https://dspace.hansung.ac.kr/handle/2024.oak/1962 2026-11-13T00:21:13Z https://dspace.hansung.ac.kr/handle/2024.oak/10838 Title: 딥테크 스타트업 보육 표준 프레임워크 개발 연구 Author(s): 김재중 Abstract: 이 연구는 공공 액셀러레이터 위탁 사업 제안요청서（RFP）에 대한 체계적 내용 분석을 토대로 딥테크 스타트업 보육 표준 프레임워크를 개발하는 것을 목적으로 한다. 딥테크 스타트업은 장기 기술 개발 주기, 높은 자본집약성, 전문 인력 의존성, 규제·정책 민감성, 신시장 창출 지향이라는 다섯 가지 차별적 특성을 지니며, 이로 인해 일반 스타트업과는 질적으로 상이한 보육 지원이 요구된다. 그러나 국내 공공 보육 현장에서는 딥테크 특화 운영 기준이 부재한 채 획일적 프로그램이 반복 적용되고 있다는 문제가 지속적으로 제기되어 왔다. 이를 해결하기 위해 이 연구는 2025~2026년 공공기관이 발주한 액셀러레이터 위탁사업 RFP 29개를 수집하여 내용분석 코딩 체계（선발·교육·멘토링·투자 연계·사후관리 5단계, 30개 소분류 항목）를 적용하였다. 코딩 신뢰도 검증에서 7개 RFP에 대한 제1코더-제2코더 교차검증 결과, Cohen's Kappa=1.000으로 기준치（≥0.80）를 상회하여 데이터의 신뢰성을 확보하였다. 나아가 RFP 내용 분석에서 도출된 보육 요인에 대해 딥테크 분야 전문가를 대상으로 AHP 분석을 실시하여 보육 단계별·요인별 상대적 중요도를 산출하고, 전문가 심층인터뷰를 기반으로 분석 결과를 현장 관점에서 검증하는 혼합연구방법을 적용하였다. 이 연구는 공공 보육 RFP를 분석하여 다섯 항목이 사실상의 표준 보육 요소로 자리 잡았음을 확인하였다. 1:1 맞춤 멘토링（M1）, 투자자 연결 멘토링（M4）, 사후 성과 모니터링（P4）, 후속 VC 투자 연계（I3）, 데모데이·IR 발표 지원（I5）이 모두 90%를 웃도는 출현율을 보였다. 반면 딥테크 고유 항목은 취약했다. 기술 역량평가（S1）는 34.5%, 딥테크 사업화 교육（E5）은 24.1%에 그쳤고, IPO·M＆A 경로 설계（I6）는 단 한 건도 나타나지 않았다. 이는 딥테크의 장기·고위험 특성이 현행 공공 RFP 설계에 거의 반영되지 못하고 있음을 보여준다. 이 연구에서는 이 격차에 주목하여 딥테크 선발 강화, 스케일업 투자 연계, 글로벌 전문 멘토링을 세 축으로 하는 5단계 표준 보육 프레임워크를 제안한다. 특히 이 연구는 공공기관이 발주한 RFP 문서 자체를 1차 데이터로 활용한 첫 보육 프레임워크 연구라는 점, 그리고 지금까지 주로 보육 효과성 검증에 집중한 기존 연구들과 달리, 보육 운영 기준의 설계를 연구 문제로 삼았다는 점에서 이론적 의미가 있다. 또한 도출된 프레임워크는 앞으로 공공 액셀러레이터 위탁사업의 RFP 설계와 딥테크 보육 정책 개선을 위한 실증적 지침으로 활용될 것으로 기대된다.|This study aims to develop a standard incubation framework for deep-tech startups based on a systematic content analysis of Requests for Proposals（RFPs） issued for public accelerator outsourcing projects. Deep-tech startups are characterized by five distinctive features—long technology development cycles, high capital intensity, dependence on specialized personnel, sensitivity to regulatory and policy environments, and an orientation toward new market creation—which require qualitatively different incubation support compared to general startups. However, in the domestic public incubation field, the problem of applying uniform programs without deep-tech-specific operating standards has been persistently raised. To address this, the study collected 29 public accelerator outsourcing RFPs issued between 2025 and 2026 and applied a content analysis coding scheme comprising five stages （selection, education, mentoring, investment linkage, and post-management） and 30 sub-items. In the coding reliability test, cross-validation by a primary coder and a secondary coder on seven RFPs yielded a Cohen's Kappa of 1.000, exceeding the threshold（〉=0.80） and securing data reliability. Furthermore, a mixed-methods design（triangulation of content analysis, AHP, and interviews） was applied: an Analytic Hierarchy Process（AHP） analysis with deep-tech experts was designed to derive the relative importance of incubation factors by stage, and expert in-depth interviews were designed to validate the findings from a field perspective. The main findings show that one-on-one customized mentoring（M1, 96.6%）, investor-connection mentoring（M4, 96.6%）, post-performance monitoring（P4, 96.6%）, follow-on VC investment linkage（I3, 93.1%）, and demo-day/IR presentation support（I5, 93.1%） were identified as essential standard elements. In contrast, deep-tech-specific elements such as deep-tech competency assessment （S1, 34.5%）, deep-tech commercialization education（E5, 24.1%）, and IP strategy development（S2, 44.8%） showed relatively low appearance rates, while IPO/M＆A exit-path design（I6） was absent across all analyzed RFPs. The largest gap in appearance rate between deep-tech-designated RFPs and general RFPs