대학 내 정신 건강 역량 강화를 위한 내러티브 시뮬레이션과 시각 AI를 교육 관리에 통합하는 연구

요약

이 연구는 내러티브 시뮬레이션과 시각 AI를 교육 관리 시스템에 통합하여 대학생들의 정신 건강, 정서적 회복력, 그리고 참여도를 향상시키는 내용을 담고 있습니다.

초록

대학생들은 점점 더 불안, 우울, 스트레스 등 정신 건강 문제에 직면하고 있지만, 대부분의 고등 교육 환경에서는 감정 모니터링과 지원을 위한 적극적인 시스템이 부족합니다. 이 연구는 내러티브 시뮬레이션과 시각 인공지능(AI)을 통합하여 학생들의 정신 건강 문해력과 정서적 회복력을 증진하는 하이브리드 교육 관리 시스템을 설계, 구현 및 평가하는 것을 목표로 했습니다. 이 시스템에는 스트레스 시나리오를 시뮬레이션하는 내러티브 의사결정 모듈과 교실 환경에 내장된 AI 기반 감정 인식 도구(얼굴 표정 감지 기반)가 포함되어 있습니다. 혼합 방법 설계가 여러 대학의 332명의 학부생과 15명의 교수진을 대상으로 사용되었습니다. 개입 전후 설문조사, 사용 기록, 시각 AI의 실시간 감정 데이터가 수집되었습니다. 정량적 데이터는 기술통계, 쌍 t-검정, ANOVA 및 다중 선형 회귀를 사용하여 분석하였습니다. 결과는 학생들의 정신 건강 점수(p < 0.01), 정서 인식, 의사결정 자신감에서 통계적으로 유의미한 개선을 나타냈습니다. 이 통합적 접근법은 사용성과 확장성을 모두 보여주며, 강사에게 조기 감정적 통찰을 제공하고 학생들에게 반성적인 학습 환경을 제공합니다. 이 방법은 AI 지원 교실과 훈련된 윤리적 감독을 갖춘 기관에 가장 적합합니다.

서론

정신 건강은 고등교육에서 시급한 문제로 부각되었으며, 전 세계 대학생들 사이에서 불안, 우울, 번아웃 수준이 증가하고 있습니다. 이러한 심리적 부담은 종종 학업 과부하, 사회적 압박, 재정적 불확실성과 연관되어 학업 성취, 유지율, 장기적인 웰빙에 부정적인 영향을 미칩니다². 많은 기관이 상담 서비스와 위기 개입을 시행했지만, 이러한 접근법은 반응적이고 범위가 제한^{적입니다.} 학생들의 일상 학습 환경 속에서 심리적 회복력을 지원하는 선제적이고 확장 가능하며 내재된 전략에 대한 수요가 증가하고 있습니다.

최근 교육 기술의 발전은 정서적 지원을 교수 시스템에 직접 통합할 수 있는 새로운 기회를 제공합니다. 두 가지 유망한 접근법은 내러티브 시뮬레이션과 시각 인공지능(AI)입니다. 내러티브 시뮬레이션은 학생들을 감정적으로 복잡한 상황에 배치하여 성찰, 공감, 의사결정을 장려하는 상호작용적이고 스토리 중심의 모듈을 의미합니다. 경험 학습 이론에 기반한 이 시뮬레이션들은 학습자가 시험 불안, 시간 관리, 동료 갈등과 같은 도전에 대한 반응을 안전하고 안내^{된 환경에서 연습}할 수 있게 합니다. ^4,5. 경험 학습 이론은 성찰과 적극적인 실험이 경험을 지속 학습으로 전환하는 데 매우 중요하며, 내러티브 시뮬레이션이 감성 지능과 적응적 대처 능력을 키우는 실질적인 수단임을 제안합니다.

