청각장애인의 인공지능 수용경향에 따른 잠재 프로파일 분류 및 예측 요인 탐색

Ⅰ. 서론

4차 산업혁명과 디지털 전환의 가속화는 다양한 사회적 약자 계층에게 새로운 기회를 제공함과 동시에, 디지털 격차(Digital Divide)라는 새로운 형태의 불평등을 낳고 있다. 특히 인공지능(Artificial Intelligence, AI)은 일상생활, 교육, 정보 접근, 사회참여 등 사회 전 영역에서 핵심적 매개기술로 자리 잡고 있으며, 이에 대한 이해와 활용 능력은 개인의 정보주권 확보, 사회적 포용성, 삶의 질 향상과 직결된다고 할 수 있다. 이러한 맥락에서 장애인의 디지털 포용성(Digital Inclusion) 확보는 단지 기술적 접근의 문제가 아니라, 정보 접근권, 교육권, 참여권 보장의 문제로서 중요한 사회정책적 과제로 부상하고 있다(UNESCO, 2021).

청각장애인은 시각 중심의 디지털 매체 접근이 비교적 용이한 측면이 있음에도 불구하고, 음성 중심으로 설계된 인공지능 서비스(AI 스피커, 음성비서, 대화형 챗봇 등)에 대한 정보 접근성과 실제 사용 경험에서 제약을 받을 가능성이 높다(Pascual, Ribera, & Granollers, 2014). 동영상, 음성 콘텐츠 등에는 자막이나 수어 등 비장애인과 동등한 정보제공이 미흡하여 청각장애인은 디지털 정보접근에 제약을 받고 있으며, 어플리케이션, 키오스크, 게임 등 다양한 디지털 서비스에서 청각장애인의 필요에 따른 시각적인 알림, 수어안내 등이 충분히 반영되어있지 못하여 접근 자체에서 곤란을 겪고 있다(서원선·전우천·이선화, 2022; Rodriguez-Correa et al., 2023). 현재 제공되고 있는 자동자막 서비스의 경우에는 정확도가 낮아 기술적인 오류가 많은 상태이고, 시간 싱크나 전문용어 처리에도 문제가 빈번하게 발생하고 있다. 실시간 이벤트나 스트리밍 콘텐츠 등에는 자막이 거의 제공되지 않고, 자막이 제공된다고 해도 시차가 크고 짧은 콘텐츠 등은 법적인 규제 대상에서 제외되기도 한다. 게다가 청각장애인은 수어와 한국어의 문법 차이, 낮은 문해력 등으로 인해 텍스트 기반 정보접근에도 어려움을 경우가 많다보니(박경란, 2009), 일반 국민 및 타 장애에 비해 디지털 정보화 수준이 낮고, 접근성·활용·역량 모두에서 격차가 존재한다(서유경, 2023; 이준우·박종미, 2009). 이러한 디지털에 대한 접근 제한은 단순한 물리적 기술 접근의 문제가 아니라, 인공지능에 대한 인식, 서비스에 대한 인지도, 실제 사용 경험, 사용의 유용성 인식 등 다양한 심리·사회적 요인이 복합적으로 작용하는 구조적 문제로 이해될 수 있다. 기술수용에 대한 대표적 이론인 기술수용모델(Technology Acceptance Model)에 따르면, 사용자가 기술을 유용하고 쉽게 사용할 수 있다고 지각할 때 수용 의도가 증가한다고 본다(Davis, 1989). 이에 따라 청각장애인이 인공지능을 얼마나 유용하고 접근 가능하다고 인식하는지가 실제 사용 행동에 중요한 영향을 줄 수 있다. 또한 지식격차이론(Knowledge Gap Hypothesis)은 정보 확산이 사회경제적 배경이나 정보 접근성에 따라 격차를 심화시킬 수 있음을 강조하며(Wei & Hindman, 2011), 이는 청각장애인이 인공지능 서비스에 대한 인지도 측면에서 비장애인 대비 구조적으로 취약할 수 있음을 시사한다. 더불어 사회적 배제 이론(Social Exclusion Theory)은 기술을 포함한 사회적 자원 접근에서 소외될 수 있는 구조적 맥락을 강조하며, 기술수용 또한 단순한 개인의 선택이 아닌 사회·정책적 환경과 밀접히 연관된 과정으로 파악한다(Schejter, Winseck, & Qiu, 2016). 이처럼 인공지능 기술에 대한 수용경향은 서로 별개의 독립 변인이 아니라, 개인의 심리적 특성과 사회 구조적 요인이 상호작용하여 나타나는 복합적 결과물로 해석될 필요가 있다. 특히 최근 연구들은 디지털 소외계층이 기술에 대해 가진 낮은 자신감이나 부정적 경험이 인공지능 수용을 방해하는 심리적 장벽으로 작용할 수 있다는 점을 실증적으로 보여주고 있다(네이버, 2024; Gerlich, 2023). 이는 인공지능 기술이 고도화될수록 사회적 대응역량의 불균형이 심화될 가능성을 경고하며, 기술이 사회적 배제를 완화하기보다는 새로운 형태의 불평등을 확대시킬 수 있음을 시사한다(차석기·정도범·서봉군, 2024). 이러한 맥락에서 청각장애인의 인공지능 수용경향을 실증적으로 파악하는 것은 정보접근의 형평성과 기술포용성을 평가하는 데 매우 중요한 준거를 제공한다. 특히 청각장애인과 같은 소수자 집단은 사회적 배제, 정보격차, 기술수용의 제약을 동시에 경험할 수 있기 때문에, 이들의 인공지능 수용양상을 보다 다차원적으로 접근하는 것이 필수적이다. 그러나 기존 선행연구들은 대부분 인공지능 접근성 기술의 도입 효과, 자막의 정확도, 보조기기의 기술적 성능 등에 국한되어 있으며, 청각장애인의 인공지능에 대한 주관적 인식, 심리적 요인, 사용 맥락을 종합적으로 고려한 실증연구는 매우 부족한 실정이다(조원일, 2025; Áfio et al., 2016; Daepp & Counts, 2024; Pascual, Ribera, & Granollers, 2014; Wald, 2021). 이에 따라 향후 연구에서는 단순한 접근가능성 차원을 넘어, 인식, 효용성, 사용태도, 심리적 신뢰 등 다양한 변인들을 고려한 청각장애인의 인공지능 수용실태에 대한 체계적인 분석이 요구된다. 대중들의 전반적인 인공지능 수용태도를 살펴보면, 많은 경우에 인공지능 기술이 제공하는 편리함과 효율성, 정보접근성 향상에 대한 기대감을 갖고 있는 것으로 나타나지만, 프라이버시 침해나 일자리 대체 등에 대해 두려움, 불안 등과 같은 부정적인 감정을 함께 내비치기도 하여, 인공지능에 대한 양가적인 태도를 보이고 있었다(김학민·임숙자·박윤환, 2023; 배영임·신혜리, 2020; 전소원·이지희·이종태, 2019; 황서이·남영자, 2020). 특히 과학기술 분야 종사자들은 기술친도와 개인적 특성에 따라 인공지능을 긍정적으로 수용하는 경향이 강하게 나타났으며, 조직의 특성보다는 개인의 인식이 수용성에 더 큰 영향을 미치고 있는 것으로 나타났다(김학민·임숙자·박윤환, 2023). 또한 디지털 헬스케어 서비스와 같은 일상적인 기술 활용에 있어서는 유용성과 사용용이성이 인공지능 수용의도를 결정하는 핵심요인으로 작용하며, 정보품질과 보안신뢰성에 대한 인식도 중요한 변인으로 확인되었다(배영임·신혜리, 2023).

한편 선행연구들이 단일 변수 중심의 설명모형에 주로 의존하거나 기술 도입의 효과성만을 분석하는 경향이 있는 반면, 본 연구는 응답자의 인식을 기반으로 내재된 이질적 집단을 탐색할 수 있는 잠재 프로파일 분석(Latent Profile Analysis)을 적용함으로써, 개인 중심(person-centered) 접근법을 도입한 점에서 이론적·방법론적 차별성을 갖는다(Bergman & Magnusson, 1997). 이는 기존의 외재적 기준이 아닌, 실제 청각장애인의 인공지능에 대한 기대, 서비스 인지, 사용평가의 패턴을 기반으로 경험 기반 수용 유형을 도출하고, 각 집단 간 차이 및 영향 요인을 실증적으로 규명할 수 있다는 점에서 의미가 크다(손원숙, 2013; Pascual et al., 2023).

본 연구는 다음과 같은 세 가지 연구문제를 설정하였다. 첫째, 청각장애인의 인공지능 수용 양상을 다차원적으로 분석하기 위해, ‘인공지능에 대한 기대’, ‘인공지능 서비스 인지도’, ‘지각된 인공지능 사용도움’의 세 가지 지표를 중심으로 수용경향을 측정하고, 이를 기반으로 청각장애인의 인공지능 이해 및 활용 수준에 따른 잠재 프로파일을 유형화한다. 둘째, 도출된 잠재 프로파일 간 특성을 비교·분석하고, 개인이 특정 집단에 속할 가능성을 예측하는 핵심 영향 요인으로서 ‘디지털기기 이용능력’, ‘디지털 기술에 대한 태도’, ‘디지털기기 이용효능감’의 설명력을 검증한다. 셋째, 이러한 분석 결과를 바탕으로 청각장애인의 인공지능 접근성 제고 및 수용경향 향상을 위한 정책적·실천적 시사점을 도출하며, 향후 인공지능 기반 포용기술 개발과 정보 접근권 보장을 위한 기초자료를 제공하는 것을 목표로 한다.

