Archives of Design Research

현재의 모바일 기반 피트니스 서비스는 웨어러블 등의 기기와 같은 IoT를 활용하거나 AI를 활용한 스마트 피트니스 분야로 구분 할 수 있고, IoT 및 AI 관련 기술은 서로 결합하여 스마트 피트니스 분야에서 다양한 연구가 진행되고 있다(Farrokhi et al., 2021). 특히 HCI 분야에서 AI 기술을 활용한 스마트 피트니스 관련 연구는 건강 데이터 측정 및 실시간 모니터링, 의료 서비스 자동화 등의 기술 관련 연구를 중심으로 활발한 탐구가 이루어져 왔다(Asan, O. & Choudhury, A., 2021; Wang et al., 2019; Shaw, J. et al., 2019).

AI 기반 스마트 피트니스 서비스는 대부분 기술적인 측면에서 많은 연구가 진행되어 왔는데, 특히 모바일 기기 자체의 온디바이스 AI를 활용한 연구 및 사례들은 다양한 콘텐츠 활용 가능성 및 카메라 비전 인식 등 기술 활용의 편리성을 갖는다(Garbett et al., 2021).

이처럼 주요하게 연구된 AI 기반 피트니스 서비스의 기술적 측면이 아닌, 사용자 경험 측면 관련 선행 연구를 살펴보면 해당 서비스들은 기술 활용의 편리성 및 효용성의 가치는 인정받고 있으나 사용자 맞춤화를 통한 다양성이 부재하여 단일 솔루션 적용 접근 방식만을 취하고 있다는 제한점을 가지고 있었다(Villalobos-Zúñiga & Cherubini, 2020).

물론, 피트니스 서비스가 서비스 시작 시에 사용자의 운동 종류 선호도 및 기본 건강 데이터에 맞게 운동 프로그램의 맞춤 기능을 제안할 수 있으나 실제 사용자 경험 측면에서 코치가 사용자의 건강 상황을 확인하고 이에 맞는 추천을 해주며 운동 결과에 대해 피드백을 해주는 등의 피트니스 서비스의 사용자 경험 전반을 지원해주는 상황과는 괴리가 있었다(Garbett, A. et al., 2021). 그러나 이러한 사용자 경험에서의 괴리는 AI 기술 활용 서비스의 강점인 사용자 건강 데이터 기반 강화 학습, 사용자 맞춤형 및 초개인화 등을 활용하여 극복할 수 있는 경험이므로(우영춘, 2019) 이를 지원할 수 있는 디자인 지식 체계가 필요하다.

Prochaska와 Velicer(1997)의 범이론적 행동변화단계 모형에 따르면 건강 행동 변화를 포함한 행동 변화는 시간적이고 단계적인 변화를 갖는데, 계획 전의 무관심 단계, 계획 단계의 관심 단계, 준비 단계, 행동 및 실행 단계, 그리고 유지 단계의 5단계로 구분 할 수 있다. 건강 행동을 지속할 수 있으려면 행동 및 실행 단계에서 유지 단계로 행동 단계를 유도하는 것이 중요한데, 이에 가장 효과적인 방법은 중재자를 이용한 사회적 강화 방법으로 알려져 있다(Sundel & Sundel, 2005; Watson & Tharp, 2013). 중재자는 자신의 행동을 바꾸려고 하는 사용자에게 행동 변화를 이끄는 사회적 구성원을 의미하는데 응원, 칭찬, 애정 등의 긍정적인 사회적인 상호작용뿐만 아니라 부끄러움 등의 부정적인 사회적인 상호작용도 제공한다. 특히 건강 행동 변화 유지의 다양한 방법 중 사회적 강화는 가장 자연스러운 방법으로 알려졌다.

모바일 기반 피트니스 서비스의 중재자 중, AI 에이전트는 대부분 음성 피드백 코치로서 인간은 아니지만 사용자에게 응원과 같은 사회적 상호작용을 제공하면서 감성적인 지원을 제공할 뿐 아니라 건강 정보 역시 제공하면서 잠재적인 사회적 중재자의 역할을 한다(Lee & Lim, 2015). 그러나 아직까지 피트니스 서비스에서 AI 에이전트가 서비스 사용 여정에 따라 어떠한 사회적인 상호작용 역량으로 설계되어야 사용자의 건강 행동 유지를 도울 수 있는지에 대한 구체적인 디자인 제언이 부재한 상황이다. 따라서 본 연구에서는 AI 에이전트가 AI 기반 피트니스 서비스에서 사용자의 건강 행동 유지를 돕기 위하여 피트니스 서비스의 사용자 경험 여정에 따라 어떤 역량을 가지고 설계되어야 하는지를 탐구하고 이에 따른 디자인 전략을 제언한다.

