생성형 AI를 활용 과정에서 지각된 자의식 감정이 인게이지먼트에 미치는 영향 : 죄책감과 자부심을 중심으로

Ⅰ. 서론

인공지능(Artificial intelligence; AI)은 빅데이터(big data), 가상현실(virtual reality)을 비롯한 다양한 첨단 기술과 함께 현대 사회의 변화를 주도하는 중요한 핵심 기술이다. AI 기술의 한 유형인 생성형 AI는 이용자가 입력하는 프롬프트, 즉 요구하는 사항에 맞추어 새로운 정보를 이미지나 텍스트, 음성, 영상 등 다양한 형태의 결과물로 생성하는 인공지능을 의미한다(Rudolph, Tan, & Tan, 2023). AI 기술은 데이터를 학습하여 가공하거나 분석하는 것을 넘어, 새롭고 독창적인 콘텐츠를 생성하는 방향으로 발전하였는데, 진화된 형태의 AI 기술인 생성형 AI(generative AI)는 인간 고유의 영역으로 간주되던 창의적인 분야까지 사용 영역이 확장되며 다양한 분야에서 혁신을 일으키고 있다(Hong, 2023; Rezwana & Maher, 2022). 구글(Google)이나 마이크로소프트(Microsoft)와 같은 글로벌 테크 기업 또한 생성형 AI 분야에 공격적인 투자를 하고 있으며, 특히 패션 분야와 같이 창의성을 요구하는 분야에서 기회를 창출하고 있는 상황이다(Kim & Bao, 2023). 나아가 2023년 가트너가 글로벌 기업 임원 2,544명을 대상으로 생성형 AI 활용에 대한 경영진의 인식을 조사한 결과, 경영진의 68%가 생성형 AI의 이점이 위험보다 크다고 생각한다고 응답하였고, 다양한 분야에서 생성형 AI의 도입이 적극적으로 이루어져야 한다고 답하였다(Hong, 2023). 이처럼 생성형 AI는 앞으로 계속 성장하여 다양한 산업군에서 생성형 AI를 도입하여 사용할 것으로 예상된다.

이와 같은 상황에서 패션 산업 또한 AI 기술을 중심으로 기술적 혁신을 겪고 있다. 패션 산업에서도 발전된 형태의 생성형 AI는 유용성이 높다고 인지하고 있으며(Kim, Choi, Lee & Jang, 2022), 특히 인간의 직관과 창의성이 중요하게 작용하는 패션 디자인 분야의 패러다임을 변화시킬 것이라고 기대하고 있다(Carvalho, Levitt, Levitt, Khaddam, & Benamati, 2019; Choi et al., 2023; Jang & Ha, 2023; Lee, 2023). 패션 디자인은 매년 정해진 시즌에 맞추어 제한된 시간 동안 고강도 지적 노동을 투자해야 하는 직무로, 생성형 AI를 도입하고 적용함으로써 작업 효율을 높일 수 있을 것이라 예상된다(Standish & Ganapathy, 2018). 예를 들어, 오픈 AI에서 개발한 DALL-E와 마이크로소프트에서 제공하는 이미지 생성 도구 빙 이미지 크리에이터 (Bing Image Creator, DALL-E 3 모델 사용)는 패션 디자인의 초기 기획 단계에서 다양한 디자인들을 생성해내며, 디자이너들이 다양한 디자인을 비교하며 새로운 디자인의 영감으로 사용할 수도 있다. 하지만 패션 디자인 분야는 전통적으로 인간의 직관이 중요하게 작용하는 분야로 AI 기술 도입에 대한 심리적 장벽이 높으며, 그 결과 생성형 AI 기술 도입으로 업무효율이 높아질 것이라고 기대되는 것 만큼 적극적으로 이루어지지 않고 있다(Dubreuil & Lu, 2020). 프랑스 브랜드 ‘뷔아르네(Vuarnet)’는 2023년 1월에 생성형 인공지능으로 제작한 룩북을 선보이기도 했으며, 국내는 코오롱인더스트리와 LF가 온라인 홍보 이미지를 만드는 데에 생성형 AI를 사용한 바 있다(Lee, 2023). 그 외에도 일부 기업에서 실제로 생성형 AI를 도입하여 디자이너의 업무 효율을 높이려고 노력하고 있으나, 지속적인 사용이기 보다는 일회성으로 마케팅을 위해 도입하는 것에 그치고 있는 실정이다.

