PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2409.02244v3cs.HC

NLP 과제로서의 치료: CBT 세션에서 LLM과 인간 동료 상담자의 행동 비교

Therapy as an NLP Task: Comparing LLMs and Human Peers Behaviors in CBT Sessions

대규모 언어 모델(LLM)이 임시 상담사로 점점 더 많이 사용되고 있다. 기존 연구에서는 LLM이 단일 턴의 공감적 응답을 생성하는 데 있어 인간 상담사보다 뛰어나다고 밝혔지만, 여러 턴에 걸친 세션 전반에서 두 주체의 행동을 비교한 연구는 적다. 본 연구에서는 동일한 매뉴얼로 훈련받아 다중 턴, 단일 세션 인지행동치료(CBT)를 제공하는 인간 동료 상담자와 LLM의 세션 수준 행동을 비교한다. 본 연구는 세 단계의 혼합 방법론으로 진행되었다. (a) 동료 지원 플랫폼에 대한 18개월간의 민족지학 연구로, 7명의 상담자가 110회의 자가 상담 세션과 60회의 주간 포커스 그룹을 통해 CBT 프롬프트를 반복적으로 개선하였다. (b) 일치된 조건에서 인간 상담자와 LLM 상담자를 직접적이고 통제된 방식으로 비교할 수 있게 하는 새로운 세션 생성 방법으로, 내담자 응답은 공개된 인간 주도 CBT 세션에서 가져오고 상담자 응답은 CBT 프롬프트를 적용한 LLM이 생성하였다. (c) 3명의 임상심리 전문가 자격 보유자가 수행한 전문가 평가. 데이터 삼각검증을 통해 본 연구의 결과는 상충 관계(trade-off)를 보여준다. 인간 동료 상담자는 관계적 기법을 활용하여 미묘한 단서를 해석하고, CBT를 사용자의 가치관과 문화적 맥락에 맞게 조정하며, 잡담이나 맥락에 적절한 자기 개방과 같은 전략으로 라포를 형성하고 세션을 이끌지만, 이는 종종 세션의 구조와 치료적 초점을 희생하는 대가를 수반한다. 반면 LLM 상담자는 CBT 기법에 대해 더 높은 방법론적 준수도를 보이지만, 턴 주고받기를 유지하는 데 어려움을 겪고, 임상적으로 중요한 내용과 사소한 내용을 구별하지 못하는 경우가 잦으며, 설교를 하거나 해결책을 강요하는 경향이 더 강하다. 또한 LLM 상담자는 '기만적 공감(deceptive empathy)', 즉 과도하게 의인화된 응답을 생성하는 경향이 있으며, 이는 진정한 인간적 돌봄에 대한 사용자의 기대를 부풀릴 수 있다.

arXiv:2607.22463v1cs.HC

관점을 넘어: LLM 지원 프로그래밍 교육에서 해석 진화에 대한 트리오 민족지

Beyond Perspectives: A Trio-Ethnography of Interpretation Evolution in LLM-Supported Programming Education

생성형 AI가 프로그래밍 교육을 재편하고 있지만, 교육자들은 종종 교실 관찰만으로 학생들의 AI 지원 학습을 추론한다. 본 경험 보고서는 서로 다른 교수 철학을 가진 두 명의 컴퓨팅 교육자와 한 명의 컴퓨터과학 학부생이 참여하는 트리오 민족지(trio-ethnography)를 통해, 이러한 해석이 대화를 거치며 어떻게 진화하는지를 살펴본다. 세 번의 대화에 걸쳐 교육자들은 학생들의 AI 사용을 성찰하고, 프로그래밍 교수법의 변화를 논의했으며, 학생의 실제 경험과 교류한 후 자신들의 가정을 재검토했다. 학생의 서사는 교육자들의 관점을 단순히 확인하거나 반박하는 것을 넘어, 교실에서 대체로 보이지 않았던 학습 과정을 드러내었고, 이는 두 교육자 모두 AI 사용, 평가, 투명성, 프로그래밍 교육에 대한 가정을 재고하도록 이끌었다. 우리는 트리오 민족지가 컴퓨팅 교육자들이 관찰 가능한 학생 행동을 넘어 AI 지원 학습에 대한 더 풍부한 이해로 나아가도록 돕고, 생성형 AI 시대의 교수법 적응에 정보를 제공하는 데 유용한 성찰적 접근법을 제공한다고 주장한다.

