[ Article ]

Journal of Digital Contents Society - Vol. 26, No. 10, pp.2791-2802

ISSN: 1598-2009 (Print) 2287-738X (Online)

Print publication date 31 Oct 2025

Received 05 Aug 2025 Revised 02 Sep 2025 Accepted 02 Sep 2025

DOI: https://doi.org/10.9728/dcs.2025.26.10.2791

생성형 인공지능에 대한 감정적 반응과 공감, 개인화된 추천서비스 만족 및 지속사용의도의 관계: 공감의 조절효과를 중심으로

문수지^*

대진대학교 문예콘텐츠창작학과 교수

The Relationship Between Emotional Responses, Empathy to Generative AI, Satisfaction with Personalized Recommendation Services, and Continued Usage Intention: A Focus on the Moderating Role of Empathy

Su-Ji Moon^*

Professor, Department of Creative Writing and Content Creation, Daejin University, Gyeonggi-do 11159, Korea

Correspondence to: ^*Su-Ji Moon Tel: +82-31-539-2234 E-mail: moonsuji@daejin.ac.kr

Copyright ⓒ 2025 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

초록

본 연구는 생성형 인공지능에 대한 사용자의 감정적 반응과 공감, 그리고 개인화된 추천서비스 만족 및 지속사용의도의 관계를 살펴보았다. 연구가설을 중심으로 도출된 결과를 요약하면, 사용자의 생성형 인공지능에 대한 감정적 반응의 경우에 긍정적 감정은 공감과 개인화된 추천서비스 만족도에 정(+)의 영향을 미쳤으며, 부정적 감정은 공감과 개인화된 추천서비스 만족도에 부(-)의 영향을 미친 것으로 나타났다. 또한 사용자의 생성형 인공지능에 대한 공감은 개인화된 추천서비스 만족도와 지속사용의도에 정(+)의 영향을 미쳤으며, 사용자의 생성형 인공지능 기반 개인화된 추천서비스 만족도는 지속사용의도에 정(+)의 영향을 미치는 것으로 나타났다. 반면, 사용자의 생성형 인공지능에 대한 감정적 반응과 개인화된 추천서비스 만족도 간에 있어서 공감의 조절효과는 나타나지 않았다.

Abstract

This study examined the relationships between users' emotional responses, empathy to generative artificial intelligence (AI), satisfaction with personalized recommendation services, and continued usage intention. Results derived from the research hypotheses revealed that positive emotions toward generative AI had a positive influence on both empathy and satisfaction with personalized recommendation services, while negative emotion had a negative influence on both empathy and satisfaction with personalized recommendation services. Additionally, users' empathy toward generative AI had a positive influence on both satisfaction with personalized recommendation services and continued usage intention, and users' satisfaction with generative AI-based personalized recommendation services had a positive influence on continued usage intention. In contrast, empathy was not found to have a moderating effect on users' emotional responses to generative AI and satisfaction with personalized recommendation services.

Keywords:

Generative AI, Emotional Responses, Empathy, Satisfaction, Continued Usage Intention

키워드:

생성형 인공지능, 감정적 반응, 공감, 개인화된 추천서비스 만족, 지속사용의도

Ⅰ. 서 론

인공지능 기술을 통해 사용자와 인공지능 간 상호작용이 고도화되고, 빅 데이터를 기반으로 지능형 서비스 제공이 가능해지면서 인공지능 기반 개인화된 추천서비스 시장이 빠르게 성장하고 있다. 이는 생성형 인공지능이 가지는 방대한 양의 데이터 읽기와 이해, 그리고 데이터를 구별하고 분류해 낼 수 있는 정보처리 및 필터링 능력을 통해 고객의 의사결정에 도움을 주고, 고객 중심의 최적화된 서비스 제공이 가능하기 때문이다.

인공지능 기반 개인화된 추천서비스는 인공지능 기술을 기반으로 데이터 분석을 통해 고객의 취향과 행동에 맞춘 서비스나 콘텐츠를 추천하는 서비스로[1], 쇼핑이나 비디오나 영상, 음악, 건강 등 광범위하게 활용되고 있다. 그중에서 영상이나 음악 스트리밍이 주요한 시장으로 부상하고 있는데[2], Business Research Insights[3]에 따르면, 인공지능 기반 지능형 추천 알고리즘 시장은 2025년 3,977억 달러로 증가할 것으로 예상되며, 2033년까지 445.51억 달러를 넘어 연평균 성장률이 39%에 이를 것으로 전망된다.

이러한 개인화된 추천서비스는 기업에게 있어 사용자 만족을 높이고, 사용자와 브랜드 간 상호작용하는 모든 단계를 최적화함으로써 기업 매출증대에 기여하며[3], 고객 행동을 정확하게 파악, 사용자 행동의 미래 패턴을 예측하여 전략적 의사결정과 효율적 자원배분에 활용할 수 있다[4]. 사용자 역시 개인화된 추천서비스를 통해 자신의 관심사나 선호도, 니즈 등이 반영된 콘텐츠를 이용하고, 만족스러운 구매경험으로 이어갈 수 있다는 점에서 인공지능 기반 개인화된 추천서비스는 서비스 품질과 고객 경험을 향상시키는 중요한 수단이 된다[5],[6].

과거의 개인화된 추천서비스는 사용자의 선호도를 예측하기 위해 협업 필터링이나 콘텐츠 기반 필터링에 의존하였으나, 일반적으로 잘 알려진 인기나 선호도에 편향된 콘텐츠를 제공한다는 한계가 존재하였다[7].

하지만 딥 러닝 기술이 발전하고 사용자와의 상호작용이 고도화되면서 콘텐츠 추천의 정확도가 향상됨으로써 이전보다 향상된 개인 맞춤형 추천서비스 제공이 가능해졌고, 사용자의 반응을 신속하게 분석하여 개인화된 추천시스템에 반영함으로써 충성도 높은 고객을 확보할 수 있게 되었다[8].

또한 사용자 행동양식 변화에 맞춰 사용자의 감성에 기반한 개인화된 추천서비스가 사용자들로부터 커다란 주목을 받고 있다. 우선 넷플릭스(Netflix)는 감성 기반 개인화된 추천시스템을 적극 활용하여 사용자의 감정상태나 취향, 상황 등에 맞는 콘텐츠를 제공하며, 스포티파이(Spotify) 역시 사용자의 기분이나 분위기, 상황(운동이나 휴식, 출퇴근 등)에 맞는 음원 플레이 리스트를 서비스하고 있다. 이에 생성형 인공지능 기반 개인화된 추천서비스는 사용자들의 정서적, 감성적 요소까지도 고려한 인간 중심적 접근방식을 하여 개인화된 추천서비스의 사용이나 지속사용과 관련된 행위의도를 강화해 나가고 있다.

사용자의 생성형 인공지능 사용이나 지속사용과 관련하여 기존의 기술수용과 관련된 모델들은 기술 사용의 실용적 맥락에서 다양한 요인들을 적용하여 왔으나, 감정적 반응과 같은 변수들에 대한 고려는 제한적으로 이루어졌다[9].

향후 생성형 인공지능은 점점 더 지능적이고 능동적인 특성을 가질 것으로 예측[10]됨에 따라 사용자들이 생성형 인공지능을 감정적으로 어떻게 평가하는지에 대한 이해는 매우 중요한 영역이라고 할 수 있다[11]. 그럼에도 불구하고, 사용자의 생성형 인공지능에 대한 감정적 반응은 아직 충분히 주목을 받지 못한 영역으로[12],[13], 사용자가 생성형 인공지능에 대해 가지는 감정은 이용동기나 사용 등에 중요한 영향을 미치는 요소라는 점[14]에서 인간과 인공지능 간 상호작용을 개선하는데 있어 충분히 탐구할 가치가 있다. 또한 공감 역시 인간-생성형 인공지능 간 상호작용에서 형성되는 중요한 요소로, 사용자는 생성형 인공지능과 상호작용할 때 사회적 행위자[15]로 간주하는 경향이 있어 공감을 인식하게 되면 생성형 인공지능에 대한 긍정적인 사회적 반응을 보이게 된다는 점에서 사용자로 하여금 생성형 인공지능이 제공하는 서비스를 긍정적으로 평가하고, 계속해서 사용할 의향을 높이는데 기여한다[16].

