[최승문 교수] 손목 진동 자극에 의한 초음파 자극의 인지적 세기 증진에 관한 타당성 연구

[연구의 필요성] 초음파를 이용한 비접촉 진동 촉각 경고 시스템은 사용자에게 물리적인 접촉 없이도 진동을 전달할 수 있는 혁신적인 기술이다. 하지만 이 기술은 약한 인지적 강도라는 주요한 문제점을 가지고 있어, 사용자 경험의 효율성을 제한하고 있다. 이러한 문제를 해결하기 위해 본 연구에서는 초음파 자극의 인지적 세기를 향상시킬 수 있는 새로운 방법을 모색한다. [포스텍이 가진 고유의 기술] POSTECH의 연구팀은 진동촉각 경고 시스템을 개선하기 위해 손목에 짧은 진동 자극을 제공한 후 사용자의 손바닥에 초음파 자극을 전달하는 방법을 개발하였다. 이는 ‘진동 강화(tactile enhancement)’라는 인지 심리 현상을 활용한 것으로, 첫 번째 진동이 두 번째 진동의 감각을 강화시키는 원리를 적용한 것이다. 이 기술은 기존 초음파 자극 장치와 추가적인 장치 없이도 사용자의 인지 강도를 최대 1.7배까지 향상시킬 수 있다. [연구의 의미] 본 연구를 통해 손목에 제공되는 진동 자극이 손바닥에 전달되는 초음파 자극의 인지 강도를 증가시키는 효과를 확인하였다. 특히, 진동의 주파수가 낮을 때(RA-1 채널을 자극할 때)와 초음파 자극의 강도가 낮을 때 감각 강화 효과가 더욱 두드러졌다. 이러한 결과는 사용자에게 보다 강력하고 명확한 진동 경험을 제공할 수 있는 설계 가이드라인을 제시한다. 또한, 이 연구는 진동 저작 도구를 사용한 참여 디자인이 진동 신호 설계에 있어 사용자의 의견을 반영하는 데 효과적임을 보여준다. [연구결과의 진행 상태 및 향후 계획] 연구팀은 사용자 참여 디자인을 활용하여 초음파 자극의 인지 강도를 평가하였고, 초음파 패턴 자극을 활용한 추가 연구를 계획하고 있다. 또한 손목에 사용되는 것이 아니라 더욱 효과적인 인지 증진 방식을 탐구할 예정이다. 본 연구진들은 이를 통해 보다 사용성이 좋은 초음파 자극 인지 증진 시스템과 패턴 자극을 활용할 수 있는 가이드 라인을 탐구할 것이다. [성과와 관련된 실적] 국제 학술대회 논문: Kim, D., Choi, S. (2024) A Feasibility Study of Tactile Enhancement of Mid-Air Ultrasonic Stimulation by Wrist Vibration. EuroHaptics. [성과와 관련된 이미지] 그림 1. 연속 진동 자극을 활용한 초음파 자극의 인지 세기 증진 방식 예시 그림 2. 손목 진동 자극에 의한 초음파 자극의 인지 세기 증진 결과

