J Korean Soc Cosmetol > Volume 30(6); 2024 > Article
딥러닝 기술을 활용한 메이크업 이미지 최적화 추천시스템의 수용의도에 미치는 의인화와 실재감의 영향: 인지 흡수의 매개효과를 중심으로

Abstract

This study was conducted to understand the relationship between HCI (Human-Computer Interaction) factors, user cognitive absorption, and acceptance intention in makeup image optimization recommendation systems. A preliminary survey and main survey were carried out targeting adults in their twenties, and various statistical methods including frequency analysis, exploratory and confirmatory factor analysis, and structural equation modeling were used to analyze the data using SPSS and AMOS programs. The results of the study confirmed that the survey items consistently and reliably measured each variable through reliability and validity analysis, and the model’s high fit was proven through principal component analysis and confirmatory factor analysis. Correlation analysis showed significant positive relationships between all variables, and most paths in hypothesis testing through structural equation modeling were statistically significant. In particular, a significant partial mediating effect was found in the path where anthropomorphism affects acceptance intention mediated by curiosity. This means that HCI factors such as anthropomorphism and presence positively influence the acceptance intention of the recommendation system through various aspects of cognitive absorption, such as user engagement, temporal dissociation, curiosity, and pleasure. These results provide important implications for user-centered service design and improvement, suggesting that it is possible to move towards increasing user satisfaction and loyalty by accurately reflecting individual user needs and preferences. Additionally, the findings promote a deeper understanding of technological innovation in the beauty industry and user experience design, laying the foundation for effective user-centered service development.

I. 서 론

뷰티산업은 인공지능(AI)과 딥러닝(Deep-learning)과 같은 첨단 기술의 발전에 힘입어 개인 맞춤형 뷰티 서비스와 제품을 제공하는 새로운 방향으로 산업을 이끌어가고 있다. 이러한 변화는 소비자들이 더욱 다양하고 개인화된 제품을 요구함에 따라 발생하고 있으며, 특히 메이크업 이미지 최적화 추천시스템은 소비자들의 수요에 부응하기 위한 중요한 도구로 자리잡고 있다(Gulati et al., 2022). 딥러닝 기술은 이미지 인식, 패턴 분석, 예측 모델링 등의 분야에서 뛰어난 성능을 발휘하며 메이크업 이미지 최적화 추천시스템의 정확도와 효율성을 크게 향상시키고 있다. 또한 딥러닝 기술은 뷰티산업에서 트렌드를 예측하고, 소비자들에게 개인화되고 맞춤화된 제품을 추천함으로써 소비자 만족도를 높이며 브랜드 충성도를 강화하는데 기여하고 있다(Margherita Valle, 2020). 메이크업 이미지 최적화 추천시스템에서 HCI(인간-컴퓨터 상호작용) 요인은 사용자 경험을 형성하고 기술 수용에 중요한 역할을 한다. HCI 요인 중 의인화(Anthropomorphism)와 실재감(Presence)은 사용자가 시스템과의 상호작용에서 인간과 유사한 경험을 하게 함으로써 인지 흡수(Cognitive Absorption)를 증진시킬 수 있다. 인지 흡수는 사용자가 기술에 몰입하고, 시간적 해리를 경험하며, 호기심을 느끼고 즐거움을 얻는 상태를 말한다. 이러한 상태는 사용자가 기술을 수용하고자 하는 의도에 긍정적인 영향을 미칠 수 있다(Nowak & Biocca, 2003; Cheng et al., 2022). 의인화된 요소는 사용자가 기술을 인간적이고 친근하게 느끼게 하여 신뢰와 몰입을 증진시킬 수 있으며, 기술에 대한 수용의도를 높일 수 있다. 실재감은 사용자가 가상 환경이나 시스템과의 상호작용을 실제와 같이 느끼게 하여 사용자의 사회적 존재감과 연결감을 강화시키고 기술 수용에 긍정적인 영향을 줄 수 있다(Klein et al., 2023; Li, et al., 2023). 본 연구는 설문 조사와 분석을 통해 HCI 요인이 사용자의 인지 흡수를 통해 메이크업 이미지 최적화 시스템의 수용에 어떠한 영향을 미치는지를 심층적으로 조사하고자 한다. 또한 메이크업 이미지 최적화 추천시스템의 HCI 요인과 사용자의 인지 흡수의 관계를 밝힘으로써, 뷰티산업에서 기술적 발전과 사용자 경험의 중요성을 이해하고자 한다. 의인화와 실재감과 같은 HCI 요인이 사용자의 몰입, 시간적 해리, 호기심, 즐거움 등 인지 흡수의 다양한 측면을 통해 기술 수용의도에 어떻게 영향을 미치는지에 대한 이해를 바탕으로 사용자 중심의 서비스 설계와 개선에 대한 시사점을 제공한다. 이는 뷰티산업이 사용자의 개별적인 요구와 선호를 더욱 정확하게 반영하여 사용자 만족도와 충성도를 높이는 방향으로 나아갈 수 있게 할 것이다. 뿐만 아니라 기존의 기술 수용 모델에 HCI 요인과 인지 흡수를 통합함으로써, 기술 수용에 영향을 미치는 새로운 변수들을 탐색하고 모델을 확장하는 데 기여하며, 뷰티산업의 기업들과 기술 개발자들이 사용자 경험을 최적화하고 기술 수용을 촉진하는 전략을 수립하는 데 있어 중요한 참고 자료가 될 것이라 사료된다.