이상과 같은 논지에 기초하여 본 연구에서는 사용자들의 생성형 인공지능에 대한 감정적 반응과 공감, 개인화된 추천서비스 만족과 지속사용의도으로 이어지는 경로를 탐색하여 생성형 인공지능 기반 개인화된 추천서비스 만족을 개선하고 지속사용의도를 높일 수 있는 대안을 모색하는데 필요한 시사점을 제안하고자 한다.

이를 위해 본 연구에서는 첫째, 사용자의 생성형 인공지능에 대한 감정적 반응과 공감, 개인화된 추천서비스 만족, 지속사용의도의 관계를 규명하고, 둘째, 사용자의 생성형 인공지능에 대한 감정적 반응과 개인화된 추천서비스 만족의 관계에서 공감의 조절효과를 살펴보고자 하였다. 이상과 같은 접근은 향후 기계학습 및 심층 학습 알고리즘을 활용하여 사용자의 선호도를 예측하고, 즉각적으로 반응할 수 있는 능력을 증진시켜 사용자를 위한 개인화된 추천서비스를 보다 강화함은 물론 만족도를 개선하고, 지속사용의도로 이어질 수 있는 중요한 시사점을 제공해 줄 수 있다.

Ⅱ. 이론적 배경

2-1 생성형 인공지능과 감정적 반응

일반적으로 감정(Emotion)은 효과적인 설득 수단으로, 좌절이나 불안, 행복 등 긍정적, 부정적 감정은 문화적 경계를 넘은 공통된 개념이라는 점에서 인종과 국가를 떠나 모든 상호작용의 기초를 형성한다[17]. 인간의 감정은 크게 긍정적 반응과 부정적 반응으로 구분되는데, 긍정적 감정은 장기적인 측면에서 즐거움과 같은 기분 좋은 상태를 축적함은 물론 의미 있는 사건이나 경험 등을 통해 형성된 특정 대상에 대한 수용성을 높이는 반면에 부정적 감정은 단기적이면서도 순간적인 행동 반응에 영향을 미친다[18]. 사람들은 새롭거나 익숙하지 않은 기술을 받아들일 때 순수한 이성적 판단보다는 감정적 직관에 의존하는 경향이 있다. 그러므로 감정적 반응은 불확실성이 높은 상황에서 사용자들이 일정한 의사결정을 내리는데 있어 강력한 수단이 된다[2],[9].

근래에 이루어진 일련의 연구들에서 사람들은 중립적 기계보다는 감정적으로 몰입된 기계를 더욱 선호하는 경향이 있는 것으로 밝혀져[19], 사용자와 생성형 인공지능 간 감정적 연결에 대한 학술적 관심이 높아지고 있다. Aoudni, Balasubramani, Natarajan, Sabeenian, Rao와 Lakshmi[20]는 사용자가 자동화된 기술이나 장치와 상호작용할 때, 이해하기 쉽고 즐거우며, 생산적이라는 인식이 선행되어야 질 높은 상호작용 경험으로 이어질 수 있다고 보고하였고, Huang과 Zou[21]는 생성형 인공지능에 대한 질 높은 상호작용 경험이 긍정적 감정 반응과 낮은 인지적 부담을 동반한다고 하였다. Zou와 Wang, He, Li, Purwanto, Wang[22]는 생성형 인공지능과의 상호작용은 사용자의 감정 혹은 정서를 자극함으로써 정보처리를 촉진한다고 제안한 바 있다. 또 다른 연구들에서는 생성형 인공지능이 제공하는 개인화된 피드백이나 서비스 제공이 사용자의 감정과 무관하지 않음을 제안하였다. 예를 들면, Wang과 Sun[23]은 생성형 인공지능이 개인화된 피드백이나 서비스를 제공할 때, 사용자는 즐거움이나 흥미 등과 같은 감정이 유발된다고 하였다. Ghafouri[24], Wang과 Wang, Pan, Ortega-Martin[25]은 생성형 인공지능이 개인의 맞춤형 지원과 긍정적 피드백을 통해 사용자의 불안을 감소시킨다는 사실을 확인하였고, Mohammed와 Khalid[26], Teng[27]은 생성형 인공지능이 개인화된 서비스를 통해 사용자의 인지적 부담을 완화시켜 몰입감과 마음의 평온을 향상시킨다고 보고한 바 있다.

이와 같이 사용자의 생성형 인공지능에 대한 감정적 반응은 생성형 인공지능에 대한 의인화 혹은 인간다움 인식과 무관하지 않으며, 사용자와 비인간 행위자 사이의 심리적 거리를 줄이고 긍정적 상호작용 결과를 만들어낸다[15]. 이미 인공지능 기술은 인간의 감정을 모사하고, 실제 감정과 구분할 수 없을 정도로 높은 수준에 도달한 상황에서 사용자의 생성형 인공지능에 대한 감정적 반응은 사용자와 생성형 인공지능 간 상호작용과 설득이라는 맥락에서 중요한 도구가 된다. 특히, 사용자와 생성형 인공지능 간 감정적 연결이 강화될수록 사용자는 인공지능을 사회적 행위자로 인식하여 감정을 이해하고 공감하며 반응해야 하는 공감적 존재로 대상화한다[28]. 즉, 생성형 인공지능은 인간과 유사한 특성을 통해 사용자로 하여금 더 높은 공감 인식으로 이어질 가능성을 높이며, 감정적 반응에 따라 공감 수준이 결정되기도 한다. 예컨대, 사용자들은 생성형 인공지능이 사용자 자신의 부정적 감정보다는 긍정적 감정에 더 공감한다고 믿는 경향이 있다는 것이다[29].

이러한 결과들은 사용자의 생성형 인공지능에 대한 감정적 반응이 공감에 유의한 영향을 미칠 수 있음을 시사하는 것으로, Yoon[30]은 초등학생들을 대상으로 인공지능을 활용한 독후 활동이 공감 능력에 미치는 영향을 분석한 결과, 활발함 수준의 높고 낮음에 상관없이 공감의 인지적 요소와 정의적 요소 모두에서 사전보다는 사후의 평균점수가 향상되어 활발함이 공감능력을 높이는데 긍정적 효과를 나타냈다고 보고하였고, Cho[31]는 대화형 AI 에이전트와 공감적 소통을 위한 눈 형태의 UI 디자인 제안에서 대화형 인공지능 에이전트에 대한 기쁨의 강도가 강해질수록 인지적, 정서적, 태도적 공감 요인이 크게 상승하였음을 확인하였다. 또한 사용자의 생성형 인공지능에 대한 감정적 반응은 의사소통을 향상시켜 높은 사용자 만족에 일정한 영향을 미칠 수 있다. 즉, 긍정적 감정은 더 나은 고객 만족과 밀접하게 연관되며[32],[33], 일부 연구들에서는 사용자의 의도나 행동에 일정한 영향을 미치거나 참여를 촉진시킬 수 있다는 점이 제안되었다[34],[35]. 예컨대, Qi[36]는 패션 관련 생성형 인공지능을 중심으로 감정적, 기능적 가치의 영향력을 검토한 결과, 즐거움이나 자극, 매력 등과 같은 감성적 가치가 패션 생성형 인공지능 만족도에 긍정적 영향을 미쳤다고 보고하였다. 이상과 같은 논의에 따라 다음과 같은 연구가설을 설정하였다.

연구가설 1. 감정적 반응은 공감에 유의한 영향을 미칠 것이다.
연구가설 2. 감정적 반응은 개인화된 추천서비스에 대한 만족도에 유의한 영향을 미칠 것이다.

