AI 금융 챗봇의 추천 서비스에서 비교 선택지와 설명 유형이 소비자 경험에 미치는 영향 (The Impacts of Comparison Options and Explanation Styles on Consumer Experience in AI Financial Chatbot Recommendations)

서지정보

· 발행기관 : 국제e-비즈니스학회
· 수록지 정보 : e-비즈니스연구 / 26권 / 1호 / 3 ~ 23페이지
· 저자명 : 한은빈, 한상희, 최준호

초록

최근 금융권의 디지털 전환이 가속화되며 AI 챗봇을 활용한 금융상품 추천시스템이 활발히 도입되고 있다. 그러나 AI 금융 챗봇의 추천은 의사결정 과정을 불투명하게 제공하는 한계가 있어, 설명 가능한 AI(XAI)이 주목받고 있다. 특히 금융 서비스에서는 소비자의 심리적 요구와 위험 회피 성향을 고려한 인간 중심 XAI 접근이 강조되며, 비교 선택지 수에 따른 소비자 행동과 같이 소비자를 고려한 XAI 설명 유형 연구의 필요성이 제기되고 있다.
이러한 맥락에서 본 연구는 AI 금융 챗봇의 비교 선택지 유무(단일 vs. 복수)와 설명 유형(특성 기여도 설명 vs. 반사실적 설명)이 소비자 경험에 미치는 영향을 검토하고자 하였다. 2×2 실험 설계를 적용하여 4개의 조건에 무작위 배정된 208명의 참가자가 챗봇 프로토타입 시청 후 설문을 완료하였으며, SPSS 기반 ANOVA 분석을 실시하였다. 연구 결과, 단일 선택지 조건에서는 반사실적 설명이 신뢰, 만족도, 추천 수용 의도를 높였으며, 다중 선택지 조건에서는 특성 기여도 설명이 효과적임을 확인하였다. 반면, 인지 부하는 선택지 개수의 영향을 크게 받았으며, 설명 유형과의 상호작용 효과는 유의하지 않은 것으로 나타났다. 연구 결과는 금융 챗봇 설계에서 비교 선택지 수와 설명 유형을 맥락에 맞게 조합하는 전략의 필요성을 강조하며, 금융권 AI 챗봇 서비스의 소비자 경험을 개선하기 위한 실질적인 가이드라인 제안에 기여한다.

영어초록

Research Purpose: This study aims to investigate how comparison option availability (single vs. multiple) and explanation types (feature attribution vs. counterfactual) jointly influence consumer experience—encompassing trust, satisfaction, recommendation acceptance intention, and cognitive load—in AI financial chatbot services.
Research Methods: Building on prior research, a 2×2 experimental design was employed with 208 participants, who evaluated financial product recommendations under different option availabilities and explanation styles. SPSS-based ANOVA was used to test main and interaction effects.
Results in Research: Significant interaction effects were found for trust, satisfaction, and recommendation acceptance intention. In single-option settings, counterfactual explanations mitigated single-option aversion and boosted these outcomes, whereas in multiple-option conditions, feature attribution explanations performed more effectively. For cognitive load, only main effects were significant, suggesting a pronounced burden from having more options.
Research Conclusion: These findings underscore the pivotal role of combining explanation types and option-provision strategies to optimize consumer experience. By appropriately adjusting both explanation style and the number of available options, it is possible to enhance trust, satisfaction, and recommendation acceptance intention while mitigating cognitive load. Such insights offer practical guidance for designing user-centric AI financial chatbot recommendation systems.

참고자료

· 없음