분석 부문 최우수상 발표를 바탕으로 정리한 상세 연구노트입니다.

이 자료는 앞서 이 채팅에서 정리한 상세 요약 전체와 문제 해결 · 자료 수집 방법 · 분석 방법 · 분석 프로그램을 모두 포함합니다.

서울의 주요 관광지 44곳 주변을 AI가 직접 ‘걸어본 것처럼’ 로드뷰 이미지로 관찰하게 하고, 쾌적성·보행편의성·안전성을 평가하여 어디의 보행환경을 우선적으로 개선해야 하는지를 찾은 연구입니다.

연구팀명은 보행 소년단이고, 발표 주제는 대략 “AI가 걸어본 서울 관광지 보행환경 — MLLM 분석”으로 이해할 수 있습니다.

발표 음성의 MLM, MLNM 등은 문맥상 MLLM, Multimodal Large Language Model, 즉 이미지와 텍스트를 함께 이해할 수 있는 멀티모달 AI 모델을 의미하는 것으로 보입니다.

연구팀이 출발한 문제의식은 매우 명확합니다. 관광에서 보행환경(Walking Environment / Pedestrian Environment)은 단순히 “길이 걷기 편한가?”의 문제가 아닙니다.

관광객은 주민과 다릅니다. 주민은 목적지를 알고 이동하지만 관광객은 대부분 낯선 공간을 탐색하면서 이동합니다. 따라서 관광객에게는 관광명소 자체뿐 아니라 지하철역에서 관광지까지 가는 길 → 주변 골목 → 보도 → 횡단보도 → 거리경관 → 관광지 입구까지가 하나의 관광 경험이 됩니다.

관광지에 도착하기 전의 이동 경험도 관광 경험이다.

따라서 유명 관광지의 콘텐츠가 아무리 좋아도 주변 보도가 좁고, 장애물이 많고, 보차분리가 안 되어 있으며, 거리경관이 혼잡하다면 관광객이 체감하는 관광경험의 질이 낮아질 수 있습니다.

기존에는 보행환경을 평가할 때 주로 전문가 현장조사 → 조사표 작성 → 항목별 평가 방식을 사용했습니다.

문제는 규모입니다. 서울 전역의 수십 개 관광지를 대상으로 수백 또는 수천 개 지점을 조사하려면 많은 조사원과 시간이 필요합니다.

즉, AI를 일종의 대규모 가상 현장조사원(Virtual Auditor)으로 사용한 것입니다.

연구팀은 서울시 빅데이터캠퍼스에서 제공하는 관광 관련 데이터를 이용하여 서울의 주요 관광지 44곳을 분석 대상으로 선정했습니다.

중요한 점은 관광지의 ‘점 하나’를 평가한 것이 아니라는 점입니다. 관광객은 관광지 중심점에 순간이동하지 않습니다. 따라서 연구팀은 각 관광지를 중심으로 주변 보행공간까지 분석했습니다.

한 방향 사진만 보면 보행환경을 왜곡해서 볼 수 있습니다. 정면에는 넓은 보도가 있지만 뒤쪽에는 불법주차가 있을 수 있기 때문입니다. 동·서·남·북을 결합하면 AI가 해당 지점의 주변 환경을 더 종합적으로 판단할 수 있습니다.

이 전체 흐름이 사실상 이 경진대회 작품의 핵심입니다.

보행환경과 관련된 기존 평가항목 가운데 이미지만 보고도 AI가 비교적 판단할 수 있는 요소를 선정했습니다.

각 항목은 1점 ← 매우 좋지 않음 ··· 매우 좋음 → 7점 척도로 평가하도록 했습니다.

발표에서는 대표적인 멀티모달 AI 모델로 Gemini · GPT · Claude 등을 사용한 것으로 설명됩니다.

하나의 AI만 사용하면 특정 모델의 평가성향이 결과에 영향을 줄 가능성이 있습니다. 그래서 여러 AI에게 같은 이미지를 평가하게 하고 “서로 비슷한 판단을 하는가?”를 확인했습니다.

