[논문]빅데이터 분석을 활용한 사용자 경험 평가 방법론 탐색 : 아마존 에코에 대한 온라인 리뷰 분석을 중심으로

황해정; 심혜린; 최준호

doi:10.5392/jkca.2016.16.08.517

빅데이터 분석을 활용한 사용자 경험 평가 방법론 탐색 : 아마존 에코에 대한 온라인 리뷰 분석을 중심으로
Exploration of User Experience Research Method with Big Data Analysis : Focusing on the Online Review Analysis of Echo 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.16 no.8, 2016년, pp.517 - 528

황해정 (연세대학교 정보대학원) , 심혜린 (연세대학교 정보대학원) , 최준호 (연세대학교 정보대학원)

초록
AI-Helper

이 연구는 이미 실생활에서 사용되고 있으나 이에 대한 실증적 사용자 경험 조사가 부족한 사물인터넷 기반 제품에 대한 새로운 사용자 경험 방법론을 탐색해보고자 진행되었다. 지금까지의 사용자 경험에 대한 연구가 주로 설문이나 관찰 방법 등을 통해 이루어져 온 것과 달리 본 연구에서는 사물인터넷 기반 제품 중 지능형 에이전트인 아마존 에코(Echo)를 대상으로 사용자들의 온라인 리뷰를 분석하는 빅데이터 분석 기법을 활용하여 사용자 경험을 살펴보았다. 토픽 모델링 분석 결과, 에코의 기능, 음성 인터랙션, 지속적인 기능 개선과 관련된 사용 경험 요인들이 도출되었다. 또한 회귀분석결과 지속적인 기능 개선이 만족도에 가장 큰 영향을 미치는 것으로 나타났다. 연구의 의의는 사용자 경험을 제고할 수 있는 지능형 사물인터넷 제품 연구방법으로서 빅데이터 분석방법론 활용 가능성을 제시한 점이다.

Abstract ▼ AI-Helper

This study attempted to explore and examine a new user experience (UX) research method for IoT products which are becoming widely used but lack practical user research. While user experience research has been traditionally opted for survey or observation methods, this paper utilized big data analysis method for user online reviews on an intelligent agent IoT product, Amazon's Echo. The results of topic modelling analysis extracted user experience elements such as features, conversational interaction, and updates. In addition, regression analysis showed that the topic of updates was the most influential determinant of user satisfaction. The main implication of this study is the new introduction of big data analysis method into the user experience research for the intelligent agent IoT products.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이기호 외[13]는 이와 같은 문제점에서 출발하여 실무에서 사용할 수 있는 효율적인 사용자 경험 평가 방법을 개발하고자 하였다. 맥락 질문법과 설문을 통하여 다양한 제품군에 대해 범용적인 평가 방법을 개발하고 적용해 보았다. 그러나 이 연구 역시 장기간에 걸친 현지 조사와 정성 연구를 기반으로 요인을 도출하고 대규모 설문을 통하여 프로세스를 개발하였다는 점에서 효율성 문제가 있다.
본 연구는 온라인 리뷰 분석 방법을 사용자 경험 분석 방법으로 적용해 보고자 하였다. 아마존의 지능형 에이전트 제품인 에코에 대한 온라인 리뷰를 바탕으로 토픽 모델링 분석을 실시한 결과, 총 5개 토픽이 도출되었다.
본 연구는 온라인 리뷰를 이용하여 사물 인터넷 기반 제품에 대한 사용자 경험을 살펴보고자 하였다. 아마존에서 출시한 에코를 사례로 분석한 결과, 총 3가지 하위 카테고리에 대해 5가지 토픽이 추출되었다.
본 연구에서는 사물 인터넷 기반 제품에 대한 사용자 경험을 파악하는 방법으로 실제 사용자들의 온라인 리뷰를 대상으로 빅데이터 분석을 탐색적으로 적용해 보고자 한다. 온라인 리뷰에는 사용자 생각이 직접적으로 반영되며, 대규모로 수집될 수 있는 장점이 있다[13][14].
앞에서 도출된 LDA 결과를 바탕으로 각 토픽이 제품 만족도에 미치는 영향을 통계적으로 살펴보았다. 앞서 분류한 세 종류 토픽 중 어떠한 토픽이 만족도에 가장 큰 영향을 미치는지 살펴보기 위하여 모델을 비교해 보았다.
요컨대 본 연구의 목적은 사물 인터넷 기반 제품과 같은 새로운 종류의 제품에 대한 사용자 경험을 평가하기 위한 방법으로 빅데이터 분석 방법론 중에서 토픽 모델링을제안하고 이 방법론의 효용을 검증하는 것이다. 이를 위하여 사물 인터넷 기반 제품인 지능형 에이전트 에코를 사례로 선정하여 연구를 진행했다.
이 연구에서는 기존 사용자 경험 평가 방법의 낮은 실용성을 극복하고 사용맥락이 사용경험에 밀접한 영향을 주는 사물 인터넷 기반 제품에 대한 사용자 경험 평가에 적절한 방법론으로 온라인 리뷰를 활용한 토픽 모델링을 제안한다.
또는 다른 데이터를 설명하는데 온라인 리뷰 데이터를 활용한다. 즉 온라인 리뷰를 종속 변수로 하여 다른 독립 변수를 설명하고자 한다.
[23]은 사용자 경험 평가의 세 요소로 사용자 내적 상태나 제품 기능, 특징과 함께 사용자와 제품이 상호작용하는 환경 맥락(context)을 꼽았다. 즉, 사용자 경험을 평가한다는 것은 사용자와 제품이 상호작용하는 특정 맥락에서, 사용자가 가치 있다고 느끼는 제품 요소나 개념은 어떤 것인지, 해당 요소에 대한 사용자 감정이나 반응은 어떠한지를 살펴보는 것이다.