appeared in technology-specialized education（E1, +28.3%p）. These results empirically demonstrate that the long-term and high-risk characteristics of deep-tech startups are not sufficiently reflected in the design of public RFPs. Based on this gap analysis, the study proposes a five-stage standard incubation framework centered on three core axes: strengthening deep-tech selection, linking scale-up investment, and providing global expert mentoring. This study contributes theoretically as the first incubation-framework study to use public-agency RFP documents themselves as primary data, and in that it sets the design of incubation operating standards as its research problem, unlike prior research focused on verifying incubation effectiveness. The derived framework is expected to serve as an evidence-based guideline for RFP design in public accelerator outsourcing projects and for improving deep-tech incubation policy. 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10832 Title: 중소기업 재직 사회초년생의 이직 의도에 미치는 영향 연구 Author(s): 조민경 Abstract: 2026년 현재 우리나라 중소기업 비중은 99%를 차지한다. 산업 전반에 걸쳐 대부분의 기업이 중소기업이다. 따라서, 중소기업은 국내 고용의 상당 부분을 차지하고 있다. 중소기업은 기업 전방으로는 매출 부진, 후방으로는 원가 증가 등 어려움에 처해 있다. 2026년 2월 공표된 국가데이터처의 임금근로일자리 소득 통계조사 결과에 따르면 2년 전인 2024년 대기업 근로자의 평균 급여는 중 소기업 근로자 평균 급여의 약 2배 수준으로 나타났다. 통계조사가 진행되지 않은 2026년 현재 격차는 더 벌어졌을 것이 틀림없다. 중소기업은 대기업 대비 급여, 복지뿐 아니라 인센티브 등 양극화가 심해지면서 증가하는 근로자 퇴사에 대응할 마땅한 방법을 찾지 못하고 있다. 근로자의 퇴사·이직은 채용, 교육 등 직접 비용뿐 아니라 업무 인수인계 과정에서의 생산성과 지식 손실 등 기업의 불안정성으로 이어진다. 또한, 근로자의 이직은 남아 있는 구성원의 사기 저하로 이어지고 고객 관계가 중요한 영역에서는 매출에 영향을 줄 수도 있다. 구체적으로 보면 퇴사는 청년층 사이에서 빈번하게 일어나고 있다. 신입사원의 조기 퇴사 이직은 이미 구조적 현상이다. 국립국어원에는 퇴사 준비생을 줄여 이르는 퇴준생 용어가 등록되어 있을 정도이다. 다양한 연구에서 청년층은 급여보다는 워라밸을 추구하는 성향이 강하다. 연구자는 워라밸 성향 을 포함하여 중소기업 재직자 중 사회초년생의 이직 원인을 구체적으로 파악해야 우리 중소기업이 효과적으로 근로자의 이직에 대응할 수 있다고 생각하고 사회초년생에 집중하여 이직의도를 연구했다. 이 연구는 2026년 현재 중소기업에 재직 중인 사회초년생을 대상으로 기업 내부에서의 조직적합성, 직 무적합성 등이 이직의도에 미치는 영향을 설문조사 방법으로 파악했다. 이 연구 결과는 중소기업 경영자, 인사관리부서 관계자 등에게 사회초년생의 이직의도와 관련된 정보를 제공한다.|As of 2026, small and medium-sized enterprises （SMEs） account for the overwhelming majority of firms in Korea and employ a substantial share of the domestic workforce. At the same time, SMEs face mounting difficulties, including sluggish sales, rising costs, and the frequent turnover of their employees. The widening wage gap with large corporations— where average pay reached roughly twice that of SMEs in 2024—has made it increasingly difficult for SMEs to retain talent. Employee turnover imposes not only direct costs such as recruitment and training, but also losses in productivity and organizational knowledge during job handovers, thereby undermining organizational stability. Such turnover occurs particularly frequently among young workers, and the early resignation of new employees has become a structural phenomenon. Prior research suggests that younger employees increasingly value work–life balance over compensation alone, and that turnover among early-career employees is shaped by the degree of fit between the individual and the job, the organization, and the work environment, rather than by pay levels in isolation. Accordingly, this study examines how organizational fit, job fit, and work environment fit influence the turnover intention of early-career employees in SMEs, with job satisfaction and organizational commitment as mediating variables. Drawing on a survey of employees with less than three years of work experience at SMEs, the study analyzes the structural relationships among these variables. The findings provide SME executives and human resource managers with empirical evidence on the key factors that drive early-career employees' turnover intention, and offer practical implications for designing talent-retention strategies in an environment where compensation conditions are relatively constrained 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10829 Title: 중소기업 인공지능 내재화를 위한 데이터세트 구축 자동화 시스템 개발 연구 Author(s): 장진호 Abstract: 전 세계 산업 분야에서 인공지능 기술의 활용이 급증하고 있다. 