선행 연구에 의하면 건강 IT 서비스, 특히 피트니스 서비스는 운동 전, 중, 후의 시간적인 관점에서 사용자 경험에 영향을 미친다(Lee & Lim, 2017; Scutchfield & Keck, 2003; Sussman, 2000). 특히 운동 전에는 건강 관련 행위, 즉 운동에 대해서 동기부여를 제공하는 것이 중요하여 관련 정보를 수집하고, 동기부여를 하며, 구체적인 운동 계획을 세울 수 있도록 하는 것이 중요한 서비스 역량으로 언급된다. 운동 중은 운동을 하고 있는 그 상황을 의미하며 사용자가 서비스를 활용한 운동 자체에 집중할 수 있도록 돕기 위하여 정보 및 정서적 지원을 하는 것이 중요하다. 운동 후에는 다음 운동 행위로 이어질 수 있도록 정보적인 피드백을 주며 감정적인 지원을 해주는 것이 중요하다(Lee & Lim, 2017). 피트니스 서비스 활용의 전반적인 사용자 여정에서 다양한 중재자와의 사회적인 상호작용을 통해 사용자의 건강 행동을 증진할 수 있다. 특히 인간 중재자는 아니지만 잠재적 중재자의 역할을 수행할 수 있는 AI 에이전트의 역할도 중요한데, AI 기반 피트니스 서비스에서 AI 에이전트가 어떠한 중재자로서의 사회적인 상호작용을 제공할 수 있고, 이에 대한 사용자 경험의 기대는 무엇인지에 대한 탐구는 충분하게 이루어지지 않았다. 따라서 본 연구에서는 사용자 및 전문가 인터뷰를 운동 전, 중, 후의 사용자 여정으로 분석함으로써 AI 기반 피트니스 서비스의 사용자 경험의 기대를 탐구하고, 각 여정별로 기대되는 AI 에이전트의 사회적 상호작용의 특징을 상세히 분석하였다.

본 연구에서는 사용자 조사를 위하여 다양한 모바일 기반 피트니스 서비스의 사용 경험이 있는 11명(여성 7명, 남성 4명)의 사용자를 대상으로 비대면 포커스 그룹 인터뷰를 진행하였다. 일주일간 다양한 대학 커뮤니티를 활용하여 피험자를 모집하고 선행 설문을 통하여 최대한 다양한 헬스 서비스를 활용해본 사용자들을 모집하였다(Age AVR.= 24.4, MIN=22 & MAX=29). 자연스러운 인터뷰를 위하여 안면이 있는 총 4그룹을 각각 인터뷰하였으며 각 그룹 당 1시간가량 소요되었다. 인터뷰 데이터는 모두 전사되었으며 약 4주간 6명의 디자인 연구원이 반복적으로 사용자가 서비스에 대하여 바라는 기대에 대하여 주제별 코드를 도출하고 유사도 기반 분류를 통해 분석의 논리성을 향상시켰다.

인터뷰 데이터 분석 과정은 1차적으로 3명의 디자인 연구원들이 합의하여 도출한 각각의 코드(Coder 1)에 대해서 서로 다른 3명의 연구원들을 (Coder 2~4) 모집하여 동의 여부를 측정하고 비동의에 대한 코드는 모든 디자인 연구원들이 모여 토론을 통해 합의하였다(n=101, 95% CI, p<0.001. Coder1 and Coder2 had κ=0.875; Coder1 and Coder3 had κ=0.932; Coder1 and Coder4 had κ=0.920). SPSS 통계를 통하여 분석한 결과 코헨스 카파(Cohen's kappa) 계수(κ)는 모두 0.801~ 1.000으로 코드 간의 완벽한 일치도를 보였다(Landis & Koch, 1977).

