생성형 AI를 활용한 전시 제안서의 기능 영역별 생성 주체와 역할 분담 구조 분석- 수업 기반 학생 제안서와 실무 제안서의 비교를 중심으로 - = Authorship and Division of Labor Across Functional Domains in Generative AI-Assisted Exhibition Proposals - A Comparison of Course-Based Student Proposals and Professional Proposals -

국문 초록 (Abstract)

본 연구는 생성형 AI를 활용한 전시 제안서에서 기능 영역별 생성 주체와 역할 분담 구조가 어떻게 나타나는지를 분석하고, 수업 기반 학생 제안서와 실무 제안서의 차이를 밝히는 데 목적이 있다. 이를 위해 학생 제안서 3편과 실무 제안서 3편을 대상으로 조사·분석, 개념·콘셉트·서사, 공간·시각화의 공통 영역과 실행·운영의 실무 확장 영역을 구분하여 내용분석을 수행하였다. 각 구성 요소는 AI 단독 생성, 인간-AI 협업 생성, AI 결과물의 인간 수정, 인간 단독 작성으로 코딩하였다. 분석 결과, 학생 제안서에서는 AI 단독 생성과 인간-AI 협업 생성의 비중이 높았고, 실무 제안서에서는 인간 단독 작성과 AI 결과물의 인간 수정 비중이 상대적으로 높게 나타났다. 특히 공간·시각화 영역에서 학생은 협업 생성, 실무는 인간의 직접 작성과 수정이 두드러져 가장 큰 차이를 보였다. 이는 생성형 AI가 교육 맥락에서는 인지 오프로딩과 분산 인지의 자원으로, 실무 맥락에서는 메타인지적 점검과 창작 전문성에 의해 통제되는 보조 자원으로 작동함을 시사한다. 본 연구는 생성형 AI 활용을 결과물의 우열이 아니라 기능 영역별 역할 분담 구조의 차이로 설명하고, 전시디자인 교육과 실무의 차이를 이해하기 위한 시사점을 제시하였다는 점에서 의의를 가진다.

다국어 초록 (Multilingual Abstract)

This study aims to analyze how authorship and division of labor are distributed across functional domains in exhibition proposals produced with generative AI, and to identify the differences between course-based student proposals and professional proposals. To this end, content analysis was conducted on three student proposals and three professional proposals by distinguishing three common domains—research and analysis, concept and narrative, and spatial visualization—and one professional-only extended domain, implementation and operations. Each component was coded into four categories: AI-only generation, human–AI collaborative generation, human revision of AI output, and human-only production. The results showed that student proposals had higher proportions of AI-only generation and human–AI collaborative generation, whereas professional proposals showed relatively higher proportions of human-only production and human revision of AI-generated output. The largest difference appeared in the spatial visualization domain, where collaborative generation was more prominent in student proposals, while direct human production and revision were more prominent in professional proposals. These findings suggest that generative AI functions as a resource for cognitive offloading and distributed cognition in educational contexts, whereas in professional contexts it operates as an auxiliary resource that is more strongly regulated through metacognitive monitoring and creative expertise. This study is significant in that it explains generative AI use not in terms of the superiority of outputs, but in terms of differences in role distribution across functional domains, and offers implications for understanding the gap between exhibition design education and professional practice.