arXiv:2607.21611v1cs.HC

STEM 분야 이미지 설명 기법에 대한 체계적 설문

A Systematic Survey on Image Description Techniques for STEM Domains

STEM(과학, 기술, 공학, 수학) 분야에서 시각 데이터의 확산은 시각 장애 또는 저시력을 가진 개인에게 접근성 장벽을 제시한다. 인공지능(AI)의 최근 발전은 STEM 이미지에 대한 텍스트 설명을 생성할 새로운 기회를 제공하지만, 연구 환경은 파편화되어 있으며 실제 사용자에 대한 영향은 제한적이다. 본 체계적 설문은 접근성과 인간-컴퓨터 상호작용(HCI)에 특히 초점을 맞춰 STEM 시각 자료를 설명하기 위한 AI 기반 기법에 관한 동료 심사 연구 20편을 검토한다. PRISMA 방법론과 ROBIS 기반 바이어스 위험 평가를 따르며, 본 리뷰는 (i) 대상 STEM 시각 자료의 유형, (ii) 사용된 AI 및 머신러닝 아키텍처, (iii) 채택된 데이터셋과 평가 지표, (iv) 설명이 전달되는 상호작용 방식을 분석한다. 분석 결과, 정적이고 일회성 alt text에서 대화형 인터페이스, 키보드 탐색, 오디오 또는 촉각 피드백을 통합하는 대화형·멀티모달 시스템으로의 전환을 보여준다. 그러나 사실 오류와 환각, 시각 장애 및 저시력 사용자와 공동 설계된 접근성 우선 데이터셋의 부족, 인지된 유용성과 신뢰를 제대로 포착하지 못하는 자동 텍스트 중첩 지표에 대한 과도한 의존 등 중요한 과제가 남아 있다. 본 설문은 HCI를 위한 주요 연구 방향을 정리하며 마무리한다. 여기에는 사용자 제어 가능한 상세 수준(verbosity), 설명 가능하고 검증 가능한 AI 파이프라인, 접근 가능한 설명 도구를 주류 STEM 저작 및 학습 환경에 통합하는 것이 강조된다.

arXiv:2607.14579v1cs.HC

Skeleton: 비시각 데이터 경험의 시각적 저작

Skeleton: Visual Authoring of Non-visual Data Experiences

시력이 있는 실무자들이 접근 가능한 데이터 시각화를 저작할 때, 보조 기술이 인터페이스를 탐색하는 방식을 제어하는 노드, 엣지, 입력 바인딩으로 구성된 내비게이션 구조를 전적으로 코드로만 구축하며, 이에 대한 시각적 표현은 없다. 반응할 수 있는 표현이 없기 때문에 실무자들은 어떤 것이 내비게이션을 좋게 하거나 나쁘게 하는지에 대한 판단을 발달시킬 수 없으며, 비시각 경험의 품질 상한은 피드백 루프의 부재에 의해 정해진다. 지도 제작, 디자인 시스템, 오픈 소스 시각화 분야의 실무자들과의 장기적 공동 디자인을 통해 이 문제를 해결하고, 세 가지 기여를 제시한다. 첫째, 내비게이션 그래프를 인터랙티브 node-link 다이어그램으로 렌더링하는 Inspector와, 명시적 그래프 구축 대신 데이터 차원의 관점에서 내비게이션을 표현하는 Dimensions API를 소개한다. 둘째, 접근 가능한 내비게이션 구조의 속성이 저작자가 관찰하고 조작할 수 있는 시각적 표현으로 변환되는 직접 조작(direct-manipulation) 저작 환경인 Skeleton을 제시한다. 핵심 기법으로는 시스템의 내비게이션 모델과 최종 사용자의 공간적 경험을 동시에 보여 주는 듀얼 뷰 편집기, 시각화 렌더링 파이프라인을 재활용하여 공간적 노드 배치를 자동화하는 스캐폴딩 엔진, 실시간 스크린 리더 출력 미리보기를 갖춘 라이브 레이블 템플릿 편집기, 그리고 순회(traversal) 시퀀스를 시각적으로 추적 가능하게 하는 테스트 모드를 포함한다. 셋째, 시각화 설계, 엔지니어링, 연구 분야의 8명의 실무자를 대상으로 한 현장(in-situ) 연구를 통해 Skeleton을 평가한다. 내비게이션 구조를 가시화한 것은 실무자들의 접근 가능한 디자인 참여 방식을 바꾸었다: 그들은 자신의 시각화 아키텍처를 재고하고, 더 넓은 범위의 입력 양식(input modalities)에 주의를 기울였으며, 접근성을 규정 준수(compliance) 과업이 아닌 디자인 문제로 대하는 관점으로 전환했다. (arXiv용 초록 단축본)

arXiv:2606.24104v1cs.HC

The impact of generative artificial intelligence on academic development of Chinese students in humanities and social sciences

