This study examines the developmental trajectory of feedback research in Korean EFL writing from the early 1990s to 2025 through a qualitative systematic synthesis of KCIindexed journal articles. Drawing on major learning theories and educational reforms, the study identifies four stages that reflect shifts in curriculum policy, assessment practices, and the gradual incorporation of digital and AI-based tools. Early work was characterized by teacher-centered and form-focused corrective feedback, followed by comparative studies of feedback types influenced by sociocultural theory and formative assessment perspectives. Recent research has increasingly addressed learners’ metacognition, self-regulation, feedback uptake, and AI-mediated practices. Despite these broader theoretical orientations, the literature remains dominated by short-term interventions and perception-based studies, with limited evidence on sustained writing development in classroom settings. The findings indicate a gap between theoretical advancement and instructional practice in Korean EFL writing. This study calls for longitudinal, classroom-based, and mixed-method research that examines how teacher-, peer-, and AI-mediated feedback can be integrated within context-sensitive instructional models.

본 연구는 인구구조 변화와 MZ세대 가치관의 변화로 인해 심화되고 있는 해병대 초급간부 인력 확보 문제를 해결하기 위해, 복무여건 개선과 새로운 리더십 전환 방향을 제시하는 것을 목적으로 한다. 기존 연구가 처우·조직문화·인권 등 개별 영역 중심 접근에 머문 것과 달리, 본 연구는 초급간부 복무여건 문제를 AI 기반 군업무 혁신 관점에서 재해석하였다. 문헌연구를 통해 해병대 초급간부의 주요 부담요인(과도 한 행정업무, 안전관리 책임, 세대 간 갈등, 제한된 자기계발 환경)을 분석하고, MZ세대의 직업 가치관(공 정성·자율성·성장·일·생활 균형)과 AI 기술의 특성이 높은 정합성을 갖는다는 점을 확인하였다. 연구 결 과, AI는 초급간부 복무여건 개선의 구조적 대안으로서, ① 행정 자동화 및 보고체계 효율화, ② AI 기반 병영 안전관리 및 인권보장 강화, ③ 데이터 기반 공정한 인사·평가 체계 구축, ④ 개인 맞춤형 복지·주거· 경력개발 시스템, ⑤ AI 기반 훈련·교육체계 고도화, ⑥ 병력운용 효율화 및 근무편중 완화 등을 가능하게 하는 것으로 나타났다. 특히 AI는 기존의 지시·통제 중심 리더십을 보완하여, 권한위임형·소통 중심·파트 너십 기반의 새로운 군 리더십 모델을 정착시키는 촉매 역할을 수행한다. 본 연구는 문헌연구의 한계를 극복하고 현장의 실증적 요구를 반영하기 위해, 해병대 각 병과별 초급부 사관 11명을 대상으로 표적집단면접(FGI)을 실시하였다. 참여자는 직무 특성을 고려하여 전투, 기술, 지 원 병과를 고루 인터뷰하여 확인하였다. 본 연구는 AI 기반 복무여건 개선이 초급간부의 직무만족과 장기복무 유인을 높이고, 나아가 해병대 전투력의 지속가능성을 확보하는 전략적 과제임을 제언한다. 향후 실증연구를 통해 AI 기반 병영혁신 효 과성 분석 및 정책 수용성을 검증하는 후속 연구가 요구된다.

This longitudinal case study examines how a non-specialist English for Specific Purposes (ESP) instructor, trained in English education but with limited disciplinary expertise in Bio-Health, designed and refined an ESP course through the integration of generative AI over a three-year period (2023–2025). Using a mixed-methods approach, the study analyzed changes in instructional design practices and student perceptions. Data sources included annual student surveys, instructional materials, and the instructor’s reflective journals. Findings indicate that generative AI functioned as an external cognitive resource that reduced disciplinary content burden and supported instructional decision-making. Over time, instructional focus shifted from compensating for content limitations to structuring learning experiences through AI-supported design decisions, particularly in reading, vocabulary instruction, and project-based learning. Student perceptions of course effectiveness and major relevance increased, with the most positive evaluations following AI-supported project implementation in 2025. These changes are conceptualized as AI-mediated hybrid expertise, referring to professional knowledge in which pedagogical expertise is reconfigured through AI-supported access to disciplinary knowledge.

