딥러닝을 통한 미술관 관람객의 예술작품 선호 예측 연구 (Predicting Museum Visitors’ Artwork Preference through Deep Learning)

서지정보

· 발행기관 : 한국디자인학회
· 수록지 정보 : 디자인학연구 / 35권 / 4호 / 309 ~ 323페이지
· 저자명 : 이태하, 김환, 이지현

초록

연구배경 미술관은 방문하는 관람객들을 위한 매력적인 전시를 디자인하기 위해 노력한다. 이를 위해, 관람객들을 이해하기 위한 관람객 조사의 중요성이 높아지고 있으며, 해당 분야는 ICT(Information communication technology) 기술을 이용해 관람객들의 관람 경험을 정량적으로 평가하는 방향으로 점점 발전하고 있다. 그러나, 한정된 미술관의 자원과 시간으로 인해 다양하고 풍부한 관람 데이터를 수집하기 위한 관람객 조사는 여전히 실제 미술관에서 실행되기 어려운 측면을 보인다. 이러한 맥락에서, 관람객들의 예술작품 선호도를 분석하기 위해 유의미한 관람 데이터의 종류를 파악하는 것은 미술관의 효과적인 관람객 조사를 위해 필요하다. 따라서 본 연구는, 실제 미술관에서 수집한 다양한 종류의 관람 데이터를 모든 조합으로 분석하여 관람객들의 예술작품 선호도를 예측하는 모델을 개발 및 연구하였다.
연구방법 문헌조사를 통해 관람객 조사에서 활용되는 관람 데이터의 유형을 파악하였으며, 관람객 데이터를 수집하는 상황을 세 가지로 설정하였다. 대전에 위치한 이응노미술관에서 관람객들의 모든 깊이에 대한 관람 데이터들을 1,061건 수집하였으며, 딥러닝 기법을 이용하여 수집된 관람 데이터가 관람객들의 전시 만족도 및 예술작품 선호도를 예측하는 모델을 개발하였다. 수집된 데이터와 딥러닝 모델을 이용, 데이터셋의 조합에 대해 선호도를 예측하는 정확도를 계산하였다. 이 결과를 바탕으로, 가장 예측 정확도가 높은 모델을 도출하였고, 수집 상황에 따른 차이를 살펴보았다.
연구결과 본 연구는 총 1,023개의 모델링 과정을 수행하여 모든 데이터셋의 조합 결과를 도출하였다. 그 결과, 최적 모델은 평균 예측 정확도 82.1%로, 6종의 관람 데이터(‘성별’, ‘전시 관람 시간’, ‘전시물 감상 시간’, ‘전시물 감상 순서’, ‘유지력’)를 분석에 활용하였을 때였다. 또한, 관람객 데이터 수집 상황을 살펴본 결과, 첫 번째 상황은 평균 63.7%(요소셋: ‘추상/구상’, ‘작품 크기’), 두 번째 상황은 평균 75.4%(요소셋: ‘전시 관람 시간’, ‘전시물 감상 시간’, ‘유지력’, ‘전시물 방문 횟수’), 그리고 마지막 세 번째 상황은 최적의 모델 결과와 동일하였다.
결론 본 연구는 기존 관람객 조사 분야에서 활용되어온 관람객 경험 데이터를 정의하고, 이를 딥러닝 기법을 적용한 예측 모델을 연구하였다. 또한, 관람객 조사에서 수집하는 데이터 요소에 따라 관람객들의 예술작품 선호도 예측 정확도가 어떻게 달라지는지를 확인하였다. 또한, 미술관 관계자가 본 연구에서 제안한 DNN 모델을 관람객 조사 및 전시 디자인의 두 가지 측면에서 활용하는 방안을 제언하였다. 추후 보다 다양한 예술작품에 대한 관람 데이터를 적용하여 모델이 고도화되면, 미술관은 관람객 조사를 효율적으로 수행할 수 있으며, 관람객 만족도가 높은 전시 기획을 하는 데에 본 연구가 기여할 수 있을 것이다.

영어초록

Background Museums strive to design attractive exhibitions for their visitors. To this end, the importance of visitor studies to understand the visitors’ experience is increasing, and the field is gradually developing in the direction of quantitatively evaluating the visitors’ experience using information communication technology (ICT) technology. However, due to the limited resources and time of the museums, the visitor study to collect various and rich data is still difficult to be carried out in the actual museum. In this context, for an effective visitor survey, it is necessary to understand which type of visitor data is effective in predicting the visitors’ preference for each artwork. Therefore, this research proposed a model for predicting the visitor's preference by analyzing various types of visitor data collected from an actual museum.
Methods The investigation items for the visitor studies were obtained from the previous literature, and three types were set for collecting the visitor data. At the Ungno Lee Museum of Art located in Daejeon, 1,061 cases of visitor data on all depths were collected, and a model to predict the artwork preference of the visitors was developed from the collected data and a deep learning process. The accuracies of predicting preference for all combinations of datasets were calculated. Based on the results, the model with the highest prediction accuracy was derived, and the differences according to the combinations and data types were examined.
Results In this study, a total of 1,023 modeling processes were performed to derive the results of all dataset combinations. As a result, the optimal model’s average prediction accuracy was 82.1%, and it was from the combination of six data: 'gender', 'visiting time', 'viewing time to artwork', 'viewing sequence', and 'holding power'. In addition, even when the prediction accuracy was examined only with the most easily obtainable data, a combination model for the first situation showing an average accuracy of 63.7% was found (feature-set: 'abstract/representation', 'size of artwork'). Next, the average accuracy was 75.4% in the combination model for second situation (factor set: 'visiting time', 'viewing time to artwork', 'holding power', 'visit counts'). Lastly, the third situation was the same as the optimal model result.
Conclusions This research defined the data types for visitor experience in the field of visitor studies and developed a prediction model with deep learning techniques. In addition, it was confirmed how the accuracy of the prediction of visitors’ preferences differs according to the combinations of data types. Also, two methods to utilize our suggested deep neural network (DNN) model in visitor studies and exhibition design were suggested. If the model is advanced by applying the visitor data of enormous artworks in the future, the museums can efficiently conduct visitor studies with our study results. We hope that our research can contribute to designing exhibitions in consideration of the visitors.

참고자료

· 없음