본 연구는 UTAUT 모델을 이용하여 보건의료분야 대학생들의 인공지능기술(Artificial Intelligence Technology, AI)의 사용 의도와 태도에 영향을 미치는 요인들을 규명하기 위해 시행되었다. 연구대상은 278명의 대학생으로, 2016년 5월 15일부터 6월 14일까지 자기기입식 설문지를 통하여 자료를 수집하였다. 연구결과 성과기대, 사회적 영향, 업무의 유용성, 불안요인이 사용 의도에 유의미한 영향을 미치는 것으로 나타났다. 그리고 성과기대, 업무의 유용성, 불안요인은 태도에 유의미한 영향을 미치는 것으로 나타났으며, 사용 의도는 태도에 영향을 미치는 것으로 나타났다. 불안요인과 업무의 유용성이 태도에 미치는 직접 효과가 사용 의도에 의해 부분 매개하는 것으로 나타났다. 대학생들의 AI 기술에 대한 긍정적인 사용 의도와 태도를 높이기 위해서는 사실에 근거한 정확한 정보전달과 막연한 불안감을 줄이면서 성과기대, 사회적 영향, 인지된 유용성을 향상시키는 것이 중요한 것으로 나타났다.
본 연구는 UTAUT 모델을 이용하여 보건의료분야 대학생들의 인공지능기술(Artificial Intelligence Technology, AI)의 사용 의도와 태도에 영향을 미치는 요인들을 규명하기 위해 시행되었다. 연구대상은 278명의 대학생으로, 2016년 5월 15일부터 6월 14일까지 자기기입식 설문지를 통하여 자료를 수집하였다. 연구결과 성과기대, 사회적 영향, 업무의 유용성, 불안요인이 사용 의도에 유의미한 영향을 미치는 것으로 나타났다. 그리고 성과기대, 업무의 유용성, 불안요인은 태도에 유의미한 영향을 미치는 것으로 나타났으며, 사용 의도는 태도에 영향을 미치는 것으로 나타났다. 불안요인과 업무의 유용성이 태도에 미치는 직접 효과가 사용 의도에 의해 부분 매개하는 것으로 나타났다. 대학생들의 AI 기술에 대한 긍정적인 사용 의도와 태도를 높이기 위해서는 사실에 근거한 정확한 정보전달과 막연한 불안감을 줄이면서 성과기대, 사회적 영향, 인지된 유용성을 향상시키는 것이 중요한 것으로 나타났다.
The purpose of this study was to identify the factors affecting intention and attitude of artificial intelligence technology(AI) of university students in healthcare using UTAUT model. Participants were 278 college students and the data were collected through self-reported questionnaire from May 15 ...
The purpose of this study was to identify the factors affecting intention and attitude of artificial intelligence technology(AI) of university students in healthcare using UTAUT model. Participants were 278 college students and the data were collected through self-reported questionnaire from May 15 to June 14, 2016. The collected data were analyzed using PASW Statistics/AMOS 22.0. The results were as follows. The effect of expectation factor, social influence, usefulness of work, anxiety factor had a significant effect on use of AI technology Intention. Factor of expectation effect, social influence, usefulness of work, anxiety factor had a significant effect on use of AI technology. As a result of verifying the significance of the indirect effect, it can be seen that the direct effect of the anxiety factor on the attitude factor is partially mediated by the use intention factor and the intention to use was partially mediated in the direct effect of the usefulness factor of the task on the attitude factor. This result means that it is important to increase the expectation factors, social effects, and perceived usefulness through accurate information based on facts and to reduce vague anxiety in order to increase the positive intention and attitude of university students' use of AI technology.