시각 AI는 기계 학습 모델을 사용하여 얼굴 표정, 시선, 자세 등에서 학생들의 감정 상태를 실시간으로 추론합니다. 윤리적이고 충분한 동의를 가지고 배치될 경우, 이러한 시스템은 긴장이나 소외를 조기 경고 도구로 활용할 수 있으며, 긴장이 심화되기 전에 이를 식별할 수 있습니다^. 교육 관리 플랫폼에 내장된 시각적 AI는 강사에게 시기적절한 피드백을 제공하여 개인화된 학업 또는 정서적 반응을 지원합니다. 이러한 통합은 부적응적 인지에 대한 인식을 높이고 재구성함으로써 정서적 결과를 개선할 수 있음을 강조하는 인지행동이론(Dictive-Behavioral Theory)과 일치합니다.

이러한 접근법은 또한 학생 경험을 디지털과 대면 환경에서 조율하는 것으로서 현대적으로 보는 교육 관리의 관점과도 공명합니다. 정신 건강 지원을 이 인프라에 내재화함으로써, 회복력 훈련은 선택적 추가 요소가 아닌 학업 과정의 일부가^됩니다. 또한 감정 조절을 평가와 대처 전략 간의 역동적인 상호작용으로 정의하는 스트레스와 대처의 거래적 모델과도 일치합니다; 여기서 시각적 AI는 1차 평가(단서 감지)에 기여하는 반면, 내러티브 시뮬레이션은 심리적으로 안전한 공간에서 2차 평가(대처 대안 탐색)를 지원합니다.

관심이 커지고 있음에도 불구하고, 고등교육에서 정신 건강 지원을 위한 시각적 AI와 내러티브 시뮬레이션의 결합 활용을 평가한 실증 연구는 거의 없습니다. 더불어, 정신 건강 문해력(정신 건강 문해력, 즉 정신 장애의 인식, 관리 또는 예방에 도움이 되는 지식과 신^념)9, 정서적 회복력(심리적 스트레스에 적응하는 능력)과 같은 핵심 개념들은 종종 제대로 활용되지 못하고 있습니다. 본 연구는 내러티브 시뮬레이션과 시각 AI 요소를 결합한 통합 교수-관리 시스템을 설계하고 테스트하여 고통의 조기 발견을 촉진하고 학생의 자기 조절을 촉진함으로써 이러한 격차를 해소합니다.

목표 및 핵심 기여

본 연구는 내러티브 시뮬레이션과 시각 AI가 대학생들의 정신 건강 문제를 해결하기 위해 교육 관리 시스템에 의미 있게 통합될 수 있는 방법을 탐구합니다. 정신 건강을 외부 서비스로 다루기보다는, 정서적 참여와 초기 심리적 지원을 일상적인 학습 과정에 내재화하는 것이 목표입니다. 상호작용적 의사결정 시나리오와 실시간 감정 모니터링을 결합하면 학생들이 반성적 연습을 할 수 있는 기회를 얻고, 강사들이 고통의 신호에 민감하게 대응할 수 있습니다.

이 시스템은 개념적으로 경험적 학습에 기반을 두고 있으며, 실천, 피드백, 감정적 참여가 행동 변화의 동인임을 강조합니다. 내러티브 시뮬레이션은 시간 압박, 또래 갈등 등 익숙한 학업 스트레스 요인을 제시하여 감정적으로 중요한 선택을 요구합니다. 동시에 얼굴 표정 추론을 위해 보정된 시각 AI 도구가 수업 중 순간순간 변화를 모니터링합니다. 이 접근법은 또한 자기 인식, 공감, 조절을 회복력의 핵심 역량으로 규정하는 감정-지능 이론을 활용합니다.

이 연구에는 332명의 학부생과 3개 분야의 15명의 교수진이 참여했습니다. 혼합 방법 설계를 사용하여 불안, 우울, 스트레스가 감소했는지, 그리고 학생들의 감정 인식과 의사결정 자신감이 향상되었는지 평가했습니다. 통계 모델링과 정성적 분석은 감정 인식 기술이 전문적인 돌봄을 대체하는 것이 아니라 일상 학업 생활의 예방적이고 확장 가능한 구성 요소로서 학생 웰빙을 어떻게 지원할 수 있는지를 함께 제시합니다.