2-2 공감

공감(Empathy)은 타인의 감정을 이해하고 인정하는 능력으로[37], 일반적으로는 인간과 인간 간의 상호작용을 통해 형성되지만, 인간과 인공지능 간 상호작용에서 감정의 동기화가 발생하여 공감과 같은 긍정적 반응으로 나타날 수 있다[38]. 예를 들면, Lv와 Yang, Qin, Cao, Xu[16]는 사람들의 경우에 생성형 인공지능이 인간의 감정이나 의도, 자아 등을 처리할 수 없다는 사실을 잘 알고 있으면서도 사회적 행위자로 간주하여 인간의 상호작용 방식이나 행동, 반응을 인간-생성형 인공지능 간 상호작용 과정에 무의식적으로 가져오는 경향이 있다고 하여 공감이 인간-인간을 넘어 인간-생성형 인공지능 간 상호작용 과정에서 형성될 수 있음을 제안하였다.

그뿐만 아니라 인공지능 기술은 인간 간 공감적 의사소통의 특정 측면을 효과적으로 모방함으로써 인공지능에 의해 생성된 응답이나 정보 등에 대한 사용자의 공감적 인식을 가능하게 한다[39]. 더구나 생성형 인공지능의 대화형 에이전트 기술이 빠르게 발전하면서 언어적 뉘앙스와 맥락적 단서를 이전보다 더 잘 포착하고 모방할 수 있어 사용자의 인공지능에 대한 공감 인식은 빠르게 향상되고 있다[40]. Müller와 Chen, Nijssen, Kühn[41]은 인간과 생성형 인공지능 간 상호작용 과정에 공감이 관여될 경우에 한 차원 높은 상호작용으로 이어질 수 있다고 하여 공감의 중요성을 제안하였고, Ayers et al.[39]는 의료 환경에서 사용자들이 전문가보다 오히려 인공지능이 생성한 응답에 대해 공감하는 정도가 높았다고 보고하였다.

이러한 사례들은 사용자의 생성형 인공지능에 대한 공감 인식이 가능하며, 사용자의 공감이 생성형 인공지능에 의해 제공되는 서비스 만족이나 지속사용의도에 일정한 영향을 미칠 것으로 예측하는 근거가 된다. 실제로 She[42]는 AI의료기술 서비스 품질 중 공감성이 고객만족에 정(+)의 영향을 미쳤고, Jung[43]은 인공지능 기반 영어학습용 챗봇서비스 특성 중 공감성이 학습만족에 유의한 정적 영향을 미쳤다고 보고하였다. 또한 사용자의 생성형 인공지능에 대한 공감과 지속사용의도의 관계는 다양한 연구들을 통해 확인할 수 있다. 이전 연구들에서 생성형 인공지능 기술 수용은 사용자들에 의해 지각된 공감능력 품질에 의해 큰 영향을 받는다는 사실이 밝혀졌고[44],[45], Yoon과 Lee[46]는 사용자들의 생성형 인공지능에 대한 공감이 높을수록 인공지능이 추천한 콘텐츠를 신뢰하거나 수용하는 경향이 높았다고 보고한 바 있다. 또한 Lv와 Yang, Qin, Cao, Xu[16]는 생성형 인공지능에 대한 공감적 반응 수준이 높은 집단이 낮은 집단에 비해 지속사용의도가 높았다고 보고하였다. 이상과 같은 논의에 따라 다음과 같은 연구가설을 설정하였다.

연구가설 3. 공감은 개인화된 추천서비스 만족도에 정(+)의 영향을 미칠 것이다.
연구가설 4. 공감은 개인화된 추천서비스 지속사용의도에 정(+)의 영향을 미칠 것이다.

2-3 만족도

만족도(Satisfaction)는 시스템이나 제품, 서비스 등의 실제 사용으로 인한 사용자 경험이 사용자의 요구와 기대에 일치하는 정도를 의미하는 것으로[47], 특정 제품이나 서비스에 대한 사용자의 기대를 얼마나 충족했는지와 관련된다[48]. 이러한 만족도는 인공지능 기반 챗봇이나 ChatGPT[49],[50]의 사용자 효과를 측정하기 위해 자주 사용되어 온 요인이며, 구매의도[5]나 지속사용의도[51]를 결정하는 예측요인으로 간주된다. 이상과 같은 논의에 따라 다음과 같은 연구가설을 설정하였다.

연구가설 5. 개인화된 추천서비스 만족도는 지속사용의도에 정(+)의 영향을 미칠 것이다.

2-4 감정적 반응과 만족도의 관계에서 공감의 조절효과

공감은 감정 공유 및 정보처리와 사회적 상호작용에 필수적인 인지적 평가 과정으로, 이용 가능한 정보 단서에 따라 일정한 영향을 받을 수 있다. 다시 말해서, 사람들이 공감하거나 공감적 반응을 보이는 과정에서 제공되는 정보의 단서에 따라 해석과 정보처리의 결과가 다르게 나타날 수 있다[52]. 특히, 공감은 사용자의 니즈를 이해하고 사용자 입장에서 사고하는 등 인간의 고유한 감정적 특성이나 암시를 전달함으로써 무의식적으로 생성형 인공지능에 대한 긍정적 차원의 사회적 반응을 보일 가능성이 높다[16]. 이는 사용자가 생성형 인공지능에 대해 형성하는 공감수준에 따라 사용자의 감정적 반응이 만족에 미치는 영향을 조절할 가능성이 있음을 시사하는 것으로, 사용자의 생성형 인공지능에 대한 공감 수준이 낮을수록 인공지능에 의해 제안된 서비스에 대한 선호도가 낮아졌고[53], 인지적 공감과 정서적 공감 모두 감정부조화와 직무만족의 관계를 긍정적 차원에서 조절하는 것으로 보고된 바 있다[54]. 이상과 같은 논의에 따라 다음과 같은 연구가설을 설정하였다.

연구가설 6. 공감은 감정적 반응과 개인화된 추천서비스 만족도 간의 관계를 조절할 것이다.

Ⅲ. 연구방법

3-1 조사대상

본 연구는 인공지능 기반 영상 스트리밍 플랫폼(넷플릭스, 쿠팡플레이, 티빙 등) 성인 가입자들을 대상으로 설문조사를 실시하였다. 설문조사는 온라인조사전문업체에 의뢰하여 진행하였고, 조사기간은 2025년 1월 6일부터 15일까지 약 10일에 걸쳐 이루어졌다. 설문조사 전에 조사목적에 대해 간략하게 설명한 후 동의 여부를 파악하여 동의한 성인 가입자들만을 대상으로 조사를 진행하였다. 이러한 과정을 거쳐 총 228부를 수거하여 최종분석에 활용하였다. 인구통계학적 특성을 살펴보면, 성별은 남성 51.3%(117명), 여성 48.7%(111명)으로 나타났고, 연령은 20대 21.1%(48명), 30대 20.2%(46명), 40대 36.8%(84명), 50대 이상 21.9%(50명)으로 조사되었다.

3-2 조사도구

1) 감정적 반응

감정적 반응은 Koo[29]가 사용한 문항을 바탕으로 하여 긍정적 감정 4문항, 부정적 감정 4문항으로 구성하였다. 각 문항에 대해서는 5점 리커트 척도를 이용하여 ‘매우 그렇지 않다’는 1점, 매우 그렇다‘는 5점으로 측정하였다. 주요 문항은 다음과 같다. 긍정적 감정은 ① 인공지능 기반 개인화된 추천서비스는 나를 행복하게 한다(PER1) ② 인공지능 기반 개인화된 추천서비스는 나를 기쁘게 한다(PER2) ③ 인공지능 기반 개인화된 추천서비스에 만족한다(PER3) ④ 생성형 인공지능 기반 개인화된 추천서비스는 나를 편안하게 한다(PER4). 부정적 감정은 ① 생성형 인공지능 기반 개인화된 추천서비스는 나를 좌절하게 한다(NER1) ② 생성형 인공지능 기반 개인화된 추천서비스는 나를 괴롭게 한다(NER2) ③ 생성형 인공지능 기반 개인화된 추천서비스는 나를 슬프게 한다(NER3) ④ 생성형 인공지능 기반 개인화된 추천서비스는 나를 우울하게 한다(NER4).

