AI 편향성 인지를 위한 다감각 공간 미디어 시스템 아키텍처: 성찰적 UX 기반 인터랙션 설계

본 연구에서 제안하는 <프리즘 AI(Prism AI)>는 추상적이고 가시화되지 않는 AI 알고리즘 내부의 블랙박스 영역(편향성, 유해성, 불확실성)을 통과하는 정보의 왜곡을 물리적 공간의 다감각 자극으로 분광(Spectral Decomposition)하여 노출하는 실감형 성찰적 공간 미디어 시스템(Immersive Reflective Spatial Media System) 프레임워크다. 백색광이 투명한 프리즘을 통과할 때 그 내부에 숨겨진 무지개색의 스펙트럼이 굴절되어 시각화되듯, <프리즘 AI>는 사용자가 마주하는 매끄럽고 완벽해 보이는 AI의 답변 뒤에 은닉된 데이터의 왜곡과 불안정성을 공간의 다감각적 마찰(Sensory Friction)로 분절하여 사용자에게 전달을 시도하는 설계 프레임워크다.

본 시스템 아키텍처는 웹 기반의 ‘온라인 디지털 인터페이스’와 사용자가 위치한 ‘오프라인 실감형 공간 아티팩트(키네틱 구조물 및 입체 음향 시스템)’를 실시간 데이터 스트림으로 상호 동기화하는 소프트웨어 파이프라인을 기반으로 논리적으로 구동된다. AI가 편향되지 않고 객관적이며 신뢰도 높은 정량적 답변을 출력할 때 공간은 완벽하게 매끄러운(Seamless) 상태를 유지하도록 제어된다. 오프라인 공간의 키네틱 아티팩트는 수평을 유지하며 정지해 있고, 광원은 안정적인 색온도를 제공하며, 입체 음향 시스템에서는 화성적(Harmonic) 앰비언트 사운드가 흐른다. 그러나 AI 내부 알고리즘에서 편향이나 유해성이 감지되는 즉시, 완벽하던 공간의 균형이 깨지며 구조물이 비정상적인 가속도로 덜컥거리며 기울어지고, 조명은 신경질적으로 떨리기 시작하며, 공간 전체를 감싸는 오디오 레이어에서는 불쾌한 청각적 불협화음이 실시간으로 합성되어 피드백되는 조건 기반(Conditional) 인터랙션 메커니즘을 지닌다.

<프리즘 AI>는 감상이나 정서적 환기만을 목적으로 하는 순수 인터랙티브 설치 미술(Installation Art)에 국한되지 않는다. 본 시스템은 미디어 연출 및 다감각 피드백 기법을 공학적 제어 도구로 차용하여 기술의 윤리적 한계를 신체로 인지하게 만드는 ‘공간형 비판적 인터페이스(Spatial Critical Interface)’이자 ‘설계 지향적 실감 미디어 시스템(Design-oriented Immersive Media System)’으로 정의된다.

기존 스크린 기반의 2D 인터페이스가 제공하는 텍스트 경고 방식은 사용자의 고질적인 ‘경고 피로(Alert Fatigue)’를 유발하여 기술 맹신을 막지 못한다는 한계를 지닌다. 이에 본 시스템은 대규모 언어 모델(LLM)이 내부적으로 출력하는 추상적인 알고리즘적 한계 수치(편향도, 유해성, 모델 불확실성 엔트로피 등)를 공간의 역학적·음향적 파라미터로 치환하는 ‘데이터 물리화(Data Physicalization)’ 메커니즘을 채택하였다. 이는 인간의 다감각 체계(Multimodal Sensory System)에 직관적인 마찰을 가함으로써 시스템에 대한 관성적 수용을 일시 정지시키는 ‘인지적 제동(Cognitive Braking)’을 걸어주며, 동일 공간 내 복수 사용자들의 동시적 인지 각성을 유도하여 AI의 편향성을 공동으로 상호 검증하도록 돕는 공학적 가치를 수행한다.

