Purpose Local governments in each region actively hold local festivals for the purpose of promoting the region and revitalizing the local economy. Existing studies related to local festivals have been actively conducted in tourism and related academic fields. Empirical studies to understand the effe...
Purpose Local governments in each region actively hold local festivals for the purpose of promoting the region and revitalizing the local economy. Existing studies related to local festivals have been actively conducted in tourism and related academic fields. Empirical studies to understand the effects of latent variables on local festivals and studies to analyze the regional economic impacts of festivals occupy a large proportion. Despite of practical need, since few researches have been conducted to predict the number of visitors, one of the criteria for evaluating the performance of local festivals, this study developed a model for predicting the number of visitors through various observed variables using a machine learning algorithm and derived its implications. Design/methodology/approach For a total of 593 festivals held in 2018, 6 variables related to the region considering population size, administrative division, and accessibility, and 15 variables related to the festival such as the degree of publicity and word of mouth, invitation singer, weather and budget were set for the training data in machine learning algorithm. Since the number of visitors is a continuous numerical data, random forest, Adaboost, and linear regression that can perform regression analysis among the machine learning algorithms were used. Findings This study confirmed that a prediction of the number of visitors to local festivals is possible using a machine learning algorithm, and the possibility of using machine learning in research in the tourism and related academic fields, including the study of local festivals, was captured. From a practical point of view, the model developed in this study is used to predict the number of visitors to the festival to be held in the future, so that the festival can be evaluated in advance and the demand for related facilities, etc. can be utilized. In addition, the RReliefF rank result can be used. Considering this, it will be possible to improve the existing local festivals or refer to the planning of a new festival.
Purpose Local governments in each region actively hold local festivals for the purpose of promoting the region and revitalizing the local economy. Existing studies related to local festivals have been actively conducted in tourism and related academic fields. Empirical studies to understand the effects of latent variables on local festivals and studies to analyze the regional economic impacts of festivals occupy a large proportion. Despite of practical need, since few researches have been conducted to predict the number of visitors, one of the criteria for evaluating the performance of local festivals, this study developed a model for predicting the number of visitors through various observed variables using a machine learning algorithm and derived its implications. Design/methodology/approach For a total of 593 festivals held in 2018, 6 variables related to the region considering population size, administrative division, and accessibility, and 15 variables related to the festival such as the degree of publicity and word of mouth, invitation singer, weather and budget were set for the training data in machine learning algorithm. Since the number of visitors is a continuous numerical data, random forest, Adaboost, and linear regression that can perform regression analysis among the machine learning algorithms were used. Findings This study confirmed that a prediction of the number of visitors to local festivals is possible using a machine learning algorithm, and the possibility of using machine learning in research in the tourism and related academic fields, including the study of local festivals, was captured. From a practical point of view, the model developed in this study is used to predict the number of visitors to the festival to be held in the future, so that the festival can be evaluated in advance and the demand for related facilities, etc. can be utilized. In addition, the RReliefF rank result can be used. Considering this, it will be possible to improve the existing local festivals or refer to the planning of a new festival.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
지역축제에 관한 연구는 관광학과 관련 학문 분야에서 적극적으로 진행되고 있다. 가장 큰 비중을 차지하는 연구는 축제와 관련된 다양한 요인이 방문객의 만족도나 재방문 의도와 같은 잠재변수에 미치는 영향을 실증적으로 분석하는 연구이다. 또한, 지역축제로 인해 발생한 경제적 파급효과를 추정하는 연구가 다수 이루어졌다.
둘째, 방문객 수에 대한 지역축제 관련 특성 변수들의 영향력을 비교하고자 한다. 본 연구에서 고려한 특성 변수는 행정적 요소와 인구 및 접근성을 포함하는 지역 관련 변수 6개, 축제의 내용과 홍보, 예산 등을 포함하는 축제 관련 변수 15개, 총 21개이다.
마지막으로, 연구의 결과에 따라 학문적 시사점과 실무적 시사점을 제시하고자 한다. 머신러닝 기법을 활용하여 예측 연구를 진행함으로써, 기존의 연구에서 도출하지 못했던 시사점을 찾을 수 있을 것으로 기대하며, 지역축제와 관련된 다양한 이해관계자를 위한 실무적 제안을 제시한다.
