대규모 언어 모델(LLM)은 의료 교육에 유망성을 보이지만, 대부분의 기존 시스템은 전체 임상 사례를 의사결정 중심의 학습 궤적으로 구성하기보다는 질의응답이나 단일 턴 피드백과 같은 국소적 상호작용에 초점을 맞춘다. 우리는 정적 임상 사례를 구조화되고 실행 가능한 스토리텔링 게임으로 변환하는 프레임워크인 MedGame을 제안한다. MedGame은 이중 엔진 설계를 사용한다: Medical Narrative Designer는 상태와 의사결정 노드를 갖춘 사례 기반 임상 스토리라인을 합성하고, Story Director는 이를 우리가 공개한 대화형 플랫폼에서 렌더링되는 의존성 인식 다중모달 오케스트레이션 계획으로 변환한다. 우리는 의료 내러티브 생성(Medical Narrative Generation)과 스토리 연출(Story Direction)을 위한 5,000건 사례 벤치마크 및 평가 프로토콜인 MedGame Bench를 구축한다. 실험 결과, 과제 특화 미세조정이 MedGame Bench에서 오픈소스 LLM의 성능을 크게 향상시키고 상용 모델과의 격차를 줄이는 것으로 나타난다. 파일럿 학생 연구에서는 학습자들이 MedGame을 텍스트 전용 대안보다 더 몰입감 있고 유용하다고 인식하는 것으로 추가로 나타났다.
포스트 퀀텀 암호학(PQC)으로의 전환은 상당한 구현 복잡성을 야기하며, 상수 시간 실행(constant-time execution), 사이드 채널 저항(side channel resistance), 정밀한 매개변수화(precise parametrisation)에 대한 엄격한 준수를 요구합니다. 동시에 대규모 언어 모델(LLM)은 암호학적 엔지니어링을 포함한 소프트웨어 개발 워크플로우에 깊숙이 내장되어 있습니다. LLM이 생산성을 향상시키지만, 증거에 따르면 특히 보안이 중요한 도메인에서 불안전하거나 최적화되지 않은 코드를 자주 생성하는 것으로 나타났습니다. 본 논문은 PQC에서의 보안 코딩 드리프트(Secure Coding Drift)를 소개합니다. 이는 LLM 생성 코드에 대한 지속적인 의존으로 인한 보안 코딩 관행의 점진적 퇴보를 포착하는 새로운 사회 기술적 취약성 모델입니다. 정적 취약성에 초점을 맞춘 기존 연구와 달리, 우리는 보안 위험을 인간과 AI 상호작용에서 비롯되는 종단적 행동 현상으로 개념화합니다. 이를 완화하기 위해, 우리는 적대적 평가, 행동 피드백, 보안 점수화를 개발 워크플로우에 내장하는 게임화된 LLM 강화 보안 코딩 프레임워크를 제안합니다. 우리의 접근 방식은 LLM을 수동적인 조수에서 능동적인 보안 조력자로 재정립하여, AI 매개 환경에서 더 안전한 PQC 구현에 기여합니다.
대규모 언어 모델(LLM) 시대의 인간 창의성과 개성을 탐구하기 위해, AI 제안 사용을 오히려 방해하는 게임화된 글쓰기 실험을 통해 참가자들의 행동 패턴과 창작적 자율성 선택을 분석했다. 이 접근 방식은 AI 보조 창작 환경에서 효율성과 진정성 사이의 긴장을 이해하는 프레임워크를 제공한다.