The adoption of generative artificial intelligence (AI) has attracted growing attention across industries due to its potential to transform organizational processes and value creation. Despite its high applicability, however, the diffusion of generative AI in the telecommunications industry remains limited. Existing studies have largely focused on identifying individual barriers to AI adoption, providing insufficient understanding of how these barriers interact and form a complex hierarchy of constraints. Addressing this gap, this study investigates the structural interrelationships among barriers to generative AI adoption in the telecommunications industry. Based on a comprehensive literature review and expert validation, fifteen key barriers were identified. Using a Delphi-based Interpretive Structural Modeling (ISM) approach, this study examined the hierarchical influence structure among the barriers. Subsequently, the Matrix Impact Cross-reference Multiplication Applied to Classification (MICMAC) technique was employed to classify the barriers according to their driving power and dependence. The results reveal a four-level hierarchical structure in which environmental barriers play a foundational role. In particular, the absence of alignment in institutional frameworks and technical standards emerges as a root-level barrier exerting strong influence on higher-level constraints. Regulatory uncertainty and concerns about job displacement function as independent drivers linking foundational environmental conditions to execution- level constraints. Most technical, organizational, and economic barriers are concentrated at the intermediate level, forming a highly interdependent execution layer. At the top level, delays and uncertainties in decision-making regarding generative AI adoption appear as outcome-oriented barriers resulting from the cumulative effects of lower-level constraints. By highlighting that barriers to generative AI adoption in the telecommunications industry operate as a structurally connected system rather than isolated factors, this study extends existing adoption research through a structural perspective. The findings provide practical insights for telecommunications firms in prioritizing adoption strategies and offer implications for addressing institutional and regulatory conditions that shape the diffusion of generative AI.

노후화된 사회 기반 시설물 증가에 따라 정기적인 구조물 손상 점검의 중요성이 확대되고 있다. 그러나 기존 점검 방식은 고가의 장비와 다수의 인력을 요구하며, 차선 폐쇄를 필수적으로 수반한다. 특히 차선 폐쇄는 교통 체증을 유발해 차량의 반복적인 가속과 감속, 공회전을 증가시키고 결과적으로 연료 소비와 온실가스 배출량을 증가시켜 사회적 비용을 초래한다. 이에 AI 기술을 활용해 차선 폐쇄 없이 손상을 탐지하는 연구가 진행되고 있으나 대부분 도로포장 탐지에 한정되어 있어 교량 기둥이나 방호 울타리 등 입체 구조물에 대한 탐지 기술과 차선 폐쇄에 따른 운영 효율성 및 에너지와 배출량 변화에 대한 정량적 분석은 부족한 실정이다. 본 연구는 차선 폐쇄 없이 사회 기반 시설물의 손상을 탐지할 수 있는 AI 기반 손상 시스템을 구축하고 차선 폐쇄로 인한 변화를 정량적으로 분석한다. 이를 위하여 360° 카메라, 차량 전방 카메라, 라인 스캔 카메라를 통하여 도로 영상을 수집하고, Mask R-CNN과 RF DETR+SAM 알고리즘을 활용하여 도로포장과 입체 구조물의 손상을 탐지하였다. 또한, 교통 시뮬레이션 프로그램 SUMO를 통해 국내 도로 구간을 재현하고 차량 에너지 분석 모듈 FASTSim을 연계하여 차선 폐쇄에 따른 교통 및 에너지 효율 변화를 비교하였다. AI 탐지 결과 RF DETR+SAM 시스템은 정확도 81%, 정밀도 87%, 재현율 61%, F1-score 0.72를 달성해 Mask R-CNN 대비 우수한 성능을 기록했으며, 도로포장뿐만 아니라 입체 구조물에 대한 안정적 탐지 가능성을 확인하였다. 시뮬레이션 결과 차선 폐쇄는 주행 속도 약 25% 감소, 연료 소모 약 18% 증가, CO2 배출량이 약 22% 증가한 것으로 나타났다. 본 연구는 AI 기반의 손상 탐지가 차량흐름을 유지하며 수행될 수 있음을 실증하고, 유지관리 시 교통, 에너지, 환경 영향을 통합적으로 고려할 수 있는 정량적 근거를 제시한다.

AI 트랜스포메이션이 선교 패러다임에 미친 영향을 분석하고, 지속가능한 선교 관점에서 복음 텍스트와 디지털 콘텍스트의 균형을 모색한다. 2016년 이후 한국 선교의 정체 현상은 ‘질적 선교’로의 전환을 요청했으며, 4차 산업혁명 기술은 선교 방법과 구조의 근본적인 재편을 가속화하고 있다. 한국세계선교협의회(KWMA)의 디지털 선교 로드맵과 실제 교회 시스템 구축 사례를 토대로, 폴 히버트의 비평적 상황화 이론에 기초한 ‘디지털 통합 모델’을 제안한다. 이 모델은 네트워 크, 플랫폼, 하이브리드, AI 보조라는 네 가지 핵심 차원을 통해 선교 현장의 효율성을 극대화하고 사역의 질적 향상을 도모한다. 특히, AI 시대의 기술적 편향과 윤리적 문제에 대한 신학적 성찰을 강조하며, 디지털 기술이 성령의 사역을 대체하는 것이 아니라 보조하는 도구임을 명확히 한다. 결론적으로, 데이터 기반의 공유 플랫폼을 통해 선교 역량을 강화하고 선교적 유산을 축적함으로써, 복음의 본질을 수호하는 동시에 급변하는 디지털 환경 속에서 다음 세대를 향한 지속가능한 선교 방향을 제시하고자 한다.

