AI 개인화 가상 아바타의 정체성 인식이 사용자 행위에 미치는 영향 연구 = A Study on the Impact of Virtual Identity Recognition in AI-Personalized Virtual Avatars on User Behavior

다국어 초록 (Multilingual Abstract)

With the rapid advancement of generative artificial intelligence technologies, virtual avatars have become increasingly personalized in appearance generation, behavioral mapping, and functional expansion. Rather than serving merely as visual projections, AI-driven avatars have evolved into core interfaces through which users realize self-identity and emotional expression in digital spaces. However, the heightened level of personalization also introduces new psychological challenges, such as the gap between real and ideal selves, expressive burden in real-time interaction, and emotional depletion within social participation.
This study focuses on Generation Z users of virtual avatars, excluding AI-personified agents and asset-based generative systems, and examines how AI personalization influences users’ virtual identity (VI), thereby affecting self-expression (SE)and emotional resonance (ER), which in turn lead to creative behavior (CB)and behavioral intention for continuous use (BI). It further verifies the boundary-modulating role of emotional fatigue (EF)in this process.
Grounded in the Proteus Effect, Self-Congruence Theory, and Social Identity Theory (SIT), the study conceptualizes self-expression (SE) and emotional resonance (ER)as dual mediating mechanisms that translate identity into behavior, while defining emotional fatigue (EF)as a restrictive boundary mechanism within that translation. Accordingly, an integrated structural model was established—AI Personalization (AIP-V/B/F) → VI → SE/ER → CB/BI—with EF hypothesized to negatively moderate the VI → BI and SE → CB paths. Through case analysis, three representative platform mechanisms—Ready Player Me (static), ZEPETO (hybrid), and VTube Studio (dynamic)—were abstracted into appearance-driven, social-ecological, and dynamically driven modes of AI personalization, revealing variations in identity-to-behavior pathways across interaction structures.
The research proceeded in three stages. Pre-Study 1 (N = 307)developed the AI personalization (AIP-V/B/F) scale through literature synthesis, theoretical review, case analysis, and semi-structured interviews, followed by expert evaluation to ensure semantic and cultural validity, and exploratory factor analysis (EFA) confirming the three-dimension structure. Pre-Study 2 (N = 325)constructed the scales for psychological and behavioral outcome variables—VI, SE, ER, EF, CB, and BI—via EFA to refine items and ensure internal consistency. Empirical Study (N = 472)conducted confirmatory factor analysis (CFA) and structural equation modeling (SEM) to test model fit and path relationships. The moderating effects of EF were verified through interaction-term analysis and simple-slope tests within the SEM framework. Multi-group analysis (MGA) compared path strengths across static, hybrid, and dynamic platforms, controlling for gender, age, usage frequency, and experience.
Results showed that all three dimensions of AI personalization significantly enhanced virtual identity. VI significantly increased both SE and ER, which in turn positively influenced CB and BI, forming dual pathways of “identity → expression/resonance → behavior/intention.” EF negatively moderated the VI → BI and SE → CB paths, indicating that when emotional resources were depleted, the translation from identity to behavioral outcomes weakened. Multi-group results revealed platform-specific differences. in static platforms, AIP-V → VI was strongest, with appearance similarity and cross-platform consistency stabilizing identity, in hybrid platforms, social feedback and functional expansion sustained identity, and in dynamic platforms, AIP-B and AIP-F exerted the greatest effects, as real-time mapping and multimodal interaction intensified emotional resonance yet also elevated fatigue.
Theoretically, this study integrates AI personalization, virtual identity, the SE–ER dual mechanism, and emotional-load regulation into a unified model, addressing fragmentation and contextual limitations in prior research. Practically, it provides design implications by platform type. static platforms should strengthen AI-based appearance generation and cross-platform coherence to stabilize identity, hybrid platforms should leverage social feedback analytics and functional plug-in expansion to enhance sustained participation, and dynamic platforms should optimize motion prediction, lip-sync smoothing, and rhythm control to mitigate emotional fatigue in high-intensity interaction contexts.
Overall, through two rounds of scale development and one structural-equation validation, this study elucidates the mechanism of identity formation and behavioral translation in AI-personalized virtual avatars and provides both theoretical and practical foundations for sustainable AI-driven platform design.

다국어 초록 (Multilingual Abstract)