본 시스템 프레임워크는 소프트웨어 파이프라인과 제어 수식을 바탕으로 설계되었기에, 향후 스마트 가상 융합 공간 및 지능형 가전, 복합 미디어 인프라와 결합하여 다음과 같은 세 가지 실제 도메인에 시스템 참조 모델로 적용 및 확장될 수 있다.

• 1) 고위험 의사결정 지원 시스템(AI in High-stakes Decision Making Environments): 의료 진단 컨퍼런스룸, 법률 자문 챗봇 기반의 변호인 회의실, 금융 투자 알고리즘 자문실 등에 적용 가능하다. 전문가가 AI의 추천 판단을 바탕으로 최종 결정을 내릴 때, 데이터 왜곡(Bias)이 감지되면 공간 전체가 미세하게 덜컥거리거나 조명이 차가운 한색 계열로 동기화되어 자동화 편향에 빠지지 않고 한 번 더 인간적 검증을 거치도록 유도하는 ‘안전 브레이크’로 기능한다.
• 2) 알고리즘 투명성 확보를 위한 에듀테크 공간(AI Literacy Educational Platforms): 청소년 및 시민 대상의 AI 윤리 체험관, 데이터 리터러시 교육 전문 스페이스에 적용할 수 있다. 학습자들은 특정 성별이나 인종에 편향된 데이터가 입력되었을 때 공간의 균형(샹들리에)이 무너지는 과정을 신체적으로 경험하며 AI의 중립성 환상을 직관적으로 탈피하게 된다.
• 3) 뉴스 및 소셜 미디어의 필터 버블(Filter Bubble) 완화 공간: 스마트홈의 거실, 미래형 디지털 도서관의 뉴스 큐레이션 라운지 등에 적용 가능하다. 사용자가 자신의 기존 취향과 성향에만 매몰된 확증 편향적 미디어 정보를 지속해서 소비할 때, 앰비언트 오디오 레이어에서 점진적으로 청각적 불협화음 지수를 높이고 의도적인 인지적 제동 인터랙션을 제공하여 편향된 정보 소비 습관을 시청각적으로 교정하도록 돕는다.

사용자가 웹 또는 모바일 기반의 온라인 인터랙티브 성찰 인터페이스 레이어를 통해 AI 에이전트에게 질의를 전송하면, 백엔드 프레임워크는 답변 생성 프로세스와 동시에 출력되는 텍스트 데이터 스트림을 실시간으로 가로채어(Intercept) 분석한다. 본 단계의 핵심은 보이지 않는 AI 알고리즘의 블랙박스적 속성을 정량적 데이터로 변환하고 시각적·공간적 인터랙션의 단초를 제공하는 데 있다. 본 하이브리드 프레임워크의 핵심 소프트웨어 축인 온라인 플랫폼 <불완전한 아카이브>는 생성형 AI 인터페이스의 구조적 레이어와 성찰 지원 인터페이스에 관한 선행 논의를 참조하여^[13][14], 멀티 페르소나 대화 모듈, 집단 실패 데이터베이스 및 알고리즘 해부 대시보드의 세 하위 레이어로 구성하였다. 첫째, 편향성을 다차원 수치화하여 시각적으로 하이라이팅하는 ‘멀티 페르소나 대화 모듈’, 둘째, 사용자가 기술적 오류 경험을 익명으로 기록하고 탐색할 수 있는 웹 저장소인 ‘집단 실패 데이터베이스(Web DB)’, 셋째, 인공지능의 오류 사례와 데이터 왜곡의 인과관계를 그래픽 매트릭스로 시각화하는 ‘알고리즘 해부 대시보드’가 이에 해당한다^[14]. 이 하위 레이어들을 거쳐 추출된 데이터 스트림은 백엔드 평가 알고리즘을 통해 AI의 내재적 한계 지표인 편향도(B, Bias Score), 유해성(T, Toxicity Score), 모델 불확실성(E, Entropy)으로 실시간 스코어링된다. 본 참조 아키텍처에서 편향도(B)는 SAGED에서 제안한 편향 벤치마킹 및 격차 지표 산출 관점을 참조하여, 특정 인구통계학적 속성과 연관된 AI 출력의 편향 신호를 정량화하는 지표로 설계하였다^[15]. 유해성(T)은 Perspective API가 반환하는 텍스트 유해성 점수를 활용하여 산출한다^[16]. 모델 불확실성(E)은 토큰별 확률값 또는 logprob 접근이 가능한 언어 모델을 전제로, 다음 토큰 확률분포의 정보 엔트로피를 기반으로 산출한다^[17]. 여기서 B와 T는 LLM이 사회적으로 유발하는 공정성(Fairness) 및 안전성(Safety) 리스크, 그리고 특정 집단에 불이익을 주는 ‘할당적 위해(Allocational Harms)’를 평가하기 위해 학계에서 통용되는 핵심 표준 지표이며^[17], E는 심층 신경망의 추론 과정에서 불확실성(Uncertainty)을 정량화하고 시스템의 통계적 신뢰도를 판단하여 환각 리스크를 추적하기 위한 핵심적인 공학적 선택적 분류(Selective Classification) 척도이다^[18]. 추출된 지표들은 연산의 표준화를 위해 0.0 ≤ B,T,E ≤ 1.0 범위의 실수 값으로 정규화(Normalization)되어 연산부로 전달된다. 본 초기 아키텍처 상에서 다감각 마찰을 유발하는 시스템 내부의 트리거 임계값(Threshold)은 자연어 처리 필터링 시스템의 고위험 위해 분류 기준을 참고하여 가설적 레이어로 설계되었으며, 향후 후속 실증 실험을 통해 인간이 환경 변화를 ‘이상 징후’로 인지하는 최적의 신경학적 임계 범위를 도출하여 파라미터를 고도화할 예정이다.