2) 공감

공감은 선행연구들[55],[56]이 사용한 문항을 참조하여 3문항으로 구성하였고, 각 문항은 5점 척도를 이용하여 ‘매우 그렇지 않다’는 1점, 매우 그렇다‘는 5점으로 측정하였다. 주요 문항은 다음과 같다. ① 생성형 인공지능에 공감이 간다(EM1) ② 생성형 인공지능은 마음이 부드러운 것 같다(EM2) ③ 생성형 인공지능에 대해 연민이 느껴진다(EM3).

3) 만족도

만족도는 선행연구들[48],[57],[58]이 사용한 문항을 참조하여 4문항으로 구성하고, 각 문항에 대해서는 5점 척도를 통해 ‘매우 그렇지 않다’는 1점, 매우 그렇다‘는 5점으로 측정하였다. 주요 문항은 다음과 같다. ① 나는 생성형 인공지능 기반 개인화된 추천서비스 경험에 만족한다(SA1) ② 나는 생성형 인공지능으로부터 제공받는 개인화된 추천서비스에 만족한다(SA2) ③ 나는 생성형 인공지능 기반 개인화된 추천서비스를 잘 활용하고 있다(SA3) ④ 전반적으로 생성형 인공지능 기반 개인화된 추천서비스는 나의 기대에 부합한다(SA4).

4) 지속사용의도

지속사용의도는 선행연구들[16],[59]이 사용한 문항을 참조하여 3문항으로 구성하였다. 각 문항에 대해서는 5점 리커트 척도를 이용하여 ‘매우 그렇지 않다’는 1점, 매우 그렇다‘는 5점으로 측정하였다. 주요 문항은 다음과 같다. ① 나는 생성형 인공지능 기반 개인화된 추천서비스를 포기하지 않을 것이다(CUI1) ② 나는 생성형 인공지능 기반 개인화된 추천서비스를 계속 사용하겠다(CUI2) ③ 나는 생성형 인공지능 기반 개인화된 추천서비스 사용을 가능하면 중단하지 않을 것이다(CUI3).

3-3 타당도 및 신뢰성 검증

본 연구에서 측정도구의 타당도를 검증하기 위하여 확인적 요인분석을 실시하여 1차적으로는 모델적합도(Model Fit), 표준화경로계수(β), 통계적 유의성(Sig.)을 확인하였고, 2차적으로는 평균분산추출값(AVE), 개념신뢰도(CR) 및 내적 일치도(Cronbach’s α)를 확인하였다. 우선 확인적 요인분석에 따른 모델적합도를 살펴보면, 표 1에서 보는 바와 같이, RMR=.03, RMSEA=.07, IFI=.93, TLI=.91, CFI=.93으로 나타나 모든 적합지수가 적합기준을 충족하였다. 잠재변수의 관측변수에 대한 표준화경로계수는 .50~.90으로 모두 통계적으로 유의하였으며, 평균분산추출값은 .42~.71, 개념신뢰도는 .74~.88로 나타났다. 비록 부정적 감정의 평균분산추출값이 기준치보다 다소 낮았으나, 개념신뢰도가 .70 이상으로 확보되어 집중타당성이 수용되었다. 마지막으로 신뢰도 분석을 실시하여 내적 일치도를 살펴본 결과, .긍정적 감정은 .86, 부정적 감정 .73, 공감 .84, 만족도 .86, 그리고 지속사용의도 .88로 나타나 사회과학수준에서 양호한 수준의 신뢰도를 나타냈다.

Table 1.

Confirmatory factor analysis

3-4 자료처리

본 연구에서는 자료처리를 위해 SPSS 21.0 프로그램과 AMOS 21.0 프로그램을 활용하여 다음과 같은 과정을 통해 주요 결과를 추출하였다. 첫째, 측정도구의 타당도를 검증하기 위하여 확인적 요인분석(confirmatory factor analysis)을 실시하여 1차적으로는 모델적합도(Model Fit), 표준화경로계수(β), 통계적 유의성(Sig.)을 확인하였고, 2차적으로는 평균분산추출값(AVE), 개념신뢰도(CR) 및 내적 일치도(Cronbach’s α)를 확인하였다. 둘째, 주요 변수 간 상관계수(Pearson correlation coefficient)와 통계적 유의성(sig.)을 알아보기 위하여 상관관계 분석을 수행하였다. 셋째, 주요 연구가설을 검증하기 위하여 경로분석(path analysis)과 조절효과분석(moderating effect analysis)을 실시하였다.

Ⅳ. 연구결과

4-1 상관관계분석

본 연구의 주요 변수 간 상관관계를 알아보기 위해 상관관계분석을 수행하였다. 표 2에서 보는 바와 같이, 감정적 반응 중 긍정적 감정은 공감(r=.58, p<.01), 만족도(r=.61, p<.01), 지속사용의도(r=.44, p<.01)와 각각 정적 상관을 나타냈고, 부정적 감정은 공감(r=-.46, p<.01), 만족도(r=-.59, p<.01), 지속사용의도(r=-.43, p<.01)와 각각 부적 상관을 나타냈다. 한편, 공감은 만족도(r=.68, p<.01), 지속사용의도(r=.49, p<.01)와 각각 정적 상관을 나타냈고, 만족은 지속사용의도(r=.57, p<.01)와 정적 상관을 형성하였다.

Table 2.

Correlation analysis

4-2 가설검증

1) 경로분석

본 연구에서 설정한 연구가설을 검증하기 위하여 경로분석을 실시하였다. 표 3에서 제시된 바와 같이, 연구가설 1인 감정적 반응이 공감에 미치는 영향을 살펴본 결과, 긍정적 감정은 공감에 정(+)의 영향을 미쳤고(β=.47, p<.001), 부정적 감정은 공감에 부(-)의 영향(β=-.19, p<.01)을 미친 것으로 나타나 연구가설 1은 채택되었다. 연구가설 2인 감정적 반응이 개인화된 추천서비스 만족도에 미치는 영향을 살펴본 결과, 긍정적 감정은 만족도에 정(+)의 영향을 미쳤고(β=.20, p<.001), 부정적 감정은 만족도에 부(-)의 영향(β=-.26, p<.001)을 미쳐 연구가설 2는 채택되었다. 연구가설 3인 공감이 개인화된 추천서비스 만족도에 미치는 영향을 살펴본 결과, 공감은 개인화된 추천서비스 만족도에 정(+)의 영향(β=.44, p<.001)을 미치는 것으로 나타나 연구가설 3은 채택되었다. 연구가설 4인 공감이 개인화된 추천서비스 지속사용의도에 미치는 영향을 살펴본 결과, 공감은 개인화된 추천서비스 지속사용의도에 정(+)의 영향(β=.19, p<.01)을 미치는 것으로 나타나 연구가설 4는 채택되었다. 연구가설 5인 개인화된 추천서비스 만족도가 지속사용의도에 미치는 영향을 살펴본 결과, 개인화된 추천서비스 만족도는 지속사용의도에 정(+)의 영향(β=.43, p<.001)을 미친 것으로 나타나 연구가설 5는 채택되었다.

Table 3.

