1. 메이크업 추천시스템의 개념

추천시스템은 온라인에서 사용자의 관심사와 선호도를 파악하여 제품이나 서비스를 제안하는 기능을 말한다. 이 시스템은 사용자가 관심을 가질 만한 상품과 서비스를 제시함으로써 사용자의 선택 과정을 용이하게 하고 개인에게 맞춤화된 추천을 제공한다. 초기 추천시스템은 협업 필터링 알고리즘을 중심으로 사용자의 구매 이력과 다른 사용자들의 구매 패턴을 분석하여 비슷한 취향을 가진 사용자들에게 상품을 추천하였다(Burke, 2002; Xiao & Benbasat, 2007). 시간이 지나 온라인 플랫폼의 성장과 함께 대규모 데이터의 수집 및 분석이 가능해졌고 이는 추천의 정확성을 높이는 데 기여한다. 최근 빅데이터, 머신러닝, 딥러닝과 같은 기술의 발전은 추천시스템이 더욱 정교하고 개인화된 추천을 할 수 있도록 돕고있다(Schafer et al., 1999; Sarwar et al., 2000). 이러한 기술적 진보는 추천시스템이 사용자의 취향과 선호를 더욱 정확하게 예측하고, 사용자에게 가치 있는 선택을 제공하는 데 중요한 역할을 한다. 메이크업 추천시스템은 개인의 특성을 고려하여 맞춤형 메이크업 제품과 스타일을 제안하고 고객의 피부타입, 색조, 얼굴형태, 스타일, 심지어 감정상태까지 분석하여 최적의 메이크업 옵션을 제공한다. 메이크업 추천 시스템의 장점은 사용자에게 맞춤화된 메이크업 추천을 통해 자신에게 가장 잘 어울리는 스타일을 찾을 수 있도록 돕는다. 이는 사용자의 자신감을 높이고, 개인의 아름다움을 강조하는 데 도움을 준다. 또한 사용자는 다양한 메이크업 제품을 직접 시도하지 않고도 추천시스템을 통해 적합한 제품을 빠르게 찾을 수 있어 시간과 비용을 절약할 수 있다. 뿐만 아니라 최신 뷰티 트렌드와 기술을 반영하여 사용자에게 새로운 메이크업 스타일을 쉽게 시도해 볼 수 있는 기회를 제공한다(Oh et al., 2009; Park & Kwon, 2017; Lim & Kim, 2023).

2. 추천시스템의 품질: 다양성(Diversity), 개인성(Personality), 정확성(Accuracy)

추천시스템의 품질(System Quality)은 사용자에게 적합한 제품이나 서비스를 제안하는 능력에 의해 크게 좌우된다. 이러한 시스템 품질의 핵심 요인으로는 다양성, 개인성, 정확성이 있다. 다양성은 사용자에게 제공되는 선택의 폭을 나타내며 사용자가 자신의 필요와 선호에 맞는 선택을 할 수 있도록 한다. 이는 사용자 경험을 풍부하게 하고, 시스템의 유연성을 증가시키는 역할을 한다. 개인성은 시스템이 사용자의 특성과 취향을 인식하고 맞춤화된 추천을 제공하는 능력을 말한다. 사용자 만족도를 높이고 사용자의 행동과 상호작용을 예측하는 데 중요한 요소이다. 정확성은 시스템이 사용자의 요구와 선호도를 얼마나 정확하게 파악하고 반영하는지를 나타낸다. 높은 정확성은 사용자의 신뢰를 구축하고 시스템에 대한 만족도를 높이는 데 기여한다. Nilash et al. (2016)에 따르면, 추천시스템의 품질 요인 중 다양성, 참신함(Novelty), 정확성 세 가지 요인이 사용자의 기대와 요구를 충족시키는 데 필수적인 역할을 한다고 주장하였다.