연산부는 입력부에서 도출된 세 가지 정량적 윤리 지표(B,T,E)를 오프라인 공간의 물리적 자극으로 치환하기 위한 핵심 매핑 연산을 수행하는 제어 허브다. 제안하는 프레임워크 내에 수립된 개별 데이터-감각 매핑 함수 f(B), g(T), h(E)에 정규화된 지표들을 대입하여, 공간 내 하드웨어가 직관적인 인지적 마찰을 일으킬 수 있는 변조 신호 파라미터를 연역적으로 계산한다. 물리 역학 파라미터는 편향도(B) 수치를 키네틱 구조물의 거동 변화율인 가속도의 변화율(Jerk) 값으로 치환하는 모터 제어 신호를 도출한다. 음향 합성 파라미터는 유해성(T) 수치를 기반으로 중심 주파수를 변조(FM)하여 증4도 음정과 맥놀이 주파수 대역을 생성하는 오디오 합성 파라미터를 계산한다. 조명 제어 신호는 불확실성 엔트로피(E) 수치를 스마트 조명의 미세 떨림 주파수(Hz) 및 색온도(K) 변조 데이터로 전환한다.

최종 출력부는 연산부에서 생성된 실시간 변조 제어 신호를 네트워크 API 연동 가이드를 통해 오프라인 공간의 하드웨어 인프라로 송신하여 다감각 마찰(Sensory Friction)을 공간상에 분광 기술 매핑하는 역할을 수행한다. 계산된 물리 역학 신호는 가상 공간 아티팩트 및 향후 구축될 실제 키네틱 구조물의 서보 모터 드라이버로 전송되어 구조물의 수평을 파괴하는 비정형적 진동(Jerk)을 유발하도록 명세되었다. 음향 신호는 공간 음향 신호처리(DSP) 엔진의 제어 파라미터와 동기화되어 다채널 스피커를 통해 사용자를 청각적으로 압도하는 불협화음 앰비언트 노이즈로 렌더링된다. 조명 신호는 DMX-512 프로토콜 변환기를 통해 메인 광원의 스마트 라이팅 시스템과 동기화되어, 신경질적인 라이트 플리커링과 차가운 색온도 변화를 공간 전체에 투사하는 구조를 지닌다. 결과적으로 이 아키텍처 파이프라인은 사용자가 온라인 웹 인터페이스를 통해 AI와 소통하는 행위(웹 데이터)를 오프라인 물리 공간 전체가 실시간으로 대변하고 전환되도록 설계한 하이브리드 연계 참조 시스템의 논리적 뼈대를 완성한다.