Ⅱ. 이론적 배경

Ⅲ. 연구방법

1. 연구대상과 자료수집

본 연구에서는 ｢2023 디지털정보격차 실태조사｣ 장애인 데이터를 활용하였다. 이 조사는 과학기술정보통신부가 주관하고 한국지능정보사회진흥원이 수행한 전국 규모의 공식 통계조사로서, 특히 장애인 집단을 대상으로 한 디지털 정보 접근 및 활용 실태에 대한 정량적 자료를 제공한다는 점에서 높은 신뢰성을 가진다. 조사 모집단은 2023년 8월 1일 기준 ｢장애인복지법｣에 따라 등록된 전국의 만 7세에서 69세 사이의 등록장애인(지체, 뇌병변, 청각/언어, 시각장애 유형 기준)이며, 성별, 연령, 장애유형, 지역별 비례할당표집을 통해 대표성을 확보하였다. 조사 방식은 구조화된 설문에 기반한 면접조사로, 2023년 10월부터 12월까지 수행되었고, 총 2,200명의 장애인 응답 데이터가 수집되었다(심규열 외, 2023). 본 연구에서는 청각장애인을 중심으로 한 인공지능 수용경향 및 관련 요인 분석을 목적으로, 응답자 중 스스로 청각장애인이라고 응답한 198명의 데이터를 선별하여 분석에 활용하였다. 이는 국내에서 청각장애인을 대상으로 한 대규모 정량 데이터 확보가 현실적으로 제한적인 상황에서, 전국 단위의 표본 설계와 면접방식을 통해 수집된 본 조사 자료가 청각장애인의 디지털 인식과 기술수용 실태를 파악하는 데 있어 희소성과 대표성을 동시에 확보한 실증자료로서 유의미하다는 점에서 활용의 타당성을 갖는다. 또한, 동 조사는 청각장애인의 디지털 환경에 대한 태도, 기술 활용 수준, 정보 접근성 등에 관한 다양한 변수를 포함하고 있어, 인공지능 수용과 관련된 다차원적 분석이 가능하다는 점에서도 본 연구 목적에 부합한다.

<표 1>

연구대상의 일반적 특성(N=198)

Ⅳ. 연구결과

1. 주요 변인의 기술통계 및 상관관계

먼저, 연구모형 분석에 사용한 청각장애인의 인공지능에 대한 기대, 인공지능 서비스 인지도, 지각된 인공지능 사용도움 변인의 전반적인 분포를 살펴보기 위해 각 변인의 평균, 표준편차, 왜도, 첨도를 살펴보았다. 일반적으로 왜도의 절대값 2 미만이고, 첨도의 절대값이 7 미만일 경우에 정규성이 충족된 것으로 간주할 수 있으며(Brandt et al., 2014), 본 연구에서는 주요 변인들이 이 기준을 만족하는 것으로 확인되었다.

<표 2>

주요 변인의 기술통계(N=198)

본 연구에서 실시한 인공지능 관련 주요 변수 간 상관관계 분석 결과는 <표 3>과 같다. 먼저, 인공지능에 대한 기대는 인공지능 서비스 인지도(r=.29, p<.001) 및 인공지능 사용 도움 지각(r=.45, p<.001)과 각각 유의한 정적 상관관계를 나타냈다. 이는 인공지능 전반에 대한 인식 수준이 높을수록 특정 인공지능 서비스에 대한 인지 정도와 해당 기술을 유용하게 인식하는 경향이 함께 높아짐을 의미한다. 또한, 인공지능 서비스 인지도와 인공지능 사용 도움 지각 간에는 r값 .49(p<.001)의 중간 수준 이상의 정적 상관이 나타났다. 이는 인공지능 서비스에 대한 인지 수준이 높을수록 실제 사용 시 도움을 받는다고 지각하는 경향이 강하다는 점을 보여준다. 다시 말해, 기술 자체에 대한 인식뿐 아니라 서비스에 대한 구체적인 정보 노출이 개인의 인식 평가와 수용 태도에 영향을 미친다는 것을 시사한다. 종합하면, 인공지능에 대한 기대, 인공지능 서비스 인지도, 지각된 인공지능 사용도움 간에는 모두 유의한 정적 상관이 형성되어 있으며, 이는 인공지능 수용을 촉진하기 위해 단순한 기술 홍보를 넘어, 구체적인 서비스 수준에서의 정보 제공과 체감 가능한 유용성 강조가 병행되어야 함을 시사한다.

<표 3>

상관관계(N=198)

2. 잠재프로파일 모형 결정

청각장애인의 인공지능 수용경향에 따른 잠재프로파일 수를 결정하기 위해 잠재프로파일 분석(Latent Profile Analysis)을 하였으며, 집단 수를 1개씩 순차적으로 증가시키는 방식으로 모형 간의 적합도를 비교하였다. 이 과정에서 AIC, BIC, SABIC의 정보 기준지수와 Entropy 값을 활용하여 각 모형의 적합도 및 분류의 명확성을 평가하였으며, 이를 바탕으로 최적의 모형을 도출하였다(Nylund, Asparouhov, & Muthén, 2007).

분석 결과, AIC와 SABIC 지표는 프로파일 수가 증가할수록 지속적으로 감소하는 경향을 보여, 일반적으로 더 많은 수의 프로파일이 데이터에 더 잘 적합함을 시사한다. 특히 AIC(3159.27)와 SABIC(3161.43)은 모두 4개 집단에서 가장 낮은 값을 보여, 해당 모형이 가장 높은 데이터 적합도를 가지는 것으로 해석된다. 반면, BIC는 모형의 복잡성에 더 강한 패널티를 부여하는 기준으로, 본 분석에서는 5개 집단(3232.72)을 제외하고 3개 집단(3215.17)에서 가장 낮은 값을 나타냈다. 이는 모형 단순성과 적합도의 균형 측면에서 3개 프로파일이 비교적 적절할 수 있음을 시사하지만, AIC 및 SABIC보다 더 보수적인 기준임을 고려할 필요가 있다. Entropy는 잠재집단 간 분류 명확성을 나타내는 지표로, 본 분석에서는 모든 모형이 .8 이상으로 양호한 분류력을 보였다. 2개 집단(.90)은 가장 높은 Entropy를 기록하였으나, 지나치게 단순화된 구조일 가능성이 있으며, 4개 집단(.76)은 상대적으로 낮지만 여전히 수용 가능한 수준으로, 해석의 세분화 가능성을 제공한다는 점에서 실용적 가치가 높다(Clark & Muthén, 2009). 특히 5개 집단(.82)의 Entropy가 다시 높아지긴 했으나, 통계적 유의성 측면에서 해석이 제한된다. BLRT(Bootstrapped Likelihood Ratio Test) 결과, 2개에서 3개, 3개에서 4개로의 프로파일 수 증가에 따른 모형 비교는 모두 통계적으로 유의한 차이를 나타냈다(p=.01). 이는 4개 집단으로의 세분화가 통계적으로도 타당함을 뒷받침한다. 반면, 4개에서 5개로의 증가는 유의하지 않은 결과(p=.18)를 보여, 5개 집단 모델은 추가적인 해석적 가치나 통계적 개선을 제공하지 못한다는 점에서 적절하지 않다. 따라서 AIC 및 SABIC의 최소값, Entropy의 수용 가능한 분류 명확성, BLRT의 통계적 유의성을 종합적으로 고려할 때, 본 연구에서는 4개 잠재프로파일 모형이 가장 타당한 선택으로 판단된다(Clark & Muthén, 2009; Nylund, Asparouhov, & Muthén, 2007). 이 모형은 데이터 적합도, 군집 구분의 명확성, 통계적 타당성을 모두 충족하면서도, 이론적 해석 가능성을 확보할 수 있는 분석 기반으로서, 향후 논의 및 정책 제언에서도 4개 집단 구분을 중심으로 접근하는 것이 적절하다.

<표 4>

잠재프로파일 수에 따른 모형적합도(N=198)

3. 분류된 잠재프로파일의 특성

잠재 프로파일 분석 결과, 청각장애인의 인공지능에 대한 기대, 인공지능 서비스 인지도 평균, 지각된 인공지능 사용도움 수준에 따라 총 네 개의 잠재 프로파일로 구분되었다. 본 연구에서는 청각장애인의 인공지능 수용경향에 따라 도출된 네 개의 잠재적인 집단을 인공지능에 대한 기대, 인공지능 서비스 인지도, 지각된 인공지능 사용도움이라는 세 가지 주요 변인에 근거하여 해석하였다. 각 집단은 이들 요인의 조합 특성에 따라 인지적·정서적·행동적 수용경향에서 상이한 양상을 보였으며, 이에 따라 단순히 수용 여부에 기반한 명명보다는, 각 집단의 특성과 행태적 양상을 반영한 설명적 명칭으로 집단명을 명명하였다. 특히 집단명에는 수용 행태의 공통된 심리적·행동적 패턴을 드러낼 수 있도록 ‘형(型)’이라는 표현을 포함하였으며, 수용 가능성과 소외, 인지-행동 간 괴리, 실용적 태도 등을 고려한 함축적 명칭으로 구성하였다.

