UX 디자인에서의 연구-실무 간 간극 해소를 위한 AI 기반 학술 지식 재구성 시스템 설계 및 평가

참여자들은 논문 전체를 정독하기보다, 자신의 프로젝트와 직접적으로 연관된 핵심 아이디어를 빠르게 파악하기를 원했다. S2는 “논문을 처음부터 끝까지 읽기보다, 결과에서 ‘이건 우리 프로젝트에 쓰면 되겠다’ 싶은 부분만 봤어요.”라고 말하며, 연구의 절차나 통계보다 디자인적으로 의미 있는 결론을 우선적으로 탐색하는 태도를 보였다. S3 또한 “핵심 문장만 정리된 요약이 있으면 훨씬 빨리 이해할 수 있을 것 같아요.”라고 언급해, 결론 중심 요약과 실무적 인사이트에 대한 선호가 공통적으로 확인되었다. 이러한 경향은 디자이너들이 논문을 학문적 탐구 대상이 아닌 실무적 자원으로 소비하려고 함을 보여준다.

참여자들은 학술 논문에 사용된 연구 용어나 분석 절차의 복잡성 때문에 내용을 정확히 해석하기 어렵다고 응답했다. S5는 “논문에서 ‘코딩’했다는 표현이 나오는데, 그게 프로그래밍이 아니라면 뭘 한 건지 모르겠어요.”라고 말하며 연구 용어의 생소함을 지적했다. S1도 “전문 용어가 많아서 문장은 읽히는데 내용은 안 들어와요.”라고 응답하였다. 이러한 반응은 디자이너가 논문 용어를 실무 언어로 해석할 수 있도록 돕는 장치가 부족함을 시사한다. 참여자들은 “논문 내용을 디자인 언어로 해석해주는 설명이 있으면 좋겠다”(S4)고 덧붙이며, 학술적 분석을 실무적 행동 지침으로 연결해주는 해석 지원이 필요함을 강조했다.

참여자들은 논문이 제시하는 연구 맥락이 현재 자신들의 프로젝트 상황과 동떨어져 있다고 느꼈다. S3는 “논문에서 다루는 사용자는 너무 특수해서 우리가 하는 서비스랑은 맞지 않아요.”라고 말했으며, S2는 “과거 사례나 실험실 환경에서 수행된 내용이라 실제 서비스 설계에는 바로 쓸 수 없어요.”라고 지적했다. 이들은 논문이 ‘무엇을 밝혔는가’보다는 ‘자신의 프로젝트에 어떻게 적용할 수 있는가’를 알고 싶어 했으며, 이를 위해 논문 결과를 프로젝트 맥락으로 해석해서 정보를 제공해주는 매개체의 필요성을 공통적으로 언급했다. 이러한 니즈에 대한 예시로 S5는 “논문에서 얻은 인사이트를 디자인하고 있는 서비스의 기능으로 바꾸는 데 시간이 제일 많이 걸린다.”고 답변하였다.

대부분의 참가자는 긴 텍스트보다 시각적으로 정리된 정보를 선호한다고 응답했다. S1은 “논문 내용을 다이어그램으로 보여주면 관계를 더 쉽게 이해할 수 있을 것 같아요.”라고 응답했다. S4는 “텍스트만 잔뜩 있는 논문은 보기 힘들어요. 표나 카드 형식이면 한눈에 이해돼요.”라고 언급하였다. 이는 디자이너가 시각적 사고를 통해 의미를 구성하는 방식을 선호함을 보여주며, 텍스트 중심 구조보다 카드형 요약, 개념도, 사례 기반 시각화 등이 정보 이해를 촉진할 수 있음을 시사한다.

디자인 브리프(design brief)는 실제 프로젝트 시작 단계에서 가장 많이 활용되는 문서 형식 중 하나로 프로젝트 개요, 문제 정의, 디자인 목표, 타겟 사용자, 연구 설계와 과정, 연구 결과(핵심 인사이트) 등이 포함되기도 한다. 디자이너들이 논문을 읽을 때는 짧은 시간에 이러한 핵심 요소를 추출하기 어려운데, MUSE는 논문 텍스트를 분석하여 위 항목별로 자동 요약을 생성하고, 이를 하나의 정돈된 문서로 제공한다(Figure 1.3). 디자이너는 이를 통해 논문이 프로젝트에 어떤 의미를 갖는지 빠르게 파악할 수 있으며, 기존에 직접 정리하던 시간을 절약할 수 있다.