II. 이론적 배경

1. 메이크업 이미지 최적화 추천시스템

메이크업 이미지 최적화 추천시스템은 사용자의 개인적 특성과 선호를 분석하여 맞춤형 메이크업을 제안하는 인공지능(Artificial Intelligence, AI) 기반 기술이다. 이 시스템은 사용자의 얼굴 특징, 피부톤, 선호도, 피드백을 종합적으로 고려하여 최적의 메이크업 제품과 스타일을 추천한다. 최근 메이크업 이미지 최적화 추천시스템 딥러닝(Deep-learning), 컴퓨터 비전, 자연어 처리, 협업 필터링과 같은 첨단 기술들을 활용하여 사용자 경험을 향상시키고 있다. Park et al.(2022)의 연구에서는 영상처리를 통해 사용자의 퍼스널 컬러를 분석하고 이를 바탕으로 적절한 메이크업 콘텐츠를 추천하는 시스템을 제안하였다. 시스템은 다양한 영상처리 방법을 통해 사용자의 신체 영역을 추출하고 색상 데이터 값을 이용하여 퍼스널 컬러를 분석한 후, 그에 맞는 메이크업 콘텐츠를 추천한다. Chung(2010)의 연구에서는 사용자의 감성과 선호도를 중심으로 메이크업 스타일을 개발하는 방법으로 협력적 필터링 기법을 응용한 시스템을 제안하였다. 시스템은 사용자의 상황과 감성을 고려하여 개인화된 메이크업 추천을 제공한다. 이러한 시스템은 사용자의 만족도를 높이고 매출을 증대시킨다. 또한 사용자의 피드백을 바탕으로 지속적으로 학습하고 개선하여 더욱 정교하고 개인화된 추천을 할 수 있다. 사용자는 이를 통해 다양한 메이크업 제품과 스타일을 시도하고 자신에게 맞는 메이크업을 찾을 수 있다. 이와 같은 메이크업 이미지 최적화 추천시스템의 연구와 개발은 뷰티산업의 혁신을 이끌고 있으며 사용자 경험을 개선하고 새로운 비즈니스 기회를 창출하는 데 중요한 역할을 하고 있다. 추천시스템의 발전은 앞으로도 계속될 것이며 더욱 정교하고 개인화된 사용자 경험을 제공할 것으로 기대된다.

2. HCI(Human-Computer Interaction) 요인: 의인화, 실재감

HCI(인간-컴퓨터 상호작용)는 사용자와 기술 간의 상호작용 방식을 연구하는 학문 분야로, 초기에는 사용자와 컴퓨터 간의 기술적 상호작용에 중점을 두었다. 그러나 현재는 기기의 다양성과 사용자 경험(User Experience, UX)의 향상을 고려하여 사용자들에게 새롭고 유익한 경험을 제공할지에 대한 연구로 발전하고 있다(Sgjjojo, 2019). HCI의 핵심 요소로는 의인화(Anthropomorphism)와 실재감(Presence)이 있다. 의인화는 기술이나 시스템에 인간과 유사한 특성이나 행동을 부여하는 것을 말하며 사용자가 기술을 친숙하고 이해하기 쉽게 느끼도록 돕는다. 실재감은 사용자가 가상 환경이나 상호작용을 실제와 같이 느끼는 정도를 말하며 사용자가 기술을 통해 몰입감을 경험하게 하며 가상 환경에서의 행동이 실제와 유사하게 이루어지도록 한다(Hong et al., 2017). 이러한 HCI 요인은 뷰티산업에서 디지털 혁신을 이끌고 있다. 특히 메이크업 이미지 최적화 추천시스템에서 HCI 요인은 생성형 AI와 결합하여 실시간으로 사용자의 피부타입, 색조, 얼굴형태, 스타일을 분석하고 다양한 메이크업 제품을 가상으로 체험할 수 있는 기능을 제공하여 사용자에게 맞춤형 메이크업을 추천한다.

3. 인지 흡수(Cognitive Absorption): 시간적 해리, 호기심, 몰입, 즐거움

인지 흡수 이론은 사용자가 기술에 깊이 몰입하고 집중하는 경험을 설명하는 데 중요한 이론적 틀을 제공한다. 이 이론은 메이크업 이미지 최적화 추천시스템과 같은 기술을 사용자가 참여와 즐거움을 어떻게 경험하는지를 이해하기 위해 필수적이다. Guo & Ro(2008)는 인지 흡수를 사용자가 새로운 기술을 사용하는 과정에서의 참여와 투입 상태로 정의하였고, Csikszentmihalyi(1990)는 몰입 이론을 통해 개인이 활동에 완전히 빠져들어 높은 집중, 통제감, 의식 상실, 시간 변형의 감각을 느끼는 상태로 설명하였다. Webster & Ho(1997)는 인지 참여가 인간-컴퓨터 상호작용과 사용자의 주관적 경험에 중점을 두며, 호기심, 주의 집중, 내적 흥미의 세 가지 차원을 포함한다고 설명하였다. Agarwal & Karahanna(2000)는 인지 흡수를 소프트웨어 사용에 깊이 몰입하는 상태로 정의하고, 시간 분리(시간의 흐름을 인식하지 못하는 몰입된 상호작용), 집중 몰입(다른 중요한 주의력을 무시하는 몰입된 참여), 높은 즐거움(즐거운 상호작용), 통제력(사용자가 상호작용 과정에서 자신이 가진 통제력을 인식함), 호기심(사용자가 더 많은 내용을 탐색하려는 기대와 인지적 호기심)의 다섯 가지 차원을 제안하였다. 본 연구는 시간적 해리(Temporal Dissociation), 호기심(Curiosity), 몰입(Immersion), 즐거움(Enjoyment)을 매개 변수로 사용자가 메이크업 이미지 최적화 추천시스템을 사용함에 있어 미치는 매개 효과를 살펴보고자 한다.

