사이버·물리·인간 시스템은 사람의 행동을 감지하고 예측한 뒤 그에 따라 개입하는 폐루프를 구성한다. 사람으로 구성된 팀은 자연스러운 적용 대상이다. 적시에 신호를 보내면 협업이 무너지는 상황을 예방할 수 있기 때문이다. 협업형 혼합 현실에서는 각 헤드셋이 누가 발언하는지, 착용자가 어디를 보는지, 누가 함께 서 있는지 감지하고 가벼운 안내 신호를 전달할 수 있어 이 루프를 구현할 수 있다. 이 루프에서 헤드셋은 센서, 안내 신호는 구동기, 팀은 제어 대상이다. 루프를 닫으려면 적은 수의 팀에서 학습할 수 있을 만큼 작고, 안전하게 반복 수정할 수 있으며, 설계자가 이해할 수 있는 제어 대상 모델이 필요하다. 우리는 팀을 에너지 그릇 안의 공으로 표현하는 ANCHOR를 제안한다. 그릇의 바닥은 팀의 평형점으로, 팀의 최근 행동, 자체 행동 이력, 다른 팀의 행동을 바탕으로 정해진다. 형식적으로 ANCHOR는 매개변수가 52개인 전환형 포트 해밀턴 시스템이며, 각 구성 요소는 팀 심리학의 검증 가능한 주장에 대응한다. 이 구조에서는 매개변수 적합 결과와 관계없이 과제 진행이나 안내 신호가 영향을 줄 때만 예측이 평형점에서 멀어진다. 크기가 제한된 안내 신호를 시간 간격을 두고 제공하면 예측이 이동하는 거리에도 상한이 생긴다. 학습에서 제외한 4인 팀 17개를 평가한 결과, 평소 행동에서 벗어난 팀은 약 30초 안에 평소 상태에 가까워졌다. 32초 후 실제 편차는 약 24%가 남았고, ANCHOR는 30%가 남을 것으로 예측했다. 평형점을 정할 때 세 정보원을 결합하면 하나만 사용할 때보다 예측이 뚜렷이 개선됐다. ANCHOR는 매개변수 약 40,000개를 사용하는 블랙박스 기준선과 비슷한 정확도를 보였다. 대화 단절을 예측한 AUROC는 0.85였다. 안내 신호의 효과를 가정한 시뮬레이션에서는 주기적으로 신호를 보내는 방식보다 신호 한 번당 단절 시간을 2.2배 더 많이 줄였다.
캐나다의 2026년 국가 AI 전략 ‘AI for All’은 모두에게 무료 AI 교육을 제공하고 기업의 AI 도입을 확대하겠다고 약속한다. 이러한 정책이 역량과 여건이 서로 다른 성인에게 닿을지는 예측하기 어렵다. 우리는 다양한 역량을 가진 성인들이 정책에 대한 지지, 효과, 개인적 혜택을 어떻게 평가할지, 역량과 여건이 그 평가에 어떤 영향을 주는지, 실행에 어떤 조건을 요구하는지 살펴봤다. 국제성인역량조사(PIAAC) 2주기 응답자의 가중 표본을 바탕으로 생성형 에이전트 3,200개를 구축했다. 정책 20개에 대한 평가와 그 이유를 수집하고, 서로 다른 평가를 내린 에이전트 간 대화를 분석했다. 에이전트는 거의 모든 정책을 지지했지만, 정책이 성인의 AI 활용 역량을 높이거나 자신에게 혜택을 줄 것이라는 확신은 훨씬 낮았다. 디지털 기술 사용이 적을수록 이 격차는 커졌다. 디지털 기기를 한 번도 사용한 적이 없는 성인을 모델링한 에이전트도 정책을 지지했으나, 혜택을 기대하는 경우는 드물었다. 에이전트는 격차가 참여에 드는 비용, 행사하기 어려운 권리, 제한된 지역사회 통제권에서 비롯된다고 설명했다. 대화에서는 의견 차이를 해소하기보다 이러한 조건을 구체화했다. 우리는 이 패턴을 조건부 지지라고 부른다. AI 활용 교육 정책을 설계하고 평가할 때 디지털 역량이 가장 낮은 성인을 기준으로 삼아야 한다고 주장한다.