퍼소나(persona)는 특정 사용자를 대표하는 가상의 인물 모델이며, 디자이너들이 사용자 요구와 맥락을 이해하는 핵심 도구이다. 퍼소나 스토리(persona story)는 여기에 시간적 맥락과 행동 시나리오를 더해 스토리보드 형식으로 시각화한 것이다. 많은 디자이너들이 논문 속 연구 참여자 특성과 자신이 다루는 실제 사용자를 연결하는 데 어려움을 겪는다. MUSE는 논문에서 다루는 연구 대상(예: 고령자, 아동, 특정 서비스 사용자 등)에 관한 정보를 분석해 퍼소나(배경, 연령, 직업, 기술 수준, 니즈, 불편 요소 등)을 생성한다(Figure 2.1). 이어 해당 인물이 특정 맥락에서 어떻게 행동하는지, 어떤 요구와 문제를 경험하는지를 이미지와 함께 스토리로 보여준다. 이를 통해 디자이너는 논문 속 개념이나 데이터를 퍼소나의 경험과 서사 구조로 변환하여, 내용을 이해할 수 있다.

디자인 가이드라인(design guideline)은 특정 디자인 문제 해결을 위한 원칙이나 규칙을 체계적으로 정리한 것이다. 즉, 논문에서 도출된 개념을 바탕으로 UX 초기 단계에서 활용 가능한 설계 방향·원칙을 의미한다. 인터뷰에서 참가자들은 논문 속 통계 결과나 질적 분석이 ‘디자인에서 무엇을 해야 하는가’라는 지침으로 이어지지 않아 혼란을 겪었다. MUSE는 논문 결과를 실무적 언어로 변환하여 행동 지침으로 제공한다(Figure 2.2). 예컨대, 아이콘 디자인 관련 논문이라면 ‘아이콘은 작은 크기에서도 인식 가능하도록 단순한 형태를 유지해야 한다’는 원칙과 함께, 이를 시각적으로 설명하는 이미지를 자동 생성한다. 디자이너는 이 가이드라인을 그대로 프로젝트 작업 과정에 적용할 수 있으며, 추상적인 연구 결과를 실질적 디자인 원칙으로 전환할 수 있다.

디자이너들은 한 편의 논문만으로는 충분한 인사이트를 얻기 어려우며, 최신 동향이나 실제 사례를 참고해야 한다. 그러나 기존 AI 학술 탐색 서비스는 디자인 분야에 특화되지 않아 적절한 자료를 찾는 데 어려움이 있었다. MUSE는 논문에서 추출한 핵심 키워드를 기반으로 관련 논문, 뉴스 기사, 디자인 사례를 검색하도록 한다(Figure 2.3). 이를 통해 사용자는 논문에서 출발해 더 풍부한 맥락과 레퍼런스를 빠르게 확보할 수 있다.

아이디어 생성은 디자이너들이 논문을 실무에 연결하는 데 가장 어려움을 느끼는 지점이다. 논문에서 얻은 인사이트를 어떻게 자신의 프로젝트에 맞게 변경하거나 응용할 수 있을지 떠올리는 과정이 쉽지 않다. MUSE는 사용자가 현재 진행 중인 프로젝트 개요를 입력하면, 업로드한 논문 내용과 연결해 새로운 아이디어를 자동 제안한다(Figure 2.4). 예를 들어, ‘AI 기반 인터뷰 서비스’ 프로젝트를 입력했을 때, 관련 논문이 ‘사용자 불안’에 대한 이론을 다루고 있다면, ‘면접 상황에서 긴장을 완화하는 인터페이스 기능’과 같은 아이디어를 제안한다. 이는 단순 요약을 넘어 논문과 프로젝트 간 창의적 연결 고리를 제공한다.