The purpose of this study was to identify the factors affecting intention and attitude of artificial intelligence technology(AI) of university students in healthcare using UTAUT model. Participants were 278 college students and the data were collected through self-reported questionnaire from May 15 to June 14, 2016. The collected data were analyzed using PASW Statistics/AMOS 22.0. The results were as follows. The effect of expectation factor, social influence, usefulness of work, anxiety factor had a significant effect on use of AI technology Intention. Factor of expectation effect, social influence, usefulness of work, anxiety factor had a significant effect on use of AI technology. As a result of verifying the significance of the indirect effect, it can be seen that the direct effect of the anxiety factor on the attitude factor is partially mediated by the use intention factor and the intention to use was partially mediated in the direct effect of the usefulness factor of the task on the attitude factor. This result means that it is important to increase the expectation factors, social effects, and perceived usefulness through accurate information based on facts and to reduce vague anxiety in order to increase the positive intention and attitude of university students' use of AI technology.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 보건의료분야의 직무에 인공지능 기술도입에 대한 인식과 태도에 어떤 영향을 주고 있는지 통합기술수용이론(UTAUT: Unified Theory of Acceptance and Use of Technology)의 연구모델을 적용하여 확인하고자 하는 것이 본 연구의 목적이다. 이 연구의 대상자는 장차 보건의료분야에 종사하여 인공지능 기술에 의해 노동시장 변화 등에 영향을 받을 수 있는 보건의료분야를 전공하는 대학생들로 이루어져 이들의 인공지능기술의 사용 의도와 태도에 대한 요인을 알아보고자 한다.
때문에 최근 새로운 정보기술의 사용자 수용을 연구하는 많은 연구자들이 UTAUT를 연구모형으로 적용하고 있다. 따라서 이 연구에서는 통합기술수용이론(UTAUT)을 기반으로 AI 기술 사용자가 기술수용 사용 의도와 태도에 어떠한 영향을 미치는지 설명하고 각 요인들과의 관계를 검증하고자 하였다.
본 연구는 보건의료분야 대학생의 인공지능 기술에 대한 사용 의도와 태도에 미치는 영향요인을 파악하고자 하였다. 이를 위해 통합기술수용이론의 연구를 바탕으로 기존의 이론적인 모델을 활용하여 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 그리고 불안 요인이라는 변인을 통한 모델을 제시하였고, 이를 설문조사를 통해 변수들 간의 인과관계를 실증적으로 분석하였다.
본 연구에서는 UTAUT모형을 기반으로 초기 모델을 분석하여 AI 기술수용에 대한 최종 구조모형을 만들고 이에 대한 모형적합도 평가를 실시하였다. 가설에 의한 전체적인 구조모형에 대한 분석을 실시하였으며, 아래의 Table 3에서와 같이 연구모형의 경우에 적합도가 대부분 낮게 나타나, 수정지수의 공변량, 잔차를 이론적 근거를 바탕으로 오차항 등 연결하여 수정모형을 제시하였다.
따라서 본 연구에서는 보건의료분야의 직무에 인공지능 기술도입에 대한 인식과 태도에 어떤 영향을 주고 있는지 통합기술수용이론(UTAUT: Unified Theory of Acceptance and Use of Technology)의 연구모델을 적용하여 확인하고자 하는 것이 본 연구의 목적이다. 이 연구의 대상자는 장차 보건의료분야에 종사하여 인공지능 기술에 의해 노동시장 변화 등에 영향을 받을 수 있는 보건의료분야를 전공하는 대학생들로 이루어져 이들의 인공지능기술의 사용 의도와 태도에 대한 요인을 알아보고자 한다.
제안 방법
본 연구에서는 UTAUT모형을 기반으로 초기 모델을 분석하여 AI 기술수용에 대한 최종 구조모형을 만들고 이에 대한 모형적합도 평가를 실시하였다. 가설에 의한 전체적인 구조모형에 대한 분석을 실시하였으며, 아래의 Table 3에서와 같이 연구모형의 경우에 적합도가 대부분 낮게 나타나, 수정지수의 공변량, 잔차를 이론적 근거를 바탕으로 오차항 등 연결하여 수정모형을 제시하였다. 수정모형의 경우에는 x2=(620.
본 연구의 변수의 측정을 위하여 Venkatesh 등의 모델에서 검증된 질문 문항들을 사용하여 보건의료분야에 대한 AI 기술사용에 대한 연구에 적합하게 수정하여 적용하였다[7]. 변수들에 대한 본 연구의 조작적 정의는 다음과 같다.