시스템 개요

이 연구는 다섯 개의 주요 섹션으로 구성되어 있습니다. 서론에서는 고등교육에서 정신 건강 문제를 해결하기 위한 배경과 동기를 제시합니다. 두 번째 섹션은 내러티브 시뮬레이션, 시각 인공지능 및 교육 맥락에서의 적용에 관한 기존 문헌을 검토합니다. 세 번째 섹션에서는 혼합 방법 접근법, 참가자 모집, 분석 기법을 포함한 연구 설계를 개괄합니다. 네 번째 섹션에서는 학생들의 정서적 회복력과 정신 건강 인식의 변화에 초점을 맞춘 정량적·정성적 주요 발견을 제시합니다. 마지막으로, 결론은 연구 결과의 광범위한 함의를 논의하고, 감정 인식 기술을 교수 실천에 통합하는 향후 방향을 제시합니다.

관련 연구

대학들은 동료 주도 홍보, 디지털 캠페인, 교실 개입 등 다양한 정신 건강 지원 방식을 시험해^{왔습니다.} 캠퍼스 전반의 메시지와 학생들의 동료 지원이 결합되면 서비스 참여와 인식을 높일 수 있지만, 다양한 인구에 맞춘 맞춤화는 여전히^{도전적입니다.} 인구 수준에서는 진단 기준¹³에 기반한 자가 보고 설문조사에 의존하는 경우가 많으며, 이는 인과 추론을 제한하고 실시간 균주 지표를 간과합니다^14,15.

점점 더 많은 연구 분야에서는 감성 지능(EI)을 학생 웰빙의 예측 변수로 연구하고 있습니다; 자기 인식, 명확성, 정서적 수리와 같은 특성은 더 나은 결과와 연관되며, 소속감은 종종 매개체로 식별됩니다¹⁶. 하지만 많은 결과가 일회성 설문조사에 기반한 것이며, 지속적인 지원을 위한 동적 피드백이 부족합니다. 내러티브 시뮬레이션에 EI 기반 원칙을 통합하면 공감, 성찰, 자기 조절을 심화할 수 있는 길을 열어줍니다.

동시에 교육 연구자들은 점점 더 AI를 학습 환경에 통합하고^{있습니다.} 얼굴 표정이나 스트레스 관련 미세 표정을 감지하는 시각 AI 도구가 시험과 튜터링에 활용되어 적응 피드백에 유망한 결과를 보이고 있습니다¹⁸. 내러티브 시뮬레이션은 간호/의학 교육에서 감정적으로 민감한 의사결정을 실행하는 데 잘 자리 잡고^{있지만, 이러한} 응용은 종종 도메인 특화적이며 일반적인 교육^{관리 시스템과} 통합되는 경우는 드뭅니다. 소수의 연구는 학생-AI 협업과 AI 기반^{교육 설계를} 위한 프레임워크를 ^{제안하며,} 윤리, 구현 격차, 그리고 새로움을 넘어서는 교육학적·심리적 가치를 제공하는 확장 가능한 모델의 필요성을 강조합니다.

이 연구는 내러티브 시뮬레이션과 실시간 정서 컴퓨팅을 통합하여 대학 학습 환경에서 정신 건강 문제에 대한 선제적이고 내재된 대응을 창출함으로써 이 분야를 발전시킵니다.