범용 챗봇이나 중앙에서 설계한 AI 도구를 사용하도록 한 학생들의 성과가 더 낮았다는 최근 증거가 나오면서, 대학들은 인공지능(AI)이 학습을 저해할 가능성을 우려하고 있다. 우리는 19개 대학의 학생 7,200명을 대상으로 세 학기에 걸쳐 사전에 등록한 무작위 대조 시험을 실시해 현장 교수자가 설계한 AI가 학습을 개선할 수 있는지 검증했다. 교수자에게 자신의 학생들에게 가장 도움이 될 것이라고 생각하는 AI 도구나 활용 방식을 설계하도록 권했다. 교수자들은 각자 수업과 학생에 대해 알고 있는 바를 토대로 다양한 방식을 개발했다. AI의 도움을 받을 수 없는 감독하 대면 시험으로 측정한 결과, 교수자가 설계한 AI 활용 방식은 학생의 학습 성과를 높였다. 수업 활동 기록으로 측정한 참여도와 강의 평가로 측정한 만족도에는 변화가 관찰되지 않았다. 이 결과는 교수자가 각자의 수업에 맞게 AI 활용 방식을 직접 설계하고 개선할 수 있도록 현장에서 도입을 주도할 때 AI가 학생의 학습을 개선할 수 있음을 보여 준다.
회상 요법(Reminiscence Therapy, RT)은 환자가 과거의 삶의 경험과 기억을 이야기하고 되돌아보도록 하여 정서적·정신적 안녕을 향상시키는 비약물적 중재이다. 실제로 많은 회상 대화는 배우자나 성인 자녀와 같은 비전문 돌봄 제공자가 이끈다. 전통적인 RT는 흔히 개인 사진에 의존하지만, 이를 선별하고 준비하는 일은 번거롭고 어려울 수 있다. 또한 환자와 공유한 삶의 경험이 없는 돌봄 제공자는 흥미로운 회상 대화를 이끌어 가는 데 어려움을 겪을 수 있다. 본 논문은 선별된 사진 없이도 비전문 돌봄 제공자가 회상 대화를 이끌도록 돕는 AI 통합 도구인 MemoryLane을 제시한다. MemoryLane은 환자, 돌봄 제공자, 그리고 환자의 동료 역할을 하는 시뮬레이션된 AI 에이전트 간의 삼자 대화를 지원한다. 공유 인터페이스는 에이전트와 논의 중인 기억에 대해 AI가 생성한 이미지를 보여 주고, 개인용 스마트폰 인터페이스를 통해 돌봄 제공자는 시뮬레이션된 AI 에이전트의 행동을 제어하고 AI가 생성한 이미지를 조정할 수 있다. 치매 돌봄 관계자 5명을 대상으로 한 예비 포커스 그룹 연구에서는 MemoryLane의 AI 에이전트가 동료 역할의 말벗으로서, 그리고 AI 생성 이미지가 가지는 가치가 확인되었으며, 돌봄 제공자가 이미지를 조정하고 AI 에이전트를 제어하는 것이 실현 가능함이 시사되었다.
안전성 벤치마크는 생성형 AI(GenAI) 시스템이 초래하는 위험을 이해하기 위한 주요 도구로 거론되지만, 실제 안전성 평가의 요구를 충족하지 못하는 경우가 많다는 증거가 늘고 있다. 본 연구는 학계와 산업계의 AI 안전성 벤치마크 개발자 5명과의 인터뷰 결과를 제시한다. 우리는 안전성 벤치마크가 의도한 유용성에 대한 인식과 배포된 시스템의 안전성 평가에서의 실질적 유용성 사이에 괴리가 있음을 발견했다. 참여자들은 이 괴리의 원인이 되는 두 가지 과제에 대한 견해를 제시했다. (1) 안전성 구성개념에 대해 평가자 간 신뢰도를 확보하기 어렵다는 점, (2) 지속되는 외적 타당도 위협을 어떻게 다룰지에 대한 명확성이 부족하다는 점이다. 분석을 바탕으로 우리는 안전성 벤치마크가 배포 맥락에 근거할 뿐만 아니라 그 맥락과 적극적으로 통합되어야 한다고 주장한다. 이를 돕기 위해 학계와 산업계의 AI 안전성 이해관계자 간에 더 투명하게 소통하기 위한 방안을 제시한다.