이 연구에서 상당히 중요한 부분입니다. “AI가 이렇게 평가했다”에서 끝났다면 연구의 설득력이 약합니다.

연구팀은 AI 평가 결과에 대해 신뢰도 검증을 했습니다. 발표에서는 Cronbach's alpha(크론바흐 알파)를 사용했다고 설명합니다.

모델 및 평가차원별 α 값이 대체로 0.8 이상으로 나타나 평가의 내적 일관성 또는 평가 간 일관성이 양호하다고 판단했습니다.

AI들끼리 평가가 비슷하더라도 “AI만 그렇게 생각하는 것은 아닌가?”라는 문제가 남습니다.

그래서 일부 이미지를 추출하여 사람에게도 동일한 보행환경 평가를 실시했고, Human Rating ↔ AI Rating을 비교했습니다.

발표에서는 두 평가 결과가 크게 다르지 않았다고 설명합니다. 따라서 연구팀은 MLLM을 대규모 보행환경 평가에 활용할 가능성이 있다고 판단했습니다.

서울 관광지의 가장 큰 문제는 ‘안전’ 자체보다는 실제로 걸을 때 느끼는 물리적 편의성이다.

관광지의 보행 문제라고 하면 흔히 “교통사고가 위험한가?”를 생각할 수 있습니다.

하지만 AI 분석에서는 상대적으로 안전성보다 좁은 보도 · 장애물 · 보행 연속성 · 휴식공간 · 시각적 혼잡 같은 문제가 더 두드러졌습니다.

즉 정책도 안전성 중심에서 한 단계 더 나아가 보행 경험의 질을 볼 필요가 있다는 것입니다.

44개 관광지는 성격이 모두 다릅니다. 궁궐과 전통시장을 동일 기준으로 단순 비교하면 정책적 의미가 떨어질 수 있습니다.

그래서 연구팀은 관광지를 6개 유형으로 분류했습니다. 발표에서 특히 강조된 것은 문화시설형 대 시장·상권형입니다.

관광지별 순위를 만들었을 때 상위 10개 관광지에는 문화시설형이 다수 포함되었고, 하위 관광지에는 시장·상권형이 상대적으로 많이 포함되었습니다.

따라서 문제를 “어떤 관광지가 관리가 잘 되었는가?”만으로 보기보다 “관광지 유형 자체가 특정한 보행환경 문제를 만들어내는 것은 아닌가?”라는 관점으로 확장했습니다.

어떤 관광지의 점수가 3.6점이라고 합시다. 그 자체만으로는 정책 담당자가 무엇을 개선해야 할지 알 수 없습니다.

그래서 MLLM에게 “왜 이 점수를 주었는가?”까지 설명하도록 했습니다.

강점으로 나타난 키워드는 주로 쾌적성 및 안전성 관련 요소였습니다.

서울의 주요 관광지 가운데 많은 지역에서 정비상태, 청결, 개방감, 보차분리 등은 상대적으로 긍정적으로 평가된 것으로 볼 수 있습니다.

이들 핵심 문제의 비중을 합치면 50% 이상을 차지했다고 발표합니다.

따라서 낮은 보행환경 점수의 상당 부분은 보행공간 자체가 좁거나, 물건·시설물·상업요소 등에 의해 실제 걸을 수 있는 공간이 감소하는 문제와 연결됩니다.

즉 AI가 단순한 평가 도구에서 진단 도구로 확장됩니다.

연구팀은 수많은 평가 이유와 키워드를 그대로 두지 않았습니다. 유사한 키워드를 묶어 더 상위 수준의 문제 유형, 즉 Topic으로 만들었습니다.

발표 음성상으로는 LDA 계열 토픽 모델링으로 들리지만, 제공된 전사만으로 정확한 알고리즘 명칭은 다소 불명확합니다.

최종적으로 약 7개 토픽이 도출된 것으로 설명합니다. 예를 들어 정비된 도심 보행환경과 같은 긍정적 토픽은 평균 점수가 높았고, 특수·이질적 환경 또는 보행 열악성과 관련된 토픽은 점수가 낮았습니다.