3. HCI 요인: 의인화(Anthropomorphism), 실재감(Presence)

HCI(Human-Computer Interaction)는 사람과 컴퓨터 간의 상호작용을 설계하고 평가하는 데 중요한 요소들을 말하며 사용자의 경험, 효율성, 접근성, 그리고 사용자 만족도를 포함한 다양한 측면을 포괄한다. 의인화는 비인간 대상에 인간적 특성이나 감정을 부여하는 것을 의미하며 HCI 사용자가 기술과의 상호작용을 더 자연스럽고 친근하게 상호작용할 수 있도록 돕는 HCI의 중요한 요인 중 하나이다(Breazeal, 2003; Epley et al., 2007). 실재감은 사용자가 디지털 환경이나 가상 환경에 실제로 존재하고 있다는 느낌을 경험하는 것을 말한다. 이는 사용자가 가상 환경을 현실처럼 인식하고 그 안에서 자연스럽게 상호작용할 수 있게 하는 중요한 요인으로 실재감은 사용자의 몰입도를 높이고 가상 환경에 대한 반응을 현실적인 반응으로 전환시키는 데 기여한다.

4. 지각된 신뢰(Perceived Trust)

신뢰는 온라인 환경에서 사용자의 지속적인 이용 의도와 긍정적인 구매 결정을 이끄는 핵심 요소로 불확실성을 감소시키고 기대치를 높이는 역할을 한다(McLain & Hackman, 1999). 지각된 신뢰는 사용자가 시스템의 능력, 성실성, 선의를 평가하는 과정에서 형성되며 추천시스템이 제공하는 정보나 추천에 대한 사용자의 믿음의 정도를 반영한다(Mohammadi et al., 2019). 추천시스템의 품질 요인과 HCI 요인은 이러한 지각된 신뢰를 형성하는 데 중요한 역할을 하며 신뢰는 성능 향상과 밀접하게 연계되어 있다(Neigel, 2018). 추천시스템의 신뢰는 구매 결정에 대한 예측력을 높이고 인지된 위험이 증가할수록 사용자는 추천시스템에 대한 신뢰를 더욱 강하게 느낀다(Pearson et al., 2019). 소비자들은 더 나은 서비스 제공에 대한 기대를 바탕으로 추천시스템을 선택한다(Benbasat & Wang, 2005). 이러한 연구결과는 추천시스템이 사용자의 신뢰를 얻기 위해서는 단순히 정확한 추천을 넘어서 사용자와의 상호작용과 개인화된 경험을 제공해야 함을 의미한다.

5. 몰입(Immersion)

몰입은 사용자가 물리적 세계에 대한 인식에서 벗어나 주의 상태의 변화로 인해 깊은 정신적 관여 상태를 경험하는 것을 의미하며, 주의 집중과 인지적 몰입을 포함하는 개념이다(Agrawal et al., 2020). Nilsson et al.(2016)은 몰입을 시스템의 속성, 서사 내용에 대한 주관적 반응, 또는 가상 환경 내의 도전에 대한 주관적 반응으로 구분하여 세 가지 차원의 분류 체계를 제안하였다. 이러한 분류는 몰입이 단순히 기술적인 요소에 의해서만 결정되는 것이 아니라 사용자의 개인적인 경험과 상호작용에 의해서도 영향을 받는다는 것을 의미한다. 선행연구를 통해 몰입은 사용자가 가상 환경이나 미디어 콘텐츠에 깊이 몰두하여 현실 세계와의 경계가 모호해지는 경험을 설명하는 데 사용되었다. 사용자가 경험하는 몰입감의 정도에 따라 가상 환경의 실재감을 높이고 사용자의 만족도와 수용의도에 긍정적인 영향을 미칠 수 있다.

