예술 창작에서의 인공지능 수용 연구 : 혁신수용이론과 역 튜링테스트를 중심으로

다국어 초록 (Multilingual Abstract)

The term ‘computational creativity’ is being emerged as a subfield of
computer science. It is a movement to solve artistic problems through
artificial intelligence. For artists, a new tool called artificial intelligence is not
yet familiar. So we need to explore how we can embrace this tool in art.
The purpose of this research is to provide timely and meaningful implications
for the artist and the arts community by empirically verifying it from an
academic point of view.
This paper empirically demonstrates the relationship between art and
technology through technology acceptance and art appreciation. First,
in <Study 1>, artificial intelligence acceptance in art is verified based
on innovation acceptance theories and artistic expertise. Second, in
<Study 2>, art appreciation on works generated by artificial
intelligence and created by human artists is verified through ‘Reversed
Turing Test’.
In <Study 1>, ‘artificial intelligence’ was selected as the target
technology to confirm the acceptance of innovation. Many researchers
have already reaffirmed variables such as innovativeness, social
influences, perceived innovation characteristics, and innovation
resistance, which have been proven to influence innovation acceptance.
In addition, this paper introduce a new variable called ‘expertise’ to
examine the impact on innovation acceptance. In this study, in order to
specify the influence of art expertise, the scope of research was
restrained. This study only focus on ‘art expertise’ on ‘acceptance of
artificial intelligence in art creation’.
<Study 2> statistically demonstrates the attitude of art appreciation
on works generated by artificial intelligence. To do this, Deep Dream
Generator from Google was selected as a machine painter. Three
people, who believe themselves as artists, and also were graduated
from art school, were selected as human painters. In order to evaluate
the ability of feature extraction and the quality of artistic value, AI
painter and human painters were invited to ‘Reversed Turing Test’. If
human works are evaluated significantly lower than a machine’s
works, it is regarded as ‘failure to pass the Reversed Turing test’.
<Study 1> has three major results. First, as a result of examining
the effect of innovation variables on acceptance of artificial intelligence
in arts, novelty seeking, subjective norm, social image, and relative
advantage are positively significant, and innovation resistance is
negatively significant. Self-efficacy and perceived risk were
insignificant. Second, as a result of examining the influence of
expertise on acceptance of artificial intelligence in arts, art knowledge
and art experience, which are introduced as variables of expertise in
this study, all have a significant influence on the acceptance of
innovation. Art knowledge is positively significant, and art experience
is negatively significant. Third, as a result of comparing the difference
between the art students and non art students, innovativeness between
art and non art students is not so much different. When it comes to
significantly different variables(novelty seeking, subjective norm,
innovation resistance), the innovativeness of art students was even
relatively lower than non art students. In addition, if art students have
art expertise, it has no effect on accepting artificial intelligence in arts.
On the other hand, when non art students have art expertise, it
influences acceptance of artificial intelligence in arts.
As a result of the analysis of <Study 2>, it was found that the
machine works were significantly higher than the human works in
terms of feature extraction and artistic value, and therefore the human
painters failed to pass the Reversed Turing Test.
Art students are likely to lower their score than non-arts students in
evaluating artistic value. More specifically, art students are likely to lower
the artistic value than the feature extraction, lower the machine’s works than
the human’s.
In <Study 1>, the introduction of 'artistic expertise' variables in the
acceptance of innovation acceptance makes this research distinguishable, and
it seems to be the first research to demonstrate the innovativeness of arts
students toward new technology. As a result of the analysis, it showed that
there is no significant difference in acceptance of artificial intelligence in art
creation between art and non-art students.
Proposing ‘Reversed Turing Test’ makes <Study 2> distinctive from
other studies on Turing Test. Especially, although it is obtained from
a limited experimental environment, it has been shown empirically that
human created artwork can be evaluated lower than machine created
artwork, and that one of the factors affecting aesthetic value can be
feature extraction.