인공지능 기술은 사람이 하는 일의 일부를 대신해 주는 도구에 머물지 않고 조직의 운영 구조와 판단 체계를 스스로 학습하고 개선하는 지능형 운영시스템으로 빠르게 발전하고 있다. 산업 분야와 직무에 따라 인공지능 기술 사용 수준에 차이가 있겠으나, 인공지능 기술을 내재화（內在化）한 기업과 그렇지 않은 기업 간의 격차가 크게 벌어지고 있다. 인공지능 전환（AX）과 활용은 비즈니스 환경에서 기업의 생존을 결정하게 될 것이 틀림없다. 인공지능 기술 내재화를 위해 우리 중소기업은 무엇을 준비하면 좋을까? 인공지능 기술 내재화는 인공지능 운영에 필요한 지식과 기술 경험을 조직 내부에 축적하여 외부 의존도를 낮추고 자체 관리 및 발전 역량을 갖추는 과정이다. 연구자는 중소기업이 지금 시작할 수 있는 인공지능 내재화의 시작점은 데이터와 정보의 축적, 즉 인공지능 학습을 위한 지식의 내재화가 인공지능 전환을 위해 해야 할 일이라고 판단했다. 중소기업의 재직 근로자는 필요할 때 언제든지 인공지능 도구를 활용할 수 있는 역량을 확보해야 하고, 중소기업은 이때 조직의 목표 달성에 필요한 데이터를 보유하고 있어야 한다는 의미이다. 이를 위해서는 항시 기업이 분석, 활용할 수 있는 최신 데이터를 자동으로 확보하여 보유할 수 있는 체계를 갖추는 것이 매우 중요하다. 이 연구는 가장 보편적인 데이터 확보 방식인 인터넷 웹사이트에 게시된 정보, 첨부파일 등 데이터를 수집하여 AI 활용을 위한 데이터세트로 저장, 보관하는 기능을 내재화할 수 있는 정보시스템을 구현하고 실제 동작시켜 실증결과를 제시하고 전문가 검토 등을 거쳐 시사점을 제시하였다.|The application of artificial intelligence（AI） technology is rapidly surging across global industrial sectors. Rather than remaining a mere tool that substitutes for portions of human labor, AI is swiftly evolving into an intelligent operating system capable of autonomously learning and optimizing an organization's operational structures and decision-making frameworks. While the degree of AI utilization varies, a significant divide is emerging between enterprises that have internalized AI capabilities and those that have not. Undoubtedly, AI Transformation（AX） and its practical application will dictate corporate survival in the modern business environment. To achieve this AI internalization, what preparations must small and medium-sized enterprises （SMEs） in South Korea undertake? AI internalization is the process of accumulating the requisite knowledge and technical expertise for AI operations within an organization, thereby mitigating reliance on external resources and cultivating independent management and developmental capabilities. This study posits that the most actionable initial step for SMEs embarking on AX is the aggregation of dispersed data and information—fundamentally, the internalization of knowledge. Employees within SMEs must secure the competency to leverage AI tools on demand, while the organizations themselves must possess the requisite data to achieve their strategic objectives. To facilitate this, it is critical to establish a systemic architecture that automatically and continuously acquires up-to-date data, ensuring its availability for corporate analysis and application. Consequently, this research developed and implemented an information system designed to internalize the capability of extracting ubiquitous web-based data—such as website text and attached files—and structuring it into datasets for AI utilization. By demonstrating the operationalization of this system, presenting empirical results, and incorporating expert reviews, this study provides actionable implications for South Korean SMEs pursuing AI internalization. 