AI 학습 알고리즘 형태가 사용자의 AI 추천 시스템 사용 의도에 미치는 영향 = Impact of AI Learning Algorithms on Users’ Intention to Use AI Recommendation Systems

국문 초록 (Abstract)

인공지능 및 기타 신기술의 급속한 발전으로 인공지능은 국가와 업계에서 점점 더 많은 관심을 받고 있다. AI 기술 기반의 맞춤화된 추천은 기업 및 플랫폼이 소 비자에게 제안을 제공하는 일반적인 방법이 되었다. 그리고 효과적인 맞춤화 추 천을 위해서는 소비자의 정보를 수집하는 것이 필요하다.현재 주요 데이터 수집 방법으로는 콘텐츠 기반 추천 알고리즘(CB)과 과거 행동에 기반한 필터링 협업 알고리즘(CF)이 있다. 콘텐츠 기반 추천 알고리즘 CB는 사용자와 특정 항목 간 의 유사성을 분석하는데 초점을 맞추고, 행동 기반 협업 필터링 알고리즘 CF는 사용자의 과거 상호작용과 행동 패턴에 초점을 맞춘다. 기존 학계에서의 연구는 인공지능 맞춤화 추천의 알고리즘 구현이나 단일 알고리즘 추천 시스템이 사용자 경험과 소비자 의사결정에 미치는 영향에 더 초점을 맞춘 반면, 사용자 인식 관 점에서 두 가지 추천 알고리즘인 CB와 CF가 추천 시스템에 대한 사용자 만족도 및 지속적 사용 의도에 미치는 영향을 체계적으로 비교한 연구는 거의 이루어지 지 않았다. 본 연구에서는 시스템의 지속적 사용 모델, 기술 수용 모델, 기대 확인 이론 등을 기반으로 다양한 인공지능 추천 알고리즘, 지각된 맞춤화, 지각된 용이성, 지속 사용 의도에 관한 문헌을 검토하여 사용자와 다양한 인공지능 추천 알고리즘 간의 상호작용이 사용자의 추천 시스템 만족도 및 지속적 사용 의도에 미치는 영향에 대한 메커니즘과 이론적 경계를 심층적으로 분석하고자 한다. 본 연구에서는 온라인 설문 플랫폼 '설문지 별'을 기반으로 CB와 CF라는 두 가지 알고리즘의 로직을 시뮬레이션하여 실험을 설계하였다. 실험적인 방식으로 사용자의 데이터를 수집하여 신뢰도 분석, 상관분석, 회귀분석, 매개분석 등을 수행하여 이론적 가설을 SPSS 소프트웨어를 통해 검증하고 다음과 같은 결과를 얻었다. 다음과 같은 분석 결과를 얻었다. 첫째, 지각된 맞춤화 측면에서 CB 알고리즘이 CF 알고리즘에 비해 더 나은 성 능을 나타냈다. 사용자들은 CB 알고리즘 추천 시스템을 이용할 때 추천 콘텐츠가 자신의 관심사와 연관성이 높다고 느껴 지각된 맞춤화 수준이 유의하게 높다고 응답했다. 둘째, CB 알고리즘 기반 추천 시스템은 사용자 만족도와 지속적인 사용 의도 측면에서 CF 알고리즘보다 우수한 성능을 나타냈다. 맞춤화된 추천 수준이 높을 수록 사용자 만족도가 높아지고, 사용자의 지속적인 사용 의도가 높아지는 것을 의미한다. 셋째, CB 알고리즘에 비해 CF 알고리즘은 지각된 용이성 측면에서 더 나은 성 능을 보다 CF 알고리즘은 사용자의 추가 입력 없이도 사용자의 과거 행동 데이 터를 사용하여 추천을 수행함으로써 사용자의 일상 활동에 자연스럽게 통합되어 사용자의 인지 부하를 줄일 수 있기 때문에 사용자는 CF 알고리즘을 더 쉽게 이 해하고 작동할 수 있다고 인식하게 된다. 마지막으로, 어떤 추천 알고리즘을 사용하든 사용자 추천 시스템 만족도 및 지 속적 사용 의도에 측면에서 사용자가 지각된 맞춤화가 사용자가 지각된 용이성보 다 더 중요하다는 것을 알 수 있었다. 이상의 결과를 종합하여 서로 다른 두 인공지능 추천 알고리즘 간의 상호작용 이 사용자 만족도에 미치는 영향과 그 매개 메커니즘을 밝히고, 플랫폼과 기업이 인공지능 추천 알고리즘을 정확하고 효율적으로 적용하기 위한 실현 가능한 전략 적 관리 인사이트를 제공하며, 향후 인공지능 추천 알고리즘의 연구 개발 방향을 구상할 것이다. 키워드: 콘텐츠 기반 알고리즘, 필터링 협업 알고리즘, 지각된 맞춤화, 지각된 용이성, 만족도, 지속적 사용 의도.

목차 (Table of Contents)

• 표 목차 iii
• 그림 목차 iv
• 국문 초록 v
• 제 1 장 서 론 1
• 제 1 절 연구 배경 1
• 제 2 절 연구목적 5
• 제 2 장 이론적 논의 및 선행연구 6
• 제 1 절 인간-컴퓨터 상호작용(Human-Computer Interaction) 6
• 제 2 절 AI 추천 알고리즘 8
• 2.1 추천 알고리즘의 정의 8
• 2.2 추천 알고리즘의 유형 8
• 2.2.1 콘텐츠 기반 알고리즘(CB) 및 구체적인 응용 사례 9
• 2.2.2 협업 필터링 알고리즘(CF)및 구체적인 응용 사례 11
• 2.3 각 추천 알고리즘의 장단점 및 기술 근거 차이 13
• 2.4 마케팅 분야에서 CB 과 CF의 차이점을 비교한 선행연구 15
• 2.4.1 연구 요약 15
• 2.4.2 연구 문제 17
• 제 3 절 기술 수용 모델（TAM） 19
• 3.1 지각된 용이성 20
• 제 4 절 지각된 맞춤화 23
• 제 5 절 기대 확인 이론 27
• 5.1 추천 시스템 사용자 만족도 28
• 제 6 절 지속적 사용 의도 30
• 제 3 장 연구 설계 33
• 제 1 절 연구 가설 33
• 1.1 CB 와 CF 의 상호작용 형태에 대한 사용자 지각된 맞춤화 비교 33
• 1.2 CB 와 CF 의 상호작용 형태에 대한 사용자 지각된 용이성 비교 34
• 1.3 CB 와 CF 의 상호작용 형태에 대한 사용자 만족도 비교 35
• 1.4 CB와 CF의 상호작용 형태에 대한 사용자 지속 사용 의도 비교 36
• 제 2 절 실험 설계 38
• 2.1 실험 목적 38
• 2.2 사전 실험 39
• 2.3 실험 흐름 41
• 2.4 변수의 측정 문항 45
• 제 4 장 연구결과 47
• 제 1 절 조사대상의 인구통계학적 특성 47
• 제 2 절 신뢰성 및 타당성 분석 49
• 제 3 절 상관관계 분석 53
• 제 4 절 연구가설 검증 55
• 제 5 절 매개효과 분석 57
• 제 5 장 결론 59
• 제 1 절 연구결과의 요약 59
• 제 2 절 연구 시사점 60
• 제 3 절 한계점 및 연구 방향 62
• 참고문헌 64
• <부록 1> 74
• <부록 2> 86