1. 서 론

디지털 기술의 급속한 진화는 소비자의 정보처리 방식 과 서비스 구조를 근본적으로 변화시켜왔다. 초기 인터넷 환경에서는 웹사이트 디자인, 정보의 양과 질, 가격 경쟁 력 등 기능적 속성이 소비자 만족과 충성도에 영향을 미치 는 핵심 요소로 주목받았다. 이에 다수의 연구들은 인터넷 쇼핑몰, 모바일 커머스, 온라인 콘텐츠 서비스 등을 중심 으로 고객 만족, 신뢰, 충성도 간의 관계를 분석해왔으며 그 과정에서 디자인, 제품 품질, 가격, 커뮤니케이션, 보안 성, 고객 응대 등과 같은 개별 속성의 영향력에 초점이 맞 춰졌다[4,16].

그러나 이들 연구는 물리적 제품의 존재 혹은 전통적인 거래 관계를 전제로 한 연구 설계가 대부분이었고, 본질적 으로 비물리적이고 비정형적 서비스 특성을 지닌 생성형 AI 같은 최신 디지털 기술 기반 서비스에 대한 설명력을 확보하는 것은 한계를 지닌다는 것으로부터 본 연구는 출 발하였다. 생성형 AI는 서비스의 형태와 결과물이 전적으 로 실시간 사용자 입력에 의해 구성되며, 정보 생산 주체 로 인간과 AI가 상호작용하는 복합적인 과정을 포함하기 때문이다[17]. 생성형 AI 서비스는 소비자와 서비스 제공 자 간의 ‘관계’가 전통적인 피드백-응답 구조가 아닌, 반복 적 상호작용을 통해 형성된다[20]. 이 과정은 단지 한 번의 만족스러운 정보 제공으로 설명되기 어렵고, 누적된 상호 작용과 신뢰 형성을 전제로 한다는 점에서 기존 온라인 커머스 중심의 충성도 모델과는 뚜렷한 차이를 가진다. 기 존 이론은 태도적 접근과 행동적 접근을 병행하는 통합모 델로 발전해왔으며[10], 이후에는 관계마케팅 관점으로 확 장되면서 고객과 기업 간의 장기적 관계의 구축이 충성도 의 핵심구조로 인정받아왔다[3,26]. 하지만 이러한 관계 마케팅 패러다임도 물리적 상호작용이 가능한 서비스 환 경을 전제로 하기 때문에 AI와 같은 정보 기반 서비스의 메커니즘을 충분히 포착하지 못하는 실정이다.

최근 생성형 AI는 대규모 언어모델에 기반하여 다양한 결과물을 생성하는 능력과 함께, 예측 불가능성, 정보 오 류 가능성, 프라이버시 침해 우려 등의 부정적 요인도 공 존한다[22,27]. 이러한 기술적․심리적 위험 요소는 이용 자가 생성형 AI에 대한 신뢰를 형성하고 지속적으로 사용 하는 데 중요한 영향을 미칠 수 있으며, 이는 단순한 기능 적 품질이 아니라 지각된 이미지, 심리적 안전감, 개인화 경험 등이 변수가 되어야 함을 시사한다[11,32]. 실제 최 근 연구에서는 AI 챗봇 및 디지털 도우미의 서비스 이미 지가 이용자의 정서적 반응과 신뢰 형성, 반복 사용의도에 유의미한 영향을 준다는 결과가 나타나고 있으며[11,16] 서비스 이미지와 만족, 신뢰, 충성도의 인지-정서-행동 흐 름을 설명하는 통합적 연구가 필요하다는 요구가 증가하 고 있다. 이러한 연구 배경을 검토하여 볼 때 지금까지 생 성형 AI 이용자에 대한 만족, 신뢰, 충성도에 관한 실증연 구는 극히 제한적이며, 특히 이들 변수 간 구조적 관계를 모델링한 연구는 부족한 것은 사실이다. 이는 빠르게 상업 화되고 있는 생성형 AI 기술에 대한 소비자 중심의 심층 적 이해가 결여되어 있음을 의미하며, 실증적 데이터에 기 반한 분석을 통해 이용자 관점에서 AI 기술 수용의 핵심 요인을 규명하려는 노력이 시급하다는 것을 보여준다. 이 에 본 연구는 기존의 관계마케팅 이론과 디지털 서비스 수용모델을 기반으로 하되, 생성형 AI와 같은 유형의 서비 스 경험에 맞는 확장적 해석을 적용하여, 서비스 이미지, 만족, 신뢰, 충성도 간의 구조적 관계를 분석하고자 한다.

2. 이론적 배경

2.1 생성형 AI 서비스의 확산과 수용

생성형 인공지능(Generative Artificial Intelligence, 이하 생성형 AI)은 최근 주목받는 디지털 기술로, 텍스트・이미 지・음성・코드 등 다양한 형태의 데이터를 자율적으로 생성하는 능력을 갖추고 있다. 특히 OpenAI의 ChatGPT(GPT-4), Google의 Gemini, Anthropic의 Claude, Meta의 LLaMA, 국내의 HyperCLOVA X와 같은 대규모 언어모델을 기반으로 한 서비스는 정보검색, 문서작성, 프 로그래밍, 콘텐츠, 학습 등 다양한 영역에서 빠르게 도입 되고 있다(OpenAI, 2024). 이러한 새로운 기술에 대한 수 용과 관련된 연구로는 기술수용모형, 통합기술수용모형, IS성공모형 등이 대표적이다[8,12,35]. 그러나 이러한 모 형들은 대부분 정형화된 기능 중심의 기술 시스템을 전제 로 구성되어 있어, 생성형 AI와 같은 비정형적・창의적・ 비인격적 서비스의 수용 과정을 충분히 설명하는 데 한계 를 보인다[20,35] 요약하면 기존 연구들은 대부분 단일 변수 간의 직접적 관계 규명에 초점을 두거나 특정 서비스 유형에 국한되어 있어, 인지적․정서적 반응을 통합적으 로 반영한 구조적 모형 제시는 여전히 부족하다. 기존 연 구들은 기술수용모형, 기대확인모형 등 전통적 정보시스 템 이론을 기반으로 한 수용 요인을 분석하였으나, 주로 인지적 요인에 치중하거나 특정 온라인 서비스에 국한된 다는 한계를 지닌다. 본 연구는 이러한 틀을 확장하여, 인 지적 요인과 함께 정서적 요인을 동시에 고려하고, 나아가 기술몰입․지각된 유용성․기술수용저항과 같은 조절변 수를 통합적으로 검증함으로써 기존 연구를 발전시켰다. 이를 통해 생성형 AI라는 새로운 기술 환경에서 사용자 경험의 다차원적 메커니즘을 구조적으로 규명하는 점에서 차별성을 가진다.

