디지털 교육에서 학습자 데이터 기반 메타 주의 지원 전략 개발

김혜준 서울대학교 대학원 2025 국내석사

The widespread implementation of digital devices in educational environments has facilitated educational innovation based on learner data. Particularly catalyzed by the COVID-19 pandemic, metropolitan and provincial offices of education across the nation have implemented large-scale "one device per student" initiatives. Building upon this digital infrastructure, the Ministry of Education plans to gradually introduce "AI Digital Textbook" from 2025. AI Digital Textbook is a textbook that utilizes intelligent information technologies, such as artificial intelligence, to support personalized instruction for each student. The introduction of AI Digital Textbook will enable individualized learning tailored to each student's pace and level, potentially overcoming current classroom limitations. However, this transformation means that students will spend considerable time operating digital devices. The expansion of digital device-based learning raises concerns about decreased attention spans and non-educational device usage. Previous studies have shown that increased digital device usage correlates with lower attention levels and negatively impacts academic achievement in the long term. Additionally, these devices can easily distract students by inducing multitasking behavior. Given that digital device-based instruction offers clear advantages, students need to develop meta-attention—the ability to properly use their digital devices and self-regulate their attention. To cultivate this meta-attention, students require assistance in objectively recognizing their situational awareness. However, the current curriculum lacks systematic support for improving students' meta-attention capabilities, and student data are primarily limited to learning processes and outcomes, making it difficult to assess students' attention states. Therefore, this study developed and implemented meta-attention support strategies that enable learners to recognize and regulate their attention based on data in digital education, collaborating with field experts and theoretical experts. The research questions are as follows: First, what are the learner data-based meta-attention support strategies and detailed guidelines? Second, how is the instructional process structured when applying learner data-based meta-attention support strategies? Third, what are the effects and areas for improvement in classes implementing learner data-based meta-attention support strategies? Fourth, what learner characteristics influence attention improvement? To address these research questions, the study employed Design-based Research (DBR) methodology. Through an expert council comprising six field experts and three theoretical experts, the study identified practical problems and needs, and developed and continuously improved support strategies by building theoretical foundations through literature review. The field implementation involved conducting strategy-based instruction with one homeroom teacher and 68 first-year high school students, and examining both instructor and learner responses. Learner attention data were collected using edutech, which was used to create an attention dashboard. Students completed advanced inquiry tasks in integrated science following the meta-attention support strategy phases, and the FAIR attention test was administered to verify effectiveness. Additionally, qualitative data were collected through in-depth interviews with one teacher and 13 students. The collected data were analyzed using descriptive statistics and paired t-tests for quantitative data, while thematic analysis was applied to qualitative data. This analysis revealed the effectiveness and areas for improvement of the support strategies, detailed instructional processes, and learner characteristics that influence attention improvement. The study resulted in the development of learner data-based meta-attention support strategies comprising 12 support strategies and 35 detailed guidelines across four categories: meta-attention guidance, attention planning, attention monitoring, and attention evaluation, with three strategies per category. The meta-attention guidance phase includes motivating meta-attention activities through the presentation of successful attention improvement cases, providing detailed guidance on meta-attention concepts and procedures, and incorporating practice exercises and comprehension checks for meta-attention. The attention planning phase involves a process in which students initially examine their attention status through a learner data-based attention dashboard, subsequently analyze the causes of their behaviors, and ultimately establish specific attention goals and improvement strategies for the current session. The attention monitoring phase provides guidance on recognizing and regulating situations of decreased attention during class, encouraging students to self-check their status when their attention wanes, and implementing attention improvement strategies to regain focus. Individual feedback can be provided through teacher circulation during this phase. In the attention evaluation phase, students assess their attention goal achievement and strategy effectiveness after completing activities. The strategies used are cumulatively recorded, allowing students to reflect on these records and identify the most effective strategies for themselves. The class concludes with students sharing their meta-attention experiences with peers, providing peer feedback, and establishing foundations for future attention planning. The detailed instructional process analysis revealed changes in both teacher strategy implementation and student participation patterns. A heatmap analysis of the teacher's strategy usage frequency by session demonstrated temporal changes in strategy implementation. Specifically, the first session showed the highest strategy usage rates across all phases, with meta-attention guidance and attention planning decreasing over subsequent sessions, while attention monitoring and evaluation maintained consistent levels. Regarding specific strategies, those with low or no usage frequency appeared to transition naturally into implicit learning through class participation, primarily due to time constraints. Subsequently, time-series data was used to verify the sequence of strategy implementation. The instruction process generally proceeded according to the developed strategy sequence. Among the various strategies, only the strategy of identifying students needing assistance through student data review was implemented first, before class. Changes in student participation processes were thoroughly examined based on survey data collected each session and interview results, providing detailed insights into students' dashboard checking methods and reactions, categorization of established attention goals and improvement strategies, strategy effectiveness evaluation and modification processes, and peer interaction content. The FAIR attention test results demonstrated statistically significant improvements in students' attention levels. All subcategories—selective attention, sustained attention, and self-control—demonstrated substantial improvement. Student interviews revealed positive effects including development of self-directed learning strategies, enhanced intrinsic motivation and self-efficacy, improved attention, and voluntary transfer of meta-attention skills. Limitations included individual activity-centered instruction and technical constraints in data collection. Instructor interviews identified key achievements: providing different meta-attention experience opportunities for learners of varying abilities, maintaining continuous motivation through the dashboard, and meta-attention activity transfer. However, limitations were noted, including insufficient individualized support for different learner levels, technical limitations in attention data collection, and limited peer interaction opportunities. Finally, analysis of learner behavior patterns and perceptions identified factors influencing attention improvement. Based on classroom activity data comparing high and low improvers, high improvers tended to set specific, quantified goals, while low improvers set abstract, ambiguous goals. Strategy utilization was higher among high improvers, with their strategy use increasing over time, while low improvers exhibited stagnant or declining strategy use. Regarding data reliability, high improvers demonstrated strong trust in the data, viewing the attention dashboard as a tool for discovering previously unrecognized information. In contrast, low improvers displayed skepticism about data accuracy and demonstrated off-task behavior after identifying data limitations. This study presents a novel educational approach for attention improvement in the digital transformation era. It systematically developed strategies and detailed guidelines for instructors to design learner data-based meta-attention instruction to effectively enhance learner attention in digital education. The study empirically verified the instruction's effectiveness and conducted detailed analysis of the instructional process. Its significance lies in presenting a new paradigm that supports learners’ self-directed attention development through the integration of learner attention data and meta-attention. 교육 현장의 디지털기기 도입이 확대되면서 학습자 데이터 기반의 교육 혁신이 이루어지고 있다. 특히 코로나 팬데믹을 계기로 전국 시도교육청은 ‘학생 1인 1기기’ 사업을 대대적으로 시행하였으며, 교육부는 이러한 디지털 인프라를 기반으로 2025년부터 ‘AI 디지털 교과서’를 순차적으로 도입할 예정이다. AI 디지털 교과서란 인공지능과 같은 지능정보화기술을 활용하여 학생별 맞춤형 수업을 지원하는 교과서이다. AI 디지털 교과서가 도입된다면 개별 학생의 학습 속도와 수준에 맞춘 개인화된 학습이 가능하며, 이는 현재 교실의 한계를 극복할 수 있다. 하지만 이러한 변화로 인해 학생들은 상당한 시간을 디지털기기를 조작하는 데 보내게 된다. 디지털기기를 활용한 학습의 확대는 학습자의 주의력 저하와 학습 목적 외 사용과 같은 우려를 동반한다. 선행연구에 따르면, 디지털기기의 사용 시간이 많을수록 주의력이 낮아지며, 장기적으로 학업 성취에도 부정적인 영향을 미치는 것으로 나타났다. 또한, 멀티태스킹을 유발하여 학생들의 주의를 쉽게 분산시킨다. 하지만 디지털기기를 활용하는 수업의 장점도 분명히 있기에 이러한 상황에서 학생들은 자신의 디지털기기를 올바르게 사용하며, 주의를 스스로 조절할 수 있는 능력인 메타 주의가 필요하다. 이러한 메타 주의를 기르기 위해서는 학생들이 자신의 상황을 객관적으로 인식할 수 있는 도움이 필요하다. 하지만, 현재 교육과정에서는 학생들의 메타 주의력 향상을 위한 체계적인 지원이 부재한 실정이며, 학생들의 데이터는 주로 학습 과정과 결과에 국한되어 있어, 학생들의 주의 현황을 파악하기에는 한계가 있다. 이에 본 연구는 디지털 교육에서 데이터를 기반으로 학습자가 스스로 자신의 주의를 인지하여 행동을 조절할 수 있는 메타 주의 지원 전략을 현장전문가, 이론전문가와 함께 개발하고 현장에 적용하였다. 본 연구의 연구문제는 다음과 같다. 첫째, 학습자 데이터 기반 메타 주의 지원 전략과 상세지침은 무엇인가? 둘째, 학습자 데이터 기반 메타 주의 지원 전략을 적용한 수업은 어떤 과정으로 이루어지는가? 셋째, 학습자 데이터 기반 메타 주의 지원 전략을 적용한 수업의 효과와 개선점은 무엇인가? 넷째, 주의력 향상에 영향을 미치는 학습자 특성에는 무엇이 있는가? 위 연구문제를 해결하기 위해 설계기반연구(Design-based Research, DBR)의 방법론에 따라 진행하였다. 현장전문가 6명, 이론전문가 3명으로 구성된 전문가 협의회를 기반으로 현장의 문제와 요구를 파악하고, 선행 문헌 검토를 통해 이론적 기반을 구축하여 지원 전략을 개발하고 지속적으로 개선하였다. 현장적용은 담임 교사 1인과 고등학교 1학생 68명을 대상으로 지원 전략을 적용한 수업을 실시하고 교수자와 학습자의 반응을 확인하였다. 에듀테크를 활용하여 학습자 주의 데이터를 수집하였으며, 이를 기반으로 주의 대시보드를 제작하였다. 학생들은 메타 주의 지원 전략의 단계에 따라 통합과학 심화 탐구 과제를 수행하였으며, 전략의 효과성 검증을 위해 FAIR 주의력 검사를 실시하였다. 또한, 교사 1인과 학생 13명을 대상으로 심층 면담을 실시하여 질적 데이터를 수집하였다. 수집된 자료는 양적 데이터의 경우 기술통계와 대응표본 t검정을, 질적 자료는 주제분석을 통해 분석하였다. 이를 통해 지원 전략의 효과성과 개선점, 수업의 구체적인 과정, 주의력 향상에 영향을 미치는 학습자 특성을 확인하였다. 연구결과, 학습자 데이터 기반 메타 주의 지원 전략으로 메타 주의 안내, 주의 계획, 주의 점검, 주의 평가로 구성된 4개의 범주 아래 범주별 3개씩, 총 12가지의 지원 전략과 35개의 상세지침이 도출되었다. 메타 주의 안내 단계에서는 주의 향상의 성공사례 제시를 통한 메타 주의 활동에 대한 동기 유발과 메타 주의 개념 및 절차에 대한 구체적인 안내, 그리고 메타 주의에 대한 연습과 이해도 점검 활동이 포함되었다. 주의 계획 단계에서는 학습자 데이터를 기반으로 개발된 주의 대시보드를 통해 자신의 주의 현황을 파악하는 것과 행동을 하게 된 원인을 분석하고 이를 기반으로 한 이번 시간의 구체적 주의 목표와 주의 향상 전략을 수립하는 것으로 이루어진다. 주의 점검 단계에서는 수업 중 주의력 저하 상황의 인지와 조절 방안을 안내하고, 학생들이 스스로 주의가 떨어졌을 때 자신의 상태를 점검하고, 주의 향상 전략을 시행하여 다시 주의를 높이도록 한다. 이때 교사의 순회 지도를 통한 개별 피드백이 제공될 수 있다. 주의 평가 단계에서는 활동이 끝난 후 해당 차시의 주의 목표 달성도와 전략 효과성을 평가한다. 이때 사용한 전략은 누적으로 기록되는데 학생들은 그중 자신에게 가장 효과적인 전략을 생각한다. 수업 후반에 친구들과 메타 주의 경험 공유를 통해 서로 피드백을 주고 차기 주의 계획 수립의 기반을 마련하는 것으로 구성되어 있다. 수업의 세부 진행 과정으로는 교사의 전략 사용과 학생들의 수업 참여 과정의 변화를 확인하였다. 히트맵으로 교사의 차시별 전략 사용 빈도를 분석하여 시간에 따라 교사의 전략 사용의 변화를 확인하였다. 1차시에는 모든 단계에서 가장 높은 전략 사용률을 보였으며, 메타 주의 안내와 주의 계획은 차시에 따라 감소하는 반면, 주의 점검과 평가는 일정한 수준을 유지하는 것으로 확인하였다. 다음으로는 시계열 데이터로 전략 사용의 순서를 확인하였다. 대체로 개발된 전략의 순서대로 수업이 진행되었다. 수업 전 학생들의 데이터를 보고 도움이 필요한 학생을 파악하는 전략이 제일 선행되었다. 학생들의 수업 참여 과정 변화는 매 차시 진행했던 설문 조사 데이터와 면담 결과를 기반으로 학생들의 대시보드 확인 방법과 느낌, 설정한 주의 목표와 주의 향상 전략 유형화, 전략의 효과성 평가와 수정 과정, 친구들과의 교류 내용을 상세히 확인할 수 있었다. FAIR 주의력 검사 결과 학생들의 주의력은 통계적으로 유의한 향상이 있었다. 세부 항목으로 선택적 주의, 지속적 주의, 자기 통제력 모두 큰 향상이 있었다. 학습자 면담 결과로는 자기 주도적 학습 전략 개발과 내적 동기와 자기 효능감 증진, 주의력 향상, 메타 주의의 자발적 전이의 긍정적 효과가 확인되었다. 제한점으로는 개별 활동 중심 수업, 데이터 수집의 기술적 한계가 있었다. 교수자 면담 결과로는 다양한 수준의 학습자에게 각기 다른 메타 주의 경험 기회의 제공과 대시보드를 통한 지속적 동기 부여가 주요한 성과로 나타났다. 하지만 학습자 수준별 개별화된 지원 부족, 주의 데이터 수집의 기술적 한계, 학습자 간 상호작용 기회 부족 등이 제한점으로 지적되었다. 마지막으로, 학습자들의 행동 패턴과 인식을 분석하여 주의력 향상에 영향을 미치는 요인을 확인하였다. 주의력 고향상자, 저향상자의 수업 활동 데이터를 토대로 분석한 결과 고향상자는 구체적이고 수치화된 목표를, 저향상자는 추상적이고 모호한 목표를 설정하는 경향이 있었다. 전략 활용도에도 고향상자가 저향상자보다 더 많이 사용하는 경향이 있었으며, 고향상자는 시간이 지날수록 전략 사용 횟수가 증가하는 반면, 저향상자의 전략 사용 횟수는 변화가 없거나 시간이 갈수록 감소하였다. 데이터 신뢰도와 관련하여 고향상자는 데이터를 매우 신뢰하는 모습이 보였다. 자신이 미처 깨닫지 못한 정보를 주의 대시보드를 통해 확인할 수 있다고 보았으나, 저향상자의 경우 데이터의 부정확성과 관련하여 회의적인 태도를 보이며, 데이터의 한계를 파악하여 수업과 관련 없는 행동을 하는 모습을 보였다. 본 연구는 디지털 전환 시대에서 주의력 향상을 위한 새로운 교육적 접근 방법을 제시하였다. 교수자가 디지털 교육에서 학습자의 주의력을 효과적으로 향상시키기 위한 학습자 데이터 기반 메타 주의 수업을 설계하는 데 참고할 수 있는 전략과 상세지침을 체계적으로 개발하였으며, 수업의 효과를 실증적으로 검증하고 수업의 과정을 세부적으로 분석하였다. 학습자의 주의 데이터와 메타 주의의 결합을 통해 학습자의 주체적인 주의력 성장을 지원하는 새로운 패러다임을 제시했다는 점에서 의의를 가진다.