This study explores the use of Midjourney (V6) by fashion design undergraduates for AI-supported ideation, focusing on how outcomes differ based on fashion-domain competence and prompt/parameter instruction. A focused ethnographic, comparative case-study design was used to observe a short collection-development module. Data included Discord prompt and parameter logs, generated image outputs (mood boards, look proposals, and pattern drafts), one-on-one interviews, classroom observation notes, and expert co-coding and qualitative evaluation. Participants were organized into four groups by crossing Basic vs. Advanced Fashion competence (BF/AF) with Basic vs. Advanced Prompt training (BP/AP): BF-BP, AF-BP, BF-AP, and AF-AP. BF-BP depended on repetitive/imaginary use and generic descriptors, resulting in visually appealing yet conceptually fragmented and low-feasibility results. AF-BP leveraged a richer domain vocabulary to improve item-level adequacy but struggled to maintain collection-level consistency, leading to the use of external editing tools such as Photoshop and Illustrator for portfolio-level refinement. BF-AP quickly mastered commands and parameters (e.g., /describe, --chaos, --stylize, --ar, --tile, --no, --sref, --cref), generating appealing concept imagery while failing to convert outputs into wearable garments and cohesive collections. AF-AP combined advanced fashion knowledge with strategic parameter sequencing— broad exploration, followed by consistency control and selective refinement—achieving the most coherent, feasible outcomes and positioning AI as an early-stage accelerator rather than a substitute for core design and making skills. Overall, this study proposes “parameter literacy” as a domain-specific extension of GenAI literacy and offers a parameter–process mapping (divergent generation, consistency control, and editing/refinement) to enhance fashion curricula.

This study examines group differences in AI dependence, self-efficacy, and design fixation based on learners’ AI utilization experience, and further explores the relationships between AI dependence and perception-related variables within an AI-based design education context. To this end, I surveyed 42 learners who participated in an AI-based design class. I then performed data analysis in IBM SPSS Statistics 26, using one-way analysis of variance (ANOVA) and Pearson correlation. The ANOVA revealed statistically significant group differences in AI dependence by AI usage level, but no significant differences in self-efficacy or design fixation. Furthermore, age and professional experience showed no significant influence on most variables. Meanwhile, the correlation analysis revealed that AI dependence was significantly positively associated with design fixation, but not with self-efficacy. These results suggest that, in AI-based design education, learners’ perceptions and attitudes are not strongly differentiated by personal background factors such as age or professional experience, but are instead associated with their experience with AI use and perceived dependence on AI. By distinguishing and analyzing AI utilization and AI dependence, this study provides empirical evidence that contributes to a more nuanced understanding of learners’ cognitive perceptions in AI-based design education in practice.

최근 생성형 AI(Artificial Intelligence)의 확산으로, 소비자의 쇼핑 활동을 대신 수행하는 AI 에이전트 커머스가 새로운 상거래 형태로 부상하고 있다. AI 에이전트 커머스는 기존 검색엔진을 대체할 가능성을 지니는 동시에, 인간의 경제활동에서 준(準)대리 주체로서의 역할이 확대된다는 점에서 주목받고 있다. 특히 AI 에이전트가 탐색, 추천, 의사결정, 결제에 이르는 전 과정을 자율적으로 또는 협업 방식으로 수행하는 환경에서는, 사용자의 판단 기준이 개별 기능에 대한 평가에서 벗어나 서비스 전반의 가치와 신뢰에 대한 종합적 평가로 이동할 가능성이 크다. 이에 따라 성과기대, 노력기대, 쾌락적 동기 등 기존 기술수용 요인의 작동 방식과 중요성도 달라 질 수 있다. 더 나아가 설명가능성, 의인화, 환각위험 등 AI의 특성이 수용의도에 독자적 영향을 미칠 가능성이 있다. 이러한 맥락에서 본 연구는 AI 에이전트 커머스의 수용의도에 있어 기존 요인의 역할과 AI 특성의 추가적 영향을 동시에 검증함으로써, 초기 단계의 AI 에이전트 커머스 채택 메커니즘을 보다 명확하게 규명하고자 한다. 이를 위하여 사용자 수용의도 분석에 설명력이 높은 UTAUT2(Unified Theory of Acceptance and Use of Technology 2) 모형과 VAM(Value-based Acceptance Model)의 핵심 변수를 기반으로 AI의 긍정적 요인(설명가능성·의인화· 통합 결제기능)과 부정적 요인(환각위험·프라이버시 우려), 그리고 신뢰를 통합한 연구모형을 설계 하였다. 총 307개의 설문 응답을 바탕으로 분석한 결과 지각된 혜택, 신뢰, AI 의인화, AI 환각위험, 프라이버시 우려가 수용의도에 유의미한 영향을 미치는 것으로 나타났다. 또한, 성과기대, 노력기대, 쾌락적 동기, AI 설명가능성, 통합된 결제기능은 지각된 혜택에, AI 환각위험 및 프라이버시 우려는 지각된 희생에, 그리고 성과기대, 쾌락적 동기, AI 의인화 및 통합된 결제기능은 신뢰에 각각 유의 미한 영향을 미치고 있음을 확인하였다.

