AI가 돕는 대학 장애지원팀의 HCI 그림 대체텍스트 작성 연구

초록

본 논문은 대학 장애지원서비스(DSO) 전문가가 HCI 분야 학술 그림에 대한 대체텍스트(alt text)를 작성할 때, 생성형 AI(특히 ChatGPT‑4o)의 지원이 품질, 속도, 자신감에 미치는 영향을 두 차례 실험을 통해 조사한다. 12명의 DSO 전문가가 AI 지원 유무에 따라 텍스트를 작성하고, 11명의 HCI 전문가가 그 결과물을 평가한 결과, AI 도움을 받은 대체텍스트가 품질·작성 시간·작성자 자신감 모두에서 우수함을 확인하였다. 다만 AI와의 인터랙션에서 제어성·관련성 부족 등 비효율성을 호소한 점도 보고되었다.

상세 분석

이 연구는 접근성 실무자와 생성형 AI 간의 협업 메커니즘을 실증적으로 탐구한 점에서 학술적·실무적 의미가 크다. 첫 번째 단계에서는 12명의 DSO 전문가를 대상으로 동일한 HCI 논문 그림 6장을 두 조건(AI 지원 vs. 비지원)에서 번갈아 작성하게 하였으며, 작업 시간, 자기보고식 자신감 척도, 그리고 사전 정의된 품질 척도(정확성, 완전성, 간결성)를 수집했다. 결과는 AI 지원 시 평균 작업 시간이 38 % 감소하고, 자신감 점수가 1.7점(5점 척도) 상승했으며, 품질 점수는 0.9점(최대 5점) 상승함을 보여준다. 이는 LLM이 복잡한 시각 정보를 텍스트로 변환하는 과정에서 도메인 지식이 부족한 실무자가 “핵심 정보 추출·구조화”를 빠르게 수행하도록 돕는 역할을 함을 시사한다.

두 번째 단계에서는 11명의 HCI 분야 전문가가 AI 지원·비지원 대체텍스트를 블라인드 평가했다. 평가 항목은 (1) 정보 정확성, (2) 중요한 시각 요소 누락 여부, (3) 과도한 추론·허위 정보 포함 여부, (4) 전체적인 가독성이다. AI 지원 텍스트는 평균 4.2점(5점 만점)으로 비지원 텍스트(3.4점)보다 유의하게 높았다. 특히 AI가 제공한 “데이터 트렌드 요약”과 “실험 변수 간 관계 설명”이 전문가들에게 높은 가치를 부여했으며, 일부 허위·과장된 내용은 사후 교정이 가능함을 확인했다.

그러나 인터랙션 효율성에 대한 정성적 피드백에서도 중요한 문제점이 드러났다. 참가자들은 프롬프트 작성 시 구체적 요구를 명시해야 하는 부담, AI가 제시한 텍스트를 검증·수정하는 과정에서 발생하는 추가 작업, 그리고 AI가 때때로 비관련 정보를 삽입하는 ‘hallucination’ 현상을 지적했다. 이는 현재 LLM이 제공하는 “제안” 단계가 완전한 자동화보다는 인간‑AI 협업 형태로 설계돼야 함을 의미한다.

연구 설계 측면에서는 실제 DSO 업무 흐름을 재현하기 위해 실제 학술 논문을 사용하고, AI 모델 선택에 있어 최신 공개 모델인 ChatGPT‑4o를 채택한 점이 강점이다. 다만 표본 규모가 제한적이며, HCI 분야에 국한된 점, 그리고 AI 모델이 2025년 기준 최신이었으므로 이후 모델 변화에 따른 일반화 가능성은 추가 검증이 필요하다.

종합적으로, 본 연구는 (1) 비전문가인 DSO 전문가가 복잡한 과학 그림을 해석·기술하는 데 AI가 실질적 생산성 향상을 제공한다, (2) AI가 생성한 텍스트는 전문가 평가에서도 품질이 우수함을 입증한다, (3) 인간‑AI 협업 설계 시 ‘제어성’, ‘투명성’, ‘검증 절차’가 핵심 설계 요소임을 강조한다는 세 가지 핵심 인사이트를 도출한다.