2025-12-31T15:00:00Z https://dspace.hansung.ac.kr/handle/2024.oak/10818 Title: 소프트웨어 개발 단계별 인공지능 기술 활용 방안 연구 Author(s): 양병헌 Abstract: Since OpenAI released ChatGPT, a large language model （LLM）– based service, in November 2022, generative artificial intelligence has been rapidly adopted in the workplace. In its early stages, limitations such as the training-data cutoff and the phenomenon of hallucination led many to expect that considerable time would pass before the technology could be used in practice. However, as new models were released in succession, both the user base and the scope of application expanded. Software development has been no exception: developers who use generative AI for writing source code and documentation are now a common sight. Yet empirical research on how this technology is used at each stage of development and how it affects productivity in the field remains insufficient. This study analyzes the actual use and productivity effects of generative AI across the entire Software Development Life Cycle （SDLC）, from requirements analysis to deployment and maintenance. First, a literature review was conducted to organize the relationship between the level of AI use and productivity at each stage. Next, a survey of 200 practicing developers who use generative AI in real projects was carried out to measure and compare the level of use and the perceived productivity improvement at each stage. Finally, three field experts at the project-manager （PM） level or above reviewed the survey results, thereby cross-validating （triangulating） the quantitative analysis with practitioners' interpretations of the field. The analysis found that, across all SDLC stages, the perceived productivity improvement reported by developers consistently exceeded the level of tool use. The size of this gap, however, varied by stage. In the requirements analysis stage, although the level of use was relatively low, the gap between the two indicators was the largest at 0.37 points, indicating that a substantial effect was perceived from use alone. By contrast, the implementation and testing stages showed the narrowest gaps, at 0.13 and 0.09 points respectively, which is presumably because the cost of verifying and correcting AI-generated code offsetting the benefits. Among the barriers to adoption, technical uncertainty arising from hallucination （33.0%） and the opacity of return on investment （27.0%） were most frequently cited, while concerns about the erosion of professional expertise and over-reliance on tools were prominent at the job-competency level. This study is significant in that it divides the SDLC into stages and compares the level of use and the productivity effects of generative AI across them. It is hoped that these findings will serve as a reference for practitioners who commission, perform, and supervise projects in managing them on the basis of generative AI.|2022년 11월 OpenAI가 대규모 언어 모델（Large Language Model, LLM） 을 기반으로 한 ChatGPT를 내놓은 뒤, 생성형 인공지능（Generative AI, 이하 생성형 AI）은 빠르게 업무 현장에 활용되고 있다. 초기에는 학습 데이터의 시점에 대한 한계와 환각（hallucination） 현상 탓에 실무에서 활용되기까지 오랜 시간이 걸릴 것으로 예상되었으나, 새로운 모델이 잇따라 나오면서 사용자층과 활용 범위가 함께 넓어졌다. 소프트웨어 개발 영역도 예외가 아니어서, 소스코드 작성과 문서 작성에 생성형 AI 기술을 쓰는 개발자를 어렵지 않게 볼 수 있다. 그러나 개발 현장에서 이 기술이 단계별로 어떻게 쓰이고 생산성에 어떤 영향을 주는지에 관한 실태 연구는 아직 충분하지 않다. 이 연구는 요구사항 분석에서 배포·유지보수에 이르는 소프트웨어 개발 생명주기（SDLC） 전 단계를 대상으로 생성형 AI 기술의 활용 실태와 생산성 효과를 분석하였다. 먼저 문헌조사로 단계별 활용 수준과 생산성의 관계를 정리하였다. 이어 실제 프로젝트에서 생성형 AI 기술을 사용하는 현업 개발자 200명을 대상으로 설문조사를 실시하여 단계별 활용 수준과 생산성 향상도를 측정·비교하였다. 끝으로 프로젝트 관리자（PM）급 이상의 현장 전문가 3인에게 설문 결과를 검토받아, 정량 분석과 현장 해석을 교차 검증（Triangulation）하였다. 분석 결과, SDLC 모든 단계에서 도구의 활용 수준보다 개발자가 체감하는 생산성 향상도가 높게 나타났다. 다만 그 차이는 단계마다 달랐다. 요구사항 분석 단계에서는 활용 수준이 상대적으로 낮은데도 두 지표의 격차가 0.37점으로 가장 커, 활용만으로도 효과를 더 크게 체감할 수 있었다. 반면 구현과 테스트 단계는 격차가 각각 0.13점, 0.09점으로 가장 좁았는데, 이유는 생성된 코드를 검증하고 수정하는 비용이 효과를 상쇄하기 때문으로 예상된다. 도입을 가로막는 요인으로는 환각 현상에 따른 기술적 불확실성（33.0%）과 투자 대비 효과의 불투명성（27.0%）이 높게 지목되었고, 직무 측면에서는 전문성의 저하와 도구 의존에 대한 우려가 컸다. 이 연구는 SDLC의 단계별로 나누어 생성형 AI 기술의 활용 수준과 생산성 효과를 비교했다는 데 의의가 있다. 이 연구의 결과가 프로젝트를 발주·수행·감리하는 실무 담당자들이 생성형 AI 기반으로 프로젝트를 진행하는 데 참고 자료로 쓰이기를 기대한다. 2025-12-31T15:00:00Z