프로티언 경력 역량 향상을 위한 학습데이터 기반 지원 시스템 설계원리 개발 연구

박찬서 서울대학교 대학원 2025 국내박사

Protean Career Competence refers to the ability of university students to proactively design and flexibly manage their careers based on their personal values and goals in a rapidly changing labor market. In today’s society, where psychological satisfaction and the realization of personal values are increasingly emphasized over traditional organizational measures of success, this competence has emerged as a crucial meta-competency for both survival and growth (Baruch & Sullivan, 2022; Hall, 1996). Encompassing dimensions such as identity, adaptability, self-direction, value orientation, change management, and reflective behavior, protean career competence enables not only successful employment but also sustainable employability and lifelong personal development. Despite its importance, current career support programs in higher education remain largely focused on short-term, standardized job placement services, falling short of providing personalized and ongoing support that reflects individual potential and value systems of students. Conventional career development activities focused primarily on employment and short-term extracurricular programs often fall short in reflecting the diverse learning and career goals of individual students. Instructors also face significant administrative burdens in providing tailored feedback and continuous personalized support, as they often lack the time and human resources to fully understand each learner’s capabilities and motivations. To address these challenges, a new educational model is needed. This model should utilize learning data collected from multiple aspects of student activity and achievement to design and apply personalized and long-term support strategies. This study presents the design principles for developing a Learning Data-based Support System (LDSS) aimed at systematically enhancing protean career competence. Based on these principles, the study develops the LDSS, applies it in a real university setting, and verifies its effectiveness and validity through an integrated action research approach. Specifically, the study takes the following approaches. First, it collects and integrates longitudinal learning data, such as system logs, task participation records, and interaction data, to provide both learners and instructors with objective and continuous feedback on learning status and career competence. Second, using these data flows and design procedures, the study develops the design principles and procedural model of the LDSS to support learners in independently setting and reviewing their career goals. At the same time, it helps instructors develop personalized support strategies tailored to each student’s key competencies and characteristics. Third, by integrating the theory of protean career competence into the instructional design principles, the LDSS provides students with opportunities for autonomous and creative career exploration, while also offering instructors data-driven strategies to support the development of protean career competence. Through this approach, the study aims to go beyond conventional, one-way, short-term support and to establish a mid- to long-term career support ecosystem grounded in learning data. To achieve this, the study followed the design and development research methodology to create and validate a set of design principles and a procedural model. For systematic development, initial design principles, guidelines, and a sequence of procedures were established through a review of relevant literature, expert interviews, and case analyses. Based on this foundation, two rounds of expert validation were conducted. As a result, 13 design principles and 40 detailed sub-guidelines were developed, centered around four core design elements. These elements are support for self-exploration, support for career development activities, support for career development management, and support for change and reflection. First, the design elements related to self-exploration include three principles. The principle of multidimensional profiling, the principle of value clarification, and the principle of ethical engagement help learners deeply explore their interests, strengths, and values while emphasizing the ethical use of data. Second, to support career development activities, six principles were applied. These are the principle of personalized goal setting, the principle of real-time responsiveness, the principle of promoting self-direction, the principle of feedback literacy, the principle of supporting learner autonomy, and the principle of strengthening instructor and learner interaction. These principles provide continuous and personalized feedback on goal setting and the progress of career development. Third, to support career development management, two principles were introduced. The principle of visualizing career development activities and the principle of data-informed career decision-making enable learners to monitor their career histories and achievements and to make objective and rational decisions based on data analysis. Fourth, to support change management and reflection, the study applied two principles. The principle of enhancing adaptability and the principle of continuous self-reflection are designed to help learners actively respond to changes and grow through ongoing reflection and feedback. These principles and guidelines are intended to strengthen learners’ protean career competence in a meaningful way and to support self-directed and value-driven career design. Reflecting these design principles and detailed guidelines, the learning data-based support system named "Career Lab" was developed as a mobile application based on the procedural model. The Career Lab app was built in collaboration with a professional system development company using the Agile methodology. This approach ensured an accurate analysis of the needs of both users and system administrators and clearly defined the scope and functionality of the system. The development was carried out in two phases. In this study, the version completed in the first phase was applied in an actual educational setting. For external validation, 16 participants were assigned to the experimental group and 19 to the control group. Both survey responses and in-depth interviews were used to derive the research findings. The results showed that the use of the learning data-based support system led to greater improvement in protean career competence among the experimental group compared to the control group. The academic contributions of this study can be summarized in three ways. First, from the perspective of career development theory, this research integrates the protean career model with personalized support based on learning data, providing new insights into studies on career and employment support. Second, from the perspective of educational technology, the study extends the practical scope of learning data research by applying and validating the learning data-based support system design model within actual classroom settings. Third, from the perspective of innovation in higher education, the design guidelines for the LDSS offer clear directions for effectively utilizing large-scale data generated through interactions between instructors and learners. This contributes to expanding a forward-looking and flexible learning environment model. This integrated approach aligns with the needs of university education that aim to foster both self-directed learning skills and innovative career development competence. It is also expected to serve as a foundation for future studies that connect learning data with career support systems. 프로티언 경력 역량((Protean Career Competence)은 변화하는 직업시장에서 사회로의 성공적인 진입을 앞둔 대학생이 자신의 가치와 목표에 기반하여 경력을 주도적으로 설계하고 유연하게 관리할 수 있는 역량이다. 심리적 만족과 가치 실현을 중요시하는 현대 사회에서 성공적인 경력관리 역량은 생존과 성장을 위한 핵심역량으로 주목받고 있다(Baruch & Sullivan, 2022; Hall, 1996). 정체성·적응성·자기주도성·가치지향성·변화관리·성찰행동을 포함하는 프로티언 경력 역량은 단순히 취업 성공을 넘어 지속 가능한 고용가능성과 생애 주기적 관점에서의 자기 성장을 가능케 한다는 점에서 대학의 지원에 있어 매우 중요한 교육 과제이다. 그럼에도 불구하고 현실의 진로·경력 지원프로그램은 여전히 획일적인 단기 취업 지원에 머물러 있어, 학생 개개인의 잠재 역량과 가치 체계를 반영한 맞춤형·지속형 지원을 제공하지 못한다는 구조적 한계를 가지고 있다. 예컨대 취업 위주의 활동 지원이나 단기 비교과 프로그램들은 학생 개개인의 다양한 학습 및 경력 목표를 충분히 반영하기 어렵다. 또한 교수자 역시 모든 학습자의 역량과 동기를 세부적으로 파악하기엔 시간적, 인력적 부족으로 인해 맞춤형 피드백과 지속적인 개별화 지원을 제공하기에는 관리적 부담이 크다. 이러한 문제를 극복하기 위해서는 학습자 활동과 성취를 다차원적으로 수집한 학습데이터(learning data)를 토대로, 개인 맞춤형이면서 장기적으로 지원 전략을 설계·적용할 수 있는 새로운 교육모델이 요구된다. 본 연구는 프로티언 경력 역량을 체계적으로 향상할 수 있는 학습데이터 기반 지원시스템 (Learning-Data based Support System, LDSS)을 개발하기 위한 설계 원리를 제시하고, 이를 토대로 시스템을 개발하여, 실제 대학 현장에 적용해 봄으로써, 그 효과성과 타당성을 검증하는 통합 실천 연구를 수행한다. 본 연구의 구체적 접근은 다음과 같다. 첫째, 시스템 로그, 과제 참여도, 상호작용 기록 등 학습데이터를 종단적으로 수집·통합함으로써, 학습자와 교수자 모두에게 학습 상태와 경력 역량에 대한 객관적·지속적 피드백을 제공한다. 둘째, 이러한 데이터 흐름과 설계 절차를 기반으로 학습데이터 기반 지원 시스템(Learning Data-based Support System, LDSS) 설계원리와 절차모형을 개발하고, 학습자가 자기주도적으로 경력 목표를 설정·점검할 수 있도록 지원한다. 또한, 교수자는 학습자의 핵심역량과 특성에 맞춘 맞춤형 지원 전략을 수립하도록 돕는다. 셋째, 프로티언 경력 역량 이론을 교수설계 원리에 통합하여, 학생에게는 자율적이고 창의적인 경력탐색 경험을, 교수자에게는 데이터 기반 프로티언 경력 역량 향상을 위한 지원 전략 방안을 제공한다. 이를 통해 기존의 일방적·단발성 지원을 넘어, 학습데이터 기반의 중·장기적 경력 지원 생태계를 구현하고자 하였다. 이를 위해 연구 방법으로 설계·개발연구 방법론 (Design and development research methodology)에 따라 설계원리와 모형을 개발하고 이를 타당화 하였다. 체계적인 설계원리 개발을 위해 선행 문헌 고찰, 전문가 면담, 사례분석을 통해 초기 설계 원리와 지침 그리고 일련의 절차 모형을 개발하였다. 이를 바탕으로 1차와 2차 전문가타당화를 통해 개발된 설계 원리와 지침은 자기 탐색 지원, 경력개발 활동 지원, 경력 관리지원, 변화와 성찰 지원의 4가지 설계요소를 중심으로 13개의 설계 원리와 40개의 하위 상세 지침을 개발하였다. 첫째, 자기탐색 지원 설계요소에 해당하는 1) 다차원적 프로파일링의 원리, 2) 가치 명료화의 원리 3) 윤리적 활동 원리는 학습자가 자신의 흥미, 강점, 가치 등을 깊이 있게 탐색하고 윤리적 데이터 활용을 강조하여 설계되었다. 둘째, 경력개발 활동 지원을 위해 4) 개인화된 목표 설정의 원리, 5) 실시간 응답의 원리, 6) 자기주도성 촉진의 원리 7) 피드백 리터러시의 원리 8) 학습자 자율감의 원리 9) 교수자- 학습자 상호작용 강화 원리가 반영되어 목표 설정 및 진행 상황에 대한 지속적이고 개인화된 피드백을 제공할 수 있도록 하였다. 셋째, 경력관리 지원을 위한 10) 경력개발 활동 시각화 원리와 11) 데이터 기반 경력 의사결정의 원리를 반영하여 학습자가 자신의 경력 활동 이력과 성과를 시각적으로 확인하고, 데이터 분석 결과를 바탕으로 객관적이고 합리적인 경력 관련 의사결정을 내릴 수 있도록 설계하였다. 넷째, 변화 관리와 성찰 지원을 위해 12) 변화 적응성 향상의 원리와 13) 지속적인 자기 성찰의 원리를 통해 학습자가 변화하는 상황에 능동적으로 대응하며 지속적인 성찰과 피드백을 통해 성장할 수 있도록 설계하였다. 이러한 원리와 지침은 학습자의 프로티언 경력 역량을 실질적으로 강화하고, 자기 주도적이며 가치 중심적인 경력 설계를 가능하게 한다는 특징이 있다. 이러한 설계 원리와 상세 지침을 반영하여, 절차 모형을 기반으로 학습데이터 기반 지원 시스템인 ‘ 커리어랩’을 앱으로 구현하였다. 커리어랩 앱은 사용자와 시스템 관리자의 요구사항을 정확히 분석하고, 시스템 개발의 범위 및 기능을 명확히 하기 위해 시스템 개발 전문가 업체와 협력하여 애자일(Agile)방법론을 적용하여 1차와 2차로 나누어 개발되었다. 본 논문에서는 1차 개발이 완료된 ‘커리어랩’을 실제 교육 현장에 적용하였다. 외적 타당화에는 실험군 16명과 대조군 19명이 참여하였고, 연구 결과 도출을 위해 설문과 심층 면담을 진행하였다. 그 결과 프로티언 경력 역량 향상을 위한 학습데이터 기반 지원 시스템을 활용하였을 때 프로티언 경력 역량이 대조군 그룹에 비해 실험군 그룹이 향상하였음을 밝힐 수 있었다. 따라서, 본 연구의 학술적 기여는 세 가지로 요약된다. 첫째, 경력개발 이론 측면에서 프로티언 경력 모델과 학습데이터 기반 개인 맞춤 지원을 결합하여, 진로·취업 지원 연구에 새로운 통찰을 제공한다. 둘째, 교육공학적 측면에서 학습데이터와 지원 시스템 설계 모형을 실제 수업맥락에 적용·검증함으로써, 학습데이터 연구의 실천 범위를 확장하였다. 셋째, 고등교육 혁신 측면에서 개발된 LDSS 설계 지침은 교수자와 학습자 간 상호작용에서 생성되는 방대한 데이터를 효과적으로 활용할 수 있는 구체적 방향성을 제시함으로써, 미래지향적이며 유연한 학습환경 구축 모델을 확장하였다. 이러한 통합적 접근은 자기주도 학습 역량과 혁신적 역량을 동시 함양해야 하는 대학 교육의 요구에 적합하며, 학습데이터와 경력 지원을 접목한 후속 연구의 토대를 마련할 것으로 기대된다.