한편, 본 연구는 단일 논문 내용에 대한 정보 재구성을 넘어, 디자이너가 여러 논문을 동시에 참고하는 실제 실무 환경을 반영하기 위해 ‘논문 통합 인사이트 제공 기능’을 별도로 설계하였다. UX 프로젝트는 보통 여러 편의 논문을 참고하며, 개별 논문보다 다수의 연구를 종합해 방향성을 잡는 경우가 많다. 기존에는 디자이너들이 논문별로 따로 메모하거나 파일을 정리해야 했으나, MUSE는 이러한 과정을 자동화한다(Figure 3). 사용자는 관심 있는 논문을 업로드한 뒤 생성된 결과물 중 필요한 부분을 폴더 단위로 보관할 수 있으며, 이후 다른 논문에서도 동일한 과정을 반복할 수 있다. 최종적으로 시스템은 여러 논문에서 축적된 결과를 통합 요약하여 보여주며, 공통된 시사점을 한눈에 확인할 수 있게 한다. 이를 통해 디자이너는 단일 연구에 국한되지 않고, 다수 연구를 비교·종합하는 고차원적 사고를 수행할 수 있다.

Figure 3

Integrated insight view in MUSE: (1) Folder for saving, (2) Stored information, (3) Integrated insight

자가평가 설문 결과, ‘논문 이해도’ 관련 두 항목(U1, U2)에 대한 평균 점수는 비교군 2.7점에서 실험군 4.4점으로 향상되었다(Table 9). 세부 문항별로는 ‘이 논문의 핵심 내용을 잘 이해할 수 있었다’ 항목이 비교군 평균 2.8점에서 실험군 4.8점으로 2.0점 상승하여 가장 큰 향상을 보였다. ‘논문의 중요한 개념을 분류하고 설명할 수 있었다’ 항목은 2.6점에서 4.0점으로 1.4점 상승하였다. 이는 참가자들이 MUSE 사용 후 논문의 전체 구조와 핵심 내용을 보다 명확히 이해했음을 보여준다.

인터뷰 결과, 비교군 상황에서 참가자들은 논문을 순차적으로 읽는 방식이 전체 논리 구조를 이해하는 데 비효율적이었다고 인식하였다. P2는 “논문이 길고 어디서부터 읽어야 할지 모르겠다”고 응답하였고, P4는 “결과와 시사점이 뒤섞여 있어서 흐름을 따라가기 힘들었다”고 언급하였다. P1과 P5 역시 “중요한 개념이 반복되어 헷갈렸다”, “읽는 데 시간이 오래 걸리지만 핵심이 남지 않는다”고 언급하였다.

이러한 의견은 디자이너들이 텍스트 중심 논문을 읽을 때 인지적 부담을 크게 느끼며, 내용의 위계 구조나 개념 간 관계를 체계적으로 파악하기 어렵다는 점을 시사한다.

반면, 실험군에서는 MUSE의 시각적 구조화 기능이 논문 이해를 유의미하게 향상시킨 것으로 나타났다. 인터뷰 중 P1은 “AI가 문단별 요약을 구조적으로 정리해줘서 연구의 목적, 방법, 결과가 명확히 잡혔다”고 언급하였다. 또한 P3은 “핵심 키워드 간의 연결이 시각적으로 보여서 읽는 순서를 스스로 정리할 수 있었다”고 응답했다. P4는 “복잡한 논문이라도 브리프만 보면 내용이 정리된다”고 설명했으며, P5는 “읽는 대신 구조를 보는 느낌이었다”고 표현했다. 이처럼 참가자들은 공통적으로 디자인 브리프 생성, 핵심 요약 및 키워드 시각화, 논문 통합 인사이트 제공 기능이 논문 이해에 실질적 도움을 주었다고 평가하였다. 특히, P5는 “서로 다른 두개의 논문들이었지만 지속가능성이라는 공통된 주제로 연결되어 있다는 걸 발견했다”고 언급하며, MUSE가 개별 논문을 넘어 개념 간의 상위 관계를 통합적으로 파악하게 했음을 보여주었다.

반면, P2는 “핵심은 대충 파악하였으나 용어 해석이 여전히 어렵다”고 응답하여, MUSE가 개념 간 관계 인식에는 효과적이지만 전문 용어의 의미적 해석 지원은 여전히 보완이 필요함을 시사했다.

논문 이해도 평가는 내부 연구자 1인과 외부 전문가 1인이 동일 기준(상·중·하 3단계)에 따라 독립적으로 평가 후 합의 과정을 거쳐 산출하였다. 평가 항목은 논문 핵심 요약 세부 과제를 통한 이해 정확성을 중심으로 이루어졌다. 그 결과, 전문가 평가는 비교군에서 전원이 ‘중’ 수준에 머물렀으나, 실험군에서는 5명 중 4명이 ‘상’ 수준으로 향상된 것으로 나타났다. 대부분의 참가자가 실험군 조건에서 상위 수준으로 향상되었으며, 특히 개념 간 인과 관계 파악과 구조적 요약 능력에서 뚜렷한 개선이 확인되었다(Table 10).