연구 격차와 실질적 구현 고려사항

학생 정신 건강을 위한 디지털 도구가 확산되고 있지만, 많은 연구가 자기보고와 교실 밖의 단기 개입에 의존하여 장기적인 영향력과 시기 적합성을 제한합니다. EI나 정신 건강 문해력 같은 개념을 실시간 피드백이나 관찰 가능한 교실 행동과 연결하는 노력은 거의 없습니다. 시각 AI와 내러티브 시뮬레이션은 별도로 연구되어 왔지만, 학업 활동 중 감정 상태를 추적하고 반응하는 단일 시스템으로 결합된 경우는 드뭅니다. 이 연구는 시뮬레이션 기반 감정 성찰과 학습 환경 내에서 AI 기반 인식을 결합하여 그 격차를 해소합니다.

실용적인 구현 고려사항

효과적인 배포는 인프라(안정적인 인터넷, 통합 카메라), 윤리적 감독, 알고리즘 보정에 달려 있어 참가자를 보호하고 편향을 줄이기 위해 특히 얼굴 분석이 포함될 때 더욱 그렇습니다. 또한 AI가 생성한 신호를 책임감 있게 해석하고 이를 교육적 결정에 통합하기 위한 교수 교육도 필요합니다. 따라서 이 접근법은 디지털 인프라와 기관 윤리 위원회가 확립된 대학에 가장 적합하며, 학생들의 정신 건강 역량 강화를 위한 선제적이고 확장 가능한 프레임워크로 기능할 수 있습니다.

프로토콜

데이터 수집 전에 난징우편통신대학교 기관심사위원회(승인 코드: NJUPT-IRB-2024-0312)로부터 윤리 승인을 받았습니다. 모든 참가자는 연구 범위, 자발적 참여성, 감정 추적을 위한 시각적 AI 사용, 데이터 기밀 유지 절차에 대해 브리핑을 받은 후 서면 동의서를 제공하였습니다. 참여는 언제든 중단될 수 있으며 벌칙 없이 진행될 수 있습니다. 사용되는 소프트웨어와 장비는 재료표에 나열되어 있습니다.

1. 학습 준비

1. 운영 일정과 종단 간 흐름의 정의
   두 가지 평가 지점이 설정되었는데, T1(개입 전), 첫 번째 검사 직후, T2(개입 후)로, AI 감정 신호에 따라 강사가 간단한 피드백을 제공하였습니다. 시험 기간 후 한 번의 내러티브 시뮬레이션이 예정되었고, 며칠 후 대처 변화를 평가하기 위한 두 번째 시뮬레이션이 예정되어 있었습니다. 교실 카메라 입력, 감정 인식 API, 강사 피드백, 설문 수집, 데이터 통합 및 분석을 포함하는 종단 간 파이프라인은 그림 1A에 나와 있습니다.
2. 참가자 모집 및 문서 작성
   총 347명의 참가자가 기존 강좌에서 자발적으로 등록하여 모집되었으며, 이 중 332명은 학부생(18-22세; 남 140명, 여 192명)이고 교수진은 27-45세(여 10명, 남 5명)입니다. 학년도 및 학과 분포가 기록되었습니다. 학생과 교직원 인구통계는 각각 표 1 과 표 2에 제시되어 있습니다.
3. 교실 및 자료 준비
   각 방에는 인텔 i5 이상, 8GB 램 ≥, HD 웹캠(≥ 720p), 안정적인 인터넷 연결(≥ 10 Mbps)이 갖추어져 있었습니다. 웹캠은 ≥ 640 × 480 픽셀에서 얼굴을 명확히 볼 수 있도록 눈높이에 위치했습니다. 감정 추적이 활성화되었다는 안내문이 있었습니다. 각 세션 전에 프레이밍과 조명이 검증되었고, 탐지 안정성이 확인되면 소프트웨어 설정이 시작되었습니다.