6. 수용의도(Acceptance Intention)

수용의도는 사용자가 특정 기술이나 시스템을 사용할 의향이나 준비성을 나타내는 개념으로 사용자가 특정 기술을 받아들이고 사용할 의사가 있는 정도를 의미하며 기술 수용 모델에서 중요한 변수로 다루어진다. Venkatesh et al.(2003)는 사용자가 기술을 받아들이고자 하는 의사가 얼마나 강한지를 나타내는 지표로 설명하였다. 새로운 기술이나 서비스의 성공적인 확산과 정착은 단순히 기술적 우수성을 넘어서 사회적 수용성에 의해 크게 좌우되며 기술 발전의 필수적인 조건으로 간주된다(Cha et al., 2019). 또한 수용의도는 사용자의 긍정적인 태도, 인식된 유용성, 사용 용이성 등의 다양한 요인에 의해 영향을 받으며 실제 구매와 이용행동에 영향을 미치는 주된 요인으로 작용한다. 수용의도의 정도에 따라 사용자의 행동과 지속적인 사용을 예측할 수 있으므로 이러한 수용성은 기술 발전의 필요조건이다(Lim & Kim, 2018). 이러한 이유로 수용의도는 사용자가 기술을 얼마나 신속히 효과적으로 받아들일 것인지를 예측하는 데 중요한 역할을 한다.

1. 연구문제

본 연구는 딥러닝 기반 메이크업 추천시스템의 품질과 HCI(인간-컴퓨터 상호작용) 요인이 사용자의 지각된 신뢰와 몰입을 매개하여 수용의도를 파악하고자 다음과 같은 연구문제를 설정하였다.

H1. 추천시스템의 품질은 수용의도에 정의 영향 관계에 있을 것이며, 시스템 품질 하위 요소(다양성, 개인성, 정확성)는 지각된 신뢰에 정의 영향을 미칠 것이다.

H2. 추천시스템의 HCI 요인은 수용의도에 정의 영향 관계에 있을 것이며, HCI 요인 하위 요소(의인화, 실재감)는 수용에 정의 영향을 미칠 것이다.

H3. 추천시스템의 품질은 지각된 신뢰에 정의 영향 관계에 있을 것이며, 시스템 품질 하위 요소(다양성, 개인성, 정확성)는 지각된 신뢰에 정의 영향을 미칠 것이다.

H4. 추천시스템의 품질은 몰입에 정의 영향 관계에 있을 것이며, 시스템 품질의 하위 요소(다양성, 개인성, 정확성)는 몰입에 정의 영향을 미칠 것이다.

H5. 추천시스템의 HCI 요인은 지각된 신뢰에 정의 영향 관계에 있을 것이며, HCI 요인 하위 요소(의인화, 실재감)는 지각된 신뢰에 정의 영향을 미칠 것이다.

H6. 추천시스템의 HCI 요인은 몰입에 정의 영향 관계에 있을 것이며, HCI 요인 하위 요소(의인화, 실재감)는 지각된 신뢰에 정의 영향을 미칠 것이다.

H7. 지각된 신뢰는 수용의도에 긍정적인 영향을 미칠 것이다.

H8. 몰입은 수용의도에 긍정적인 영향을 미칠 것이다.

Fig. 1.

Research model

2. 조사대상 및 방법

본 연구의 자료수집 방법으로 설문지법을 사용하였으며, 설문조사는 사전조사와 본조사로 구분하여 진행하였다. 사전조사는 2024년 4월 22일부터 30일까지 전국에 거주하는 20대에서 60대 사이의 성인 50명을 대상으로 진행하였다. 사전조사 결과를 토대로 설문문항을 보완하였으며, 본조사는 2024년 5월 7일부터 5월 31일까지 전국에 거주하는 20대에서 60대 사이의 성인 394명을 대상으로 진행하였다. 사전조사와 본조사 모두 스마트폰 사용자에게 온라인 링크를 안내하는 구글폼 설문조사 방식을 사용하여 비대면으로 진행하였다. 수거된 자료들 가운데 불성실하다고 판단된 자료나 미응답 자료를 제외한 377부의 응답자료를 최종 분석에 사용하였다.