제안 방법

변대호[24]는 스마트 TV는 기존 TV나 IPTV와 다른 특성을 갖기 때문에 사용자가 만족을 느끼는 요인도 달라질 수 있다고 보았다. 관련 요인을 밝히기 위해 상품 후기를 분석하여 만족에 영향을 주는 요소들을 발굴하였다. Kjeldskov et al.
이를 위하여 사물 인터넷 기반 제품인 지능형 에이전트 에코를 사례로 선정하여 연구를 진행했다. 구체적으로는 사용자가 지각하는 에코의 하위 특성을 도출하고 해당 특성이 사용만족도에 미치는 영향을 통계적으로 살펴보았다.
기존 정성 연구 결과와 비교해 보면 상당히 개략적으로 나타난다는 점을 알 수 있다. 그러나 LDA분석으로 하위 요소와 만족도와의 상관관계 분석을 통해 비정형 데이터로도 정량적 분석을 시행할 수 있었다.
첫 번째는 각 토픽에 해당하는 상위 30개 단어를 뽑아, 어떠한 하위 주제들이 도출되었는지 살펴보았다. 두 번째는 도출된 하위 주제가 만족도에 미치는 영향을 살펴보기 위하여 문서 내 토픽의 비율을 계산하였다. 문서 내 토픽 비율은 한 온라인 리뷰 내에서 각 토픽이 차지하는 비율로, 앞서 도출한 토픽 단어와 리뷰 단어를 비교하여 계산하게 된다.
그 결과 쿠폰이나 할인 등 마케팅 측면에서 뿐만 아니라 로그인이나 결제 등 어플리케이션 기능에 대한 사용성에서 나타나는 하위 요소들이 리뷰에서 나타났다. 또한 해당 토픽의 비율과 리뷰에서 나타나는 감정값을 계산하였다.
두 번째는 분석 방법상 발생하는 한계점이다. 본 연구에서 사용한 LDA 알고리즘은 특정한 기준을 설정하지 않고 통계적 원리를 활용하여 자동적으로 주제를 발굴한다. 따라서 기존에 밝혀지지 않은 내용을 탐색하는데에 장점이 있으나, 반대로 도출된 내용에 대한 과학적 엄밀성(scientific quality)이 낮다는 한계가 있다.
본 연구에서는 리뷰에 어떠한 내용이 분포되어 있는지 살펴보기 위하여 토픽모델링을 활용하였다. 그 중에서도 Blei[33]가 제안한 알고리즘에 따라 LDA기법을 사용하였다.
LDA는 확률에 기반한 모델이기 때문에 주제의 수가 주어지지 않은 경우, 샘플링의 반복 횟수와 주제의 수를 조정하여 가장 적절하다고 판단된 수로 지정한다[34][39]. 본 연구에서는 샘플링 횟수를 7,000회로 지정하고, 총 5개 토픽을 지정하였다. 샘플링을 반복할수록 결과가 점차 개선되기 때문에 총 샘플링 횟수 중 초기 연산 결과를 버리고 나머지 결과만으로 결과를 도출하도록 지정할 수 있다.
도출된 하위 주제는 세부 요소들을 발굴하는 동시에, 해당 요소와 관련된 평가나 감성어휘를 자동 추출하기 때문에[17] 온라인 리뷰를 대상으로 한 연구에서 많이 사용되어 왔다. 사용자 경험에 대한 평가에서는 사용자가 주요하게 생각하는 제품 하위 요소나 개념을 밝히고자 하므로[18][19] 사용자 경험 평가에 토픽 모델링을 적용하려고 한다.
앞에서 도출된 LDA 결과를 바탕으로 각 토픽이 제품 만족도에 미치는 영향을 통계적으로 살펴보았다. 앞서 분류한 세 종류 토픽 중 어떠한 토픽이 만족도에 가장 큰 영향을 미치는지 살펴보기 위하여 모델을 비교해 보았다. 모델 비교를 위하여 상대적인 모델의 간명성과 적합도를 평가하는 데 사용되는 AIC (Akaike information criterion) 값을 활용하였다[40][41].
우선 리뷰 수집은 오픈소스 프로그램인 파이썬(Python)을 이용하여 크롤링하였다. 에코 온라인 리뷰 페이지¹에서 리뷰 작성 날짜, 작성자 ID, 제품을 평가한 별점, 리뷰를 가져오도록 코드를 작성하였다. 수집 결과, 2015년 6월 19일 ∼ 2016년 3월 30일까지 작성된 리뷰 34,548건이 수집되었다.
온라인 리뷰에서는 사람들이 제품을 어떻게 생각하고 느끼는지, 많은 사람들이 공통적으로 생각하는 제품 장단점은 무엇인지[28] 등을 알 수 있기 때문에, 온라인 리뷰를 통해 사용자 경험을 파악하고 측정하려는 연구들이 진행되어 왔다[14][24]. 이 연구들은 오피니언 마이닝이나 텍스트 마이닝을 통한 키워드 추출 방법을 사용하였다. 예를 들어 채승훈[29]은 소셜 커머스 어플리케이션과 오픈 마켓 어플리케이션 사용 경험을 비교하기 위하여 텍스트 마이닝 기법을 활용하여 리뷰를 하위 주제로 분류하고, 해당 주제가 긍정적인지 부정적인지를 계산하였다.
이 연구에서는 사용자 경험을 구성하는 하위 요소 도출을 위해 텍스트 마이닝 중 토픽 모델링 방법을 적용하였다. 토픽 모델링은 통계적으로 문서 내의 하위 주제들을 자동적으로 생성하는 특징이 있다[16].
이 과정에서 이미지, 영상만 있거나, 한 문장밖에없는 짧은 리뷰들은 삭제되었다. 정제한 텍스트 데이터는 문서-단어 매트릭스(document-term matrix)로 변환하여 한 리뷰 안에 등장하는 단어들과 빈도를 가진 매트릭스를 구성하였다. 매트릭스 구성 시 단어 빈도는 TF-IDF(term frequency–inverse document frequency)가중치로 계산하였다.
LDA 결과에서 활용된 데이터는 두 종류이다. 첫 번째는 각 토픽에 해당하는 상위 30개 단어를 뽑아, 어떠한 하위 주제들이 도출되었는지 살펴보았다. 두 번째는 도출된 하위 주제가 만족도에 미치는 영향을 살펴보기 위하여 문서 내 토픽의 비율을 계산하였다.
구체적으로 시행된 전처리 과정은 다음과 같다. 텍스트 문서를 말뭉치로 만든 뒤, 크롤링 과정에서 삽입된 html 태그, 관사나 지시 대명사 등 분석 시 유의미하지않은 단어들을 불용어(stopwords)로 처리하여 삭제하였다. 이 과정에서 이미지, 영상만 있거나, 한 문장밖에없는 짧은 리뷰들은 삭제되었다.

