Current Issue

인공지능 기술, 특히 Microsoft Copilot, Google Gemini, ChatGPT, Claude 등 대규모 언어모델(Large Language Model, LLM) 기반 생성형 AI 생산성 도구의 확산은 인간-컴퓨터 상호작용(Human-Computer Interaction, HCI)의 패러다임을 전환시키고 있다. 기존 HCI가 사용자 주도적이며 컴퓨터 시스템이 보조적인 도구 역할에 머물렀던 것과 달리, 이러한 AI 도구들은 이메일 작성, 문서 편집, 코드 생성, 데이터 분석 등 실제 업무에서 협업 파트너로 기능하며[1], 명시적 요청 없이도 상황을 예측해 작업을 제안하고 실행할 정도로 고도화되었다[2]. 이처럼 AI의 자율성과 자동화 수준이 높아짐에 따라 생산성은 향상되고 있지만, 과도한 자동화는 사용자의 책임감과 통제감 약화, 신뢰 저하 문제를 수반할 수 있다는 한계 또한 부각되고 있다[3]-[5]. 따라서 AI가 결과를 제공·확인·실행하는 방식과 사용자의 수용 메커니즘을 맥락에 맞게 규명하는 일이 중요하다.

이에 본 연구에서는 AI의 결과 제공·확인·실행 메커니즘을크게 명시적 컨펌(Explicit Confirmation), 암묵적 컨펌(Implicit Confirmation), 제안형 컨펌(Suggestive Confirmation)으로 정의하였다. 기존 HCI의 자동화 및 추천 시스템 연구들은 주로 암묵적, 명시적 구분을 중심으로 진행해 왔으나[3],[4], 본 연구는 이를 생성형 AI 협업 맥락으로 확장시키고, 최근 인간-인공지능 상호작용(Human-AI Interaction, HAI) 연구에서 강조되는 복수 제안과 대안 탐색 상호작용 개념을 반영하여 개념적 분석 틀을 마련하고자 하였다[5]. 실제 생성형 AI 도구들을 살펴보면, 기능별로 다른 컨펌 방식을 혼합하여 활용하고 있다. 문서작성 지원이나 이메일 교정에서는 명시적 방식이 주로 활용되고[6],[7], 자동 교정이나 인라인 보완에서는 암묵적 방식을 주로 활용하는 것으로 나타난다[6]. 재생성이나 다중 초안 기능은 명시적 컨펌의 성격을 지니면서도, 복수 대안을 순차 제공한다는 점에서 제안형 컨펌의 변형으로 해석된다[8]-[11]. 그러나 핵심 워크플로에서는 명시적 컨펌이 우세하며, 암묵적 컨펌과 제안형 컨펌은 특정 기능에 한정되어 사용자의 다양한 행동 맥락을 충분히 반영하지 못한다는 문제로 이어진다.

자동화 신뢰 이론은 적정 신뢰가 사용자 만족과 기술 수용의 핵심임을 강조했고[3], 자동화-인간 상호작용 이론 역시 자동화 수준에 따른 인지적 부담과 통제감에 영향을 준다고 보았다[12]. HAI 분야에서는 즉시성, 제어가능성과 같은 인터페이스 요인이 사용자 경험에 미치는 영향을 실증했다[5]. 다만 이런 논의들은 대부분 군사, 항공, 자율주행 등의 특수 도메인 중심으로 축적되어 사무나 지식노동 환경에서 생성형 AI 맥락을 입체적으로 설명하기에 한계가 있다. 또한 기존 연구는 개별 컨펌 방식의 효과를 제한된 맥락에서 분절적으로 분석하였기 때문에 과업 및 행동 맥락 등을 반영한 상호작용 설계로 일반화하기에는 한계가 있다.

따라서 본 연구에서는 이를 보완하기 위해서 사용자 행동 수준의 단계를 최종 의도와 목표를 설정하는 수준의 전략적 판단(Goal Level), 목표 달성을 위한 구체적 기능이나 절차를 수행하는 수준의 중간 과업(Task Level), 단일 행위나 반응을 실행하는 수준의 단순 조작(Action Level)으로 정의하였다. 이러한 구분은 기존 선행연구 이론인 활동이론[13], 목표–실행–평가 모델[14], 지각–인지–실행 구조[15], 자동·의지적 제어[16], 과업–기술 적합성[17] 등을 근거로 재구성하였다. 각 이론은 목표-행동 간 인지 요구, 통제와 자동화의 균형, 과업-기술 적합성에 따른 기술 몰입과 수용 강화 등 측면에서 교차구조 분석의 근거를 제공하며, 이를 통해 실제 생산성 도구 환경에 적합한 상호작용 설계의 조건을 구체화할 수 있다고 판단하였다.