국문 초록 (Abstract)

컴퓨터 과학계를 중심으로 ‘컴퓨테이셔널 크리에이티비티(computational
creativity)’라는 용어가 회자되고 있다. 인공지능을 통해 예술적인 문제를
풀고자 하는 움직임이다. 반면, 예술가에게 인공지능이라는 새로운 도구는
아직 익숙지 않다. 그래서 이 도구를 예술에 어떻게 수용하면 좋을지에
대한 탐색이 필요하다. 이 탐색 과정을 학술적인 관점에서 구체화하고 실
증적으로 검증함으로써, 예술가와 예술계에 시의적절하고 유의미한 시사
점을 제공하고자 하는 것이 이 연구의 배경이자 목표이다.
본 연구는 이를 달성하기 위해 예술에서의 인공지능 수용을 혁신수용이
론과 튜링테스트를 통해 실증한다. 이를 구체화하기 위해 첫째, <연구 1>
에서는 예술에서의 인공지능 수용태도를 혁신수용이론과 예술 전문성을
통해 검증한다. 둘째, <연구 2>에서는 ‘역 튜링테스트’를 통해 인공지능에
의해 생성된 기계작품과 인간작가에 의해 창작된 인간작품에 대해 비교
평가한다.
<연구 1>에서는 ‘인공지능’을 그 대상 기술로 선정하였다. 이미 다수의
연구를 통해 혁신수용에 영향을 미치는 것으로 검증된 소비자의 혁신성,
사회적 영향, 인지된 혁신특성, 혁신저항과 같은 변수들을 재검증하는 한
편, ‘전문성’이라는 변수를 새롭게 도입하여 전문성이 혁신기술수용에 미
치는 영향을 검증한다. 본 연구에서는 예술 전문성이 인공지능이라는 혁
신기술 수용에 미치는 영향을 구체화하기 위하여 ‘미술 전문성’이 ‘미술창
작에서의 인공지능 수용의사’에 미치는 영향으로 연구 범위를 특정하였다.
<연구 2>에서는 인간작가에 의해 그려진 그림과 인공지능에 의해 성생
된 그림에 대한 예술성을 비교 평가한다. 이를 위해 구글의 그림 그리는
인공지능 딥 드림 제네레이터(Deep Dream Generator)를 기계작가로 선정
하고, 미술대학을 졸업한 후 작가로 활동하고 있는 3인을 인간작가로 선
정하여 기계가 그린 작품과 인간이 그린 작품을 비교 평가하는 ‘역 튜링
테스트’를 실시한다. 평가항목은 재료 이미지에 대한 ‘특징추출’과 완성된
그림에 대한 ‘예술성’이다. 만일, 예술성 평가에서 인간작품이 기계작품에
비해 유의하게 낮게 평가될 경우 ‘역 튜링테스트 통과 실패’로 간주한다.
마지막으로, 예술 전문성이 예술 감상에 미치는 영향을 확인하기 위해 미
술 전공생과 비전공생을 비교한다.
<연구 1>의 분석결과는 크게 세 가지다. 첫째, 혁신수용에 영향을 미치
는 것으로 알려진 변수들이 미술창작에서의 인공지능 수용에 미치는 영향
을 검증한 결과, 새로움 추구, 주관적 규범, 사회적 이미지, 상대적 이점은
정의 영향을 미쳤으며, 혁신저항은 부의 영향을 미쳤다. 자기 효능감과 인
지된 위험은 유의한 영향을 미치지 않았다. 둘째, 기존 혁신성 변수에 더
해 이번 연구에서 전문성에 관한 변수로 도입한 미술 전문성이 미술창작
에서의 인공지능 수용의사에 미치는 영향을 검증한 결과, 미술지식은 정
의 영향, 미술경험은 부의 영향을 미쳤다. 셋째, 미술 전공생과 비전공생
의 차이를 기술수용에 대한 혁신성과 미술에 대한 전문성을 중심으로 비
교한 결과, 미술 전공생과 비전공생의 기술수용에 대한 혁신성은 큰 차이
를 보이지 않았다. 또한, 미술 전공생이 미술 전문성을 갖고 있을 경우,
그것은 미술창작에서의 인공지능 수용의사에 영향을 미치지 못했다. 반면
에 비전공생이 미술 전문성을 갖고 있을 경우, 그것은 미술창작에서의 인
공지능 수용의사에 영향을 미쳤다.
<연구 2>의 분석 결과, 기계작품이 인간작품에 비해 특징추출과 예술
성 면에서 모두 통계적으로 유의하게 높은 점수를 받았고, 따라서 인간작
가는 ‘역 튜링테스트’를 통과하는데 실패한 것으로 해석될 수 있다. 미술
전공생은 비전공생에 비해서 예술성 평가를 낮게 하는 경향이 발견되었으
며, 특히 특징추출보다 예술성 점수를 낮게 주었고, 인간작품보다 기계작
품의 점수를 낮게 주었다.
<연구 1>에서 혁신기술 수용 연구에 ‘예술 전문성’ 변수를 도입한 것은
이 연구의 차별점이며, 예술 전공생의 기술수용에 대한 혁신성을 실증한
거의 최초의 연구로 보인다. 분석결과, 미술 전공생과 비전공생 간 미술창
작에서의 인공지능 수용의사에 뚜렷한 차이가 없다는 것을 실증적으로 보
여주었다.
<연구 2>에서 튜링테스트를 변형한 ‘역 튜링테스트’를 제시한 것은 본
연구의 차별점이다. 특히, 제한된 실험 환경에서 얻어진 결과이긴 하나,
예술성 평가에서 인간작품이 기계작품에 비해 낮게 평가받을 수 있다는
것, 예술성에 영향을 미치는 요인 중 하나가 특징추출일 수 있다는 것을
실증적으로 보여주었다.