생성형 AI가 패션 산업에 사용되는 상황에 맞추어, 학계에서도 패션 산업의 현 상황을 고려한 다양한 연구들을 진행하고 있다. 예를 들어, 컴퓨터 공학 분야에서는 기술 개발 측면에서 패션 분야에 최적화된 생성형 AI 알고리즘을 제안하고 개발하고 있으며(Choi et al., 2023), 디자인/예술 분야에서는 다양한 생성형 AI 프로그램들의 사례를 분석하고 있다(Lee, 2023). 뿐만 아니라 경영/마케팅/소비자학 분야에서는 AI가 생성해내는 결과물에 대한 소비자들의 인식을 활발히 연구하며 소비자들의 생성형 AI 수용에 영향을 미치는 다양한 요인들을 밝혀내고 있다(Graefe, Haim, Haarmann, & Brosius, 2018; Jung, Jang & Lee, 2023; Prentice & Nguyen, 2020). Graefe et al.(2018)의 연구에서 사람들은 실제로 업무를 행한 주체와 무관하게 기계보다 인간이 작성했다고 제시한 기사를 더 호의적으로 받아들였는데, 이는 소비자들이 여전히 AI보다 인간을 신뢰한다는 것을 보여주는 연구 결과이기도 하다. 이처럼 마케팅/소비자 연구 분야에서 생성형 AI 사용에 대한 소비자들의 인식은 다양한 맥락에서 연구되고 있지만, 실제 업무 환경에서 생성형 AI의 수용에 영향을 미치는 선행 요인에 관한 실증 연구는 드문 상황이다. 특히, 패션 디자인 업무 환경에서 생성형 AI를 사용할 때 발생하는 심리적 매커니즘에 관한 연구는 거의 이루어지지 않았다.

디자인 창작 업무를 수행하는 사람들이 생성형 AI의 도움을 받아 결과물을 만들어 내는 경우, 원하는 결과물을 효율적으로 제작했다는 자부심을 느낄 수 있을 것이다. 하지만 이와 동시에 인간 고유의 영역을 기계적으로 대체함에 따른 죄책감도 느낄 수 있을 것으로 예상된다. 개인의 내재적인 감정은 기술을 수용하고 지속적으로 사용하는 동기로 작용하기 때문에 중요성을 가지지만, 생성형 AI의 사용이 어떠한 긍부정적인 감정을 불러 일으키는 지에 대한 실증 연구는 여전히 부족하다. 이에, 본 연구는 패션 디자인 업무 상황에서, 패션 산업 실무자와 예비 실무자 (의류학 대학/원생) 개인의 생성형 AI 사용 여부에 영향을 미치는 내재적인 매커니즘, 즉 개인의 심리적인 요소에 초점을 맞추어 이를 검증하고자 한다. 결과적으로 본 연구의 연구 문제는 다음과 같다. 첫째, 생성형 AI 경험이 이와 같은 감정에 미치는 영향을 양적으로 검증한다. 둘째, 생성형 AI 경험으로 인해 유발된 자의식 감정 (죄책감과 자부심)이 생성형 AI에 대한 인게이지먼트에 미치는 영향을 양적으로 검증한다. 셋째, 생성형 AI 경험이 인게이지먼트에 미치는 전체적인 매커니즘을 확인한다. 생성형 AI가 4차 산업 혁명의 흐름 속에서 빠르게 성장하고 있는 신기술이며, 산업의 효율을 높이기 위해 받아들여야 한다는 점을 고려한다면, 이러한 기술을 산업에서 실질적으로 사용하는 실무자에 관한 연구는 학문적, 실무적 의의가 있을 것이다. 생성형 AI에 관한 선행 연구를 실무자의 관점으로 확장시켰을 뿐 아니라, 실제 업무 상황에서 개인이 느끼는 감정적인 측면에 어떻게 대처해야 하는지 인사이트를 제공한다는 점에서 의의를 가진다.