본 연구의 목적은 생성형 AI 생산성 도구 맥락에서 사용자 행동 수준별(Goal, Task, Action) 컨펌 방식이 사용자 경험(신뢰, 통제감, 인지부하)과, 사용자 경험이 기술 수용(지각된 사용 용이성, 지각된 유용성, 만족도, 사용 의도)에 미치는 영향 관계를 탐색하는 데 있다.

특히 행동 수준별로 적합한 컨펌 방식이 무엇인지 파악함으로써, 비효율적인 반복 확인 방식과 전략적 자동 실행의 신뢰도 저하 등 실제 업무 환경에서 발생하는 문제들을 최소화하고, 설계 및 도입 단계에서부터 활용할 수 있는 실질적인 근거 또한 마련하고자 하였다.

Leontiev은 인간 활동을 활동–과업–조작으로 구분하며, 각 수준은 목표 지향성과 인지 개입 정도에 따라 계층적으로 구분된다고 보았다[13]. Norman은 인간–컴퓨터 상호작용을 목표 설정–실행–평가로 설명하고, 실행–평가 간 간극을 줄이는 피드백 설계의 중요성을 강조하였다[14]. Card et al.은 지각–인지–실행의 정보처리 구조에서 과업 수준별 인지부하 차이를 제시하였고[15], Norman & Shallice는 자동·의지적 제어의 대비를 통해 상호작용 요구가 과업 난이도와 익숙함에 따라 달라진다고 보았다[16].

이러한 이론은 목표–행동 간 인지 요구, 통제와 자동화의 균형, 과업–기술 상호작용 측면에서 본 연구의 사용자 행동 수준 구분(Goal, Task, Action)에 이론적 근거를 제공한다.

피드백은 시스템이 사용자 행위의 결과를 전달하거나, 사용자가 시스템을 평가하는 상호작용으로, Norman은 피드백의 즉시성과 명확성이 상호작용 간극 해소의 핵심이라 하였고[14], Shneiderman은 지속적인 통제감 유지가 신뢰와 수용의 조건이라 보았다[18]. Lee & See는 적절한 피드백이 자동화 신뢰의 전제임을 강조했고[3], Parasuraman et al.은 피드백 조정이 오류율과 인지부하에 영향을 미친다고 보았다[12]. Amershi et al.은 즉시성, 제어 가능성, 대안 제시 등의 피드백 설계 요인이 사용자 경험에 실질적 영향을 미친다고 밝혔다[5].

본 연구는 피드백의 하위 개념으로, 컨펌을 AI가 생성한 결과에 대해 사용자가 승인·거부·선택하는 상호작용으로 정의한다. 이는 실행 이전의 승인 절차를 포함하는 명시적 컨펌, 별도의 승인 절차 없이 자동으로 실행되는 암묵적 컨펌, 실행 전 복수의 대안을 제시하고, 사용자 선택에 따라 실행하는 제안형 컨펌으로 구분된다[3]-[5],[12].

앞선 이론을 종합해보면 행동 수준과 컨펌 방식 간의 정합성은 사용자 경험과 기술 수용에 영향을 미치는 중요한 설계 조건임을 알 수 있다. 과업의 인지적 맥락에 따라 요구되는 개입과 승인 절차가 달라지므로, 이에 부합하는 상호작용 전략과 컨펌 방식을 선택해야 한다.

Goal 및 Task 수준은 전략적 판단과 책임 있는 의사결정 혹은 대안 탐색과 선택이 중심이 되는 단계로, 사용자 주도적 개입과 명확한 정보 제공이 중요하게 작용한다. 이때는 명시적 컨펌이나 제안형 컨펌과 같은 구조가 적합할 수 있다[3]–[5].

Action 수준은 반복적이고 자동화 가능한 작업이 주를 이루며, 인지 개입이 낮은 경향이 있다. 이때는 지속적인 명시적 확인이 오히려 인지부하를 가중시키고 작업 흐름을 방해할 수 있어, 암묵적 컨펌이 효과적일 수 있다[12]. 다만 자동 실행이 사용자의 기대나 의도와 어긋날 경우 통제감 저하나 혼란을 유발할 수 있으므로[3],[5], 최소한의 선택권을 보장하는 간단한 명시적 컨펌이 적합할 수 있다.