LLM이 출력하는 답변 내에 잠재된 알고리즘의 편향성과 불완전성을 다차원 수치화하여 사용자 인터페이스(UI) 상에 시각적으로 구조화하는 인터랙션 레이어다. 사용자가 단일 답변이 가진 기술적 중립성 환상에서 벗어나 알고리즘의 주관성을 직관적으로 비교·판단할 수 있도록 유도하기 위해, 편견을 학습한 복수의 AI 에이전트(안면인식, 채용담당, 소셜미디어 AI 등) 풀을 아키텍처 내에 동적 매핑(Dynamic Mapping)한다.

본 모듈의 인터페이스 [그림 2]는 백엔드 분석 엔진이 가로챈 텍스트 스트림의 실시간 데이터 지표가 프론트엔드 뷰 컴포넌트와 동기화되는 인터랙션 흐름을 명세한다. 실시간 편향도 함수 B(t)가 시스템 내부 임계치를 초과하는 즉시 텍스트 세그먼트를 하이라이트 레이어로 강제 격리하는 ‘시각적 이음새(Visual Seam)’를 표출하며, 동시에 코퍼스 가중치 변수에 비례하여 벡터 타이포그래피의 스케일을 동적으로 변조함으로써 텍스트의 편향 신호와 관련 가중치를 시각적으로 구분해 제시한다. 이는 오프라인 공간 자극 이전에 사용자가 출력 내용을 재검토할 수 있도록 지원하는 인터페이스 설계안으로 기능한다.

Fig. 2.

High-Fidelity Figma Design of Multi-Persona Dialogue Module

사용자가 AI 에이전트와 상호작용하는 과정에서 목격한 기술적 오류, 왜곡, 혹은 편향성 경험을 익명으로 기록하고 공유할 수 있는 웹 기반의 집단적 저장소(Web DB)다. 이는 개인의 파편화된 기술적 마찰 경험을 사회적 자산으로 아카이빙하여, 사용자들이 공동으로 알고리즘의 불완전성을 탐색하고 상호 검증할 수 있는 연대적 공간으로 기능한다.

본 데이터베이스 [그림 3]은 축적된 기술적 한계 로그를 비동기적으로 파싱하여 사용자의 브라우징 이벤트에 따라 실시간 매핑하는 데이터 연동 구조를 명세한다. 상세 인터페이스는 시스템 배포자의 선한 의도와 실제 알고리즘의 위해 간의 사회적·기술적 모순 결함을 질적 내러티브 뷰로 시각화한다. 특히, 오프라인 스마트 공간에서 일시적 다감각 마찰(Jerk 충격 및 오디오 불협화음)을 일으킨 제어 유닛의 고유 외래키(Foreign Key)와 온라인 플랫폼을 실시간 1:1 관계로 연결함으로써, 공간 자극 기록과 온라인 실패 로그를 연결하여, 사용자가 관련 사례를 탐색·검토할 수 있는 하이브리드 성찰 루프의 설계안을 제시한다.

Fig. 3.

Information Architecture and Data-Interlocking Blueprint of Collective Failure Database via Figma

데이터 저널리즘의 인포그래픽 형식을 차용하여, 거대 언어 모델 및 컴퓨터 비전 알고리즘의 한계 사례와 학습 데이터 왜곡 간의 인과관계를 그래픽 매트릭스로 분해하여 제시하는 시각화 레이어다. 입력 데이터의 가중치 편향이 최종 판단으로 발현되기까지의 블랙박스 연산 과정을 매트릭스 타임라인으로 명세함으로써 사용자의 분석적 비판 체계를 지원한다.