4. 수용의도(Acceptance Intention)

수용의도는 사용자가 특정 기술이나 서비스를 사용할 의향이 있는 정도를 나타내는 개념으로 사용자가 기술을 얼마나 받아들일 준비가 되어 있는지, 실제로 사용할 가능성이 있는지를 의미한다. 사용자가 기술을 수용하려는 의도는 여러 요인에 의해 영향을 받으며 기술의 유용성, 사용의 용이성, 주변 사람들의 영향 등 다양한 측면에서 고려된다. 수용의도는 기술 수용 모델(Technology Acceptance Model, TAM)과 통합 기술 수용 이론(Unified Theory of Acceptance and Use of Technology, UTAUT)에서 중요한 변수로 다루어지며 사용자의 기술 사용에 대한 태도와 행동을 예측하는 데 중요한 역할을 한다(Kang & Kim, 2016; Jeon et al., 2019; Hwang & Nam, 2020). 인공지능 서비스에 관한 연구에서 편의성과 쾌락적, 실용적 동기가 사용자 수용의도에 유의미한 요인임을 증명하였으며, 뷰티와 패션 분야에서도 수용의도는 사용자가 기술과 서비스를 얼마나 가치있고 유용하게 인식하는지, 그리고 그것을 사용할 준비가 되어 있는지를 나타내는 중요한 지표로 활용되고 있다(Jeon et al., 2019; Kim et al., 2023).

III. 내용 및 방법

1. 연구문제

본 연구는 메이크업 이미지 최적화 추천시스템의 HCI(인간-컴퓨터 상호작용) 요인이 사용자의 인지 흡수를 매개하여 수용의도에 미치는 영향을 파악하고자 다음과 같은 연구문제를 설정하였다.
H1. 의인화는 수용의도에 긍정적인 영향을 미칠 것이다.
H2. 실재감은 수용의도에 긍정적인 영향을 미칠 것이다.
H3. 의인화는 인지 흡수에 긍정적인 영향을 미칠 것이며, 의인화는 인지 흡수 하위요소(시간적 해리, 호기심, 몰입, 즐거움)에 긍정적인 영향을 미칠 것이다.
H4. 실재감은 인지 흡수에 긍정적인 영향을 미칠 것이며, 실재감은 인지 흡수 하위요소(시간적 해리, 호기심, 몰입, 즐거움)에 긍정적인 영향을 미칠 것이다.
H5: 인지 흡수는 수용의도에 긍정적인 영향을 미칠 것이며, 인지 흡수 하위요소(시간적 해리, 호기심, 몰입, 즐거움)는 수용의도에 긍정적인 영향을 미칠 것이다.
H6: 인지 흡수는 의인화와 수용의도 관계에서 매개할 것이며, 인지 흡수 하위요소(시간적 해리, 호기심, 몰입, 즐거움)는 의인화와 수용의도 관계에서 매개할 것이다.
H7: 인지 흡수는 실재감과 수용의도 관계에서 매개할 것이며, 인지 흡수 하위요소(시간적 해리, 호기심, 몰입, 즐거움)는 실재감과 수용의도 관계에서 매개할 것이다.

2. 조사대상 및 방법

본 연구는 설문지법을 통한 자료수집을 진행하였다. 2024년 4월 22일부터 4월 30일까지 전국의 20대 성인 50명을 대상으로 사전조사를 실시하였고, 이를 바탕으로 설문 문항을 수정 및 보완하였다. 이후 본조사는 2024년 5월 7일부터 5월 31일까지 같은 연령대의 성인 251명을 대상으로 확대하여 실시하였다. 두 조사 모두 스마트폰 사용자들에게 구글폼을 통한 온라인 링크를 제공하여 비대면으로 수행되었으며, 최종적으로 불성실한 응답이나 미응답으로 판단된 자료를 제외한 총 248개의 유효한 응답 데이터를 분석에 활용하였다.

3. 설문지 구성

본 연구에서 사용된 설문지는 HCI 요인(사람-컴퓨터 상호작용작용), 인지 흡수, 수용의도 및 인구통계학적의 네 부문으로 구성하였다. 사람-컴퓨터 상호작용성은 Im & Lee(2022); Kim & Choi(2024)의 연구를 참조하여 5개의 문항으로 구성하였고, 인지 흡수는 Acharya et al.(2022); Balakrishnan & Dwivedi(2021); Agarwal & Karahanna(2000)의 연구를 바탕으로 10문항으로 구성하였다. 수용의도는 Lee et al.(2018)의 연구에서 도출된 문항을 활용하여 3개의 문항으로 구성하였고, 인구통계학적 특성은 총 6문항으로 구성하였다. 연구변인을 측정하기 위해 리커트 5점 척도(‘1:전혀 그렇지 않다’부터 ‘5:매우 그렇다’)와 명목척도를 사용하였다.

4. 자료분석 방법

본 연구에서 수집된 자료는 SPSS 29.0과 AMOS 26.0 프로그램을 활용하여 통계분석을 실시하였다. 먼저 조사대상자의 일반적 특성을 파악하기 위해 빈도분석(Frequency Analysis)을 실행하였고, 측정도구의 타당성을 검증하기 위해 탐색적 요인분석(Exploratory Factor Analysis)과 크론바흐 알파(Cronbach’s alpha) 계수를 이용한 신뢰도 분석을 수행하였다. 또한 변수들의 타당도를 검증하기 위해 확인적 요인분석(Confirmatory Factor Analysis)을 실시하고 수렴타당도와 판별타당도를 확인하였다. 연구가설을 검증하기 위해 구조방정식 모형을 구축하였으며, 마지막으로 부트스트랩 방법을 통해 지각된 신뢰와 몰입의 매개효과를 분석하였다. 이러한 과정을 통해 연구의 신뢰성과 타당성을 확보하였다.