Table 10

Task Responses and Evaluation Results Related to ‘Understanding of Research Papers’

구체적으로 비교군 결과물은 대체로 주제·기능 중심의 단편적 요약에 머물렀다. 예를 들어, P1은 ‘AI 돌봄서비스는 노인의 안부를 확인하고 돌봄 공백을 줄일 수 있다.’, P3은 ‘AI 챗봇은 학습자의 사고를 자극한다.’라고 서술하였다. 전문가들은 ‘핵심 개념 간 관계를 파악하지 못한 키워드 수준의 나열’, ‘논문 구조보다 사례 중심의 단문 진술에 머물렀다’고 평가했다.

반면 MUSE를 활용한 실험군에서는 논문 간의 개념적 관계와 논리 구조를 파악하며 재구성하는 모습이 뚜렷하게 나타났다. 예를 들어, P1은 ‘AI 돌봄 서비스의 사용자 경험 연구’와 ‘음성 인식 정책 연구’ 두 논문을 읽고 ‘AI 돌봄서비스 효과성 연구는 제공자의 경험을 분석하고, 음성인식 정책연구는 제도적 기반을 제시했다. 두 논문은 현장성과 정책성을 연결해 돌봄의 지속가능성을 논의했다.’라고 작성하였다. 이는 서로 다른 연구를 상위 개념으로 통합하며 인과적 관계를 스스로 도출한 사례로, 평가자들은 이를 ‘두 편의 논문을 논리적으로 연결하여 이해한 사례’로 해석하였다.

또한 P4는 시니어 UX 디자인 연구에 대한 논문을 읽은 뒤, ‘시니어 UX는 감성 UI와 스토리텔링 요소를 포함해야 하며, 영상 자서전은 세대 간 공감을 촉진한다.’라고 정리하였다. 평가자들은 ‘실험군에서 논문의 핵심 개념 세 가지(감성·스토리텔링·세대 공감)를 정확히 파악하고, 이들 간의 상호 관계를 명료하게 서술하였다’며, AI가 제시한 요약 정보가 핵심 개념을 도출하고 연결하여 이해할 수 있도록 인지적으로 도와주었다고 의견을 제시하였다.

평가자들은 공통적으로, MUSE 사용 시 참가자들이 논문을 단순히 요약하는 데 그치지 않고 정보 간의 인과와 위계를 스스로 구성하며 지식을 재조직하는 구조적 이해로 전환되었다고 평가하였다. 평가자들은 ‘MUSE의 시각적 요약 기능이 논문을 이해의 대상에서 재구성 가능한 지식으로 전환시켰다’고 분석하였고, 또한 ‘참가자들이 AI가 제시한 정보를 조합해, 개념 간 의미 구조를 파악했다’고 평하였다.

자가평가 설문 결과, ‘논문의 실무 활용 가능성’에 대한 두 항목(A1, A2) 평균 점수는 비교군 평균 3.2점에서 실험군 3.9점으로 향상되었다(Table 9). 세부 문항 중 ‘이 논문은 내 프로젝트에 적용 가능한 정보를 제공했다’ 항목은 비교군 3.4점에서 실험군 4.0점으로 0.6점 상승하였으며, ‘제공된 정보를 바탕으로 실무 산출물을 만들 수 있었다’ 항목은 3.0점에서 3.8점으로 0.8점 상승하였다. 즉, MUSE를 활용했을 때 참가자들은 논문으로부터 프로젝트와 직접 연결되는 구체적 아이디어나 산출물로 전환할 수 있는 가능성을 더 높게 인식했다.

비교군에서의 방식에서는 참가자들이 논문 내용을 단순히 참고자료나 배경 지식 수준에서 소비하는 경향이 강했다. 인터뷰 중 P1은 “논문이 내 프로젝트와 직접 연결되는 부분이 많지 않았다”고 응답했고, P2 역시 “결과를 참고할 수는 있지만 디자인 아이디어로 발전시키기 어렵다”고 말했다. 이는 전통적 논문 읽기 방식에서 ‘이해’와 ‘활용’ 사이의 간극, 즉 학술 정보가 실무를 위한 정보로 전환되지 못하는 한계를 보여준다.