대학교육기관의 AI·데이터 기반 행정지원 시스템 도입에 따른 대학직원의 인식 변화 탐색 : O 대학교 사례를 중심으로

이주혁 아주대학교 교육대학원 2026 국내석사

본 연구는 대학교육기관에 AI·데이터 기반 행정지원 시스템이 도입됨 에 따라 대학 행정직원의 역할 인식과 업무 수행 방식에 어떠한 변화가 발생하는지를 탐색하는 것을 목적으로 하였다. 최근 고등교육기관은 학령인구 감소, 행정 효율 및 투명성 요구 증대, 디지털 전환의 가속화 등 구조적 도전에 직면하고 있으며, 이러한 변화는 대학 조직이 수행하는 행정 기능뿐 아니라 구성원의 역할 정체성과 전문 성 전반에 직접적인 영향을 미치고 있다. 특히 AI 기반 행정지원 시스템 의 도입은 기존의 문서 작성 중심 업무를 자동화하는 데 그치지 않고, 구 성원이 스스로 인식하는 역할의 범위와 책임 구조를 재구조화하는 요인으 로 작용하고 있다. 선행연구 검토 결과 역할은 조직 구성원에게 부여되는 공식적 기대뿐 아니라 구성원이 이를 해석·내면화하는 인지적·정서적 요소를 포함하는 개념으로 확인되었다. 역할은 고정된 속성을 갖기보다는 맥락적·상황적 요인에 따라 변화하며 디지털 전환과 같은 환경 변화는 역할기대–역할지 각–역할수행 과정 전반에 구조적 변화를 유발한다. 특히 AI 기반 시스템 의 확산은 행정직원을 단순한 업무 처리자에서 기획·분석·검증 역량을 갖 춘 데이터 기반 행정전문가로 전환시키며 중간관리자에게는 AI가 생성한 자료의 정확성과 적합성을 최종적으로 검증해야 하는 새로운 책임을 부여 함으로써 역할과부하 및 역할모호성을 심화시키는 것으로 나타났다. 본 연구는 양적·질적 접근을 병행한 혼합연구 설계를 적용하였다. 연구 의 예비 단계로 O대학교 직원을 대상으로 설문조사를 실시하여 AI·데이 터 기반 행정지원 시스템의 활용 양상, 업무 변화 인식, 역할 변화 인식, 전문성 및 공정성 인식 등을 파악하였다. 이후 설문 결과를 토대로 세대 별·직급별 구성을 반영한 4개 포커스그룹인터뷰(FGI) 집단을 구성하였으 며, 조교군, 사원·주임군, 대리·계장군, 과장군을 대상으로 심층 면담을 수 행하였다. 연구 결과 AI·데이터 기반 행정지원 시스템은 대학의 일상적 행정업무 전반에서 필수적 도구로 자리 잡고 있었으며, 구성원들은 이를 행정 효율 성과 업무 정확성을 향상시키는 핵심 수단으로 인식하고 있었다. 반복적 이고 규칙 기반의 업무에서는 AI 활용이 자연스럽게 정착되고 있었으며, 이러한 기술 도입은 문서 작성 중심의 전통적 역할을 기획·분석·검증 중 심의 역할로 전환시키는 주요 기제로 기능하였다. 이에 따라 구성원들은 점차 자신을 데이터 기반 행정전문가로 인식하는 방향으로 역할 정체성을 확장하고 있었다. 한편 세대 및 직급에 따라 AI 도입에 대한 인식과 경험에는 차이가 나 타났다. 젊은 세대·하위 직급 직원들은 AI를 새로운 역량 개발의 기회로 적극 활용하는 반면 중간관리자는 AI 산출물에 대한 검증 책임 증가로 역할 부담을 경험하였으며 관리자급은 기술 도입이 조직 차원의 불가피한 변화임을 인정하면서도 책임 배분과 공정성 문제를 중점적으로 고려하는 경향을 보였다. 이러한 결과는 AI 도입이 구성원의 인식·정서·역할 수행 전반을 변화시키는 복합적인 조직적 과정임을 시사한다. 본 연구는 AI 기반 행정지원 시스템 도입이 대학 행정조직의 역할 구 조, 직무 전환, 전문성 강화, 책임 구조 변화와 밀접하게 연계되어 있음을 실증적으로 제시함으로써 의의를 지닌다. 또한 세대 및 직급별 차이를 구체적으로 규명하여 향후 대학 행정조직 의 디지털 전환 전략, 직무 재설계, AI 활용 역량 개발, 조직문화 조성에 실질적인 시사점을 제공한다. 아울러 본 연구는 단일 대학 사례에 기반했 다는 한계를 가지므로, 다양한 유형의 대학을 대상으로 한 비교 연구와 AI 도입의 장기적 영향에 대한 종단적 연구가 후속 연구로서 필요함을 제안한다. 주요어: AI·데이터 기반 행정지원 시스템, 대학 행정직원, 역할 인식, 업무 변화, 역할 정체성, 세대·직급 차이

중국 산동성 농산품콜드체인 구축 역량요인이 물류 효율성에 미치는 영향 연구 : 프로세스 혁신의 매개 효과를 중심으로

이충추 중앙대학교 대학원 2024 국내석사

최근 농산물 유통시장의 변화에 따라 콜드체인 물류 서비스의 중요성이 부각되고 있다. 효율적인 콜드체인은 농산물의 품질과 신선도를 유지하고 소비자 건강과 식품 산업의 경쟁력을 향상시킨다. 특히, 농산물의 유통 및 저장 과정에서 발생하는 품질 저하와 낭비는 환경과 식품 산업에 부담을 준다. 중국의 산동성은 다양한 농산물이 생산되지만, 기후와 계절적 요인으로 인해 유통 및 보관 중 품질 저하와 손실이 발생한다. 현재 중국 산동성의 농산물 콜드체인 물류 시스템은 초기 단계에 있으며 시설과 관리 수준의 개선이 필요하다. 본 연구는 중국 농산물의 콜드체인 물류 시스템에 관한 중요성과 그 효율성 간의 관계를 탐구한다. 이를 위해 중국의 산동성을 중심으로 현장 조사를 실시하고, 관련 변수들 간의 모델을 구축한다. 이를 통해 다음과 같은 다섯 가지 주요 결론을 도출한다. 첫째, 파트너십은 물류 프로세스 혁신과 성과에 긍정적인 영향을 미치며, 이를 통해 농산물의 신선도와 안전성을 보장할 수 있다. 둘째, 스마트 물류 인프라는 물류 프로세스 혁신을 촉진하고, 농산물 유통 시스템의 효율성과 안정성을 향상시킨다. 셋째, 정부의 지원 정책은 농산물 콜드체인 프로세스 혁신에 긍정적인 영향을 미치며, 이는 지역 경제와 소비자들에게도 긍정적인 영향을 미친다. 넷째, 데이터 기반 전문성은 물류 프로세스의 최적화를 통해 농산물의 신선도를 유지하고, 물류 시스템의 안정성을 향상시킨다. 마지막으로, 콜드체인 프로세스 혁신은 물류 효율성을 향상시키고 농산물 유통 시스템의 성능을 개선시키며 경쟁력을 강화하는 데 중요한 역할을 한다. 따라서 중국의 산동성 농산물 콜드체인 물류 시스템의 향상은 농산물 산업과 시장의 발전을 촉진하며 이는 다른 국가들의 농산물 산업에도 영향을 미칠 수 있다. 본 연구는 중국 산동성 농산품 콜드체인 구축의 주요 역량 요인들이 물류 효율성에 미치는 영향을 분석하였다. 그 결과는 파트너쉽, 스마트 물류 인프라, 정부 지원정책, 데이터 기반 전문성, 프로세스 혁신이 물류 효율성 증대에 중요한 역할을 한다는 것을 확인하였다. 이에 따라 농사품 콜드체인 거입들은 이러한 요인들을 고려하여 전략을 수립하고 실행함으로써 물류 효율성을 극대화 시키고 기업의 경쟁력을 높일 수 있을 것이다. 이를 통해 산동성의 농산품 콜드체인은 더욱 견고해지고 지속 가능한 발전을 이룰 수 있을 것으로 보인다. Recent changes in the agricultural distribution market have highlighted the importance of cold chain logistics services. An efficient cold chain maintains the quality and freshness of agricultural products and improves consumer health and the competitiveness of the food industry. In particular, deterioration and waste during the distribution and storage of agricultural products puts a strain on the environment and the food industry. Shandong Province in China produces a wide variety of agricultural products, but due to climate and seasonal factors, quality degradation and losses occur during distribution and storage. Currently, the cold chain logistics system for agricultural products in Shandong Province is in its infancy and needs to be improved in terms of facilities and management. This study explores the relationship between the importance of the cold chain logistics system of agricultural products in China and its efficiency. To this end, a field survey is conducted in Shandong Province, China, and a model is built between the relevant variables. From this, we draw five main conclusions. First, partnerships have a positive impact on logistics process innovation and performance, which can ensure the freshness and safety of agricultural products. Second, smart logistics infrastructure promotes logistics process innovation and improves the efficiency and stability of the agricultural distribution system. Third, supportive government policies have a positive impact on the innovation of agricultural cold chain processes, which in turn has a positive impact on the local economy and consumers. Fourth, data-driven expertise can optimize logistics processes to maintain the freshness of agricultural products and improve the reliability of the logistics system. Finally, cold chain process innovation plays an important role in enhancing logistics efficiency, improving the performance of the agricultural distribution system and enhancing competitiveness. Therefore, the improvement of the agricultural cold chain logistics system in Shandong Province of China promotes the development of the agricultural industry and market, which may also have implications for the agricultural industry in other countries. This study analyzed the impact of key capability factors on logistics efficiency in the construction of agricultural cold chain in Shandong Province, China. The results show that partnerships, smart logistics infrastructure, government support policies, data-driven expertise, and process innovation play an important role in increasing logistics efficiency. Accordingly, agricultural cold chain players can maximize logistics efficiency and enhance their competitiveness by formulating and implementing strategies that take these factors into account. This will help Shandong's agricultural cold chain become more robust and achieve sustainable development.