즉 개별 지점의 문제를 넘어 도시공간 문제의 유형(pattern)을 찾은 것입니다.

연구팀은 어떤 관광지 유형에서 어떤 문제가 반복적으로 나타나는가를 살펴봤습니다.

따라서 관광지별로 동일한 개선정책을 적용하면 안 된다는 결론이 나옵니다.

관광지 유형별 맞춤형 보행환경 정책

단순히 보행환경이 나쁜 곳부터 개선하면 합리적으로 보이지만 반드시 그렇지는 않습니다.

예를 들어 A 관광지는 방문객 10만 명·보행점수 3.5, B 관광지는 방문객 1,000만 명·보행점수 3.6이라면 정책적 파급효과는 B가 훨씬 클 수 있습니다.

그래서 연구팀은 X축 = 연간 방문객 수, Y축 = 보행환경 점수로 놓았습니다.

가장 중요한 곳은 방문객은 많은데 보행환경 점수는 낮은 관광지입니다. 개선했을 때 영향을 받는 관광객의 규모가 크기 때문입니다.

발표에서는 대표적으로 남대문시장 · 롯데월드 · 이태원 세계음식문화거리 등이 언급됩니다.

이들 관광지는 방문량에 비해 상대적으로 보행환경 점수가 낮아 우선 개선 필요성이 높은 관광지로 제시되었습니다.

이 연구가 경진대회에서 강점을 가진 이유 중 하나는 연구결과를 논문표로만 제시하지 않고 공간정보 기반 인터랙티브 지도로 만들었다는 점입니다.

지도에서는 44개 관광지의 위치를 볼 수 있고, 관광지를 클릭하면 보행환경 점수와 세부 평가를 확인할 수 있습니다.

발표에서는 낙원악기상가를 예시로 보여줍니다.

관광지 주변 도로마다 색상 또는 점수로 보행환경이 좋은 구간과 낮은 구간을 확인할 수 있게 만들었습니다.

특정 포인트를 클릭하면 쾌적성 · 보행편의성 · 안전성 등의 점수와 개선이 필요한 이유까지 표시됩니다.

점수가 낮은 지점을 클릭한 뒤 카카오 로드뷰를 열면 “AI가 왜 이곳을 낮게 평가했는가?”를 실제 거리 이미지로 바로 검토할 수 있습니다.

예를 들어 AI가 좁은 보도를 문제로 판단했다면 담당자가 실제 로드뷰를 통해 이를 확인할 수 있습니다.

이 지도는 사실상 관광 보행환경 의사결정지원 시스템에 가깝습니다.

첫째, 서울 주요 관광지의 보행환경은 전체적으로 중간 이상 수준이며, 특히 안전성은 비교적 양호했습니다.

둘째, 가장 취약한 부분은 보행편의성이었습니다. 특히 보도폭, 장애물, 보행 연속성, 휴식 가능성 등 물리적 보행환경이 문제로 나타났습니다.

셋째, 관광지 유형에 따라 문제가 매우 달랐습니다. 문화시설형은 상대적으로 우수하고, 시장·상권형은 취약했습니다.

단순히 “서울 관광지의 보행환경을 개선하자”가 아닙니다.

관광객이 많은데 보행환경이 낮은 곳을 먼저 찾고 → 그 지역에서 반복적으로 나타나는 구체적인 장애요인을 확인하고 → 관광지 유형에 맞는 보행환경 개선사업을 실시하자.

이 발표는 학생들에게 빅데이터 분석은 단순히 데이터가 많은 것이 아니라는 것을 보여주기에 매우 좋은 사례입니다.

공간데이터 + 이미지 데이터 + 텍스트 데이터 + 관광통계 + 생성형 AI의 융합 분석

경진대회 분석으로 매우 흥미롭지만 논문으로 확장한다면 몇 가지는 더 엄격하게 검증할 필요가 있습니다.