2. 시각 AI 구성

1. 감정 인식 서비스의 제공
   클라우드 계정이 생성되었고, 감정 인식 API가 활성화되었습니다. API 키와 엔드포인트 URL이 생성되었으며, 자격 증명은 암호화된 형태로 역할 기반 접근 제어 하에 저장되었습니다. 재현성을 위해 Microsoft Azure Face API(Emotion, v3.2, 동아시아 지역)가 사용되었습니다. 클라이언트는 HTTPS 를 통해 베어러 토큰을 사용해 인증을 수행했고, {faceId, faceRectangle, emotions: {anger, fear, sadness, disgust, happiness, surprise, neutral}, 타임스탬프를 약 25-30fps로 포함한 각 페이스 JSON 객체를 반환했습니다.
2. 카메라 연결 및 검출 보정
   교실 웹캠 스트림은 API 클라이언트(Python 또는 REST)와 연동되었습니다. 샘플링 속도는 25-30 fps로 설정되었고, 프레임 해상도는 640 × 480 px였습니다. 테스트 스트림이 시작되었고, 유효한 타임스탬프가 찍힌 JSON 응답을 받아 연결 확인이 확인되었습니다. 카메라 앵글과 조명을 조정하여 프레임 입력 후 1초 이내에 얼굴을 인식할 수 있게 했습니다. 최종 카메라 위치와 조명 파라미터가 문서화되었습니다. 보정은 바운딩 박스, 200 OK 표시기, JSON 필드를 표시하는 확인 화면으로 확인되었으며, 이는 그림 1B에 나타난 것입니다.
3. 분류 임계값과 로그 규칙의 정의
   각 JSON 출력에는 ISO 8601 타임스탬프, 감정 라벨, 신뢰도 값이 포함되어 있었습니다. 프레임당 부정적 감정 복합 점수는 {분노, 두려움, 슬픔, 혐오} 자신감 점수의 평균으로 정의되었습니다. 복합 신호가 최소 5초(롤링 윈도우) 동안 ≥ 0.75를 유지할 때 스트레스 플래그가 발동되었습니다. 임계값을 최적화하기 위해 10분간의 파일럿 실행이 실시되었으며, 세션당 오탐률을 ≤5%로 목표로 삼았습니다. 로깅은 식별 가능한 프레임을 저장하는 대신 세션 수준의 요약을 집계하도록 구성되었습니다.
4. 개인정보 보호 및 데이터 최소화 통제 구현
   가명 식별자(학생용 S001-S332, 교수진용 F001-F015)가 할당되었고, ID 키 파일은 역할 기반 접근 제어 하에 암호화된 서버에 유지되었습니다. 로컬 비디오 캐싱은 비활성화되었습니다. 품질 보증을 위해 임시 캐싱이 필요할 때는 검증 후 24시간 이내에 캐시된 프레임이 삭제되었습니다. 세션별 탐지 정확도, 평균 지연 시간, 오류율은 결과 섹션에서 나중에 발표할 수 있도록 기록되었습니다.
5. AI 준비 상태 검증 (절차적 체크포인트)
   25-30 fps에서 안정적인 얼굴 인식, HTTP 200 OK 응답 수신, 유효한 JSON 필드, 문서화된 임계값 설정, 안전한 자격 증명 저장이 확인되었습니다. 전체 파이프라인이 그림 1B의 보정 결과와 일치하는 준비 상태 검사를 통과한 것으로 보고되었습니다.