<표 5>

각 잠재프로파일의 구성비율 및 추정평균(N=198)

집단 1은 전체 196명 중 49명(25.0%)으로 구성되어 있으며, 인공지능에 대한 기대 수준과 지각된 인공지능 사용도움은 비교적 긍정적으로 나타난 반면, 서비스 인지도는 낮은 경향을 보였다. 이는 기술의 개념이나 필요성에 대한 심리적 수용 태도는 형성되어 있으나, 구체적인 서비스 정보나 접근 기회가 부족한 상태로 해석된다. 이들은 기술에 대한 거부감 없이 수용에 열려 있으며, 적절한 안내나 체험 기회가 제공될 경우 적극적 사용자로 전환될 가능성이 높은 대상층이다. 이에 따라 이 집단은 전반적인 수용 태도가 균형 잡혀 있고, 아직 수용 전 단계에 있으나 변화 가능성이 높은 특성을 반영하여 ‘균형형 예비수용집단(Balanced Pre-Adopter Group)’으로 명명하였다.

집단 2는 78명(38.8%)으로 구성된 가장 큰 집단으로, 지각된 인공지능 사용도움이 가장 높게 나타났음에도 불구하고, 기대 수준과 서비스 인지도는 매우 낮은 특징을 보였다. 이는 기술에 대한 개념적 이해나 인식은 부족하지만, 실용적 차원에서 기술을 적극 활용하고자 하는 태도를 반영한 것으로 볼 수 있다. 즉, 정보 기반은 부족하나 사용 경험과 실천 의지가 강한 집단으로, 실전 중심의 체험이나 직관적 접근 방식에 잘 반응할 수 있다. 따라서 인지 수준은 낮지만 실용적 수용 태도가 강한 점을 반영하여 이 집단은 ‘실용형 저인지집단(Practical Low-Awareness Group)’으로 명명하였다.

집단 3은 41명(20.9%)으로 구성되어 있으며, 인공지능에 대한 기대와 인지도는 매우 높지만, 실제 사용에 대한 지각은 낮게 나타났다. 이는 정보와 개념적 이해는 충분하지만, 심리적 거리감, 자기효능감 부족, 실천 동기 결여 등으로 인해 실제 행동으로 이어지지 않는 특징을 보인다. 이들은 명시적인 기술 회피보다는 내면적 괴리 상태에 있으며, 정보-행동 간 불일치를 보이는 집단이다. 따라서 인지적 수준은 높으나 행동적 수용은 저조한 특성을 반영하여 본 집단을 ‘정보형 회피집단(Informed Avoider Group)’으로 명명하였다.

집단 4는 전체 중 30명(15.3%)으로 가장 소규모의 집단이며, 인공지능에 대한 기대 수준은 높은 반면, 인공지능 서비스 인지도와 지각된 인공지능 사용도움은 모두 가장 낮은 수준을 나타냈다. 이는 기술에 대한 관심이나 기대는 존재하나, 실제적 접근과 경험은 거의 부재한 상태로, 심리적·사회적 요인에 의해 디지털 환경에서 소외된 것으로 해석된다. 단순한 정보 부족을 넘어, 구조적 배제, 기술 불신, 심리적 장벽 등 복합적 요인이 작용하고 있을 가능성이 높다. 이에 따라 높은 기대에도 불구하고 실질적으로는 수용이 차단되어 있는 이 집단은 ‘기대형 소외집단(High-Expectation Marginalized Group)’으로 명명하였다.

4. 잠재프로파일 분류에 대한 예측 요인 검증

다항 로지스틱 회귀분석 결과, 청각장애인의 인공지능 수용경향에 따라 도출된 네 개의 잠재집단 간에 통계적으로 유의한 차이가 일부 변수에서 나타났다. 자료분석에서는 잠재수용집단(집단 1)을 기준 범주로 설정하고, 예측변인으로 디지털기기 이용능력, 디지털기기 이용효능감, 디지털 기술에 대한 태도, 인공지능 사용 경험을 투입하였으며, 성별과 연령대를 통제변인으로 포함하였다.

<표 6>

잠재프로파일 분류에 대한 예측 요인 검증(N=198)

먼저, 실용형 저인지집단(집단 2)과 균형형 예비수용집단(집단 1) 간 비교 결과에서, 디지털기기이용능력(b=-.05, SE=.03, Wald=2.02, p<.05), 디지털 기술에 대한 태도(b=-.25, SE=.11, Wald=2.18, p<.05), 인공지능 서비스 사용경험(b=-1.18, SE=.46, Wald=2.55, p<.05)이 모두 통계적으로 유의한 예측 요인으로 나타났다. 이는 디지털기기 이용능력과 디지털 기술에 대한 긍정적인 태도가 낮고, 인공지능 서비스 사용 경험이 없는 경우에는 실용형 저인지 집단에 속할 가능성이 높다는 것을 의미한다. 특히 인공지능 서비스 사용 경험의 유의한 부적 영향은 실용형 수용행태가 ‘개념적 이해’나 ‘태도’보다는 일상적·편의적 사용 맥락에서 나타나는 특성임을 시사한다. 다만, 디지털기기이용효능감(b=.03, p=.81), 성별(b=-.15, p=.73), 연령대(b=.061, p=.70)는 유의하지 않았다. 이는 기술에 대한 자기효능감이나 인구사회학적 특성이 해당 집단 분류에는 영향을 미치지 않음을 보여준다. 잠재 프로파일 구성에서 성별, 연령대 등의 인구사회학적 특성이 분류기준이 아니었으나, 연구대상자의 인구사회학적 특성을 고려할 필요성이 제기된다. 다시 말해 인구사회학적 특성을 반영하지 않았지만, 이 특성이 영향을 미치는 변인에 의해 집단구성이 이루어졌다면, 간접적으로 인구사회학적 특성이 반영된 결과로 해석할 수 있다. 특히, 연령대 등이 그 자체로 작용했다기 보다는 연령과 함께 나타나는 디지털 능력의 차이가 인공지능 수용경향에 더 직접적으로 작용했다는 의미로 해석할 수 있는 것이다. 전체 청각장애인 표본 중에서 50대와 60대가 절반 이상을 차지하고 있다는 점을 고려해보면, 고령 청각장애인은 일반적으로 인공지능 기술에 대한 친숙도와 활용도가 낮은 연령층으로 볼 수 있고, 이러한 특성이 디지털기기 이용능력 및 사용경험 변수에 반영되었을 가능성도 있다. 비록 연령대 자체는 통계적으로 유의하지 않았지만, 고령층에서 흔히 나타나는 낮은 디지털 노출 경험, 음성기반 인터페이스 접근의 어려움, 문자 이해력의 제한 등은 실용형 저인지 집단으로 분류되는 데 간접적인 영향을 미쳤을 수 있다. 따라서 연령이 아닌 인공지능 사용경험이나 기능 역량이 주요 예측 요인으로 작용한 분석결과는 고령 청각장애인의 디지털 소외를 간접적으로 설명해주는 중요한 단서로 해석될 수 있다.

다음으로, 정보형 회피집단(집단 3)과 균형형 예비수용집단(집단 1) 간 비교에서는, 디지털기기이용능력(b=.08, SE=.04, Wald=2.08, p<.05)과 인공지능 서비스 사용경험(b=1.53, SE=.63, Wald=2.41, p<.05)이 모두 통계적으로 유의한 예측 요인으로 나타났다. 이는 디지털 기기 이용능력이 높고, 인공지능 서비스 사용 경험이 많은 개인일수록, 정보에 대한 접근과 이해는 충분하나 실제 사용에는 소극적인 회피적 태도를 보일 가능성이 높음을 보여준다. 특히, 인공지능 서비스 사용경험의 유의한 양의 계수는 정보형 회피집단이 단순히 정보 부족 상태가 아닌, 사용 과정에서의 혼란, 불편, 실패경험 등으로 인해 수용으로 전환되지 못하고 있는 상태임을 시사한다. 반면, 디지털기기 이용효능감(b=-.05, p=.67), 디지털 기술에 대한 태도(b=.02, p=.89), 성별(b=-.01, p=.98), 연령대(b=-.09, p=.60)는 유의하지 않았다. 이는 회피 성향이 인지적 태도나 사회인구학적 특성보다는, 기술을 다루는 실제 경험 속에서 형성되는 심리적 요인과 더 깊은 관련이 있음을 시사한다. 정보형 회피집단에도 50대와 60대에 해당하는 고령 청각장애인이 일부 포함될 수 있으며, 이들은 정보접근과 이해능력은 갖추었으나 실제 인공지능 기술 사용과정에서 겪는 오류나 복잡성, 실수에 대한 두려움 등으로 인해 인공지능 사용 자체를 회피하는 경향이 있을 수 있음을 고려할 필요가 있다. 연령대는 통계적으로 유의하지 않았으나, 고령층이 인공지능 기술에 대한 자신감이 낮고, 실패경험을 회피하려는 성향이 높다는 점을 고려하면, 정보형 회피집단의 형성에 간접적으로 작용했을 가능성을 배제할 수 없다.

