Purpose: This study aimed to examine the experiences of nursing students developing and implementing generative artificial intelligence (GenAI)-based oncology emergency nursing simulation scenarios. Method: This qualitative content analysis included 23 senior nursing students in the Republic of Korea. Participants worked in teams to develop oncology emergency nursing simulation scenarios using ChatGPT, participated in simulation practice, and completed reflective journals after the program. Data were analyzed using qualitative content analysis. Results: Four themes and twelve categories were identified: “AI-Based Scaffolding for Structuring Clinical Situations,” “Verification of AI-Generated Information and Knowledge Reconstruction,” “Enhancement of Clinical Reasoning and Collaborative Problem-Solving Competencies,” and “Professional Identity Formation and Preparation for Future Practice.” Participants described GenAI as a cognitive scaffolding tool that helped structure complex clinical situations, identify knowledge gaps, critically evaluate AI-generated information, and integrate fragmented knowledge. The program also enhanced clinical reasoning, SBAR-based communication, and collaborative problem-solving. Conclusion: GenAI-based oncology emergency nursing scenario development and simulation may be an effective educational strategy for promoting self-directed learning, critical thinking, clinical reasoning, and practice readiness among nursing students. GenAI can serve as an educational scaffolding tool that supports active knowledge construction and reflective thinking rather than replacing clinical reasoning.

본 논문은 생성형 AI 비즈니스의 무형자산 기여도 측정에 관한 선행연구를 검토한 뒤, 생성형 AI 서비스의 성과를 데이터, 모델, 평가/안전, 조직/채널 등 복수의 무형자산으로 분해 하여 직접 효과와 시너지로 설명하는 실무형 모형을 제시한다. 도입 전후 성과에서 기본 성장률을 제외해 순수 개선분을 구하고, 소규모 실험전후 비교, 로그 분석으로 자산지표의 민감도(탄력도)를 추정해 자산별 직접기여를 산출한다. 잔차는 시너지로 정의하고, 초기에는 균등 배분, 이후에는 직접효과 비중에 따라 배분하며, 핵심 자산에는 간이 Shapley를 보조 적용한다. 이 결과는 로열티 설계, 공동개발 분담, PPA 등 현금흐름 의사결정에 바로 활용될 수 있다. 데이터 사전, 버전 고정, 사건 로그, 품질 점검으로 재현성을 확보하고, 신뢰도 가중, 민감도 검증, 상 하한(collar/floor), 정기 재산정으로 운영 안정성을 높인다. 본 모형은 간결하고 검증 가능하나, 강한 비선형성, 지연 효과, 네트워크 효과 등을 포착하기에는 한계가 있어 구간별 재추정과 보완적(추가) 식별이 필요 하다.

본 연구는 생성형 AI 음악 플랫폼 Suno를 중심으로, 플랫폼화된 창작 환경에서 이루어지는 음악 창작 활동의 구조와 모순을 분석하였다. 이를 위해 인간의 행위를 사회문화적 맥락 속 활동체계로 이해하는 활동이론(Activity Theory)을 분석 틀로 채택하고, Suno 기반 음악 창작을 주체, 객체, 도구, 규칙, 공동체, 분업의 상호작용 속에서 파악하였다. 분석은 연구자 1인의 직접 창작 실천에 기반한 자기관찰 자료를 활용하여, 활동이론의 여섯 요소에 대응시키는 방식으로 수행되었다. 분 석 결과, 세 가지 핵심 모순이 도출되었다. 첫째, 사용자의 창작 의도와 AI 자동생성 결과 사이의 긴장으로, 프롬프트를 통한 창작 방향 제시가 실제 산출물에 온전히 반영되지 않는 구조적 불일치 가 반복적으로 나타났다. 둘째, 창작 참여의 확대와 통제·전문성 재편 사이의 긴장으로, 접근성 의 확대가 세밀한 창작 통제의 확대로 반드시 이어지지 않으며 기존 음악적 전문성의 위상을 재편 하는 압력으로 작용하였다. 셋째, 공동창작 인식과 저자성 판단 사이의 긴장으로, 사용자는 창작 과정에 분명히 개입하면서도 결과물을 온전히 자신의 창작물로 인정하기 어려운 이중적 구조를 경험하였다. 이러한 분석은 생성형 AI 환경에서 음악 창작자의 역할, 통제 방식, 저자성 인식이 변화하고 있음을 보여주며, 음악 창작 주체가 단일한 인간 저자가 아니라 플랫폼, 기술, 규칙, 공동체와의 상호작용 속에서 재구성되는 관계적 존재로 이해될 필요가 있음을 시사한다.