[김원화 교수] Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations

[연구의 필요성] Marked Temporal Point Process (MTPP)은 discrete한 시간대에 발생하는 이벤트를 모델링하기 위해 많이 사용되어 왔습니다. 딥러닝의 발달로 RNN, Transformer와 같이 이벤트 사이의 관계성을 네트워크를 활용하여 모델링하는 연구가 많은 관심을 받아왔습니다. 하지만 이런 모델링 방식들은 개별적인 이벤트가 전체 데이터에 어떠한 영향을 미치는지 분석하고 파악하는 것에 어려움을 겪습니다. 따라서 본 연구에서는 Neural ODEs를 활용해 개별 이벤트의 영향력을 모델링하는 framework를 제시하고, 제시한 framework의 표현력과 differential equation을 활용한 이점들을 분석합니다. [포스텍이 가진 고유의 기술] 일반적인 framework는 두개의 부분으로 구성되어 있습니다. 하나의 이벤트가 어떻게 이벤트의 발생 시기와, 발생한 이벤트의 종류에 영향을 주는 것인지를 표현하기 위해 2개의 프로세스로 나누어 예측합니다. 두개의 프로세스는 모두 hidden state의 프로세스로 표현된 후 decoding 과정을 거칩니다. 이때 multi-dimensional differential equation을 활용하여 이벤트들의 개별적 영향력을 동시에 효율적으로 모델링할 수 있습니다. 앞서 제시한 framework의 유효성을 검증하기 위하여 개별 이벤트의 영향력을 선형적으로 합치는 linear한 모델을 소개합니다. 이때 영향력의 구간을 hyper parameter로 지정하여 모든 시간대의 영향력을 동시에 모델링하는 학습 기법을 제안합니다. [연구의 의미] 본 연구의 시계열 데이터 생성 모델은 이벤트 사이의 영향력을 배제하고, 개별적인 이벤트로부터 전체 이벤트를 표현할 수 있다는 가능성을 제시하였습니다. 이러한 방법을 통해 MTPP를 구성하는 요소들의 영향력을 시각화하고 분석할 수 있습니다. 또한 ODE를 활용한 모델링 방식을 차용함에 따라서 다양한 미분 계산에서의 효율성을 보이고 학습 시간을 단축시킬 수 있었습니다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 인공지능 분야 최우수 국제학술대회 ICLR 2024에서 포스터로 발표될 예정입니다. 향후 graph를 포함한 다양한 도메인으로의 확장과, framework를 활용한 생존분석 등의 연구 또한 계획 중에 있습니다. [성과와 관련된 실적] Yujee Song, Donghyun Lee, Rui Meng, Won Hwa Kim, “Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations”, International Conference on Learning Representations (ICLR), 2024. [성과와 관련된 이미지]

[김원화 교수] Modality-Agnostic Style Transfer for Holistic Feature Imputation

[연구의 필요성] 알츠하이머 병과 같은 신경퇴행성(neurodegenertaive) 질환의 조기 진단은 질병 진행을 지연시키기 위해 중요하다. 이와 관련한 인공지능 연구는 활발히 진행되고 있다. 특히 초기 단계에서는 뇌의 상태 변화가 크지 않기 때문에, 하나의 영상 모달리티에서만 정보를 얻어 알츠하이머 병을 진단하는 것은 어려울 수 있다. 따라서 진단 정확도를 향상시키기 위해 여러 영상 모달리티의 정보를 결합할 필요가 있다. 그러나 현실적으로 여러 영상 스캔에서 데이터를 얻는 것에는 제약이 있다. 특히, 시간과 비용적 부담이 큰 positron emission tomography (PET)보다는 magnetic resonance imaging (MRI)만을 촬영하는 경우가 많다. 이러한 상황에서 인공지능 생성 모델을 활용하여 환자의 다른 종류의 영상 모달리티 결과를 예측할 수 있다면, 임상적으로 알츠하이머 병 진단의 효율성을 높일 수 있다. 또한, 해당 방법으로 생성한 데이터들을 실제 데이터에 추가적으로 사용하여 알츠하이머 진단 모델을 학습하게 된다면 진단 정확도의 향상을 보일 수 있을 것이다. [포스텍이 가진 고유의 기술] 기존 image에 사용되던 style transfer의 개념을 data matrix에 적용하여 content를 알츠하이머 진행 정보로 정의하고, style을 imaging scan 정보로 정의하였다. 먼저, domain adversarial training 기법을 통해 여러 영상 모달리티 종류와 관계없이 알츠하이머 관련 정보만 embedding에 남기도록 하였다. 이후에 생성 모델인 GAN을 기반으로 해당 embedding으로부터 영상 모달리티 종류에 맞는 style을 입히도록 함으로서 해당 subject에 대해 원하는 영상 모달리티 종류의 추정치를 만들었다. [연구의 의미] 본 연구에서 제시한 인공지능 모델은 알츠하이머를 진단하기 위한 다양한 영상 모달리티 결과 값을 모두 직접 얻을 필요 없이, 하나의 실제 값으로도 병의 단계를 반영한 다른 종류의 영상 모달리티 추정치를 만들어준다는 점에서 시간 및 비용적인 측면에서 효율성을 높일 수 있다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 의료 인공지능 분야의 우수 국제 학회인 IEEE International Symposium on Biomedical Imaging (ISBI) 2024에서 구두로 발표될 예정이다. 향후 본 연구에서 제안된 방법론의 불필요한 요소들을 보완하여 더욱 효율적인 생성 모델을 만들고자 연구를 계획 중이다. [성과와 관련된 실적] Seunhun Baek, Jaeyoon Sim, Mustafa Dere, Minjeong Kim, Guorong Wu, Won Hwa Kim, “Modality-Agnostic Style Transfer for Holistic Feature Imputation”, ISBI 2024 [성과와 관련된 이미지]