목차 (Table of Contents)

• I. 서론 1
• 1. 연구의 배경 1
• 2. 연구의 목적 2
• 3. 연구의 대상 4
• 1) 혁신기술로 인공지능을 선정한 이유 5
• 2) 혁신기술의 적용 분야로 미술을 선정한 이유 6
• 4. 연구의 구성 9
• II. 컴퓨테이셔널 크리에이티비티(Computatioanl Creativity) 11
• 1. 기술복제시대에서 자동생성시대로 11
• 2. 컴퓨테이셔널 크리에이티비티와 예술 12
• III. <연구 1> 미술창작에서의 인공지능 수용 영향요인 연구: 혁신수용이론을 중심으로 17
• 1. 연구목적 17
• 2. 이론적 배경 18
• 1) 혁신수용 18
• 2) 전문성과 혁신수용 46
• 3. 연구모형 및 가설 59
• 4. 연구방법 64
• 1) 연구대상 기술 64
• 2) 조작적 정의 65
• 3) 분석방법 68
• 5. 분석결과 68
• 1) 표본의 특성 68
• 2) 신뢰성 분석 69
• 3) 가설 검증 70
• 4) 미술 전공생과 비전공생의 비교 77
• 6. 결론 84
• 1) 요약 84
• 2) 논의 86
• 3) 연구의 한계점 및 제안 88
• IV. <연구 2> 인간작품과 기계작품에 대한 감상 평가 비교: 역 튜링테스트를 중심으로 90
• 1. 연구목적 90
• 2. 이론적 배경 91
• 1) 인공지능과 미술창작 91
• 2) 튜링테스트 107
• 3) 연구문제 119
• 3. 연구방법 120
• 1) 개념 정의 120
• 2) 평가항목 124
• 4. 실험설계 및 수행 126
• 1) 작가의 선정 126
• 2) 그림 그리기 과제 수행 127
• 3) 그림이 그려지는 과정 129
• 4) 그림의 완성 130
• 5) 그림의 평가 131
• 5. 분석결과 132
• 1) 인간작품과 기계작품에 대한 평가결과 비교 132
• 2) 미술 전공생과 비전공생의 평가결과 비교 134
• 6. 결론 139
• 1) 요약 139
• 2) 논의 140
• 3) 연구의 한계점 및 제안 147
• V. 결론 150
• 참고문헌 153
• 부록 1. <연구 1> 설문지 168
• 부록 2. <연구 2> 설문지 171
• 부록 3. <연구 2> 실험 선택안 174
• Abstract 176

참고문헌 (Reference)

1. 신경회로망과 시각정보처리, 김욱현, 이미선 , 손진우, 전자통신동향분석. 8(3). 66-76, , 1993

2. 기술제품의 조직내 혁신저항과 확산에 관한 연구 - 전 사적 자원관리(Enterprise Resource Planning)를 중심으로, 조성도, 연세대 학교 박사학위논문, , 1999