2.2 서비스 이미지(Perceived Image)

서비스 이미지는 특정 브랜드나 조직, 시스템에 대해 사 용자가 갖는 전반적인 인식과 평가로, 물리적 속성은 물론 심리적 기대, 상호작용 경험, 사회적 상징성까지 포함하는 광범위한 개념이다[15]. 일반적으로 서비스 이미지가 긍정 적일수록 사용자 만족도, 신뢰도, 재이용 의도 및 충성도 가 높아진다는 것은 마케팅, 조직, 정보시스템 분야를 막 론하고 일관되게 보고되어 왔다[28]. 정보시스템 분야에서 는 온라인 쇼핑몰의 시스템 품질, 디자인, 신뢰성이 사용 자로 하여금 긍정적인 사이트 이미지를 형성하게 하며, 이 는 전환 장벽 및 구매의도 형성에 핵심적인 요인이라고 지적하였다[7]. 최근에는 디지털 콘텐츠, 모바일 앱, AI 기 반 인터페이스 등 비정형적이고 무형적인 시스템 환경에 서 이미지의 역할이 부각되고 있다. 모바일 헬스케어 앱의 서비스 이미지가 사용자 몰입, 신뢰, 지속사용의도에 결정 적인 영향을 미친다고 분석한 연구도 발견되었다[29]. 특 히 생성형 AI와 같은 대화형 인터페이스 기반 시스템에서 는 사용자의 기대와 인식이 AI 응답의 언어적 정중함, 응 답 다양성, 맥락 적합성, 감정적 표현에 크게 의존하게 되 며, 이로 인해 서비스 이미지 형성이 서비스 경험의 질과 밀접하게 연결된다[32]. 또한 이미지 형성은 단순히 제품 특성의 총합이 아니라, 사용자 내면의 가치관이나 사용 목 적과의 부합 여부에 의해 좌우되기도 한다[2]. 따라서 생 성형 AI에 대한 서비스 이미지는 기술적 특성 외에도, 윤 리성, 공정성, 사회적 신뢰도와 같은 비기능적 가치 판단 요인까지 포괄하는 확장된 개념으로 접근되어야 한다.

2.3 사용자 만족(Satisfaction)

사용자 만족은 서비스 또는 시스템 사용 경험에 대한 긍정적 정서 반응으로, 일반적으로 기대-불일치 이론에 근 거하여 설명된다[25]. 사용자는 서비스 이용 전 특정한 기 대를 형성하고, 실제 이용 결과와 기대의 일치 여부에 따 라 만족 또는 불만족을 경험하게 된다는 것이다. 정보시스 템 분야에서는 IS 성공모델에서 시스템 품질, 정보 품질, 서비스 품질 등이 사용자 만족의 핵심 결정요인으로 제시 되었으며[8], 이는 다시 사용의도, 신뢰, 충성도와 같은 태 도・행동 변수로 전이된다고 설명하였다. 또 한편에서는 정보시스템 만족을 ‘이용자가 실제 사용 후 인식하는 기대 성과 달성 수준’으로 정의하면서, 만족이 시스템의 지속적 사용을 예측하는 핵심 변수임을 밝혔으며[12], 모바일 뱅 킹 서비스에서 시스템에 대한 만족이 신뢰를 매개로 충성 도에 유의한 영향을 미친다고 보고한 바 있다[34]. AI 기반 학습 시스템에서 만족은 인지적 유용성과 정서적 교감 경 험 양자에 의해 동시에 영향을 받는다고 분석한 연구도 있는데 이는 특히 생성형 AI와 같은 상호작용 중심 시스 템에서는 사용자 만족의 결정요인이 보다 복합적이라는 점을 시사한다[35]. 본 연구의 대상인 생성형 AI의 경우, 만족은 단순 기능 사용에 대한 반응이 아닌 창의성 발현, 문제 해결, 자기 표현의 수단으로서 기술을 어떻게 경험하 는가에 대한 종합적 판단으로 구성된다는 점에서, 보다 확 장된 개념틀이 요구된다 따라서 본 연구는 사용자 만족을 신뢰 및 충성도 형성의 핵심 선행변수로 간주하며, 생성형 AI와 같은 기술 서비스에서는 만족이 기술 이미지와 사용 자 기대 간의 정합성, 그리고 경험 품질의 총체적 반영이 라는 점에서 역할을 수행할 것이라는 이론적 관계를 설정 한다.

2.4 신뢰(Trust)

신뢰는 특정 대상이 자발적이거나 상황적으로 사용자 의 기대를 충족시킬 것이라는 믿음을 기반으로 형성되는 심리적 상태로 관계 안정성과 장기성을 확보하는 핵심 요 인이다[26]. 사회적 교환이론에서 신뢰를 상호작용의 지속 성을 결정짓는 요인으로 규정하고, 정보기술 맥락에서 시 스템, 정보, 서비스 제공자 신뢰 등으로 세분화되어 연구 된 바 있고[30], 이를 통해 디지털 서비스에서는 사용자가 기술 불확실성과 비가시성을 반영하여 수용하는 기반을 형성했다[31].

관계성 연구에서는 만족과 신뢰를 관계에서 ‘몰입’의 선행요인으로 보며, 신뢰가 높을수록 장기 관계의 지속 가 능성이 커지고, 이탈 가능성은 낮아진다고 설명하였다 [13]. 이와 유사하게 전자상거래 상황에서 신뢰가 만족을 초과하여 행동의도를 결정짓는 경우도 있다고 분석하였다 [12]. 이는 정보 불확실성과 위험이 큰 디지털 환경일수록 신뢰가 보다 강력한 예측변수로 작용함을 의미한다. 최근 생성형 AI 연구에서는 사용자가 AI의 결과를 이해할 수 없는 경우에도, 시스템 전반에 대한 신뢰가 있으면 계속 사용할 수 있다는 대리 신뢰 현상이 관찰되고 있다[20]. 이는 AI의 설명 가능성이나 투명성이 낮아도, 사용자와의 상호작용이 정서적으로 안정적이며 기대에 부합하면, 사 용자는 기술 시스템 자체를 신뢰하게 된다는 점을 시사한 다. 신뢰는 단순히 정보 신뢰도를 넘어, 시스템의 공정성, 데이터 보호, 윤리적 판단 여부까지 포함하는 다차원적 평 가로 확장되고 있다[14]. 이에 따라 본 연구에서는 신뢰를 생성형 AI 서비스 이용에서의 핵심 심리적 결정요소로 간 주하고, 충성도로의 전이를 설명하는 변수로 설정한다.

