본 논문에서는 최근 미국과 EU의 생성형 AI 영역 협력과 경쟁에 관 하여 분석하였다. 미국 정부는 투명성 보장, 즉 생성형 AI에 의해 제작 된 창작물임을 표시하게 함으로써 표현의 자유를 보장한다. 플랫폼에 대 한 제어 또한 원칙 제시뿐, 유포에 대한 기업의 책임은 면책대상 조항으 로 다루고 있다. 반면, EU가 최종한 AI 규제는 AI 사용에 관한 세계 최 초의 포괄적 AI 규제법이다. EU는 디지털 전략의 일환으로 AI 산업을 규제하여 혁신적 기술 개발 및 사용을 위한 더 나은 조건을 보장하고자 포괄적 입법 과정을 거치고 있다. 본고에서는 양측의 규제는 미국의 경우 ‘원칙 제시 및 자발성’ 규제 유형이며, EU의 경우 ‘규칙 기반, 강제성’ 규 제 유형으로 구분될 수 있음을 제시한다.

Service encounters increasingly feature AI-powered inputs such as add-ons recommendations or aftercare solutions. These novel forms of customer service, provided by AI rather than humans, can shape customers’ sense of agency throughout the customer journey. Customers find themselves in a form of competitive collaboration with AI, sharing tasks, resources, inputs, and decisions. This research conceptualises and develops a scale to measure shared agency power during customer-AI interactions. Understanding the role of agency in AI- customer interactions is important, as agency represents a source, mechanism, delimiter and effect of a human’s or a machine’s actions. Agency may differ across various service encounters and with it, the type of perceived risks associated with human-AI interactions. Future research may use the shared agency power scale to better understand the nature and impact of customer-AI interactions in a service context on traditional marketing factors.

유럽 그린 딜 정책은 코로나19 팬데믹 이후 경기침체 회복을 위한 중요 열 쇠이자, 유럽의 새로운 성장 전략으로 묘사된다. 그린 딜 정책의 실효성을 제 고하기 위해 경쟁정책도 예외가 아니다. 2021년 오스트리아는 유럽회원국 가운 데 처음으로 카르텔 금지 예외 규정에 지속가능한 환경적 측면을 반영하였다. 이러한 오스트리아의 환경친화적인 경쟁정책은 유럽 그린 딜 정책과 맞물려 지속가능한 환경 협정에 대한 유럽 경쟁법 집행의 나침반 역할을 할 것으로 기대된다. 한편, 포스트 코로나 시대 지속가능한 성장 전략의 관점에서 EU 회 원국이나 우리나라 기업들이 서로 협력하여 환경적 가치를 지닌 시장 행위를 할 가능성이 높다는 점을 고려해 볼 때, 그러한 행위의 경쟁법상 판단을 둘러 싼 우리나라와 EU의 경쟁당국 간의 협력도 증가할 것으로 예상된다. 이런 점 에서 양 경쟁당국의 경쟁정책 간 충돌을 예방하고, 포스트 코로나 시대 시장경 제의 조화 속에서 환경정책의 실효성을 제고하기 위해 오스트리아의 경쟁정책 과 같이 우리나라도 지속가능한 경쟁정책의 지평을 확대하는 것이 바람직할 것이다.

최근 청소년들의 인터넷 및 스마트폰 과도한 사용이 사회적 이슈가 되어왔다. 작업에 대한 몰입 수 준은 좋은 결과물을 만들 수 있는 긍정적 효과와 과 몰입 같은 부정적 효과를 모두 가지고 있다. 본 연구는 심혈관 반응 기반의 몰입 상태를 판단하는 알고리즘을 개발하고자 하였다. 피험자들은 무 자극 상태, 그리고 몰입을 유발하기 위한 패턴 맞추기 게임을 수행하였고, 몰입 수준을 제공하기 위해 협력 과 경쟁 태스크로 나누어 실험 디자인 하였다. 각 태스크에 따라 심박과 진폭의 상관성을 분석하고 다 항식 회귀 분석을 통해 회귀식 및 정확도를 확인하였다. 결과는 게임 태스크일 때, 심박과 진폭은 양 의 상관성을 보였으며 무자극일 때 음의 상관성을 보였다. 개발된 다차항 회귀식으로 게임 태스크와 무 자극을 구분하는 정확도는 평균 89%의 정확도를 보였다. 태스크간의 차이는 76.5% 정확도를 확인 하였다. 본 연구는 실시간으로 몰입 수준을 정량적으로 평가하는데 사용될 수 있을 것으로 기대된다.