마지막으로, 기대형 소외집단(집단 4)과 균형형 예비수용집단(집단 1) 간 비교에서는, 인공지능 서비스 사용경험(b=-1.18, SE=.57, Wald=2.08, p<.05)만이 통계적으로 유의한 예측 요인으로 확인되었다. 이는 인공지능 서비스를 사용해 본 경험이 부족할수록, 기대는 있으나 기술 사용에 접근하지 못하는 소외형 집단에 속할 가능성이 높다는 것을 의미한다. 해당 결과는 기술에 대한 긍정적 태도나 능력보다, ‘실제 인공지능 서비스 사용 경험의 유무’가 디지털 소외 여부를 결정짓는 핵심 요인임을 시사한다. 반면, 디지털기기이용능력(b=-.05, p=.09)는 유의수준 .1에서 준유의한 결과를 나타냈다. 이는 엄밀히 통계적으로 유의하다고 보긴 어렵지만, 후속 연구에서 보다 큰 표본 또는 보정된 분석을 통해 재검토할 수 있는 가능성이 있는 예비신호로 해석될 수 있다. 그외 요인인 디지털기기이용효능감(b=-.14, p=.24), 디지털 기술에 대한 태도(b=.12, p=.27), 성별(b=-.61, p=.24), 연령대(b=-.08, p=.69)는 모두 통계적으로 유의하지 않았다. 기대형 소외집단은 인공지능 기술에 대한 기대와 관심은 있으나, 실제 경험이 부족하여 수용으로 전환되지 못한 상태임을 고려할 수 있다. 50대와 60대 청각장애인의 다수가 해당 조건에 부합할 수 있으며, 이들은 인공지능 기술에 대한 태도는 긍정적이지만, 접근기회 부족, 사용방법에 대한 불확실성, 정보해석의 어려움 등으로 인해 인공지능 기술을 능동적으로 채택하지 못하는 경우가 많다. 이에 따라 연령대는 통계적으로 유의하지 않았으나, 고령층이 인공지능 기술에 대한 기대는 높으나, 실질적 접근성이 낮은 대표적인 기대형 소외집단으로 기능할 수 있다는 점에서 정책적 관심이 필요하다는 것을 고려할 필요가 있다.

잠재프로파일 간 분류에서 유의미한 차이를 만들어내는 주요 요인은 디지털기기이용능력과 인공지능 사용경험으로 확인되었다. 반면, 기술에 대한 태도, 효능감, 성별, 연령대는 집단 간 차이를 설명하는 데 있어 제한적인 영향을 미쳤다. 이는 인공지능 수용의 핵심은 ‘심리적 준비나 긍정적 태도’보다도 ‘실제 사용 여부’와 ‘기술을 다룰 수 있는 실제 역량’임을 시사한다. 특히 기대형 소외집단은 인식 이전 단계에 머물러 있는 집단으로, 단순한 인식 개선이나 태도 변화보다는 정보 접근 보장, 체험 중심의 실천 환경 조성, 기술적 진입장벽 제거 등이 시급한 개입 방향임을 보여준다.

Ⅴ. 논의 및 결론

본 연구는 청각장애인의 인공지능 수용경향을 다차원적으로 분석하고, 이에 영향을 미치는 주요 예측 요인을 확인하는 데 목적을 두었다. 이를 위해 인공지능에 대한 기대, 인공지능 서비스 인지도, 지각된 인공지능 사용도움을 중심으로 인공지능 수용경향을 측정하고, 디지털기기 이용능력, 디지털기기 이용효능감, 디지털 기술에 대한 태도를 예측 요인으로 설정하고 성별과 연령대를 통제변인으로 설정하여 잠재프로파일 분석과 다항 로지스틱 회귀분석을 수행하였다. 분석 결과, 전체 청각장애인 응답자는 ‘균형형 예비수용집단(25.0%)’, ‘실용형 저인지집단(38.8%)’, ‘정보형 회피집단(20.9%)’, ‘기대형 소외집단(15.3%)’으로 구분되었다. 인공지능 사용 경험과 디지털기기이용능력은 수용경향을 유의하게 예측하는 핵심 요인으로 확인되었으며, 반면 디지털기기이용효능감, 기술 태도, 성별, 연령대 등은 통계적으로 유의한 영향력을 보이지 않았다.

본 연구에서 인공지능 서비스 사용 경험은 실용형 저인지집단(집단 2)과 균형형 예비수용집단(집단 1), 그리고 정보형 회피집단(집단 3)과의 비교에서 모두 유의한 예측 요인으로 나타났다. 이는 기존 기술수용모델 기반 연구에서 제시한 바와 같이, 지각된 유용성과 실제 사용 경험이 수용 행동을 매개한다는 주장과 일치한다(Davis, 1989; Rosli et al., 2022). 특히 단순한 인식 수준을 넘어, 실제 체험을 통해 기술의 효용성을 직접 경험하는 것이 수용경향 전환에 결정적인 역할을 한다는 점에서 기존 연구의 연장선에 있다(Geddam, Nethravathi, & Hussian, 2024). 한편, 기대형 소외집단(집단 4)의 경우에도 사용 경험이 유의수준 .1 수준에서 준유의한 영향을 미친 바 있으며, 이는 기술 접근권 자체의 제약이 기술 회피로 이어질 수 있음을 시사한다. 이러한 결과는 기술이 존재하더라도 그것이 모든 사용자에게 동일한 방식으로 작동하지 않으며, 특히 장애인의 기술수용은 환경적 제약과 사회적 구조 요인의 영향을 받는다는 사회적 배제 이론(López-Aguado et al., 2022; Schejter, Winseck, & Qiu, 2016)과도 맥락을 같이 한다. 특히 인공지능에 대한 기대, 인공지능 서비스 인지도, 지각된 인공지능 사용도움의 세 요소는 상호 연계된 시스템 구조로 작동하며, 이 중 하나라도 저조할 경우 인공지능 기술에 대한 회피나 부정적 인식 고착으로 이어질 수 있는 악순환이 발생한다(Csótó, 2021; OECD, 2025; Park & Humphry, 2019). 이는 인공지능 수용이 단일 요인에 의해 결정되지 않으며, 인지적·정서적·환경적 요인이 복합적으로 작용함을 보여준다.

디지털기기 이용능력은 정보형 회피집단과 균형형 예비수용집단 간의 비교에서 유의미한 예측 요인으로 확인되었다. 이는 기기 활용 역량이 낮을수록 인공지능 수용 회피 성향이 높아질 수 있음을 시사하며, 특히 청각장애인의 경우 설정, 보조도구 조작 등의 과정에서 경험하는 인지적 부담이 기술 회피로 이어질 수 있다는 점에서 중요하다. 이러한 결과는 디지털기기 이용능력이 인공지능 수용의 선행 요인이라는 기존 연구의 주장과도 일치한다(김미령, 2012; Hwang & Chen, 2023; Nja et al., 2024). 특히 디지털기기 이용능력과 디지털기기 이용효능감이 밀접한 관련을 갖는다는 선행연구 결과(김영민, 2010; 박지영·정예슬, 2021; 성은모, 2018)는 인공지능 수용의 기반 요인으로서 디지털 리터러시 교육의 중요성을 뒷받침한다. 반면, 실용형 저인지집단과의 비교에서는 준유의 수준으로 영향을 미쳤으며, 이는 향후 보다 세분화된 조건 통제 및 표본 확장을 통해 재검증이 필요하다는 점을 시사한다. 이들 변수는 모든 집단 간 비교에서 유의한 예측 요인으로 작용하지는 않았다. 이는 디지털 기술에 대한 태도나 디지털기기 이용효능감 등 심리적 요소보다, 실제 디지털기기 이용능력과 인공지능 서비스 사용경험 여부가 인공지능 수용경향 결정에 보다 직접적으로 영향을 미친다는 점을 의미한다. 이는 기술수용모델의 확장 변수들이 항상 유효하지 않음을 보여주는 사례로, 특히 청각장애인과 같은 특수 집단의 경우 실제 경험과 환경적 제약이 보다 결정적인 요인으로 작용할 수 있음을 시사한다(Al-Qaysi Mohamad-Nordin, & Al-Emran, 2020; Holden & Karsh, 2010; Kamal, Shafiq, & Kakria, 2020).