This study investigated the visualization accuracy and educational applicability of generative artificial intelligence (AI) tools in fashion design education by comparing images generated from the same blouse sketch using GPT-based tools, LOOK AI, and Stable Diffusion under identical prompt conditions. Thirty-two professional fashion designers evaluated the generated outputs using a structured 10-item assessment scale, focusing on silhouette accuracy, detail representation, structural clarity, and overall visual completeness. Statistical differences among the tools were analyzed using one-way analysis of variance followed by post-hoc comparisons. The results revealed significant differences (p<.05) in key evaluation criteria: silhouette accuracy, detail implementation, structural interpretability, and overall completeness. LOOK AI excelled in representing structural elements such as seams, pleats, and pattern logic, indicating its strength in design-oriented applications and technical visualization tasks. In contrast, Stable Diffusion received higher ratings for overall visual balance and aesthetic coherence, despite showing relatively lower structural fidelity. GPT-based outputs received lower ratings for structural accuracy but were seen as valuable for promoting critical AI literacy via prompt-based exploration, iterative refinement, and reflective evaluation. These findings suggest that differences among AI tools should not be interpreted in terms of absolute superiority but as distinct educational affordances. Accordingly, this study proposes a three-axis instructional framework that integrates structure-oriented learning, creative visualization, and critical inquiry-based learning.

본 연구는 생성형 AI의 영화 스토리텔링 분석 정확성을 실증적으로 검 증하는 데 목적이 있다. 검증 대상은 보편적 대중 서사의 대표군으로서 역대 박스오피스 상위 흥행작과 특정한 이야기 방식을 지닌 연출자 작품 군으로서 신카이 마코토 감독의 연출 작품 전편으로 구성하였다. 분석 항목은 주인공, 도발적 사건, 도발적 사건으로부터 파생된 주인공의 목표 로 한정하고, 각 요소의 판정이 얼마나 안정적으로 이루어지는지를 점검 하였다. 판정은 작품별·요소별로 정확, 부분 정확, 부정확으로 구분하였 으며, 불일치가 나타나면 어떤 개념이 어디에서 잘못 적용되었는지를 함 께 밝혔다. 분석 결과는 다음과 같다. 첫째, 생성형 AI는 일정 수준의 유 의미한 답을 제시하였으나, 전반적으로 높은 정확도에 도달했다고 보기 는 어려웠다. 둘째, 오류는 특히 도발적 사건의 판정에서 가장 빈번하게 나타났으며, 이는 발단이 되는 사건과 도발적 사건을 구분하는 개념 적 용이 불안정한 데에서 비롯된 것으로 보인다. 셋째, 보편적 대중 영화와 특정 감독 작품군 사이에서 분석 정확도의 뚜렷한 차이는 확인되지 않았 다. 결론적으로 생성형 AI 기반 스토리텔링 분석은 작품 이해 초기의 요 약과 탐색 단계에서 보조적으로 활용될 수 있으나, 현 단계에서는 정확 성의 변동성으로 인해 분석의 객관성을 단독으로 담보하기 어렵다. 본 연구는 현시점 AI의 영화 스토리텔링 분석 정확도를 점검할 수 있는 하 나의 틀을 제시했다는 점에서 의의가 있으며, 교육 현장에서는 AI 산출 물을 정답이 아닌 비판적 재검토의 대상으로 활용할 필요가 있음을 시사 한다.