외생변인으로는 이미 검증된 문항을 활용하여 성과기대에 대한 질문 6개, 학습의 용이성에 대한 질문 4개, 사회적 영향에 대한 질문 3개, 촉진조건에 대한 질문 4개,업무의 유용성에 대한 질문 3개와 불안요인에 대한 질문 3개로 구성하였다. 내생변인으로는 사용 의도에 대한 질문 5개와 태도에 대한 질문 4개로 구성하였다.
본 연구는 보건의료분야 대학생의 인공지능 기술에 대한 사용 의도와 태도에 미치는 영향요인을 파악하고자 하였다. 이를 위해 통합기술수용이론의 연구를 바탕으로 기존의 이론적인 모델을 활용하여 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 그리고 불안 요인이라는 변인을 통한 모델을 제시하였고, 이를 설문조사를 통해 변수들 간의 인과관계를 실증적으로 분석하였다. 분석결과 보건의료분야 대학생들은 AI 기술사용에 대한 성과기대요인, 사회적 영향, 업무의 유용성은 사용 의도에 정적인 영향을 미치며, 불안요인은 사용 의도에 부적인 영향을 미치는 것으로 나타났다.
본 연구의 대상자는 경기도의 S대학과 충청도의 D대학교의 보건의료 관련 학과에 재학 중인 대학생들로 연구의 목적과 취지를 이해하고 참여하기로 동의한 278명이었으며, 이 중 결측치가 발견되거나 불성실하게 응답한 1부를 제외한 총 277부를 통계분석에 사용하였다. 자료 수집은 조사자가 설문지를 배부 후 익명 처리하여 회수하였다.
대상 데이터
본 연구의 대상자는 경기도의 S대학과 충청도의 D대학교의 보건의료 관련 학과에 재학 중인 대학생들로 연구의 목적과 취지를 이해하고 참여하기로 동의한 278명이었으며, 이 중 결측치가 발견되거나 불성실하게 응답한 1부를 제외한 총 277부를 통계분석에 사용하였다. 자료 수집은 조사자가 설문지를 배부 후 익명 처리하여 회수하였다.
데이터처리
가설적 경로모형의 적합도를 평가하기 위하여 모형적합성 판단 여부 기준으로 가장 많이 사용되고 있는 통계량(p>.05 적합), 원소 간 평균 차이인 RMR(Root Mean-Square Residual: .05 이하 적합), 기초부합치인 GFI(Goodness-of-Fit Index: .9 이상 적합), 조정부합치인 AGFI(Adjusted Goodness-of-Fit Index: .9 이상 적합), 표준 부합치인 NFI(Normed Fit Index: .9 이상 적합), 비표준부합치인 TLI(TuckerLewis Index: .9 이상 적합)를 이용하였으며, 여섯 가지 평가 기준 중 5개 이상이 평가 기준에 도달하여 측정모형이 적합하다고 판정하였다.
간접효과의 유의성을 검증하기 위하여 부트스트래핑(Bootstrapping)을 실시하였으며, 이를 통해 간접효과의 유의도를 검증한 결과는 Table 5와 같다. 불안요인이 태도 요인에 미치는 직접 효과는 -.
그 다음에는 확인적 요인분석(Confirmatory Factor Analysis)을 실시하였으며, 각 변인들 간의 상관관계를 살펴보기 위하여 Pearson 적률상관계수를 산출하였다. 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 불안요인이 사용자 의도와 태도에 대한 가설적 경로모형의 적합도를 검증한 후 변인들 간의 영향 관계를 알아보고자 공분산구조분석(Covariance Structure Analysis: CSA)을 실시하였다.
또한, 탐색적 요인분석(Exploratory Factor Analysis)을 실시하여 외생변수들 간의 상호독립성을 보기 위하여 문항 간의 입력변수들 간의 상관관계 정도를 나타내는 KMO(Kaiser-Meyer-Olkin) 검증 및 Bartlett의 구형성 검증을 실시하였다. 그 결과, KMO=.