This paper presents an AI-based PHM (Prognostics and Health Management) framework for quantitative motor health assessment and remaining useful life (RUL) prediction. The proposed method first defines a health index using vibration and current signals of an industrial motor, and then adopts a two-stage PHM architecture consisting of health-state classification and deep learning-based RUL prediction. A degradation test bench is designed to obtain condition monitoring data for normal, warning, and critical states, and a hybrid 1D CNN– BiLSTM–attention model is developed to capture both local features and long-term temporal dependencies. Experimental results demonstrate that the proposed model outperforms conventional SVM and single LSTM baselines in terms of both health-state classification accuracy and RUL prediction accuracy, achieving a 20– 30% reduction in RMSE and more than 80% of RUL predictions within ±10% error. The proposed approach provides a practical PHM framework and modeling guidelines for implementing condition-based maintenance of electric motors in smart manufacturing environments.

상수관로의 노후화는 수질 안전성 저하와 수자원 손실, 유지보수 비용 증가 등의 문제를 야기하며, 이에 따라 지중 매설관의 상태를 신속하고 정확하게 진단할 수 있는 기술의 중요성이 커지고 있다. 특히 내시경 영상을 활용한 관로 점검은 가장 보편적인 방식으로 자리 잡았으나, 판독자의 숙련도에 따라 해석 편차가 발생하고, 대량 데이터의 신속한 처리에는 한계가 있다. 이러한 배경에서 본 연구는 관종⋅관경⋅용도 등 상수관 메타데이터를 모델에 통합하고, 관로 내 결함의 존재 여부와 유형, 크기를 동시에 예측할 수 있는 다중과제 학습(Multi-task Learning) 기반 인공지능 모델을 제안한다. 제안한 모델은 두 개의 예측 헤드를 통해 결함 판별과 정량적 분류를 병행하도록 설계되었으며, SHAP 기반 분석을 통해 모델의 판단 근거가 상수관로의 실제 결함 특성과 일치함을 확인하였다. 이러한 접근은 수작업 판독의 부담을 경감하고, 관로 상태 기록의 표준화 및 정량화를 통해 예방 중심의 유지관리 전략 수립을 효과적으로 지원할 수 있다.

본 연구의 목적은 4차 산업혁명 시대를 맞아 AI 기반 코칭을 체계적으로 고찰 하여 학문적 체계를 정립하고 실천적 발전 방향성을 제시하고자 하였다. PRISMA 가이드라인을 적용하여 2016년부터 2025년 4월까지 발표된 국내 학술 논문 및 학위논문 30편을 최종 선정해 연구 시기, 학술 유형, 연구 목적, 적용 분야 및 기술 유형, 연구 방법, 연구 대상을 중심으로 분석하였으며, 혼합방법평 가도구(MMAT)를 통해 방법론적 타당성을 검토하였다. 분석 결과, 2023년에 가 장 많은 연구가 수행되었고, 기술 개발 중심의 연구가 66.7%로 가장 많았으며, 효과성 분석(23.3%)과 수용성 연구(10%)는 상대적으로 적었다. AI 코칭은 스포 츠와 헬스, 운동 분야, 교육, 조직 분야 등 다양한 분야에 적용되었으며. 기술유 형도 머신러닝 및 딥러닝, 웨어러블, VR/AR 기반 피드백 시스템 등 다양하였다. 연구 방법은 정량적 연구가 가장 많았고, 혼합 연구와 정성적 연구도 수행되었 다. 연구 대상은 일반 성인을 포함해 고령자, 당뇨 환자 등 특수 집단, 운동선수, 학생 등 다양한 대상이 포함되었다. 본 연구는 국내 AI 관련 코칭 연구의 경향 을 정리하고, 기술 활용 특성과 방법론적 흐름을 정리했다는 점에서 학문적 의 미가 있다. 표본 수의 제한에도 불구하고, 향후 실천적 활용 가능성과 후속 연구 에 기초 자료를 제공한다.