본 연구는 생성형 인공지능(AI) 활용 여부에 따라 과학고등학교 학생들의 과학 논증활동이 어떠한 특성을 보이 는지를 논증적 글쓰기와 구술 토론 맥락에서 탐색하였다. 연구 참여자는 과학고등학교 2학년 학생 8명으로, 생성형 AI 활용 집단과 미활용 집단으로 구분하였다. 두 집단은 우주쓰레기 대응 방안을 주제로 논증 산출물을 작성한 후, 일대일 구술 토론을 수행하였다. 연구 결과는 다음과 같다. 논증적 글쓰기에서 생성형 AI 활용 집단은 주장·증거·추론 간의 논리적 연결성이 명확한 논증을 산출한 반면, 미활용 집단은 다양한 수준의 논증이 혼재하는 양상을 보였다. 구술 토론 에서는 생성형 AI 활용 집단의 논증 수준이 논증적 글쓰기에 비해 전반적으로 낮아졌으며, 반박 제시 또한 제한적이었 다. 반면 미활용 집단에서는 반박과 논증 재구성이 활발하게 이루어졌다. 이러한 결과는 생성형 AI가 논증적 글쓰기 맥락에서는 정보 조직화와 논증 구조 생성을 지원하는 인지적 도구로 기능할 수 있음을 시사한다. 그러나 즉각적인 반박 과 역동적인 논증 수행이 요구되는 상호작용적 토론 맥락으로의 전이는 제한적일 수 있음을 보여준다. 이에 본 연구는 논증활동에서 생성형 AI를 인지적 도구로 활용하는 방안, 생성형 AI 활용에 따른 인지적 외주화의 가능성, 그리고 논 증적 글쓰기와 토론을 연계한 생성형 AI 기반 수업 설계의 필요성을 결론으로 제시하였다.

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.

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.

This study examines error patterns in the use of the dynamic aspect markers le, zhe, and guo in the interlanguage of Korean learners of Chinese, and compares the corrective strategies and effects of human teachers with those of artificial intelligence systems represented by ChatGPT-5 and DeepSeek in grammatical error correction. The findings indicate that AI demonstrates high efficiency in correcting frequent and rule-based overt errors, producing revisions that are largely comparable to those of teachers in terms of formal grammatical accuracy. However, when errors involve semantic distinctions, aspectual function differentiation, or discourse-level coherence, AI corrections tend to remain at a surface level, lacking systematic explanation and pedagogical orientation. In contrast, human teachers integrate contextual information and aspectual semantics to provide targeted analysis and feedback, which better supports learners’ construction of aspectual understanding. Based on these findings, this study argues that AI is currently more suitable as a supplementary tool for grammatical error correction, and proposes promoting the development of AI correction systems toward greater interpretability and pedagogical integration in order to achieve a human-AI collaborative model of Chinese language teaching.

본 연구는 ADHD 아동의 정서 조절 어려움과 부모-자녀 의사소통 단절 문제를 완화하기 위해, 생성형 AI를 활용한 관계 촉진형 워크북 시스템의 설계 프레임워크를 제안하는 설계 연구(Design Research)로서, 이론적으로 근거한 설계 원칙의 도출과 기술적 실현 가능성 검 증에 초점을 두며, 사용성 평가 및 임상적 효능 검증은 후속 연구 과제로 설정한다. 제안 시스템은 아동의 일기를 4컷 만화로 변환하되 말풍선을 비워 둠으로써 부모-자녀가 대화를 통해 의미를 공동 완성하도록 하는 '의도적 불완전성' 설계 패러다임을 적용하여, AI가 치 료를 대체하지 않고 상호작용의 비계로 기능하도록 한다. Barkley의 실행 기능 결함 모델, Fogel의 공동 조절 이론, PCIT의 PRIDE 기술, Sweller의 인지 부하 이론이라는 4가지 이론 적 출처의 교차 분석을 통해 5가지 설계 원칙을 도출하고, LLM 및 Text-to-Image 모델 기반 프로토타입을 구현하여 기술적 실현 가능성을 검증하였으며, 전문가 3인의 의견을 수렴하 여 설계의 현장 적합성을 탐색하였다. 본 연구는 일상적 일기 쓰기를 정서 교류 기회로 전 환할 가능성을 논의하며, 향후 파일럿 사용성 연구 및 임상 검증을 위한 기반을 제공한다.