대상 데이터

수집 결과, 2015년 6월 19일 ∼ 2016년 3월 30일까지 작성된 리뷰 34,548건이 수집되었다.
연구 대상으로는 아마존(Amazon.com)에서 출시한 에코(Echo)를 선정하였다. 에코는 지능형 에이전트를 탑재한 제품으로 스피커, 스마트 홈, 물건 주문 등 다양한 기능을 갖추고 있다[35].
요컨대 본 연구의 목적은 사물 인터넷 기반 제품과 같은 새로운 종류의 제품에 대한 사용자 경험을 평가하기 위한 방법으로 빅데이터 분석 방법론 중에서 토픽 모델링을제안하고 이 방법론의 효용을 검증하는 것이다. 이를 위하여 사물 인터넷 기반 제품인 지능형 에이전트 에코를 사례로 선정하여 연구를 진행했다. 구체적으로는 사용자가 지각하는 에코의 하위 특성을 도출하고 해당 특성이 사용만족도에 미치는 영향을 통계적으로 살펴보았다.
매트릭스 구성 시 단어 빈도는 TF-IDF(term frequency–inverse document frequency)가중치로 계산하였다. 전처리를 거쳐 분석에 활용된 리뷰는 총 16,861건이었다. 리뷰의 평균 별점은 4.

데이터처리

문서 내 토픽 비율은 한 온라인 리뷰 내에서 각 토픽이 차지하는 비율로, 앞서 도출한 토픽 단어와 리뷰 단어를 비교하여 계산하게 된다. 각 온라인 리뷰마다 사용자들이 평가한 별점(5점만점)을 종속 변수에 해당하는 만족도로, 각 토픽의 비율을 독립 변수로 하여 다중 회귀 분석을 실시하였다.
매트릭스 구성 시 단어 빈도는 TF-IDF(term frequency–inverse document frequency)가중치로 계산하였다.

이론/모형

본 연구에서는 리뷰에 어떠한 내용이 분포되어 있는지 살펴보기 위하여 토픽모델링을 활용하였다. 그 중에서도 Blei[33]가 제안한 알고리즘에 따라 LDA기법을 사용하였다. 분석에는 오픈소스 R의 lda패키지를 사용하였다[38].
데이터 전처리와 분석에는 오픈 소스인 R ver3.4.3.을 사용하였다. 리뷰 작성자, 제품에 대한 별점, 작성 날짜를 해당 내용에 알맞은 형태로 변경하였다.
앞서 분류한 세 종류 토픽 중 어떠한 토픽이 만족도에 가장 큰 영향을 미치는지 살펴보기 위하여 모델을 비교해 보았다. 모델 비교를 위하여 상대적인 모델의 간명성과 적합도를 평가하는 데 사용되는 AIC (Akaike information criterion) 값을 활용하였다[40][41]. 만족도에 영향을 미치는 변수들에 대한 회귀모델 결과는 다음 [표 2]와 같다.
본 논문의 실무적 의의는 효율적인 사용자 경험 평가를 위하여 온라인 리뷰와 텍스트 마이닝 방법론을 실제로 적용해 보았다는데 있다. 온라인 리뷰를 이용한 텍스트 마이닝 방법론은 상대적으로 적은 비용과 시간으로 분석을 진행할 수 있다.
그 중에서도 Blei[33]가 제안한 알고리즘에 따라 LDA기법을 사용하였다. 분석에는 오픈소스 R의 lda패키지를 사용하였다[38].
본 연구는 위 [그림 1]과 같이 데이터 수집 및 전처리, 분석의 과정을 거쳐 진행되었다. 우선 리뷰 수집은 오픈소스 프로그램인 파이썬(Python)을 이용하여 크롤링하였다. 에코 온라인 리뷰 페이지¹에서 리뷰 작성 날짜, 작성자 ID, 제품을 평가한 별점, 리뷰를 가져오도록 코드를 작성하였다.