본 연구에서 고려한 특성 변수는 행정적 요소와 인구 및 접근성을 포함하는 지역 관련 변수 6개, 축제의 내용과 홍보, 예산 등을 포함하는 축제 관련 변수 15개, 총 21개이다. 모형 개발 과정에서 어떤 변수가 예측에 큰 영향을 미치는지 확인한다.
본 연구는 지역축제 방문객 수 예측모형 개발을 목적으로, 관련 특성 변수를 선정하고 데이터를 수집하여 머신러닝 기법을 적용하였다. 이를 통해 결정계수 값 0.
본 연구는 지역축제 방문객 수 예측모형을 개발하기 위하여 머신러닝 기법을 활용한 높은 예측력의 모형을 생성하고, 연구 결과에 따른 학문적․실무적 시사점을 제시하였다. 하지만 데이터의 수집에 있어 문화체육관광부가 공시한 자료와 검색 엔진에 의존하였기 때문에, 부정확한 데이터와 결측치가 존재하여 모형 성능이 다소 저하되었을 것으로 예상한다.
그러나 대부분의 연구가 특정 지역축제의 방문객을 대상으로 이루어져 일반화가 어렵다는 점, 설문을 통해 측정하여 객관성이 다소 부족하다는 점 등의 한계가 있다. 이에 전국의 다양한 지역축제에 적용가능하면서 객관성을 지닌 지표의 필요성을 확인하였다.
그러나 지역축제는 다수의 방문객의 일정 기간 특정 장소에 유입되는 특수성을 가지고 있으며, 신생 지역축제의 경우 과거 자료가 존재하지 않아 시계열 모형 등을 적용하기 어렵다. 이에 존재하는 다양한 관측변수 데이터를 통해 예측모형을 구축하는 머신러닝 기법을 활용하여 문제를 해소하고자 한다.
제안 방법
관련 연구 중 가장 큰 비중을 차지하는 연구는 통계적 기법을 통해 잠재변수 간 영향을 검증하는 실증연구이다. 다수의 연구자가 지역축제 방문객을 대상으로 실증연구를 수행하여 만족도나 재방문 의도 등의 변수에 영향을 미치는 요인을 탐색하고, 이를 통해 축제의 개선점과 차별화 전략 등 실무적 시사점을 제시하였다.
세 모형 중 랜덤 포레스트와 에이다부스트 알고리즘을 통해 생성된 모형이 선형 회귀를 통해 생성된 모형보다 낮은 오차와 현저히 높은 결정계수를 기록하였다. 두 모형 중에서는 랜덤 포레스트의 결정계수가 0.800으로 에이다부스트의 결정계수인 0.789보다 높은 점수를 기록했으므로 최종 모형으로 랜덤 포레스트를 선정하였다.
이는 문화 관광 산업 및 학문 분야에서 머신러닝을 통해 예측을 수행한 최초의 시도로, 관련 관측 데이터만으로 높은 성능의 예측모형생성이 가능하며 이후 관련 연구 분야에서 활용될 수 있다는 가능성을 확인 할 수 있었다. 또한, 국내에서 미진하였던 지역축제 방문객 수 예측 연구를 진행함으로써, 지역축제의 특수성을 반영하면서 향상된 예측력을 가진 모형을 개발하였다. 덧붙여, 선행연구들은 특정 지역축제를 대상으로 연구를 수행하여 연구 결과를 타 지역축제에 적용하기 어렵다는 한계를 가졌으나, 본 연구에서는 전국의 지역축제 데이터를 활용하여 모형을 구축함으로써 다양한 지역축제에 적용이 가능한 일반화된 모형을 제시하였다는 점은 학문적으로 큰 의미가 있다.
향후 문화체육관광부를 비롯한 지방자치단체의 지역축제 관련 기관과의 협업이 가능하다면, 지역축제와 관련된 다양한 형태의 데이터를 확보하여 추가적인 특성 변수를 고려한 예측모형을 발전시킬 수 있을 것으로 기대된다. 또한, 본 연구에서는 각 모형을 사전에 설정해 놓은 train set으로 학습을 시킨 후, test set을 활용하여 각각 성능 비교를 하였다. 이에 <표 3>에서 제시한 바와 같이 각 모형별 결정계수를 비교하여 가장 성능이 우수한 모형(랜덤 포레스트)을 선정하였다.