3. 설문지 구성

본 연구에서 사용된 설문지는 시스템 품질, HCI 요인, 지각된 신뢰, 몰입, 수용의도, 인구통계학적 특성의 여섯 가지 주요 부문으로 구성하였다. 시스템 품질 부문은 Lee et al.(2018), Sung et al.(2023)의 연구에서 사용된 문항들을 참고하여 10문항으로 구성하였다. HCI 요인은 Im & Lee(2022), Kim & Choi(2024)의 연구에서 참고하여 6개의 문항으로 구성하다. 지각된 신뢰는 Lee et al.(2018), Sung et al.(2023)의 연구를 참고하여 4개의 문항으로 구성하였으며, 몰입은 Acharya et al.(2023), Agarwal & Karahanna(2000)의 연구에서 참고하여 6개의 문항으로 구성하였다. 수용의도는 Lee et al. (2018)의 연구에서 참고하여 4개의 문항으로 구성하였고, 인구통계학적 특성은 6개의 문항으로 구성하였다. 연구 변수의 측정을 위해, ‘1:전혀 그렇지 않다’부터 ‘5:매우 그렇다’에 이르는 리커트 5점 척도와 명목척도가 사용되었다.

4. 자료분석 방법

수집한 자료는 SPSS 29.0와 AMOS 26.0 Program을 활용하여 다음과 같은 단계로 통계분석을 실시하였다. 첫째, 일반적 특성을 알아보기 위해 빈도분석(Frequency Analysis)을 실행하였다. 둘째, 측정도구의 타당성 분석은 탐색적 요인분석(Exploratory Factor Analysis), 크론바흐 알파(Cronbach’s alpha) 계수를 이용한 신뢰도 분석을 하였다. 셋째, 변수들의 타당도를 알아보기 위해 확인적 요인분석(Confirmatory Factor Analysis) 및 수렴타당도와 판별타당도를 확인하였다. 넷째, 가설검증 하기 위해 구조방정식 모형을 구축하였다. 마지막으로 부트스트랩 방법으로 지각된 신뢰와 몰입의 매개효과를 확인하였다.

1. 조사대상의 인구통계학적 특성

조사대상의 인구통계학적 특성을 분석한 결과, 젊은 여성과 대학생이 주요 설문 응답자로 나타났으며 이는 메이크업 추천시스템을 사용하는 주요 인구와 일치하는 결과이다. 본 연구의 빈도분석은 각 특성 변수의 각 카테고리에 해당하는 응답자의 수를 나타내며, 백분율은 전체 표본 규모에 대한 각 카테고리의 응답자 수가 차지하는 비율을 나타낸 값이다(Levy & Lemeshow, 2013). 조사대상자의 일반적인 특성 결과는 Table 1과 같다. 성별 분포를 살펴보면, 여성 응답자가 전체의 87.5%인 330명으로 대다수를 차지하고 있으며, 남성 응답자는 47명으로 전체의 12.5%이다. 연령대별로는 19-29세가 254명으로 가장 많아서 전체 응답자 중 67.4%를 차지하고 있다. 이는 해당 연령대가 메이크업 추천시스템에 가장 관심이 많고 활발히 사용하는 주요 연령층임을 시사한다. 직업적 특성에 따르면, 학생이 253명으로 전체의 67.1%를 차지하여 가장 큰 비율을 나타내고 있다. 학력 수준은 전문대학교 재학 또는 졸업이 152명(40.3%), 고등학교 졸업이 105명(27.9%), 대학교 재학 또는 졸업이 120명(22.5%)으로 나타났다. 월 소득 측면에서는 100만원 미만 범주에 속하는 응답자가 247명으로 전체의 65.5%를 차지하고 있으며, 결혼 여부에 대해서는 미혼(혹은 비혼)인 응답자가 290명으로 전체의 76.9%를 차지하고 있다. 이러한 결과는 메이크업 추천시스템의 주요 사용자층이 미혼의 젊은 여성 대학생임을 보여주며 이들의 특성을 고려한 맞춤형 서비스 제공이 중요함을 강조한다.

Table 1.