Path analysis

2) 조절효과 분석

본 연구의 연구가설 6을 검증하기 위하여 감정적 반응과 개인화된 추천서비스 만족도의 관계에서 공감의 조절효과를 살펴보았다. 이를 위해 공감에 대한 평균의 합을 구한 후 50%를 기준으로 30% 이하를 공감 저 집단, 그리고 70% 이상을 공감 고 집단으로 분류한 결과, 공감 저 집단은45.3%(39명), 공감 고 집단은 54.7%(47명)로 분석되었다. 우선 모델비교를 살펴보면 제약모델은 χ²=1.42, df=3, p>.05로 나타나 감정적 반응과 개인화된 추천서비스 만족도의 관계에서 공감의 조절효과는 통계적으로 유의하지 않았다. 하지만 표 4에서 보는 바와 같이, 공감 저 집단에서 긍정적 감정은 만족도에 정(+)의 영향을 미쳤고(β=.29, p<.01), 부정적 감정은 만족도에 부(-)의 영향을 미치는 것으로 나타났다(β=-.52, p<.05). 또한 고 집단에서도 긍정적 감정은 만족도에 정(+)의 영향을 미쳤고(β=.51, p<.01), 부정적 감정은 만족도에 부(-)의 영향을 미치는 것으로 나타났다(β=-.32, p<.05). 따라서 사용자의 공감 수준에 상관없이 사용자가 긍정적 감정을 높게 지각할수록 만족도 역시 높아지는 반면에 부정적 감정을 높게 지각하면 만족도는 낮아지는 것으로 평가할 수 있으며, 연구가설 6은 기각되었다.

Table 4.

Moderating effect

Fig. 1.

Path analysis results

Ⅴ. 논 의

본 연구는 생성형 인공지능에 대한 사용자의 감정적 반응과 공감, 그리고 이를 기반으로 개인화된 추천서비스 만족 및 지속사용의도의 관계를 살펴보았다. 연구가설을 중심으로 도출된 결과를 제시하고 논의를 하면, 첫째, 사용자의 생성형 인공지능에 대한 감정적 반응의 경우에 긍정적 감정은 공감에 정(+)의 영향을 미쳤고, 부정적 감정은 공감에 부(-)의 영향을 미친 것으로 나타났다. 이는 사용자들이 생성형 인공지능에 대해 부정적 감정보다는 긍정적 감정을 가질 때 공감이 향상된다는 것을 의미하는 것으로, 사용자의 생성형 인공지능에 대한 감정적 반응이 공감에 유의한 영향을 미쳤다고 보고한 선행연구들의 결과와 일치한다[30],[31]. 특히 부정적 감정보다는 긍정적 감정이 공감을 향상시켰다는 결과는 사용자의 생성형 인공지능에 대해 긍정적 감정 반응이 공감과 밀접하게 관련되어 있음을 시사하는 것으로, 긍정적 경험의 결과는 부정적 경험의 결과에 비해 공감을 증대시킨다는 결과[56]와 같은 맥락을 형성한다.

전술한 바와 같이 공감은 생성형 인공지능과의 감정적 연결이나 동기화와 관련되어 있고[38], 공감이 높을 경우에 상호작용이 한 차원 높아지는 결과로 이어질 수 있다[41]. 이에 사용자의 생성형 인공지능에 대한 공감을 증진시키기 위해서는 사용자의 생성형 인공지능에 대한 감정적 반응을 면밀히 분석하고, 부정적 감정 반응이 아닌 긍정적 감정 반응을 이끌어 낼 수 있는 커뮤니케이션 전략 마련에 높은 관심을 가져야 할 것으로 판단된다.

둘째, 사용자의 생성형 인공지능에 대한 감정적 반응은 개인화된 추천서비스 만족도에 유의한 영향을 미치는 것으로 나타났다. 구체적으로 긍정적 감정은 만족도에 정(+)의 영향을 미쳤고, 부정적 감정은 만족도에 부(-)의 영향을 미친 것으로 나타났다. 이는 사용자들이 생성형 인공지능에 대해 긍정적 감정을 가질 때 개인화된 추천서비스 만족도가 증가하지만, 반대로 부정적 감정을 가질 때 만족도는 감소함을 시사하는 것으로, 긍정적 감정이 만족[35]과 긍정적인 관계를 형성한다고 보고한 이전 연구들의 결과와 일치한다. 또 다른 연구들에서도 긍정적 감정은 고객의 만족[32],[33]을 결정하는 요인으로 보고된 바 있어 본 연구의 결과와 같은 맥락으로 해석할 수 있다. 따라서 사용자의 생성형 인공지능 기반 개인화된 추천서비스 만족도를 예측하는데 있어 사용자의 감정적 반응이 중요하고, 긍정적 감정은 사용자의 개인화된 추천서비스 만족도를 결정하는 요인이라는 점에서 사용자가 생성형 인공지능에 대해 신뢰와 공감, 그리고 개인적 가치를 느낄 수 있도록 커뮤니케이션 전략을 마련하여 생성형 인공지능에 대한 사용자의 긍정적 감정을 높일 수 있도록 해야 할 것이다.

셋째, 사용자의 생성형 인공지능에 대한 공감은 개인화된 추천서비스 만족도와 지속사용의도에 정(+)의 영향을 미치는 것으로 나타났다. 이는 사용자의 공감이 높을수록 개인화된 추천서비스에 대한 만족과 지속사용의도도 높아짐을 의미하는 것으로, 공감이 고객만족이나 학습만족을 높이는데 중요한 영향을 미치고[42],[43], 인공지능 기술이나 인공지능이 추천한 콘텐츠 수용[45],[46], 지속사용의도[16]를 높이는 예측요인이라고 보고한 선행연구들의 결과를 반영한다. 생성형 인공지능과의 상호작용 수준이 높아질수록 사용자들은 인공지능을 사회적 행위자로 간주하고, 감정적 동기화를 통해 공감으로 이어진다는 점[16]에서 개인화된 추천서비스 만족도와 지속사용의도는 정서적 연결에 기반한 공감에 의해 강화될 수 있다. 이에 개인화된 추천서비스 만족도와 지속사용의도를 높이기 위해서는 사용자 중심의 설계와 운영 전략을 수립하여 사용자의 생성형 인공지능에 대한 공감을 높일 필요가 있을 것이다.

넷째, 사용자의 생성형 인공지능 기반 개인화된 추천서비스 만족도는 지속사용의도에 정(+)의 영향을 미치는 것으로 나타났다. 이는 사용자가 생성형 인공지능이 제공하는 개인화된 추천서비스에 대해 만족을 느낄수록 지속사용의도도 높아짐을 의미하는 것으로, 만족도가 인공지능 기반 채봇이나 ChatGPT 구매의도와 지속사용의도를 예측하는 결정요인이라고 보고한 선행연구들의 결과와 일치한다[5],[51]. 그러므로 사용자의 개인화된 추천서비스에 대한 지속사용의도를 강화하기 위해서는 기본적으로 제공되는 서비스에 대한 사용자의 만족도가 무엇보다 중요함을 시사한다.

다섯째, 사용자의 생성형 인공지능에 대한 감정적 반응과 개인화된 추천서비스 만족도 간에 있어서 공감의 조절효과는 나타나지 않았다. 그러나 사용자의 생성형 인공지능에 대한 긍정적 감정이 높을수록 만족도 역시 높아졌고, 반대로 부정적 감정이 높을수록 만족도는 낮아졌다. 이는 생성형 인공지능과의 상호작용에서 공감이 감정과 만족도의 관계를 조절하기보다는 감정의 영향을 직접적으로 받아 만족도에 영향을 미치는 강력한 매개변수로서의 역할이 더 크기 때문일 것으로 판단된다. 따라서 사용자의 생성형 인공지능에 대한 감정적 반응, 특히 긍정적 감정을 높이기 위해서는 생성형 인공지능 기술에 말투나 억양 등의 감정적 요소를 적극 추가하고, 사용자의 상호작용에 있어서 유쾌함이나 칭찬 등의 긍정적 언어를 적극적으로 사용할 수 있도록 기술적 개선이 필요할 것이다.