2.5 충성도(Loyalty)

충성도는 사용자가 특정 브랜드, 시스템, 서비스에 대한 지속적 선호와 반복 행동을 보이는 경향으로, 초기에는 반 복 구매의 개념으로 출발하였으나, 이후 태도와 행동을 아 우르는 복합 개념으로 발전하였다[10]. 정보기술 및 디지 털 서비스 분야에서는 충성도를 지속사용, 추천 의도, 전 환 저항성 등으로 측정하며, 시스템 품질과 만족, 신뢰가 충성도의 핵심 선행요인임을 입증한바 있다[31]. 온라인 상거래에서 고객 충성도가 단기 이익보다 장기 수익성에 더 큰 영향을 미친다고 주장하며, 초기 만족보다 신뢰와 정서적 일관성이 충성도 형성에 중요한 요인이라고 분석 하였다[22]. 이는 생성형 AI 서비스와 같은 인간-기술 상 호작용이 강한 서비스에서 의미 있는 시사점을 제공한다.

데이터분석기관에서는 생성형 AI 서비스 사용자의 유 료 전환율, 일일 평균 사용 시간, 추천 의도가 높은 충성도 의 표현으로 간주되며, 이는 기업의 수익성과 직결된 지표 로 활용되고 있다[2,19]. 따라서 본 연구는 충성도를 생성 형 AI 수용의 행동결과로 설정하고, 이미지, 만족, 신뢰의 선행 요인들간 구조적 영향 하에 충성도가 형성된다는 이 론적 경로를 검증하고자 한다.

2.6 기술몰입, 지각된유용성, 기술수용저항

기술 수용 및 사용자 행동을 설명하는 연구에서 조절변 수는 경로의 직선적 관계를 넘어, 맥락적 요인에 따라 경 로의 강도와 방향성이 달라질 수 있음을 설명한다는 점에 서 이론적인 확장으로 간주된다[1]. 특히 생성형 AI와 같 이 정형적 기능과 비정형적 감정이 혼재된 시스템의 경우, 사용자의 개인적 특성, 기술에 대한 반응 유형에 따라 주 요 변수 간 관계가 상이하게 나타날 수 있다[9,20]. 이에 본 연구는 이미지–만족–신뢰–충성도 간의 구조적 관계 가 사용자에게 동일하게 작용한다고 가정하기보다는, 사 용자가 기술을 어떻게 경험하고 수용하는가에 따라 관계 의 강도와 방향이 달라질 수 있다는 점에 주목하고 이를 바탕으로 다음의 세 가지 조절변수(기술몰입, 지각된 유용 성, 기술수용저항)를 선정하고, 각 변수가 구조적 관계에 서 조절작용을 수행할 수 있다는 이론적 기반을 제시한다.

3. 연구방법

3.1 연구모형의 설계

본 연구는 생성형 AI 서비스 사용자의 인지적․감정적 반응이 만족도, 신뢰, 그리고 충성도에 미치는 영향 관계 를 체계적으로 규명하기 위해 기술수용모델, 기대확인모 델, 신뢰이론 등 이론을 기반으로 연구모형을 설계하였다. 정보기술 수용 및 이용 관련 선행연구들은 인지적 반응이 사용자의 태도 및 행동의 주요 선행요인임을 보고한 바 있다[9,16] 생성형 AI와 같이 혁신적이고 복잡한 기술 환 경에서는 사용자가 시스템에 대해 갖는 인지적 판단이 사 용 경험과 만족도 형성에 결정적인 영향을 미칠 수 있다. 감정적 반응은 기존 인지중심 모델에 상대적으로 덜 반영 되었으나, 최근 연구에서는 사용자의 감정적 경험이 서비 스 만족도와 신뢰 형성에 핵심적 역할을 한다는 주장도 있다[33]. 생성형 AI는 단순 정보 제공을 넘어 창의적 결과 물을 생산하는 특성상 사용자와의 감정적 상호작용이 강 화되는 경향이 있어, 감정적 반응의 역할을 함께 고려할 필요가 있다.

만족도는 사용자의 경험적 평가를 반영하는 중요한 변 수로, 긍정적 사용 경험이 지속적인 서비스 이용과 충성도 형성으로 이어짐을 입증한 연구가 있다[3]. 또한 신뢰는 사용자의 서비스 선택 및 재이용 의사결정에 핵심적인 심 리적 요인으로, 특히 불확실성 및 위험이 내재된 신기술 환경에서 의미를 지니고 있다. 그림에서 보는 바와 같이 생성형 AI 서비스 이용자의 인지적․감정적 반응이 만족 과 신뢰에 미치는 영향, 그리고 만족과 신뢰가 충성도로 이어지는 경로를 구조적으로 제시한 연구모형이다. 또한 기술몰입, 지각된 유용성, 기술수용저항은 주요 경로에서 조절효과를 가지는 변수로 설정되었다. 본 모형은 기존 기 술수용이론(TAM, ECM) 및 관계마케팅 이론을 확장하여, 생성형 AI 서비스라는 맥락에서 사용자 경험의 다차원적 메커니즘을 통합적으로 설명하고자 한다.

3.2 연구가설

기술수용모델의 개념 중 하나인 인지된 유용성은 사용 자가 특정 기술이 자신의 업무나 목표 달성에 도움이 된다 고 평가하는 정도를 의미한다. 동시에 인지된 품질이나 정 보의 신뢰성 또한 사용자의 긍정적 평가를 이끌어내는 인 지적 요인이다[8]. 인지적 평가가 만족도 형성에 직접적으 로 영향을 미치며, 특히 생성형 AI의 경우 사용자가 생성 된 결과물의 품질과 정확성을 인지적으로 평가함으로써 서비스에 대한 전반적 만족도가 좌우됨을 확인하였다[35]. 이에 생성형 AI의 결과물 신뢰성과 유용성에 대한 사용자 의 인지가 높을수록 만족도가 증가할 것으로 예상된다.