데이터는 서비스 여정 전반 및 운동 전, 중, 후의 시점으로 분석하였고 코드는 총 101개 주제였으며 비슷한 사용자 경험 테마에 따라 총 16개로 분류했다(표2). 또한 사용자 조사가 종료된 후, 결과를 가지고 5년 이상의 실무 경력이 있는 두 명의 AI 전문가들과 함께 사용자들의 서비스에 대한 경험적 기대와 현재 서비스가 제공할 수 있는 경험 간 간극의 이유를 논의했고, AI 기반 피트니스 서비스 디자인에서의 주의점에 대한 조언을 구했다. 전문가 인터뷰 결과에 대해서는 3명의 서로 다른 연구원들이 주제어에 대한 유사도 분석을 진행하였으나, 조언을 구하는 목적에 맞게 정성적 분석을 진행하고 통계적인 유의미함은 도출하지 않았다.

본 연구에서는 사용자 조사 및 전문가 인터뷰를 기반으로 사용자 서비스 여정의 전반에 걸친 AI 에이전트에 대한 사용자 경험에 대한 기대와 더불어 운동 전, 운동 중, 운동 후의 시점으로 나누어 결과를 서술하였다.

우선 사용자들은 AI 기반 피트니스 서비스의 전반적인 사용에 있어서 두 가지 사용자 경험 관련 기대를 가지고 있었는데, AI가 가진 기능적인 정확성과 AI를 통해 분석된 자신의 건강 데이터 기반 맞춤형 제안이었다.

“운동 효율 알림이 가능하고 횟수 카운팅도 자동으로 되고 자세 분석 피드백이 되면 좋겠다. (F3)”

이와 같이 사용자들은 AI가 자동화 기능을 제공하는 것은 물론이고 OCR 등의 기능을 활용하여 정확한 피드백을 해주기를 원했다.

두 번째로 사용자들은 서비스가 개인 맞춤형 제안을 해주기를 원했다.

“내 건강 데이터 기반으로 운동을 제안해줬으면 좋겠다. (F1)”

“피곤하거나 바쁘면 운동을 못할 때도 있는데, 시스템이 나의 일정과 수면량 같은 건강 데이터를 기반으로 해서 적합한 때에 최대 효율을 끌어낼 수 있는 피트니스 프로그램을 제공해주면 좋겠다. (M4)”

M4의 인터뷰와 같이 사용자들은 서비스가 비단 사용자의 신체 건강 데이터 즉, 바이오메트릭 데이터 분석만을 원하는 것이 아니라 사용자의 일정 등을 고려한 맥락적인 데이터 역시 참고하여 사용자의 피트니스 효과를 최대한으로 끌어올릴 수 있는 개인 맞춤화 추천을 해주기를 원했다. 또한 추천 방식이나 결과의 공유, 동기부여에 있어서도 사용자들이 선호하는 사회적인 상호작용의 취향을 반영하여 주기를 원했다. 그러나 사용자들이 AI 기반 피트니스 서비스에 기대하는 바와는 달리 현재 AI 기반 피트니스 서비스는 개인 맞춤화 니즈를 만족시켜주지 못했는데 전문가 인터뷰로부터 도출된 가장 큰 원인은 센싱 측면에서의 기술적인 한계와 데이터 통합의 비즈니스적 한계에 있었다. 특히, 현재 AI 기반 피트니스 서비스에서 가장 많이 활용되고 있는 OCR의 경우 환경에 따른 결과가 상이한데 정면 여부, 자연광 여부 등의 환경 요소 및 다양한 자세나 체형, 동작의 범위, 기구 운동의 다양성 등 변수에 따른 오차가 커 이 기술적인 한계가 사용자 경험에 큰 영향을 줄 수 있다.

“물론 인식률을 높일 수 있는 방식으로 추가 센서를 활용하거나 다른 웨어러블 및 기기를 연동하여 OCR의 정확도를 넓히는 해결책이 있지만, 스마트폰만 있으면 언제 어디에서든 운동을 할 수 있는, 온디바이스 활용에서의 편의성이 사라지고 댁 내 홈 피트니스 환경을 갖추어야 하는 번거로움이 있다는 단점이 있다. (전문가 1)”

또 다른 기술적인 한계는 관련 데이터의 비즈니스적 한계인데, 사용자들이 AI의 추천에 대해서 쉽고 예측 가능한 추천보다는 개인 데이터의 최적 맞춤형 추천을 바라고 있지만 데이터 통합 등의 이유로 실현 가능성이 매우 낮다.

“(개인 맞춤화 운동 추천이) 가능하려면 온디바이스에서 모여진 다양한 데이터들 간의 통합이 이루어져야한다. 실질적으로 온디바이스 데이터는 다양한 모바일 기반 애플리케이션을 활용하고는 있으나 애플리케이션 및 서버 간 데이터 교환이 어려운 문제가 있다. (전문가 2).”