데이터에 기반한 문서 오분류 개선 연구

박성은 명지대학교 기록정보과학전문대학원 2023 국내석사

A document in its traditional sense was fixed on paper, but as electronic documents appeared due to the development of information and communication technology, its meaning has expanded to include fixed information or data regardless of the medium. ‘Data’ refers to structured or unstructured information that exists in a machine-readable form, which is created or processed through a device equipped with information processing capability. Furthermore, ‘big data’, which is immeasurably larger than data generated in the past analog environment, has a shorter generation cycle, and includes various types of data, is going noticed in that it can be used as an important resource to determine the excellence of big data. Future competitiveness, companies, governments, and public institutions are seeking various data analysis and utilization methods. Since the introduction of the Electronic document system, public institutions have produced a large amount of Electronic documents, and these electronic documents are produced and received in connection with the work of public authorities, and are stored and managed in the system as Records by law. In the field of Records Management, this process is called ‘Classification'. The Classification of documents is based on The Records Schedule and is determined by the judgement of the person in charge of business. However, Classification based on the judgment of the person in charge may show a difference depending on the level of the Classification procedure and the task in charge, which makes it difficult to guarantee the accuracy and consistency of the work process. This leads to Misclassification of documents, and consequently undermines the principle of Records management that they should be managed to ensure Authenticity, Integrity, Reliability and Usability throughout all processes from production to utilization of Records. Therefore, in the field of Records management, document Misclassification is a problem that cannot be taken lightly, and it is necessary to solve it. The biggest difference between Paper Records Management Environment and Electronic Records Management Environment is that Electronic Records can be managed efficiently and effectively by using the information system. We need an automation tool that can quickly and accurately handle the Classification support or improvement of Misclassification of documents based on these data by utilizing various metadata of electronic documents or generating new metadata. Therefore, the purpose of this paper is to identify the situation in which the Misclassification of documents produced in the process of performing duties of public institutions occurs and to derive the cause of the document Misclassification and how to solve it, and based on this, to propose an improvement direction for the document Misclassification problem, focusing on utilizing new data-based technologies. In this paper, the concept of documents was reorganized and the overall process of classifying documents and the situation of document Misclassification were examined. Based on this, examples identified as Misclassifications were derived through the analysis of the list of approval documents above the deputy mayor of Seoul, and as a result, the cause and solution of the Misclassification of documents were presented. To examine the technologies and capabilities applicable to suggesting improvements to the document Misclassification problem, I looked at the Classification capabilities of IBM's FileNet P8 and StoredIQ, an automated Classification Commercial solution, and RecordPoint's Record365, Commercial solutions for Records management. I also looked at what technologies were used in the test beds that attempted to utilize new technologies in the Records management field, and analyzed them comprehensively to derive the implications and limitations of Commercial solutions and test beds. Based on the analysis of literature studies and case studies, a technology to be applied to data-based tools necessary for document Classification was selected, and an intelligent Data-based Document Classification Support Tools were designed by applying the selected technology. In addition, how the designed support tool can be applied by Life Cycle was proposed by dividing it into Point of Production, Point of Management, and Point of Disposal. This paper proposed the direction of improving document Misclassification, but there is a limitation that actual Prototyping could not be performed. However, it is meaningful in that it designed and proposed a data-based document Classification support tool that applied New Technology to improve the long-standing problem of Misclassification in the field of Records management by analyzing the cases of technical solutions and test beds, and in that it presented how the support tool can be applied by Life Cycle. 전통적 의미로서의 문서는 종이에 고정된 것이었으나, 정보통신기술의 발달로 전자 문서가 등장하게 된 이후 매체와 상관없이 고정된 정보나 데이터까지를 포괄하는 것으로 의미가 확장되었다. ‘데이터(Data)’란 정보처리능력을 갖춘 장치를 통하여 생성 또는 처리되어 기계에 의한 판독이 가능한 형태로 존재하는 정형 또는 비정형의 정보를 말한다. 그리고 더 나아가 과거의 아날로그 환경에서 생성되던 데이터에 비교하여 그 규모가 가늠할 수 없을 정도로 방대하고, 생성 주기가 짧으며, 다양한 형태의 데이터를 포함하는 대규모 데이터를 ‘빅데이터(Big Data)’라 한다. 이처럼 빅데이터는 미래 경쟁력의 우위를 좌우하는 중요한 자원으로 활용될 수 있다는 점에서 주목받고 있으며, 이에 기업과 정부 및 공공기관에서도 데이터를 분석·활용하기 위한 다양한 방법을 모색하고 있다. 전자문서생산시스템의 도입 이후, 공공기관에서는 수많은 양의 전자문서를 생산하고 있으며 이러한 전자문서는 공공기관이 업무와 관련하여 생산·접수한 문서로 법령에 의해 기록물로써 시스템에 저장되어 관리된다. 기록관리 분야에서는 이러한 프로세스를 ‘분류’라 한다. 문서의 분류는 기록관리기준표를 기준으로 하여 업무담당자의 판단에 의해 이뤄진다. 그러나 이러한 업무담당자의 판단에 의한 분류는 분류 절차에 대한 업무담당자의 인식 수준 및 담당하고 있는 업무에 대한 인지수준에 따라 차이를 보일 수 있으며, 이는 업무 프로세스의 정확성과 일관성을 보장하기 어렵게 한다. 이로 인해 문서의 오분류가 발생하게 되고, 결론적으로 기록물의 생산부터 활용까지 모든 과정에 걸쳐 진본성, 무결성, 신뢰성 및 이용가능성이 보장될 수 있도록 관리하여야 한다는 기록관리의 원칙이 흔들리게 된다. 따라서 기록관리 분야에서 문서 오분류는 가볍게 여길 수 없는 문제이며, 해결이 필요하다. 종이기록관리환경과 전자기록관리환경의 가장 큰 차이점은 정보시스템을 사용함으로써 전자기록을 효율적이고 효과적으로 관리할 수 있다는 것이다. 따라서 전자문서의 다양한 메타데이터를 활용하거나 새로운 메타데이터를 생성하는 과정을 거침으로써 이러한 데이터를 기반으로 문서의 분류 지원 혹은 오분류의 개선을 신속하고 정확하게 처리해 줄 수 있는 자동화 도구가 필요하다. 이에 본 논문의 목적은 공공기관의 업무 수행의 과정에서 생산된 문서의 오분류가 발생하는 상황을 확인하여 문서 오분류의 원인과 이를 해결할 수 있는 방안을 도출하고, 이를 토대로 데이터를 기반으로 한 신기술을 활용하는 것에 초점을 맞추어 문서 오분류 문제의 개선 방향을 제안하는 것이다. 본 논문에서는 문서의 개념을 재정리하고 문서의 분류가 이뤄지는 과정 전반과 문서 오분류가 이뤄지는 상황에 대해 살펴보았다. 그리고 이를 토대로 서울시 부시장 이상 결재문서 목록 분석을 통해 오분류로 파악되는 예시를 도출하고 그 결과 문서 오분류의 원인과 해결 방안을 제시하였다. 문서 오분류 문제의 개선 방안을 제안하는 데에 적용할 수 있는 기술 및 기능을 살펴보고자 자동분류 상용 솔루션인 IBM의 FileNet P8과 StoredIQ, 기록관리 상용 솔루션인 RecordPoint의 Record365의 분류 기능을 살펴보았다. 또한 기록관리 분야에서 신기술 활용을 시도한 테스트베드에서 활용한 기술로는 무엇이 있는지도 함께 살펴보고, 종합적으로 분석하여 상용 솔루션과 테스트베드의 시사점과 한계를 도출하였다. 문헌연구 및 사례연구를 분석한 결과를 토대로 문서 분류에 필요한 데이터 기반 도구에 적용할 기술을 선정하였고, 선정한 기술을 적용하여 ‘지능형 문서 분류 지원 도구'를 설계하였다. 또한 설계한 지원 도구가 생애주기별로 어떻게 적용될 수 있는가에 대하여 생산 시점, 관리 시점, 처분 시점으로 나누어 제안하였다. 본 논문은 문서 오분류 개선 방향까지는 제안하였으나 실제 프로토타이핑을 수행하지 못하였다는 한계가 있다. 그렇지만 기술적인 면에서 앞서 있는 상용 솔루션과 테스트베드 등의 사례를 분석함으로써 기록관리 분야에서 오랫동안 문제로 제기되어온 오분류 문제에 대한 개선 방향으로 신기술을 적용한 데이터 기반 문서 분류 지원 도구를 설계하여 제안하였고, 더 나아가 해당 지원 도구가 생애주기별로 어떻게 적용될 수 있는가에 대하여 제시하였다는 점에서 의의가 있다.

무선 센서 망에서 싱크 이동의 예측성 기반 새로운 데이터 전달 프로토콜

이의신 충남대학교 대학원 2007 국내석사

Many dissemination protocols on the mobility support in wireless sensor networks have been designed based on the assumption that the movement trace of sinks, such as soldiers and fire fighters, is random. However, the mobility of the sinks in many applications, for example, the movement trace of a soldier on operation in a battle field, can be determined in advance. In this paper, we propose a Predictable Mobility-based Data Dissemination protocol (PMDD) that enables data to directly route from source nodes to moving sinks by taking into consideration redictable movement behavior of the sinks. We also compare the performance of the PMDD with those of other dissemination protocols with random movement behavior of the sinks, and show the superiority of the PMDD based on network lifetime, data delivery ratio, and delay latency. 무선 센서 망에서 이동성 지원을 위한 많은 데이터 전달 프로토콜들이 군이들이나 구조원과 같은 싱크의 이동 궤적이 랜덤한다는 가정 아래서 디자인되어왔다. 하지만, 많은 응용에서, 예를 들면 전쟁 지역에서 작전 상황 중의 군인의 이동 궤적과 같은, 싱크의 이동성은 미리 결정될 수 있다. 본 논문에서, 우리는 싱크들의 예측 가능한 이동성을 고려하여 소스 노드로부터 이동하는 싱크까지 데이터를 우회없이 직접 전달할 수 있는 예측 가능한 이동성 기반 데이터 전달 프로토콜을 제안한다. 또한, 우리는 성능 평가를 위해 싱크의 랜덤한 이동성 기반의 기존의 데이터 전달 프로토콜들과 우리의 제안 프로토콜을 비교하고 네트워크 수명, 데이터 전송률 그리고 전송 지연의 성능 인자를 가지고 제안 프로토콜의 향상성을 증명한다.