반면, 실험군 활용에 대해서 참가자들이 MUSE의 디자인 가이드라인, 아이디어 생성 도우미, 논문 통합 인사이트 제공 기능을 중심으로 실무 아이디어 발상에 구체적인 도움을 받았다고 응답하였다. P3은 “AI가 제안한 아이디어 중 일부를 실제 서비스 흐름에 넣어볼 수 있었다”고 언급했다. P2는 “논문의 제안 개념이 (진행 중인 프로젝트의) UI 피드백 구조로 연결된다는 것을 시스템이 제안해줘서 구체적인 설계 아이디어로 발전시켰다”고 설명했다. 또한 P4는 “(진행 중인 프로젝트인) 시니어 자서전 플랫폼의 UX 문제를 논문에서 제시한 접근법(감성UI와 스토리텔링)과 연결할 수 있었다”고 언급하며, MUSE가 논문 내용을 실질적 설계 맥락으로 번역하는 중개자 역할을 했음을 보여주었다.

다만, 일부 참가자(P3)는 “생성된 아이디어가 프로젝트 문맥에 완전히 맞지는 않는다”고 지적하여, MUSE가 제안하는 아이디어의 정합성을 높이기 위한 사용자 맥락 학습 보완이 필요함을 시사하였다.

실무 활용도 평가는 참가자들이 수행한 ‘실무에의 활용 가능성 탐색’ 및 ‘실무에 활용할 수 있는 형태로의 가공’ 과제 결과를 기반으로, 내부 연구자와 외부 전문가가 상·중·하의 3단계로 독립 평가하였다. 논문에서 실무적으로 의미 있는 정보 추출 여부, 논문 개념을 실무 산출물 형태로 변환 여부를 평가 기준으로 삼았다.

그 결과, 전문가 평가는 실무 활용 기여 측면에서도 비교군 대비 실험군의 질적 향상이 확인되었으나, 논문의 이해와 관련된 평가에 비해서는 낮은 수준의 향상이 발견되었다(Table 11). 비교군에서는 전원 ‘중’ 수준이었으며, 실험군에서는 2명이 ‘상’, 나머지 3명은 ‘중’으로 평가되었다. 즉, MUSE가 논문 개념을 실무 아이디어로 전환하도록 일정 부분 도움을 주었지만, 대다수 참가자는 여전히 개념의 재해석 단계에 머물렀다. 비교군의 결과물은 대체로 논문 내용을 아이디어 또는 기능 단위로 단순 참고하는 수준이었다. 예를 들어 P1은 ‘AI가 사용자의 행동 데이터를 분석해 이상 신호 시 전문가에게 알림을 보낸다.’, P4는 ‘시니어의 회고 욕구나 접근성 문제를 참고할 수 있다.’라고 작성하였다. 평가자들은 이러한 양상에 대해 논문이 제시한 연구 개념을 구체적인 시나리오나 콘셉트로 구체화하지 못했다고 의견을 제시하였다.

Table 11

Task Responses and Evaluation Results Related to ‘Practical Application of Research Papers’

실험군에서는 참가자들이 논문 내용을 단순히 참고하거나 요약하는 수준을 넘어, 프로젝트의 구조적 설계 요소로 구체적으로 전환하려는 시도가 P2, P4의 결과에서 보였다고 전문가들은 평가하였다. 특히, P2는 ‘AR 기반 조립 환경에서의 사용자 인식 정확도 향상’ 논문을 읽은 후 ‘AR 기반 조립에 대한 예측·보정 로직을 적용해 부품 위치를 자동 조정하는 UX 시나리오를 설계했다. AI가 카메라 스캔 결과를 분석해 부품 위치를 예측하고 안내 그래픽을 제공한다.’라고 실무 적용할 수 있는 아이디어에 대해 작성하였다. 이는 논문에서 제시된 ‘예측-보정 알고리즘’ 개념을 자신의 프로젝트 UX 시나리오에 구체적으로 통합한 사례로, 평가자들은 이를 ‘논문의 핵심 기술 요소를 UX 시나리오로 구체적으로 변환, 단순 참고 수준을 넘어 적용·통합 단계까지 진전’한 사례로 평가하였다.

