ChatGPT 기반 인공지능의 디자인 평가 신뢰도 향상 연구 - 테이블 램프 사례 비교 분석

A Study on Enhancing the Reliability of Design Evaluation Using ChatGPT-Based AI : A Comparative Analysis of Table Lamp Cases

본 연구는 ChatGPT의 학습 효과를 중심으로, 인공지능(AI) 기반 디자인 비평 도구로서의 가능성을 검토하고자 하였다. 기존의 디자인 비평은 기능성, 맥락성, 창의성 등 정성적 요소를 인간 전문가의 직관과 경험에 의존해 수행되어 왔다. 이에 따라, AI가 정량적·정성적 평가 모두에서 인간의 판단 패턴을 어느 정도 재현할 수 있는지 확인하는 것이 필요하다. 연구는 총 2단계 실험으로 구성되었으며, 20개의 테이블 램프 디자인을 평가 대상으로 삼았다. 1차 실험에서는 훈련되지 않은 ChatGPT와 32명의 인간 전문가가 5점 리커트 척도를 바탕으로 조형성, 제작성, 사용성, 적합성, 만족성의 5가지 항목을 평가하였다. 이후 ChatGPT는 1차 실험의 오류 데이터를 바탕으로 학습되었으며, 2차 실험에서는 새로운 10개의 조명에 대해 다시 평가가 이루어졌다. 그 결과, 훈련 이후 ChatGPT의 정량적 평가 오차 범위가 감소하였고, 정성적 요소에서도 부분적인 향상이 관찰되었다. 이는 AI가 전문가 데이터를 학습함으로써 일부 맥락적·감성적 요소를 반영할 수 있음을 시사한다. 향후 더 다양한 디자인 범주의 학습을 통해 정성적 평가의 신뢰도를 높일 필요가 있다.

This study investigates the effectiveness of ChatGPT as an AI-based design critique tool by examining its ability to replicate human evaluative patterns. Traditional design critique depends on expert judgment to assess aspects such as functionality, context, and creativity. As AI technology evolves, it is essential to evaluate whether such systems can perform both quantitative and qualitative assessments in design. The research employed a two-stage experiment using 20 table lamp designs. In the first stage, 10 lamps were evaluated by 32 human experts and an untrained version of ChatGPT using a 5-point Likert scale across five criteria: form, manufacturability, usability, appropriateness, and emotional appeal. Based on the discrepancies identified, ChatGPT was subsequently trained using human feedback. In the second stage, a new set of 10 lamps was assessed again by both trained ChatGPT and human experts. Post-training results indicate that ChatGPT’s error margin decreased significantly in quantitative assessments and showed partial improvement in qualitative areas. This suggests that ChatGPT can internalize certain contextual and emotional aspects when guided by expert data. The findings highlight the potential of ChatGPT as a supportive tool in design evaluation, particularly for time-efficient and scalable critique processes. Further development with more diverse design datasets is recommended to enhance its reliability and depth in qualitative analysis.