이에 따라 다음과 같은 정책적·실천적 대책이 마련될 필요가 있다. 첫째, 인공지능 수용 수준을 높이기 위해서는 ‘정보 제공’ 중심의 계도식 접근보다, 실제 사용 경험을 창출할 수 있는 체험 중심의 개입이 필요하다. 이는 체험 기반 학습 환경 구축, 사용자 맞춤형 보조기술 설계, 장애친화적 인터페이스 개발 등 실질적 환경 개선으로 이어져야 한다(Aneraye & Palei, 2024; Therasa, 2023). 이를 위해서는 먼저 인공지능 기반 체험학습 공간이나 온라인 체험 플랫폼을 마련하여 실제 기술활용이 가능한 환경을 조성하는 것이 필요하다. 또한 장애특성과 개인의 기술숙련도를 반영한 사용자 맞춤형 보조기술을 설계하여 이용자의 접근성과 효율성을 높일 수 있도록 구체적인 기술개발을 수행해야 한다. 이와 함께, 장애친화적인 인터페이스 개발을 위해 장애인 당사자와의 협업을 정례화하여 사용성 평가 및 인터페이스의 지속적인 개선 작업을 추진해야 한다. 이를 통해 실질적인 환경개선을 이루고, 청각장애인의 인공지능 수용수준을 제고할 수 있을 것이다. 둘째, 기술 태도나 효능감과 같은 인지적 요인보다 기기 사용 능력과 경험 여부가 더 직접적인 수용 결정 요인임을 고려할 때, 청각장애인에 대한 기초 디지털 리터러시 교육을 강화하는 것이 우선되어야 한다. 이를 위해서는 단순히 디지털 기술의 사용법만을 가르치는 수준을 넘어, 수어사용자의 특성에 맞춘 콘텐츠를 구성하여 이해도를 높이는 방안을 고려되어야 한다. 구체적으로, 디지털 기기의 사용법과 같은 기본적인 정보를 수어영상으로 제작하고, 자막이나 쉬운 텍스트와 함께 제공하여 콘텐츠 접근성을 높일 필요가 있다. 또한 청각장애인 당사자 및 수어전문가가 콘텐츠 제작에 직접 참여하여 콘텐츠의 실효성과 이해도를 사전에 검증하고, 지속적으로 개선해야 한다. 이와 함께, 문자 기반의 자료 활용에서 오는 문해력의 한계를 보완하기 위해 픽토그램, 인포그래픽, 동영상 및 애니메이션 등과 같은 비문자 기반의 시각자료를 적극적으로 활용해야 한다. 시각적 자료를 활용하면, 콘텐츠의 직관성과 학습자의 흥미가 향상되어 학습효과가 증가할 수 있으며, 필요에 따라 몰입형 학습도구인 가상현실 등을 도입하여 반복적이고 몰입감있는 학습환경을 제공할 수 있다. 셋째, 기대형 소외집단에 대해서는 기술 접근권 보장을 위한 구조적 개입이 선행되어야 한다. 이는 정보비용 완화, 오프라인 체험 거점 확대, 음성 중심 설계의 대체 서비스 제공 등 정책적 수준의 포괄적 디지털 포용 전략이 요구된다(Schejter, Winseck, & Qiu, 2016). 구체적으로 기술접근의 걸림돌이 되는 정보비용 부담을 완화할 수 있도록 소외집단에게 통신요금 감면이나 디지털 기기 구매 보조금과 같은 재정적 지원을 정책적으로 제공해야 한다. 또한 지역사회 내에서 손쉽게 인공지능 및 첨단기술을 경험할 수 있는 오프라인 체험거점을 지역 단위로 확대하여 기술체험의 접근성과 빈도를 높여야 한다. 또한 음성중심의 인터페이스 사용에 어려움을 겪는 집단을 위해 대체적인 인터페이스 옵션으로 시각적, 촉각적, 텍스트 기반 인터페이스 등을 정책적으로 의무화하고, 이를 모든 디지털 공공서비스에 적용하여 포괄적인 디지털 포용전략을 실행해나가야 한다. 넷째, 실용형 저인지집단은 디지털 포용 확산의 핵심 자원으로 활용할 수 있다. 이들은 동료교육, 파일럿 서비스 테스트, 정책 공동기획 참여자 등으로 유도될 수 있으며, 기술수용 전파자 역할을 수행함으로써 사회 전체의 디지털 수용성 제고에 기여할 수 있다. 디지털 역량이 우수한 청각장애인 인력들을 선발하여 이들이 디지털 활용이 어려운 동료집단에게 직접 교육과 멘토링 등을 수행하는 동료교육 프로그램을 운영하는 것도 고려할 필요가 있다. 또한 새로운 디지털 기술이나 서비스가 본격적으로 도입되기 전, 이들을 파일럿 테스트나 사전검증 서비스 참여자로 초청하여 실제 사용자 관점의 피드백과 개선의견을 적극적으로 수렴할 수도 있을 것이다. 더 나아가, 디지털 접근성 향상을 위한 정책을 수립할 때 이들을 정책공동기획자로서 참여시켜 정책의 실효성과 현장성을 높이고, 동시에 이들의 참여경험을 통해 기술수용을 촉진하는 전파자 역할을 수행하게 할 수 있다. 이러한 논의는 인공지능 기술수용이 단순한 기술적 문제가 아니라, 사회적 포용, 정보 주권, 디지털 시민성의 차원에서 다차원적으로 접근되어야 함을 강조한다(UNESCO, 2021). 특히 청각장애인과 같은 디지털 소외 계층에 대한 맞춤형 서비스 설계와 제도적 기반 확보는 사회적 배제 구조를 완화하고, 정보사회로의 실질적 참여를 가능케 하는 핵심 요소가 될 수 있다.

본 연구에서는 청각장애인의 인공지능 수용경향에 따른 잠재 프로파일 분류에 영향을 미치는 가장 핵심적인 변수는 실제 사용 경험과 디지털기기 활용 능력으로 확인되었다. 반면, 디지털 기술에 대한 태도나 디지털기기 이용효능감, 성별, 연령대 등은 집단 간 차이를 설명하는 데 제한적인 영향을 미치는 것으로 나타났다. 특히 기대형 소외집단의 경우, 디지털 기술에 대한 태도 형성 이전의 수준에 머무르고 있어, 정보 접근권 보장과 실천 중심의 개입 전략이 우선적으로 요구됨을 시사한다. 이를 구체적으로 살펴보면, 본 연구에서 가장 핵심적인 예측 요인으로 확인된 인공지능 사용경험과 디지털기기 이용능력은 기술수용모델에서 강조하는 지각된 유용성과 직접적으로 연결된다(Davis, 1989). 이는 단순히 기술에 대한 인식이나 태도보다는, 실제 사용경험을 통해 체감된 효용성이 인공지능 기술수용 수준에 보다 직접적인 영향을 미친다는 점을 시사한다. Rosli et al.(2022)의 연구에서도 기술 사용경험은 기술수용 행동에 대한 강력한 매개 변수로 작용하며, 이는 청각장애인과 같은 정보취약계층에서도 동일하게 작동함을 본 연구가 확인하였다. 또한, 디지털기기 활용 능력은 지식격차이론(Knowledge Gap Hypothesis)의 관점에서 ‘정보 활용 능력’의 격차가 궁극적으로 정보 접근성과 기술수용의 불균형으로 이어질 수 있음을 설명한다(Van Dijk, 2017; Wei & Hindman, 2011). 특히, 기기 조작 능력 자체가 낮은 집단은 인공지능 기술을 접하는 데 있어서도 높은 인지적 부담과 학습 진입 장벽을 경험하게 되며, 이는 기술 회피 또는 소극적 수용 성향으로 귀결된다. 예컨대, 자막 설정, 청각보조장치 연동 등 인공지능 기술에 특화된 기능을 스스로 조작하기 어렵다면, 해당 기술의 접근성과 효용성을 낮게 평가할 가능성이 높다(김미령, 2012; Mwangi, 2024). 반면, 디지털 기술에 대한 태도와 디지털기기 이용효능감, 그리고 성별, 연령대는 잠재집단 간 수용 수준의 결정 요인으로서 유의미한 설명력을 보이지 않았다. 이는 기술수용모델의 확장 변수들이 실증적으로 항상 일관된 설명력을 제공하지 않음을 보여주는 사례이며, 특히 심리적 요인보다 행동 기반 변수(경험, 능력)가 더 결정적인 요인으로 작동한다는 점에서 주목할 필요가 있다. 특히 청각장애인과 같은 소수자 집단에서는 기술에 대한 기대나 태도 형성 이전에 접근성과 조작 경험 자체에서의 제약이 더 큰 영향력을 행사한다는 것이다. 기대형 소외집단의 특성은 사회적 배제이론(Social Exclusion Theory)과 밀접하게 연계된다. 이들은 디지털 기술에 대한 태도조차 형성되지 못한 상태로, 기술 접근 이전 단계에서부터 구조적 배제에 직면해 있음을 시사한다(López-Aguado et al., 2022; Schejter et al., 2015). 이를테면, 기술 인지조차 형성되지 않은 상태에서는 자기효능감이나 지각된 유용성과 같은 심리적 요인이 작용할 수 없으며, 이는 기술 사용 경험의 축적과 디지털 역량 강화를 가로막는 악순환 구조로 이어질 수 있다(Csótó, 2021; OECD, 2025).