이와 같은 정합성의 개념은 Goodhue & Thompson이 제시한 과업–기술 적합성(Task–Technology Fit, TTF) 이론과도 연결된다. 해당 이론은 과업의 성격에 적합한 기술 제공이 사용자의 성과와 수용도에 긍정적 영향을 미친다고 강조하며[17], 컨펌 방식 또한 행동 수준의 요구와 기능적 특성이 부합할 때 사용자 경험과 수용 가능성을 높일 수 있다.

본 연구에서 사용자 경험은 신뢰(Trust), 통제감(Perceived Control), 인지부하(Cognitive Load)로 구성된다. 신뢰는 AI 결과에 대한 수용 여부를 결정하는 요인이고[4], 통제감은 상호작용에서의 주도성과 예측 가능성을 의미한다[18]. 인지부하는 과업 수행 시 필요한 정신적 자원을 나타내며, 불필요한 승인이나 불투명한 자동화는 이를 증가시킨다[12].

이러한 사용자 경험 요인은 기술 수용 모델(Technology Acceptance Model, TAM)과 그 확장 모델들[19]–[21]에서 지각된 사용 용이성(Perceived Ease of Use), 지각된 유용성(Perceived Usefulness), 만족도(Satisfaction), 사용 의도(Behavior Intention)로 이어지는 경로를 매개한다. 신뢰 저하는 유용성과 사용 의도를 약화시키고, 낮은 통제감은 만족도 저하로, 낮은 인지부하는 사용 용이성 인식과 수용 의도 증대로 이어진다.

앞선 이론적 고찰과 논의를 종합하면, 행동 수준(Goal, Task, Action)에 따른 컨펌 방식(명시적, 암묵적, 제안형)은 사용자 경험(신뢰, 통제감, 인지부하)에 영향을 미치고, 이러한 영향이 기술 수용(지각된 사용 용이성, 지각된 유용성, 만족도, 사용 의도)으로 연쇄적으로 파급될 수 있다. 이는 컨펌 방식-사용자 경험-기술 수용의 연쇄 매개 경로와 행동 수준별 정합 탐색을 위한 연구모형과 가설 설정으로 이어진다.

본 연구는 잠재변수 기반 구조방정식모형(Structural Equation Modeling, SEM)을 통해 독립변수인 AI 컨펌 방식(명시적, 암묵적, 제안형)이 매개변수인 사용자 경험(신뢰, 통제감, 인지부하)에 미치는 효과와, 사용자 경험이 종속변수인 기술 수용(지각된 사용 용이성, 지각된 유용성, 만족도, 사용 의도)으로 이어지는 연쇄 경로를 검증한다. 또한 조절변수인 사용자 행동 수준(Goal, Task, Action)에 따라 컨펌 방식과 사용자 경험 간 관계의 강도가 달라지는지, 더 나아가 사용자 경험이 기술 수용으로 이어지는 간접효과가 달라지는지 검토한다. 이에 연구모형은 다음의 경로와 효과를 포함하며, 도식은 그림 1에 제시한다.

• (1) AI 컨펌 방식이 사용자 경험에 미치는 직접 효과; IV(컨펌 방식) → MedV(TRUST, CTRL, CL)
• (2) 사용자 경험이 기술 수용으로 이어지는 연쇄 매개 경로; MedV(TRUST, CTRL, CL) → DV(PEOU, PU, SAT, BI), DV 내부 TAM 경로(PEOU→PU, PU→SAT/BI, SAT→BI) 포함
• (3) 사용자 행동 수준의 1단계 조절 효과; ModV(Goal, Task, Action) × IV(컨펌 방식) → MedV(TRUST, CTRL, CL)
• (4) 사용자 행동 수준의 조절된 매개효과(조건부 간접효과); ModV × IV(컨펌 방식) → MedV(TRUST, CTRL, CL) → DV(PEOU, PU, SAT, BI), DV 내부 TAM 경로(PEOU→PU, PU→SAT/BI, SAT→BI) 포함

Fig. 1. 
Research model (IV = AI Confirmation Mode, MedV = User Experience, DV = Technology Acceptance, ModV = User Behavior Level)

이어질 내용은 연구모형에 대응하여 연구 질문과 가설을 다음 네 가지 범주로 제시하였다.