감정적 반응은 사용자가 서비스 이용 과정에서 경험하 는 정서적 상태를 포함한다. 이는 단순 인지적 평가를 넘 어 사용자의 경험을 풍부하게 하여 만족도 형성에 중요한 역할을 한다[33]. 생성형 AI는 콘텐츠 생산과정에서 사용 자의 감정적 몰입을 유발하며, 만족도를 증진시키는 주요 경로이다[14]. 감정적 몰입은 재사용 의도를 포함한 충성 도 형성과도 연관된다[5]. 따라서 생성형 AI에 대한 긍정 적 감정 경험과 만족도에 대한 가설을 설정하였다.

앞서 기술신뢰 연구에서 인지적 평가 특히 시스템의 신 뢰성, 정보의 정확성 및 투명성은 신뢰구축의 기반이 됨을 확인한 바 있다[25]. 생성형 AI는 복잡한 알고리즘과 데이 터 기반으로 결과물을 산출하기 때문에, 사용자는 과정과 결과물의 신뢰성을 인지적으로 판단하며 신뢰 형성 여부 를 결정한다. 인지된 유용성과 정확성은 사용자가 서비스 제공자를 신뢰하는 심리적 근거를 강화한다[13]. 따라서 생성형 AI에 대한 긍정적 인지적 평가는 사용자의 신뢰도 상승으로 이어질 것으로 보고 가설을 제기하였다. 긍정적 감정적 반응은 신뢰도 향상에 직접적인 영향을 미칠 것으 로 예상하였다.

만족도는 소비자 행동 이론에서 재구매 의도 및 추천 행동 등 충성도의 핵심 선행요인으로 인식된다[29]. 기대 확인모델에서는 초기 기대와 실제 경험의 확인에 따른 만 족도가 지속적 이용과 충성도로 직결된다고 설명하고[3], 특히 기술 기반 서비스 분야에서 만족도가 높을수록 사용 자는 서비스에 대한 신뢰가 공고해지고, 재사용 및 긍정적 구전효과가 증대됨을 확인하였다[30]. 생성형 AI의 특수 성에도 불구하고 이와 같은 관계는 동일하게 적용될 것으 로 판단된다.

신뢰는 고객과 제공자 간의 관계를 유지하고 강화하는 요소이며, 관계 형성 및 충성도에 핵심적 역할을 한다[26]. 불확실성과 위험이 내포된 신기술 환경에서는 신뢰가 사 용자의 재이용 의도에 결정적 영향을 미친다. 따라서 생성 형 AI 서비스 이용 시 결과물의 정확성과 시스템의 안정 성에 대해 신뢰를 바탕으로 충성도를 형성하므로, 신뢰가 높을수록 충성도가 유의미하게 상승할 것으로 기대된다.

기술수용 및 정보시스템 연구에서 개인 특성, 서비스 유 형, 이용 목적 등은 독립변수와 종속변수 간 관계의 강도 및 방향에 영향을 미치는 조절변수임을 앞선 연구에서 이 미 확인하였다[1]. 따라서 본 연구에서는 주요 조절변수를 설정하고, 이들이 인지적․감정적 반응과 만족도 및 신뢰 간 경로에서 어떠한 조절효과를 나타내는지에 대해 아래 와 같이 검증하고자 한다.

3.3 변수의 조작적 정의

연구모형과 가설에 제시된 변수들에 대한 조작적 정의 는 살펴보면, 먼저 서비스 이미지는 사용자가 AI 서비스에 대해 인식하는 전반적인 인상으로, ‘인지된 유용성’, ‘인지 된 사용 용이성’, ‘표현력’의 세 가지 하위 차원으로 구성 하였다. 사용 만족도는 서비스 이용 이후의 감정적 반응으 로, 기대 충족도, 지각된 성과, 전반적 만족감 등으로 구성 되며, 신뢰는 AI 시스템과 정보, 그리고 제공자에 대한 긍 정적 신념을 의미하며, 시스템 신뢰, 정보 신뢰, 제공자 신 뢰로 측정하였다. 충성도는 사용자의 재이용 의도 및 추천 의도로 구성되며 이 외에도 조절변수인 기술 몰입은 사용 시 경험하는 몰입 상태를, 기술 수용 지향은 새로운 기술 에 대한 개방성과 학습 태도로 측정하였다.

3.4 연구방법 및 표본의 수집

본 연구는 생성형 AI 이미지 서비스에 대한 사용자 경 험과 그에 따른 신뢰 및 충성도 형성 과정을 분석하기 위 해 양적 연구 설계를 채택하였다. 생성형 AI의 특성상 사 용자 반응은 경험 기반의 인지적․정서적 평가를 중심으 로 형성되기 때문에, 구조화된 설문지를 통해 사용자들의 주관적 판단과 태도를 계량화하여 분석하는 것이 효과적 일 것으로 판단하였다. 또한 각 변수 간 인과적 관계 및 조절효과를 검증하기 위해 구조방정식모형 분석기법을 활 용하였다.

표본의 수집은 생성형 AI 서비스를 실제로 3개월 이상 이용한 경험이 있는 사용자를 대상으로 하였으며, 사전 스 크리닝 문항을 통해 서비스 경험의 유무를 확인하였다. 이 는 본 연구가 단순한 서비스 인식이 아닌 실제 사용 경험 에 기반한 심리적 반응을 측정하고자 했기 때문이다. 표본 수집은 온라인 설문조사 플랫폼을 통해 시행되었으며, 데 이터 수집 기간은 2025년 5월 10일부터 5월 30일까지였다. 표본의 표집은 국내 SNS 커뮤니티 및 생성형 AI 사용자 포럼, 뉴스레터 등을 활용하였다. 총 412부 중 비정상적 응답을 제외한 387부의 설문자료를 분석에 사용하였다. 일반적으로 SEM 분석에서는 잠재변수당 최소 10~20배 이상의 사례가 필요하다는 기준이 제시되어 있으며, 연구 모형의 잠재변수와 측정항목의 수를 고려했을 때 약 300 부 이상의 표본이 요구된다. 이에 본 연구는 387부를 최종 분석에 사용함으로써 통계적 검정력과 구조모형의 안정성 을 충분히 확보하였다. 표본의 인구통계학적 특성은 성별 은 남성 52.2%, 여성 47.8%로 나타나 성별 간 큰 차이 없 이 고르게 분포되어 있었으며, 연령대는 20대가 41.1%로 가장 높은 비율을 보였으며, 30대 29.7%, 40대 16.8%, 50 대 이상이 7.2%, 10대가 5.2% 순으로 조사되었다. 직업 분포에서는 대학생(25.3%)과 프리랜서 및 창작자(21.2%), 회사원(20.7%)의 비율이 높았으며, 교육 및 연구 종사자 (11.4%), IT 종사자(10.1%) 등이 뒤를 이었다. 지역별 분포 는 수도권(서울․경기․인천)이 52.5%로 절반 이상을 차 지하였고, 충청․강원권이 14.7%, 영남권이 18.3%, 호남 권이 10.3%, 제주 및 기타 지역이 4.1%로 나타났다.