Ⅵ. 결 론

본 연구는 생성형 인공지능에 대한 사용자의 감정적 반응공감, 개인화된 추천서비스 만족 및 지속사용의도의 관계를 검토하고, 사용자의 생성형 인공지능에 대한 감정적 반응과 개인화된 추천서비스 만족도에 있어서 공감의 조절효과를 살펴보았다. 주요 결과를 제시하면, 첫째, 사용자의 생성형 인공지능에 대한 감정적 반응 중 긍정적 감정은 공감에 정(+)의 영향을 미쳤고, 부정적 감정은 공감에 부(-)의 영향을 미쳤다. 둘째, 사용자의 생성형 인공지능에 대한 감정적 반응은 개인화된 추천서비스 만족도에 유의한 영향을 미쳤다. 셋째, 사용자의 생성형 인공지능에 대한 공감은 개인화된 추천서비스 만족도와 지속사용의도에 정(+)의 영향을 미쳤다. 넷째, 사용자의 생성형 인공지능 기반 개인화된 추천서비스 만족도는 지속사용의도에 정(+)의 영향을 미쳤다. 다섯째, 사용자의 생성형 인공지능에 대한 감정적 반응과 개인화된 추천서비스 만족도에 있어서 공감의 조절효과는 발견되지 않았다. 결과적으로 사용자의 생성형 인공지능 기반 개인화된 추천서비스에 대한 지속사용의도는 사용자의 생성형 인공지능에 대한 감정적 반응과 공감, 그리고 만족도에 의해 결정되는 것으로 평가할 수 있다. 특히, 사용자가 생성형 인공지능에 대해 가지는 긍정적 감정은 공감, 개인화된 추천서비스 만족도에 중요한 영향을 미치는 요인이라는 점을 고려하여 사용자가 생성형 인공지능에 대해 긍정적 감정을 가질 수 있도록 생성형 인공지능에 감정적 요소를 적극적으로 개선하거나 추가하는 기술적 차원의 지속적 개선이 이루어져야 할 것이다.

본 연구의 한계를 바탕으로 제언을 하면, 첫째, 본 연구에서는 사용자가 생성형 인공지능에 대해 가지는 일반적 수준의 공감을 측정하였으나, 의인화 수준에 따라 공감이 다르게 나타날 수 있다는 점을 고려하여 후속 연구에서는 의인화 수준과 공감의 관계를 적극 검토할 필요가 있을 것이다. 둘째, 본 연구에서 사용자가 생성형 인공지능에 대해 지각하는 공감은 횡단연구를 통해 측정하였으나, 공감은 단기적으로 형성하는 것이 아닌 중장기적인 접근에서 살펴봐야 할 특성이므로 종단연구를 통해 검증하는 것이 필요할 것으로 보인다.

Acknowledgments

이 논문은 2023년도 대한민국 교육부와 한국연구재단의 인문사회분야 신진연구자지원사업의 지원을 받아 수행된 연구임(NRF-2023S1A5A8081295).