둘째, 방문객 수에 대한 지역축제 관련 특성 변수들의 영향력을 비교하고자 한다. 본 연구에서 고려한 특성 변수는 행정적 요소와 인구 및 접근성을 포함하는 지역 관련 변수 6개, 축제의 내용과 홍보, 예산 등을 포함하는 축제 관련 변수 15개, 총 21개이다. 모형 개발 과정에서 어떤 변수가 예측에 큰 영향을 미치는지 확인한다.
본 연구에서는 각 수치형 특성 변수에 대해 엑셀 함수인 ‘Norm.dist’를 적용하여 정규화를 수행함으로써, 각 데이터가 0부터 1 사이의 정규분포 값을 갖도록 하였다(표 2).
예측모형을 개발하기 위하여, 지역축제 방문객 수에 영향을 미쳤을 것으로 사료되는 특성변수를 선정하였다. 지역 고유의 특성을 반영하는 변수 6개, 지역축제 자체의 특성 측면에서 15개, 총 21개 특성 변수가 선정되었다(표 1).
수치형 변수는 데이터의 분포와 숫자의 규모(scale)가 큰 차이를 갖고 있어, 회귀가 제대로 수행되지 않아 결정계수 측정이 어렵고 오차값이 크게 나타난다. 이에 데이터 전처리 과정으로써 데이터 정규화를 진행하였다.
또한, 본 연구에서는 각 모형을 사전에 설정해 놓은 train set으로 학습을 시킨 후, test set을 활용하여 각각 성능 비교를 하였다. 이에 <표 3>에서 제시한 바와 같이 각 모형별 결정계수를 비교하여 가장 성능이 우수한 모형(랜덤 포레스트)을 선정하였다. 본 연구와 같이 머신러닝을 활용하여 특정 값을 예측하는 연구에 있어서 왜 모형별로 각각 다른 목표 변수값을 나타내는지에 대한 기술적인 영역의 연구가 추가로 수행되어야 할 것이다.
첫째, 지역축제 관련 관측 변수 데이터를 수집한 후, 머신러닝 기법을 활용하여 방문객 수 예측모형을 개발하고자 한다. 머신러닝 기법을 통해 수집한 데이터만으로 방문객 수 예측을 수행하는 모형을 개발할 수 있다면, 관련 영역에서의 연구 방법을 확장하는 결과를 기대할 수 있을 것이다.
축제 자체의 홍보성이나 콘텐츠, 기후 요소 등 각 축제의 특징 역시 방문객 수에 영향을 미쳤을 것으로 판단하여, 축제 관련 뉴스 수·관련 블로그 포스팅 수·전년도 관련 블로그 포스팅 수·초대가수 수·대표 초대가수 화제성·날씨·기간·예산·횟수·입장료 유무·입장료 가격·개최 월·개최 계절·전년도 방문객 수를 변수로 채택하였다.
대상 데이터
본 연구는 문화체육관광부의 ‘2018년 전국지역축제 개최계획’을 참고하여 분석 대상을 선정하였다.
본 연구에서 특성 변수로 선정한 21개의 변수 중, 14개의 변수와 목표 변수에 해당하는 방문객 수는 데이터 유형이 수치형(numerical) 데이터에 해당한다. 수치형 변수는 데이터의 분포와 숫자의 규모(scale)가 큰 차이를 갖고 있어, 회귀가 제대로 수행되지 않아 결정계수 측정이 어렵고 오차값이 크게 나타난다.
또한, 머신러닝 지도 학습을 수행하기 위해서는 각 축제에 따른 2018년 방문객 수가 제공되어야 한다. 이에 2018년 축제 방문객 수가 불분명한 139개 축제를 제외하여 총 593개 지역축제를 대상으로 분석을 수행하였다.
예측모형을 개발하기 위하여, 지역축제 방문객 수에 영향을 미쳤을 것으로 사료되는 특성변수를 선정하였다. 지역 고유의 특성을 반영하는 변수 6개, 지역축제 자체의 특성 측면에서 15개, 총 21개 특성 변수가 선정되었다(표 1).
