← Back to Archive

April 1, 2026

오늘의 HCI 논문

I
ACMCHI · 2020

Bot in the Bunch: Facilitating Group Chat Discussion by Improving Efficiency and Participation with a Chatbot.

Soomin Kim, Jinsu Eun, Changhoon Oh, Bongwon Suh, Joonhwan Lee

핵심 주제

그룹 채팅에서 챗봇이 퍼실리테이터 역할을 하면, 토론의 효율성과 참여도가 달라질까요?

왜 읽어야 하는가

슬랙이나 팀즈 같은 그룹 메신저를 업무에 활용하는 PM이라면, 이 연구는 회의 없이도 텍스트 기반 토론의 질을 높이는 방법을 보여줍니다. 협업 도구에 AI를 녹이려는 디자이너에게는 챗봇이 사람의 행동을 자연스럽게 유도하는 설계 전략을 배울 수 있는 논문입니다. 특히 의견이 한쪽으로 쏠리거나, 일부만 말하는 그룹 역학 문제를 겪어본 사람이라면 공감할 겁니다.

연구 설계

연구팀은 먼저 니즈파인딩 서베이를 통해 퍼실리테이터 챗봇의 핵심 기능을 도출했습니다. 이를 기반으로 GroupfeedBot을 구현했는데, 이 봇은 토론 시간 관리, 균등 참여 유도, 의견 정리라는 세 가지 기능을 수행합니다. 다양한 과제와 그룹 크기를 조건으로 한 예비 사용자 연구를 통해 봇의 효과를 평가했습니다.

주요 발견

GroupfeedBot이 참여한 그룹은 산출물의 양이나 질에서는 큰 차이가 없었지만, 의견의 다양성이 눈에 띄게 높아졌습니다. 중간 규모의 그룹에서는 참여자 간 발언 균형이 개선되고 소통의 효율성도 올라갔습니다. 흥미로운 점은 봇이 직접 의견을 제시하지 않고 구조만 잡아줬는데도 이런 변화가 나타났다는 것입니다. 결국 좋은 퍼실리테이션은 내용이 아니라 과정의 설계에 달려 있음을 보여줍니다.

돈 아이디의 시선

Don Ihde의 프레임으로 보면, GroupfeedBot은 그룹 토론이라는 인간 활동 안에 기술이 '배경 관계(Background Relation)'로 스며든 사례입니다. 봇은 대화의 전면에 나서지 않으면서도 참여자의 발언 패턴과 토론의 흐름을 조용히 재편합니다. 하지만 Ihde라면 물었을 겁니다 — 봇이 '균등한 참여'를 유도한다는 것은 누구의 기준인가? 기술이 설정한 '이상적 토론'의 틀이 오히려 자연스러운 그룹 역학을 억압하는 것은 아닌가? 결국 퍼실리테이터라는 이름 아래, 기술이 대화의 규범을 은밀하게 정의하고 있는 건 아닐까요?

논문 원문
II
ACMCHI · 2020

Automation Experience across Domains: Designing for Intelligibility, Interventions, Interplay and Integrity.

Peter Fröhlich, Matthias Baldauf, Philippe A. Palanque, Virpi Roto, Thomas Meneweger, Manfred Tscheligi, Zdeněk Míkovec, Barbara Stiglbauer

핵심 주제

일상 속 자동화 시스템을 사용자 중심으로 설계하기 위한 네 가지 핵심 원칙은 무엇일까요?

왜 읽어야 하는가

자율주행, 스마트홈, 산업 자동화 등 자동화가 침투하지 않는 영역이 없는 지금, 이 논문은 도메인을 넘나드는 통합적 설계 프레임워크를 제안합니다. 자동화 제품을 만드는 PM이라면 '왜 사용자가 자동화를 불신하는가'에 대한 구조적 답을 얻을 수 있고, UX 디자이너라면 자동화의 투명성과 사용자 개입권을 어떻게 균형 잡을지 고민하는 출발점이 될 겁니다.

연구 설계

이 논문은 CHI 워크숍 제안서로, 구체적인 실험이 아닌 학제간 포럼의 설계를 다룹니다. 전문가 발표, 참가자 프레젠테이션, 그리고 그룹별 창의적 사고 활동을 통해 자동화 경험의 네 가지 핵심 측면 — 이해 가능성(Intelligibility), 개입(Interventions), 상호작용(Interplay), 무결성(Integrity) — 을 탐구하는 구조입니다.