확장된 관계 데이타베이스 관리 시스템의 추론지원을 기반으로한 전문가 시스템

이준석 東國大學校 1989 국내석사

전통산업 고도화를 위한 데이터 기반 R&D 지원정책

황순욱 부경대학교 대학원 2020 국내박사

The traditional industries have played an important role in the South Korean economies in the past several decades, but it currently faces the limitations of growth potential and profitability due to saturated world market and rapid changes in the global industrial ecosystem. Central and local governments have suggested solutions for the industry, but they are just temporary prescriptions. There are rarely any studies taking strategic approaches to the problem. If governments can support the companies that are likely to increase their value-added selectively, it will break through the current situation more effectively. Therefore, this paper studied the data-based improved plan for the governmental funding policy of SMEs to support innovative activities. In particular, we have been studied in data-based support methods to induce traditional industries to transform them into high-value-added through SME R&D funding policy. And the fishery industry, which is one of the traditional industries centered in the Southeast area in Korea, was selected as the target industry. An exploratory study was conducted to examine the applicability of other traditional industries by constructing a data-driven method that induces an industrial transformation for the fishery industry. Firstly, This paper introduces a study on the selection method utilizing data envelopment analysis (DEA) to find SMEs with the potentials to increase profits and growth. We suggest selecting SMEs with high management efficiency and the ability to utilize intangible assets as the target companies. We also suggest policy objectives for SMEs in the domestic fisheries industry based on the results of DEA analysis and propose a data-based method for the policy decisions. Secondly, for resource allocation based on evidence to induce effective and efficient innovation, this research examined the patent patterns in major fisheries industry countries and the inter-relationship and convergence between technologies. We obtained patent information from Espacenet DB. We applied the association rule mining to IPC code to examine innovation trends and convergence patterns to understand the convergence characteristics of the technology. Through reviewing the effects of the association rule mining, they propose consequences for fisheries R&D strategies to improve Korean fisheries' competitiveness. Based on the research results, a practical and strategic method for flexibly converting to a new industry based on the infrastructure of the traditional fisheries industry through efficient investment by the government was suggested, and the applicability and feasibility of other traditional industries were explored.

