의료 분야 LLM 채택의 열쇠: DeepSeek 사용 의도와 신뢰도 분석

본 연구는 의료 분야에서 대규모 언어 모델(LLM)의 사용 의도와 신뢰도에 대한 심층적인 분석을 제공합니다. 사용 편의성, 인식된 유용성, 신뢰, 위험 인식 등이 사용 의도에 미치는 영향과 신뢰의 매개 역할을 강조하며, 안전하고 지속적인 LLM 채택을 위한 전략적 제언을 제시합니다.

최근 대규모 언어 모델(LLM)이 의료 분야에서 상호작용형 자원으로 급부상하고 있지만, 사용자 수용성에 대한 연구는 아직 미흡한 실정입니다. Avishek Choudhury, Yeganeh Shahsavar, Hamid Shamszare의 연구는 이러한 맥락에서, 신생 LLM 기반 플랫폼인 DeepSeek을 의료 목적으로 채택하려는 의도를 형성하는 데 사용 편의성, 인식된 유용성, 신뢰, 위험 인식이 어떻게 상호작용하는지 조사했습니다.

연구팀은 인도, 영국, 미국 556명의 참가자를 대상으로 한 횡단면 조사를 통해 인식과 사용 패턴을 측정했습니다. 구조 방정식 모델링을 통해 직접적 및 간접적 효과(잠재적인 이차 관계 포함)를 평가한 결과, 신뢰가 사용 의도에 중추적인 매개 역할을 한다는 사실을 밝혀냈습니다. 즉, 사용 편의성은 신뢰를 통해 사용 의도에 상당한 간접적 영향을 미치며, 인식된 유용성은 신뢰 구축과 직접적인 채택 모두에 기여합니다.

반면, 위험 인식은 사용 의도에 부정적인 영향을 미쳐 강력한 데이터 거버넌스와 투명성의 중요성을 강조합니다. 특히, 사용 편의성과 위험에 대한 중요한 비선형 경로가 관찰되어 역치 효과 또는 플래토 효과가 있음을 시사합니다. 측정 모델은 높은 복합 신뢰도, 평균 분산 추출 및 판별 유효성 측정값에 의해 뒷받침되는 강력한 신뢰성과 타당성을 보여주었습니다.

이러한 연구 결과는 민감한 영역에서 사용자 채택의 다면적인 본질을 조명하여 기술 수용 및 건강 정보학 연구를 확장합니다. 이해관계자는 LLM의 지속적이고 안전한 채택을 장려하기 위해 신뢰 구축 전략, 사용자 중심 설계 및 위험 완화 조치에 투자해야 합니다. 향후 연구는 사용자 인식이 시간 경과에 따라 그리고 다양한 규제 환경에서 어떻게 변화하는지 더 명확히 하기 위해 종단 연구를 수행하거나 문화 특유의 변수를 조사할 수 있습니다. 이러한 통찰력은 AI를 활용하여 결과를 향상시키는 데 매우 중요합니다.