General Characteristics of Study Subjects

2. 주요 변인들의 기술통계

기술통계는 변수의 기본적인 통계적 특성을 분석하여 데이터의 분포 특성과 내부 구조에 대한 심층적인 시각을 제공하는 데 도움이 된다(Leech et al., 2005). 이를 통해 연구자는 변수들이 어떤 형태로 분포하고 있는지, 평균적인 값은 어떤지, 데이터의 퍼짐 정도와 대칭성을 파악할 수 있다(Boylan & Cho, 2012). 본 연구에서 측정한 주요 변인의 수준을 파악하기 위해 표준편차와 평균을 산출한 결과는 Table 2와 같다. 다양성(SQV)에 대한 평균은 3.979로 응답자들이 시스템의 다양성을 상대적으로 높게 평가했음을 보여준다. 표준편차는 0.927로 응답자 간의 평가가 다소 분산되어 있음을 나타낸다. 왜도는 -0.920로 분포가 약간 왼쪽으로 치우쳐 있으며, 첨도는 0.456으로 정규 분포보다 약간 뾰족한 형태를 보인다. 개인성(SQP)의 평균은 3.956로 응답자들이 시스템의 개인화된 추천에 대해서도 긍정적으로 평가한 것으로 보인다. 표준편차는 1.116으로 이 변인에 대한 평가가 다양성보다 더 넓게 퍼져 있음을 의미한다. 왜도는 -1.090, 첨도는 0.160으로 분포가 왼쪽으로 더 치우쳐 있고 정규 분포보다 납작한 형태를 나타낸다. 정확성(SQA)에 대한 평균은 3.957로 응답자들이 시스템의 정확한 메이크업 추천에 대해 긍정적인 평가를 한 것으로 나타난다. 표준편차는 0.976로 다양성과 유사한 수준의 평가 분산을 보인다. 왜도는 -0.688, 첨도는 -0.143으로 비교적 정규 분포에 가까운 형태를 보이나 약간의 왼쪽 치우침이 있다. 의인화(HCIA)에 대한 평균은 4.012로 이는 모든 변인 중 가장 높은 평균값이다. 이는 사용자들이 시스템의 인간과 같은 특성을 높이 평가한다는 것을 의미한다. 표준편차는 1.173으로 응답의 분산이 가장 큰 변인 중 하나이다. 왜도는 -1.037, 첨도는 -0.011로 분포가 왼쪽으로 치우쳐 있으나 첨도는 거의 정규 분포와 유사하다. 실재감(HCIP)에 대한 평균은 4.072로 사용자들이 시스템의 실재감을 매우 높게 평가했음을 나타낸다. 표준편차는 1.031로 의인화와 유사한 수준의 평가 분산을 보인다. 왜도는 -1.119, 첨도는 0.732로 분포가 왼쪽으로 치우쳐 있고, 정규 분포보다 뾰족한 형태를 나타낸다. 지각된 신뢰(PT)에 대한 평균은 4.200으로 모든 변인 중 가장 높은 평균값을 보이며 사용자들이 시스템에 대한 신뢰를 매우 높게 평가하고 있음을 보여준다. 표준편차는 1.074로 응답의 분산이 상대적으로 크다. 왜도는 -1.208, 첨도는 0.414로 분포가 왼쪽으로 치우쳐 있고 정규 분포보다 약간 뾰족하다. 몰입(IME)에 대한 평균은 4.004로 사용자들이 시스템에 몰입하는 경험을 긍정적으로 평가했음을 나타낸다. 표준편차는 0.744로 모든 변인 중 가장 낮은 분산을 보이며 응답자 간의 일관성이 비교적 높음을 의미한다. 왜도는 -0.548, 첨도는 0.423로 비교적 정규 분포에 가까운 형태를 보인다. 수용의도(ACP)에 대한 평균은 4.144로 사용자들이 메이크업 추천시스템의 수용 가능성을 높게 평가하고 있음을 나타낸다. 표준편차는 0.819로 몰입과 유사한 수준의 분산을 보이며, 왜도는 -0.650, 첨도는 -0.094로, 분포가 약간 왼쪽으로 치우쳐 있으나 대체로 정규 분포에 가까운 형태를 보인다.

Table 2.