본 연구는 문화체육관광부의 ‘2018년 전국지역축제 개최계획’을 참고하여 분석 대상을 선정하였다. 해당 자료에서는 2018년에 개최된 국내의 886개 지역축제에 관한 정보를 제시한다. 886개 지역축제 중, 관광객 유치가 주목적인 타 지역과 달리 거주 시민을 위한 복지 목적으로 축제를 개최하는 서울특별시의 126개 축제와, 접근성 측면에서 큰 차이가 나타나는 제주특별자치도의 28개 축제를 제외하였다.
데이터처리
23)를 사용하였으며, k-fold cross validation5)을 수행하여 예측모형의 성능을 측정 및 비교하였다. 교차 검증을 통해 산출된 각 모형의 오차와 결정계수(R2)를 비교하여 최종 예측모형을 채택하였다.
목표 변수인 방문객 수는 연속적인 값을 갖는 수치형 데이터에 해당하므로 회귀분석이 가능한 선형 회귀, 랜덤 포레스트, 에이다부스트 알고리즘을 이용하여 모형을 생성하였다. 모형 생성에는 Orange(Ver. 3.23)를 사용하였으며, k-fold cross validation5)을 수행하여 예측모형의 성능을 측정 및 비교하였다. 교차 검증을 통해 산출된 각 모형의 오차와 결정계수(R2)를 비교하여 최종 예측모형을 채택하였다.
선형 회귀, 랜덤 포레스트, 에이다부스트 알고리즘을 사용하여 생성된 세 가지 모형의 성능을 확인하고 비교하기 위하여, k-fold cross validation을 수행하고 각 모형의 오차와 결정계수를 측정하였다.
실제 값과 모형의 예측값 사이의 거리가 오차(error)이며, 오차가 작을수록 예측모형의 정확도가 높은 것으로 판단한다. 평균제곱오차(MSE, mean squared error)에 제곱근을 씌운 평균제곱근오차(RMSE, root mean squared error)를 본 연구에서 생성된 모형의 평가지표로 선택하였다.
이론/모형
지역축제 방문객 수 예측모형을 개발하기 위하여 본 연구에서는 머신러닝 지도 학습 방법을 활용하였다. 목표 변수인 방문객 수는 연속적인 값을 갖는 수치형 데이터에 해당하므로 회귀분석이 가능한 선형 회귀, 랜덤 포레스트, 에이다부스트 알고리즘을 이용하여 모형을 생성하였다. 모형 생성에는 Orange(Ver.
지역축제 방문객 수 예측모형을 개발하기 위하여 본 연구에서는 머신러닝 지도 학습 방법을 활용하였다. 목표 변수인 방문객 수는 연속적인 값을 갖는 수치형 데이터에 해당하므로 회귀분석이 가능한 선형 회귀, 랜덤 포레스트, 에이다부스트 알고리즘을 이용하여 모형을 생성하였다.
‘지역축제 방문객 수’는 연속된 값을 갖는 수치형 데이터로, 회귀 문제에 해당한다. 회귀 문제에 적용이 가능한 지도 학습 알고리즘 중 선형 회귀(linear regression)와 랜덤 포레스트(random forest), 에이다부스트(adaboost)를 본 연구에서 사용하였다.
성능/효과
RReliefF 값의 비교를 통해 특성 변수들의 영향력을 살펴본바, 축제 개최지역의 도(道) 구분과 개최 월, 축제의 종류, 대표 초대가수의 화제성 등이 중요 요인으로 파악되었다. 개최지역의 도 구분이 가장 높은 영향력을 보인 것은, 도 차원에서 구축된 지역 인프라나 교통 체계, 사회적으로 자리 잡은 지역문화 등이 지역축제의 방문객 수에 미치는 영향이 컸다고 해석될 수 있다.
다음으로, 축제에 초청된 대표 초대가수의 화제성이 높은 영향력을 보인 것은 화제성 높은 유명 가수를 초청하는 것이 방문객을 유입시키는 데 효과적인 수단임을 나타내는 결과이다. 특성 변수 중 초대가수의 수는 RReliefF 값이 비교적 낮은 반면, 대표 초대가수의 화제성은 높은 점수를 기록하였으므로, 축제 기획 과정에서 화제성이 높지 않은 여러 명의 가수를 섭외하는 것보다 화제성이 높은 초대가수 한 명을 섭외하는 것이 더 효과적인 것으로 판단된다.