4. 실증분석

4.1 신뢰도와 타당성분석

측정도구의 신뢰성과 타당성을 검증하기 위한 분석을 실시하였다. 신뢰도는 각 구성개념에 대해 Cronbach’s α와 복합신뢰도(CR)를 활용하였다. 측정된 주요 구성개념인 이미지 품질, 이미지 만족도, 신뢰, 충성도 등에 대해 분석 한 결과, 변수의 Cronbach’s α 값은 0.812에서 0.912로 나 타나 매우 양호한 수준의 신뢰도를 확인되었다. <Table 1> 에서 보는바와 같이 또한 복합신뢰도(CR)는 모두 0.85 이 상으로 나타나, 잠재변수를 구성하는 측정항목들이 개념 적 일관성을 갖고 있다는 점을 입증하였다. 타당성 검증은 수렴타당성과 판별타당성으로 구분하여 실시하였다. 수렴 타당성은 평균분산추출량(AVE)과 요인적재량을 통해 확 인하였다. AVE 값이 0.5 이상이면 수렴타당성이 확보되었 다고 판단하며), 모든 잠재변수의 AVE 값이 0.612 이상으 로 나타났고, 각 측정항목의 요인적재량은 최소 0.701에서 최대 0.894로 나타나 기준치를 충족하였다. 이를 통해 각 구성개념이 이론적으로 설정한 해당 개념에 충분히 수렴 되고 있음을 확인할 수 있었다. 판별타당성의 경우 각 개 념의 AVE 제곱근이 다른 개념과의 상관계수보다 높아야 하며, 본 연구의 측정모형은 해당 기준을 충족하여 판별타 당성 또한 확보된 것으로 판단된다.

4.2 연구모형의 적합도 분석

생성형 AI 이미지 서비스 사용자들이 지각한 서비스 이 미지, 만족, 신뢰, 충성도 간의 구조적 관계를 실증적으로 분석하기 위하여 구조방정식모형(SEM)을 활용하였다. SEM은 이론적 가설에 따라 설정된 변수 간 경로를 통계 적으로 검증할 수 있을 뿐 아니라, 모형 전체의 설명력과 적합도를 포괄적으로 평가할 수 있는 장점이 있다. 이에 따라 본 연구는 다양한 적합도 지수를 활용하여 분석 모형 의 통계적 타당성을 평가하였다.

먼저, 전통적 적합도 지표인 카이제곱 분석 결과, χ^² 값 은 481.26 이었으나 유의확률 p값은 .062로 통계적으로 유 의하지 않았다. 하지만 χ^²/df 비율은 1.89로, 통상적으로 수용 가능한 수준인 3.0 이하 이상적으로는 2.0 이하라는 기준을 충족하였다. 이는 이론적 모형이 실측자료와 통계 적으로 무리가 없음을 의미한다. GFI와 AGFI는 각각 0.924, 0.901로 나타나 기준을 만족하였으며 전체 공분산 구조를 잘 설명하고 있다는 것을 보여준다. CFI는 0.961, TLI는 0.957로 0.95 이상의 기준을 충족하였다. RMSEA 는 0.047, SRMR는 0.039로 산출되었으며, 각각 0.05 및 0.08 이하일 때 우수 또는 수용 가능한 모형 적합도를 나 타낸다는 기준에 부합하였다. 이상의 결과를 종합하면, 본 연구의 구조모형은 전반적으로 다양한 적합도 지표에서 통계적으로 양호한 수준을 나타내며, 설정된 이론적 경로 모형이 실측자료를 잘 설명하고 있음을 입증하였다고 할 수 있다.

4.3 실증분석결과(가설 H1–H6)

본 연구에서 설정한 6개의 가설에 대한 경로계수 분석 결과는 <Table 2>와 같다.

가설 1에 대한 결과는 사용자의 인지적 반응은 만족도 에 유의미한 정(+)의 영향을 미치는 것으로 나타났다. 표 준화 회귀계수는 β = .42, 유의확률은 p<.001로 통계적으 로도 유의미하였다. 이는 사용자가 생성형 AI 서비스의 유 용성, 정보 정확성, 결과물의 기능적 적절성을 인식할수 록, 해당 서비스 전반에 대해 긍정적인 감정을 형성하게 됨을 시사한다. 특히 본 연구에서는 AI 서비스가 업무의 효율성과 생산성 향상에 도움을 준다는 도구적 기대요소 가 만족도 형성에 핵심적 역할을 수행하는 것으로 확인되 었다. 이는 기존의 모델들에서 강조된 ‘인지-감정’ 연계 구 조가 생성형 AI라는 새로운 기술 유형에도 적용 가능함을 실증적으로 입증한 결과이다. 이론적으로 이는 TAM 이론 과 일치하는 결과로, 사용자가 기술적 유용성과 품질을 명 확히 인지할 때 긍정적 태도 형성이 촉진된다는 점을 다시 확인시켜 주고, 특히 생성형 AI는 비정형적 산출물을 제공 하는 특성상, 인지적 판단(정확성, 신뢰성)이 만족도에 더 욱 결정적인 요인으로 작용함을 보여주고 있다.