사용자들은 피트니스 서비스를 통하여 결과적으로 자신의 건강 행동이 변화되기를 바랐다. 피트니스 서비스는 행동 변화적 관점에서 장기적인 이용이 필요하므로 운동과 같은 건강 행위 자체가 단발적으로 끝나지 않는다는 점이 특징이다. AI 서비스는 사용자의 건강 데이터를 학습하고 이를 기반으로 알고리즘을 강화하는 시간이 필요하기 때문에 AI 에이전트 및 서비스가 사용자와 지속적인 관계를 가지는 것이 매우 중요하다. 지속적인 관계를 유지하기 위하여 AI 기반 피트니스 서비스의 AI 에이전트와 사용자 사이에는 양질의 사회적인 상호작용이 중요한데 이에 대한 사용자들의 기대는 크게 두 가지로, AI 에이전트 및 서비스가 사용자의 운동 성향 및 일정 등의 맥락적 환경에 따라 유연하게 개인화되는 단기적인 수준의 맞춤화와 서비스와의 관계 및 사용자의 성장을 반영한 맞춤형 제안의 장기적인 수준의 맞춤화가 필요했다. 단기적 수준에서는 날씨, 일정 등 사용자의 맥락적인 데이터 및 제안의 선호에 대한 사용자 성향 등의 종합적인 범위의 데이터를 기반으로 선제적 맞춤화를 제공하는 것이 중요했다.

“바빠서 (운동을) 못한 날이 있으면 내가 무엇을 놓치고 있는지를 알려주면 더 좋겠다. (M4)”

“그날그날의 마음이(운동 동기부여가) 다 다르기 때문에 AI가 나에게 맞는 코칭 스타일로 스파르타식이나 친절한 선생님 등 나한테 맞는 방식으로 제안을 해주고 응원해주면 좋겠다. (F5)”

장기적으로는 사용자와 서비스 및 에이전트 사이의 관계에 따라서 데이터의 표현 방식 및 에이전트의 사회적인 상호작용의 질 역시 진화하는 디자인 전략이 필요한 것으로 보인다.

“(에이전트가) 처음에는 이 정도 수준의 단순한 결과만 보여주지만, 한 2주 후에는 (사용자 데이터를 더 축적하면) 더 고급화된 결과를 보여주겠다고 말해주면 처음에 제안되는 뻔한 추천 결과 같은 것에 실망하지 않을 것 같다. 시간이 걸린다고 말해주면 기꺼이 (데이터 추가 입력 등의 수고를 하면서 서비스를 사용) 할 수 있다. (M1)”

이처럼 사용자가 서비스를 인지하는 측면에서도 관계적 모델을 응용한 디자인 전략이 필요하며, 서비스와의 관계를 증진하여 결국 서비스를 활용한 건강 행동을 유지 및 증진하는 것이 중요하다.

AI 전문가들은 서비스가 피트니스 서비스에서 할 수 있는 역량이 어느 정도인지 사용자에게 확실하게 명시하지 않으면 사용자 경험에 부정적인 영향을 끼칠 것이라고 의견을 수렴하였다. 믿을 수 있는 데이터를 기반으로 명확하게 이유를 밝히며 추천 및 제안이 이루어져야 한다. AI 에이전트에 대한 사용자의 신뢰가 충분하지 않다면 AI 에이전트를 통한 동기부여도 의미가 없으므로 피트니스 서비스를 통한 건강 행동 증진에 부정적 영향을 준다. 이는 기능이 완벽하지 않은 AI 기반 서비스에서 인간 중재자와 에이전트 중재자가 어떻게 협력하여 시너지를 만들어낼 수 있는지에 대한 디자인 제언의 필요성을 재조명하였다.

사용자 조사 결과 특히 운동 중에는 정확하고 빠른 피드백을 제공하는 것이 중요했으나 전문가 인터뷰 결과 사용자들이 원하는 수준의 기능을 서비스에 적용하기까지는 한계가 있음을 알 수 있다. 따라서 다양한 웨어러블 등의 센서를 함께 활용하는 직접적 해결 방법과 더불어 수기 입력 등 간접적으로 관련 데이터를 입력할 수 있도록 하는 등의 AI와 사용자간의 협업 할 수 있는 방법(AI-User Collaboration) 방법이 필요하다(그림 3).