3. 측량 행정

1. 계기와 앵커의 구성
   우울증, 불안, 스트레스를 측정하기 위해 5점 리커트 척도를 사용했으며, 학업적 맥락에 맞게 DASS-21에서 변형한 문항을 사용하였습니다. 품목 코드와 앵커는 표 3에 제시된 기기 배치를 따랐습니다.
2. T1 투여 (사전 검사)
   설문조사는 초기 검사 직후, AI 기반 피드백 이전에 실시되었습니다. 모든 필드를 필수로 설정하고 중복 제출을 방지하는 안전한 온라인 양식이 배포되었습니다. 데이터셋은 참가자 ID, 시점(T1), 문항 점수 필드가 포함된 CSV 형식으로 내보내졌습니다.
3. 간략한 강사 피드백 전달
   T1 발작 후 24시간 이내에 AI가 식별한 학생들에게 비임상 지도가 제공되었습니다. 피드백에는 짧은 이완 운동(3-5분), 학습 계획 조정, 시간 관리 제안 등이 포함되었습니다. 연구 데이터셋에는 임상 기록이 기록되지 않았습니다. 심각한 고통을 보이는 학생들은 기관 정책에 따라 캠퍼스 상담 서비스로 의뢰되었습니다.
4. T2 투여 (검사 후 )
   같은 설문조사는 두 번째 시험과 이후 피드백 후에 다시 실시되었습니다. 데이터는 시점(T2)이 포함된 CSV 형식으로 내보내졌으며, 참가자 ID를 사용해 T1 응답과 매칭되었습니다.
5. 설문조사 데이터 잠금(절차적 체크포인트)
   응답률과 누락된 데이터 패턴이 검증되었고, 설문 데이터베이스는 데이터 병합 전에 잠겼습니다. 기술 통계는 결과 섹션에 포함될 계획이었습니다.

4. 내러티브 시뮬레이션 연습

1. 시뮬레이션 1의 실행
   낮은 성적을 받거나 불공정한 피드백을 받는 상황을 묘사하는 학업 스트레스 시나리오가 제시되었습니다. 각 학생은 세 가지 답변 중 하나를 선택하도록 지시받았다: 좌절감을 내면화하기, 강사를 공개적으로 비난하기, 또는 반성하고 명확히 해명을 구하기. 답변 선택에는 3-5분의 시간이 할당되었고, 이어서 150-200단어의 서면 설명이 이어졌습니다. 타이밍 프롬프트와 응답 옵션을 보여주는 시뮬레이션 인터페이스는 그림 1C에 나와 있습니다.
2. 짧은 인터뷰 진행
   시뮬레이션 1 직후에는 참가자들의 평가, 대처 의도, 인지된 감정적 트리거를 탐구하기 위해 5-7분 정도의 짧은 인터뷰가 진행되었습니다. 인터뷰 기록이 기록되어 참가자 ID와 연결되었습니다.
3. 시뮬레이션 2의 실행
   며칠 후 두 번째 시뮬레이션이 수행되었으며, 시뮬레이션 1과 동일한 절차를 따랐지만 병렬 시나리오를 사용했습니다. 이 세션은 감정 인식과 대처 행동의 변화를 관찰하는 것을 목표로 했습니다. 선택, 이유, 면접 노트는 시뮬레이션 1과 같이 기록되었습니다.
4. 시뮬레이션 기록 확인(절차적 체크포인트)
   각 참가자는 1개의 기록된 선택지, 150단어 이상의 이유 하나, 그리고 이에 대응하는 인터뷰 메모 1개를 가지고 있음이 확인되었습니다. 이후 주제별 분석을 위해 코딩 요약 템플릿이 준비되었습니다.

5. AI 로그 내보내기 및 데이터셋 병합

1. 세션 수준의 감정 요약 내보내기
   세션 단위 감정 요약은 CSV 형식으로 내보내졌으며, 여기에는 참가자 ID, 세션 ID, ISO 8601 타임스탬프, 감정 라벨, 신뢰도값, 스트레스 플래그 지표가 포함되었습니다. 원본 영상 프레임은 저장되지 않았습니다.
2. AI 로그와 설문 파일 병합
   AI 로그 파일은 참가자 ID와 세션 날짜를 주요 변수로 사용하여 T1 및 T2 설문 데이터셋과 병합되었습니다. ΔAnxiety = Anxiety_T2 − Anxiety_T1과 같은 파생 변수들이 시간에 따른 변화를 평가하기 위해 계산되었습니다. 식별자의 정렬과 연대기적 일관성을 확인하기 위해 통합된 기록의 5%에 대한 감사가 실시되었습니다.
3. 병합 무결성 확인 (절차적 체크포인트)
   1:1 ID 매칭과 시간적 순서 정렬이 확인되었으며, 각 참가자마다 T1이 T2보다 앞에 오는 것이 확인되었습니다. 확인된 불일치는 통계 분석 전에 모두 해결되었습니다.