이상의 본 연구결과는 다음과 같은 함의를 갖는다. 첫째, 청각장애인의 인공지능 수용에서 핵심은 ‘경험 기반의 실제 사용’이라는 점이다. 단순한 인식이나 태도 개선만으로는 충분하지 않으며, 실천적 경험의 유무가 수용경향과 그 수준을 결정짓는 주요 요소로 작용한다. 이는 기술수용모델이나 지식격차이론에서 제시된 이론적 설명과도 일치하며, 체험 중심의 정책 설계가 필요함을 강조한다. 둘째, 인공지능 수용의 결정 요인이 개인 특성보다 구조적 접근성 문제에서 기인하는 경우가 많다는 점에서, 디지털 포용 정책의 방향성은 단순한 개인 교육을 넘어 시스템 차원의 환경 개선에 초점을 맞춰야 한다. 특히 기대형 소외집단은 정보 접근성과 인프라 격차 해소가 선행되지 않으면 기술 활용 자체가 불가능한 집단으로, 이들을 위한 저진입장벽 서비스 설계, 장애친화적 인터페이스, 다중감각 기반 기술 개발이 요구된다. 본 연구결과가 갖는 의의에도 불구하고 다음과 같은 한계를 지닌다. 첫째, 분석에 활용된 설문은 자기보고 방식(self-report)으로 수집된 것으로, 인공지능 서비스 사용경험에 대한 과대 또는 과소 평가의 가능성이 존재한다. 둘째, 잠재프로파일 분석에 사용된 문항 수와 표본 수는 이론적으로 적절한 수준을 충족하였지만, 보다 다양한 척도와 정량적 지표를 활용하였다면 해석의 정교함을 높일 수 있었을 것이다. 셋째, 변수 간 인과 방향이나 장기적 변화는 확인할 수 없는 횡단적(cross-sectional) 연구라는 점에서, 인공지능 수용경향의 동태적 변화 과정을 설명하는 데 한계가 있다. 넷째, 청각장애인을 동질적인 집단으로 간주하고 분석한 점도 잠재적 한계로, 향후 연구에서는 수어 사용자와 비수어 사용자, 농인과 난청인을 구분하는 정교한 집단 분석이 필요하다. 이에 따라 후속 연구에서는 다음과 같은 방향으로 본 연구의 한계를 보완하고 인공지능 수용에 대한 이해를 심화시킬 수 있다. 첫째, 종단적(longitudinal) 연구를 통해 인공지능 수용경향의 시간적 변화와 전환 과정을 추적할 필요가 있다. 이를 통해 기술 도입 전후의 변화, 정책 개입의 효과 지속성 등을 실증적으로 확인할 수 있을 것이다. 둘째, 실험 설계를 활용한 개입 효과 분석이 요구된다. 예컨대, 체험 중심 교육, 접근성 보조 장치 제공, 피어 러닝(peer learning) 프로그램 등을 통해 실제 사용 경험을 유도하고, 그 효과를 비교 집단과 검증하는 방식으로 수용 촉진 전략의 실효성을 확인할 수 있다. 셋째, 서비스 유형별 수용 차이를 분석함으로써 인공지능 기술이 청각장애인의 요구와 맥락에 따라 어떻게 다르게 수용되는지를 파악할 수 있다. AI 보청기, 자동 자막, 수어 아바타 등 다양한 서비스 유형을 구분하여 수용경향 및 그 수준과 예측 요인을 비교함으로써 맞춤형 전략 수립이 가능해질 것이다. 넷째, 정성적 사례연구를 통해 집단 간 수용 경험을 보다 깊이 있게 탐색할 필요가 있다. 인터뷰, 참여관찰, 포토보이스 등 질적 자료를 활용해 기술수용의 심리적·문화적 의미를 분석하면, 수량적 분석에서 포착하기 어려운 인식 구조나 감정 반응 등을 이해할 수 있다. 마지막으로, 정책 수립을 위한 실천적 연구로서, 인공지능 기반 공공서비스(정보 제공, 상담, 민원 서비스 등)에 대한 청각장애인의 수용성과 신뢰도를 실증적으로 측정하고, 접근성 향상을 위한 설계 기준 개발에 기여할 필요가 있다.