참여자는 온라인 리서치 패널을 통해 모집한 성인 210명으로, 생성형 AI 기반 생산성 도구 사용 경험이 있는 20대부터 40대의 대학(원)생과 직장인으로 한정하여 업무 맥락의 과업 몰입과 외적 타당성을 확보하였다[22].

표집은 성별, 연령, AI 친숙도를 층화 기준으로 설정한 뒤 행동 수준 세 집단(Goal, Task, Action)에 교차 균등 무작위 배정하여 독립 변인과 외생 요인 간 불균형을 최소화하였다. 성별과 AI 친숙도는 각 집단에서 남성과 여성, 고활용과 저활용의 인원이 동일하도록 배정하였다. 연령대는 20대, 30대, 40대를 동일 비율로 목표하되 패널 가용성에 따라 집단별 각 연령대의 편차를 최대 두 명까지 허용하였다. AI 친숙도는 잠재적 교란 요인으로 간주하여 반복 노출의 누적 효과를 반영하고, 자기보고 편향을 줄이기 위해 사용 빈도 기준으로 조작화하였으며, 주 3회 이상 생성형 AI 도구 사용을 고활용, 주 2회 이하 사용을 저활용으로 정의하였다[23]. 인구통계 구성은 표 1에 제시하였다.

본 연구는 3(사용자 행동 수준) × 3(AI 컨펌 방식)의 혼합설계를 사용하였다. 사용자 행동 수준은 피험자 간 요인으로 전략적 판단(Goal), 중간 과업(Task), 단순 조작(Action)의 세 집단으로 구성하고, AI 컨펌 방식은 피험자 내 요인으로 명시적, 암묵적, 제안형의 세 조건을 모든 참여자가 경험하도록 하였다. 참여자는 무작위로 행동 수준 집단에 배정되었으며, 컨펌 방식의 제시 순서는 무작위화하여 순서 효과를 통제하였다.

실험 과업은 제품 AS 문의 이메일 작성 및 편집을 기반으로 한 시나리오형 인터랙티브 프로토타입으로 구현하였다. 과업 맥락은 일상적으로 접할 수 있는 ‘제품 고장 AS 문의’ 상황으로 설정하여 과업 몰입을 높이고, 연구 결과의 외적 타당성을 강화하였다. 각 행동 수준은 Hayes와 Flower(1980)의 계획–작성–검토 쓰기 과정 모형[24]과 Flower 등(1986)의 전략적 수정–문단 및 문장 수준 편집–표면 오류 교정 구분[25]을 근거로 재구성하였다. 이에 따라 전략적 판단 수준은 ‘이메일 목적 및 전략 최적화’, 중간 과업 수준은 ‘어투·어조 수정’, 단순 조작 수준은 ‘맞춤법·띄어쓰기 교정’에 대응되도록 설계하였다. 이러한 구성은 글쓰기 행위의 인지적 층위와 본 연구의 행동 수준 분류 간 대응을 뒷받침하며, 요약은 표 2에 제시하였다.

AI 컨펌 방식은 Google Gemini， Workspace, Gmail Smart Compose, Microsoft Copilot, ChatGPT 등 실제 AI 기반 생산성 도구를 참조하여 구현하였다. 실행 전 사용자 승인(명시적), 별도 확인 없는 자동 반영(암묵적), 복수 대안 제시 후 사용자 선택(제안형)의 세 방식으로 구성하였으며, 제안 제시 방식, 상호작용 흐름, 인터페이스 패턴을 반영해 실제 사용 경험과의 유사성을 확보하였다.

최종 실험 조건은 행동 수준과 컨펌 방식의 교차로 도출된 아홉 개 조합이며, 조건별 과업 맥락과 사용자–AI 상호작용 흐름은 표 3에 요약하였다. 내용 타당성과 현실성은 HCI/UX 전문가 사전 검토로 점검하였다. 참여자에게는 컨펌 방식의 명칭을 제시하지 않고 무작위 순서로 조건을 경험하게 하였으며, 연구자는 사후 코딩으로만 조건을 식별하도록 하여 라벨 인지에 따른 평가 편향을 최소화하였다.

