Effects of Information Load and Cognitive Processing Level on Maximum Acceptable Latency in Conversational Agents = 대화형 에이전트에서 정보량과 인지 처리 수준이 최대 허용 지연 시간에 미치는 효과

국문 초록 (Abstract)

본 연구는 모바일 기반 대화형 에이전트 환경에서 사용자가 허용할 수 있는 최대 응답 지연시간(MAL, Maximum Acceptable Latency)이 질의의 특성에 따라 어떻게 달라지는지를 규명하는 것을 목표로 한다. 기존 HCI·HF/E 연구는 일정한 고정 지연 조건을 제시한 뒤 만족도나 신뢰도 변화를 측정하는 방식이 대부분이었고, 질의 자체의 특성에 따라 사용자가 허용하는 지연 한계가 어떻게 달라지는지에 대한 정량적 연구는 부족하였다. 이에 본 연구는 정보량(시간 범위·데이터 소스 개수)과 인지 처리 수준(Bloom’s Taxonomy 기반)이 MAL에 미치는 영향을 실험적으로 분석하였다. 연구에서는 실제 모바일 사용 맥락을 반영한 256개의 질의를 구축하고, 80명의 참가자가 32개씩 평가하는 불완전 블록 설계(Incomplete Block Design)를 적용하여 총 2,560개의 MAL 데이터를 수집하였다. 참가자는 각 질의에 대해 “더 이상 기다릴 수 없다고 판단되는 지점” 까지의 시간을 직접 측정하였고, 이를 선형혼합모형(LMM)을 통해 분석하였다. 분석 결과, 시간 범위와 데이터 소스 개수로 구성된 정보량 요인은 높은 수준에서 MAL을 유의하게 증가시키는 것으로 나타났으며, 인지 처리 수준 역시 중간 수준에서 MAL 증가 효과를 보였다. 그러나 모든 요인이 독립적으로 일관된 주효과를 보이기보다는, 두 요인의 조합에 따라 MAL이 달라지는 2요인 상호작용 효과가 다수 확인되었다. 특히 넓은 시간 범위와 많은 데이터 소스가 결합된 조건, 그리고 시간 범위와 인지 처리 수준이 동시에 높은 조건에서 MAL이 크게 증가하였다. 고정효과만을 고려한 모형의 설명력은 제한적이었으나, 개인차를 포함한 조건부 설명력은 비교적 높게 나타나, 질의 특성과 더불어 사용자 개인의 지연 허용 성향이 MAL 형성에 중요한 역할을 함을 시사한다. 또한 세 요인이 모두 높은 조건에서는 MAL이 가장 크게 증가하는 시각적 패턴이 관찰되었으나, 이는 탐색적 분석 결과로 해석되었다. 이러한 결과는 사용자가 질의의 정보량과 인지적 복잡성을 단서로 AI의 처리 부담을 추론하고, 그에 따라 응답 지연을 정당화하는 심리적 판단을 내린다는 점을 시사한다. 본 연구는 “빠른 응답이 항상 최적”이라는 단일 기준을 넘어, 질의 특성에 따라 허용 가능한 지연 범위가 달라지는 동적·맥락적 MAL 개념을 제시한다는 점에서 이론적 의의를 갖는다. 나아가 실제 대화형 AI 서비스 설계 측면에서는 질의의 정보적·인지적 요구 수준에 따라 응답 속도를 차등적으로 조절하는 query-specific latency 설계 전략의 필요성을 제안하며, 이는 사용자 경험을 유지·향상시키는 동시에 불필요한 연산 자원 소모를 줄이는 실질적 설계 지침으로 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

This study aims to investigate how the Maximum Acceptable Latency (MAL) in mobile-based conversational agent environments varies depending on the characteristics of user queries. Previous HCI and HF/E research has largely measured changes in satisfaction or trust under fixed response-delay conditions, with limited quantitative examination of how users’ latency tolerance changes according to the properties of the query itself. To address this gap, the present study empirically analyzes the effects of information load (time range and number of data sources) and cognitive processing level (based on Bloom’s Taxonomy) on MAL. A total of 256 queries reflecting realistic mobile usage contexts were developed, and MAL data were collected through an Incomplete Block Design in which 80 participants each evaluated 32 queries, yielding 2,560 observations. Participants indicated the point at which they felt they could no longer wait for a response, and these values were analyzed using a linear mixed-effects model (LMM). The results showed that information load significantly increased MAL at high levels of time range and number of data sources, while cognitive processing level exhibited an increase in MAL at the medium level. Rather than showing uniform and independent main effects, MAL varied substantially depending on specific combinations of query characteristics, and multiple two-way interaction effects were identified. In particular, MAL increased markedly when a wide time range was combined with a large number of data sources, and when high temporal scope co-occurred with elevated cognitive processing demands. Although the explanatory power of fixed effects alone was limited, the conditional explanatory power including individual differences was relatively high, indicating that MAL is shaped by both query characteristics and users’ inherent tolerance tendencies. Additionally, exploratory visualizations revealed a pattern in which MAL increased most sharply when all three factors were simultaneously high; however, this pattern was interpreted descriptively rather than through formal statistical inference. These findings suggest that users infer the AI’s processing burden from the informational and cognitive cues embedded in the query and accordingly justify longer response delays. By moving beyond the conventional assumption that faster responses are always optimal, this study proposes a dynamic and context-dependent conceptualization of MAL that varies with query characteristics. From a practical perspective, the results highlight the importance of query-specific latency design strategies that adapt response timing to the informational and cognitive demands of each query, enabling more efficient use of computational resources while maintaining or enhancing user experience in conversational AI services.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables vi
• List of Figures vii
• Chapter 1 Introduction 1
• 1.1 Reserch Background 1
• 1.2 Problem Statement 4
• 1.3 Research Objectives and Questions 6
• 1.4 Research Significance 7
• Chapter 2 Literature Review 9
• 2.1 Conversational Agents 9
• 2.2 System Response Latency and User Experience 12
• 2.3 Anthropomorphism in Human–AI Interaction 15
• 2.4 Information Load and Cognitive Processing 17
• 2.5 Maximum Acceptable Latency (MAL) and Waiting Experience 19
• 2.6 Summary and Research Gaps 21
• Chapter 3 Method 23
• 3.1 Participants 23
• 3.2 Apparatus and Experimental Environment 25
• 3.3 Experimental Task 28
• 3.4 Construction of Experimental Queries 30
• 3.5 Experimental Design: Incomplete Block Design 32
• 3.6 Procedure 34
• 3.7 Measures 35
• 3.8 Post-hoc Classification of Query Characteristics 36
• 3.9 Data Analysis 41
• Chapter 4 Results 44
• 4.1 Descriptive Statistics 44
• 4.2 Main Effects of Information Load (RQ1 / H1) 50
• 4.3 Main Effect of Cognitive Processing Level (RQ2 / H2) 52
• 4.4 Interaction Effects 53
• 4.5 Summary of Key Findings 58
• Chapter 5 Discussion 60
• 5.1 Summary of Main Findings 60
• 5.2 Information Load and Mental Simulation 62
• 5.3 Cognitive Processing Level and Expected Latency 64
• 5.4 Anthropomorphism and Social Perception of AI Latency 66
• 5.5 Practical Implications for Conversational Agent Design 67
• 5.6 Theoretical Implications 68
• 5.7 Limitations and Future Work 69
• Chapter 6 Conclusion 70
• 6.1 Research Summary 70
• 6.2 Key Contributions 72
• 6.3 Final Recommendations 74
• Bibliography 76
• 국문초록 81
• 감사의 글 83