본 대시보드의 제어 규격 [그림 4]는 프롬프트 입력값의 유해성 가중치 T(t)와 모델 내부의 불확실성 엔트로피 E(t) 간의 상관관계를 기반으로 데이터 내부의 편향 요소를 역추적(Trace)하는 시각화 파이프라인이다. 백엔드로부터 전달되는 신뢰도 오차 범위를 기반으로 실패율 분석 매트릭스의 적색 및 녹색 스펙트럼 밀도를 동적 변조하여 시스템의 불안정성을 직관적으로 표출한다. 동시에 마찰을 경험한 개별 사용자의 정성적 내러티브 토큰 로그와 인공지능이 왜곡을 일으킨 핵심 원인 인자(피부톤 편향, 차폐 영역 오류 등)를 그래픽 층으로 격리하여 병렬 투사함으로써, 일반 사용자가 오류 사례와 관련 데이터 신호를 탐색할 수 있도록 구성한 인터페이스 설계안을 제시한다.

Fig. 4.

Component Layout and Control Specification Blueprint of Algorithmic Anatomy Dashboard via Figma

물리적 공간의 키네틱 샹들리에는 AI 편향 신호를 가시적 운동 변화로 전환하는 공간 아티팩트로 설계되었다. 샹들리에의 기본 기울기 각도를 θ(t)라 할 때, 본 연구는 편향도에 따른 단순 기울기 변화보다 시간에 따른 가속도 변화율인 Jerk, J(t)를 제어 파라미터로 사용한다. 이는 실시간으로 변동하는 편향도 B(t)를 비선형적 운동 변화로 매핑하기 위한 설계 선택이다.

여기서 α는 운동 변화의 증폭 가중치, γ는 감쇠 계수, ω는 진동 주파수를 의미한다. 편향도 B(t)가 설정된 임계값을 초과하면, 시스템은 식 (1)에 따라 Jerk 기반의 모터 제어 신호를 산출하며, 이를 통해 구조물의 비정형적 운동 변화를 출력하도록 설계된다. 이 함수는 AI의 편향 신호를 공간적 감각 마찰로 변환하기 위한 초기 참조 모델이며, 실제 구현 시에는 구조물 안전 한계, 사용자 감각 민감도 및 모터 응답 특성을 고려하여 각 파라미터의 범위를 조정해야 한다.

청각 레이어는 텍스트 출력에서 산출된 유해성 지표 T(t)를 공간 음향의 불협화음으로 변환한다. 본 연구는 기본 중심 주파수 F_c를 기준으로 증4도(Augmented Fourth) 음정 관계와 맥놀이(Beats) 현상을 활용하여, 유해성 수준에 따라 변조되는 음향 제어 함수 g(T)를 구성하였다. 합성 주파수 F₁(t) 및 F₂(t)는 다음과 같이 정의한다.

여기서 A는 주파수 변조 폭을 조절하는 상수이며, Δf_max는 시스템이 허용하는 최대 맥놀이 간섭 주파수 편차를 의미한다. T(t)가 증가할수록 F₂(t)는 F₁(t)에 대해 증4도 주파수 비인 $$ \sqrt{2}$$에 가까워지고, 맥놀이 주파수 역시 T(t)Δf_max에 비례하여 변조된다. 이에 따라 본 함수는 유해성 지표의 변화를 청각적 불협화음과 시간적 변조로 전환하기 위한 초기 참조 모델로 사용된다. 실제 구현에서는 청취 환경, 음압 수준 및 사용자 감각 민감도를 고려하여 주파수 범위와 변조 강도를 조정해야 한다^[19].

AI 모델의 불확실성 엔트로피 E(t)는 공간 조명 레이어의 시간적·색채적 변조 신호로 전환된다. 본 연구는 불확실성이 증가할수록 광원의 시간적 변조와 색온도 변화를 증가시키는 방식으로, AI 출력의 불확실성을 공간적 시각 신호로 표현하고자 하였다. 이를 위해 플리커링 주파수 F_flicker (t)와 색온도 K_temp (t)를 다음과 같이 정의한다.