Ⅱ. 이론적 배경

2. 인게이지먼트 (Engagement)

인게이지먼트(engagement)란 고객이나 소비자들이 브랜드나 기업에 적극적으로 개입하거나 지속적인 관심을 가지고 참여하면서 관계를 맺는 행동과정 전반으로 정의되며(Arora, Bansal, Kandpal, Aswani, & Dwivedi, 2019), 사회 심리학과 소비자 행동학을 포함한 다양한 분야에서 많은 관심을 받아온 개념이다(Puligadda, Coyle, & Ni, 2021). 인게이지먼트는 특정 대상에 관여(involvement)하는 것과 달리, 특정 대상과의 상호작용에서 기인한 개인의 동기적인 측면과도 관련된 개념으로(Hollebeek, Glynn, & Brodie, 2014; Van Doorn et al., 2010), 온라인상에서 제공되는 다양한 서비스들에 대한 적극적인 태도를 형성하는 것과도 밀접한 관련이 있다(Malthouse, & Hofacker 2010; Shankar, & Batra 2009).

다수의 선행 연구에서 인게이지먼트의 차원을 여러 가지로 나누고 있다. 대표적으로 Muntinga, Moorman, & Smit(2011)의 연구에서는 인게이지먼트 행동을 적극성에 따라 세 가지 차원(소비, 기여, 창조)으로 계층적으로 분류(hierarchy) 하였다. 하지만 인게이지먼트의 수준을 세 가지로 분류한다면 중복되는 영역이 발생한다(Hollebeek et al., 2014). 이에 중복 영역을 제외하고, 소극적인 인게이지먼트와 적극적인 인게이지먼트만으로 구분하기도 한다(Puligadda et al., 2021). 이에 본 연구에서도 다음 두 가지로 인게이지먼트의 차원을 구분하였으며, 조작적 정의를 내렸다. 먼저, 소비 차원의 소극적 인게이지먼트는 생성형 AI가 생성하는 이미지를 업무에 ‘차용’하는 정도로만 사용하는, 즉 소극적으로 사용하는 것을 뜻하며, 반면에 이미지 생성 차원에서의 능동적인 인게이지먼트는 개인이 주체적으로 생성형 AI를 사용하여 새로운 이미지를 생성해내는 것을 의미한다.

인간은 경험을 통해 감정을 느낄 뿐만 아니라, 미래를 예상하면서 어떤 감정을 경험하게 될지 예측하기도 한다. 이렇게 예측된 감정은 실제로 경험한 감정보다 극단적이며 미래 행동에 영향을 미치는데(Mellers, & McGraw, 2001), 인간은 긍정적인 감정은 경험하려고 하며, 부정적인 감정은 피하려고 노력하기 때문이다(Frijda, & Sundararajan, 2007). AI 기술에 대한 소비자들의 인게이지먼트를 연구한 선행 연구에 따르면, AI 기술 경험한 소비자들이 느끼는 긍정적인 감정은 AI 서비스에 대한 인게이지먼트에 긍정적인 영향을 미쳤다(Carù & Cova, 2003; Hayes & MacLeod, 2007; Ullah, Aimin, & Ahmed, 2018). 예를 들어 소비자들이 AI 기술을 기반으로 한 서비스를 사용함으로써 기분이 좋아지는 긍정적인 경험은 추후 AI 기술에 대한 인게이지먼트를 높였다(Vivek, Beatty, Dalela, & Morgan, 2014). 반면에, 사람들은 죄책감과 같은 부정적인 감정을 느끼게 되면 이를 유발하는 요인을 피하고자 하는 경향이 있다(Duhachek, 2005). 뿐만 아니라 대처 이론(Coping theory)에 따르면, 사람들이 불편한 경험을 하게 되면 이를 회피함으로써 부정적인 감정에 대처한다(Roth, & Cohen, 1986). 즉, 사람들은 죄책감과 같은 부정적인 감정에 대처하는 전략 중 하나로 원인이 되는 요인을 회피하는 것이다.