[이근배 교수] Explainable Multi-hop Question Generation: An End-to-End Approach without Intermediate Question Labeling

[연구의 필요성] 최근 대화형 인공지능 챗봇에 대한 수요가 증가함에 따라 사용자의 복잡한 질문에 응답할 수 있는 기술의 중요성이 커지고 있다. Multi-hop 질문이란 여러 문서에 대한 복합적인 추론을 통해 응답을 찾을 수 있는 복잡한 질문을 뜻한다. 이러한 Multi-hop 질문을 사람이 직접 생성하는 것은 많은 시간과 비용을 요구하기 때문에 본 연구에서는 주어진 문서와 응답을 기반으로 Multi-hop 질문들을 자동으로 생성할 수 있는 방법론을 제안한다. [포스텍이 가진 고유의 기술] 이전 관련 연구들에서는 입력 문서들과 응답의 인코딩 값을 기반으로 질문을 디코딩하는 end-to-end 접근법을 사용했다. 이러한 접근법은 세 개 이상의 문서를 참조하는 3-hop 이상의 복잡한 질문을 논리적으로 생성하는데 한계가 있다. 본 연구에서는 기존 방법론의 한계를 보완하는 End-to-End Question Rewriting (E2EQR) 모델을 제안한다. E2EQR은 1-hop 질문을 생성한 다음 이를 순차적으로 재작성하여 복잡성을 증가시킨다. E2EQR은 encoder-decoder 구조의 Transformer를 기반으로 하는 순환 신경망 구조를 가진다. 각 단계에서 모델은 입력 문서를 기반으로 이전 단계에서 생성된 질문을 재작성한다. 생성된 질문을 다음 단계에서 모델에 직접적으로 입력하는 대신, 이전 단계에서의 디코더 은닉 상태를 다음 단계 디코딩 과정에서 활용한다. 이를 통해 중간 단계 질문들에 대한 정답 없이 최종 생성 질문에 대한 정답만을 이용해 전체 모델을 훈련시키는 end-to-end 훈련이 가능해진다. E2EQR은 간단한 1-hop 질문 데이터부터 순차적으로 복잡한 질문 예제들을 학습하는 curriculum learning 방식을 통해 훈련되었으며, 초반에 학습한 쉬운 예제에 대한 catastrophic forgetting을 방지하면서도 서로 다른 복잡도의 예제들에 대해 균일한 성능 보이도록 하는 Adaptive Curriculum Learning 방식을 함께 제안한다. [연구의 의미] 본 연구에서 제안하는 방법론은 복잡한 질문을 효과적으로 생성할 뿐만 아니라 해당 질문을 복잡화하는 과정에서 생성된 중간 단계 질문들을 함께 제공한다. 따라서 질의응답 모델이 복잡한 질문을 논리적으로 추론할 수 있도록 하는 훈련 데이터를 생성하거나 교육용 문제 생성 등에 활용될 수 있다. 또한 복잡한 질문은 사람이 직접 오류를 판단하기 어려운데, 중간 단계에서 생성된 질문들의 오류를 조기에 판별함으로써 효과적으로 합성 데이터를 정제할 수 있다. [연구결과의 진행 상태 및 향후 계획] 질문 생성 모델은 질의응답 데이터를 기반으로 훈련된다. 다만 대부분의 질의응답 데이터셋들이 영어로 구축되어 있기 때문에 다른 언어에서의 활용이 어렵다. 따라서 기존 영어 데이터셋으로 훈련된 질문 생성 모델을 다른 언어에 활용할 수 있도록 하는 Cross-lingual Transfer 방법론을 연구할 계획이다. [성과와 관련된 실적] Seonjeong Hwang, Yunsu Kim, and Gary Geunbae Lee, “Explainable Multi-hop Question Generation: An End-to-End Approach without Intermediate Question Labeling”, LREC-COLING 2024 (accepted) [성과와 관련된 이미지] [그림 1] 3-hop 질문 생성을 위한 E2EQG 모델의 학습 과정 [그림2] E2EQR로 생성한 3-hop 질문 및 중간 단계 질문들의 예시