성능/효과

모델 3은 모델 2에서 업데이트 관련 항목을 추가하여 회귀시킨 결과이다. 결과를 살펴보면 만족도를 매우 낮은 수준에서 설명하고 있으나, 세 모델 중 AIC값이 가장 낮아 간명성과 적합도 측면에서 가장 뛰어난 모델이라 볼 수 있다. 스피커, 대화형 UI, 스마트 홈 기능은 리뷰에 적게 등장할수록 만족도에 긍정적 영향을 주는 것으로 나타났고, 지능 측면(t=13.
모델 2는 모델 1에서 대화형 UI를 추가로 회귀시킨것으로 모델 1에 비해 설명력이 좀 더 올라간 것을 알 수 있다. 기능과 대화형 UI 모두 통계적으로 유의하게 영향을 미치는 것으로 나타났다. 스피커, 스마트 홈 기능과 유사하게 대화형 UI(t=-10.
두 번째 유형의 연구에서 확인할 수 있는 온라인 리뷰의 장점은 통계적 유용성이다. 연구 대상이 특수하거나 서비스 및 제품의 사용자가 적은 경우 설문이나 실험을 위한 표본을 모집하기 어렵다.
이러한 업데이트 측면이 리뷰에서도 나타난 것을 알 수 있다. 또한 다른 토픽에 비해 amazing, enjoy, best 등 감정적인 단어들이 많이 나타났다.
마지막으로 Topic 5에는 에코의 스피커 기능으로 할 수 있는 기타 기능들이 함께 나타났다. 음악이나 라디오 듣기(music, radio, station, song), 책 읽기(book, tell), 쇼핑(shop, list), 타이머 등 에코로 할 수 있는 기능을 나타내는 단어들이 함께 묶였다.
만족도에 영향을 미치는 변수들 간 상대적인 영향력을 평가하면, 업데이트 측면(β=.686)이 가장 큰 영향을 보이는 변수로 나타났다.
기존 연구에 따르면, 온라인 리뷰는 상대적으로 호의적인 의견이 주를 이루기 때문에 부정적 의견이 반영되지 않거나 자료 자체가 편향될 수 있다[37]. 본 연구에서도 대부분 리뷰가 긍정적으로 제품을 평가하고 있었고, 부정적인 성향의 리뷰는 훨씬 적었다. 리뷰 내에서 긍정적 내용과 부정적 내용을 구분하여 분석에 활용하거나, 판매량이나 로그데이터 등 별점 이외 지표를 분석에 활용하는 방법을 고려해 볼 수 있을 것이다.
토픽은 크게 기능과 관련한 토픽(topic 2, topic 4, topic 5), 인터랙션 방식과 관련한 토픽(topic 3), 업데이트를 통한 기능 개선과 관련한 토픽(topic1)으로 분류할 수 있었다. 분류와 상관없이 분석에서 나타난 평가, 감정 관련 어휘로는 easy, new, love, amazing 등의 형용사가 있었다. 또한 가족이나 친구 등 제품과 관련된 사람들을 나타내는 명사가 나타났으며, 제품이 사용되거나 기능이 영향을 미치는 공간에 대한 어휘들도 있다.
스피커, 대화형 UI, 스마트 홈 기능은 리뷰에 적게 등장할수록 만족도에 긍정적 영향을 주는 것으로 나타났고, 지능 측면(t=13.69, p< .001)과 기타 기능은 리뷰 등장 빈도가 만족도에 긍정적인 영향을 미치는 것으로 밝혀졌다.