随着生成式人工智能技术的迅速发展，虚拟形象在外观生成、行为映射与功能扩展方面呈现出深度个性化的趋势。AI驱动的虚拟形象不再只是外貌的映射工具，而逐渐成为用户在数字空间中实现自我认同与情感表达的重要界面。然而，个性化程度的提高也引发了新的心理困境：外观与理想自我的差距、实时互动中的表现负荷以及社群参与的情绪消耗，使得用户在认同形成与行为转化的过程中出现疲劳与波动。本研究以Z世代虚拟形象用户为主要研究对象，排除AI人格代理与资产型生成系统，聚焦于探讨AI个性化如何通过虚拟身份认同（VI）影响用户的自我表现与情感共鸣，并进一步作用于创造性行为与持续使用意图，同时验证情绪疲劳在其中的边界调节作用。
本研究以Proteus效应、自我一致理论(Self-Congruence Theory)与社会身份理论(Social Identity Theory, SIT)为基础，将自我表现(SE)与情感共鸣(ER)界定为身份认同向行为转化的双重中介机制，将情绪疲劳(EF)界定为该转化的限制性边界机制，据此构建整合路径模型：AI个性化(AIP-V/B/F) → 虚拟身份认同(VI) → 自我表现(SE)/情感共鸣(ER) → 创造性行为(CB)/持续使用意图(BI)，其中 EF 对 VI → BI 及 SE → CB 路径产生负向调节。研究通过案例分析将三类代表性平台机制——静态平台（Ready Player Me）、混合平台（ZEPETO）与动态平台（VTube Studio）——抽象化为“外观驱动型、社会生态型与动态驱动型”三种AI个性化结合模式，以揭示不同交互机制下AI个性化在身份认同与行为路径中的差异化表现。
研究设计采用三阶段结构，从量表开发到模型验证逐步推进。先行研究1（有效样本307份）聚焦AI个性化（AIP-V/B/F）量表的构建，基于文献分析与理论综述所总结的核心维度，通过案例分析与半结构化访谈生成题项，并在专家评审环节检验问卷语义与文化适配性的合理性。随后，通过探索性因子分析(EFA)提炼并确认视觉、行为与功能三维度的测量结构，完成AI个性化量表的开发。先行研究2（有效样本325份）聚焦心理与行为结果变量的测量体系构建，涵盖虚拟身份认同(VI)、自我表现(SE)、情感共鸣(ER)、情绪疲劳(EF)、创造性行为(CB)与持续使用意图(BI)六个构念，通过探索性因子分析提取维度、净化题项并确保内部一致性，最终形成稳定的测量框架。实证研究（有效样本472份）在前两次研究成果的基础上，进行验证性因子分析(CFA)与结构方程模型(SEM)分析，以检验整体模型的拟合度与路径关系。研究在SEM框架下检验EF的调节效应，通过交互项分析确认其显著性，并结合简单斜率检验比较不同EF水准下路径效应的变化趋势。同时实施多群组分析(MGA)，比较静态、混合与动态平台的路径强度差异，并纳入性别、年龄、使用频率与使用经验等控制变量以确保结果稳健性。
实证结果显示，AI个性化三维度对虚拟身份认同均具有显著正向影响，虚拟身份认同显著促进了自我表现与情感共鸣，而二者又分别正向影响创造性行为与持续使用意图，形成“身份认同—表达/共鸣—行为/意图”的双通路结构。情绪疲劳在VI→BI与SE→CB路径中产生显著负向调节作用，说明当用户情绪资源消耗较高时，身份认同向持续意图的转化以及表现向创造行为的转化均显著减弱。多群组分析揭示平台机制差异：静态平台中AIP-V→VI作用最强，身份认同形成依赖外观相似与跨端一致；混合平台中社群反馈与功能扩展是认同维持的关键；动态平台中AIP-B与AIP-F作用最显著，实时映射与多模态交互强化了表达与共鸣，但更容易诱发情绪疲劳。
理论上，本研究通过整合AI个性化、虚拟身份认同、自我表现—情感共鸣机制与情绪负荷调节机制，提出并验证了“AI个性化—身份认同—表达/共鸣—行为”的整合路径模型，弥补了既有研究在变量分散、机制单一与情境局限方面的不足；同时揭示了情绪疲劳作为负向边界条件对身份认同与行为关系的调节机制，拓展了虚拟身份研究的理论边界。实践上，研究为不同类型平台提供了差异化设计建议：静态平台应强化AI外观生成与跨端一致性以稳定身份认同，混合平台应结合社群反馈分析与功能插件化扩展以增强持续参与，动态平台应优化动作预测、口型平滑与节奏调控机制以平衡高强度互动下的情绪负荷。总体而言，本研究通过两次量表构建与一次结构方程实证，系统阐明了AI个性化虚拟形象在身份认同形成与行为转化中的机制，并为AI驱动的可持续虚拟平台设计提供了理论依据与实践路径。

목차 (Table of Contents)