장기간 운영되는 환경 카메라 네트워크는 풍부한 이미지를 생성하지만 신뢰할 만한 주석은 거의 없다. 후지산 주변 웹캠 네트워크인 FujiView를 사용하여, 우리는 서로 연결된 세 가지 질문을 연구한다. 게이미피케이션이 주석 참여와 일치도에 영향을 미치는가, 주석자들이 순서형 가시성 레이블에서 어떻게 불일치하는가, 그리고 레이블 예산이 하위 분류 과제에 어떤 영향을 미치는가이다. 22명의 레이블러가 참여한 비무작위 세션 7회에서, 게이미피케이션은 레이블링 속도나 일치도보다 지속적인 참여에 대해 더 유망한 양상을 보였다. 가장 근접한 원격 세션 비교에서, 게이미피케이션으로 기록된 세션은 활성 레이블링 시간이 더 길었으나 처리량과 기준 일치도는 비슷하게 유지되었다. 주석 불일치는 세밀한 단위에서 상당하였다. 군중 투표가 단일 주석자 기준과 일치한 비율은 정확한 가시성 클래스에서 49.1%였으나, Good/Poor로 묶은 뒤에는 90.2%였다. 5회 반복 레이블 예산 실험에서, 사용 가능한 레이블 풀의 25%를 사용한 모델은 홀드아웃 정확 정확도(exact accuracy)가 전체 풀 모델보다 평균 2.8퍼센트포인트만 낮았다. 이러한 결과는 종합적으로 신뢰할 수 있는 주석 목표를 설계하고, 인과적 이점을 가정하지 않고 참여 유도 메커니즘을 평가하며, 경험적 스케일링 곡선을 활용해 레이블링 노력을 계획하는 것의 중요성을 강조한다.
Online caregiver forums are an important source of emotional and informational support for Alzheimer's disease and related dementias (ADRD). We compare responses to 85 real caregiver questions from ALZConnected across four responder groups: peer caregivers, physicians, ChatGPT, and a retrieval-augmented CareGPT grounded in peer discussions. Using 28 measures spanning linguistic form, emotional support, informational support, and topic scope, we examine how these voices differ when answering the same questions. Peers provided time-anchored narratives and community grounding; clinicians offered concise, advice-forward, clinically bounded guidance; and LLMs produced a formal, verbose, highly structured consultation style. CareGPT showed minimal measurable separation from ChatGPT, suggesting that retrieval plus prompt injection alone was insufficient to shift communicative stance. LLM outputs scored higher than peers on politeness and emotion-support markers and were comparable to clinicians on informativeness and physician-alignment measures, but were less narrative and less contextually situated. Topic modeling showed that LLM responses concentrated on advice-oriented themes, whereas peers covered a broader range, including emotional processing, legal and financial concerns, and daily care. These findings suggest that AI can complement, but not replace, human contributions to ADRD caregiver support and motivate hybrid systems that combine structured AI delivery with the distinct strengths of human voices.
가상 인간(VH)이 사람에 의해 제어되는지 컴퓨터에 의해 제어되는지에 대한 사전 믿음은 사용자가 그 행동을 해석하고 반응하는 방식에 영향을 줄 수 있다. 새롭게 등장한 하이브리드 VH 시스템은 진행 중인 상호작용 도중 사람 운영자와 컴퓨터 프로그램 사이에서 제어를 이전할 수 있게 하므로, 지각된 행위성이 실제 제어 주체에 따라 갱신되는지 아니면 사용자의 사전 믿음과 첫인상을 계속 반영하는지는 분명하지 않다. 본 연구는 24명의 참가자를 대상으로 항상 컴퓨터 제어, 컴퓨터에서 사람으로, 사람에서 컴퓨터로, 항상 사람 제어의 네 조건에 걸친 피험자 내 VR 연구로 이 문제를 조사했다. 참가자가 면접관 역할을 하며 VH에게 고정된 질문 집합을 던지는 상호작용 과제를 설계했다. 각 상호작용에 앞서 참가자에게 VH가 사람 제어인지 컴퓨터 제어인지 알렸으며, 이는 시작 시점의 실제 제어 주체와 일치했으나 참가자는 발생 가능한 제어 전환을 알지 못했다. 그 결과, 지각된 행위성은 상호작용 시작 시 제시된 제어 주체의 강한 영향을 받았으며 제어 전환 이후 갱신된다는 증거는 없었다. 호감도와 공동 현존감을 포함한 사회적 평가는 사람의 제어가 나중에 이루어지고 상호작용에서 더 큰 비중을 차지한 조건에서 대체로 더 높았다. 이러한 결과는 사전 믿음과 첫인상이 지각된 행위성을 계속 형성하는 반면, 사회적 평가는 상호작용 동안의 VH의 실제 행동에 더 민감함을 시사한다.