본 연구는 현대중국어 ‘怎麼’ 반문을 대상으로 생성형 AI의 화용 의미 판별 양상을 분석하는 것을 목적으로 한다. 이를 위해 ‘책망’, ‘반박’, ‘재촉’, ‘해명’, ‘당혹’, ‘유도’의 6가지 화용 의미 유형을 설정하고, 문장 단독 제시 조건(C1)과 확장 문맥 제시 조건 (C2)에서 생성형 AI의 판별 결과를 인간 화용 판단과 비교하였다. 분석 결과, C2 조 건에서 생성형 AI의 화용 의미 판별 정확도는 전반적으로 향상되었다. ‘책망’, ‘반박’, ‘재촉’, ‘당혹’ 의미는 문맥 제공 시 인간 화용 판단과의 일치가 안정적으로 확보되었 다. 반면 ‘해명’과 ‘유도’ 의미는 판별 정확도가 상승하였음에도 불구하고, 인접 화용 의미와의 경계 중첩이 지속적으로 나타났다. 이는 생성형 AI가 문맥 정보를 활용하 더라도 담화 목적 기반 화용 의미를 인간과 동일한 수준으로 정밀하게 구분하는 데 에는 한계가 있음을 시사한다.

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 of a high-entropy alloy (HEA) explored two strategies to simultaneously satisfy two mechanical properties, ultimate tensile strength (UTS) and total elongation. The first strategy used inverse design based on a conditional variational autoencoder (CVAE), and the second employed multi-objective Bayesian optimization. Using a dataset of 501 literature-based HEAs, three models were trained with alloy composition and experimental conditions as inputs. Among these, extreme gradient boosting (XGBoost) exhibited the highest predictive performance for both properties and was selected as the final prediction model. CVAE was employed to generate 1,000 new samples from the latent space under the condition that both UTS and total elongation exceeded their mean values. Of these, 310 physically feasible compositions were validated using the XGBoost model, and approximately 17.7 % satisfied the target properties. Next, expected hypervolume improvement (EHVI)-based Bayesian optimization, beginning with 130 initial compositions that demonstrated superior properties, proposed five recommended candidates. These samples were found to differ in compositional characteristics from the existing dataset, which can be interpreted as exploration driven by the uncertainty of the probabilistic machine learning model. The candidate compositions generated by both methods were predicted by the XGBoost model to have the potential to achieve the target properties.

본고는 시몽동의 기술 철학을 토대로 생명게임과 생성적 작법을 활용한 오디오-비주얼 작품 창작에 대한 예비 연구이다. 저자는 존 콘웨 이의 생명게임이 가지는 결정론적 한계를 극복하고 새로운 예술 창작의 방향 제시를 위해 질베르 시몽동의 ‘정보’, ‘비결정성의 여지’와 ‘앙상 블’ 개념을 적용하고 생성적 작법을 통해 인간과 기술적 대상이 공동 구성하는 예술 작품을 생성하였다. 구현된 시각 요소는 생명게임의 셀군 집들이 생성하는 패턴 추출과 인간의 관심 영역 설정을 통해 생명게임의 복잡성을 해석하며, 반전된 상으로서의 순환적 경계 조건을 제안하여 생명게임이 가지는 결정성과 수렴성의 한계를 극복하고자 하였다. 더불어 청각 요소는 마코프 연쇄 기반의 인공지능을 활용한 화음 진행, 임의 성, 그리고 인간 조정 행위를 통해 생명게임을 음악화함으로써, 기술적 대상이 가진 비결정성의 여지를 확장하였다. 이러한 과정에서 생성된 작품 <비결정성을 위한 연습곡>은 기술적 대상과 인간이 대등한 존재자로 상호작용하며 공동 구성하는 새로운 창작 패러다임을 제시하며, 시 몽동의 정보 개념을 통해 각 셀의 상태 변화가 개체화 과정의 정보적 사건임을 보인다.

Purpose: This study aims to develop and evaluate A4, a generative AI agent (Adaptive Aptitude Assessment by AI for Nursing Students), designed to support undergraduate nursing students in matching their personal traits with suitable clinical roles. Method: An exploratory research design was used with 71 nursing students and 65 clinical nurses. Developed using ChatGPT-4, the A4 agent classified nursing roles, identified required personal traits, and generated adaptive test items. Perceived person–job fit was measured via survey, and the data were analyzed using descriptive statistics and independent t-tests. Results: Among students, 80.3% agreed that the A4 results represented their characteristics, compared with 69.2% of nurses. Nursing students had higher perceived aptitude–fit scores (2.99 ± 0.62) than nurses (2.74 ± 0.69), indicating a significant difference (t = 2.19, p = .030). Conclusion: The findings indicate that the generative AI-based adaptive assessment, which incorporated clinical scenarios, was perceived by nursing students and clinical nurses as a tool that represents personal traits. This suggests its potential to support personalized career guidance in nursing education and serve as a supplementary tool for clinical practicum orientation.

