본 연구는 학술 도서관 자료에 대한 새로운 발견 경로로서 생성형 AI를 실증적으로 분석하였다. 2023년 8월부터 2025년 10월까지의 웹 분석 데이터를 활용하여, 본 연구는 특히 연결된 인용 기능 통합 이후 AI 매개 트래픽이 크게 증가했음을 확인하였다. 리퍼럴(referral) 분석을 통해 ChatGPT, Perplexity, Gemini가 이 트래픽을 주도하는 주요 플랫폼임을 확인하였다. 상당수의 사용자가 기관 저장소(institutional repository)에 도달했으며, 주로 전자 학위논문에 접근하였다. 이 패턴은 AI 검색(retrieval) 메커니즘이 구조화된 메타데이터와 안정적인 영구 링크(permalinks)를 갖춘 오픈 액세스(Open Access) 및 무료 이용 가능한 자료를 효과적으로 노출함을 시사한다. 결과는 AI 생태계가 현재 도서관 자료를 어떻게 노출하는지 보여 주며, 지속적인 분석과 진화하는 AI 환경에 대한 전략적 대응의 필요성을 강조한다.
디지털 컬렉션의 구축은 콘텐츠의 디지털화뿐만 아니라 해당 콘텐츠에 대한 카탈로그 레코드 생성을 수반한다. 흔히 간과되는 이 작업은 전문가의 수작업을 필요로 하며, 느리고 비용이 많이 든다. 본 프로젝트에서는 이 작업에 대한 AI 모델의 적용을 평가하고, 다양한 구현 방식과 모델을 비교하였다. 본 연구에는 수행된 실험에 대한 정성적·정량적 평가와 함께, 특정 사용 사례를 넘어 AI 모델 활용에 관한 권고 사항이 포함되어 있다.
역사적 언어 처리 난이도를 토큰화 비용, 예측 불확실성(surprisal), 의미적 견고성, 문맥 민감성 네 차원으로 나누는 진단 프레임워크를 제안하고, 17세기 이탈리아어·19세기 고전·18세기 러시아어 말뭉치에서 토큰화 세금과 이해 세금이 분리됨을 보였다. 17세기 이탈리아어는 현대 대비 평균 2.4배 더 높은 surprisal을 보이지만 임베딩 유사도는 0.85 이상으로 유지되며, 최소한의 시간적 문맥 프롬프트로 surprisal을 약 60% 줄일 수 있어 디지털 도서관의 의미 검색 작업에 LLM을 활용할 여지가 있음을 시사한다.