References

X.-L. Shen, Y.-J. Li, Y. Sun, Z. Chen, and F. Wang, “Understanding the Role of Technology Attractiveness in Promoting Social Commerce Engagement: Moderating Effect of Personal Interest,” Information & Management, Vol. 56, No. 2, pp. 294-305, March 2019. [https://doi.org/10.1016/j.im.2018.09.006]
Y. Shin, K. Ranjan, M. C. Kowalski, and J. Yoon, “Toward Personalized AI-Powered Recommender Systems to Support Users’ Daily Music Choice Experiences,” International Journal of Human-Computer Studies, Vol. 203, 103574, September 2025. [https://doi.org/10.1016/j.ijhcs.2025.103574]
Business Research Insights. Global Intelligent Recommendation Algorithm Market Size [Internet]. Available: https://www.businessresearchinsights.com/ko/market-reports/intelligent-recommendation-algorithm-market-104046, .
M. T. Ballestar, P. Grau-Carles, and J. Sainz, “Predicting Customer Quality in e-Commerce Social Networks: A Machine Learning Approach,” Review of Managerial Science, Vol. 13, pp. 589-603, June 2019. [https://doi.org/10.1007/s11846-018-0316-x]
M. Bilal, Y. Zhang, S. Cai, U. Akram, and A. Halibas, “Artificial Intelligence is the Magic Wand Making Customer-Centric a Reality! An Investigation into the Relationship Between Consumer Purchase Intention and Consumer Engagement Through Affective Attachment,” Journal of Retailing and Consumer Services, Vol. 77, 103674, March 2024. [https://doi.org/10.1016/j.jretconser.2023.103674]
S. Fang, X. Han, and S. Chen, “Hotel Guest-Robot Interaction Experience: A Scale Development and Validation,” Journal of Hospitality and Tourism Management, Vol. 58, pp. 1-10, March 2024. [https://doi.org/10.1016/j.jhtm.2023.10.015]
S. Sadiq, J. Kaiwei, I. Aman, and M. Mansab, “Examine the Factors Influencing the Behavioral Intention to Use Social Commerce Adoption and the Role of AI in SC adoption,” European Research on Management and Business Economics, Vol. 31, No. 1, 100268, January 2025. [https://doi.org/10.1016/j.iedeen.2024.100268]
M. Schedl, E. Gómez, and J. Urbano, “Music Information Retrieval: Recent Developments and Applications,” Foundations and Trends in Information Retrieval, Vol. 8, No. 2-3, pp. 127-261, September 2014. [https://doi.org/10.1561/1500000042]
H.-J. Kim, S. Ahn, and S. Ye, “Exploring AI Assistant in Luxury Brands: How Social Presence and Emotional Appeal Drive Technology Adoption,” Journal of Retailing and Consumer Services, Vol. 87, 104409, October 2025. [https://doi.org/10.1016/j.jretconser.2025.104409]
J. E. Korteling, G. C. van de Boer-Visschedijk, R. A. M. Blankendaal, R. C. Booenkamp, and A. R. Eikelboom, “Human-versus Artificial Intelligence,” Frontiers in Artificial Intelligence, Vol. 4, 622364, March 2021. [https://doi.org/10.3389/frai.2021.622364]
M. Figueroa-Armijos, B. B. Clark, and S. P. da Motta Veiga, “Ethical Perceptions of AI in Hiring and Organizational Trust: The Role of Performance Expectancy and Social Influence,” Journal of Business Ethics, Vol. 186, pp. 179-197, June 2022. [https://doi.org/10.1007/s10551-022-05166-2]
A.-K. Kleine, I. Schaffernak, and E. Lermer, “Exploring Predictors of AI Chatbot Usage Intensity Among Students: Within-and Between-Person Relationships Based on the Technology Acceptance Model,” Computers in Human Behavior: Artificial Humans, Vol. 3, 100113, March 2025. [https://doi.org/10.1016/j.chbah.2024.100113]
B. Memarian and T. Doleck, “ChatGPT in Education: Methods, Potentials and Limitations,” Computers in Human Behavior: Artificial Humans, Vol. 1, No. 2, 100022, December 2023. [https://doi.org/10.1016/j.chbah.2023.100022]
J. W. Carter, J. T. Scott, and J. D. Barrett, “The Emotional Cost of AI Chatbots in Education: Who Benefits and Who Struggles?,” Computers in Human Behavior: Artificial Humans, Vol. 5, 100181, August 2025. [https://doi.org/10.1016/j.chbah.2025.100181]
X. Li and Y. Sung, “Anthropomorphism Brings Us Closer: The Mediating Role of Psychological Distance in User-AI Assistant Interactions,” Computers in Human Behavior, Vol. 118, 106680, May 2021. [https://doi.org/10.1016/j.chb.2021.106680]
X. Lv, Y. Yang, D. Qin, X. Cao, and H. Xu, “Artificial Intelligence Service Recovery: The Role of Empathic Response in Hospitality Customers’ Continuous Usage Intention,” Computers in Human Behavior, Vol. 126, 106993, January 2022. [https://doi.org/10.1016/j.chb.2021.106993]
M. Gendron, C. Crivelli, and L. F. Barrett, “Universality Reconsidered: Diversity in Making Meaning of Facial Expressions,” Current Directions in Psychological Science, Vol. 27, No. 4, pp. 211-219, July 2018. [https://doi.org/10.1177/0963721417746794]
B. L. Fredrickson, “The Role of Positive Emotions in Positive Psychology: The Broaden-and-build Theory of Positive Emotions,” American Psychologist, Vol. 56, No. 3, pp. 218-226, March 2001. [https://doi.org/10.1037//0003-066x.56.3.218]
M. Appel, D. Izydorczyk, S. Weber, M. Mara, and T. Lischetzke, “The Uncanny of Mind in a Machine: Humanoid Robots as Tools, Agents, and Experiencers,” Computers in Human Behavior, Vol. 102, pp. 274-286, January 2020. [https://doi.org/10.1016/j.chb.2019.07.031]
Y. Aoudni, M. Balasubramani, K. Natarajan, R. S. Sabeenian, V. S. Rao, and P. N. S. S. Lakshmi, “Advancing Personalized Human-Robot Interaction in the Smart World Through Emotional AI in Entertainment Robots,” Entertainment Computing, Vol. 52, 100770, January 2025. [https://doi.org/10.1016/j.entcom.2024.100770]
F. Huang and B. Zou, “English Speaking with Artificial Intelligence (AI): The Roles of Enjoyment, Willingness to Communicate with AI and Innovativeness,” Computers in Human Behavior, Vol. 159, 108355, October 2024. [https://doi.org/10.1016/j.chb.2024.108355]
B. Zou, C. Wang, H. He, C. Li, E. Purwanto, and P. Wang, “Enhancing EFL Writing with Visualised GenAI Feedback: A Cognitive Affective Theory of Learning Perspective on Revision Quality, Emotional Response, and Human-Computer Interaction,” Learning and Motivation, Vol. 91, 102158, August 2025. [https://doi.org/10.1016/j.lmot.2025.102158]
S. Wang and Z. Sun, “Roles of Artificial Intelligence Experience, Information Redundancy, and Familiarity in Shaping Active Learning: Insights from Intelligent Personal Assistants,” Education and Information Technologies, Vol. 30, pp. 2525-2546, July 2024. [https://doi.org/10.1007/s10639-024-12895-6]
M. Ghafouri, “ChatGPT: The Catalyst for Teacher-Student Rapport and Grit Development in L2 Class,” System, Vol. 120, 103209, February 2024. [https://doi.org/10.1016/j.system.2023.103209]
Y. Wang, Y. Wang, Z. Pan, and J. L. Ortega-Martin, “The Predicting Role of EFL Students’ Achievement Emotions and Technological Self-Efficacy in Their Technology Acceptance,” The Asia-Pacific Education Researcher, Vol. 33, No. 4, pp. 771-782, July 2023. [https://doi.org/10.1007/s40299-023-00750-0]
S. J. Mohammed and M. W. Khalid, “Under the World of AI-Generated Feedback on Writing: Mirroring Motivation, Foreign Language Peace of Mind, Trait Emotional Intelligence, and Writing Development,” Language Testing in Asia, Vol. 15, No. 1, pp. 1-26, January 2025. [https://doi.org/10.1186/s40468-025-00343-2]
M. F. Teng, “ChatGPT is the Companion, Not Enemies: EFL Learners’ Perceptions and Experiences in Using ChatGPT for Feedback in Writing,” Computers and Education: Artificial Intelligence, Vol. 7, 100270, December 2024. [https://doi.org/10.1016/j.caeai.2024.100270]
G. Park, J. Y. Chung, and S. Y. Lee, “Scope and Limits of AI Fundraisers: Moderated Serial Multiple Mediation Model between Arfiticial Emotions and Willingness to Donate via Humanness and Empathy,” Technological Forecasting and Social Change, Vol. 201, 123211, April 2024. [https://doi.org/10.1016/j.techfore.2024.123211]
J. E. Koo, “When I Am Sad, I Don’t Like AI: Preference for Music Playlists Curated by AI,” Korean Journal of Consumer and Advertising Psychology, Vol. 23, No. 3, pp. 207-226, August 2022. [https://doi.org/10.21074/kjlcap.2022.23.3.207]
J. E. Yoon, The Effects of AI-Based Post-Reading Activities on Elementary Students’ Reading Motivation and Empathy, Master’s Thesis, Seoul National University of Education, Seoul, 2025.
Y. H. Cho, A Proposal for Eye-Shaped UI Design for Empathy with AI Agents; Focusing on the Emotion of Joy, Master’s Thesis, Seoul National University, Seoul, 2024.
M. Ebrahimi, S. Attarilar, C. Gode, S. R. Kandavalli, M. Shamsborhan, and Q. Wang, “Conceptual Analysis on Severe Plastic Deformation Processes of Shape Memory Alloys: Mechanical Properties and Microstructure Characterization,” Metals, Vol. 13, No. 3, pp. 1-25, February 2023. [https://doi.org/10.3390/met13030447]
C.-E. Yu and H. F. B. Ngan, “The Power of Head Tilts: Gender and Cultural Differences of Perceived Human vs Human-Like Robot Smile in Service,” Tourism Review, Vol. 74, No. 3, pp. 428-442, June 2019. [https://doi.org/10.1108/TR-07-2018-0097]
I. Torre, J. Goslin, and L. White, “If Your Device Could Smile: People Trust Happy-Sounding Artificial Agents More,” Computers in Human Behavior, Vol. 105, 106215, April 2020. [https://doi.org/10.1016/j.chb.2019.106215]
K. Woo and B. Chan, “Service with a Smile and Emotional Contagion: A Replication and Extension Study,” Annals of Tourism Research, Vol. 80, 102850, January 2020. [https://doi.org/10.1016/j.annals.2019.102850]
L. Qi, Generative AI in Fashion: How Emotional and Functional Values Influence Consumer Continuous Use Intentions, Master’s Thesis, Yonsei University, Seoul, 2025.
G. Gerger, M. Pelowski, and H. Leder, “Empathy, Einfühlung, and Aesthetic Experience: The Effect of Emotion Contagion on Appreciation of Representational and Abstract Art Using fEMG and SCR,” Cognitive Processing, Vol. 19, No. 3, pp. 147-165, May 2018. [https://doi.org/10.1007/s10339-017-0800-2]
K. Fujiwara, R. Hoegen, J. Gratch, and N. E. Dunbar, “Synchrony Facilitates Altruistic Decision Making for Non-Human Avatars,” Computers in Human Behavior, Vol. 128, 107079, March 2022. [https://doi.org/10.1016/j.chb.2021.107079]
J. W. Ayers, A. Poliak, M. Dredze, E. C. Leas, Z. Zhu, J. B. Kelley, ... and D. M. Smith, “Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum,” JAMA Internal Medicine, Vol. 183, No. 6, pp. 589-596, April 2023. [https://doi.org/10.1001/jamainternmed.2023.1838]
L. F. Föyen, E. Zapel, M. Lekander, E. Hedman-Lagerlöf, and E. Lindsäter, “Artificial Intelligence vs. Human Expert: Licensed Mental Health Clinicians’ Blinded Evaluation of AI-Generated and Expert Psychological Advice on Quality, Empathy, and Perceived Authorship,” Internet Interventions, Vol. 41, 100841, September 2025. [https://doi.org/10.1016/j.invent.2025.100841]
B. C. N. Müller, S. Chen, S. R. R. Nijssen, and S. Kühn, “How (Not) to Increase Older Adults’ Tendency to Anthropomorphise in Serious Games,” PLoS One, Vol. 13, No. 7, pp. 1-14, July 2018. [https://doi.org/10.1371/journal.pone.0199948]
J. T. She, Service Quality of Modern AI Medical Technology Services on Customer Satisfaction and Reuse Intention: AI Medical Technology Service Market in China, Master’s Thesis, Hanyang University, Seoul, 2024.
N. Jung, A Study on the Factors Influencing the Intention to Accept the AI-Based English Learning Chatbot System, Ph.D. Dissertation, Soongsil University, Seoul, 2023.
C. Pelau, D.-C. Dabija, and I. Ene, “What Makes an AI Device Human-Like? The Role of Interaction Quality, Empathy and Perceived Psychological Anthropomorphic Characteristics in the Acceptance of Artificial Intelligence in the Service Industry,” Computers in Human Behavior, Vol. 122, 106855, September 2021. [https://doi.org/10.1016/j.chb.2021.106855]
E. C. Stade, S. W. Stirman, L. H. Ungar, C. L. Boland, H. A. Schwartz, D. B. Yaden, ... and J. C. Eichstaedt, “Large Language Models Could Change the Future of Behavioral Healthcare: A Proposal for Responsible Development and Evaluation,” NPJ Mental Health Research, Vol. 3, No. 1, April 2024. [https://doi.org/10.1038/s44184-024-00056-z]
N. Yoon and H.-K. Lee, “AI Recommendation Service Acceptance: Assessing the Effects of Perceived Empathy and Need for Cognition,” Journal of Theoretical and Applied Electronic Commerce Research, Vol. 16, No. 5, pp. 1912-1928, June 2021. [https://doi.org/10.3390/jtaer16050107]
L. Jantzen, M. Bottel, and R. Kempen, “How to Achieve Trust, Satisfaction, and Acceptance in the Interaction with AI through an AI Cockpit and a Transparency Interface?: A Psychological Framework,” Procedia Computer Science, Vol. 246, pp. 292-301, 2024. [https://doi.org/10.1016/j.procs.2024.09.408]
M. Chung, E. Ko, H. Joung, and S. J. Kim, “Chatbot e-Service and Customer Satisfaction Regarding Luxury Brands,” Journal of Business Research, Vol. 117, pp. 587-595, September 2020. [https://doi.org/10.1016/j.jbusres.2018.10.004]
Y. Cheng and H. Jiang, “How Do AI-Driven Chatbots Impact User Experience? Examining Gratifications, Perceived Privacy Risk, Satisfaction, Loyalty, and Continued Use,” Journal of Broadcasting & Electronic Media, Vol. 64, No. 4, pp. 592-614, December 2020. [https://doi.org/10.1080/08838151.2020.1834296]
A. Kumar, P. K. Bala, S. Chakraborty, and R. K. Behera, “Exploring Antecedents Impacting User Satisfaction with Voice Assistant App: A Text Mining-Based Analysis on Alexa Services,” Journal of Retailing and Consumer Services, Vol. 76, 103586, January 2024. [https://doi.org/10.1016/j.jretconser.2023.103586]
J. Zhong and T. Chen, “Antecedents of Mobile Payment Loyalty: An Extended Perspective of Perceived Value and Information System Success Model,” Journal of Retailing and Consumer Services, Vol. 72, 103267, May 2023. [https://doi.org/10.1016/j.jretconser.2023.103267]
Q. Jiang, Y. Zhang, and W. Pian, “Chatbot as an Emergency Exist: Mediated Empathy for Resilience via Human-AI Interaction During the COVID-19 Pandemic,” Information Processing and Management, Vol. 59, No. 6, 103074, November 2022. [https://doi.org/10.1016/j.ipm.2022.103074]
M. Adam, M. Wessel, and A. Benlian, “AI-based Chatbots in Customer Service and Their Effects on User Compliance,” Elctronic Market, Vol. 31, No. 2, pp. 427-445, June 2021. [https://doi.org/10.1007/s12525-020-00414-7]
J. S. Ko, “A Study on the Modification Variable of Emotional Dissonance and Organizational Performence by the Empathy,” Journal of Industrial Economics and Business, Vol. 22, No. 1, pp. 363-383, May 2009.
A. Grundke, J.-P. Stein, and M. Appel, “Improving Evaluations of Advanced Robots by Depicting Them in Harmful Situations,” Computers in Human Behavior, Vol. 140, 107565, March 2023. [https://doi.org/10.1016/j.chb.2022.107565]
Y. Qian and X. Wan, “Co-Experiencing with AI: Effects on Social Bonding and Empathy in Human-AI Relationships,” Technology in Society, Vol. 83, 103009, December 2025. [https://doi.org/10.1016/j.techsoc.2025.103009]
Y. Liu, Y. Park, and H. Wang, “The Mediating Effect of User Satisfaction and the Moderated Mediating Effect of AI Anxiety on the Relationship between Perceived Usefulness and Subscription Payment Intention,” Journal of Retailing and Consumer Services, Vol. 84, 104176, May 2025. [https://doi.org/10.1016/j.jretconser.2024.104176]
R. Singh, ““Hey Alexa-Order Groceries for Me” - The Effect of Consumer-VAI Emotional Attachment on Satisfaction and Repurchase Intention,” European Journal of Marketing, Vol. 56, No. 6, pp. 1684-1720, June 2022. [https://doi.org/10.1108/EJM-12-2019-0942]
A. Bhattacherjee, “Understanding Information Systems Continuance: An Expectation-Confirmation Model,” MIS Quarterly, Vol. 25, No. 3, pp. 351-370, September 2001. [https://doi.org/10.2307/3250921]