AI 시스템이 인간의 의사결정을 점점 더 많이 지원함에 따라, 사람들이 언제 AI 예측에 의존하고 언제 의문을 제기하거나 번복해야 하는지 인식하는 데 어떤 정보가 도움이 되는지를 규명하는 것이 핵심 과제이다. RAVEN 행렬을 이용한 추상적 시각 추론과 LSAT 문제를 이용한 연역적 논리 추론에 걸친 세 건의 통제된 인간 대상 연구를 통해, 서로 다른 형태의 AI 지원이 AI 지원 의사결정의 성과에 어떤 영향을 미치는지 조사한다. 다단계 공개 연구는 AI 예측과 설명이 객관적 정확도와 주관적 확신에 서로 다르게 영향을 줄 수 있음을 보여 준다. 시각 추론에서 LLM 설명은 예측된 답만 제시했을 때보다 정확도를 높이지 못하며, 예측만 제공하는 지원보다 유의하게 우수한 추가 지원 형식은 없다. 예측 확률은 기술적(descriptive) 정확도와 오류 회복이 가장 높고, 도출된 선택적 자동화 정책은 더 높은 성능의 기준 벤치마크를 제공한다. 반면 언어 기반 논리 추론에서는 LLM 설명이 가장 높은 정확도와 오류 회복을 보여 전문가가 작성한 설명과 확률 기반 지원을 능가한다. 이러한 결과는 AI 지원 전략의 효과가 과제 환경에 따라 달라짐을 시사한다. 따라서 인간-AI 인터페이스는 지원의 형태를 과제와 사용자가 이용할 수 있는 증거에 맞춤으로써 보정된 의존과 효과적인 오류 회복을 지원하도록 설계되어야 한다.
대규모 언어 모델(LLM)은 사회적으로 민감한 영역에 점점 더 많이 배포되고 있지만, 의도의 불일치부터 일관성 없는 성격에 이르는 예측 불가능한 행동은 상당한 위험을 초래한다. 본 논문은 언어 특징, 감성, 성격의 세 영역에 걸쳐 LLM의 제어 가능성을 평가하는 계층적 벤치마크인 SteerEval을 소개한다. 각 영역은 L1(무엇을 표현할 것인가), L2(어떻게 표현할 것인가), L3(어떻게 구체화할 것인가)의 세 가지 명세 수준으로 구성되며, 상위 수준의 행동 의도를 구체적인 텍스트 출력과 연결한다. SteerEval을 이용해 최신 조향(steering) 방법을 체계적으로 평가한 결과, 더 세분화된 수준에서 제어력이 흔히 저하됨을 확인하였다. 본 벤치마크는 안전하고 제어 가능한 LLM 행동을 위한 원칙적이고 해석 가능한 프레임워크를 제공하며, 향후 연구의 토대가 된다.
보완대체의사소통(AAC) 기술은 두 가지 형태로 분류된다. 하나는 음성 생성 시스템 같은 외부 장치를 사용해 표준화된 출력을 생성하는 보조기기 기반 AAC이고, 다른 하나는 자연스러운 표현을 위해 신체 기반 제스처에 의존하지만 상호 이해가 필요한 도구 없는 AAC이다. 우리는 도구 없는 AAC의 속도와 자연스러움을 활용하면서 보조기기 기반 AAC의 명료성을 유지하도록 두 접근을 결합하는 방법을 연구하며, 이는 의사소통 및 운동 장애가 있는 사람들에게 대체로 탐구되지 않은 영역이다. AAC 사용자와 함께한 18개월간의 참여적 설계를 통해 핵심 과제와 기회를 파악하고, 손목 착용형 IMU와 스마트폰 앱을 짝지은 웨어러블 시스템인 AllyAAC을 개발하였다. 14명의 참가자를 대상으로 한 현장 연구에서 AllyAAC을 평가하였고, 비정형 제스처를 포함하는 600,000개 이상의 멀티모달 데이터 포인트로 이루어진 데이터셋을 구축하였으며 이는 최초의 사례이다. 연구 결과는 개인화되고 특이한 제스처를 인식하는 데 따르는 어려움을 보여주며, 서로 다른 사전학습 전략을 가진 트랜스포머 기반 대규모 기계학습(ML) 모델로 이를 해결하는 방법을 제시한다. 종합하면, 우리는 보조기기 기반 AAC와 도구 없는 AAC를 결합한 적응형 개인화 시스템을 위한 설계 원칙과 참조 구현을 제공한다.