Descriptive Statistical Analysis of Major Variables

3. 변수의 타당도와 신뢰도 분석

1) 탐색적 요인분석

탐색적 요인분석(Exploratory Factor Analysis, EFA)을 활용하여 변수 간의 연관성을 기반으로 핵심 정보를 추출하고 관찰 변수를 축소하는 기법을 적용하였다. EFA는 관찰 데이터의 기본 구조를 탐색하고 복잡한 관계를 가진 관찰 변수를 몇 가지 핵심 공통 요인으로 종합하는 데 유용하다(Fabrigar & Wegener, 2011). 본 연구에서의 탐색적 요인분석은 KMO 값과 Bartlett 구형 검정을 통해 요인분석의 적합성을 평가한 결과는 Table 3과 같다. KMO 값이 0.856으로 0.6 이상이며, Bartlett 구형 검정의 유의성 p값이 0.05 미만으로 나타나서 변수 간에 상관관계가 있어 요인분석이 타당하고 적합하다는 것을 확인하였다(Watkins, 2021). 주성분 분석을 통해 추출된 8개 요인은 총분산 설명력 79.862로, 60% 이상의 높은 설명력을 보여주어 추출된 공통 요인이 데이터의 핵심 정보를 적절히 담고 있음을 나타낸다. 모든 연구 항목의 공통성 값이 0.4 이상으로 연구 항목과 요인 간의 상관관계가 강하며 요인이 효과적으로 정보를 추출할 수 있음을 보여준다. 또한, 각 항목의 요인적재량이 0.5 이상으로 나타나서 25개 항목을 8개 요인으로 분류할 수 있음을 확인하였다. 신뢰성 측정에 있어서 Cronbach의 α 계수를 사용하여 설문지 전체와 각 문항의 내적 일관성 신뢰도를 측정하였다. 일반적으로 α 계수의 값이 0.7 이상일 경우 신뢰도가 높다고 평가되며(Wadkar et al., 2016), 본 연구에서는 모든 변인의 α 계수가 0.8 이상으로 나타나 높은 신뢰도를 보여준다. 구체적으로 SQV의 α 계수는 0.818, SQP의 α 계수는 0.872, SQA의 α 계수는 0.914, HCIA의 α 계수는 0.860, HCIP의 α 계수는 0.901, PT의 α 계수는 0.912, IME의 α 계수는 0.880, ACP의 α 계수는 0.822로, 모든 변인에서 높은 신뢰도를 확인할 수 있었다. 이러한 분석결과를 종합해 볼 때, 본 연구는 타당성과 신뢰성이 우수하며 추가 분석에 사용할 수 있는 견고한 기초를 마련하였다.

Table 3.

Exploratory Factor Analysis Results

2) 확인적 요인분석

(1) 수렴타당성 검증

구조모형 분석을 진행하기에 앞서 관측변수들이 잠재변수를 얼마나 잘 설명하고 있는지를 확인하기 위해 확인적 요인분석(Confirmatory Factor Analysis, CFA)을 수행하였다(Table 4). CFA는 측정모형의 적합도를 검증하는 데 중요한 절차로 잠재변수의 수렴타당성을 평가하는 데 사용된다. CFA 결과에 따라 평균분산추출값(AVE: Average Variance Extracted) 및 개념신뢰도(CR: Construct Reliability)를 검증하였으며, 이 두 지표는 잠재변수의 타당성과 신뢰성을 평가하는 데 핵심적인 역할을 한다. 검증 결과에서 AVE 값이 0.5 이상, CR 값이 0.7 이상으로 나타나서 잠재변수 간의 수렴타당성이 확보되었음을 확인할 수 있었다. 이는 각 잠재변수가 해당하는 측정항목들에 의해 잘 설명되고 있으며 측정항목들이 해당 잠재변수의 개념을 일관되게 측정하고 있음을 의미한다. 이러한 결과는 본 연구의 측정모형이 타당하고 신뢰할 수 있는 것으로 해석될 수 있으며 이는 구조모형 분석을 진행하는 데 있어 견고한 기반을 제공한다.

Table 4.