설문조사에서 수집된 자료의 통계처리는 PASWStatistics 22.0과 AMOS 22.0을 이용하여 분석하였다. 먼저, 본 연구에 사용된 측정 도구인 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 불안요인, 사용자 의도, 태도 등 설문지의 문항 신뢰도 검증에서 크론바흐알파값(Cronbach α)이 .
그 다음에는 확인적 요인분석(Confirmatory Factor Analysis)을 실시하였으며, 각 변인들 간의 상관관계를 살펴보기 위하여 Pearson 적률상관계수를 산출하였다. 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 불안요인이 사용자 의도와 태도에 대한 가설적 경로모형의 적합도를 검증한 후 변인들 간의 영향 관계를 알아보고자 공분산구조분석(Covariance Structure Analysis: CSA)을 실시하였다. 가설적 경로모형의 적합도를 평가하기 위하여 모형적합성 판단 여부 기준으로 가장 많이 사용되고 있는 통계량(p>.
성능/효과
6% 순으로 나타났다. AI 기술을 보건의료에 적용해서 이용하고 싶은 분야로는 전염병 확산경로 예측 13.1%, 개인 맞춤형 질병 예측 12.8%, 방대한 의료정보의 해석 및 판독 11.4%, 건강 자율진단 및 건강컨설팅 11.0%, AI 수술로봇 9.9% 등의 순으로 나타났다. 보건의료분야에 AI 기술을 활용하는 방법에 대한 교과과정이 개설된다면, 수강신청 의향이 있다는 학생들이 약 40.
그 결과, KMO=.831, Bartlett 구형성 검증은 χ²=3096.12(df=253, p=.000)로 나타났다.
AI 기술을 활용함으로써 얻을 수 있는 업무에 대한 유용성 관련 정보를 더 많이 제공한다면 AI 사용 의향을 향상시켜 궁극적으로 AI 수용 태도 의 향상도 유도할 수 있을 것임을 시사한다. 따라서 AI를 개발하는 연구자나 이해관계자들이 AI에 대한 정확한 정보를 제공할 수 있는 홍보방안을 개발하여 활용한다면 보건의료분야 학생들의 인지적인 측면의 향상뿐만 아니라 동기적인 측면에서의 효능감도 상승시켜 궁극적으로 보건의료분야에 적극 적용될 AI에 대한 수용 태도를 더욱 향상시킬 수 있다는 것을 알 수 있다.
000) 주어진 모형에 대해서 모형의 적합도가 검증되었다. 따라서 본 연구에서 설정한 수정된 최종모형의 전반적인 적합도는 양호하다는 것이 검증되었다.
매개변인인 ‘사용 의도’와 종속변인인 ‘태도’ 간의 상관관계를 나타내는 KMO 검증 및 Bartlett의 구형성 검증을 실시한 결과,KMO=.915, Bartlett 구형성 검증은 χ²=2147.87(df=36,p=.000)로 나타났으며, 총분산 설명력은 78%로 나타나 측정항목들의 타당도도 확보되었음을 알 수 있다.
이를 위해 통합기술수용이론의 연구를 바탕으로 기존의 이론적인 모델을 활용하여 성과기대, 학습 용이성, 사회적 영향, 촉진조건, 업무의 유용성, 그리고 불안 요인이라는 변인을 통한 모델을 제시하였고, 이를 설문조사를 통해 변수들 간의 인과관계를 실증적으로 분석하였다. 분석결과 보건의료분야 대학생들은 AI 기술사용에 대한 성과기대요인, 사회적 영향, 업무의 유용성은 사용 의도에 정적인 영향을 미치며, 불안요인은 사용 의도에 부적인 영향을 미치는 것으로 나타났다. 성과기대요인이 채택된 것은, 인공지능기술을 통한 성과에 대한 기대가 클수록 원하는 결과를 얻을 수 있다고 느끼고 있다는 것이다.