여기서 F_max는 안정 상태에서 적용되는 플리커링 주파수, F_min은 불확실성 증가 시 적용되는 최소 변조 주파수이며, K_stable과 K_c는 각각 기본 색온도와 변화 색온도를 의미한다. E(t) = 0일 때 조명은 F_max와 K_stable을 유지하며, E(t)가 증가할수록 플리커링 주파수는 F_min에 가까워지고 색온도는 K_c 방향으로 변화한다. 제곱 및 세제곱 스케일링은 불확실성 증가에 따른 시각적 변화의 민감도를 조절하기 위한 비선형 매핑 방식으로 적용하였다.

본 함수는 모델 불확실성의 변화를 조명 제어 신호로 전환하기 위한 초기 참조 모델이다. 실제 공간 구현 시에는 광과민성 및 시각 피로 위험을 고려하여 광출력, 변조 주파수, 노출 시간 및 색온도 범위를 안전 기준에 맞게 제한해야 하며, 사용자 중단 기능과 대체 피드백 방식도 함께 마련할 필요가 있다^[20][21].

온라인 레이어(SW Layer): 사용자가 인터페이스의 입력 창을 통해 일상적인 이미지 및 텍스트 질의를 입력하면, 백엔드 분석 엔진의 실시간 가중치 스코어링 함수가 안정적인 상태(B(t),T(t),E(t)→0.0)를 유지한다. 이에 따라 AI 에이전트는 지연 시간(Latency) 없이 관련 답변 및 매칭 결과를 매끄럽게(Seamless) 출력한다. 오프라인 레이어(HW Layer)인 공간 인프라는 구조물의 정지, 안정적 조명 및 조화로운 배경 음향으로 구성된 기준 상태를 유지하도록 제어된다. 수식 (1)의 제어 각도 θ가 0을 유지함에 따라 천장의 키네틱 구조물은 수평 상태로 정지해 있으며, 메인 광원은 수식 (3)의 안정 색온도(K_stable)를 출력한다. 오디오 레이어 역시 수식 (2)의 미세 주파수 변조 폭이 통제되어 평온한 화성적(Harmonic) 백그라운드 사운드(F₁(t) = F₂(t) = F_c)를 송출한다.

임계값을 초과한 편향도·유해성 신호는 온라인 및 오프라인 레이어의 연동을 위한 제어 입력으로 전달된다. 온라인 레이어는 의도적 출력 지연과 오류 내러티브, 오차 확률 히트맵을 통해 시각적 이음새(Visual Seam)를 제시한다. 동시에 오프라인 레이어는 수식 (1)~(3)에 따라 키네틱 구조물의 Jerk, 증4도 기반 음향 불협화음 및 조명 변조 신호를 출력하여 온라인 정보와 공간적 감각 변화를 동기화한다.

이와 같이 Ⅲ장에서 설계한 데이터-감각 매핑 함수가 가상 시나리오에서 작동할 때, 편향도·유해성·불확실성 등 AI 출력의 한계 지표와 사용자 해석 간의 관계는 다음의 5단계 가설적 인지 전이 경로로 설명할 수 있다. 본 경로는 다감각 자극이 성찰을 직접적·결정론적으로 유발한다는 사실을 입증하는 것이 아니라, 데이터 처리, 감각 출력 및 사용자 해석 간의 설계 논리를 구조화한 분석적 모델이다.

• · 1단계 [백엔드 한계 지표 감지]: 편향도 B(t 혹은 유해성 T(t가 트리거 임계값(τ = 0.7)을 초과하면, 시스템은 해당 출력 구간을 잠재적 편향·유해성 신호로 분류한다.
• · 2단계 [다감각 제어 신호 변환]: 임계값 초과 신호는 Ⅲ장의 제어 방정식에 따라 키네틱 구조물의 저크(Jerk), 증4도 기반 음향 불협화음, 광학적 변조 등 다감각 제어 파라미터로 변환된다.
• · 3단계 [감각적 이질성 자각]: 사용자는 구조물의 운동 변화, 조명 변조 및 맥놀이 음향을 통해 기존의 매끄러운 인터랙션과 구별되는 감각적 마찰을 지각할 수 있다.
• · 4단계 [인지적 제동 가능성]: 감각적 마찰은 AI 출력에 대한 관성적 수용을 일시적으로 멈추고, 결과의 신뢰성과 판단 근거를 재검토하도록 유도할 가능성이 있다.
• · 5단계 [분석적 검토 및 성찰]: 사용자는 오류 로그와 지표를 추가로 탐색하며 AI의 한계와 원인을 비판적으로 검토할 수 있고, 이는 성찰적 UX를 지원하는 조건으로 해석될 수 있다.

