학업 성취 데이터는 학생의 중도탈락을 예측하는 모형을 구축하는 데 필수적이다. 데이터의 한 속성이 여러 값을 가지며, 각 값이 한 학기 동안 학생이 달성한 성취를 나타내는 경우, 기존 방법들은 통상 그 값들로부터 평균을 계산하고 이를 학습 데이터 구축에 사용한다. 이러한 요약 기반 접근은 특징 추출을 포함하여 학습 과정을 단순화할 수 있기 때문에 널리 사용되어 왔다. 그러나 여러 학기의 값에 내재된 패턴을 요약 대신 적절히 추출하여 학습에 활용할 수 있다면, 모형의 성능은 더욱 향상될 수 있다. 그럼에도 불구하고 이 문제는 선행 연구에서 조사되지 않았다. 본 논문에서는 학기별로 저장된 학생의 학업 기록에 존재하는 패턴을 활용하기 위해 순환신경망(recurrent neural networks, RNNs)을 효과적으로 사용할 수 있음을 입증한다. 데이터에서 패턴을 식별하고 이에 적합한 해법을 도출하기 위해 다양한 신경망 알고리즘을 비교하였다. 또한 모형 성능을 향상시키기 위해 어텐션을 채택하였다. 실제 학생 기록을 대상으로 수행한 실험에서, 멀티-헤드 어텐션을 적용한 게이트 순환 유닛(gate recurrent unit, GRU) 모형은 F1 점수 0.9416을 달성하였으며, 이는 기존의 요약 기반 접근법에 비해 약 5% 높은 결과이다. 이는 학기 기록이 시간적 패턴을 보이며, RNN이 이러한 패턴을 효과적으로 활용할 수 있음을 보여준다.

VR 전시 공간이 단순한 체험을 넘어 실제 공간 설계의 시뮬레이션 도구로 활용됨에 따라, VR 전시 공간 구성에 대한 정량적 분석의 필요성이 제기되고 있다. 본 연구는 가시성 그래프 분석(Visibility Graph Analysis, VGA)을 통해 VR 전시 공간의 구성을 분석하고, 이를 효율적 공간 구조 설계를 위한 근거를 제공하는 것을 목적으로 하였다. 이에 따라 4개의 VR 전시 사례를 평면화하고, DepthmapX를 활용해 네 가지 공간 지표인 연결도, 전체 통합도, 국부 통합도, 명료도를 분석하였다. 그 결과, 전시 동선과 콘텐츠 배치에 대한 공간 설계의 근거를 도출할 수 있었으며, VR 전시 공간이 설계 단계에서 유효한 도구로 기능할 수 있음을 확인하였다.

비자살적 자해(Non-Suicidal Self-Injury, NSSI)는 청소년에서 흔하고 복잡한 행동으로, 종종 외로움, 불안, 공허감과 같은 부정적 정서와 연관된다. 전통적인 자기보고 및 실험 방법은 자서전적 회상에 의존하므로 편향과 낮은 생태학적 타당성에 취약하다. 따라서 Ecological Momentary Assessment(EMA)와 같이 일상생활에서 NSSI 관련 감정과 맥락을 반복적으로 측정하는 접근이 필요하다. 본 연구는 기계학습과 다수준 로지스틱 회귀분석을 사용하여 청소년의 NSSI 사고를 예측하는 정서 요인을 확인하고자 하였다. 본 연구에는 최근 1년 이내에 NSSI를 수행한 12~15세 청소년 42명이 포함되었다. 참가자들은 스마트폰 애플리케이션을 통해 14일간의 EMA 기간 동안 하루 세 차례 기분과 NSSI 행동을 보고하였다. 예측 변인으로는 우울, 불안, 외로움, 자기-분노, 타인에 대한 분노, 수치심, 공허감이 포함되었다. 랜덤 포레스트 모델은 외로움(특성 중요도: 0.40), 불안(0.18), 공허감(0.14)을 NSSI 사고의 가장 중요한 예측 요인으로 확인하였다. 다수준 로지스틱 회귀분석은 이러한 결과를 확인했으며, 불안, 외로움, 공허감 각각이 1단위 증가할 때 NSSI 사고를 경험할 가능성이 각각 24%, 19%, 24% 증가하는 것으로 나타났다. ICC 값 0.26은 개인 간 변산이 실질적임을 나타내 다수준 모델링의 타당성을 뒷받침하였다. 그러나 무작위 효과 분석에서는 유의한 개인차가 관찰되지 않았는데, 이는 참가자 전반에 걸쳐 효과가 균일함을 시사한다. 이러한 결과는 외로움이 가장 영향력 있는 예측 요인임을 강조하며, 개입에서 사회적 연결을 다룰 필요성을 부각한다. 기계학습과 전통적 통계 방법을 결합함으로써 해석가능성이 향상되었고, NSSI에 관여하는 청소년을 위한 맞춤형 정서 중심 개입을 개발하는 데 실질적인 통찰을 제공한다.

본 연구는 실시간 환경 및 인구 통계 데이터를 시각화하고, AI 기반 얼굴 생성을 통합하여 역동적이고 몰입감 있는 사용자 경험을 제공하는 데이터 중심의 대화형 멀티미디어 플랫폼을 제안한다. 본 시스템은 이미지 생성 AI와 데이터 시각화를 하나의 통합된 프레임워크로 결합하여 실시간 개인화 상호작용을 가능하게 한다. 실시간 날씨 및 인구 데이터는 서울특별시에서 제공하는 공개 API를 통해 수집·처리되며, 이러한 데이터 스트림은 하늘 색, 구름 밀도, 배경 환경과 같은 시각적 파라미터에 매핑되어 지역의 상황을 동적으로 반영한다. 얼굴 생성은 연령과 성별로 범주화된 한국인 얼굴 데이터셋을 기반으로 학습된 미세조정된 stable diffusion 모델을 사용하여 수행한다. 생성된 페이스 메시(face mesh)는 상세 표정 포착 및 애니메이션(DECA)으로 정교화하고, Unreal Engine 내에서 MetaHuman 캐릭터로 구현하여 표현력 있는 실시간 아바타를 생성한다. 플랫폼은 클라이언트–서버 아키텍처를 채택하며, 클라우드 기반 자산 관리(cloud-based asset management)를 활용하여 실시간 데이터 및 3D 자원을 효율적으로 처리한다. 이러한 접근은 실시간 공공 데이터를 AI 기반 개인화와 결합한 새로운 형태의 대화형 미디어 경험을 보여주며, 예술, 디자인, 도시 데이터, 인공지능을 연결하는 학제 간 HCI 연구를 위한 새로운 기회를 제시한다.