6. 정량적 분석 (SPSS 워크플로우)

1. 데이터 가져오기 및 변수 정의
   데이터 파일은 SPSS 27.0에서 열렸고, CSV 데이터셋이 가져왔습니다. 변수 라벨과 타입이 정의되었고, 결손 규칙이 설정되었습니다. 마스터 파일은 이후 분석을 위해 .sav 형식으로 저장되었습니다.
2. 신뢰성 평가 및 기술 통계
   각 구성체에 대해 내부 일관성을 평가하기 위해 크론바흐의 α을 계산했다. 모든 변수에 대해 평균(M)과 표준편차(SD)를 포함한 기술적 통계가 생성되었습니다. 결과물은 결과 섹션에 포함되도록 보존되었습니다.
3. 쌍 표본 t-검정 실행
   불안, 우울, 스트레스에 대한 T1과 T2 점수를 비교하기 위해 쌍 표본 t-검정을 수행하였습니다. 결과에는 t, 자유도(df), p-값, 코헨 d, 95% 신뢰구간(CI)이 포함되었으며, 모두 결과 섹션에 제시되었습니다.
4. 반복 측정 ANOVA 실행
   시간(T1, T2)은 반복 측정 ANOVA에서 피험자 내 요인으로 지정되었습니다. Mauchly의 구심성 테스트가 평가되었고, 가정이 위반될 때 Greenhouse-Geisser의 보정이 적용되었다. 분석에서는 결과에 포함될 F, df, p, η², 95% 신뢰구간값을 보고하였습니다.
5. 다중 선형 회귀 모델 적합
   여러 선형 회귀 모델에 T1 점수, AI 스트레스 플래그 속도, 서술 선택(더미 코딩)을 적용하여 적합하였다. 모델 결과는 β, 표준오차(SE), t-값, p-값, R² 보고로 요약되었습니다.
6. 단위 및 표기법 표준의 유지
   모든 수치 값은 SI 단위 규칙을 준수했으며, 숫자와 단위 사이에 공백이 있었습니다(예: 10분, 25fps, 640 × 480 px). 적절한 경우 Word의 방정식 도구를 사용해 방정식을 삽입했으며, 모든 섹션에서 통계 표기가 일관되게 유지되었습니다.

7. 주제별 분석 워크플로우

1. 정성적 말뭉치의 조립
   인터뷰 노트를 필사하고, 서술적 근거를 참가자 ID와 시간대(Sim1 또는 Sim2)로 표시한 단일 말뭉치로 정리했습니다. 이 말뭉치는 정성적 분석을 위한 데이터셋 역할을 했습니다.
2. 코드북 개발 및 코더의 교육
   감정적 참여, 의사결정의 질, 자기 인식, 공감, 감정 조절 등 감정 지능 지표에 중점을 둔 코드북이 개발되었습니다. 코드 해석과 분석 기준의 일관성을 보장하기 위해 두 명의 코더가 코퍼스의 10%에 대해 훈련을 받았습니다.
3. 인터래터 신뢰성 확립 및 코딩 완료
   인터레이터 신뢰성은 최소 0.75의 목표 코헨 κ로 평가되었다. 불일치가 있으면 논의되고 해결된 후 코드북을 최종 확정했다. 나머지 말뭉치는 완전히 코딩되었습니다. 주제 빈도가 요약되었고, 결과 섹션에서 발표할 대표적인 주제 지도가 준비되었습니다. 각 핵심 주제를 설명할 대표적인 인용문이 하나 선정되었습니다.