스피커, 스마트 홈 기능과 유사하게 대화형 UI(t=-10.869, p< .001)는 리뷰에서 많이 등장할수록 만족도가 낮아지는 것으로 나타났다.
스피커와 스마트 홈 기능도 등장 빈도가 높을수록 만족도에 부정적인 영향을 미치는 것으로 나타났다. 블루투스나 와이파이의 연결 불안정으로 인한 문제이거나 다른 서비스나 제품과의 통합 측면에서 발생한 문제로 추정된다.
사용자가 스마트 전구나 스마트 홈 제품을 설치한 경우 이 제품들과 연결되어 집안 조명을 에코를 통해 음성으로 제어 할 수 있으며 최근에는 온라인 장바구니에 물건을 추가하거나 배달 음식을 주문하는 기능도 추가되었다. 아마존 에코 판매 페이지에는 약 3만 건이 넘는 리뷰(2016년 3월 기준)가 게시되어 있어 본 연구에서 제안하고자 하는 온라인 리뷰 분석 방법을 적용하기에 충분하다고 판단하였다.
본 연구는 온라인 리뷰를 이용하여 사물 인터넷 기반 제품에 대한 사용자 경험을 살펴보고자 하였다. 아마존에서 출시한 에코를 사례로 분석한 결과, 총 3가지 하위 카테고리에 대해 5가지 토픽이 추출되었다.
본 연구는 온라인 리뷰 분석 방법을 사용자 경험 분석 방법으로 적용해 보고자 하였다. 아마존의 지능형 에이전트 제품인 에코에 대한 온라인 리뷰를 바탕으로 토픽 모델링 분석을 실시한 결과, 총 5개 토픽이 도출되었다. 5개 토픽은 다시 기능, 인터랙션, 업데이트라는 3개의 카테고리로 나뉘었다.
업데이트 측면과 기타 기능은 모두 만족도에 긍정적인 영향을 주는 것으로 나타났다. 온라인 쇼핑이나 라디오 플레이, 책 읽기 등 에코가 업데이트 되면서 추가된 기능들이 만족도에 긍정적인 영향을 주는 것으로 보인다.
우선 사용자들은 지능형 에이전트가 탑재된 제품을 크게 기능, 인터랙션 방식, 기능개선의 측면으로 나누어 평가하는 모습을 보였다. 기능과 인터랙션 방식은 기존의 사용성 평가 연구에서도 평가 대상이 되었던 요소들이다[13][20][21].
전반적으로 에코를 부르는 이름인 “alexa”가 여러 토픽에 분포되어 있고, good, love 등 에코에 대한 긍정적인 감정 평가도 나타났다.
토픽 모델링에서 나타난 평가 및 감정 어휘들은 기존 사용자 경험 평가를 위한 설문에서 사용되는 어휘들과 유사한 어휘들도 있었으나, 그렇지 않은 어휘들도 나타났다. 대표적으로 easy나 amazing과 같은 어휘는 각각 사용용이성, 새로움(novelty)과 같은 개념을 측정할 때 사용되는 단어들이다.
토픽은 크게 기능과 관련한 토픽(topic 2, topic 4, topic 5), 인터랙션 방식과 관련한 토픽(topic 3), 업데이트를 통한 기능 개선과 관련한 토픽(topic1)으로 분류할 수 있었다. 분류와 상관없이 분석에서 나타난 평가, 감정 관련 어휘로는 easy, new, love, amazing 등의 형용사가 있었다.