실험 및 자료 수집은 그림 2와 같이 피그마(Figma) 프로토타입 실행 링크와 리서치 패널 설문 플랫폼으로 구성된 온라인 환경에서 진행되었으며, 기관 연구윤리위원회 승인을 받은 후 수행하였다. 모든 참여자는 연구 목적과 절차에 대한 안내를 받고 동의한 뒤 실험에 참여하였다. 참여자는 무작위로 행동 수준 집단(Goal, Task, Action)에 배정되어, 시나리오형 인터랙티브 프로토타입을 통해 각자 세 가지 컨펌 방식(명시적, 암묵적, 제안형)을 모두 경험하였다. 전체 절차와 소요 시간은 다음과 같다.

Fig. 2. 
Online experimental environment example

^*Both the experimental prototypes and the online survey platform were designed and implemented in Korean.

• (1) 사전 설문: 인구통계, 생성형 AI 도구 사용 경험, 친숙도를 확인하였다.
• (2) 조건 과업 수행: 무작위 순서로 제시되는 세 조건을 각각 수행하고, 각 조건 직후 사용자 경험과 기술 수용도를 응답하였다.
• (3) 종합 설문: 모든 조건을 경험한 뒤 전체 사용 경험과 선호 컨펌 방식 및 그 이유를 응답하였다. 주관식 선호 이유와 비선호 이유 응답은 이후 내용 분석을 위해 수집하였다.

총 소요 시간은 약 25~30분이었으며, 실험 종료 후 리서치 패널을 통해 소정의 보상을 제공하였다.

측정 도구와 항목은 선행연구에서 검증된 척도를 바탕으로 모든 변수를 1점= ‘전혀 그렇지 않다’부터 7점=‘매우 그렇다’까지의 7점 리커트로 측정하였다. 사용자 경험은 신뢰, 통제감, 인지부하[3]-[5],[12],[26]로, 기술 수용도는 지각된 사용 용이성과 지각된 유용성, 만족도와 사용 의도[19]–[21]로 구성하였다. 인지부하는 긍정 문항으로 측정되어 점수가 높을수록 부하가 낮음을 의미하며, 원척도를 유지하였다. 번역–역번역과 전문가 검토, 예비조사를 통해 언어적 타당성과 내용 타당성을 점검하였다. 신뢰도와 타당성 평가는 표준 절차에 따라 신뢰도는 내적 일관성으로, 타당성은 확인적 요인분석을 포함한 수렴 타당도와 판별 타당도 검토로 확인하였고, 다집단 분석에 앞서 측정 불변성도 점검하였다. 탐색적 분석을 위해 선호도 문항을 추가하여, 가장 선호하는 컨펌 방식과 가장 선호하지 않는 컨펌 방식을 선택하게 하고 이유를 서술하도록 하였다. 선호 분포는 행동 수준과 교차 분석하고, 서술 응답은 내용 분석을 통해 범주화하여 정합성 해석을 보완하였다. 측정 문항 전문과 항목–구성 매핑표는 표 4에 제시한다.

본 연구에서 수집된 데이터는 다음과 같은 분석 절차를 통해 진행하였다. 기술통계와 혼합분산분석은 SPSS로 실시하였다. 확인적 요인분석과 구조방정식모형, HTMT, 부트스트랩 간접효과, 다집단 경로 동치 비교(ΔCFI, ΔRMSEA)는 R의 lavaan과 semTools로 주로 수행하였고, AMOS는 동일 모형의 재추정에 한해 보조적으로 사용하여 결과를 교차 검증하였다.

분석 절차는 다음과 같다.

(1) 측정모형 점검: 사용자 경험(MedV: 신뢰, 통제감, 인지부하)과 기술 수용(DV: 지각된 사용 용이성, 지각된 유용성, 만족도, 사용 의도)으로 구성된 7개 잠재변수의 내적 일관성을 확인하고, 확인적 요인분석으로 적합도를 평가하였다. 수렴 타당도는 요인적재치·구성 신뢰도(CR)·평균분산추출(AVE)로, 판별 타당도는 Fornell–Larcker 기준과 HTMT로 검토하였다. 필요 시 행동 수준 간 측정 불변성을 구성 단계–측정치 단계–절편 단계 순으로 점검하였으며, 판단 기준은 ΔCFI≤.010, ΔRMSEA≤.015를 사용하였다.