IV. 결과 및 고찰

1. 조사대상의 인구통계학적 특성

빈도분석은 각 특성 변수별로 분류된 응답자 수를 집계하여 전체 표본 대비 각 카테고리의 비율을 백분율로 나타낸 값이다(Levy & Lemeshow, 2013). 조사대상자의 일반적인 특성 결과는 Table 1과 같다. 성별 분포에서는 여성 응답자가 214명으로 전체의 86.3%를 차지하였고, 남성 응답자는 34명으로 전체의 13.7%로 나타났다. 국적 분포에서는 한국인이 243명으로 98.0%, 외국인은 5명으로 2.0%를 차지하였다. 직업적 특성으로는 학생이 231명으로 가장 큰 비율인 93.2%를 차지하였고, 학력 수준은 전문대학교 재학 또는 졸업자가 131명(52.8%), 고등학교 졸업자가 85명(34.3%), 대학교 재학 또는 졸업자가 29명(11.7%)으로 나타났다. 월 소득은 100만원 미만이 216명으로 전체의 87.1%를 차지하였으며, 결혼 여부는 미혼 혹은 비혼이 247명으로 전체의 99.6%를 차지하였다. 설문 조사대상은 주로 20대 미혼 대학생으로, 메이크업 이미지 최적화 추천시스템의 주요 사용자 이미지에 부합하고 이러한 표본 특성은 대표성을 갖추고 있다.

2. 탐색적 요인분석

1) 신뢰도 및 타당도

본 연구에서 실시한 타당도 및 신뢰도 평가 결과는 Table 2와 같다. 신뢰도는 측정 도구의 일관성을 나타내며 동일한 도구로 여러 차례 측정했을 때 결과의 일관성을 의미한다(Kimberlin & Winterstein, 2008). 본 연구에서는 크론바흐의 알파 계수를 사용하여 설문지 전체와 각 문항의 신뢰도를 평가하였다. 일반적으로 알파 계수가 0.7 이상이면 높은 신뢰도, 0.7~0.5이면 적절한 신뢰도, 0.5 미만이면 설문지 재작성을 고려해야 한다고 알려져 있다(Aithal & Aithal, 2020). 본 연구에서 ANT(의인화)의 α 계수는 0.891, PRE(실재감)의 α계수는 0.901, IME(몰입)의 α 계수는 0.903, TD(시간적 해리)의 α 계수는 0.907, CUR(호기심)의 α 계수는 0.863, ENJ(즐거움)의 α 계수는 0.900, ACP(수용의도)의 α 계수는 0.888, 전체적인 α 계수는 0.893으로, 모든 변수에서 0.7 이상의 높은 신뢰도를 확인할 수 있었다. 타당도 분석을 위해서는 요인분석의 전제 조건인 항목 간의 상관관계 충족 여부를 확인해야 하며, 이는 KMO 값과 바틀렛의 구형성 테스트를 통해 반영된다(Watkins, 2021). KMO 검정은 요인분석 적합성을 평가하는 지표로 0에서 1 사이의 값을 가지며, 값이 클수록 요인분석에 적합함을 의미한다. 일반적으로 KMO 값이 0.6 이상이면 요인분석에 적합하다고 판단된다(Shrestha, 2021). 바틀렛의 구형성 검정은 변수 간 상관관계 행렬이 요인분석에 적합한 구형성을 만족하는지 검증하는 통계적 검정이다(Watkins, 2021). 요인분석을 진행할 때는 KMO 값이 0.6 이상이고 바틀렛의 p값이 0.05 미만일 때 타당하다고 판단된다. 본 연구에서는 KMO 값이 0.809로 0.7 이상이며 바틀렛 구형 검정의 유의성 p값이 0.05 미만으로 나타나 변수 간 상관관계가 충분하여 요인분석이 타당하고 적합함을 확인하였다. 이러한 결과는 연구의 타당성과 신뢰성이 우수함을 보여주며 추가적인 분석을 위한 견고한 기반을 마련하였음을 의미한다.

2) 요인분석

본 연구에서 실시한 주성분 분석(Principal Component Analysis, PCA)은 고유값(Eigenvalue)이 1을 초과하는 요인들을 추출하는 방식으로 진행되었다. 분석을 통해 총 7개의 요인이 도출되었으며, 총분산의 85.368%를 설명하는 높은 설명력을 가지고 있음을 Table 3에서 확인할 수 있다. 이는 추출된 요인들이 데이터 세트 내의 핵심 정보를 효과적으로 반영하고 있음을 의미한다. 또한 각 항목에 대한 요인적재량(Factor Loadings)이 0.5 이상으로 나타나 총 18개의 항목이 7개의 요인으로 적절히 분류될 수 있음을 보여준다. 이러한 결과는 해당 요인들이 각 변수들의 변동성을 잘 포착하고 있으며 연구의 변수 구조가 타당하다는 것을 시사한다.

3. 확인적 요인분석

본 연구에서는 구조방정식 모델링(Structural Equation Modeling, SEM)을 실시하기 전에 관측변수들이 잠재변수를 어떻게 설명하는지 평가하기 위해 확인적 요인분석(Confirmatory Factor Analysis, CFA)을 수행하였다(Table 4). 확인적 요인분석은 측정모형의 적합도를 평가하고 잠재변수의 집중타당성을 검증하는 중요한 절차이다.

1) 수렴타당성 검증

확인적 요인분석 결과를 통해 평균분산추출값(AVE: Average Variance Extracted)과 개념신뢰도(C.R.: Construct Reliability)를 검증하였으며, 이 두 지표는 잠재변수의 타당성과 신뢰성을 평가하는 데 핵심적인 역할을 한다. 본 연구에서 AVE 값은 0.5 이상, C.R. 값은 0.7 이상으로 나타나 잠재변수 간의 수렴타당성이 확보되었음을 확인할 수 있었다. 이는 각 잠재변수가 관련 측정항목들에 의해 충분히 설명되고 있으며, 해당 측정항목들이 일관되게 잠재변수의 개념을 측정하고 있음을 의미한다. 이러한 결과는 본 연구의 측정모형이 타당하고 신뢰할 수 있는 것으로 해석될 수 있다.

