R&E 연구노트 ⑤ 연구 계획서 쓰기

연구노트 시리즈.

아이디어를 연구로 바꾸기

적응형 키오스크를 만들겠다는 목표만으로는 연구가 아니다. 연구가 되려면 검증 가능한 질문과 그 질문에 답할 방법이 있어야 한다. 그래서 연구 계획서를 다시 썼다.

연구 주제: 사용자 특성에 따라 글자 크기와 인터페이스가 실시간으로 조절되는 적응형 키오스크 최적화 시스템 개발

배경과 필요성

무인 키오스크의 확산은 비대면 편의성을 높였지만 고령자나 디지털 취약 계층에게는 오히려 장벽이 됐다. 글자가 작아 읽기 어렵고, 버튼이 작아 오입력이 잦고, 주문 단계가 복잡해 중간에 포기하는 경우가 많다. 이는 디지털 소외 문제로 이어진다.

이 연구는 카메라와 딥러닝으로 사용자의 연령·시각 특성을 감지하고 그에 맞춰 UI 요소(글자 크기, 버튼 크기, 단계 수, 대비)를 실시간으로 조정한다. 나아가 누적된 사용 로그를 학습해 어떤 UI 조합이 가장 빠른 주문·결제로 이어지는지를 강화학습(컨텍스트 밴딧)으로 찾는 것까지 구상했다.

연구 문제

• RQ1. 카메라 기반 연령·시각 특성 감지로 UI 적합성을 얼마나 향상시킬 수 있는가?
• RQ2. 글자 크기, 버튼 크기, 단계 수, 대비를 실시간 조정하면 작업 완료 시간·오류율·포기율이 감소하는가?
• RQ3. 누적 로그를 이용한 컨텍스트 밴딧 학습은 사용자별 최적 UI를 안정적으로 찾아내는가?
• RQ4. 이런 적응형 키오스크는 고령자뿐 아니라 일반 사용자에게도 긍정적인가?

선행 연구

UI 최적화를 감이 아니라 근거로 다루기 위해 HCI의 고전적 법칙들을 끌어왔다.

• Fitts's Law(1954). 버튼의 크기와 거리가 누르는 데 걸리는 시간을 결정한다. 버튼 크기 최적화의 근거.
• Hick's Law(1952). 선택지가 많을수록 결정 시간이 길어진다. 메뉴 수와 단계 수를 줄이는 근거.
• SUS(System Usability Scale). 사용성을 정량 평가하는 표준 설문 지표.
• 강화학습 기반 개인화 UI 연구. 누적 상호작용으로 UI를 개인화하는 접근.

컨텍스트 밴딧은 사용자 특성이라는 맥락에서 여러 UI 조합 중 무엇을 보여줄지 고르고, 그 결과(주문 성공·속도)를 보상으로 학습하는 틀이라 이 문제에 잘 맞는다.

실험 설계

• 피험자: 20대, 40대, 60대 이상 각 10명 이상.
• 과제: 동일한 주문 시나리오 수행.
• 비교: 고정 UI 대 적응형 UI.
• 분석: ANOVA로 통계 분석, SUS와 NASA-TLX로 정성 평가.
• 결과물: 최적 UI 가이드라인과 AI 기반 프로토타입.

계획과 실제

이 계획은 다소 야심찼고, 1년 차 실제 구현은 더 현실적인 쪽으로 단순화됐다. 누적 로그를 이용한 컨텍스트 밴딧 학습은 구상에 그쳤고, 최종 시스템은 연령대를 네 구간(어린이, 청소년, 성인, 노인)으로 나눠 각 구간에 맞는 UI 프리셋을 적용하는 규칙 기반 방식으로 갔다. 연령 추정에 약간의 오차가 있어도 구간화하면 UI 적용에는 큰 영향이 없다는 게 핵심 판단이었다. 강화학습 기반 자동 최적화는 향후 과제로 남겼다.

다음 글부터는 음성 주문, 그중에서도 잡음 속 화자 분리를 다룬다.