[이근배 교수] Adversarial DPO: Harnessing Harmful Data for Reducing Toxicity with Minimal Impact on Coherence and Evasiveness in Dialogue Agents

[연구의 필요성] LLM과 RLHF와 같은 학습 방식의 등장으로 AI를 활용한 대화 모델은 풍부한 지식을 활용하면서도 사람들이 선호하는 응답을 생성하는 것이 가능해졌습니다. 그러나 대화 모델은 개발 의도와는 다르게 차별적이거나 비속어와 같은 독성(toxic) 발화들을 확률적으로 생성할 수 있다는 위험성이 내재하고 있습니다. 따라서 본 연구에서는 RLHF를 변형시킨 DPO를 활용하여 모델을 학습하되, 직접적으로 독성 발화 생성을 억제하는 학습 방식(Adversarial DPO, ADPO)을 제시했습니다. [포스텍이 가진 고유의 기술] 먼저 전체 학습 방식은 AI로부터 생성된 피드백으로 대화 모델을 학습하는 RLAIF 방식을 따릅니다. 다만, 처음 모델을 튜닝할 때 대화 데이터와 더불어 독성 대화 데이터를 같이 학습시킵니다. 구체적으로, 독성 대화 데이터를 학습할 때는 독성 토큰을 같이 입력하여 독성 토큰이 보이면 일부러 독성 발화를 생성할 수 있도록 유도합니다. 튜닝이 끝나면 튜닝에 사용되지 않은 대화 데이터를 입력해 모델의 응답을 여러번 생성하도록 하고, off-the-shelf LLM을 통해 생성된 응답들을 바람직한 응답과 바람직하지 않은 응답으로 분류합니다. 추가적으로 독성 토큰을 이용해 독성 응답도 생성하게끔 하여, 한 대화 데이터당 총 3개 (바람직한 응답, 바람직하지 않은 응답, 독성 응답)을 매핑합니다. 데이터 매핑이 완료되면 본 연구에서 제시한 ADPO Loss와 매핑된 데이터를 사용하여 모델을 학습시킵니다. 이 과정에서 모델은 바람직하지 않은 응답보다 바람직한 응답을 자주 생성하도록 훈련되며, 추가적으로 독성 응답보다 바람직한 응답을 더 자주 생성하도록 학습됩니다. [연구의 의미] 본 연구에서는 대화 모델의 바람직한 응답을 유도하고 독성 발화를 저해하는 학습 방식을 제시했으며, 기존 대화 데이터셋에 더해 독성 대화 데이터셋을 추가적으로 사용함으로써 튜닝에 이은 추가적인 학습으로 인한 모델의 대화 성능 하락을 최소화하였습니다. 실험 결과 독성 발화 빈도수를 크게 줄이면서도 기존 DPO 기법으로 학습하는 것보다 ADPO 기법으로 학습한 모델이 맥락성과 회피성에서 더욱 우수했다는 것을 확인하였습니다. [연구결과의 진행 상태 및 향후 계획] 독성 발화를 세분화하여 대화 모델의 안전성을 높일 수 있는 방법을 모색할 계획입니다. [성과와 관련된 실적] San Kim, Gary Geunbae Lee, NAACL Findings 2024 Accepted [성과와 관련된 이미지]