(2) 혼합분산분석: 3(행동 수준: Goal, Task, Action; 피험자 간)×3(컨펌 방식: 명시적, 암묵적, 제안형; 피험자 내) 혼합설계를 적용하여 컨펌 방식(IV)의 사용자 경험(MedV)에 대한 피험자 내 주효과(주변효과)를 검토하였다. 기술 수용(DV)의 평균 차이는 요약 표로 보조 보고하고, 해석은 구조모형 결과와 결합하였다. 구형성은 Mauchly 검정으로 확인하고, 위반 시 Greenhouse–Geisser 보정을 적용하였다. 사후비교는 보정된 유의수준을 사용하고, 효과크기는 ηp²로 보고하였다. 행동 수준별 차이는 상호작용 및 단순효과 요약 표에서 제시하며, 비유의 항목은 문장 보고로 최소화하였다.

(3) 구조방정식모형(SEM): 컨펌 방식(IV)이 사용자 경험(MedV)을 매개로 기술 수용(DV)으로 이어지는 연쇄 경로를 최대우도법(ML)으로 추정하였다. 간접효과의 유의성은 부트스트랩(BCa 95%, 5,000회)으로 평가하였다. 본 데이터는 결측치가 없어 별도 결측 처리는 적용하지 않았다.

(4) 다집단 분석(조절 및 조절된 매개효과): 행동 수준 간 경로 강도 차이는 자유모형과 경로 동치 제약모형의 전역 적합도 비교로 평가하였다. 전역 판단 기준은 ΔCFI ≤ .010, ΔRMSEA ≤ .015로 설정하였다. 조절된 매개효과는 집단별 간접효과를 부트스트랩(5,000회, BCa 95% 신뢰구간)으로 추정한 뒤, 집단 간 간접효과 차이(ΔIE)의 신뢰구간이 0을 포함하지 않을 때 유의한 것으로 판정하였다.

(5) 정합성 평가: 정합성은 구조적 지표와 선호 기반의 두 축으로 점검하였다. 구조 정합은 다집단 SEM의 전역 적합지수와 경로 동치 여부를 검토하여 요약하였고, 선호 정합은 행동 수준별 컨펌 방식의 최선호 및 비선호 분포의 편중을 교차표, 카이제곱 검정, Cramér’s V로 보고하였다.

(6) 정성 보완: 선호 및 비선호 사유의 자유응답을 내용 분석으로 코딩하였다. 예비 코딩을 통해 코드북을 정제한 후 본 코딩을 실시하였고, 코더 간 일치도는 코언의 카파(κ; Cohen’s kappa)로 확인하였다.

(7) 강건성 점검 및 공변량 통제: 성별, 연령, AI 친숙도를 공변량으로 포함한 대안 사양을 검토하고, 추정법 교차(WLSMV: weighted least squares mean and variance adjusted 등), 대안 경로 사양 비교, 다집단 경로 동치 재검증을 통해 핵심 경로의 부호, 유의성, 간접효과 판정이 불변함을 확인하였다.

표 5에서 확인할 수 있듯이 신뢰, 통제감, 인지부하, 지각된 사용 용이성, 지각된 유용성, 만족도, 사용 의도로 구성된 측정모형의 내적 일관성은 모든 조건(명시적, 암묵적, 제안형)에서 Cronbach’s α=.84–.95 범위로 양호–매우 우수한 수준이었다. 항목과 총점 간 상관은 .55–.90 범위로 확인되어 문항 제거에 따른 추가 개선은 필요하지 않았다.

확인적 요인분석에서 모형 적합도는 CFI=.956–.966, TLI=.944–.958, RMSEA=.064–.075, SRMR=.034–.038 범위로 권장 기준을 충족하였고, 표준화 적재치는 .63–.95 범위에서 모두 유의하였다. 수렴 타당도는 모든 구성에서 구성 신뢰도(CR)와 평균분산추출(AVE) 기준을 충족하였다.

판별 타당도의 경우 지각된 유용성–만족도–사용 의도 축에서 Fornell–Larcker와 HTMT 기준의 경계 또는 초과 사례가 관찰되었다. 이는 지각된 사용 용이성에서 지각된 유용성, 만족도, 사용 의도로 이어지는 TAM 연쇄 구조와 공유 상류요인에 따른 구조적 공변으로 해석된다. 세 구성은 기능, 역할, 지표가 상이하므로 구분을 유지하였다. 한편 통제감–인지부하는 과업 특성상 통제감 상승과 인지부하 감소가 동반되어 상관이 커지지만, ϕ=1 제약검정에서 동일구인 가설이 기각되어 별개 요인으로 유지하였다. 경계 및 위배 쌍은 표 6에 요약하였다.