주요 발견

저자들은 자동화 경험 설계의 핵심을 네 가지 'I'로 정리합니다. 첫째, 이해 가능성 — 시스템이 왜 그런 결정을 내렸는지 사용자가 파악할 수 있어야 합니다. 둘째, 개입 — 사용자가 언제든 자동화를 멈추거나 수정할 수 있어야 합니다. 셋째, 상호작용 — 인간과 자동화가 역할을 유연하게 나누며 협력해야 합니다. 넷째, 무결성 — 자동화가 윤리적이고 신뢰할 수 있어야 합니다. 이 프레임워크는 특정 도메인에 갇히지 않고, 자동화가 적용되는 모든 맥락에서 적용 가능한 설계 원칙을 제공합니다.

돈 아이디의 시선

Don Ihde라면, 이 논문이 다루는 자동화의 네 가지 원칙이 결국 기술과 인간 사이의 '해석학적 관계(Hermeneutic Relation)'를 어떻게 설계할 것인가의 문제라고 봤을 겁니다. 자동화 시스템은 세계를 읽고 해석한 결과를 인간에게 제시하는데, '이해 가능성'은 바로 그 해석의 투명성을 요구하는 것이죠. 하지만 기술의 해석이 점점 정교해질수록, 인간이 자신의 판단 대신 기술의 해석에 의존하게 되는 역설이 생깁니다. 자동화가 편리해질수록 우리는 정말 더 자유로워지는 걸까요, 아니면 기술의 해석 틀 안에 갇히는 걸까요?

논문 원문
III
ACMUIST · 2025

AdjustAR: AI-Driven In-Situ Adjustment of Site-Specific Augmented Reality Content.

Nels Numan, Jessica Van Brummelen, Ziwen Lu, Anthony Steed

핵심 주제

현실 세계가 변하면 AR 콘텐츠도 스스로 적응할 수 있을까요?

왜 읽어야 하는가

야외 AR 경험을 설계하는 개발자나 PM이라면, 이 논문은 '배포 후 유지보수'라는 AR의 고질적 문제에 대한 실용적 해법을 제시합니다. 건물이 철거되거나 간판이 바뀌었을 때 AR 콘텐츠가 엉뚱한 곳에 떠 있는 문제, 한 번쯤 고민해봤을 겁니다. 이 연구는 멀티모달 대규모 언어 모델(MLLM)을 활용해 이 문제를 자동으로 해결하는 접근을 보여줍니다.

연구 설계

AdjustAR 시스템은 원래 저작된 뷰와 현재 라이브 유저 뷰를 합성한 이미지를 MLLM에 입력합니다. 모델은 맥락적 불일치를 감지하고 영향받는 AR 요소의 수정된 2D 배치를 제안합니다. 이 수정은 다시 3D 공간으로 역투영(backprojection)되어 런타임에 장면을 업데이트합니다. 동일 시점에서 촬영된 두 이미지를 비교하는 방식으로 시각-의미적 추론을 수행합니다.

주요 발견

AdjustAR는 MLLM의 시각-의미적 추론 능력을 활용하여, 물리 환경이 변해도 AR 콘텐츠가 원래 저작 의도에 맞게 자동으로 재배치될 수 있음을 보여줍니다. 핵심은 단순한 이미지 매칭이 아니라, '이 AR 요소가 왜 여기에 있었는가'라는 의미적 맥락까지 이해한다는 점입니다. 이 접근은 수동 유지보수의 부담을 크게 줄이고, 장기적으로 운영 가능한 야외 AR 경험의 가능성을 열어줍니다.

돈 아이디의 시선

Don Ihde의 관점에서 AdjustAR는 매우 흥미로운 사례입니다. AR은 본래 현실 위에 가상을 겹쳐 '증강된 지각(Augmented Perception)'을 만들어내는 기술인데, AdjustAR는 여기에 AI라는 또 다른 해석 층을 추가합니다. 이제 인간이 보는 AR 세계는 두 번의 기술적 매개를 거칩니다 — AR이 현실을 증강하고, AI가 그 증강을 다시 조정하는 것이죠. Ihde라면 이 이중 매개가 인간의 공간 경험을 풍요롭게 할지, 아니면 기술이 정의한 '올바른 현실'에 우리를 가두게 될지 질문했을 겁니다.

논문 원문