가설 2인 감정적 반응 또한 만족도에 유의한 영향을 미 치는 것으로 나타났으며, 표준화 회귀계수 β=.35, p<.001 로 확인되었다. 이는 사용자가 생성형 AI를 사용할 때 느 끼는 창의적 즐거움, 몰입감, 놀라움 등의 정서적 반응이 만족도 형성에 기여하고 있음을 보여준다. 생성형 AI는 단 순히 정보를 제공하는 시스템이 아니라, 사용자의 개입에 따라 다양한 결과를 생성하는 창작적 인터페이스로 상호 작용 과정에서 발생하는 감정적 유대감은 단기적인 좋은 경험을 넘어 서비스에 대한 정서적 충만감을 제공하며, 만 족도에 대한 요소로 작용되고 있음을 확인하였다. 이는 기 대-불일치 이론에 근거하여 인지적 평가를 넘어 창의적 몰 입감, 즐거움이 만족도 형성의 핵심 동력임을 보여주며, 생성형 AI와 같이 사용자 개입이 큰 인터페이스 환경에서 는 감정적 요인이 기능적 품질 못지않게 중요한 설명변수 로 작용함을 시사한다.

가설 3의 인지적 반응 또한 신뢰에도 유의미한 영향을 미치는 것으로 나타났다. 계수 β는 .49와 p<.001로 통계적 으로 유의하였다. 사용자는 생성형 AI가 제공하는 정보와 결과물이 신뢰할 수 있다고 인지할수록, 시스템 자체에 대 한 신뢰를 형성하게 되며, 특히 AI 기술은 내재적으로 불 확실성과 비가시성을 내포하고 있기 때문에, 사용자는 시 스템의 결과에 대한 신뢰 여부를 판단하는 과정에서 정확 성, 일관성, 기능적 투명성과 같은 인지적 평가에 의존함 을 알 수 있다. 따라서 기존 정보 시스템 신뢰 모델을 확장 하여, 생성형 AI와 같은 예측 불가능한 기술 환경에서도 ‘인지된 신뢰성’이 신뢰 형성의 가장 핵심적인 인지적 선 행 요인임을 실증적으로 제시하였다.

가설 4의 감정적 반응은 신뢰에도 유의한 영향을 주는 것으로 나타났다. 분석 결과 β= .28, p<.01로 확인되었으 며, 감정적 요인이 기술 시스템에 대한 신뢰 형성에 있어 서 단지 부수적인 역할을 넘어, 주요 심리적 기반으로 작 용함을 시사한다. 생성형 AI와 같은 대화형 인터페이스 기 반 시스템에서는 사용자가 AI로부터 느끼는 정서적 안정 감, 몰입감, 감정적 유사성이 신뢰에 영향을 줄 수 있어 이는 단순히 정보의 정확성만으로 설명되지 않는 신뢰 형 성 메커니즘을 보여주며, 사용자와 시스템 간 정서적 친밀 감이 높은 경우, 정보 신뢰 수준 역시 강화됨을 나타낸다 고 할 수 있다. 이에 신뢰는 인지적 평가와 함께 감정적 경험에 의해 다차원 개념으로 형성됨을 실증적으로 확인 하였다. 기존 연구들에서 발견된 관계마케팅 연구에서 제 시된 정서적 몰입이 신뢰의 선행요인이라는 주장과 일치 하며, 생성형 AI와 같은 대화형 인터페이스에서 사용자는 정서적 안정감, 친밀감, 감정적 유사성을 느낄 때 기술적 불확실성을 상쇄하고 신뢰를 부여할 수 있다.

가설 5인 만족도는 충성도에 유의한 정(+)의 영향을 미 쳤다(β=.31, p<.001). 이는 사용자가 생성형 AI 서비스에 대해 전반적으로 만족스러운 경험을 하였을 경우, 해당 서 비스를 지속적으로 사용하려는 의지와 이를 추천하려는 태도가 강화됨을 의미한다. 기대불일치 이론에 따르면, 만 족은 초기 사용 경험의 긍정적 평가가 축적되면서 장기적 행동으로 이어지는 핵심 기제임을 확인하였고, 생성형 AI 라는 새로운 기술 환경에서도 이러한 구조가 유효함을 보 여준다. 특히 만족도는 감정과 인지의 종합적 반영이기 때 문에, 충성도 형성을 위한 다차원적 ‘심리적 관문’으로 기 능한다는 점에서, 사용자 유지 전략의 핵심적 변수로 고려 되어야 한다.

가설 6의 신뢰는 충성도에 가장 강한 직접 경로를 보였 으며, 표준화 계수는 β=.47로 분석되었다. 이는 사용자가 생성형 AI 시스템과 제공자에 대해 신뢰를 형성할 경우, 해당 서비스에 대한 반복적 사용 행동 및 타인에게 권유할 의도가 유도됨을 의미한다. 신뢰는 불확실성이 내포된 기 술환경에서 위험을 감수하고 시스템과 장기적 관계를 유 지할 수 있게 하는 심리적 기반인 것이다. 이론적으로 기 존 전자상거래 및 정보시스템 연구에서 제시된 신뢰충성 도 구조를 생성형 AI라는 비정형 서비스 환경에서도 작용 함을 재확인하였다.

4.4 매개 및 간접효과 분석

생성형 AI 서비스 사용자의 충성도 형성에 있어 만족과 신뢰가 매개 변수로 작용하는지를 구조방정식모형 내 간 접경로를 통해 분석하였다. 이는 사용자 경험의 심리적 전 이구조를 설명할 수 있으며, 기술 기반 전략이나 사용자 설계 관점에서도 실질적 함의를 제공할 수 있다. 이를 위 해 세 가지 매개 경로를 설정하고, 부트스트래핑을 통해 간접효과의 통계적 유의성을 검증하고, 간접 경로의 유효 성을 확인하였다. 이는 조절효과를 분석하기 앞서 변수간 상호관계 및 매개효과를 검증함으로써 연구의 실증적 근 거를 확보할 수 있을 것으로 보인다. 먼저 인지적 반응은 만족을 매개로 충성도에 간접적인 영향을 미치는 것으로 확인되었다. 인지적 반응이 만족도에 미치는 영향(β=.42) 과 만족도가 충성도에 미치는 영향(β=.31)의 곱으로 계산 된 간접효과는 β=.130으로 나타났으며 95% 신뢰구간에서 유의하였다. 이는 생성형 AI 서비스에서 사용자가 지각하 는 기술적 유용성과 품질, 명확성 등의 인지적 요소가 직 접적으로 충성도로 전이되기보다는, 일차적으로 만족도를 강화한 후 이를 통해 간접적으로 행동 태도를 유도한다는 구조적 경로를 의미한다. 이 결과는 TAM과 ECM이 제시 한 바와 같이, ‘유용성 → 만족 → 행동’이라는 전통적 경 로 모델이 생성형 AI 환경에서도 유효함을 실증적으로 입 증하는 것이다.