Generative artificial intelligence(GenAI) is reshaping learning in higher education, with particularly pronounced implications for the humanities and social sciences(HSS), where learning outcomes are commonly expressed through written and interpretive forms that align closely with GenAI's capabilities. Yet, systematic evidence on the educational impacts of GenAI on HSS students remains limited. Addressing this gap, this study draws on a large-scale survey of HSS students in China to examine its role in academic development. Guided by relevant learning theories, this study focuses on four dimensions: patterns of use, effects on learning processes and academic performance, challenges associated with GenAI use, and preferred approaches to curricular integration. We found that more than half perceived enhanced learning motivation, independent thinking and creativity, although a substantial minority reported little change or even decline. Comparatively, a notably larger majority reported academic performance gains, although these gains may partly reflect limitations in conventional assessment practices. The study identifies variations in perceived learning and performance improvements among students with differing durations of GenAI experience, along with observable disciplinary differences and modest gender differences. While an overwhelming majority valued the importance of ethical considerations, only slightly more than half were satisfied with privacy protection. Limited accuracy and overreliance emerged as the most pressing concerns reported by students. Students favored partial or optional curricular integration supported by practice-oriented training, and widely recognized GenAI's significance for their future professional development. Grounded in student perspectives, this study offers evidence-based recommendations for the responsible and pedagogically meaningful integration of GenAI

arXiv:2606.11642v1cs.HC

3-Key-Input: 텍스트 입력을 위한 이론적 최소 키 수 탐색

3-Key-Input: Exploring the Theoretical Minimum Keys for Text Entry

모호한 키보드(ambiguous keyboard)에 최신 언어 모델을 탑재한다면 물리적 키의 수를 얼마나 줄일 수 있을까요? 더 적은 수의 키는 보조 기기 및 모바일 폼 팩터와 같은 제약이 있는 환경에서 하드웨어 설계의 자유도를 높여줍니다. 본 논문은 언어 모델 기반의 중의성 해소(disambiguation)와 결합된 2~5개의 물리적 키를 사용하는 텍스트 입력 시스템을 체계적으로 평가합니다. 비즈니스/대화/기술 각 100문장으로 구성된 300문장 영어 말뭉치(corpus)를 통해 키 수(2~5개), 문자-키 매핑(레이아웃 기반/빈도 기반/의도적 최악의 경우), 디코더(Trie-only, GPT-2 빔 서치, GPT-4o 선택)를 비교합니다. 그 결과, 3개 키 + GPT-4o는 문자 오류율(CER) 9.46%와 단어 오류율(WER) 12.20%를 달성하여, 2개 키(CER 23.3%) 대비 CER을 59% 감소시키는 것으로 나타났습니다. 3개 키일 때 키 스트림 엔트로피는 문자당 1.54비트(bits/char)이며, 5개 키로 늘리면 정확도(CER 5.4%)가 향상되지만 추가적인 개선 효과는 미미합니다. 매핑 선택은 표준 설계(ΔCER < 0.5pp)에서 미미한 영향만 미치며, 의도적으로 최악으로 설계된 매핑조차 CER을 +0.5pp만 높일 뿐입니다. 반면, 기술 문장은 비즈니스 문장보다 약 2배 높은 오류율을 보였습니다. 이러한 결과는 강력한 언어 모델(LM) 사전 지식이 있는 오프라인 환경에서 평가했을 때, 일반 영어 입력을 위해 3개 키가 실용적인 최소치임을 시사합니다.

arXiv:2606.11835v1cs.HC

AI 지원 포커스 그룹 설계: 역할 x 모달리티 플레이북

Designing AI-Supported Focus Groups: A Role x Modality Playbook

참여자들의 삶의 경험을 수집하는 것은 디자인 연구의 핵심입니다. 포커스 그룹은 참여자들이 개인적인 사례를 공유할 뿐만 아니라 서로에게 반응하여 비교, 불일치, 그리고 집단적 의미 형성을 드러내기 때문에 독특한 가치가 있습니다. 그러나 포커스 그룹은 자원 집약적이며 진행 방식에 매우 민감합니다. 모더레이터는 구체성을 탐구하고, 참여의 균형을 맞추며, 주제의 흐름을 관리하고, 심리적 안전감을 유지해야 하며, 미묘한 진행 선택이 무엇이 두드러지게 될지를 형성할 수 있습니다. 최근 HCI 연구와 상용 회의 도구들은 생성형 AI가 프롬프팅, 발화 순서 조절, 주제 매핑, 실시간 요약을 통해 실시간 대화를 지원할 수 있음을 보여줍니다. 하지만 UXR 팀은 이러한 기능이 포커스 그룹에서 어떤 의미를 갖는지, 그리고 어떤 방법론적 위험을 초래하는지에 대한 명확한 지도를 갖고 있지 못합니다. 우리는 AI 지원 실시간 대화에 대한 선행 연구를 종합하고, 역할(도구, 공동 진행자, 진행자)과 모달리티(텍스트, 음성, 구현된)로 조직된 포커스 그룹 특화 AI 지원 플레이북을 제안합니다. 우리는 상호작용적 상충 관계를 규명하고, 방법론적 구성으로서 AI 지원 포커스 그룹을 평가하기 위한 미해결 과제를 식별합니다.