본 연구는 생성형 인공지능을 활용하여 고구려 및 삼국시대 복식을 시각적으로 복원할 수 있는 새로운 방식을 제시하기 위해 진행되었다. 이를 위해 당시 복식과 관련이 깊을 것이라 생각되는 고구려 고분벽화, 하니와, 색동 및 아시아 전역에서 출토된 원단 유물을 기반으로 복식의 시각적 특징을 추출하고, 생성형 인공지능을 활용하여 시각적 으로 고구려 복식을 복원하였다. 먼저, 삼국시대 복식의 특징을 문헌조사를 통해 정리하였고, 복원에 참고할 이미지 선정, 프롬프트 설계 후 생성형 인공지능의 1종류인 DALL-E를 활용하여 복원 이미지 생성을 수행하였다. 생성된 복원 이미지에서 고구려 복식이 시각적으로 어떻게 구현되었는지를 확인하였고, 고구려 고분벽화 및 하니와에서 나 타난 복식의 특성을 반영한 복원 이미지의 시각적 완성도와 복원된 복식의 적절성을 분석하였다. 특별히, 색동과 북아시아 및 동아시아 전역에서 출토된 염색문양 직물(錦罽)을 활용하여 가시화시킨 결과물들의 모습을 확인하였다. 생성형 인공지능은 복식의 시각적 재구성에 유의미한 역할을 수행하였다. 본 연구는 생성형 인공지능을 통해 고대 복식을 시각적으로 복원하고, 이를 통해 기존 복식사 연구의 시각적 한계를 새롭게 보완할 수 있음을 보여주었다는 점에서 의의가 있다.

본 연구의 목적은 디지털 네이티브 세대인 대학생을 대상으로 생성형 인공지능 (Generative AI) 활용 경험이 심리적 안녕감과 AI 기반 상담 수용도에 미치는 구조적 관 계를 규명하는 데 있다. 이를 위해 기술수용모델(Technology Acceptance Model, TAM) 을 이론적 틀로 설정하고, 대학생의 AI 활용 경험과 심리적 특성이 새로운 상담 매체로서 AI 상담 수용으로 이어지는 심리적 기제를 실증적으로 분석하였다. 서울 및 경기도 소재 4년제 대학교 재학생 350명을 대상으로 온라인 설문조사를 실시하 였으며, 불성실 응답을 제외한 318부를 최종 분석에 사용하였다. 주요 변인은 생성형 AI 활 용 경험, 심리적 안녕감, 지각된 유용성, AI 기반 상담 수용도이며, SPSS 27.0과 AMOS 26.0을 활용하여 기술통계 분석, 신뢰도 분석, 확인적 요인분석, 구조방정식모형 분석을 수 행하였다. 분석 결과, 생성형 AI 활용 경험은 지각된 유용성을 매개로 하여 AI 기반 상담 수용도에 정(+)의 간접 효과를 미치는 완전 매개 구조를 보였다. 반면, 심리적 안녕감은 AI 기반 상 담 수용도와 유의미한 부(-)의 관계를 나타내어, 심리적 안녕감이 낮을수록 AI 상담에 대한 수용 가능성이 높아지는 경향이 확인되었다. 이는 일상에서 AI의 유용성을 체감한 대학생일 수록 AI를 상담 도구로 수용할 가능성이 높으며, 대면 상담에 부담을 느끼는 심리적 취약 집단에게 AI 상담이 상대적으로 수용 가능한 대안이 될 수 있음을 시사한다. 본 연구는 디지털 네이티브 세대의 특성을 반영한 AI 기반 정신건강 지원 전략의 실증적 근거를 제시하였다는 점에서 의의가 있다. 연구 결과를 토대로 대학 차원의 하이브리드 멘탈 케어 시스템 구축과 AI 리터러시 교육과 정서조절 훈련을 통합한 교육 커리큘럼 개발 등 대 학생 정신건강 증진을 위한 실천적 시사점을 제안한다.