설명 가능한 인공지능(XAI)은 AI가 사회와 고위험 분야에서 점점 더 큰 영향력을 갖게 됨에 따라, AI의 예측을 이해 가능하고 투명하며 책임 있게 만들어야 한다는 문제의식에서 출발한다. XAI의 평가 및 최적화 기준은 XAI 알고리즘이 기대하는 목표를 달성하도록 하는 관문 역할을 하므로 엄밀한 검증을 견뎌야 한다. XAI의 과학적 엄밀성을 높이기 위해 본 연구는 일반적인 XAI 기준인 그럴듯함(plausibility)에 대해 최초로 포괄적이고 비판적인 검토를 수행한다. 그럴듯함은 AI의 설명이 인간에게 얼마나 설득력 있는지를 평가하며, 보통 특징 위치 파악이나 특징 상관관계에 대한 지표로 정량화된다. 검토 결과, 그럴듯함은 설명 가능성에 대한 타당하지 않은 척도이며, 인간의 설명은 XAI의 정답(ground truth)이 될 수 없다. 두 가지 모두 설명에 필요한 가정을 무시하기 때문이다. 근본적인 가정 중 하나는 AI의 설명이 잠재적 문제를 찾아내는 감사자나 의사의 역할과 유사하게 적대적으로 작동해야 한다는 것이다. 더 그럴듯한 설명을 생성하도록 XAI를 평가하거나 최적화하는 것은 감사자나 의사가 더 긍정적인 보고서를 작성하도록 유인(즉, 매수)하는 것과 유사하며, 이는 AI 모델이 더 그럴듯한 특징을 학습하도록 장려하는 것(기업이나 환자가 행동이나 건강을 개선하도록 장려하는 것에 해당)과는 다르다. 검토는 또한 그럴듯함을 XAI 기준으로 사용할 때의 결과를 보여 준다. 여기에는 사용자를 조작하는 오해의 소지가 있는 설명의 증가, AI 시스템에 대한 사용자 신뢰의 악화, 인간 자율성의 훼손, 인간과 AI의 상호 보완적 과제 수행 달성 불가, 이해 가능성을 높이는 다른 가능한 접근법의 포기가 포함된다. 측정의 타당성 부족과 윤리적 문제로 인해, 본 논문은 AI 커뮤니티가 XAI 알고리즘을 평가하고 최적화하는 기준으로 그럴듯함을 사용하는 것을 중단해야 한다고 주장한다.
자동 수면 단계 분류 모델은 주로 건강한 수면자를 대상으로 개발되어, 수면이 단절된 임상 집단에는 일반화가 잘 되지 않는다. 세 코호트(뇌졸중 환자, 특발성 REM 수면 행동장애 환자, 기타 수면 장애 환자)에서 우리는 건강한 수면자에 비해 시간당 각성이 2~3배 많고, N1이 거의 두 배이며, REM 수면이 적음을 관찰했다. 우리는 웨어러블 규모의 수면 단계 분류를 위한 레이블 효율적 교사-학생 프레임워크를 제안한다. 학습 환자의 25%에서 얻은 레이블로 적응시킨 SleepGPT(1억 3,600만 파라미터)가 EEG, EOG 또는 둘 다에 대해 실시간으로 단계를 분류하는 인과적 CNN-GRU(3만 1천 파라미터, 122 KB)를 지도한다. 우리는 새로운 블랙박스 전이 인식 증류 손실인 Gcv-TAD를 도입한다. 이 손실은 레이블된 환자로부터 추정한 사전 분포를 사용하여 드문 단계 전이를 강조하고 환자마다 달라지는 전이는 낮게 반영한다. 환자 단위 10-겹 교차 검증에서 Gcv-TAD는 동일한 레이블로 한 지도 학습 대비 환자별 macro F1을 평균 +3.2에서 +7.6점 향상시킨다. 향상은 N1에서 가장 크며, 성능은 전체 레이블 학습에 근접한다.