Confirmatory Factor Analysis Results

(2) 판별타당성 검증

판별타당성을 검증하기 위해 잠재변인 간의 상관계수와 95% 신뢰구간을 산출하였다(Table 5). Bae (2014)에 따르면 신뢰구간이 1 또는 –1을 포함하지 않을 경우 판별타당성이 수용 가능한 것으로 판단한다. 분석결과, 평균분산추출(AVE) 값의 제곱근이 각 구성개념 간의 상관자승치(Squared Correlation)보다 높게 나타났다. 이는 각 잠재변인이 측정변수들에 의해 잘 설명되고 있으며 각 구성개념이 서로 구별되는 독립적인 개념임을 나타낸다. 이러한 분석을 통해 본 연구의 판별타당성이 확보되었음을 확인할 수 있었으며 연구모델의 각 구성개념이 명확하게 구분되고, 각각의 잠재변인이 해당하는 측정변수들에 의해 잘 설명되고 있음을 의미한다.

Table 5.

Discriminant Validity Verification Results

Fig. 2.

Fitness of research model

4. 구조모형 검증

1) 연구모형의 적합도

연구모형의 적합도를 확인하기 위해 구조방정식모형(Structural Equation Modeling, SEM)을 활용하여 이론적 모델의 타당성을 검증하고 실제 데이터와 이론적 가정 간의 일치 여부를 분석하였다(Table 6). SEM은 공분산 행렬을 기반으로 변수 간의 관계를 분석하는 통계적 방법으로 다중 회귀분석, 경로분석, 요인분석을 결합한 방법이다(Musil et al., 1998). 본 연구의 구조방정식 모형 적합도 지수는 CMIN=369.844, DF=254, CMIN/DF=1.456, RMSEA=0.035, GFI=0.979, NFI=0.937, IFI=0.98로 나타났다. 이러한 지표들은 모형의 적합도가 높음을 나타내며, 특히 RMSEA 값이 0.035로 나타나 모형의 적합도가 매우 우수함을 시사한다. 또한, GFI와 IFI 값이 각각 0.979와 0.98로 매우 높게 나타나 모형이 데이터를 잘 설명하고 있음을 보여준다. 가설검증 결과, 가설4b SQP-IM은 표준화 계수가 0.04, p값이 0.467(>0.05)로 나타나 기각되었다. 이는 SQP(개인성)와 IM(몰입) 간의 관계가 통계적으로 유의미하지 않음을 의미한다. 그러나 다른 가설들은 모두 채택되어 연구모델의 대부분의 경로가 통계적으로 유의미한 것으로 나타났으며, 이러한 결과는 본 연구의 이론적 모델이 실증 데이터를 통해 타당하다는 것을 뒷받침한다.

Table 6.

Hypothesis-testing

2) 매개효과 검증

딥러닝 기반 메이크업 추천시스템의 품질과 HCI 요인이 사용자의 지각된 신뢰와 몰입을 매개로 하여 수용의도에 미치는 영향을 부트스트랩 방법을 통해 분석하였다(Table 7). 매개효과 분석결과, 시스템 품질 변수(SQV, SQP, SQA)와 HCI 요인(HCIA, HCIP)은 사용자의 지각된 신뢰(PT)와 몰입(IME)을 매개로 하여 수용의도(ACP)에 유의미한 부분 매개 효과를 가지는 것으로 나타났다. 그러나 SQP(개인성)에서 IME(몰입)을 거쳐 ACP(수용의도)로 이어지는 경로는 통계적으로 유의미한 매개 효과가 없음을 확인하였다. 이는 개인성이 몰입을 통해 수용의도에 미치는 간접적인 영향이 통계적으로 확인되지 않았음을 의미한다. 반면에 다른 변수들에 대해서는 유의한 부분 매개 효과가 관찰되었으며, 이러한 결과는 추천시스템의 품질과 HCI 요인이 사용자의 신뢰와 몰입을 통해 수용 의도에 중요한 영향을 미칠 수 있음을 시사한다.

Table 7.

Mediation Effect Verification Results