바로가기메뉴

본문 바로가기 주메뉴 바로가기
 
 

logo

  • P-ISSN1229-2435
  • E-ISSN2799-4767
  • KCI

ISSN : 1229-2435

논문 상세

이전 다음
논문 투고

Vol.37 No.1

PDF Citation Share

생성형 AI 기반 메타데이터 자동 생성의 편향과 공정성에 대한 정보학적 분석

An Analysis of Bias and Fairness in Generative AI-Based Metadata Automation: An Information Science Perspective

한국비블리아학회지 / Journal Of Korean Biblia Society for Library and Information Science, (P)1229-2435; (E)2799-4767
2026, v.37 no.1, pp.467-488
https://doi.org/10.14699//kbiblia.2026.37.1.467
이정미(Jeong-Mee Lee) (서울여자대학교)
이정미. (2026). 생성형 AI 기반 메타데이터 자동 생성의 편향과 공정성에 대한 정보학적 분석. , 37(1), 467-488, https://doi.org/10.14699//kbiblia.2026.37.1.467

초록

본 연구는 AI에 기반한 자동 메타데이터 생성에서 발생하는 편향과 공정성 문제를 정보조직과 자원발견 관점에서 재구성하고자 하는 연구이다. 이를 위해 최근의 국내외 문헌을 체계적으로 분석하여, AI 자동화가 정보조직의 어느 단계에 개입하는지, 그리고 그 과정에서 의미 단순화, 대표성 불균형, 비통제어휘 확산, 분류 위계 왜곡과 같은 구조적 편향이 어떻게 형성되는지를 검토하였다. 또한 이러한 편향이 검색 결과의 가시성, 주제 접근성, 자원 노출 기회에 어떠한 영향을 미치는지를 자원발견의 공정성 측면에서 논의하였다. 연구 결과, AI 자동 메타데이터 생성은 효율성 증대라는 장점도 있으나 학습 데이터의 통계적 분포와 알고리즘적 추론 방식에 기반하여 특정 주제나 집단을 과대․과소 포장할 가능성을 내포하고 있음을 확인하였다. 이는 지식이 조직되고 노출되는 구조 자체를 재편하는 정보학적 쟁점으로 이해되어야 한다. 따라서 AI 자동 생성 메타데이터는 성능 지표를 넘어, 지식조직 체계와의 정합성 및 자원발견의 형평성을 함께 고려하는 통합적 분석 프레임이 요구된다. 본 연구는 AI 자동 메타데이터 편향을 정보 흐름의 구조적 불균형이라는 관점에서 설명하여 정보학적 분석에 기반한 자원발견의 공정성을 위한 이론적 기반을 제시하는 데 의의가 있다.

keywords
AI 기반 메타데이터 생성, 지식 조직 체계, 자원 발견, 알고리즘 편향성, 정보시스템 정당성

Abstract

This study seeks to reconceptualize issues of bias and fairness in AI-based automatic metadata generation from the perspectives of knowledge organization and resource discovery. Through a systematic review of recent domestic and international literature, it examines the stages at which AI intervenes in information organization and how structural biases—such as semantic reduction, representational imbalance, uncontrolled vocabulary proliferation, and distortion of classificatory hierarchies—emerge in the process. It further discusses how these biases affect the visibility of search results, subject accessibility, and opportunities for resource exposure in terms of fairness in resource discovery. The findings indicate that although AI-driven metadata generation enhances efficiency, its reliance on statistically distributed training data and algorithmic inference may lead to the over- or under-representation of particular subjects or groups. This issue should be understood as an information-scientific concern that reshapes the very structure through which knowledge is organized and made visible. Accordingly, evaluating AI-generated metadata requires an integrated analytical framework that goes beyond performance metrics to consider alignment with knowledge organization systems and equity in resource discovery. By framing AI metadata bias as a structural imbalance in information flow, this study provides a theoretical foundation for advancing fairness in resource discovery grounded in information science.

keywords
AI-based Metadata Generation, Knowledge Organization Systems (KOS), Resource Discovery, Algorithmic Bias, Fairness in Information Systems

한국비블리아학회지

논문 투고 OA 정책