<표 3>에서는 선형 회귀, 랜덤 포레스트, 에이다부스트 순으로 각 모형의 평균제곱근오차 (RMSE)와 결정계수 값을 보여준다. 세 모형 중 랜덤 포레스트와 에이다부스트 알고리즘을 통해 생성된 모형이 선형 회귀를 통해 생성된 모형보다 낮은 오차와 현저히 높은 결정계수를 기록하였다. 두 모형 중에서는 랜덤 포레스트의 결정계수가 0.
회귀 문제 상황에서는 주로 오차값과 결정계수를 통해 모형의 성능을 평가한다. 실제 값과 모형의 예측값 사이의 거리가 오차(error)이며, 오차가 작을수록 예측모형의 정확도가 높은 것으로 판단한다. 평균제곱오차(MSE, mean squared error)에 제곱근을 씌운 평균제곱근오차(RMSE, root mean squared error)를 본 연구에서 생성된 모형의 평가지표로 선택하였다.
이는 문화 관광 산업 및 학문 분야에서 머신러닝을 통해 예측을 수행한 최초의 시도로, 관련 관측 데이터만으로 높은 성능의 예측모형생성이 가능하며 이후 관련 연구 분야에서 활용될 수 있다는 가능성을 확인 할 수 있었다. 또한, 국내에서 미진하였던 지역축제 방문객 수 예측 연구를 진행함으로써, 지역축제의 특수성을 반영하면서 향상된 예측력을 가진 모형을 개발하였다.
800의 랜덤 포레스트 모형이 생성되었다. 이러한 결과는 예측모형이 작은 오차범위 내에서 주어진 데이터의 80% 정도를 설명할 수 있으며 높은 수준으로 예측이 가능함을 입증하였다.
본 연구는 지역축제 방문객 수 예측모형 개발을 목적으로, 관련 특성 변수를 선정하고 데이터를 수집하여 머신러닝 기법을 적용하였다. 이를 통해 결정계수 값 0.800에 달하는 예측모형을 개발함으로써, 머신러닝을 기법을 활용하여 방문객 수 예측이 가능하다는 것을 확인하였다.
전국의 총 593개 지역축제에 대한 데이터를 수집하고, 이를 머신러닝 알고리즘에 대입하여 예측모형을 개발한 결과, 평균제곱근오차 0.073, 결정계수 0.800의 랜덤 포레스트 모형이 생성되었다. 이러한 결과는 예측모형이 작은 오차범위 내에서 주어진 데이터의 80% 정도를 설명할 수 있으며 높은 수준으로 예측이 가능함을 입증하였다.
국내 지역축제는 주 소재에 따라 전통역사축제, 문화예술축제, 지역특산물축제, 생태자연축제, 주민화합축제, 기타축제로 구분되고 있다. 축제의 종류에 따라 방문객 수에 차이가 있음을 확인하였는데, 문화예술축제와 생태자연축제가 타 종류의 축제와 비교하였을 때, 방문객 수가 높은 것으로 나타났다. 이러한 결과를 참고하여 신규 지역축제를 기획하거나 기존의 지역축제에 관련 콘텐츠를 추가함으로써 더 많은 방문객을 유치할 수 있을 것으로 예상된다.
특성 변수 중 기후를 대변하는 변수로 개최 월을 포함하였는데, 연구 결과 방문객 수에 미치는 영향이 크다는 것을 확인하였다. 우리나라의 기후는 시기에 따라 뚜렷한 차이가 나타나기 때문에, 지역축제가 개최되는 월에 따라 축제에 대한 방문 의도에 영향을 준 것으로 추측한다.
다음으로, 축제에 초청된 대표 초대가수의 화제성이 높은 영향력을 보인 것은 화제성 높은 유명 가수를 초청하는 것이 방문객을 유입시키는 데 효과적인 수단임을 나타내는 결과이다. 특성 변수 중 초대가수의 수는 RReliefF 값이 비교적 낮은 반면, 대표 초대가수의 화제성은 높은 점수를 기록하였으므로, 축제 기획 과정에서 화제성이 높지 않은 여러 명의 가수를 섭외하는 것보다 화제성이 높은 초대가수 한 명을 섭외하는 것이 더 효과적인 것으로 판단된다.