• ABSTRACT xii
• 1. 서 론 2
• 1.1. 연구의 배경 2
• 1.1.1. 시대적 배경 AI와 디지털 전환 2
• 1.1.2. 가상 아바타 배경 5
• 1.1.3. 사회적 배경 16
• 1.1.4. 실천적 배경 21
• 1.1.5. 이론적 배경 30
• 1.2. 연구 필요성 32
• 1.3. 연구 목적 35
• 1.4. 연구 범위 36
• 1.5. 연구 방법 37
• 1.5.1. 연구 프로세스 38
• 2. 이론 연구 41
• 2.1. AI 개인화 가상 아바타 의 메커니즘 구조와 플랫폼 진화 42
• 2.1.1. 가상 아바타의 정의와 유형 42
• 2.1.2. AI 생성 메커니즘(아바타, 동작, 행위)의 발전 49
• 2.1.3. 가상 아바타 플랫폼 발전 유형과 기술 메커니즘에 대한 종합 고찰 55
• 2.2. 가상 정체성 인식(VI)의 심리적 구성 60
• 2.2.1. 디지털 정체성 62
• 2.2.2. 가상 자아 및 화신 이론 65
• 2.2.3. 사회적 정체성 및 자기 일치성 이론 67
• 2.3. AI 개인화 환경에서의 정서적 공명과 정서적 피로 72
• 2.3.1. 정서적 공명 (Emotional Resonance, ER) 72
• 2.3.2. 정서적 피로 (Emotional Fatigue, EF) 74
• 2.4. 사용자 창의적 행위와 지속 이용 의도의 인지-행위 경로 77
• 2.4.1. 창의적 행위 (Creative Behavior, CB) 78
• 2.4.2. 지속 이용 의도 (Behavioral Intention, BI) 79
• 2.4.3. 통합 경로 논리 81
• 2.5. 이론적 프레임워크와 연구 모델 구축의 기초 82
• 2.5.1. 이론통합 구성 85
• 2.5.2. 연구모델 예비 구조 88
• 2.5.3. 연구 가설의 기초 88
• 3. 연구 설계와 방법 90
• 3.1. 척도 개발 및 선행 연구 91
• 3.1.1. AI 개인화 가상 아바타 정도(AIP) 차원 구축 91
• 3.1.2. 가상 정체성 인식(VI) 차원 구축 106
• 3.1.3. 자기표현 (SE) 차원 구성 113
• 3.1.4. 정서적 공명 (ER) 차원 구성 118
• 3.1.5. 정서적 피로 (EF) 차원 구성 122
• 3.1.6. 창의적 행위 (CB) 차원 구성 126
• 3.1.7. 지속 이용 의도 (BI) 차원 구성 131
• 3.2. 연구 모델 구축 135
• 3.3. 연구 가설 136
• 3.4. 데이터 수집 및 표본 전략 138
• 3.5. 데이터 분석 방법 139
• 4. 사례 분석 141
• 4.1. 사례 연구 방법과 선택 기준 142
• 4.2. 사례 1. Ready Player Me (정적 플랫폼) 143
• 4.2.1. Ready Player Me 플랫폼 개요 143
• 4.2.2. Ready Player Me의 AIP 매핑 148
• 4.2.3. Ready Player Me의 메커니즘 → 심리 경로 착점 157
• 4.3. 사례 2. ZEPETO (혼합 플랫폼) 158
• 4.3.1. ZEPETO 플랫폼 개요 158
• 4.3.2. ZEPETO의 AIP 매핑 161
• 4.3.3. ZEPETO의 메커니즘 → 심리 경로 착점 167
• 4.4. 사례 3. VTube Studio (동적 플랫폼) 168
• 4.4.1. VTube Studio 플랫폼 개요 168
• 4.4.2. VTube Studio의 AIP 매핑 172
• 4.4.3. VTube Studio의 메커니즘 → 심리 경로 착점 177
• 4.5. 사례 비교 요약 178
• 4.5.1. 세 플랫폼 메커니즘–심리–행위 차이 비교 178
• 4.5.2. 세 가지 결합 유형 179
• 4.5.3. 사례 분석 소결 및 추세 181
• 5. 실증 연구 183
• 5.1. 사전 검증 184
• 5.1.1. 기술통계 184
• 5.1.2. 이용 빈도 집단 간 평균 차이 분석 185
• 5.1.3. 이용 경과 기간 집단 간 평균 차이 분석 186
• 5.1.4. 해석 및 종합 정리 186
• 5.2. 상관과 판별타당도 187
• 5.3. 모델 검증(확인적 요인분석, CFA) 188
• 5.3.1. 초기 확인적 요인분석 결과 (Initial CFA Results) 188
• 5.3.2. 수정 후 확인적 요인분석 결과 (Revised CFA Results) 191
• 5.4. 구조 모델 분석 (SEM 경로 결과) 194
• 5.4.1. 구조방정식모형 경로 분석 결과 194
• 5.4.2. 매개 효과 검증 196
• 5.4.3. 모형 적합도 평가 197
• 5.4.4. 해석 및 종합 정리 197
• 5.5. 구조 모델 다집단 경로 분석 198
• 5.5.1. 경로 비교 결과 198
• 5.5.2. 매개 효과 차이 199
• 5.5.3. 해석 및 종합 정리 200
• 5.6. 조절 효과 분석 (EF) 200
• 5.6.1. 경로 조절 결과 201
• 5.6.2. 결과 해석 202
• 5.6.3. 가설 검증 결과 203
• 6. 결론 204
• 6.1. 연구 결과 205
• 6.2. 결론과 제언 206
• 6.3. 연구의의 221
• 6.4. 연구의 한계와 향후 연구 222
• 참고 문헌 225
• 인터뷰 설명 및 윤리적 고지문 246
• 설 문 지(1차 설문) 248
• 설 문 지(2차 설문) 254
• 설 문 지(3차 설문) 261