2) 판별타당성 검증

판별타당성 검증 결과, 평균분산추출(AVE) 값의 제곱근이 각 구성개념 간의 상관자승치(Squared Correlation)보다 높게 나타났다(Table 5). 이는 각 잠재변인이 측정변수들에 의해 충분히 설명되고 있으며 구성개념들이 서로 독립적이고 구별되는 개념임을 의미한다. 이러한 결과는 본 연구의 판별타당성이 확보되었음을 보여주며, 연구모델의 각 구성개념이 명확하게 구분되어 있음을 나타낸다. 또한, 각 잠재변인이 해당하는 측정변수들에 의해 잘 설명되고 있음을 의미하며 연구 결과의 타당성과 신뢰성을 높인다.

4. 상관분석

피어슨 상관관계 계수(Pearson Correlation Coefficient, PCC)는 ANT(의인화), PRE(실재감), IME(몰입), TD(시간적 해리), CUR(호기심), ENJ(즐거움), ACP(수용의도)의 7가지 변수 간의 상호 연관성을 평가하는 데 사용되었다(Table 5). 분석결과, ANT(의인화)와 다른 변수들 간의 상관계수는 0.408, 0.353, 0.21, 0.369, 0.272, 0.48로 나타나 이들 간에 유의미한 양의 상관관계가 있음을 보여준다. PRE와 다른 변수들 간에도 상관계수가 0.408, 0.353, 0.21, 0.369, 0.272, 0.48로 나타나 이들 간에 유의미한 양의 상관관계가 있음을 확인할 수 있었다. 또한, IME와 다른 변수들 간의 상관계수는 0.28, 0.209, 0.237, 0.399로 이들 간에도 유의미한 양의 상관관계가 있음을 나타낸다. TD와 CUR, ENJ, ACP 간의 상관계수는 각각 0.245, 0.196, 0.377로, 이들 간에도 유의미한 양의 상관관계가 있음을 보여준다. CUR과 ENJ, ACP 간의 상관계수는 0.158, 0.444로, 이들 간에도 유의미한 양의 상관관계가 있음을 의미한다. ENJ와 ACP 간의 상관계수는 0.334로, 이들 간에도 유의미한 양의 상관관계가 있음을 나타낸다. 이러한 결과는 각 변수들이 서로 연관되어 있으며 연구모델 내에서 각 변수가 다른 변수와 어떻게 상호작용하는지를 이해하는 데 중요한 정보를 제공한다.

5. 구조모형 검증

1) 연구모형의 적합도

본 연구에서는 구조방정식 모형(Structural Equation Modeling, SEM)을 활용하여 연구모형의 적합도를 확인하고 이론적 모델과 실제 데이터 간의 일치 여부를 분석하였다. SEM은 공분산 행렬을 기반으로 하여 변수 간의 관계를 분석하는 통계적 방법으로 다중 회귀분석, 경로분석, 요인분석을 통합한 접근법이다(Musil et al., 1998; Elston, et al., 2012). 본 연구의 SEM 적합도 지수는 CMIN=163.281, DF=120, CMIN/ DF=1.361, RMSEA=0.038, GFI=0.985, NFI=0.946, IFI=0.985로 나타났다. 이러한 지표들은 모형의 적합도가 높다는 것을 나타낸다. 가설검증 결과, ANT(의인화)와 TD(시간적 해리) 간의 표준화된 계수는 0.141(z=1.857,p=0.063>0.05)로, ANT(의인화)가 TD(시간적 해리)에 유의미한 영향을 미치지 않음을 나타낸다. 또한 PRE(실재감)와 ENJ(즐거움) 간의 표준화된 계수는 0.125(z=1.619,p=0.105>0.05)로, PRE가 ENJ에 유의미한 영향을 미치지 않음을 나타낸다. 따라서 가설 H3-1 및 H4-4를 제외한 모든 가설이 채택되었으며, 연구모델의 대부분의 경로가 통계적으로 유의미한 것으로 확인되었다. 이는 연구모형이 이론적 가정과 실제 데이터 사이에 높은 일치도를 보이며 연구가설의 타당성을 뒷받침하는 결과이다.

2) 매개효과 검증

인지 흡수의 매개효과를 검증하기 위해 부트스트랩(Bootstrap) 방법을 활용하였다(Table 8). 분석결과, 의인화(ANT)가 시간적 해리(TD)를 매개로 수용의도(ACP)에 미치는 간접적인 영향은 p=0.056>0.05로, 통계적으로 유의미하지 않음이 확인되었다. 이는 의인화가 시간적 해리를 통해 수용의도에 미치는 영향이 통계적으로 입증되지 않았음을 의미한다. 또한 실재감(PRE)이 즐거움(ENJ)을 매개로 수용의도(ACP)에 미치는 간접적인 영향 역시 p=0.088>0.05로, 통계적으로 유의미하지 않음이 확인되었다. 이는 실재감이 즐거움을 통해 수용의도에 미치는 영향이 통계적으로 입증되지 않았음을 나타낸다. 그러나 의인화(ANT)가 호기심(CUR)을 매개로 수용의도(ACP)에 미치는 경로는 p=0.000으로 나타나 통계적으로 유의미한 부분매개 효과가 있음을 보여준다. 이는 의인화가 호기심을 통해 수용의도에 미치는 영향이 통계적으로 매우 유의하다는 것을 의미하며, 이러한 결과는 의인화가 사용자의 호기심을 자극하여 기술 수용에 긍정적인 영향을 미칠 수 있음을 시사한다. 이와 같은 매개효과의 발견은 기술 수용 모델에 대한 이해를 심화시키고 사용자 경험 설계에 있어 중요한 시사점을 제공한다.