후속연구
국내 관광 연구 분야에서 머신러닝 기법은 부분적으로 도입이 진행되고 있으나, 수요 예측에는 아직 선례가 존재하지 않는다. 따라서, 머신러닝 기법을 활용하여 지역축제와 관련된 관측 데이터만으로 방문객 수 예측모형을 개발하려는 시도는 문화 및 관광 학문 분야의 연구 방법을 확장하는 동시에, 지역축제를 위한 사전 평가지표와 실무적 시사점을 제시할 것으로 기대된다.
첫째, 지역축제 관련 관측 변수 데이터를 수집한 후, 머신러닝 기법을 활용하여 방문객 수 예측모형을 개발하고자 한다. 머신러닝 기법을 통해 수집한 데이터만으로 방문객 수 예측을 수행하는 모형을 개발할 수 있다면, 관련 영역에서의 연구 방법을 확장하는 결과를 기대할 수 있을 것이다.
이에 <표 3>에서 제시한 바와 같이 각 모형별 결정계수를 비교하여 가장 성능이 우수한 모형(랜덤 포레스트)을 선정하였다. 본 연구와 같이 머신러닝을 활용하여 특정 값을 예측하는 연구에 있어서 왜 모형별로 각각 다른 목표 변수값을 나타내는지에 대한 기술적인 영역의 연구가 추가로 수행되어야 할 것이다.
축제의 종류에 따라 방문객 수에 차이가 있음을 확인하였는데, 문화예술축제와 생태자연축제가 타 종류의 축제와 비교하였을 때, 방문객 수가 높은 것으로 나타났다. 이러한 결과를 참고하여 신규 지역축제를 기획하거나 기존의 지역축제에 관련 콘텐츠를 추가함으로써 더 많은 방문객을 유치할 수 있을 것으로 예상된다.
향후 문화체육관광부를 비롯한 지방자치단체의 지역축제 관련 기관과의 협업이 가능하다면, 지역축제와 관련된 다양한 형태의 데이터를 확보하여 추가적인 특성 변수를 고려한 예측모형을 발전시킬 수 있을 것으로 기대된다. 또한, 본 연구에서는 각 모형을 사전에 설정해 놓은 train set으로 학습을 시킨 후, test set을 활용하여 각각 성능 비교를 하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
선형 회귀의 학습 목표는 무엇인가?
선형 회귀는 데이터와 회귀 선 또는 초평면 사이의 오차 거리를 최소화하는 방정식을 찾아내는 것이 학습의 목표이다. 회귀식의 함수는 다음과 같다.
랜덤 포레스트 알고리즘이란?
랜덤 포레스트(random forest) 알고리즘은 의사결정 나무 중 CART(classification and regression tree)와 앙상블 기법(ensemble learning) 중 배깅(bagging) 알고리즘을 조합한 것으로, Breiman에 의해 2001년 제안되었다. CART 알고리즘을 채택하였기 때문에 데이터의 유형과 분포의 제약 없이 사용 가능하며, 과대 적합의 위험이 낮기 때문에 다수의 머신러닝 연구에서 채택되고 있다(조용준, 2018).
랜덤 포레스트 알고리즘이 CART 알고리즘을 채택함에 따른 장점은 무엇인가?
랜덤 포레스트(random forest) 알고리즘은 의사결정 나무 중 CART(classification and regression tree)와 앙상블 기법(ensemble learning) 중 배깅(bagging) 알고리즘을 조합한 것으로, Breiman에 의해 2001년 제안되었다. CART 알고리즘을 채택하였기 때문에 데이터의 유형과 분포의 제약 없이 사용 가능하며, 과대 적합의 위험이 낮기 때문에 다수의 머신러닝 연구에서 채택되고 있다(조용준, 2018).
참고문헌 (60)
권재일, 김한주, "지역산업연관모델을 이용한 지역축제의 경제적 파급효과 분석," 관광레저연구, 제31권, 제1호, 2019, pp. 169-184.
Bonnin, R., "Machine Learning for developers", Packt, Birmingham 2018
Robnik-Sikonja, M.and Kononenko, K., "An adaptation of Relief for attribute estimation in regression", Machine Learning: Proceedings of the Fourteenth International Conference, ICML'97, 1997, pp. 296-304.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.