본 연구에서는 생성형 AI 기술을 경험하는 맥락을 패션 디자인 업무 상황으로 한정하였고, 실무자들이 업무 환경에서 생성형 AI 기술을 경험함으로써 긍정적인 감정을 느낄수록 추후에 해당 기술에 대한 인게이지먼트가 높아질 것이라 예측하였다. 하지만 생성형 AI 기술을 경험함으로써 부정적인 감정을 느끼게 된다면 부정적인 감정을 유발하는 요인을 회피하는 방법 중 하나로 더 이상 해당 기술을 사용하려고 하지 않을 것이다. 이에 본 연구에서는 다음과 같은 가설을 설정하였으며, 연구 모형은 <Fig. 1>과 같다.

• H3: 생성형 AI 사용 경험은 생성형 AI에 대한 (a) 소극적 인게이지먼트와 (b) 적극적 인게이지먼트에 정적 영향을 미칠 것이다.
• H4: 생성형 AI 사용을 통해 인지된 자부심은 생성형 AI에 대한(a) 소극적 인게이지먼트와 (b) 적극적 인게이지먼트에 정적 영향을 미칠 것이다.
• H5: 생성형 AI 사용을 통해 인지된 죄책감은 생성형 AI에 대한 (a) 소극적 인게이지먼트와 (b) 적극적 인게이지먼트에 부적 영향을 미칠 것이다.

<Fig. 1>

Research Model

Ⅲ. 연구방법

Ⅵ. 연구결과

1. 측정 항목의 평가

각 요인들의 구성체 타당도를 확인하기 위해 AMOS 23.0을 사용하여 모든 요인을 반영한 전체 측정모형을 대상으로 확인적 요인분석(CFA: Confirmatory Factor Analysis)을 실시하였다. 모든 적합도 지수가 만족할만한 수준으로 나타나 측정항목이 구성 개념을 잘 측정하고 있다는 것을 확인하였다(Normed x²=1.939; CFI=.951; TLI=.941; RMSEA=.069). Table1에서와 같이 측정 변수의 요인부하량은 .705~.921으로 모두 유의하였으며, 각 변수의 AVE값은 .633~.769로 Bagozzi & Yi(1988)가 제시한 기준치 .5보다 모두 높게 나타났다. CR(composite reliability) 값은 .873~.930으로 수렴타당성(convergent validity)이 확인되었다. 변수의 판별타당도를 위해 Fornell & Lacker(1981) 이 제시한 방법으로 각 변수의 AVE(Average Variance Extracted) 값과 변수 간 상관관계를 제곱한 값을 비교한 결과, 소극적 인게이지먼트와 적극적 인게이지먼트의 상관관계 제곱 값이 AVE 값 보다 큰 것을 발견하였지만, 전체적으로 판별해내는 조합들의 숫자 등을 고려했을 때 판별타당성을 확보하는 데 무리가 없을 것으로 판단하였다<Table 2>. 또한 변수들의 신뢰구간(상관계수±2*SE)을 살펴본 결과 신뢰구간에 1.0을 포함하지 않아서, 판별타당도를 확보한 것으로 보았다(Anderson & Gerbing, 1988).

<Table 1>

Result of Confirmatory Factor Analysis

<Table 2>

The Squared Correlations and AVE of Variables

2. 연구 가설 검증

1) 구조 모형 검증

본 연구는 패션 기업 종사자와 의류학 전공의 학부/대학원생을 대상으로 설문을 수집하였다. 이에 연구자들은 구조 모형을 검증하기에 앞서 패션 기업 종사자와 의류학 전공의 학부/대학원생들이 인지하는 생성형 AI에 대한 경험 수준과, 이를 통해 지각하는 감정들 (자부심, 죄책감)과 두 차원의 인게이지먼트 (소극적 인게이지먼트, 적극적 인게이지먼트)의 수준에 유의미한 차이가 있는지 독립표본 t-test를 사용해 확인하였다. 그 결과 본 연구에서 사용한 주요 변수인 생성형 AI에 대한 경험 수준, 자부심, 죄책감, 소극적 인게이지먼트, 적극적 인게이지먼트에 대해서 패션 기업 종사자 집단과 의류학 전공의 학부/대학원생 사이에 유의미한 차이가 발견되지 않았다<Table 3>. 따라서 본 연구에서는 두 개의 집단을 동일한 하나의 집단으로 통합하여 분석을 진행하였다.