이상의 연구결과 보건의료분야 대학생들의 AI 기술에 대한 사용 의도와 긍정적 태도를 높이기 위해서는 성과기대요인, 사회적 영향, 인지된 유용성을 사실에 근거한 정확한 정보를 통해 높이고, 막연한 불안감을 감소시키는 것이 중요하며, 불안요인과 유용성은 태도에 영향을 유의한 영향을 미치기도 하지만, 사용 의도요인에 의해서도 영향을 미치는 것을 알 수 있었다. 따라서 보건의료 분야 대학에서는 성과기대, 사회적 영향, 유용성에 대한정보를 제공하고, 불안요인을 제거하여 AI 기술을 받아들이는 긍정적인 태도를 가질 수 있도록 장려해야 할 것이다.
추가적으로 부트스트래핑으로 간접효과의 유의도 즉,매개 효과를 검증한 결과 불안요인(-)과 업무의 유용성은 태도에 유의한 영향을 미치며, 사용 의도요인에 의해서도 부분 매개하였다. 이는 불안요인과 유용성은 태도에 직접적인 영향을 미치기도 하지만 사용 의도요인을 매개로 하여 간접적으로 영향을 미친다는 것을 의미한다.
후속연구
이 연구의 결과를 바탕으로 추후에는 더욱 많은 참여자, 특히 의료기관에 근무하고 있는 다양한 직군의 의료인들을 대상으로 조사할 필요가 있고, 보건의료분야뿐만 아니라 AI가 적용될 수 있는 그 외의 분야에 대해서도 반복측정을 통해 타당도와 신뢰도 향상을 통한 검증이 필요할 것이다. 또한, 최근 알파고와 이세돌 9단의 바둑대결 이후로 일반 대중들에게 AI에 대한 무분별한 정보를 제공함으로써 노동시장 변화 등의 막연한 불안감을 대중들에게 주고 있으므로, 이에 대한 정확한 사실정보를 통해 AI에 대한 올바른 이해가 필요할 것으로 생각된다.
이 연구의 결과를 바탕으로 추후에는 더욱 많은 참여자, 특히 의료기관에 근무하고 있는 다양한 직군의 의료인들을 대상으로 조사할 필요가 있고, 보건의료분야뿐만 아니라 AI가 적용될 수 있는 그 외의 분야에 대해서도 반복측정을 통해 타당도와 신뢰도 향상을 통한 검증이 필요할 것이다. 또한, 최근 알파고와 이세돌 9단의 바둑대결 이후로 일반 대중들에게 AI에 대한 무분별한 정보를 제공함으로써 노동시장 변화 등의 막연한 불안감을 대중들에게 주고 있으므로, 이에 대한 정확한 사실정보를 통해 AI에 대한 올바른 이해가 필요할 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
근거중심의학과 정밀의료가 대중이 목표로 하는 정확한 의사결정을 내리기 위해서는 무엇이 필요한가?
이와 같은 문제들을 극복하기 위한 방법으로 제시되고 있는 것이 근거중심의학(Evidence-based Medicine)과 정밀의료(PrecisionMedicine)이다. 근거중심의학과 정밀의료가 의료계와 일단 대중이 목표로 하는 정확한 의사결정을 내리기 위해서는 최신의 지식을 계속 학습하는 것이 필요하며, 이를 바탕으로 한 컴퓨터의 기계학습을 통해 대규모의 생물학적 자료와 환자 개개인의 특성을 고려하여 치료를 위한 결정을 내린다. 최근 인공지능 기술을 기반으로 보건의료분야에 적용되고 있는 IBM의 왓슨(Watson)이 개발되어 의료진을 위한 암환자의 치료 결정을 지원하고 있다[4].
AI의 의료분야 적용을 바라보는 시각 중 하나는 무엇인가?
이러한 관심은 가까운 미래에 인공지능이 초래할 노동시장 변화에 세간의 관심이 집중되기에 이르렀다. AI의 의료분야 적용을 바라보는 시각 중 하나는 의료행위의 자동화와 정밀화로 보건의료 인력이 상당 부분 대체될 수 있는 위험이 나타날 수 있다는 것이다. 그러나 이러한 이슈들의 대부분은 다분히 개념적이고 추상적인 것들이며, 이에 대해서는 추후 사실에 근거한 종합적인 정리 및 검증 등의 심도 깊은 연구가 필요하다[3].