8. 품질 관리, 문제 해결 및 보관

1. 기술 문제 해결
   얼굴 인식률이 낮을 때는 전면 조명이 개선되고 카메라 각도가 조정되었습니다. 프레임 속도는 25-30fps 내에 유지되는 것으로 확인되었습니다. 과도한 스트레스 플래그가 관찰된 경우, 검출 임계값이 0.80으로 증가하거나 검출 창을 최소 8초로 연장하여 결과를 안정시켰습니다.
2. 데이터 일관성 보장
   참가자 ID와 시점은 데이터 분석 전에 검증되었습니다. 코딩 드리프트를 방지하기 위해 50개의 전사본마다 코더들이 재조정되었습니다. 세션 단위의 품질 관리 체크리스트가 유지되고 세션 리더와 데이터 스튜어드 모두가 절차적 무결성을 문서화했습니다.
3. 데이터셋 및 문서화의 보관
   모든 분석 파일은 직접 식별자를 참가자 ID로 대체하여 식별 해제되었습니다. 동의서는 연구 데이터와 별도로 보관되었습니다. 최종 데이터셋, SPSS 구문 파일, 코드북, 품질 관리 로그는 제한된 접근 하에 안전한 서버에 보관되었습니다.

결과

기술 분석

사전 비교에서는 시행 후 부작용이 지속적으로 감소하는 것으로 나타났습니다. 검사 후 평균은 불안의 2.87, 우울증의 2.74, 스트레스의 2.69로 각각 검사 전 평균의 3.25, 3.11, 3.08에서 감소했습니다(그림 2). 기술적 결과는 표 4에 요약되어 있으며, 문항별 도구 구조는 표 3에 제공된다. 연구 맥락에서 AI 신뢰성을 평가하기 위해 Microsoft Azure Emotion API는 7개 범주에서 평균 분류 정확도 91.4%를 달성했으며, 평균 오류율은 8.6%, 프레임당 지연 시간은 1.2초로 정서 변화 감지에 적절한 정밀도를 <했습니다(표 4).

다중...

토론

이 연구는 내러티브 시뮬레이션과 시각 AI가 결합될 때 감정 인식이 일방향적 개입이 아닌 공유된 과정이 됨을 보여줍니다. 학생들은 단순히 디지털 도구에 반응하는 것이 아니라; 그들은 인지 평가와 신체적 경험을 연결하는 구조화된 감정적 성찰에 참여하고 있었다. 데이터셋 전반에 걸쳐 정량적·정성적 결과 모두 불안 감소와 감정 조절 개선의 일관된 패턴을 보여주었으며, 이는 프로토콜이 대학 교육 시스템 내에서 감성 지능 계층으로 기능할 수 있음을 시사합니다.

이 방법의 효과를 결정짓는 것은 기술 자체가 아니라 보정, 피드백, 내러티브 디자인 사이의 안무 문제로 보입니다. 감정 인식 모듈이 정밀하게 조정되고 강사가 신속히 추적한 세션에서는 학생들의 성찰적 반응 품질이 현저히 높았습니다. 이 단계를 건너뛰거나 지연시키면 참여도가 눈에 띄게 떨어졌습니다. 이 관찰은 감정 학습이 근본적으로 상호작용적이고 맥락에 의존적이라는 견해를 뒷...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
하드웨어	얼굴 인식 카메라	로지텍(또는 유사)	C920 HD 웹캠
악기	인터뷰 대본집	수동 입력	오디오 녹음/텍스트
설문지	수정 DASS-21 스케일	작가들에 의해 각색됨	5점 리커트 형식
소프트웨어	Microsoft Azure Emotion API	마이크로소프트	Emotion API v3 (클라우드)
소프트웨어	SPSS 통계	IBM	버전 26
소프트웨어	내러티브 시뮬레이션 시스템	자체 개발	웹 기반 (HTML5)
시스템 플랫폼	대학 교육 관리 시스템	내부 플랫폼	AI 모듈과 통합