology, significantly improving the efficiency of animation production and enhancing the overall quality of the animations. Furthermore, the paper delves into the creative methods and developmental implications of artificial intelligence technology in real-time rendering engines for 3D animation. It highlights the importance of these technologies in driving innovation and optimizing workflows in the field of animation production, showcasing how they provide new perspectives and possibilities for the future development of the animation industry.

Background Transthoracic echocardiography (TTE) requires time-intensive integration of quantitative measurements and qualitative visual assessment. Fully automated artificial intelligence (AI)-based analysis may reduce total analysis time while preserving accuracy, but systematic real-world validation remains limited. Methods This prospective, single-center pilot study enrolled 40 TTE examinations. Identical deidentified DICOM datasets were independently provided to a trained cardiac sonographer and a fully automated AI system comprising quantitative and qualitative visual interpretation modules. All outputs were compared with a cardiologist-adjudicated reference standard. Primary endpoints were total analysis time and noninferiority of AI-derived left ventricular ejection fraction (LVEF) versus the reference standard, with a prespecified margin of 3 percentage points (one-sided α = 0.025). Results Median analysis time was 94 s (interquartile range [IQR], 82?106 s) for the AI workflow versus 490 s (IQR, 438?626 s) for the human workflow (P < 0.001). AI-derived LVEF met the noninferiority criterion (mean difference, 0.00 percentage points; upper one-sided 95% confidence bound, 1.41 percentage points; P < 0.001), with an intraclass correlation coefficient (ICC) of 0.902 (95% confidence interval, 0.822?0.947). ICCs for secondary quantitative indices ranged from 0.625 to 0.989. For aortic regurgitation severity grading, AI’s overall accuracy was 75.0% (quadratic weighted κ = 0.762), compared with 82.5% for human interpretation (κ = 0.812, McNemar P = 0.579). Conclusions Fully automated AI-assisted TTE analysis substantially reduced total analysis time while maintaining noninferior LVEF accuracy and acceptable performance across secondary quantitative and qualitative indices. These findings support the use of AI as a practical workflow accelerator in routine echocardiography.