원격 협업 플랫폼은 집단 아이디어 발상을 지원하기 위해 생성형 AI를 점점 더 통합하고 있다. 이러한 플랫폼은 공간적 매개, 상호작용 방식, AI 출력 형식, 기여를 집단에 가시화하는 메커니즘이 배포된 시스템의 속성으로서 함께 변하는 사회기술적 구성이다. 본 논문은 이러한 구성이 창의적 작업 중 참가자의 협업과 AI와의 관여를 어떻게 형성하는지 살펴본다. 우리는 서로 대조되는 구성을 구현한 상용 플랫폼 두 가지, 즉 텍스트 기반 AI가 통합된 평면 공유 캔버스와 공유 공간에 간결한 AI 출력이 삽입된 몰입형 가상현실 작업 공간을 비교한 연구를 보고한다. 여성으로만 구성된 14개의 3인 집단이 인간 단독 아이디어 생성, AI 지원 아이디어 확장, 집단 수렴으로 이루어진 구조화된 아이디어 발상 과제를 수행했다. 우리는 협업 패턴, AI 생성 아이디어의 선택, 지각된 아이디어 품질, 작업 부하, 현존감, 그리고 어휘적 특성을 분석했다. 몰입형 구성은 더 큰 공간적 현존감을 보였고, 공간적 자유가 탐색을 가능하게 하는 동시에 집단 응집성을 분절시키는 참여 역설을 낳았다. 또한 수렴 단계에서 역할 분배가 더 균형 있게 나타났으나 신체적 요구가 더 높다는 대가가 따랐다. 두 구성 모두에서 AI는 아이디어 풀을 크게 늘렸으며, AI를 이용할 수 있는 상태에서 집단이 작성한 아이디어는 참가자 자신의 아이디어보다 높게 평가되었다. AI 출력 형식은 아이디어당 평면 캔버스에서 약 21단어, 몰입형 작업 공간에서 3단어였다. 참가자가 AI 생성 아이디어를 어떻게 평가했는지, 그리고 이를 수정 없이 최종 후보로 얼마나 자주 선택했는지를 추적했다. 어느 구성도 AI의 기여를 집단에 가시적이거나 귀속 가능하게 만들지 못했으며, 참가자들은 두 구성 모두에서 AI를 개별적으로 그리고 비동기적으로 호출했다. 우리는 AI 출력 형식, 집단에 보이는 AI 호출, 수렴을 위한 공간적 지원에 대한 설계 시사점을 도출한다.
다중 언어 화자는 주제와 대화 상대에 따라 언어를 선택한다. 대규모 언어 모델(LLM)은 이러한 언어들을 불균등하게 지원한다. 대화형 AI와의 코드 스위칭에 관한 연구는 대부분 자원이 풍부한 언어로 이루어진 이중 언어 쌍을 다루어 왔다. 퀴라소와 아루바에서는 많은 사람이 네덜란드어, 영어, 스페인어, 그리고 저자원 크리올어인 파피아멘투/오를 사용한다. 사전 등록된 연구에서 대학생 42명이 각각 5분씩 챗봇과 두 차례 대화를 했으며, 하나는 대학 생활, 다른 하나는 지역 음식과 문화에 관한 것이었다. 설문으로 언어 배경, AI 사용, 전환 편안함을 평가했다. 퀴라소의 국제 학생 20명이 비교 표본을 이루었다. 참가자들은 턴 사이에서 언어를 전환했고 한 메시지 안에서 언어를 섞는 경우는 드물었다. 두 대화 모두에서 영어가 우세했다. 참가자들은 문화 대화에서 더 자주 언어를 전환했으며, 이 대화에서 파피아멘투/오와 스페인어는 메시지의 15%에서 24%로 늘었다. 자기 보고에 따르면 챗봇과 전환할 때의 편안함은 사람과 전환할 때보다 낮지 않았다. 대화형 에이전트는 턴마다 바뀌는 언어 변화를 따라가고 지역의 저자원 언어를 잘 다루어야 한다.