근거중심의학과 정밀의료는 어떤 문제들을 극복하기 위한 방법으로 제시되었는가?
최근 의료계의 치료 결정에 있어서 의사결정의 개선에 대한 요청이 많이 발생하는데, 이는 진단에 필요한 정보를 얼마나 많이 검토하며, 검증이 된 최신의 의학 정보를 가지고 진단을 하는가의 문제이다[4]. 그리고 노령화에 대한 대책과 이를 부양할 인구의 감소는 보건의료의 지속가능성의 문제로 부각되고 있다. 이와 같은 문제들을 극복하기 위한 방법으로 제시되고 있는 것이 근거중심의학(Evidence-based Medicine)과 정밀의료(PrecisionMedicine)이다.
참고문헌 (19)
S. G. Lee. (2015). Artificial Intelligence. Research and Policy, which will dominate the Future of Japan. IT Communication & Broadcast Policy, 27(6), 1-7.
J. H. Lee et al. (2014). Big-Data Utilization Trend in Healthcare. Journal of Korean Telecommunication, 32(1), 63-75.
Y. J. Chun. (2016). AI and Future of Healthcare Personnel-Trends, Prospects and Implications. Healthcare Management and Policy Research, 5(2), 106-112.
K. Y. Lee & J. H. Kim. (2016). Artificial Intelligence Technology Trends and IBM Watson References in the Medical Field. Korean Medical Education Review, 18(2), 51-57. DOI : 10.17496/kmer.2016.18.2.51
S. G. Lee. (2005). An Empirical Study on Mobile Technology Adoption based on the Technology Acceptance Model and Theory of Planned Behavior. Information Systems Review, 7(2), 61-84.
V. Venkatesh. (2000). Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Information systems research, 11(4), 342-365. DOI : 10.1287/isre.11.4.342.11872
F. D. Davis, R. Bagozzi & R. Warshaw. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management science, 35(8), 982-1003.
I. Ajzen. (1991). The theory of planned behavior. Organizational behavior and human decision processes, 20(2), 179-211.
S. Taylor & A. Todd. (1995). Understanding information technology usage: A test of competing models. Information systems research, 6(2), 144-176. DOI : 10.1287/isre.6.2.144
F. D. Davis, R. Bagozzi & R. Warshaw. (1992). Extrinsic and intrinsic motivation to use computers in the workplace. Journal of applied social psychology, 22(14), 1111-1132.
R. L. Thompson, C. A. Higgins & J. M. Howell. (1991). Personal computing: toward a conceptual model of utilization. MIS quarterly, 15(1), 125-143. DOI : 10.2307/249443
G. C. Moore & I. Benbasat. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information systems research, 2(3), 192-222.
D. R. Compeau & C. A. Higgins. (1995). Computer self-efficacy: Development of a measure and initial test. MIS quarterly, 19(2), 189-211. DOI : 10.2307/249688
C. Carlsson, J. Carlsson, K. Hyvonen, J. Puhakainen & P. Walden. (2006). Adoption of mobile devices/services-searching for answers with the UTAUT. The 39th Annual Hawaii International Conference on System Sciences (pp. 132a). Kauia : IEEE. DOI : 10.1109/hicss.2006.38
Y. S. Wang, H. H. Lin & L. P. Luarn. (2006). Predicting Consumer Intention to Use Mobile Service. Information Systems Journal, 16(2), 157-179. DOI : 10.1111/j.1365-2575.2006.00213.x
H. Amin. (2007). An Analysis of Mobile Credit Card Usage Intentions. Information Management & Computer Security, 15(4), 260-269. DOI : 10.1108/09685220710817789
S. Y. Morna, J. Peter, M. Goldrick, A. Kathleen & J. D. Keeling. (2003). Using ZMET to Explore Barriers to the Adoption of 3G Mobile Banking Service. International Journal of Retail and Distribution Management, 31(6), 340-348. DOI : 10.1108/09590550310476079
※ AI-Helper는 부적절한 답변을 할 수 있습니다.