[이근배 교수] Multi-Level Attention Aggregation for Language-Agnostic Speaker Replication

[연구의 필요성] 기본 음성합성 모델들이 생성하는 음성의 품질이 매우 자연스러워져서, 원하는 사람의 목소리로 음성을 합성하는 다중 화자 TTS 연구가 증가하고 있습니다. 그러나, 기존의 다중 화자 TTS는 특정 언어 내에서만 음성 합성이 가능하기 때문에, 학습 데이터와 다른 언어로 말하는 화자의 목소리를 따라하지 못하는 한계가 있습니다. 따라서, 본 연구에서는 이러한 unseen 언어로 말하는 화자에게도 해당 화자의 목소리로 음성 합성이 가능하도록 하는 방법을 탐색하였습니다. [포스텍이 가진 고유의 기술] 화자의 목소리는 pitch와 timbre 같은 다양한 특징으로 구성되어 있습니다. 이에 따라 기존의 다중 화자 TTS 연구는 이러한 정보를 학습하거나 사전 훈련된 화자 확인 모델을 사용하여 input reference audio에서 화자의 목소리 정보를 직접 추출하는 방법을 채택했습니다. 본 논문은 이러한 모든 방법을 사용하면서도, 다양한 정보를 어떻게 융합해야 언어와 무관하게 화자의 음성을 복제할 수 있는지를 탐구했습니다. 구체적으로는 사전 훈련된 화자 확인 모델을 통해 추출된 reference audio representation을 yin algorithm으로 추출한 pitch관련 representation과 cross attention을 진행하였습니다. 이후, 화자의 전역 timbre 정보를 컨볼루션 블록을 통해 추출하고 이를 이전 aggregation 단계의 아웃풋과 다시 cross attention을 통해 결합합니다. Generalizability를 향상시키기 위해 representation splitting을 진행하였고, 최종적으로 생성된 화자 표현을 기준 TTS 프레임워크에 condition으로 적용했습니다. [연구의 의미] 본 연구에서는 말하는 언어와 관계없이 화자의 목소리를 추출할 수 있는 새로운 task를 제안하였으며이를 위해 다양한 화자의 목소리 정보를 추출하고 융합하는 최적의 절차를 탐색하였습니다. 실험 결과, 정보 융합을 위한 2단계 절차를 거칠 때 언어와 상관없이 화자의 목소리를 대체적으로 잘 모방할 수 있는 것을 확인할 수 있었습니다. [연구결과의 진행 상태 및 향후 계획] 처음으로 제시한 테스크인만큼, 성능을 더 높일 수 있는 방법을 탐색할 계획입니다. [성과와 관련된 실적] Yejin Jeon, Gary Geunbae Lee, EACL 2024 Accepted [성과와 관련된 이미지]