Figure 3 Design Implementation Example of a Tailored Al Agent that Creates Synergy with Users

그림 3과 같이 AI 에이전트와의 사회적인 상호작용의 질을 향상하고 운동 전의 개인 맞춤형 제안을 위하여 사용자의 사회적 관계 관련 선호 타입에 따라 각기 다른 AI 에이전트의 성격을 설정할 수 있다. 현재 AI 기반 피트니스 서비스의 데이터 수집 및 분석을 보완하고 정확한 기능적 피드백을 제공하기 위하여 운동 전에 액티비티 트래커 등의 다양한 웨어러블로부터 얻어낸 사용자의 건강 데이터는 물론 일정 등의 온디바이스에 수집된 사용자의 맥락적 데이터를 반영하여 개인 맞춤화 제안에 활용할 수 있다. 뿐만 아니라 챗봇, 대화형 에이전트 등 다양한 표현 방식의 AI 에이전트를 활용하여 당일의 동기부여, 건강 관련 셀프 리포트 등의 데이터를 수집할 수 있다. 운동 중에는 사용자 선호 기반으로 설정한 AI 에이전트의 성격에 적합하게 피드백이 제공되어야 하고 이는 데이터 기반의 실시간 코칭으로 이루어져야 한다. 운동 후에는 다음 운동 계획에 활용 될 수 있는 다양한 정보 및 AI 에이전트의 성격에 맞는 응원과 같은 감정적 지원이 필요하다. 이처럼 단기적인 전략을 활용하여 사용자의 운동 성향과 맥락의 변화에 대해 민감하게 반응하고 이를 기반으로 개인 맞춤화 피트니스 서비스를 제공한다면 사용자는 AI 에이전트에 대한 애착을 더 키울 수 있을 뿐 아니라 결론적으로 서비스에 대한 신뢰가 증가하여 더 많은 상호작용을 통하여 고도화된 개인화 서비스를 이용할 수 있다.

AI 에이전트에 대하여 사용자들이 인지적으로 가지고 있는 심상 및 기대는 모두 다르므로 이에 대한 표출 설계가 중요할 것으로 보인다. 단기적으로는 사용자가 선호하는 사회적 상호작용의 질을 잘 반영하는 것이 중요하겠지만, 장기적으로는 사용자의 성향 및 맥락적 데이터는 물론이고, 사용자-에이전트 관계에 맞춰 진화하는 맞춤화 및 상호작용 방식의 서비스를 디자인해야 한다.

초기에는 사용자가 가지고 있는 피트니스 관련 능력, 루틴, 선호 운동 및 환경 등 다양한 데이터를 오랜 시간에 걸쳐 파악하는 것이 중요하며, 사용자가 서비스 사용 및 운동 행위의 숙련자가 되었을 때 데이터 표출 방식이나 에이전트의 상호작용 스타일이 진화될 수 있다. 그림 4의 왼쪽 그림과 같이 피트니스 서비스에 대한 경험이 많지 않은 초보자일 경우에 운동 후에 제공되는 데이터의 성질이 생활 속에서 이해 가능한 수준으로 치환될 수 있는 형식이어야 하는데 이는 사용자의 데이터 해석 능력(Data Literacy)을 높일 수 있는 학습 방법이기도 하다. 초심자의 경우 응원 등의 긍정적인 사회적 상호작용이 중요하므로 AI 에이전트가 응원을 해주는 기능뿐 아니라, 소셜 미디어 등의 공유를 통하여 친구 등의 인간 중재자들로부터 얻을 수 있는 사회적 강화도 활용 할 수 있어야 한다. 그림 4의 오른쪽 그림과 같이 사용자가 AI 기반 피트니스 서비스를 장기간 활용하여 건강 데이터 해석 능력이 향상되었으며 운동 숙련자가 되었을 경우 심박, 산소 포화도 등의 사실 중심의 전문적인 데이터를 제공하고 이를 활용할 수 있도록 사용자에게 데이터 활용의 주도권을 제공해야한다. 또한 AI 에이전트가 제안하는 운동 프로그램 보다는 사용자를 최대한 개입하여 스스로 운동 루틴을 세울 수 있는 기능 등을 제공할 수 있다. 숙련자는 중재자들의 응원 등의 감성적 지원보다는 전문가 및 숙련자들의 정보 제공이 더 중요하므로 이를 가능케 하는 정보 제공 중재자들을 연결하여 사회적 강화를 활용할 수 있다.

Figure 4 Design Implementation Example that Evolves with Users’ Service Usage Period and Exercise Proficience Level