후속연구

두 번째는 시간 흐름에 따라 제품에 대한 사용자 경험을 비교할 수 있다는 점이다. 시기에 따라 리뷰를 분석하거나 업데이트 전후를 기준으로 내용을 분리하여 비교할 경우, 제품사용주기에 따라 사용자 반응이 어떻게 달라지는지를 확인할 수 있을 것이다. 이를 통해 제품이나 서비스가 사용자 경험에 초점을 둔 기획 의도나 방향에 따라 적절하게 개선되고 있는지, 사용자가 긍정적인 반응을 보이는 기능이나 특징에는 어떤 것들이 있는지 확인할 수 있다.
이를 보완하기 위해서는 LDA 결과를 해석할 때에 이 분야 전문가들과 함께 분석함으로써 외적 타당성을 높이는 방법, 사후 설문이나 통계적 검증을 통해 내적 타당성을 높이는 방법 등을 생각해 볼 수 있다. 아울러 본 연구에서 활용된 알고리즘은 비교적 단순한 수준이므로 향후 연구에서는 검증하고자 하는 제품 사용성 목표에 기반하여 새롭게 알고리즘을 구현할 수도 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사용자 경험이란 무엇인가?	사용자 경험(user experience)은 사용자가 제품이나 서비스를 사용하면서 느끼는 정서적 반응이나 가치, 태도 등 전반적인 경험을 포괄하는 개념이다[9][13][20][21]. 연구에 따라 다르지만, 사용자 경험은 제품 사용 전 기대나 사용 시 경험하게 되는 전반적인 행동이나 느낌, 사용 후 태도 및 정서적, 인지적 반응을 포함한다.
	Law et al.이 꼽은 사용자 경험 평가의 세 요소는 무엇인가?	그렇기 때문에 Law et al.[23]은 사용자 경험 평가의 세 요소로 사용자 내적 상태나 제품 기능, 특징과 함께 사용자와 제품이 상호작용하는 환경 맥락(context)을 꼽았다. 즉, 사용자 경험을 평가한다는 것은 사용자와 제품이 상호작용하는 특정 맥락에서, 사용자가 가치 있다고 느끼는 제품 요소나 개념은 어떤 것인지, 해당 요소에 대한 사용자 감정이나 반응은 어떠한지를 살펴보는 것이다.
	아마존 에코와 같은 사물 인터넷 기반 제품은 어떤 특성이 존재하는가?	사물 인터넷 기반 제품으로 지능형 에이전트인 아마존 에코와 같은 제품이 이미 상용화되었다. 이러한 제품은 사용자 개인 특성이나 주변 정보를 학습하고[3] 물리적 공간이나 환경과 밀접하게 연결되는 특성이 있어[4][5] 이에 대한 사용자 경험과 상호작용방식이 다른 제품군에서와 다른 양상으로 나타난다[6-8]. 따라서 새로운 연구방법론의 모색이 필요한 시점이다.