[유환조 교수] Noisy Label Detection by Discriminative Dynamics with Label Corruption

[연구의 필요성] 딥러닝 모델을 효과적으로 학습하기 위해서는 정확한 라벨을 가진 대규모 데이터셋을 확보하는 것이 매우 중요하다. 그러나 현실에서는 사용되는 데이터의 라벨이 오염되는 경우가 많은데, 이는 딥러닝 모델의 성능에 부정적인 영향을 미친다. 따라서, 오염된 라벨을 가진 샘플을 식별하고 수정함으로써, 원본 데이터 세트의 품질을 향상시키거나, 오염된 라벨에 강건한 모델을 개발하는것은 매우 중요하다. [포스텍이 가진 고유의 기술] 본 연구에서는 오염된 라벨 감지를 위해 라벨을 인위적으로 손상시킨 데이터를 추가 후, 정확한 라벨을 가진 샘플과 오염된 라벨을 가진 샘플의 학습 다이나믹스 차이를 학습하는 새로운 프레임워크를 제시한다. 구체적으로, 제시하는 모델은 학습 다이나믹스의의 잠재적 표현을 클러스터링하여 오염된 라벨을 식별한다. 이를 위해 먼저 원본 샘플들과 인위적으로 손상된 샘플의 학습 다이나믹스을 생성한다. 이후 다이나믹스 인코더를 사용해 훈련 궤적 내에서 판별 패턴을 인코딩하는 역학 표현을 계산하고 분류한다. [연구의 의미] 본 연구는 지도학습 기반의 딥러닝 모델 개발을 위해 필수적인 정확한 데이터를 확보하는 데 도움을 준다. 또한, 이 연구를 통해 데이터셋에 포함된 오염된 샘플을 식별하고 개선할 수 있다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 컴퓨터 비전 분야 최우수 국제학술대회인 The IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2024) 에 발표될 예정이다. 추후 본 연구 결과를 그래프 도메인에 접목시켜, 분자 그래프와 관련된 응용 분야에서의 활용 가능성을 탐구할 것이다. [성과와 관련된 실적] SY Kim, SK Kang, SK Chae, SH Jang, D Lee, H Yu, ” Learning Discriminative Dynamics with Label Corruption for Noisy Label Detection” The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2024. [성과와 관련된 이미지]

[이근배 교수] Denoising Table-Text Retrieval for Open-Domain Question Answering

[연구의 필요성] 오픈 도메인 질의 응답은 일반적으로 유저의 질의와 관계 있는 문서들을 검색하고 이 문서에 기반하여 응답을 생성하는 작업으로 이뤄진다. 이는 유저의 질의에 대한 응답을 직접적으로 제공할 수 있다는 점에서 관련성 있는 검색 결과만을 제공하는 기존의 검색 엔진에 비해 효과적이다. 최근에는 검색된 문서에서 텍스트 뿐만 아니라 테이블 정보까지 동시에 고려하여 응답을 생성하는 연구(Table-Text ODQA)가 활발히 이뤄지고 있다. 그러나 기존의 연구들은 Retriever 의 학습 과정이 데이터셋에 포함된 false-positive instance로 인해 noisy했고, 테이블 단위의 정보를 처리하지 못했다. 이에 본 연구는 기존의 연구들의 문제점을 완화한 Retriever를 개발하였다. [포스텍이 가진 고유의 기술] False positive detection: Retriever는 테이블의 행과 관련된 문서가 결합된 fused block을 검색 단위로 한다. 그러나 데이터셋에는 fused block 단위의 label이 되어 있지 않기에 이전 연구에서는 정답이 포함된 fused block을 positive instance로 취급하였다. 이는 정답이 테이블에서 빈번하게 등장하는 entity인 경우 false-positive training instance의 문제가 발생하게 된다. 이를 완화하기 위해 질의와 fused block간의 관련성을 수치화 하는 false-positive detection model을 훈련시켜 데이터셋을 denoising하였다. Rank-Aware Table Encoding (RATE): Fused block의 정보는 Table의 행 단위에 국한되어 있기에 질의가 테이블 단위의 비교를 요구하는 경우에는 검색기가 이를 처리할 수 없다. 이에 테이블 내에 속하는 값들의 순위 정보를 Rank-aware column encoder를 통해 ranking representation으로 변환하고 Retriever를 학습시킬 때 이러한 정보를 추가적으로 제공하였다. [연구의 의미] 본 연구에서는 기존의 Retriever 모델들이 간과하고 있던 한계점을 지적하였으며, 이를 개선하여 fused-block 단위의 검색 성능에서 state-of-the-art (SOTA)를 달성하였다. 또한, 질의응답 성능에서도 기존 연구보다 향상된 성능을 보였다. [연구결과의 진행 상태 및 향후 계획] 본 연구는 자연어처리 분야 우수 국제학술대회인 LREC-COLING 2024에 소개될 예정이다. 향후 순위 정보 뿐만 아니라 다양한 테이블 단위의 정보를 처리할 수 있는 Retriever를 개발하는 것을 목표로 하고 있다. [성과와 관련된 실적] Deokhyung Kang, Baikjin Jung, Yunsu Kim, and Gary Geunbae Lee, “Denoising Table—Text Retrieval for Open-Domain Question Answering”, LREC-COLING 2024 (accepted) [성과와 관련된 이미지] [이미지 1(대표 이미지) ] An overview of the encoding process for a fused block b with RATE [이미지 2] An example of a question and related table requires table-level reasoning