초등 담임교사의 생활지도 및 상담을 위한 비정형 데이터 기반 의사결정 지원 시스템 설계 및 개발

박새연 이화여자대학교 교육대학원 2026 국내석사

Recently, Data-Driven Decision Making (DDDM) has emerged as a key strategy for increasing organizational effectiveness in various fields (Kim & Han, 2024). In the education sector, institutional and technical foundations based on data are being actively established to enhance the effectiveness of educational policies and support the growth and development of individual students. The use of large-scale data collected at the national level is actively encouraged to determine the direction of educational policies and solve various educational problems (Harrington et al., 2016). However, current discussions on data-driven decision-making in Korea reveal several limitations. First, existing studies have mainly focused on data utilization at the macro level of the nation or offices of education, or the meso level centered on school administration (UNESCO, 2020). While this is effective for establishing educational policies, it does not provide practical help in solving specific problems that teachers and students—the most important subjects of education—face daily in the classroom. In addition, the types of data analyzed and utilized are biased toward structured data such as grades and attendance (Do et al., 2022; Ahn, 2023). These quantitative indicators can identify students' objective academic achievement levels but have difficulty explaining subtle and complex emotional states or peer relationships. Therefore, this study focused on the most micro-level area: student guidance and counseling performed daily by elementary school teachers (Kim, 2021). In school settings, valuable data that can identify students' emotions and behaviors, such as basic survey forms, student reflection papers, peer relationship surveys, and student observation and counseling records, are generated in large quantities. Unfortunately, due to the absence of a system to effectively manage this information, these data are scattered as fragmented files in teachers' handbooks, paper documents, or personal PCs (Lee, 2022). Consequently, teachers tend to rely on heuristics based on their intuition or experience rather than objective evidence when making decisions regarding guidance and counseling (De Corte et al., 2004). Thus, this study aims to support guidance and counseling by building a system that can systematically collect, manage, and utilize unstructured data with such educational value (Ha & Ahn, 2019). Beyond simply digitizing and storing materials, this study intends to structure data into information and knowledge that teachers can utilize based on AI technologies such as Natural Language Processing (Papadogiannis et al., 2024) and Social Network Analysis (Han, 2023). This will reduce teachers' workload while supporting professional and reliable data-based guidance and counseling. Accordingly, the research questions set in this study are as follows. Research Question 1. What are the design elements and design principles of a system that supports teachers' decision-making based on unstructured data? Research Question 2. How is the prototype of the system that supports teachers' decision-making based on unstructured data implemented? Research Question 3. What is the teachers' acceptance of the system that supports teachers' decision-making based on unstructured data? To derive the results for the above research questions, this study proceeded with four phases: analysis, design, development, and evaluation, following the design and development research methodology of Richey and Klein (2014). In the process of each phase, key elements of User-Centered Design (UCD) by Gulliksen et al. (2003) were reflected to maximize usability for elementary school homeroom teachers, who are the users of this system. In the analysis phase, the theoretical background for system design was structured through a review of prior literature on unstructured data and data-driven decision-making, and an analysis of educational support system cases. In addition, interviews with elementary education experts were conducted to confirm teachers' needs for the utilization of unstructured data in the process of guidance and counseling. In the design phase, 6 design elements and 20 design principles were derived based on the literature and case analysis and needs analysis conducted previously. Furthermore, a system function flow chart and system utilization scenarios were derived to design the actual system based on these design principles. Based on the designed content, an initial prototype in the form of a web-based application was developed using Google AI Studio, a browser-based integrated development environment, and the Gemini API. Afterward, a formative evaluation focused on task resolution was conducted with four elementary school homeroom teachers. Based on the think-aloud method, the evaluation process was transcribed and open-coded to derive positive feedback, problems, and improvements. These were applied to derive the final prototype, and a summative evaluation was conducted using the Technology Acceptance Model (TAM) by Davis (1989) with 114 teachers to understand the system acceptance of field teachers. Through the evaluation, the system's perceived usefulness, perceived ease of use, and behavioral intention to use were measured, and the evaluation responses were quantitatively analyzed through correlation analysis and multiple regression analysis. The results of this study derived through this process are as follows. First, by synthesizing the results of literature and case analysis and expert interviews, 6 design elements (data collection/structuring, integration/visualization, AI decision support, user-centered design, professionalism enhancement, ethics/security) and 20 design principles for an unstructured data-based decision support system were derived. Major principles include the 'Principle of Diversification of Data Collection' (Bowers, 2021), which reduces teachers' input burden by conveniently collecting various forms of data within the system without a separate conversion process, and the 'Principle of Data Integration' (Jo, 2014), which supports teachers in comprehensively understanding students by gathering scattered data sources in one place. In particular, the 'Principle of Teacher-Led Decision Making,' emphasized during the expert interview process, clarified that AI should perform an auxiliary role of assisting teachers' professional judgment by presenting the basis for analysis, rather than making decisions on their behalf (Leong & Zhang, 2025). In addition, as sensitive student data is handled, the 'Principle of Personal Information and Data Security' was reflected throughout the system and made a core of the design. Second, the final prototype implementing the above principles provides functions optimized for teachers' actual counseling and guidance workflow. The system consists of a cyclical stage of data collection/structuring - data exploration/interpretation - decision support - professionalism enhancement - evaluation and feedback. In the 'Data Collection/Structuring' stage, surveys can be created and responses collected, and if paper-based reflection papers or counseling and observation records are input as voice or photos, AI structures and saves them as text. In the 'Data Exploration/Interpretation' stage, the results of the student peer relationship survey are visualized as a social network graph, and AI summarizes and analyzes the input data. In the most critical 'Decision Support' stage, an 'AI Comprehensive Report' that explains the student's current status and causes by comprehensively analyzing all accumulated data can be generated. In addition, 'Counseling Scenarios' that support the student and parent counseling process can also be generated. To address privacy concerns raised during the formative evaluation, a consent management function for providing information was added, and a more convenient interface was built to enhance the system's suitability for the field. Third, the summative evaluation results showed that teachers had a high level of acceptance of this system. The analysis of the response results showed high levels of 4 points or more out of 5 for Perceived Usefulness (M=4.14), Perceived Ease of Use (M=4.27), and Behavioral Intention to Use (M=4.07). In particular, multiple regression analysis revealed that 'Perceived Usefulness' had a stronger influence on the intention to use than 'Perceived Ease of Use' (β=.719). This suggests that teachers want tools that provide practical help in their inherent duties of student guidance and counseling, rather than simply tools that are easy to use. In addition, the group of mid-career teachers with 10 to 20 years of teaching experience showed the highest perception of usefulness, indicating that teachers with such experience play a key role in student guidance and most acutely feel the need for data-based support. On the other hand, the group with low personal innovativeness showed relatively lower acceptance, confirming the need for training and support for them when introducing the system in the future. Based on this, this study has the following academic and practical significance. First, it confirmed the educational value of unstructured data such as student reflection records, counseling records, and observation records, and established specific design principles for utilizing them. Second, it designed a data-based decision support model optimized for the context of the school field based on principles such as 'Ethics/Security' and 'Teacher Agency.' Third, it presents practical alternatives to solve data fragmentation and administrative burden in school settings (Lee, 2022), allowing teachers to reduce administrative consumption and focus on the essence of education. Fourth, it contributes to protecting teachers' authority and building trust with parents by enabling evidence-based guidance and counseling. Fifth, the validity of the system and teachers' acceptance were verified through user-centered design and mixed research methods. However, this study has the following limitations. First, since the prototype of this study was evaluated based on simulated data created by the researcher, it is difficult to perfectly guarantee the analysis accuracy for the complex and unrefined data of actual classrooms. Second, the subjects of the summative evaluation consisted of teachers who participated voluntarily, so there is a possibility that it was biased toward a group with high personal innovativeness and active in utilizing digital tools. Third, the effectiveness of long-term use of the system on teachers and students could not be verified. Fourth, there were limitations in specifically resolving legal and technical issues related to API operating costs or the processing of sensitive information that may arise when introduced to actual school sites. Suggestions to supplement these limitations and advance the research are as follows. First, follow-up research is needed to verify longitudinal effectiveness through pilot application in actual school sites. Second, measures for linkage with public education platforms such as NEIS should be sought at the policy level to reduce teachers' workload and efficiently manage data. Third, it is urgent to prepare specific AI ethics guidelines and legal grounds for the utilization of unstructured educational data. 최근 다양한 분야에서 데이터 기반 의사결정(Data Driven Decision Making, DDDM)은 조직의 효과성 증대를 위한 핵심 전략으로 부상하고 있다(김지현&한진영, 2024). 교육 분야에서도 교육 정책의 효과성을 높이고, 학생 개개인의 성장과 발달을 지원하기 위해 데이터를 기반으로 한 제도적·기술적 기반 마련이 활발하게 이루어지고 있다. 국가적으로 수집되는 대규모의 데이터를 활용하여 교육 정책의 방향을 결정하고, 다양한 교육적 문제를 해결하기 위한 시도가 적극 장려되고 있다(Harrington et al., 2016). 하지만 현재 국내에서 이루어지는 데이터 기반 의사결정 관련 논의를 살펴보면 몇 가지 한계점이 발견된다. 우선, 기존의 연구들은 주로 국가나 교육청 단위의 거시적 차원이나 학교 행정 중심의 중간 차원의 데이터 활용에 집중되어 있다(UNESCO, 2012). 이는 교육 정책을 수립하는 데는 유효하나, 정작 교육의 가장 중요한 주체인 교사와 학생이 교실에서 매일 마주하는 구체적인 문제들을 해결하는 데는 실질적인 도움을 주지 못하고 있다. 또한 분석 및 활용하는 데이터의 종류 또한 성적, 출결 등과 같은 정형 데이터에 치우쳐져 있다는 한계가 존재한다(도재우 외, 2022; 안성훈, 2023). 이러한 정량적 지표들은 학생들의 객관적인 학업 성취 수준 등은 파악할 수 있으나, 미묘하고 복잡한 정서 상태나 교우 관계 등은 설명하기 어렵다. 이에 본 연구에서는 초등학교 교사가 매일 수행하는 생활지도와 상담이라는 가장 미시적인 영역에 집중하였다(김광수, 2021). 학교 현장에서는 기초조사서, 학생 성찰문, 교우관계 조사서, 학생 관찰 및 상담 기록 등과 같이 학생의 정서와 행동에 대해 파악할 수 있는 가치 있는 데이터가 많이 생성된다. 하지만 안타깝게도 이러한 정보들을 효과적으로 관리할 수 있는 시스템이 부재하여, 데이터는 교사의 업무 수첩이나 종이 문서, 개인 PC의 파일들로 파편화된 채 흩어져있다(이종현, 2022). 이로 인해 교사들은 객관적인 증거보다는 자신의 직관이나 경험에 기반한 휴리스틱스에 의존하여 생활지도 및 상담에 관한 의사결정을 내리게 된다(De Corte et al., 2004). 따라서 본 연구는 이러한 교육적 가치를 지닌 비정형 데이터를 체계적으로 수집 및 관리하고 활용할 수 있는 시스템을 구축하여 생활지도와 상담을 지원하고자 한다(하만석, 안현철, 2019). 단순히 자료들을 디지털화하여 저장하는 것을 넘어, 자연어 처리(Papadogiannis et al., 2024), 사회연결망 분석(한수정, 2023) 등과 같은 AI 기술을 기반으로 데이터를 교사가 활용할 수 있는 정보와 지식으로 구조화하고자 한다. 이를 통해 교사의 업무 부담을 줄이는 동시에, 데이터에 근거한 전문적이고 신뢰성 있는 생활지도와 상담이 가능하도록 지원할 수 있을 것이다. 이에 본 연구에서 설정한 연구 문제는 다음과 같다. 연구 문제 1. 비정형 데이터를 기반으로 교사의 의사결정을 지원하는 시스템의 설계 요소와 설계 원리는 무엇인가? 연구 문제 2. 비정형 데이터를 기반으로 교사의 의사결정을 지원하는 시스템의 프로토타입은 어떻게 구현되는가? 연구 문제 3. 비정형 데이터를 기반으로 교사의 의사결정을 지원하는 시스템에 대한 교사들의 수용도는 어떠한가? 위 연구 문제의 결과를 도출하기 위해 본 연구는 Richey와 Klein(2014)의 설계·개발 연구 방법론에 따라 분석, 설계, 개발 및 평가의 4단계를 진행하였다. 각 단계를 진행하는 과정에서는 본 시스템의 사용자인 초등학교 담임교사의 사용성을 극대화하고자 Gulliksen 외(2003)의 사용자 중심 설계(Use Centered Design, UCD)의 핵심 요소를 반영하였다. 분석 단계에서는 비정형 데이터와 데이터 기반 의사결정에 대한 선행 문헌 고찰, 교육 지원 시스템 사례 분석을 통해 본 시스템 설계를 위한 이론적 배경을 구조화했다. 또한 초등 교육 전문가와의 면담을 수행하여 생활지도 및 상담의 과정에서 비정형 데이터의 활용에 대한 교사들의 요구를 확인하였다. 설계 단계에서는 앞서 진행한 문헌 및 사례 분석과 요구 분석을 바탕으로 6개의 설계 요소와 20개의 설계 원리를 도출하였다. 또한 이 설계 원리를 바탕으로 실제 시스템을 설계하기 위한 시스템 기능 흐름도와 시스템 활용 시나리오를 도출하였다. 설계된 내용을 바탕으로 브라우저 기반의 통합 개발 환경인 Google AI Studio와 Gemini API를 활용하여 웹 기반 어플리케이션 형태의 초기 프로토타입을 개발하였다. 이후 4인의 초등학교 담임교사를 대상으로 과업 해결 중심의 형성평가를 실시하였다. 사고 구술법을 바탕으로 평가 수행 과정을 전사 및 개방 코딩하여 긍정적 피드백과 문제점 및 개선사항을 도출하였다. 이를 적용하여 최종 프로토타입을 도출하였고, 현장 교사들의 시스템 수용도를 파악하고자 교사 114명을 대상으로 Davis(1989)의 기술수용모델(Technology Acceptance Model, TAM)을 활용한 총괄평가를 수행하였다. 평가를 통해 시스템의 유용성, 용이성, 사용 의도를 측정하였고 상관분석, 다중회귀분석 등을 통해 평가 응답을 양적으로 분석하였다. 이러한 과정을 거쳐 도출한 본 연구의 결과는 다음과 같다. 첫째, 문헌 및 사례 분석, 전문가 면담 결과를 종합하여 비정형 데이터 기반 의사결정 시스템을 위한 6개의 설계 요소(데이터 수집·구조화, 통합·시각화, AI 의사결정 지원, 사용자 중심 설계, 전문성 강화, 윤리·보안)와 20개의 설계 원리를 도출하였다. 주요 원리로는 다양한 형태의 데이터를 별도의 변환 과정 없이 시스템 내에서 편리하게 수집하여 교사의 입력 부담을 줄이는‘데이터 수집 다양화의 원리’와 분산된 데이터 소스를 한 곳으로 모아 교사가 종합적으로 학생을 파악할 수 있도록 지원하는 ‘데이터 통합의 원리’가 있다. 특히, 전문가 면담 과정에서 강조된 ‘교사 주도적 의사결정의 원리’는 AI가 결정을 대신하는 것이 아니라, 분석의 근거를 제시하여 교사의 전문적 판단을 돕는 보조 역할을 수행해야 함을 명확히 하였다. 또한 학생의 민감한 데이터를 다루는 만큼 ‘개인정보 및 데이터 보안의 원리’를 시스템 전반에 반영하고 설계의 핵심으로 삼았다. 둘째, 위의 원리를 구현한 최종 프로토타입은 교사의 실제 상담과 생활지도 업무 흐름에 최적화된 기능을 제공한다. 시스템은 데이터 수집·구조화- 데이터 탐색·해석- 의사결정 지원- 전문성 강화- 평가 및 피드백의 순환적 단계로 구성된다. ‘데이터 수집·구조화’ 단계에서는 설문을 생성하고 응답을 수집할 수 있으며, 종이로 된 성찰문이나 상담 및 관찰 기록을 음성이나 사진으로 입력하면 AI가 텍스트로 이를 구조화하여 저장한다. ‘데이터 탐색·해석’ 단계에서는 학생들의 교우관계 설문 결과를 사회연결망 그래프로 시각화하고, AI는 입력된 데이터를 요약 및 분석한다. 가장 핵심적인 ‘의사결정 지원’단계에서는 누적된 모든 데이터를 종합적으로 분석하여 학생의 현재 상태와 원인 등을 설명하는 AI 종합 리포트를 생성할 수 있다. 또한 학생과 학부모 상담 과정을 지원하는 상담 시나리오 또한 생성할 수 있다. 형성평가 과정에서 제기된 개인정보 우려를 해소하기 위해 정보 제공 동의 관리 기능을 추가하고, 보다 편리한 인터페이스를 구축함으로써 시스템의 현장 적합성을 높였다. 셋째, 총괄평가 결과 교사들은 본 시스템에 대해 높은 수용도를 보였다. 응답 결과를 분석한 결과, 유용성(M=4.14)과 지각된 용이성(M=4.27), 사용 의도(M=4.07) 모두 5점 만점에 4점 이상의 높은 수준을 나타냈다. 특히, 다중회귀분석을 했을 때 시스템의 '지각된 용이성'보다는 '지각된 유용성'이 사용 의도에 더 강력한 영향을 미치는 것으로 나타났다(β=.719). 이는 교사들이 단순히 사용하기 편한 도구보다 학생 지도와 상담이라는 본연의 업무에 실질적인 도움을 주는 도구를 원한다는 것을 시사한다. 또한 교직 경력 10~20년 차의 중견 교사 집단에서 유용성 인식이 가장 높게 나타났는데, 이는 해당 경력의 교사들이 학생 지도 업무의 핵심 역할을 수행하며 데이터 기반 지원의 필요성을 가장 절감하고 있음을 보여준다. 반면, 개인 혁신성이 낮은 집단은 수용도가 상대적으로 낮아, 향후 시스템 도입 시 이들에 대한 연수와 지원이 필요함을 확인하였다. 이를 바탕으로 본 연구는 다음과 같은 학술적, 실천적 의의를 지닌다. 첫째, 학생의 성찰 기록, 상담 기록, 관찰 기록 등과 같은 비정형 데이터의 교육적 가치를 확인하고 이를 활용하기 위한 구체적인 설계 원리를 정립하였다. 둘째, ‘윤리·보안’과 ‘교사 주도성’과 같은 원칙을 기반으로 하여 학교 현장의 맥락에 최적화된 데이터 기반 의사결정 지원 모형을 설계하였다. 셋째, 학교 현장의 데이터 파편화와 행정 업무 부담을 해결할 수 있는 실천적 대안을 제시하여, 교사의 행정적 소모를 줄이고 교육의 본질에 집중할 수 있게 한다. 넷째, 증거 기반의 생활지도와 상담을 가능하게 하여 교권을 보호하고 학부모와의 신뢰를 구축하는 데 기여한다. 다섯째, 사용자 중심 설계와 혼합 연구 방법을 통해 시스템의 타당성과 교사들의 수용도를 검증하였다. 그러나 본 연구는 다음과 같은 한계점을 지닌다. 첫째, 본 연구의 프로토타입은 연구자가 제작한 모의 데이터를 기반으로 평가되었기에, 실제 교실의 복잡하고 정제되지 않은 데이터에 대한 분석 정확도를 완벽하게 담보하기 어렵다. 둘째, 총괄평가 대상은 자발적으로 참여한 교사들로 구성되어 있고 표본이 작아, 개인 혁신성이 높고 디지털 도구 활용에 적극적인 집단으로 편중되었을 가능성이 있다. 셋째, 시스템의 장기적인 사용이 교사와 학생에 미치는 효과성은 검증하지 못하였다. 넷째, 실제 학교 현장에 도입할 경우에 발생할 수 있는 API 운영 비용이나 민감 정보의 처리와 관련된 법적·기술적 문제를 구체적으로 해결하는 데는 한계가 있었다. 이러한 한계점을 보완하고 연구를 발전시키기 위한 제언은 다음과 같다. 첫째, 실제 학교 현장에 시범 적용을 통해 종단적인 효과성을 검증하는 후속 연구가 필요하다. 둘째, 교사의 업무 경감과 데이터의 효율적 관리를 위해 나이스(NEIS) 등의 공공 교육 플랫폼과 연동 방안이 정책적으로 모색되어야 한다. 셋째, 비정형 교육 데이터 활용을 위한 구체적인 AI 윤리 가이드라인과 법적 근거 마련이 시급하다. 본 연구는 비정형 데이터를 기반으로 교사의 전문적 의사결정을 지원하는 시스템을 통해 교육 현장의 디지털 전환과 교육 본질 회복을 위한 실천적 토대를 마련하였다. 향후 본 시스템이 교사의 행정 부담을 경감하고 데이터 기반의 타당한 학생 지도를 지원함으로써, 교육 주체 간의 신뢰를 구축하고 학생의 전인적 성장을 돕는 핵심 도구로 기능하기를 기대한다.