사용자는 모니터 스크린 내 대시보드 우측 매트릭스([Component 03]) 상에서 자신의 오류 원인이 ‘1. 피부톤 편향’ 레이블 컴포넌트와 유기적으로 엮여 들어가는 가이드라인(온라인 마찰)을 목격함과 동시에, 자신이 점유하고 있는 오프라인 실감 공간의 물리학적 균형이 파괴되는 신체적 불협화음(오프라인 마찰)을 입체적으로 직면한다. 10초간 지속되는 다감각 마찰 동안 스크린의 구조 해부 인터랙션과 스마트 공간의 환경적 변화가 결합된다. 이러한 입체적 감각 마찰은 사용자의 자동적·관성적 수용 흐름에 일시적인 중단을 제공하고, AI 출력의 신뢰성 및 판단 근거를 재검토하도록 지원하는 인지적 제동의 계기로 작용할 가능성이 있다. 사용자는 온라인 대시보드에 제시된 오류 원인, 오차 확률 매트릭스 및 관련 로그를 추가로 탐색하면서, “공간의 변화는 어떤 데이터 신호와 연결되는가?”, “오차 매트릭스는 어떤 한계를 보여주는가?”와 같은 질문을 형성할 수 있다. 따라서 본 장면은 다감각적 마찰과 정보 탐색 인터페이스의 결합이 분석적 검토와 성찰적 UX를 지원할 수 있다는 설계 가설을 시연하는 시나리오로 해석된다^[23].

본 연구의 사용자 평가는 조건 A·B에 대한 참여자의 회상과 조건 C의 비디오 자극을 비교하는 방식으로 이루어졌다. 따라서 관찰된 평균 차이가 다감각 마찰 자체에 기인한 것인지, 또는 비디오 매체의 생생함과 몰입감의 차이에서 비롯된 것인지를 엄밀히 분리하기 어렵다. 또한 비디오 기반 평가는 실제 공간에서 발생하는 신체화된 감각 경험을 대리하는 방식이므로, 인지적 제동이나 비판적 검토 행동을 직접적으로 검증하는 데 한계를 갖는다.

후속 연구에서는 조건 A·B·C를 동일한 형식의 고충실도 비디오 아티팩트로 제작하여 자극 제시 형식을 통제할 필요가 있다. 나아가 실제 오프라인 공간 프로토타입을 구현한 뒤, 동일 공간에서 키네틱·음향·조명 자극을 소프트웨어적으로 On/Off하는 통제 실험을 수행함으로써 공간적 다감각 마찰의 독립적 효과를 보다 엄밀히 검토해야 한다.

조건별 평균 점수 차이(Δ=+0.12~+0.17)는 관찰되었으나, 소규모 탐색 평가의 특성상 통계적 유의성 및 일반화 가능한 인과관계를 검증하지 않았다. 따라서 본 연구의 데이터-감각 매핑 수식은 인간의 비판적 인지 전이를 독립적으로 보장하는 모델이 아니라, AI 출력의 편향도·유해성·불확실성을 감각적 신호로 전환하기 위한 초기 설계 가이드라인으로 해석할 필요가 있다. 실제 적용 단계에서는 인지 과부하와 업무 방해 가능성을 고려해야 한다. 후속 연구에서는 사용자별 감각 민감도와 과업 맥락을 반영하여 동적 강도 조절, 개인화된 임계값, 맥락 인식형 활성화 방식을 검토하고, 실제 공간 기반 통제 실험과 표본 확장을 통해 설계 파라미터를 최적화할 필요가 있다.