저자소개

문수지(Su-Ji Moon)

2019년：성균관대학교 미디어문화융합대학원 문화융합학과 졸업(문화융합학석사)

2021년：성균관대학교 일반대학원 예술학협동과정 수료(예술학박사)

2021년～현 재: 대진대학교 문예콘텐츠창작학과 교수

2021년～현 재: 국제인공지능윤리협회 자문위원

※관심분야：인공지능, 메타버스, 드론, 실감콘텐츠, 신기술 기반 융합콘텐츠

	1	2	3	4
**p<.01
1. Positive emotion	-
2. Negative emotion	-.57^**	-
3. Empathy	.58^**	-.46^**	-
4. Satisfaction	.61^**	-.59^**	.68^**	-
5. Continued usage intention	.44^**	-.43^**	.49^**	.57^**

	Path	β	S.E.	t	Estimate
p<.01, *p<.001
H1	Positive emotion → Empathy	.47	.06	7.32^***	Accept
H1	Negative emotion → Empathy	-.19	.07	-3.00^**	Accept
H2	Positive emotion → Satisfaction	.20	.05	3.60^***	Accept
H2	Negative emotion → Satisfaction	-.26	.05	-5.12^***	Accept
H3	Empathy → Satisfaction	.44	.04	8.35^***	Accept
H4	Empathy → Continued usage intention	.19	.08	2.63^**	Accept
H5	Satisfaction → Continued usage intention	.43	.08	5.89^***	Accept

		Empathy
		Low			High
		β	S.E.	t	β	S.E.	t
p<.05, *p<.01
H6	Positive emotion → Satisfaction	.29	.14	2.74^**	.51	.14	2.74^**
H6	Negative emotion → Satisfaction	-.52	.14	-2.02^*	-.32	.14	-2.01^*

Latent variable		Observed variable	β	S.E.	t	AVE	CR	Cronbach’s α
*** p<.001
Emotional responses	Positive emotion	PER1	.85	-	-	.61	.86	.86
		PER2	.79	.06	13.83^***
		PER3	.72	.07	12.04^***
		PER4	.77	.07	13.27^***
	Negative emotion	NER1	.67	-	-	.42	.74	.73
		NER2	.66	.11	8.34^***
		NER3	.75	.11	9.02^***
		NER4	.50	.12	6.36^***
Empathy		EM1	.77	-	-	.63	.83	.84
		EM2	.81	.08	12.24^***
		EM3	.81	.08	12.21^***
Satisfaction		SA1	.79	-	-	.61	.86	.86
		SA2	.70	.08	11.17^***
		SA3	.81	.07	13.39^***
		SA4	.83	.07	13.74^***
Continued usage intention		CUI1	.84	-	-	.71	.88	.88
		CUI2	.90	.06	16.16^***
		CUI3	.80	.06	14.23^***