'무엇을'에서 '어떻게'와 '왜'로: 노인의 수동적 추적 데이터에 대해 LLM이 생성한 회고적 요약을 원격 가족 구성원(RFMs)과 공유하기

현대 유비쿼터스 컴퓨팅 기술의 확산에 따라, 멀티모달 추적 시스템(multi-modal tracking systems)은 돌봄 조정(care coordination)에서 중심적인 역할을 하는 노인의 원격 가족 구성원(RFMs)과 같은 이해관계자들에게 적시의 인지(awareness)와 안심을 제공할 수 있는 가능성을 가지고 있습니다. 그러나 이질적인 데이터 스트림(heterogeneous data streams)을 회고적 요약(retrospective summaries)과 같은 고차원의 의미 있는 콘텐츠로 결합하는 것은 여전히 어려운 과제로 남아 있습니다. 최근 연구들은 멀티모달 추적 데이터를 해석하는 데 있어 대규모 언어 모델(LLMs)의 가능성을 보여주었지만, 노인에 대한 풍부한 개인적 지식과 강한 정서적 책임감을 가지고 있으면서도 일상생활에 대한 가시성이 제한적이고 돌봄 역량이 한정적인 RFMs와 같은 이해관계자를 위한 서사적 설명(narrative accounts)을 생성하는 데에는 상대적으로 주의를 덜 기울였습니다. 본 연구에서는 LLMs를 사용하여 노인의 RFMs를 위한 멀티모달 추적 데이터 기반의 회고적 요약을 생성하는 방법을 탐구합니다. 우리는 기술 탐사(technology probes)로서 서로 다른 날짜와 데이터 가용성 시나리오에 따라 초기 요약을 생성하기 위해 기존 시스템인 Vital Insight를 활용 및 맞춤화하였으며, 피드백을 수집하기 위해 11명의 RFMs를 대상으로 인터뷰를 진행했습니다. 이러한 통찰을 바탕으로, 우리는 객관적인 통계 및 설명에서 시작하여 풍부하고 문맥을 인식하는(context-aware) 서사로 발전하는 다층적, 다중 에이전트(multi-agent), 통찰력 중심(insight-driven) 요약 접근 방식으로 시스템을 재설계했습니다. 그 후, 동일한 11명의 RFMs를 대상으로 한 설문 조사를 통해 재설계된 요약을 초기 버전과 비교하였으며, 만족도, 인지된 유용성, 신뢰도, 그리고 요약을 받고자 하는 의지 측면에서 유의미한 개선을 발견했습니다. 마지막으로 우리는 RFMs 및 더 넓은 맥락을 위한 AI 생성 요약에 대한 설계 함의(design implications)를 제시하며, 단순히 '무엇(What)' 데이터가 수집되었는지를 보여주는 것에서 벗어나, 내 사랑하는 사람이 '어떻게(How)' 지내고 있으며 '왜(Why)' 그러한지를 설명함으로써 RFMs의 의미 형성(sensemaking) 전환을 지원해야 할 필요성을 강조하며 결론을 맺습니다.