감정적 반응 또한 만족도를 매개로 충성도에 간접적인 영향을 미치는 것으로 확인되었다. 감정적 반응에서 만족 도는 β=.35, 만족도에서 충성도는 β=.31로 나타났으며, 간 접효과는 β=.109로 확인되었다.이는 사용자가 생성형 AI 서비스 사용 중 경험하는 정서적 반응이 직접적으로 행동 적 충성도에는 영향을 미치지 않지만, 먼저 긍정적인 감정 을 통해 만족을 형성한 후, 다시 행동 태도로 이어진다는 경로를 보여준다. 이는 사용자에게 감정적 몰입을 유도하 는 설계가 중요함을 시사하며, 단순한 기능 중심 인터페이 스를 넘어서 ‘감정 중심 디자인’이 충성도 확보에 기여할 수 있음을 보여준다.

인지적 반응은 신뢰를 매개로 충성도에 간접적인 영향 을 미쳤으며, 이는 본 연구에서 가장 강한 간접효과 경로 중 하나로 나타났다. 인지적 반응에서 신뢰로의 경로는 β =.49, 신뢰에서 충성도 경로는 β=.47로 나타났으며, 간접 효과는 약β=.230으로 분석되었다. 인지된 시스템 신뢰성, 정보 정확성, 처리 논리성 등과 같은 요인들은 단지 만족 에만 영향을 미치는 것이 아니라, 서비스 전체에 대한 ‘신 뢰 구조’를 매개로 하여 장기적인 사용자 충성도로 이어질 수 있음을 보여준다. 특히 기술 불확실성이 높고, AI가 자 율적으로 결과를 산출하는 비정형 환경에서는 사용자가 ‘이 시스템은 나를 위한 최적의 판단을 내려줄 것’이라는 심리적 신뢰 없이는 반복 사용이나 추천 행동이 거의 발생 하지 않는다. 실무적으로 이는 AI 서비스 품질 보증, 투명 성 강화, 결과 설명력 향상 등과 같은 ‘신뢰 기반 설계 전 략’의 필요성을 강조하며, 신뢰는 단순한 감정적 요인이 아닌 구조적 사용자 행동의 매개 토대임을 나타낸다.

감정적 반응 또한 신뢰를 매개로 충성도에 유의한 간접 효과를 보였다. 감정적 반응에서 신뢰로의 경로는 β=.28, 신뢰에서 충성도로의 경로는 β=.47로 나타났으며, 간접효 과는 약 β=.132로 나타났다. 이는 사용자가 AI 서비스에서 느끼는 긍정적 정서가 단순한 만족을 넘어서, 시스템에 대 한 신뢰 형성을 거쳐 행동으로 이어진다는 경로를 보여준 다. 감정적 반응이 신뢰의 선행요인으로 기능한다는 것은, 비인격적 시스템임에도 불구하고 사용자가 서비스에 대해 친밀감이나 정서적 안정성을 느낄 수 있을 때, 해당 기술 에 대한 신뢰가 형성됨을 의미한다. 이는 특히 대화형 AI, 감성 UI/UX, 감정 인식 기술 등을 개발하는 과정에서 중 요한 시사점을 제공한다.

4.5 조절효과 결과(가설 H7)

가설 7에서는 생성형 AI 서비스의 수용 구조에 있어 사 용자 특성이 변수 간 구조적 관계에 어떠한 영향력을 미치 는지를 검토하기 위해 조절효과 분석을 실시하였다. 이를 위해 기술몰입, 지각된 유용성, 기술수용저항의 조절 효 과를 확인하였다. 조절효과 검정은 상호작용항을 구조모 형에 포함하는 방식으로 실시되었으며, 모든 조절 경로의 신뢰구간을 검증하고 통계적 유의성을 확인하였다.

가설 H7-1에 대한 분석결과 기술몰입은 만족–충성도 경로에서 유의한 정의 조절효과를 나타냈다. 즉, 동일한 만족 수준을 경험한 사용자라 하더라도 AI 서비스에 대한 몰입도가 높은 사용자는 만족이 보다 강력한 충성도 행동 으로 전이되는 경향이 뚜렷했다. 이 결과는 몰입 이론을 기술 수용 맥락에 접목한 결과로 몰입은 사용자 주의력과 심리적 자원 집중을 유도하는 역할을 수행한다.

가설 7-2에서 제시한 지각된 유용성은 신뢰–충성도 경 로에서 비교적 약한 수준이지만 통계적으로 유의한 효과 를 나타냈다. 조절효과는 β=.18로 확인되었으며, 유의수 준 p<.10 수준에서 효과가 존재하였다. 이는 사용자가 AI 시스템을 실제로 유용한 도구로 인식할수록 동일한 신뢰 수준에서도 충성도 형성의 강도가 강화된다는 것을 의미 한다. 즉, 신뢰는 기본적인 심리적 전제조건이지만, 시스 템이 실질적인 성과를 제공한다고 판단될 경우 사용자 행 동은 더욱 강화되는 경향이 있다. 이와 같은 효과는 선행 연구에서 제시된 결과와 일치하며, 감정적 안정성과 실용 적 효익의 충족이 충성도를 견인함을 보여준다.

가설 7-3에세 제시한 기술수용저항은 신뢰–충성도 경 로에서 통계적으로 유의한 조절효과를 보이지 않아 기각 되었다. 표준화 계수는 β=–0.03으로 미미한 수준이며, 유 의수준을 만족하지 못하였다. 이는 사용자가 AI 기술에 대 해 근본적인 불안이나 회의감을 갖고 있더라도, 서비스 자 체에 대한 신뢰가 형성될 경우 충성도 형성에는 제한적 영향을 미친다는 결과로 해석될 수 있다.