선행 연구는 대규모 언어 모델(LLM)이 채용이나 지능 평가처럼 주목도가 높은 일회성 의사결정 상황에서 암묵적 편향을 드러낸다는 점을 보여 왔다. 그러나 사람들이 일상적인 업무에서 자신을 대신해 결정을 내리는 자율적 LLM 기반 AI 에이전트를 점점 더 많이 사용함에 따라, 사회인구학적 가정에 기반한 암묵적 편향이 폭넓은 일상 의사결정 상황 전반에서 어떻게 나타나는지 이해하는 것이 매우 중요하다. 우리는 미국 시간 사용 조사(ATUS)의 일상 활동 17개 영역을 사용하여, 서로 다른 인종, 성 정체성, 정치 이념을 나타내는 페르소나를 부여한 LLM이 유의미한 암묵적 편향을 드러낸 506개 의사결정 시나리오의 아틀라스를 생성했다. 이어 크라우드소싱 감사에서 참가자 500명이 어떤 암묵적 편향 의사결정 시나리오를 더 검토해야 하는지에 대해 8,010건의 이진 선택을 했다. 참가자들은 폭넓은 관련성이 있는 시나리오(예: 음식 선택), 위험도가 높은 시나리오(예: 건강), 그리고 모의된 사회인구학적 집단의 모든 구성원이 만장일치로 결정을 내린 시나리오(고정관념의 명확한 징후이기 때문)를 우선시했다. 관찰된 격차의 크기나 시나리오가 나타내는 구체적인 ATUS 영역에는 덜 영향을 받았다. 우선순위 선택의 근거를 살펴보았을 때, 참가자들은 종종 격차를 인구집단의 특성으로 해석하고 그 특성이 그럴듯해 보이는지를 판단했으며, 이는 흔히 자신이 내면화한 고정관념에 기반했다. 개인화된 AI 에이전트, 디지털 트윈, 사회 시뮬레이션, 그리고 크라우드소싱 편향 감사의 활용에 대한 시사점을 논의한다.
The CAPSARII project advances a cyber-secure, ultra-low-power wearable platform and Internet of Battlefield Things (IoBT) framework to support real-time monitoring of military personnel and data-driven decision support. The architecture integrates smart-textile sensing, a body/squad area mesh, edge-deployed AI on secure RISC-V microcontrollers, and cloud/federated analytics for cross-mission learning and comparative studies. Two representative use cases--pilot fatigue and warfighters operating in harsh environments--guide requirements, validation, and interface design (including HUD and haptic feedback). As an initial step toward embedded models, we benchmark stress classification on a public wearable dataset: tree-ensemble baselines achieve state-of-the-art performance for accuracy and F1 (e.g., XGBoost: $\mathrm{Accuracy}=0.901\!\pm\!0.023$, $\mathrm{F1}=0.920\!\pm\!0.019$), while a feature-based Transformer attains the highest AUC ($0.963\!\pm\!0.025$), informing feature-engineering and compression choices for edge deployment. Building on these results, CAPSARII employs HW/SW co-design, model compression (pruning, quantization, distillation), and precision tuning to meet stringent energy and memory budgets; it further investigates Processing-in-Memory accelerators for future efficiency gains. A structured gap analysis highlights the remaining challenges: establishing validation standards for physiological signal quality and textile durability; achieving low-latency, scalable BAN/SAN communications under mobility and interference; and deploying hybrid lightweight/post-quantum cryptography with robust device identity and side-channel resilience on constrained endpoints. By consolidating these elements into a coherent, secure IoBT stack, CAPSARII delineates a practical roadmap from laboratory baselines to mission-ready soldier monitoring in both training and operational scenarios.