[최승문 교수] 비형식 학습 환경에서 물리적 전시물과 햅틱 전시물의 비교 연구

[연구의 필요성] 물리적 경험은 학습자의 지각과 학습 개념과 직접 연결함으로써 추상적인 개념 이해를 돕는 특별한 교육적 이점을 지닌다. 햅틱 피드백을 이용한 가상 전시물은 실제 물리적 전시물보다 낮은 비용으로 이러한 학습 효과와 콘텐츠 확장 기회를 제공할 수 있으나, 햅틱 전시물이 비형식 학습 환경에서 제공하는 교육적 가치와 가능성을 조사한 연구는 거의 없다. [포스텍이 가진 고유의 기술] 본 연구는 큰 시각 디스플레이에 붙일 수 있는 2-자유도 케이블 구동 햅틱 장치를 개발하고 물리적 전시물을 밀접하게 모방하는 가상 지레 시뮬레이션을 구현했다. 개발한 햅틱 전시물을 과학 박물관에서 제공하는 전통적인 물리적 전시물과 직접 비교하여 햅틱 전시물의 학습 원리와 확장된 콘텐츠의 효과를 정성적으로 평가했다. [연구의 의미] 지역 과학 박물관에서 수행된 사용자 연구는 어린이 방문객들이 햅틱 인터페이스에 대해 지니고 있는 일반적인 생소함에도 불구하 가상 전시물을 잘 받아들이고 높은 수준의 참여 행동을 보인다는 결과를 얻었다. 또한, 가상 전시물과 물리적 전시물은 서로 다른 학습 원리를 기반으로 하며, 이를 통해 가상 전시물을 개선하고 물리적 전시물을 보완할 수 있는 아이디어를 도출했다. 이는 다양한 학습 환경에서 햅틱 시스템의 활용 가능성을 시사하고 효과적인 햅틱 전시물의 추가적인 탐구를 촉진한다. [연구결과의 진행 상태 및 향후 계획] 본 연구에서는 비형식 학습 환경에서 어린이 방문객을 대상으로 2-자유도 햅틱 인터페이스를 활용한 가상 전시물의 효용성을 평가하였다. 보다 다양한 환경과 사용자를 대상으로 효용성을 조사해볼 필요가 있으며, 실질적인 적용을 위해 햅틱 인터페이스의 안전성을 개선하면 좋을 것이다. [성과와 관련된 실적] 국제 저널 논문: Lee, D., Nam, D., Yoon, J., Yoon, D., Jeong, S., Kim, K., & Choi, S. (2024). A Comparative Study of Physical and Haptic Exhibits in an Informal Learning Environment. IEEE Transactions on Haptics. [성과와 관련된 이미지] 그림 1. 왼쪽: 지역 과학 박물관에 설치되어 있는 전통적인 물리적 전시물. 오른쪽: 2-자유도 햅틱 인터페이스를 활용한 가상 전시물. 그림 2. 물리적 전시물과 가상 전시물의 학습 경험 비교. 가상 전시물이 확장된 컨텐츠로 인해 더 높은 사용 시간과 몰입 수준이 높은 사용 행동을 보임.