[논문리뷰] Facilitating Proactive and Reactive Guidance for Decision Making on the Web: A Design Probe with WebSeek

링크: 논문 PDF로 바로 열기

저자: Yanwei Huang, Arpit Narechania

핵심 연구 목표

컴퓨터 비전 태스크에서 CNN의 의존성을 완전히 제거 하고, 순수한 Transformer 아키텍처 만으로 이미지 분류 성능을 달성하는 것을 목표로 합니다. 기존 CNN 기반 접근법의 한계를 극복하고 self-attention 메커니즘 이 이미지 패치 간의 관계를 효과적으로 학습할 수 있음을 증명하고자 합니다.

핵심 방법론

WebSeek 는 브라우저 확장 프로그램으로 구현되어 웹 데이터 추출, 정제, 시각화를 위한 통합 환경을 제공합니다. 이는 Gemini-2.5-Flash LLM 을 기반으로 하며, 혼합 주도(Mixed-initiative) AI 접근 방식을 통해 사용자의 명시적 행동(cue-driven) 에 기반한 사전 예방적(proactive) AI 가이드 와 반응적(reactive) AI 지원 을 결합합니다. 시스템은 HTML 컨텍스트, 인스턴스 컨텍스트, 사용자 포커스, 대화 및 상호작용 기록 등 다양한 컨텍스트 를 활용하여 제안을 생성하고, 사용자의 데이터 인스턴스 직접 조작과 신뢰할 수 있는 도구 기반 실행 아키텍처 를 통한 AI 작업을 지원합니다.

주요 결과

사용자 연구 결과, 모든 참가자가 두 가지 태스크를 성공적으로 완료했으며, System Usability Scale (SUS) 점수 는 평균 73.11/100 으로 양호한 사용성을 보였습니다. 참가자들은 인-시투 가이드 ( M=4.93/5 )와 AI와의 채팅 ( M=4.53/5 ), 직접 조작 ( M=4.40/5 )에 대해 높은 만족도를 표명했습니다. AI 가이드의 정확성 은 쉬운 작업에서 97.2% , 중간 작업에서 98.75% , 어려운 작업에서 88.0% 를 기록하여 LLM 기반 지원의 높은 신뢰성을 입증했습니다.

AI 실무자를 위한 시사점

이 연구는 웹 기반 데이터 분석에서 데이터 중심의 혼합 주도 AI 시스템 설계의 효과를 입증하며, LLM 을 활용한 사전 예방적/반응적 가이드 가 사용자 생산성을 높이는 데 기여할 수 있음을 보여줍니다. AI 시스템 설계 시 사용자의 통제권과 투명성 을 존중하는 사용자 중심 AI 철학 과 도구 기반 실행 아키텍처 를 통한 AI의 신뢰성 확보가 중요함을 시사합니다. 최종적으로, 브라우저 확장 형태의 통합 환경과 데이터 인스턴스의 직접 조작 가능성 이 단절 없는 웹 데이터 분석 경험을 제공할 수 있음을 강조합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.