정확한 보행자 네트워크 데이터는 도시 접근성, 경로 탐색, 인프라 계획의 토대이지만, 이러한 데이터는 여전히 부족하며 대규모로 생성하기도 어렵다. 자동 추출 파이프라인은 컴퓨터 비전을 활용하여 항공 영상에서 보도 네트워크를 도출함으로써 상당한 진전을 이루었으며, 비용 효율적인 인벤토리 구축 방안을 찾는 지자체에서 실제로 도입되고 있다. 그러나 이러한 파이프라인은 연결이 끊긴 구성 요소, 끝이 끊어진 간선, 누락된 연결, 잘못 형성된 교차로와 같은 위상 오류를 지속적으로 생성하며, 이는 추출된 네트워크를 경로 탐색과 접근성 분석에 활용하는 데 지장을 준다. 이러한 오류를 바로잡으려면 전역적인 자동 수정 전략이 대체할 수 없는 상황 의존적인 사람의 판단이 필요하지만, 현재 실무자에게는 이 작업을 효율적으로 지원하는 전용 도구가 없다. 본 논문은 자동 추출과 실제 배포 가능한 보행자 네트워크 사이의 간극을 메우는 시각적 분석 시스템인 Sidewalk Stewards를 제시한다. Sidewalk Stewards는 위상 오류 후보를 탐지하고, 조율된 공간 뷰를 통해 사용자가 안내하는 대화형 수정을 지원하며, 편집이 적용되는 동안 실시간 품질 피드백을 제공한다. 우리는 비교 사용자 연구, 여러 도시에 대한 사례 연구, 정량 평가를 통해 Sidewalk Stewards를 평가한다. 기존 워크플로와 비교하여 이 시스템은 오류 식별을 용이하게 하고 더 빠르고 더 완전한 수정을 가능하게 한다. 사례 연구는 서로 다른 도시 환경에서의 워크플로를 보여 주며, 정량 평가는 소수의 사용자 수정만으로도 여러 보도 품질 지표를 향상시킬 수 있음을 보여 준다. Sidewalk Stewards는 urbantk.org/sidewalk에서 이용할 수 있다.
AR-Classroom은 물리적 모델과 가상 오버레이를 사용하여 학습자가 공간 변환을 탐구하도록 돕는다. 독립형 헤드셋에서 이러한 오버레이를 정렬하기 위해 Meta Quest 3에서 레고 비행기를 위한 마커리스 6자유도(6DoF) 추적기를 개발하였다. Unity 합성 렌더링으로 학습한 소형 YOLO 모델이 128×128 픽셀로 크기를 조정한 동적 RGB 크롭에서 20개의 키포인트를 예측한다. 원근 n점(PnP) 해법은 이러한 예측과 대응하는 3D 랜드마크로부터 비행기의 자세를 추정한다. 합성 검증 이미지 1,000장에 대한 쌍체 평가에서, 실제 정답 박스로 유도한 크롭은 주석이 달린 이미지의 검출률을 32.5%에서 46.2%로 높였다. 평균 키포인트 F1은 42.9%에서 44.6%로 증가하였으나, 크롭된 뷰에서는 키포인트 정밀도가 더 낮았다. 예비 헤드셋 테스트에서 애플리케이션이 초당 약 72프레임을 유지한 최고 추적 목표는 2 Hz였다. 헤드셋 시연은 수동 회전 전후에 가상 오버레이가 물리적 비행기와 정렬되는 모습을 보여 준다. 실제 헤드셋 영상에 대한 정량적 6DoF 자세 정확도는 향후 연구에서 측정할 예정이다.
입력된 주문을 구조화된 형태로 바꾸는 소형 언어 모델은 두 가지 방식으로 실패할 수 있다. 하나는 깨진 결과를 출력하는 것으로, 어떤 시스템이든 이를 거부한다. 다른 하나는 아무도 하지 않은 주문을 깔끔하고 형식이 올바르게 출력하는 것이다. 우리의 후속 연구에서는 후자를 조용한 오류(silent error)라 부르며, 이것이 위험한 유형이다. 본 논문은 미세 조정된 0.8B 파라미터 모델이 WebAssembly로 컴파일된 llama.cpp를 통해 방문자의 브라우저 탭 안에서 전적으로 실행되는 웹 데모를 제시한다. 주문 텍스트는 기기 밖으로 나가지 않는다. 이 페이지는 방문자가 입력하는 동안 주문을 파싱하고, TypeScript로 포팅한 PIZZA 벤치마크의 자체 매처로 모든 주문서를 채점하며, 모델이 열린 웹을 마주할 수 있도록 메뉴에 없는 항목은 "?"로 거부하고, 방문자가 조용한 오류를 찾거나 직접 유발해 볼 수 있게 한다. 1,357개 PIZZA 테스트 주문 전체를 브라우저에서 실행했을 때, 배포된 모델은 99.0%의 주문에서 서버 평가와 동일한 출력을 내고 동일한 정확 일치율(0.882)에 도달하며, 노트북 3대에서의 지연 시간도 함께 보고한다. 데모: https://wrong.cuyor.com