<Table 3>

Mean Differences in Main Variables Between Fashion Practitioners and Students

연구가설을 검증하기 위해 경로 분석을 실시하였으며, 분석 결과는 <Table 4>와 같다. 구조 모형의 적합도 지수는 Normed x²=1.571; CFI=.970; TLI=.964 RMSEA=.054으로 적합함 또한 검증되었다. 구조 모형을 분석한 결과, 생성형 AI 경험은 업무결과물에 대한 자부심(β=.023, p>.05)에는 유의한 영향을 미치지 않았지만, 죄책감(β=.285, p<.001)에는 유의한 영향을 미치는 것이 검증되어 H1는 기각되고 H2만 채택되었다. 또한 AI 경험은 인게이지먼트에 정적 영향을 미칠 것이라고 가정한 H3도 채택 되었다. 다음으로 사용자는 생성형 AI를 사용하면서 느낀 자부심은 인게이지먼트에 긍정적인 영향을 미치는 것으로 나타나, H4도 지지되었다. 사용자들은 생성형 AI를 사용하며 긍정적인 감정인 자부심 뿐 아니라 부정적인 감정인 죄책감도 느끼는 것으로 나타났는데, 가설과 같이 죄책감은 인게이지먼트에 부적인 영향을 미치는 것으로 나타나 H5를 모두 지지했다.

<Table 4>

Results of Structural Equation Modeling

추가적으로 직접 경로가 통계적으로 유의하지 않았던 H1의 경로를 제외한 수정 모형을 경쟁 모형으로 설정하여 두 모형을 직접 비교하였다. 두 모형은 Non-nested 관계에 있으므로, H1 경로가 제거된 경쟁모델의 간명적합지수가 더 좋아졌는지 AIC 값을 비교해 보았다. 경쟁모델의 AIC는 398.129로 초기 연구모형의 AIC 값 432.800에 비해 작아져서, 연구모형에 비해 경쟁모형이 우수하다고 판단하였다. 수정모형의 적합도도 우수하게 나타났다 (Normed x²=1.561; CFI=.971; TLI=.965 RMSEA=.053). 최종 모형의 모수 추정치는 <Table 5>와 같다. 업무 환경에서 생성형 AI 경험은 생성형 AI 사용에 대한 소극적인 인게이지먼트(β=.442, p<.001)와 능동적인 인게이지먼트(β=.484, p<.001) 모두에 유의한 영향을 미쳤다. 업무결과에 대해 인지된 자부심은 생성형AI에 대한 소극적인 인게이지먼트(β=.305, p<.001)와 능동적인 인게이지먼트(β=.463, p<.001) 모두에 정적으로 유의한 영향을 미쳤다. 또한, 생성형 AI 를 사용하면서 인지한 죄책감은 생성형 AI에 대한 소극적인 인게이지먼트(β=-.177, p<.05)와 능동적인 인게이지먼트(β=-.183, p<.05) 모두에 부적으로 유의한 영향을 미치는 것이 확인되었다.

<Table 5>

Results of Revised Structural Equation Modeling

2) 자의식 감정의 매개효과

다음으로 자의식 감정의 매개효과 검증을 위해 Shrout & Bolger(2002)의 제안을 따라 부트스트랩(Bootstrapping) 분석을 수행하였다. 1000개의 부트스트랩 자료표본을 모수 추정에 사용하였으며, 그 결과, 생성형 AI 사용 경험이 죄책감을 매개로 인게이지먼트에 영향을 미치는 두 경로의 95% 신뢰구간에서 하한값과 상한값은 0을 포함하지 않은 것으로 나타났다<Table 6>. 즉, 죄책감의 매개효과는 p<0.05 수준에서 통계적으로 유의한 것으로 검증되었다. 이에 생성형 AI에 대한 사용자의 죄책감은 부분매개 효과를 가지는 것으로 확인되었다.