V. 결 론

본 연구는 메이크업 이미지 최적화 추천시스템의 HCI(인간-컴퓨터 상호작용) 요인과 사용자 인지 흡수, 그리고 수용의도 간의 관계를 이해하기 위하여 설문지법을 통해 20대 성인을 대상으로 사전조사와 본조사를 실시하였고, SPSS와 AMOS 프로그램을 사용하여 빈도분석, 탐색적 및 확인적 요인분석, 구조방정식 모델링을 포함한 다양한 통계적 방법으로 자료를 분석하였다. 이를 통해 HCI 요인과 인지 흡수, 수용의도 간의 관계를 평가하고 연구의 신뢰성과 타당성을 확보하였다.
연구결과, 신뢰도와 타당도 분석을 통해 설문 문항들이 각 변수를 일관되고 신뢰성 있게 측정하고 있음을 확인하였고, 주성분 분석과 확인적 요인분석을 통해 모델의 높은 적합도가 입증되었다. 상관분석 결과는 모든 변수 간에 유의미한 양의 상관관계가 있음을 보여주었고, 구조방정식 모델링을 통한 가설검증에서는 대부분의 경로가 통계적으로 유의미한 것으로 나타났다. 특히 의인화가 호기심을 매개로 수용의도에 미치는 경로에서 유의미한 부분매개 효과가 있음을 확인하였다. 이는 의인화와 실재감이라는 HCI 요인이 사용자의 몰입, 시간적 해리, 호기심, 즐거움 등 인지 흡수의 다양한 측면을 통해 추천시스템의 수용의도에 긍정적인 영향을 미치는 것을 의미한다. 이러한 결과는 사용자 중심의 서비스 설계와 개선에 대한 중요한 시사점을 제공하며, 사용자의 개별적인 요구와 선호를 정확하게 반영하여 사용자 만족도와 충성도를 높이는 방향으로 나아갈 수 있음을 시사한다. 그러나 연구 대상이 20대 성인을 대상으로 한정된 표본에 의존하였기 때문에 결과의 일반화에 한계가 있으며, 특정 시점의 데이터를 기반으로 한 연구는 시간이 지남에 따라 변할 수 있는 사용자의 태도와 기술의 발전을 완전히 반영하지 못하였다. 더불어 다양한 문화적 배경을 가진 사용자들의 경험을 포괄하지 못했으며 이는 글로벌 적용성에 영향을 줄 수 있다. 이러한 한계점을 바탕으로 추후 연구에서는 넓은 연령대, 다양한 사회경제적 및 문화적 배경을 가진 사용자들을 포함하는 연구를 통해 결과의 일반화 가능성을 높일 수 있다. 또한 장기적인 연구를 수행하여 기술의 발전과 사용자의 태도 변화를 관찰하고, 실제 사용 환경에서의 연구를 통해 HCI 요인이 사용자 경험과 수용의도에 미치는 영향을 더 정확히 평가할 수 있다. 다양한 문화적 배경을 가진 사용자들을 대상으로 한 연구를 통해 글로벌 시장에서의 HCI 요인의 영향력을 평가할 수 있다. 이러한 제안은 뷰티산업의 기술적 혁신과 사용자 경험 설계에 대한 더 깊은 이해를 도모하고 효과적인 사용자 중심의 서비스 개발을 위한 기초를 마련할 수 있을 것이다.

Fig. 1.
Research model
JKSC-2024-30-6-1217f1.jpg
Fig. 2.
Fitness of research model
JKSC-2024-30-6-1217f2.jpg
Table 1.
General Characteristics of Study Subjects
Demographic Characteristics Frequency Percent (%)
Gender Female 214 86.3
Male 34 13.7
Nationality Korea 243 98
Other 5 2.0
Occupation Clerical 4 1.6
Technical 6 2.4
Professional 4 1.6
Sales/Service 2 0.8
Student 231 93.2
Unemployed 1 0.4
Education High school 85 34.3
College 131 52.8
University 29 11.7
Master 2 0.8
Doctor 1 0.4
Income Under 100 216 87.1
Under 200 22 8.9
Under 300 5 2.0
Under 400 1 0.4
Under 500 2 0.8
Under 600 1 0.4
Over 700 1 0.4
Marriage Single 247 99.6
Other 1 0.4
Total 248 100
Table 2.
Reliability and Validity
Variables Cronbach's Alpha Number of Items Overall Cronbach's Alpha KMO and Bartlett's Test
KMO Bartlett's Test of Sphericity
Approx. Chi-Square df Sig.
ANT 0.89 2 0.89 0.81 2965.29 153.0 0.000
PRE 0.90 3
IME 0.90 3
TD 0.91 2
CUR 0.86 3
ENJ 0.90 2
ACP 0.89 3
Table 3.
Exploratory Factor Analysis Results
Variables Items Factor Loading
Factor1 Factor2 Factor3 Factor4 Factor5 Factor6 Factor7
ANT Anthropomorphism1 0.866
Anthropomorphism2 0.876
PRE Presence1 0.835
Presence2 0.871
Presence3 0.885
IME Immersion1 0.877
Immersion2 0.879
Immersion3 0.885
TD Temporal Dissociation1 0.928
Temporal Dissociation2 0.920
CUR Curiosity1 0.843
Curiosity2 0.852
Curiosity3 0.845
ENJ Enjoyment1 0.925
Enjoyment2 0.928
ACP Acceptance1 0.808
Acceptance2 0.813
Acceptance3 0.821
Eigen 6.560 2.011 1.613 1.532 1.485 1.149 1.017
% of Variance 36.442 11.170 8.964 8.511 8.247 6.384 5.650
Cumulative % of Variance 36.442 47.612 56.576 65.086 73.334 79.718 85.368
Table 4.
Confirmatory Factor Analysis Results
Factor AVE CR
ANT 0.805 0.892
PRE 0.754 0.902
IME 0.756 0.903
TD 0.849 0.918
CUR 0.679 0.864
ENJ 0.819 0.901
ACP 0.728 0.889
Table 5.
Discriminant Validity Verification Results
ANT PRE IM. TD CUR ENJ ACP
ANT 0.897
PRE 0.445 0.869
IME 0.394 0.333 0.869
TD 0.235 0.304 0.307 0.921
CUR 0.424 0.415 0.238 0.261 0.824
ENJ 0.303 0.221 0.263 0.218 0.183 0.905
ACP 0.536 0.496 0.449 0.424 0.504 0.366 0.853