다단계 요약 및 검색 기반 추론 기능을 가진 그룹 메시징 서비스에 관한 연구

와휴타마, 아리아 비스마 국립창원대학교 2026 국내박사

최근 생성형 인공지능(Generative AI) 기술의 급속한 발전에 따라 기업, 교육, 연구 등 다양한 협업 환경에서 대화형 AI 도구의 활용이 빠르게 확산되고 있다. 그러나 대부분의 상용 대화형 AI 서비스는 클라우드 기반으로 동작하기 때문에 개인정보 유출 위험이 존재하며, 장기간의 대화 맥락을 유지하기 어렵고, 동일한 그룹 채팅 환경 내에서 사용자별 사적 질의(Private Query)를 안전하게 처리하는 데 한계가 있다. 또한 기존 협업 플랫폼에 통합된 AI 기능들은 단순 요약이나 키워드 추출 수준에 머무르는 경우가 많아, 대화 문맥에 기반한 정교한 검색 기능(Retrieval-Augmented Generation, RAG)이나 문서 기반 근거 생성 기능을 통합적으로 제공하지 못한다는 문제점을 지닌다. 이러한 한계를 극복하고 그룹 메시징 시스템이 실질적인 지능형 협업 도구로 발전하기 위해서는, 클라우드 의존 없이 동작 가능한 완전 로컬(Local-first) 구조와 프라이버시 보호, 장기 대화 기억, 근거 기반 추론, 다단계 요약 기능을 통합적으로 제공하는 새로운 아키텍처가 요구된다. 본 논문에서는 이러한 요구를 충족하기 위해 완전 로컬 환경에서 동작하는 대형 언어 모델(Large Language Model, LLM) 기반 지능형 그룹 메시징 플랫폼을 제안한다. 제안 시스템은 (1) 프라이버시 보호를 위한 개인 응답 기능(Private Query), (2) 대규모 대화 이력을 FAISS(Facebook AI Similarity Search) 기반 벡터 데이터베이스로 저장·검색하는 대화 기반 RAG, (3) 업로드된 문서를 지식으로 변환하여 근거 중심 답변을 제공하는 문서 기반 RAG, 그리고 (4) 대화 내용을 Basic, Intermediate, Advanced의 세 단계로 자동 요약하는 다단계 요약(Multi-Level Summarization) 기능을 통합한 새로운 형태의 그룹 메시징 지능 플랫폼이다. 시스템의 가장 큰 특징은 모든 LLM 추론과 대화·문서 임베딩이 사용자 로컬 장치(CPU 또는 GPU)에서 수행되며, 외부 네트워크로 데이터가 전송되지 않는 완전한 오프라인 환경을 제공한다는 점이다. 첫 번째 핵심 기술은 그룹 채팅 내에서 개인화된 AI 응답을 제공하는 Private Query(PQ) 기능이다. 기존 메시징 도구에서는 AI 응답이 모든 사용자에게 공개되어 대화 흐름을 방해하거나 개인 질의 수행이 어려운 문제가 있었다. 본 연구에서는 @aria/ 명령어를 통해 사용자가 그룹 채팅 내에서 자연스럽게 AI에게 질문하되, 생성된 응답이 privateTo 필드를 통해 요청자에게만 전달되도록 구현하였다. 이 기능은 Socket.IO 기반의 개인 세션 전달 구조와 MongoDB의 조건부 필드 관리 방식을 결합하여 실시간 비공개 AI 상호작용을 안전하게 제공한다. 성능 평가 결과, Windows 기반 GPU 환경에서 평균 30–90 ms의 TTFT(Time To First Token)와 약 700–800 ms 수준의 TTFR(Time To Full Response)을 기록하여 매우 우수한 실시간 응답성을 확인하였다. 두 번째 핵심 기술은 대규모 대화 이력에 기반한 대화 기반 RAG(Conversation-based RAG) 기능이다. 일반적인 LLM은 컨텍스트 윈도우 제한으로 인해 긴 대화 기록을 모두 활용하기 어렵지만, 본 시스템은 @aria-save 명령을 통해 모든 대화를 구글 AI에서 지원하는 대규모 고차원 벡터 데이터의 유사도 검색 및 클러스터링을 지원하는 FAISS 벡터 데이터베이스로 임베딩하여 장기 기억 구조를 구축한다. 이후 사용자가 @aria-chat/ 질의를 입력하면, 시스템은 의미적으로 관련된 메시지를 빠르게 검색하여 근거 기반 응답을 생성한다. 제안된 RAG는 의미 기반 검색과 재정렬을 결합한 다단계 검색 구조를 사용하며, 10,000개 이상의 메시지가 저장된 환경에서도 검색 지연 시간이 70 ms 미만으로 유지됨을 확인하였다. 또한 인적 평가 기반 문답 정확도 실험 결과, Qwen 3 (8B) 모델은 최대 0.85의 의미적 정확도와 0.84–0.87 범위의 Faithfulness Score를 기록하여 안정적인 사실 기반 응답 성능을 보였다. 세 번째 핵심 기술은 문서 기반 RAG(Document-based RAG) 기능으로, 사용자가 업로드한 PDF 문서를 자동으로 분할·임베딩하여 지식 저장소로 변환한다. @aria-doc/ 명령을 통해 문서 기반 질의를 수행하면 FAISS, BM25, 재정렬 모듈을 결합한 하이브리드 검색을 거쳐 근거 중심의 답변이 생성된다. 성능 평가 결과, 문서 기반 RAG는 Recall@10 = 0.82, MRR@10 ≈ 0.92를 달성하여 높은 검색 정확도와 순위 안정성을 보였다. 다만 생성형 모델의 특성상 답변이 상대적으로 서술적으로 생성되는 경향이 있어, 엄격한 추출 기반 평가를 수행한 일부 기존 연구에 비해 Faithfulness Score가 다소 낮게 나타나는 특성을 확인하였다. 네 번째 핵심 기술은 대화 내용을 구조화된 보고서 형태로 자동 생성하는 다단계 요약 기능(Multi-Level Summarization, MLS)이다. 요약은 Basic, Intermediate, Advanced의 세 단계로 제공되며, 사용자는 목적에 따라 요약 수준을 선택할 수 있다. 특히 Advanced 모드는 발화자 기반 분석, 시간 순 구조화, 결정 사항 및 Action Item 도출을 포함한 고도화된 문서형 보고서를 자동 생성하며 PDF 형태로 제공된다. ROUGE 평가 결과, Qwen 3 (8B) 모델은 ROUGE-1 = 0.5856, ROUGE-Lsum = 0.5506의 높은 성능을 기록하였다. 또한 Gemini를 활용한 외부 LLM 기반 의미 평가에서도 Factuality 4.77점, Overall Quality 4.82점을 달성하여 실제 회의 요약에 준하는 품질을 확보하였다. 제안한 시스템은 MERN 구조(React, Node.js, Express, MongoDB)를 기반으로 구현되었으며, FAISS는 Python 기반 마이크로서비스로 독립 실행되고, LLM 추론은 Ollama 기반 로컬 모델을 통해 수행된다. 실험은 MacBook M4 환경과 RTX 4090 GPU를 장착한 Windows 환경에서 수행되었으며, 모든 기능이 온라인 연결 없이 안정적으로 동작함을 확인하였다. 본 논문에서 제안한 로컬 기반 LLM 그룹 메시징 시스템은 협업 환경에서의 프라이버시 문제를 근본적으로 해결하고, 장기 대화 기억, 문서 기반 근거 생성, 다단계 요약 기능을 통합하여 지능형 협업 도구의 새로운 방향을 제시한다. Private Query 기능은 그룹 대화를 방해하지 않으면서 사용자 개별 지식 요구를 처리할 수 있도록 하며, 대화 및 문서 기반 RAG 기능은 팀의 축적된 지식을 실시간으로 검색·활용 가능하게 하여 협업 생산성을 향상시킨다. 또한 다단계 요약 기능은 회의 기록 자동화와 문서화 업무를 크게 간소화함으로써 향후 다양한 협업 환경에서 높은 활용 가능성을 지닌다.