<Table 6>

Results of Mediation Effect Testing

Ⅴ. 결론

Acknowledgments

이 성과는 정부 (과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(NRF-2022R1G1A1010675).

References

• Anderson, J. C. & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological bulletin, 103(3), 411-423. [https://doi.org/10.1037/0033-2909.103.3.411]
• Arora, A., Bansal, S., Kandpal, C., Aswani, R., & Dwivedi, Y. (2019). Measuring social media influencer index- insights from facebook, Twitter and Instagram. Journal of Retailing and Consumer Services, 49, 86-101. [https://doi.org/10.1016/j.jretconser.2019.03.012]
• Bagozzi, R. P. & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94. [https://doi.org/10.1007/BF02723327]
• Baumeister, R. F. (2002). Yielding to temptation: Self-control failure, impulsive purchasing, and consumer behavior. Journal of Consumer Research, 28(4), 670-676. [https://doi.org/10.1086/338209]
• Boudewyns, V., Turner, M. M., & Paquin, R. S. (2013). Shame‐free guilt appeals: Testing the emotional and cognitive effects of shame and guilt appeals. Psychology & Marketing, 30(9), 811-825. [https://doi.org/10.1002/mar.20647]
• Carù, A. & Cova, B. (2003). Revisiting consumption experience: A more humble but complete view of the concept. Marketing Theory, 3(2), 267-286. [https://doi.org/10.1177/14705931030032004]
• Carvalho, A., Levitt, A., Levitt, S., Khaddam, E., & Benamati, J. (2019) Off-the-shelf artificial intelligence technologies for sentiment and emotion analysis: a tutorial on using IBM natural language processing. Communications of the Association for Information Systems, 44(1), 918–943. [https://doi.org/10.17705/1CAIS.04443]
• Choi, W., Jang, S., Kim, H. Y., Lee, Y., Lee, S. G., Lee, H., & Park, S. (2023). Developing an AI-based automated fashion design system: reflecting the work process of fashion designers. Fashion and Textiles, 10(1), 39. [https://doi.org/10.1186/s40691-023-00360-w]
• Deci, E. L. & Ryan, R. M. (1985). The general causality orientations scale: Self-determination in personality. Journal of Research in Personality, 19(2), 109-134. [https://doi.org/10.1016/0092-6566(85)90023-6]
• DuBreuil, M. & Lu, S. (2020). Traditional vs big-data fashion trend forecasting: An examination using WGSN and EDITED. International Journal of Fashion Design, Technology and Education, 13(1), 68–77. [https://doi.org/10.1080/17543266.2020.1732482]
• Duhachek, A. (2005). Coping: A multidimensional, hierarchical framework of responses to stressful consumption episodes. Journal of Consumer research, 32(1), 41-53. [https://doi.org/10.1086/426612]
• Fornell, C. & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. [https://doi.org/10.1177/002224378101800104]
• Frijda, N. H. & Sundararajan, L. (2007). Emotion refinement: A theory inspired by Chinese poetics. Perspectives on Psychological Science, 2(3), 227-241. [https://doi.org/10.1111/j.1745-6916.2007.00042.x]
• Graefe, A., Haim, M., Haarmann, B., & Brosius, H.-B. (2018). Readers' perception of computer-generated news: Credibility, expertise, and readability. Journalism, 19(5), 595–610. [https://doi.org/10.1177/1464884916641269]
• Han, D., Choi, D., & Oh, C. (2023). A study on user experience through analysis of the creative process of using image generative AI : focusing on user agency in creativity. The Journal of the Convergence on Culture Technology (JCCT), 9(4), 667-679. [https://doi.org/10.17703/JCCT.2023.9.4.667]
• Hayes, D. & MacLeod, N. (2007). Packaging places: Designing heritage trails using an experience economy perspective to maximize visitor engagement. Journal of Vacation Marketing, 13(1), 45-58. [https://doi.org/10.1177/1356766706071205]
• Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of Interactive Marketing, 28(2), 149-165. [https://doi.org/10.1016/j.intmar.2013.12.002]
• Hong, E. (2023, August 18). Beyond ChatGPT: The future of generative AI [ChatGPT를 넘어, 생성형 AI(Generative AI)의 미래]. Samsung SDS. Retrieved from https://www.samsungsds.com/kr/insights/future_of_generative_ai_1.html
• Hutchins, E. L., Hollan, J. D., & Norman, D. A. (1985). Direct manipulation interfaces. Human–Computer Interaction, 1(4), 311-338. [https://doi.org/10.1207/s15327051hci0104_2]
• Jang, S. Y. & Ha, J. (2023). Presenting fabrics in digital environment: fashion designers’ perspectives on communicating tactile qualities of the fabrics. Fashion and Textiles, 10(1), 6. [https://doi.org/10.1186/s40691-022-00328-2]
• Jin, G. (2024, March 28). 3 out of 10 people in the 2030 generation use generative AI timers such as 'ChatGPT' [2030세대 10명 중 3명은 '챗GPT' 등 생성형 AI 쓴다]. aipostkorea. Retrieved from https://www.aipostkorea.com/news/articleView.html?idxno=1616
• Jung, J-r., Jang, S., & Lee, Y. (2023). Perception of fashion designer's capability and product quality -human vs. human+AI vs. AI-. Journal of the Korean Society of Clothing and Textiles, 47(4), 743-759. [https://doi.org/10.5850/JKSCT.2023.47.4.743]
• Kim, H. & Bao, T. (2023). The effect of utilitarian value and perceived risk on recommendation intention for generative AI : focusing on technology acceptance model. Journal of Speech, Media and Communication Research, 22(4), 373-404. [https://doi.org/10.51652/ksmca]
• Kim, H. Y., Choi, W., Lee, Y., & Jang, S. (2022). Current status of development and practice of artificial intelligence solutions for digital transformation of fashion manufacturers. Journal of Fashion Busienss, 26(2), 28-47. [https://doi.org/10.12940/jfb.2022.26.2.28]
• Kim, H. Y. & Lee, Y. (2020). The effect of online customization on consumers’ happiness and purchase intention and the mediating roles of autonomy, competence, and pride of authorship. International Journal of Human–Computer Interaction, 36(5), 403-413. [https://doi.org/10.1080/10447318.2019.1658375]
• Labazanova, S. K., Aygumov, T. G., & Mursaliev, M. K. (2024). Issues with generative artificial intelligence tools. Proceedings of ITM Web Conferences, 59, 4007. [https://doi.org/10.1051/itmconf/20245904007]
• Lee, B. (2023). Case study of AI-generated logo design: focusing on design thinking museum logo design. Journal of Business Convergence, 8(5), 85-92. [https://doi.org/10.31152/JB.2023.10.8.5.85]
• Lee, E. K. & Jeon, J. O. (2020). A study on the conceptualization of consumers' mixed emotions and its responses. Journal of Consumer Studies, 31(4), 57-90. [https://doi.org/10.35736/JCS.31.4.3]
• Legaspi, R., He, Z., & Toyoizumi, T. (2019). Synthetic agency: sense of agency in artificial intelligence. Current Opinion in Behavioral Sciences, 29, 84-90. [https://doi.org/10.1016/j.cobeha.2019.04.004]
• Limerick, H., Coyle, D., & Moore, J. W. (2014). The experience of agency in human-computer interactions: a review. Frontiers in Human Neuroscience, 8, 643. [https://doi.org/10.3389/fnhum.2014.00643]
• Malthouse, E. & Hofacker, C. (2010). Looking back and looking forward with interactive marketing. Journal of Interactive Marketing, 24(3), 181-184. [https://doi.org/10.1016/j.intmar.2010.04.005]
• Mellers, B. A. & McGraw, A. P. (2001). Anticipated emotions as guides to choice. Current Directions in Psychological Science, 10(6), 210-214. [https://doi.org/10.1111/1467-8721.00151]
• Muntinga, D. G., Moorman, M., & Smit, E. G. (2011). Introducing COBRAs: Exploring motivations for brand-related social media use. International Journal of advertising, 30(1), 13-46. [https://doi.org/10.2501/IJA-30-1-013-046]