조절효과 분석 결과를 통해 기술몰입은 만족과 충성도 간의 경로에서 강한 조절효과를 보였는데 이는 기존의 몰 입 이론과 일치하는 결과로, 동일한 수준의 만족을 경험한 사용자라 하더라도 몰입도가 높은 경우 충성도 행동(재사 용, 추천 의도)으로의 전이가 더욱 강하게 나타난다는 점 을 시사한다. 즉, 몰입은 단순한 감정적 경험이 아니라 만 족의 효과를 증폭시키는 심리적 장치로 작용하며, 생성형 AI 서비스 설계에서 사용자의 집중도와 몰입을 유도하는 인터페이스 전략이 중요함을 보여준다. 한편, 지각된 유용 성은 신뢰–충성도 경로에서 비교적 약한 조절효과를 나 타냈다. 이는 사용자가 기술을 실질적으로 쓸모 있는 도구 로 인식할 때 신뢰가 충성도로 전이되는 힘이 강화된다는 점을 확인시켜 준다. 즉, 신뢰가 충성도의 기본 심리적 기 반이라면, 유용성 인식은 이를 실천적 행동으로 전환시키 는 촉매 역할을 한다고 볼 수 있다. 반면, 기술수용저항은 신뢰–충성도 경로에서 유의한 조절효과를 보이지 않았 다. 이는 생성형 AI와 같은 신기술 환경에서는 초기 불안 이나 회의감이 존재하더라도, 일단 신뢰가 형성되면 충성 도 형성에는 큰 장애가 되지 않는다는 점을 의미한다. 다 시 말해, 신뢰는 기술 저항감을 압도하는 우선적 조건임을 보여주며, 이는 기존 연구에서 강조된 디지털 환경에서 신 뢰의 역할을 지지한다고 할 수 있다. 종합하면, 조절효과 분석은 생성형 AI 수용 구조가 개인의 심리적․맥락적 요 인에 따라 달라질 수 있음을 보여주며, 특히 몰입은 만족 기반 충성도를 강화하고, 유용성은 신뢰 기반 충성도를 증 강시키는 반면, 수용저항은 충성도 형성과정에서 결정적 변수로 작용하지 않는다는 점에서 이론적․실무적 함의를 동시에 제공한다.

5. 결 론

본 연구는 생성형 인공지능 서비스에 대한 사용자의 수 용과 충성도 형성 메커니즘을 구조방정식모형을 활용하여 실증적으로 분석하였다. 연구모형은 인지적 반응과 감정 적 반응을 중심으로 만족도 및 신뢰를 매개로 한 충성도 형성 경로를 이론적으로 설정하였고, 실증적 검증을 통해 사용자 수용 행동의 구조를 정밀하게 파악하고자 하였다. 더불어, 기술몰입, 지각된 유용성, 기술수용저항과 같은 사용자 특성을 조절변수로 도입함으로써, 개인차에 따른 경로 강도의 차이를 함께 분석하였다. 연구 결과, 인지적 및 감정적 반응은 모두 만족도와 신뢰 형성에 유의한 영향 을 미쳤으며, 만족도와 신뢰는 충성도 형성의 핵심 결정요 인으로 기능하는 것으로 나타났다. 특히 신뢰는 충성도에 가장 강력한 직접효과를 가지는 변수로 확인되었으며, 인 지적 반응은 만족도와 신뢰를 매개로 충성도에 간접적으 로 가장 큰 영향을 미치는 선행 요인으로 작용하였다. 조 절효과 분석 결과에 따르면, 기술몰입은 만족도와 충성도 간 관계를 강화시키는 역할을 하였고, 지각된 유용성은 신 뢰 기반 충성도 형성 경로를 다소 강화하는 것으로 나타났 으며, 반면 기술수용저항은 조절효과가 통계적으로 유의 하지 않아 본 연구에서는 유의미한 영향력을 입증하지 못 하였다.

이러한 결과는 기존 기술수용모형(TAM, ECM 등)이 생 성형 AI라는 새로운 기술 환경에서도 여전히 유효하게 작 동함을 보여준다. 동시에, 감정적 경험과 몰입과 같은 정 서적 요인, 그리고 개인별 기술 경험 특성과 같은 조절적 특성이 사용자의 인식과 행동 간 구조를 어떻게 변화시키 는지를 명확히 밝힘으로써 기술수용 이론의 외연을 이론 적으로 확장하는 데 기여하였다. 특히 신뢰가 충성도 형성 에 직접적으로 미치는 영향력은 기존 정보시스템 분야의 신뢰 이론을 생성형 AI 환경에 효과적으로 접목할 수 있 음을 시사하며, 신뢰를 단순한 정서적 결과가 아닌 독립적 이고 결정적인 매개 경로로 재조명할 수 있는 이론적 근거 를 제공한다.

실무적으로 본 연구는 AI 서비스 설계 시 유용성, 정확 성, 안정성과 같은 인지적 특성뿐만 아니라, 사용자의 감 정적 몰입과 심리적 경험에 대한 정교한 설계가 매우 중요 함을 시사한다. 기술적 성능만을 강조하기보다는 감정 중 심의 사용자 경험 설계가 반복 사용과 장기적 충성도 확보 에 실질적인 영향을 미칠 수 있음을 입증하였다. 또한 사 용자 개인의 기술 몰입 수준이나 지각된 유용성에 따라 동일한 서비스 경험이 다르게 해석될 수 있음을 보여주면 서, 사용자 맞춤형 인터페이스, 감정 중심 피드백, 신뢰 유 도형 알고리즘 설명 기능 등의 전략적 요소를 함께 고려해 야 할 필요성을 제시하였다. 특히, 신뢰는 사용자가 기술 을 수용할 수 있는 최소한의 심리적 조건이자 반복 사용을 유도하는 핵심 요인으로 작용하며, 이는 향후 생성형 AI의 상용화 및 확산 전략 수립 시 중심축이 되어야 할 요소임 을 시사한다.

그럼에도 불구하고 본 연구는 몇 가지 한계를 내포하고 있다. 우선, 횡단적 연구 설계를 기반으로 하였기 때문에 인과적 추론에는 제한이 있으며, 만족도나 신뢰, 충성도와 같은 심리적 개념은 시간이 흐름에 따라 동태적으로 변화 할 가능성이 크기 때문에, 추후 연구에서는 종단적 데이터 설계를 통해 경로의 시간적 변화와 지속성을 함께 분석할 필요가 있다. 또한 표본 수집이 국내 온라인 커뮤니티 및 자발적 참여자에 한정되어 있어, 연구 결과의 타당성과 일 반화 가능성에 제약이 따른다. 특히 생성형 AI 서비스는 국가․문화․언어적 맥락에 따라 수용 양상이 달라질 수 있으므로, 향후 연구에서는 다양한 국가와 이용 집단을 포 괄한 데이터 수집을 통해 결과의 보편성을 강화할 필요가 있다. 향후에는 실제 사용자 행동 로그나 서비스 사용 데 이터와 연계된 행태 기반 분석을 통해 보다 현실적인 수용 행태를 검증할 수 있는 후속 연구가 요구된다.