또한 P4는 시니어 감성 UX 설계 연구 관련 논문 내용을 기반으로 ‘논문의 감성-스토리텔링-공감 구조를 활용해 자서전 플랫폼을 디자인했다. 사용자의 감정 변화에 따라 배경음악과 UI 색상 톤을 조절한다.’라고 프로젝트에의 활용 아이디어를 작성하였다. 평가자들은 이를 논문에서 제시된 감성·스토리텔링 등의 개념을 통합하여 디자인 표현 요소로 적용한 것으로 평가하였다.

반면 다른 참가자들(P1, P3, P5)은 논문 개념을 참조 수준에서 벗어나지 못했으며, 핵심 개념을 참고하되 구체적 실행 구조로 확장하지 못했다는 공통 의견이 제시되었다.

요약하면, MUSE는 논문 내용을 실무적 사고로 연결하는 데 일부 효과를 보였으나, 전반적으로는 아이디어 수준에서의 활용에 머무르는 한계가 확인되었다. 특히 브리프·가이드라인 기능은 논문 개념의 맥락화를 돕는 데 유용했지만, 아이디어를 구체적 산출물 형태로 전환하기 위한 절차적 지원은 부족한 것으로 나타났다.

MUSE는 학술 논문의 복잡한 내용을 디자이너가 이해하기 쉬운 방식으로 재구성함으로써, 논문 이해의 장벽을 크게 낮추었다. 참가자들은 “논문의 핵심 구조가 시각적으로 보여서 전체 흐름이 정리됐다”(P1), “어려운 용어가 프로젝트 중심 문장으로 바뀌니까 쉽게 이해됐다”(P2)라고 응답하였다. 이러한 반응은 디자이너가 언어적 서술보다는 문제-해결-맥락의 구조적 관계를 중심으로 사고한다는 Cross(2007)와 Lawson(2012)의 연구와도 일치한다(Cross, 2007; Lawson, 2012). 특히 UX 디자이너는 텍스트 자체보다 사용자 여정, 문제 맥락, 사용 동기와 같은 구조적·서사적 단위로 정보를 이해하는 경향이 있다. MUSE의 재구성 방식은 이러한 UX적 인지 특성과 부합하여 논문의 복잡한 내용을 실무적 해석 단위로 전환하는 데 도움을 주었다.

그러나 일부 참가자들은 “정보가 보기 좋게 정리되긴 했지만 세부 내용은 빠진 느낌이었다”(P5), “요약된 문장이 너무 일반적이어서 원문의 깊은 논의가 사라진 것 같다”(P1)라고 언급했다. 이는 정보 구조화와 언어 변환이 이해를 돕는 동시에, 논문의 논리적 전개나 이론적 근거를 희석시킬 위험도 내포하고 있음을 시사한다. 따라서 향후 시스템은 단순한 요약이나 쉬운 표현에만 그치지 않고 디자이너가 ‘요약-설명-원문근거’를 자유롭게 오가며 세부 정보를 단계적으로 탐색할 수 있는 다층적 정보 탐색을 가능하게 할 필요가 있다. 이를 통해서 정보의 단순화를 방지하면서도 이해와 적용의 균형을 유지할 수 있을 것이다.

실험 결과, MUSE의 사례 추천 기능은 참가자들에게 부분적으로만 활용되었다. 다수의 참가자들은 “논문과 직접적인 관련성이 낮은 사례가 제시되었다”(P3), “표면적으로는 비슷하지만 맥락이 다르다”(P5)라고 응답하며, 기능의 실효성에 한계를 지적하였다. UX 설계에서는 단순한 ‘형태의 유사성’보다 ‘사용자 문제 상황의 유사성’이 더 중요한데 현재 시스템은 논문에 포함된 주요 키워드를 중심으로 디자인 사례, 뉴스, 관련 논문을 검색하도록 구성되어 있었기 때문에, 결과적으로 단어 수준의 연관성만 반영되고 UX 실무의 맥락이 충분히 고려되지 못했다.

그럼에도 불구하고 사례 중심의 접근 자체는 디자이너의 맥락적 이해를 촉진하는 잠재력을 지닌다. 참가자들은 “비슷한 사례를 보니까 논문 내용이 실제로 어떻게 쓰일 수 있을지 감이 왔다”(P3)고 응답했으며, 이는 Kolodner(2014)가 제시한 사례 기반 추론(Case-Based Reasoning, CBR) 개념과도 부합한다(Kolodner, 2014). CBR은 새로운 문제를 해결할 때 과거의 유사 사례를 참조하여 추론하는 인지적 과정으로, 디자이너가 추상적인 연구 개념을 구체적 실무 맥락으로 전이하는 과정과 유사한 구조를 가진다. 즉, 사례는 디자이너가 논문 속 지식을 ‘자신의 프로젝트 언어’로 번역할 수 있게 하는 인지적 매개체로 작용할 수 있다.