가장 먼저 Cronbach's α가 높다고 해서 AI 평가의 타당성이 자동으로 확보되는 것은 아닙니다.

논문에서는 AI–AI agreement뿐 아니라 AI–Human inter-rater agreement를 ICC, correlation, MAE/RMSE 등의 방법으로 더욱 명확하게 검증하면 좋습니다.

또한 GPT, Gemini, Claude가 같은 장면을 평가하더라도 모델 버전·프롬프트·temperature·평가시점에 따라 결과가 달라질 수 있으므로 재현성 관리도 필요합니다.

AI가 이미지로 판단하기 어려운 요소도 있습니다.

이 방법은 보행환경 전체라기보다 ‘시각적으로 관찰 가능한 물리적 보행환경’을 대규모로 측정하는 방법이라고 표현하는 것이 더 정확합니다.

가장 좋은 점은 AI 분석 자체를 목적화하지 않았다는 점입니다.

그래서 단순한 생성형 AI 시연이 아니라 도시관광 의사결정 분석이 됩니다.

2026 서울시 빅데이터 활용 경진대회 분석부문 최우수상 연구는 서울 주요 관광지 44곳의 주변 400m 보행권에서 약 20m 간격으로 로드뷰 이미지를 수집하고, Gemini·GPT·Claude 등의 멀티모달 AI를 활용해 쾌적성·보행편의성·안전성을 1~7점으로 평가한 연구입니다.

AI 평가의 일관성과 사람 평가와의 유사성을 검토한 뒤 관광지별·유형별 점수를 비교하고, AI가 생성한 평가 이유에서 보행장애물·시각적 혼잡·좁은 보도 등의 약점 키워드를 추출하여 토픽 수준의 보행문제로 확장했습니다.

분석 결과 서울 관광지는 안전성은 상대적으로 양호했지만 보행편의성이 가장 낮았으며, 문화시설형은 상대적으로 우수하고 시장·상권형은 취약한 경향을 보였습니다.

또한 연간 방문객 수와 보행환경 점수를 결합하여 ‘방문객은 많지만 보행환경은 낮은 관광지’를 긴급 개선대상으로 제안하고, 이를 지점별 점수·문제요인·로드뷰까지 확인할 수 있는 인터랙티브 지도로 구현했습니다.

비정형 이미지 데이터를 관광정책의 구체적인 공간적 의사결정으로 전환했다는 데 핵심 가치가 있습니다.

로드뷰라는 비정형 데이터를 AI가 읽고 → 점수와 텍스트라는 정보로 바꾸고 → 관광지 유형별 문제라는 지식을 발견하고 → 방문객이 많지만 보행환경이 낮은 곳부터 개선해야 한다는 정책적 지혜로 전환한 사례.

이 사례는 비정형데이터 → MLLM → 신뢰도 검증 → 텍스트마이닝 → 공간분석 → 정책 의사결정을 한 번에 설명할 수 있는 실전 사례입니다.

핵심 문제는 다음과 같습니다.

서울 관광지 가운데 어디가 걷기 불편하고, 무엇이 문제이며, 어디부터 먼저 개선해야 하는가?

기존에는 전문가가 직접 현장에 나가야 했지만, 이 방식은 비용과 시간이 많이 듭니다.

자료는 크게 네 종류입니다.

1. 공간분석 — 400m Buffer, 도로망 추출, 20m 간격 Point 생성
2. MLLM 이미지 분석 — GPT·Gemini·Claude 등으로 쾌적성·보행편의성·안전성 1~7점 평가
3. 신뢰도 분석 — Cronbach's α
4. Human–AI 비교 — 일부 자료를 사람이 평가하고 AI와 비교
5. 기술통계·비교분석 — 관광지별·유형별 평균과 순위 비교
6. 텍스트 분석 — AI의 평가 이유에서 키워드 추출
7. 토픽 분석 — 비슷한 키워드를 묶어 문제 유형 탐색
8. 우선순위 분석 — 방문객 수 × 보행환경 점수
9. GIS 시각화 — 지점별 점수와 문제를 지도에 표현