The Square Root of The Average Variance Extracted (AVE) Value

Table 6.
Correlation Coefficient
ANT PRE IME TD CUR ENJ ACP
ANT 1.000
PRE .408** 1.000
IME .353** .307** 1.000
TD .210** .272** .280** 1.000
CUR .369** .374** .209** .245** 1.000
ENJ .272** .207** .237** .196** .158* 1.000
ACP .480** .444** .399** .377** .444** .334** 1.000

* p<0.05,

** p<0.01,

*** p<0.001

Table 7.
Hypothesis-testing
Hypothesis Path Unstandardized Coefficients Standardized Coefficients Std. Error z (C.R.) p
H1 ANT- ACP 0.16 0.215 0.054 2.964 **
H2 PRE- ACP 0.129 0.162 0.055 2.36 **
H3-1 ANT- TD 0.147 0.141 0.079 1.857 0.063
H3-2 ANT-CUR 0.24 0.304 0.06 3.981 ***
H3-3 ANT-IME 0.28 0.314 0.067 4.146 ***
H3-4 ANT-ENJ 0.204 0.256 0.064 3.188 ***
H4-1 PRE-TD 0.274 0.245 0.087 3.157 **
H4-2 PRE-CUR 0.24 0.285 0.064 3.764 ***
H4-3 PRE-IME 0.192 0.201 0.071 2.706 **
H4-4 PRE-ENJ 0.106 0.125 0.066 1.619 0.105
H5-1 ENJ-ACP 0.132 0.141 0.054 2.443 *
H5-2 TD-ACP 0.136 0.191 0.04 3.368 ***
H5-3 CUR-ACP 0.227 0.241 0.064 3.574 ***
H5-4 IME-ACP 0.137 0.165 0.052 2.663 **
Table 8.
Mediation Effect Verification Results
Hypothesis Path Direct Effects Indirect Effects Bias-corrected (95%)
p Conclusion
Lower Bounds Upper Bounds
H6-1 ANT→TD→ACP 0.160** 0.02 -0.001 0.058 0.056 Not significant
H6-2 ANT→CUR→ACP 0.160** 0.055 0.017 0.12 0.000 partial mediation
H6-3 ANT→IM→ACP 0.160** 0.038 0.003 0.111 0.030 partial mediation
H6-4 ANT→ENJ→ACP 0.160** 0.027 0.003 0.077 0.012 partial mediation
H7-1 PRE→TD→ACP 0.129* 0.037 0.01 0.085 0.004 partial mediation
H7-2 PRE→CUR→ACP 0.129* 0.055 0.018 0.128 0.001 partial mediation
H7-3 PRE→IME→ACP 0.129* 0.026 0.002 0.074 0.036 partial mediation
H7-4 PRE→ENJ→ACP 0.129* 0.014 -0.001 0.057 0.088 Not significant