• Penz, E. & Hogg, M. K. (2011). The role of mixed emotions in consumer behaviour: Investigating ambivalence in consumers' experiences of approach‐avoidance conflicts in online and offline settings. European Journal of Marketing, 45(1/2), 104-132. [https://doi.org/10.1108/03090561111095612]
• Prentice, C. & Nguyen, M. (2020). Engaging and retaining customers with AI and employee service. Journal of Retailing and Consumer Services, 56, 102186. [https://doi.org/10.1016/j.jretconser.2020.102186]
• Prestini, S. & Sebastiani, R. (2021). Embracing consumer ambivalence in the luxury shopping experience. Journal of Consumer Behaviour, 20(5), 1243-1268. [https://doi.org/10.1002/cb.1933]
• Puligadda, S., Coyle, J. R., & Ni, J. (2021). Are you engaged? The influence of brand schematicity on online brand engagement and brand purchase. Journal of Research in Interactive Marketing, 15(4), 709-728. [https://doi.org/10.1108/JRIM-09-2019-0149]
• Rezwana, J. & Maher, M. L. (2022). Understanding user perceptions, collaborative experience and user engagement in different human-AI interaction designs for co-creative systems. Proceedings of the 14th Conference on Creativity and Cognition, Italy, 38-48. [https://doi.org/10.1145/3527927.3532789]
• Robins, R. W., Noftle, E. E., & Tracy, J. L. (2007). Assessing self-conscious emotions. The self-conscious emotions: Theory and research, 443-467.
• Roth, S. & Cohen, L. J. (1986). Approach, avoidance, and coping with stress. American psychologist, 41(7), 813. [https://doi.org/10.1037/0003-066X.41.7.813]
• Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education?. Journal of Applied Learning and Teaching, 6(1), 342-363. [https://doi.org/10.37074/jalt.2023.6.1.9]
• Shankar, V. & Batra, R. (2009). The growing influence of online marketing communications. Journal of Interactive Marketing, 23(4), 285-287. [https://doi.org/10.1016/j.intmar.2009.07.006]
• Shrout, P. E. & Bolger, N. (2002). Mediation in experimental and nonexperimental studies: New procedures and recommendations. Psychological Methods, 7, 422-445. [https://doi.org/10.1037/1082-989X.7.4.422]
• Standish, J. & Ganapathy, V. (2018, December 27) Think tank: how AI can power the future of fashion. WWD. Retrieved from https://wwd.com/business-news/business-features/jill-standish-think-tank-1202941433/, .
• Tang, P. M., Yam, K. C., & Koopman, J. (2020). Feeling proud but guilty? Unpacking the paradoxical nature of unethical pro-organizational behavior. Organizational Behavior and Human Decision Processes, 160, 68-86. [https://doi.org/10.1016/j.obhdp.2020.03.004]
• Tangney, J. P. & Tracy, J. L. (2012). Self-conscious emotions. In M. R. Leary, & J. P. Tangney (Eds.), Handbook of self and identity. New York, U.S.A.: Guilford.
• Tracy, J. L. & Robins, R. W. (2004). Putting the self into self-conscious emotions: a theoretical model. Psychological Inquiry, 15(2), 103-125. [https://doi.org/10.1207/s15327965pli1502_01]
• Ullah, A., Aimin, W., & Ahmed, M. (2018). Smart automation, customer experience and customer engagement in electric vehicles. Sustainability, 10(5), 1350. [https://doi.org/10.3390/su10051350]
• Van Doorn, J., Lemon, K. N., Mittal, V., Nass, S., Pick, D., Pirner, P., & Verhoef, P. C. (2010). Customer engagement behavior: Theoretical foundations and research directions. Journal of Service Research, 13(3), 253-266. [https://doi.org/10.1177/1094670510375599]
• Vivek, S. D., Beatty, S. E., Dalela, V., & Morgan, R. M. (2014). A generalized multidimensional scale for measuring customer engagement. Journal of Marketing Theory and Practice, 22(4), 401-420. [https://doi.org/10.2753/MTP1069-6679220404]