References

• 강신욱·김안나·박능후·김은희·유진영(2005). 사회적 배제의 지표개발 및 적용방안 연구. 서울: 한국보건사회연구원.
• 고정호·이완호·신희승·김성환·성열훈·이호섭(2023). 청각장애인의 소리인식 보조기기(인공을 이용한 청각장애인 사고예방 어플리케이션). 한국정보처리학회 2023년도 추계학술발표대회 논문집(pp. 1010-1011). 한국정보처리학회.
• 권정민·이영선(2020). 장애인을 위한 인공지능 활용 동향. 한국초등교육, 31, 187-202. [https://doi.org/10.20972/kjee.31..202008.187]
• 김도엽·김영석·김주영·김정화·박성우·이윤우(2024). 장애대학생 대상 인공지능 기반 문자 통역 서비스 사용자 평가: 초점집단면담을 중심으로. 장애인고등교육연구, 3(1), 1-21.
• 김미령(2012). 베이비붐세대의 적응역량이 디지털기기 활용에 미치는 영향. 노인복지연구, 58, 303-324. [https://doi.org/10.21194/kjgsw..58.201212.303]
• 김배성·우형진(2019). 인공지능(AI)스피커 사용의도에 관한 연구: 확장된 기술수용모델을 중심으로. 한국콘텐츠학회 논문지, 19(9), 1-10. [https://doi.org/10.5392/JKCA.2019.19.09.001]
• 김성원(2011). 정보활용능력에 대한 자기효능감과 학업성취도간 상관관계 연구. 정보관리학회지, 28(3), 31-46. [https://doi.org/10.3743/KOSIM.2011.28.3.031]
• 김세영·김현웅·박찬호·정목동(2017). 청각 장애인을 위한 딥 러닝 기반 소리 방향 및 종류 식별 시스템. 한국정보과학회 2017년 한국컴퓨터종합학술대회 논문집(pp. 1896-1898). 한국정보과학회.
• 김수상·장원중·마리아노 우고·김광용(2019). 인공지능 스피커의 사용의도에 영향을 미치는 요인에 관한 탐색적 연구. 정보화연구, 16(1), 71-86. [https://doi.org/10.22865/jita.2019.16.1.71]
• 김영민(2010). e-learning 물류교육에서 학습자 특성, 학습참여 및 학업 성취도의 관계 연구. e-비즈니스연구, 11(3), 239-264. [https://doi.org/10.15719/geba.11.3.201009.239]
• 김지은·김미량(2024). 기술수용모델을 적용한 학습 도구로서의 ChatGPT 이용 의도에 관한 탐구. 컴퓨터교육학회 논문지, 27(3), 75-85. [https://doi.org/10.32431/kace.2024.27.3.007]
• 김학민·임숙자·박윤환(2023). 인공지능 기술 수용성에 영향을 미치는 변수들에 관한 연구: 과학기술분야 정부출연연구기관을 중심으로. 한국사회와 행정연구, 33(4), 241-270. [https://doi.org/10.53865/KSPA.2023.2.33.4.241]
• 김현돈(2022). 청각장애인을 위한 인공지능 헤드폰 설계. 산업기술연구논문지, 27(4), 21-26. [https://doi.org/10.29279/jitr.2022.27.4.21]
• 남성희·박재현(2024). 장애인과 첨단기술: AI로의 이행. 한국장애인복지학, 63, 279-300. [https://doi.org/10.22779/kadw.2024.63.63.279]
• 남수태·진찬용(2013). 기술수용모델 개념 간의 관계에 대한 메타분석: 우리나라 학회지에 게재된 스마트폰 연구 중심으로. 벤처창업연구, 8(4), 67-79. [https://doi.org/10.16972/apjbve.8.4.201312.67]
• 남창우·안성훈(2016). 초·중학생의 컴퓨터 활용 및 정보(컴퓨터) 교육 경험이 ICT 리터러시 수준에 미치는 영향. 한국콘텐츠학회 논문지, 16(10), 18-32. [https://doi.org/10.5392/JKCA.2016.16.10.018]
• 네이버(2024). 2024 ESG 통합보고서: 사람을 위한 기술, 모두를 위한 AI. 네이버.
• 도상건·이대연(2022). 청각장애인의 배리어프리를 위한 인공지능 기반 스마트 수화통역 서비스 아이디어 제안. 2022년 한국품질경영학회 추계학술발표논문집(p. 170). 한국품질경영학회.
• 박경란(2009). 청각장애학생의 문식성 특성과 지도방법에 대한 고찰. 특수교육저널 : 이론과 실천, 10(1), 113-135. [https://doi.org/10.19049/JSPED.10.1.06]
• 박성열·김진경(2025). 대학생의 AI 학습 활용 여부에 영향을 미치는 요인 판별분석: 기술수용모델(TAM)을 중심으로. 대학교수·학습연구, 18(1), 1-23. [https://doi.org/10.23122/kactl.2025.18.1.001]
• 박지영·정예슬(2021). 직장인의 인공지능 기술 사용의도: 기술에 대한 지각된 유용성과 신뢰, 조직지원인식의 역할을 중심으로. 한국심리학회지: 산업 및 조직, 34(2), 183-211. [https://doi.org/10.24230/kjiop.v34i2.183-211]
• 박진석·이영선(2024). 시각장애인을 위한 인공지능기술 활용: 텍스트 마이닝 기법을 이용한 국내외 연구동향 분석. 시각장애연구, 40(3), 1-19. [https://doi.org/10.35154/kjvi.2024.40.3.1]
• 박현근·이희석·이상문(2010). 청각장애인을 위한 자동 자막 시스템. 한국컴퓨터정보학회 하계학술대회 논문집, 18(2), 335-336.
• 배영임·신혜리(2020). 기술수용모델(TAM)을 활용한 디지털 헬스케어 서비스 소비자 수용의도에 관한 연구 : 헬스케어 앱 사용자를 중심으로. GRI연구논총, 22(2), 99-128.
• 서원선·전우천·이선화(2022). 디지털 시대 장애인 정보격차 해소를 위한 방안 마련 연구. 한국장애인개발원.
• 서유경(2023). 청각장애인의 디지털 리터러시가 삶의 만족에 미치는 영향: 사회적 지지의 매개효과. 특수아동교육연구, 25(1), 215-238. [https://doi.org/10.21075/kacsn.2023.25.1.215]
• 성은모(2018). 대학생의 성별에 따른 스마트미디어 활용 능력과 학습민첩성이 자기주도학습능력 및 문제해결력에 미치는 영향. 교육정보미디어연구, 24(4), 709-732. [https://doi.org/10.15833/KAFEIAM.24.4.709]
• 손원숙(2013). 고등학생 성취목표지향성 프로파일의 잠재전이분석. 교육평가연구, 26(4), 755-774.
• 신상우·김재준·여옥경(2015). 기술수용모델 기반 건축·도시 분야 융복합 교육의 수용의도에 관한 조사. 대한건축학회논문집, 31(12), 71-78. [https://doi.org/10.5659/JAIK_PD.2015.31.12.71]
• 신택수(2010). 종단프로파일분석과 군집분석을 이용한 잠재집단연구: 성장혼합모형과 비교를 통하여. 교육평가연구, 23(3), 641-664.
• 심규열·이상민·이철민·최문실·정현민·조경재(2023). 2023 디지털 정보격차 실태조사 보고서. 과학기술정보통신부, 한국지능정보사회진흥원.
• 심창학(2001). 사회적 배제 개념의 의미와 정책적 함의: 비교관점에서의 프랑스를 중심으로. 한국사회복지학, 44, 178-208.
• 유재현·박철(2010). 기술수용모델(Technology Acceptance Model) 연구에 대한 종합적 고찰. Entrue Journal of Information Technology, 9(2), 31-50.
• 이나핼(2024). 장애인을 위한 인공지능 도구 개발에 관한 체계적 고찰: 국내 연구를 중심으로. 특수교육재활과학연구, 63(4), 1-26. [https://doi.org/10.23944/Jsers.2024.12.63.4.1]
• 이재신(2006). 기술사용에 대한 태도 변화에 영향을 미치는 요인들에 관한 종단적 연구: 개인의 주관적 판단과 사회적 영향을 중심으로. 한국언론학보, 50(6), 388-414.
• 이재환·정진택(2024). 장애인의 디지털기기정보 활용역량이 일상생활 만족도에 미치는 영향: 디지털 조력의 매개효과를 중심으로. 아시아태평양융합연구교류논문지, 10(11), 135-147. [https://doi.org/10.47116/apjcri.2024.11.11]
• 이준우·박종미(2009). 청각장애인의 지식정보서비스 이용 욕구와 사회복지실천 과제. 재활복지, 13(2), 257-285.
• 장성모·배영임·안영기·이상문(2011). 청각장애인을 위한 감성자막에 관한 연구. 한국컴퓨터정보학회 동계학술대회 논문집, 19(1), 195-198.
• 전동일·서정민(2017). 난청인을 위한 문자통역서비스 제도화 연구. 디지털융복합연구, 15(4), 53-63. [https://doi.org/10.14400/JDC.2017.15.4.53]
• 전소원·이지희·이종태(2019). 인공지능 서비스의 사용자 수용 의도에 관한 연구 : 대화형 AI서비스 필요성에 대한 인식에 영향을 주는 요인을 중심으로. 기술혁신학회지, 22(2), 242-264. [https://doi.org/10.35978/jktis.2019.04.22.2.242]
• 정아영·정규민·고강용·안희준(2024). 장애인(농인)을 위한 의료 수어 인식 인공지능 에이전트 설계 및 구현. 한국방송·미디어공학회 2024 추계학술발표대회 논문집(pp. 301-304). 한국방송·미디어공학회.
• 정예진·정윤아·김세하·김동회(2022). 딥러닝을 이용한 청각장애인 위험방지 및 STT 서비스의 통합 플랫폼 구현. 디지털콘텐츠학회논문지, 23(8), 1459-1467. [https://doi.org/10.9728/dcs.2022.23.8.1459]
• 조원일(2025). 장애인 교육 및 복지분야에서의 인공지능(AI) 활용 연구 동향 및 전망. 산업진흥연구, 10(2), 345-352. [https://doi.org/10.21186/IPR.2025.10.2.345]
• 차석기·정도범·서봉군(2024). 인공지능 기반 사회에서의 정보 격차 양상과 사회적 포용에 관한 미래 전망 연구. 지식경영연구, 25(3), 173-200. [https://doi.org/10.15813/kmr.2024.25.3.008]
• 최미애(2023). 장애인방송 기술 개발 현황. 방송문화, 겨울호, 1-12.
• 최준혁·김혜영(2022). 혁신격차가설 : 혁신확산이론과 지식격차가설의 이론적 통합. 광고PR실학연구, 15(2), 206-229. [https://doi.org/10.21331/jprapr.2022.15.2.008]
• 허만형(2011). 지방자치단체의 사회적 약자 지원 프로그램. 지방행정연구, 25(4), 25-52. [https://doi.org/10.22783/krila.2011.25.4.25]
• 황서이·남영자(2020). 인공지능에 대한 지식, 감정, 수용의도 관계에서 위험인식의 매개 및 조절효과 분석. 한국콘텐츠학회논문지, 20(8), 350-358. [https://doi.org/10.5392/JKCA.2020.20.08.350]
• Áfio, A. C. E., de Carvalho, A. T., Vieira de Carvalho, L., Rocha da Silva, A. S., & Pagliuca, L. M. F. (2016). Accessibility assessment of assistive technology for the hearing impaired. Revista Brasileira de Enfermagem, 69(5), 781-787. [https://doi.org/10.1590/0034-7167.2016690503]
• Al-Qaysi, N., Mohamad-Nordin, N., & Al-Emran, M. (2020). Employing the technology acceptance model in social media: A systematic review. Education and Information Technologies, 25, 4961-5002. [https://doi.org/10.1007/s10639-020-10197-1]
• Aneraye, A. V., & Palei, M. (2024). Assistive and adaptive technology for inclusion. International Journal of Social Science and Humanities Research, 12(4), 407-412. [https://doi.org/10.5281/zenodo.14557305]
• Baroni, I., Calegari, G. R., Scandolari, D., & Celino, I. (2022). AI-TAM: A model to investigate user acceptance and collaborative intention in human-in-the-loop AI applications. Human Computation, 9(1), 1-21. [https://doi.org/10.15346/hc.v9i1.134]
• Bergman, L. R., & Magnusson, D. (1997). A person-oriented approach in research on developmental psychopathology. Development and Psychopathology, 9(2), 291-319. [https://doi.org/10.1017/S095457949700206X]
• Brandt, M. J., Reyna, C., Chambers, J. R., Crawford, J. T., & Wetherell, G. (2014). The ideological-conflict hypothesis: Intolerance among both liberals and conservatives. Current Directions in Psychological Science, 23(1), 27-34. [https://doi.org/10.1177/0963721413510932]
• Chatzidamianos, G., & Fletcher, I. (2019). Wellbeing and the communication of emotions in healthcare of deaf people. In Proceedings of 7th International Conference on Emotions, Well-Being and Health.
• Clark, S. L. (2010). Mixture modeling with behavioral data. Unpublished doctoral dissertation, University of California.
• Clark, S. L., & Muthén, B. (2009). Relating latent class analysis results to variables not included in the analysis. LA: University of California.
• Csótó, M. (2021). E-government service adoption through the lens of the knowledge gap. Pro Bublico Bono, 9(1), 176-197. [https://doi.org/10.32575/ppb.2021.1.11]
• Daepp, M. I. G., & Counts, S. (2024). The emerging generative artificial intelligence divide in the United States. arXiv. [https://doi.org/10.48550/arXiv.2404.11988]
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340. [https://doi.org/10.2307/249008]
• De Meulder, M., Van Landuyt, D., & Omardeen, R. (2024). Lessons in co-creation: The inconvenient truths of inclusive sign language technology development. arXiv. [https://doi.org/10.48550/arXiv.2408.13171]
• Desai, A., De Meulder, M., Hochgesang, J. A., Kocab, A., & Lu, A. X. (2024). Systemic biases in sign language AI research: A deaf-led call to reevaluate research agendas. arXiv. [https://doi.org/10.48550/arXiv.2403.02563]
• Du, X., Zhao, X., Wu, C.-H., & Feng, K. (2022). Functionality, emotion, and acceptance of artificial intelligence virtual assistants: The moderating effect of social norms. Journal of Global Information Management, 30(7), 1-21. [https://doi.org/10.4018/JGIM.290418]
• Evain, S., Lecouteux, B., Portet, F., Esteve, I., & Fabre, M. (2020). Towards automatic captioning of university lectures for French students who are deaf. In Proceedings of the 22nd International ACM SIGACCESS Conference on Computers and Accessibility, 84. [https://doi.org/10.1145/3373625.3418010]
• García Blanco, J. M. (2016). Los problemas teóricos y metodológicos del concepto de exclusión social: Una visión neofuncionalista. Revista Internacional de Sociología, 74(2), e029. [https://doi.org/10.3989/ris.2016.74.2.029]