* p<0.05,

** p<0.01,

*** p<0.001

References

Acharya, N., Sassenberg, A. M., & Soar, J. (2023). Effects of Cognitive Absorption on Continuous Use Intention of AI-driven Recommender Systems in e-commerce. Emerald Group Publishing Limited, 25(2), 194-208, DOI: 10.1108/FS-10-2021-0200
crossref
Agarwal, R., & Karahanna, E. (2000). Time Flies When You’re Having Fun: Cognitive Absorption and Beliefs about Information Technology Usage. Management Information Systems Quarterly, 24(4), 665-694, DOI: 10.2307/3250951
crossref
Aithal, A., & Aithal, P. S. (2020). Development and Validation of Survey Questionnaire & Experimental Data: A Systematical Review-based Statistical Approach. International Journal of Management, Technology, and Social Sciences (IJMTS), 5(2), 233-251.
crossref
Balakrishnan, J., & Dwivedi, Y. K. (2021). Role of Cognitive Absorption in Building User Trust and Experience. Psychology & Marketing, 38(4), 643-668, DOI: 10.1002/mar.21462
crossref pdf
Chung, K. Y. (2010). Human Sensibility Ergonomics Makeup Recommendation System using Context Sensor Information. The Journal of the Korea Contents Association, 10(7), 23-30.
crossref
Cheng, P., Meng, F., Yao, J., & Wang, Y. (2022). Driving With Agents: Investigating the Influences of Anthropomorphism Level and Physicality of Agents on Drivers’ Perceived Control, Trust, and Driving Performance. Frontiers in Psychology, 13:1-14, DOI: 10.3389/fpsyg.2022.883417
crossref
Csikszentmihalyi, M.. (1990). FLOW: The Psychology of Optimal Experience New York, Harper & Row, p.1.
Elston, R. C., Satagopan, J. M., & Sun, S.. (2012). Statistical Human Genetics: Methods and Protocols New York, Humana Press, p.495-511.
Gulati, K., Verma, G., Mohania, M., & Kundu, A.. (2022). BeautifAI - Personalised Occasion-based Makeup Recommendation Proceedings of Machine Learning Research.
Guo, Y. M., & Ro, Y. K. (2008). Capturing Flow in the Business Classroom. Decision Sciences Journal of Innovative Education, 6(2), 437-462, DOI: 10.1111/j.1540-4609.2008.00185.x
crossref
Hong, E. J., Cho, K. S., & Choi, J. H. (2017). Effects of Anthropomorphic Conversational Interface for Smart Home: An Experimental Study on the Voice and Chatting Interactions. Jourmal of the HCI Society of Korea, 12(1), 15-23.
crossref
Hwang, S. I., & Nam, Y. J. (2020). The Analysis of the Mediating and Moderating Effects of Perceived Risks on the Relationship between Knowledge, Feelings and Acceptance Intention towards AI. The Journal of the Korea Contents Association, 20(8), 350-358, DOI: 10.5392/JKCA.2020.20.08.350
Im, D. S., & Lee, S. G. (2022). A Studyon the Effect of Tourism Industry Mobile Chatbot Quality on Social Presence, Supply Trust, and Continued Use Intention: The Moderating of Effects of Personal Innovation and Personification. Korean Corporation Management Review, 29(2), 207-235, DOI: 10.21052/KCMR.2022.29.2.09
crossref
Jeon, S. W., Lee, J. H., & Lee, J. T. (2019). A Study on the Users Intention to Adopt an Intelligent Service: Focusing on the Factors Affecting the Perceived Necessity of Conversational A.I. Service. Journal of Korea Technology Innovation Societ, 22(2), 242-264.
crossref
Kang, S. H., & Kim, H. K. (2016). A Study on the User’s Acceptance and Use of Easy Payment Service: Focused on the Moderating Effect of Innovation Resistance. Management & Information Systems Review, 35(2), 167-183.
crossref
Kimberlin, C. L., & Winterstein, A. G. (2008). Validity and Reliability of Measurement Instruments Used Inresearch. American Journal of Health-System Pharmacy, 65:2276-2284.
crossref pmid
Kim, E., & Choi, Y. J. (2014). The Relationship between Perceived Social Presence and Academic Achievement when Watching Study With Me Videos : Examining the Moderated Mediation Effect of Physical Presence. Korean Journal of Broadcasting & Telecommunications Research, 126:7-47, DOI: 10.22876/kjbtr.2024..126.001
crossref
Kim, H. K., Do, M. R., Choi, J. S., & Choi, J. I. (2023). A Study on the Relationship between Characteristics of AI Recommendation System-based Fashion Subscription Service and Intention to Use. Journal of Korea Service Management Society, 24(1), 26-54, DOI: 10.15706/jksms.2023.24.1.002
crossref
Klein, K., & Martinez, L. F. (2023). The Impact of Anthropomorphism on Customer Satisfaction in Chatbot Commerce: An Experimental Study in The Food Sector. Electronic Commerce Research, 23:2789-2825, DOI: 10.1007/s10660-022-09562-8
crossref pdf
Lee, H. K., Yoon, N. H., & Jang, S. Y. (2018). Consumers’ Usage Intentions on Online Product Recommendation Service: Focusing on the Mediating Roles of Trust-Commitment. Journal of the Korean Society of Clothing and Textiles, 42(5), 871-883, DOI: 10.5850/JKSCT.2018.42.5.871
crossref
Levy, P. S., & Lemeshow, S.. (2013). Samplingof Populations: Methods and Applications New York, John Wiley & Sons Inc.
Li, Q., Luximon, Y., & Zhang, J. (2023). The Influence of Anthropomorphic Cues on Patients’ Perceived Anthropomorphism, Social Presence, Trust Building, and Acceptance of Health Care Conversational Agents: Within-Subject Web-Based Experiment. Journal of Medical Internet Research, 25:e44479. 1-25. DOI: 10.2196/44479
crossref pmid pmc
Margherita Valle. (2020). How is Deep Learning Transforming the Beauty Industry?. https://blog.hslu.ch/majorobm/2020/05/19/deep-learning-transforming-beauty-industry-mva/.
Musil, C. M., Jones, S. L., & Warner, C. D. (1998). Structural Equation Modeling and Its Relationship Tomultiple Regression and Factor Analysis. Research in Nursing & Health, 21:271-281.
crossref pmid
Nowak, K. L., & Biocca, F. (2003). The Effect of the Agency and Anthropomorphism on Users’ Sense of Telepresence, Copresence, and Social Presence in Virtual Environments. Presence Teleoperators & Virtual Environments, 12(5), 481--494, DOI: 10.1162/105474603322761289
crossref
Park, J. S., Rew, J. H., Rho, S. M., & Hwang, E. J. (2016). Mak-up Contents Recommendation Scheme Based on Personal Color Analysis. In Proceedings of the KIPS Transactions on Computer and Communication Systems, 27:712-715.
Shrestha, N. (2021). Factor Analysis asa Tool for Survey Analysis. American Journal of Applied Mathematics and Statistics, 9:4-11.
crossref
Watkins, M. W.. (2021). A Step-by-StepGuide to Exploratory Factor Analysis with SPSS 1st ed. New York, Routledge.
Webster, J., & Ho, H. (1997). Audience Engagement in Multimedia Presentations. ACM SIGMIS Database: The DATABASE for Advances in Information Systems, 28(2), 63-77, DOI: 10.1145/264701.264706
crossref
TOOLS
METRICS Graph View
  • 0 Crossref
  •  0 Scopus
  • 211 View
  • 10 Download
Related articles


ABOUT
BROWSE ARTICLES
EDITORIAL POLICY
FOR CONTRIBUTORS
Editorial Office
69 Gwangju Yeodae-gil, Gwangsan-gu, Gwangju, 62396, Korea
Tel: +82-10-2825-6735   Fex: +82-62-950-3797    E-mail: beauty2007@hanmail.net                

Copyright © 2025 by Korean Society of Cosmetology.

Developed in M2PI

Close layer
prev next