참고문헌 (41)

http://www.gartner.com/newsroom/id/3143521.
https://googleblog.blogspot.kr/2016/05/io-building-next-evolution-of-google.html
조광수, "연결하고 운영하는 통합서비스가 참된 IoT인터넷 들어간 기계는 Smart Things일 뿐," 동아비즈니스리뷰(DBR), 제184권, 제1호, 2015.
A. Brush, B. Lee, R. Mahajan, S. Agarwal, S. Saroiu, and C. Dixon, "Home automation in the wild: challenges and opportunities," Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, ACM, 2011.
J. Forlizzi, "How robotic products become social products: an ethnographic study of cleaning in the home," in Proceedings of the ACM/IEEE International Conference on Human-robot Interaction, ACM, 2007.
C. Breazeal, "Social interactions in HRI: the robot view. Systems, Man, and Cybernetics, Part C: Applications and Reviews," IEEE Transactions, Vol.34, No.2, pp.181-186, 2004.
J. Sung, R. E. Grinter, and H. I. Christensen, "Domestic robot ecology," International Journal of Social Robotics, Vol.2, No.4, pp.417-429, 2010.

상세보기
E. Welbourne, L. Battle, G. Cole, K. Gould, K. Rector, S. Raymer, M. Balazinska, and G. Borriello, "Building the internet of things using RFID: the RFID ecosystem experience," Internet Computing, IEEE, Vol.13, No.3, pp.48-55, 2009.

상세보기
A. P. Vermeeren, E. L. C. Law, V. Roto, M. Obrist, J. Hoonhout, and K. Vaananen-Vainio-Mattila, "User experience evaluation methods: current state and development needs," Proceedings of the 6th Nordic Conference on Human-Computer Interaction: Extending Boundaries, ACM, 2010.
Jesper Kjeldskov and Connor Graham, "A review of mobile HCI research methods," Human-computer interaction with mobile devices and services, Springer, pp.317-335, 2003.
J. Fink, V. Bauwens, F. Kaplan, and P. Dillenbourg, "Living with a vacuum cleaning robot," International Journal of Social Robotics, Vol.5, No.3, pp.389-408, 2013.

상세보기
J. Forlizzi and C. DiSalvo, "Service robots in the domestic environment: a study of the roomba vacuum in the home," Proceedings of the 1st ACM SIGCHI/SIGART Conference on Human-Robot Interaction. ACM, 2006.
이기호, 이인성, 전석원, 양승화, 최지웅, 김진우, 박승용, 한명희, "사용자 경험 측면에서 제품을 평가하는 방법," 한국HCI학회, 2008.
채승훈, 임재익, 강주영, "사용자 리뷰를 통한 소셜커머스와 오픈마켓의 이용경험 비교분석," 지능정보연구, 제21권, 제4호 pp.53-77, 2015.

원문보기 상세보기
O. Netzer, R. Feldman, J. Goldenberg, and M. Fresko, "Mine your own business: Market-structure surveillance through text mining," Marketing Science, Vol.31, No.3, pp.521-543, 2012.

상세보기
D. M. Blei, "Probabilistic topic models," Communications of the ACM, Vol.55, No.4, pp.77-84, 2012.