• Geddam, S. M., Nethravathi, N., & Hussian, A. A. (2024). Understanding AI adoption: The mediating role of attitude in user acceptance. Journal of Informatics Education and Research, 4(2), 1664-1672. [https://doi.org/10.52783/jier.v4i2.975]
• Gerlich, M. (2023). Perceptions and acceptance of artificial intelligence: A multi-dimensional study. Social Sciences, 12(9), 502. [https://doi.org/10.3390/socsci12090502]
• Ghimire, A., Prather, J., & Edwards, J. (2024). Generative AI in education: A study of educators’ awareness, sentiments, and influencing factors. arXiv. [https://doi.org/10.48550/arXiv.2403.15586]
• Hargittai, E., & Shafer, S. (2006). Differences in actual and perceived online skills: The role of gender. Social Science Quarterly, 87(2), 432-448. [https://doi.org/10.1111/j.1540-6237.2006.00389.x]
• Holden, R. J., & Karsh, B.-T. (2010). The technology acceptance model: Its past and its future in health care. Journal of Biomedical Informatics, 43(1), 159-172. [https://doi.org/10.1016/j.jbi.2009.07.002]
• Hwang, G.-J., & Chen, N.-S. (2023). Exploring the potential of generative artificial intelligence in education: Applications, challenges, and future research directions. Journal of Educational Technology & Society, 26(2), 1-18. [https://doi.org/10.30191/ETS.202304_26(2).0014]
• Jolly, A. J., Macfarlane, C. E., & Barker, B. A. (2024). Deaf/hard of hearing students' experiences with higher education's real-time captioning services. The Journal of Deaf Studies and Deaf Education, 29(3), 424-432. [https://doi.org/10.1093/jdsade/enae019]
• Kamal, S. A., Shafiq, M., & Kakria, P. (2020). Investigating acceptance of telemedicine services through an extended technology acceptance model (TAM). Technology in Society, 60, 101212. [https://doi.org/10.1016/j.techsoc.2019.101212]
• Kauttonen, J., Rousi, R., & Alamäki, A. (2025). Trust and acceptance challenges in the adoption of AI applications in health care: Quantitative survey analysis. Journal of Medical Internet Research, 27, e65567. [https://doi.org/10.2196/65567]
• Kim, M.-Y. (2024). Exploring the determinants of perceived helpfulness of generative AI Tools: Overall attitude toward AI as a mediator. International Journal of Advanced Smart Convergence, 13(4), 301-308. [https://doi.org/10.7236/IJASC.2024.13.4.301]
• Koenig, P. D. (2024). Attitudes toward artificial intelligence: Combining three theoretical perspectives on technology acceptance. AI & Society, 40, 1333-1345. [https://doi.org/10.1007/s00146-024-01987-z]
• López-Aguado, M., Gutiérrez-Provecho, L., Quintanal Díaz, J., & García Llamas, J. L. (2022). Social exclusion and the digital divide. Journal of e-Learning and Knowledge Society, 18(3), 74-82. [https://doi.org/10.20368/1971-8829/1135660]
• Mwangi, E. W. (2024). Importance of artificial intelligence and advanced hearing technology on people living with hearing impairment. SAERA - School of Advanced Education, Research and Accreditation.
• Nam, S., Fels, D. I., & Chignell, M. H. (2020). Modeling closed captioning subjective quality assessment by deaf and hard of hearing viewers. IEEE Transactions on Computational Social Systems, 7(3), 621-631. [https://doi.org/10.1109/TCSS.2020.2972399]
• Nja, C. O., Idiege, K. I., Uwe, U. E., Meremikwu, A. N., Ekon, E. E., Erim, C. M. Ukah, J. U., Eyo, E. O., Anari, M. I., & Cornelius-Ukpepi, B. U. (2024). Adoption of artificial intelligence in science teaching: From the vantage point of the African science teachers. Smart Learning Environments, 10, 42. [https://doi.org/10.1186/s40561-023-00261-x]
• Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Structural Equation Modeling, 14(4), 535-569. [https://doi.org/10.1080/10705510701575396]
• OECD. (2025). Introducing the OECD AI Capability Indicators. Paris: OECD Publishing. [https://doi.org/10.1787/be745f04-en]
• Papastratis, I., Chatzikonstantinou, C., Konstantinidis, D., Dimitropoulos, K., & Daras, P. (2021). Artificial intelligence technologies for sign language. Sensors, 21(17), 5843. [https://doi.org/10.3390/s21175843]
• Park, S., & Humphry, J. (2019). Exclusion by design: Intersections of social, digital and data exclusion. Information, Communication & Society, 22(7), 934-953. [https://doi.org/10.1080/1369118X.2019.1606266]
• Pascual, A., Ribera, M., & Granollers, T. (2014). Impact of web accessibility barriers on users with hearing impairment. DYNA, 82(193), 233-240. [https://doi.org/10.15446/dyna.v82n193.53499]
• Pascual, U., Balvanera, P., Anderson, C. B., Chaplin-Kramer, R., Christie, M., González-Jiménez, D., Martin, A., Raymond, C. M., Termansen, M., Vatn, A., Athayde, S., Baptiste, B., Barton, D. N., Jacobs, S., Kelemen, E., Kumar, R., Lazos, E., Mwampamba, T. H., Nakangu, B., . . . Zent, E. (2023). Diverse values of nature for sustainability. Nature, 620(7975), 813-823. [https://doi.org/10.1038/s41586-023-06406-9]
• Rafique, H., Almagrabi, A. O., Shamim, A., Anwar, F., & Bashir, A. K. (2020). Investigating the acceptance of mobile library applications with an extended technology acceptance model (TAM). Computers & Education, 145, 103732. [https://doi.org/10.1016/j.compedu.2019.103732]
• Rane, N., Choudhary, S. P., & Rane, J. (2024). Acceptance of artificial intelligence: Key factors, challenges, and implementation strategies. Journal of Applied Artificial Intelligence, 5(2), 50-70. [https://doi.org/10.48185/jaai.v5i2.1017]
• Rodríguez-Correa, P. A., Valencia-Arias, A., Patiño-Toro, O. N., Oblitas Díaz, Y., & Teodori De la Puente, R. (2023). Benefits and development of assistive technologies for Deaf people’s communication: A systematic review. Frontiers in Education, 8, 1121597. [https://doi.org/10.3389/feduc.2023.1121597]
• Rosli, M. S., Saleh, N. S., Md. Ali, A., & Abu Bakar, S. (2022). Self-determination theory and online learning in university: Advancements, future direction and research gaps. Sustainability, 14(21), 14655. [https://doi.org/10.3390/su142114655]
• Sagnier, C., Loup-Escande, E., Lourdeaux, D., Thouvenin, I., & Valléry, G. (2020). User acceptance of virtual reality: An extended technology acceptance model. International Journal of Human-Computer Interaction, 36(11), 993-1007. [https://doi.org/10.1080/10447318.2019.1708612]
• Schejter, A., Harush, B., Rivka, O., & Tirosh, N. (2015). Re-theorizing the “digital divide”: Identifying dimensions of social exclusion in contemporary media technologies. In Proceedings of FACE Conference: European Media Policy 2015: New Contexts, New Approaches.
• Schejter, A. M., Winseck, D., & Qiu, J. L. (2016). The practice of digital participation: The role of digital exclusion in social exclusion. In Digital participation report(pp. 9-29). Dunfermline: CarnegieUK Trust.
• Seol, H. (2025). snowRMM: Rasch Mixture, LCA, and Test Equating Analysis(Ver. 5.9.0).
• Therasa, M. M. (2023). Adapting assistive technology to diverse learning needs in inclusive education. Shanlax: International Journal of Arts, Science and Humanities, 11(S1), 63-70. [https://doi.org/10.34293/sijash.v11iS1-Nov.6868]
• Tiku, K., Maloo, J., & Ramesh, A. (2020). Real-time conversion of sign language to text and speech. In 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA)(pp. 346-351). IEEE. [https://doi.org/10.1109/ICIRCA48905.2020.9182877]
• UNESCO. (2021). AI and education: Guidance for policy-makers. UNESCO Publishing. [https://doi.org/10.54675/PCSP7350]
• van Dijk, J., & Hacker, K. (2003). The digital divide as a complex and dynamic phenomenon. The Information Society, 19(4), 315-326. [https://doi.org/10.1080/01972240309487]
• Van Dijk, J. A. G. M. (2017). Digital divide: Impact of access. In P. Rössler(Ed.), The international encyclopedia of media effects(pp. 1-11). Wiley. [https://doi.org/10.1002/9781118783764.wbieme0043]
• Wald, M. (2021). AI data-driven personalisation and disability inclusion. Frontiers in Artificial Intelligence, 3, 571955. [https://doi.org/10.3389/frai.2020.571955]
• Wei, L., & Hindman, D. B. (2011). Does the digital divide matter more? Comparing the effects of new media and old media use on the education-based knowledge gap. Mass Communication and Society, 14(2), 216-235. [https://doi.org/10.1080/15205431003642707]
• White, J. J. G. (2021). Artificial intelligence and people with disabilities: A reflection on human-AI partnerships. In F. Chen, & J. Zhou(Eds.), Humanity driven AI(pp. 279-310). Springer. [https://doi.org/10.1007/978-3-030-72188-6_14]
• Zárate, S. (2021). Captioning and subtitling for d/Deaf and hard of hearing audiences. London: UCL Press. [https://doi.org/10.14324/111.9781787357105]
• Zhang, S., Meng, Z., Chen, B., Yang, X., & Zhao, X. (2021). Motivation, social emotion, and the acceptance of artificial intelligence virtual assistants—Trust-based mediating effects. Frontiers in Psychology, 12, 728495. [https://doi.org/10.3389/fpsyg.2021.728495]
• Zhuang, K. V., & Goggin, G. (2024). New possibilities or problems for disability and inclusion? The case of AI and ADMs across work. Telematics and Informatics, 92, 102156. [https://doi.org/10.1016/j.tele.2024.102156]