따라서 향후 시스템은 단순한 키워드 유사도 기반의 표면적 매칭을 넘어, 논문이 다루는 문제 상황·연구 목적·사용자 맥락을 분석하여 의미적으로 연관된 사례를 제시할 필요가 있다. 이러한 개선을 통해 MUSE는 UX 디자이너가 논문 속 개념을 자신의 프로젝트 상황에 적용할 수 있도록 돕는 맥락 기반 학습 도구로 발전할 수 있을 것이다.

현재 MUSE는 논문 정보를 브리프, 가이드라인 등 정보 형식으로 제공함으로써, 디자이너가 핵심 내용을 빠르게 정리하고 공유하는 데 도움을 주었다. 그러나 이러한 고정된 형식은 사용자의 실무에의 적용을 제약하기도 했다. 참가자 P4는 “결과물이 정해진 틀이라 내 프로젝트 방식에 맞게 바꾸기 어려웠다”고 언급하며, 자신의 과제 맥락에 맞는 맞춤형 변형이 어렵다는 점을 지적하였다.

UX 디자이너는 초기 UX 디자인 실무 과정 중 논문 정보를 인터뷰 질문 세트, UX 시나리오, 사용자 여정지도, 인터랙션 플로우 등 특정 UX 산출물 형태로 재정렬하길 원한다. 따라서 향후 시스템은 논문 정보를 보다 다양한 양식으로 재생성할 수 있는 유연한 구조로 발전할 필요가 있다. 예를 들어, 사용자가 ‘사용자 조사 기획’ 단계를 선택하면 AI가 논문 속 사용자 니즈 관련 인사이트를 질문 목록 형태로 변환해 제공하고, ‘아이디어 발상 단계’를 선택하면 논문에 포함된 개념적 모델과 사례를 기반으로 아이디어 스케치 템플릿을 자동 생성하는 식이다. 이처럼 사용자가 목적에 따라 산출물 형태를 정의하고, AI가 그에 맞춰 내용을 자동으로 변환해 제공한다면, 논문 지식을 실제 디자인 실행 단계로 자연스럽게 연결할 수 있을 것이다.

UX 디자인은 Schön(1983)이 말하는 ‘반성적 실천(reflective practice)’에 기반하며, 디자이너는 끊임없이 문제를 재정의하는 순환적 사고를 수행한다(Schön, 1983). 그러나 현 시스템은 이러한 반복적 재해석 과정을 충분히 지원하지 못했다. 즉, MUSE는 논문을 디자이너가 빠르게 이해하게 하는 데는 효과적이었으나, 이해된 내용을 자신의 프로젝트에 적용하거나 새로운 아이디어로 발전시키는 과정에서는 사고의 흐름을 되짚고 확장하도록 하는 데에는 부족했다. 참가자들은 “AI가 정리해준 결과를 보면서 다시 생각한 부분이 있었지만, 그 흔적은 남지 않았다”(P2), “제공된 내용이 너무 단정적으로 들려서 원문을 다시 확인해야 했다”(P1)라고 언급하였다. 이는 디자이너가 단순히 정보를 수용하는 데 그치지 않고, 그 의미를 스스로 해석하며 비판적으로 재구성할 수 있도록 돕는 지원이 필요함을 시사한다.

이에 따라 향후 시스템은 단순한 정보 제공을 넘어, ‘이 연구의 맥락이 당신의 프로젝트와 어떻게 다른가요?’, ‘이 개념을 실제 디자인에 적용하려면 무엇이 필요할까요?’와 같은 반성적 질문을 제시하는 방식으로 발전할 필요가 있다. 이러한 피드백 구조는 디자이너가 AI의 재구성 결과를 그대로 받아들이는 대신, 그 의미를 스스로 해석하고 자신의 프로젝트 맥락에 맞게 재구성하도록 자극할 수 있을 것이다. 즉, AI가 설명을 제공하고, 디자이너가 이를 반성적으로 해석하며, 다시 새로운 형태로 재창조하는 순환이 이루어질 때, AI–디자이너 간의 반성적 협업 모델이 형성될 것으로 보인다.