상세보기
Y. Jo and A. H. Oh, "Aspect and sentiment unification model for online review analysis," Proceedings of the fourth ACM International Conference on Web Search and Data Mining, ACM, 2011.
문지현, 임성택, 박차라, 이인성, 김진우, "사용자 경험에 대한 HCI 적 관점에서의 개념적 고찰," 한국 HCI 학회 논문지, 제3권, 제1호, pp.9-17, 2008.
이인성, 최보름, 김진우, 이기호, 정승기, "가치중심적 HCI 를 위한 새로운 방법론의 개발 및 적용," 한국 HCI 학회 논문지, 제2권, 제1호, pp.13-24, 2007.
장진철, 김현지, 박유경, 배동환, 이문용, "경험샘플링 방법을 이용한 스마트폰 사용자 경험 요소 도출," 한국 HCI 학회 학술대회, pp.249-252, 2014.
J. A. Bargas-Avila and K. Hornbaek, "Old wine in new bottles or novel challenges: a critical analysis of empirical studies of user experience," Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, ACM, 2011.
M. Hassenzahl and N. Tractinsky, "User experience-a research agenda," Behaviour & Information Technology, Vol.25, No.2, pp.91-97, 2006.

상세보기
E. L. C. Law, V. Roto, M. Hassenzahl, A. P. Vermeeren, and J. Kort, "Understanding, scoping and defining user experience: a survey approach," Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, ACM, 2009.
변대호, "감정표현어를 이용한 스마트 TV 의 사용자경험 평가," 한국콘텐츠학회논문지, 제15권, 제5호, pp.132-141, 2015.

원문보기 상세보기
B. Pang and L. Lee, "Opinion mining and sentiment analysis," Foundations and Trends in Information Retrieval, Vol.2, No.1-2, pp.1-135, 2008.

상세보기
최민영, 장혜진, 이호숭, "생활가전제품 디자인을 위한 온라인 리뷰 분석의 효용성 연구," 디지털디자인학연구, 제11호, 제4권, pp.185-194, 2011.
J. H. Kim, H. S. Byeon, and S. H. Lee, "Enhancement of User Understanding and Service Value Using Online Reviews," The Journal of Information Systems, Vol.20, No.2, pp.21-36, 2011.
윤상혁, 손지현, 고민삼, 김영걸, "SNS 온라인 리뷰를 활용한 TV 프로그램 품질평가 연구," 방송통신연구, 제90권, 제4호, pp.42-73, 2015.
변대호, "감정표현어를 이용한 스마트 TV 의 사용자경험 평가," 한국콘텐츠학회논문지, 제15권, 제5호, pp.132-141, 2015.

원문보기 상세보기
Anol Bhattacherjee, Social science research: principles, methods, and practices, Textbooks Collection, 2012.
조승연, 김현구, 김범수, 김희웅, "영화 흥행성과 예측을 위한 온라인 리뷰 마이닝 연구: 개봉 첫주 온라인 리뷰를 활용하여," Information Systems Review, 제16권, 제3호, pp.113-134, 2014.

원문보기 상세보기
조승연, 최지은, 이규현, 김희웅, "고객 온라인 구매후기를 활용한 추천시스템 개발 및 적용," 한국경영정보학회 학술대회, pp.157-164, 2015.
D. M. Blei, A. Y. Ng, and M. I. Jordan, "Latent dirichlet allocation," the Journal of Machine Learning Research, Vol.3, No.4, pp.993-1022, 2003.
강범일, 송민, 조화순, "토픽 모델링을 이용한 신문 자료의 오피니언 마이닝에 대한 연구," 한국문헌정보학회지, 제47권, 제4호, pp.315-334, 2013.

원문보기 상세보기
http://www.amazon.com/Amazon-SK705DI-Echo/dp/B00X4WHP5E#compare.
김승우, 김남규, "오피니언 분류의 감성사전 활용효과에 대한 연구," 지능정보연구, 제20권, 제1호, pp.133-148, 2014.

원문보기 상세보기
D. Meyer, K. Hornik, and I. Feinerer, "Text mining infrastructure in R," Journal of Statistical Software, Vol.25, No.5, pp.1-54, 2008.
J. Chang and M. J. Chang, "Package 'lda'," Citeseer, 2010.
J. Chang, S. Gerrish, C. Wang, J. L. Boyd-Graber, and D. M. Blei, "Reading tea leaves: How humans interpret topic models," in Advances in Neural Information Processing Systems, 2009.
K. P. Burnham and D. Anderson, Model selection and multi-model inference: A Pratical informatio-theoric approach, Sringer, 2003.
H. Akaike, "A new look at the statistical model identification," IEEE Transactions On Automatic Control, Vol.19, No.6, pp.716-723, 1974.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증