NEW 피드백 컴포넌트 사용 경험 분석을 통한 개선 전략 제안 - 음악 플랫폼을 중심으로
피드백 컴포넌트 사용 경험 분석을 통한 개선 전략 제안 - 음악 플랫폼을 중심으로
Improvement Strategies Based on an Analysis of User Experience with Feedback Components - Focused on Music Streaming Platforms
- 한윤이, 연명흠 (2025)
- Korea Institute of Design Research Society / 37호, 2025. Vol.10, No.4 (ISSN 2508-2817)
연구배경 및 목적
전 세계적으로 음악 플랫폼이 대중화되면서 추천 시스템의 고도화에 대한 관심이 높아지고 있다. 추천 시스템은 사용자 선호를 정밀하게 파악하기 위해 명시적 피드백 데이터를 활용하며, '좋아요'·'싫어요'와 같이 사용자가 직접 선호 또는 불호를 표현하는 피드백 컴포넌트는 추천 정확도를 높이는 핵심 수단으로 여겨진다. 그러나 기존 연구는 알고리즘 성능 향상 및 추천 정확도 제고에 집중되어 왔으며, 피드백 컴포넌트의 낮은 사용률과 그 원인에 대한 사용자 경험 중심의 연구는 상대적으로 미비한 실정이다. 본 연구는 음악 플랫폼 내 피드백 컴포넌트 미사용 현상의 실재 여부를 검증하고, 사용자 인식 및 사용 맥락에 기반하여 미사용의 원인을 체계적으로 규명하는 것을 목적으로 한다. 나아가 분석 결과를 바탕으로 피드백 컴포넌트 개선 전략을 제안함으로써, 해당 기능의 사용률 제고 및 사용자 만족도 향상에 기여하고자 한다.
연구방법
문헌 연구를 통해 명시적 피드백 데이터 수집 수단으로서의 피드백 컴포넌트를 정의하고, 멜론·유튜브 뮤직·스포티파이를 연구 대상 플랫폼으로 선정하였다. 본격적인 실험에 앞서 음악 플랫폼 사용 경험자 151명을 대상으로 사전 설문조사를 실시하여, 피드백 컴포넌트 사용 행태와 추천 결과 만족도 간의 연관성을 검증하였다.
이후 설문 참여자 중 피드백 컴포넌트 사용 행태, 주사용 플랫폼, 사용 빈도를 기준으로 12명을 선발하여 맥락적 질문법(Contextual Inquiry)에 기반한 실험을 진행하였다. 실험은 폐쇄형 카드소팅, 과제(Task) 수행, 사후 인터뷰의 세 단계로 구성되었으며, 전 과정에서 소리 내어 생각하기(Think Aloud) 기법을 병행하였다. 카드소팅을 통해 피드백 컴포넌트에 대한 사용 및 미사용 이유를 수집하였으며, 세 플랫폼에서 동일한 과제를 수행하도록 하여 사용자 행동과 인식을 관찰하였다. 수집된 발화 데이터는 어피니티 다이어그램(Affinity Diagram)으로 미사용 원인을 도출하고, 기대-확인 이론(Expectation-Confirmation Theory, ECT)의 관점에서 주제 분석(Thematic Analysis)을 적용하여 사용자의 인식 형성 과정을 규명하였다.
연구결과
사전 설문 분석 결과, 긍정·부정 컴포넌트를 모두 사용하는 집단(Both)이 미사용 집단(None)에 비해 유의하게 높은 추천 만족도를 보여(p=.012), 피드백 컴포넌트 사용 행태와 만족도 간 연관성을 확인하였다.
맥락 기반 실험 결과, 사용자의 인식 형성 과정은 '인식 형성 → 기대 형성 → 결과 확인'의 세 단계로 도식화되었다. 인식 형성 단계에서 사용자는 아이콘과 텍스트 라벨을 기반으로 기능을 오해하여 사용에 심리적 부담을 느끼거나 효용성을 낮게 평가하였다. 기대 형성 단계에서는 팝업 메시지의 추상적 서술이 초기 오해를 교정하지 못해 기대-결과 간 간극을 심화시켰다. 결과 확인 단계에서는 추천 이유가 불명확하게 제공되어 사용자가 피드백 반영 여부를 인지하지 못하고 시스템에 대한 불신으로 이어졌다.
이러한 결과를 바탕으로 사후 평가 점수가 가장 낮은 스포티파이를 대상으로 인식 형성 단계별 개선 전략을 제안하였다. 구체적으로는 ① AI 취향 반영의 의미를 전달하는 중립적 아이콘 및 텍스트 라벨 개선, ② 피드백이 추천 결과에 미치는 영향을 구체적으로 안내하는 팝업 메시지 개선, ③ 사용자 상호작용 이력 기반의 개인화된 추천 이유 제공을 제안하였다. 본 연구는 음악 플랫폼의 피드백 컴포넌트 문제를 기술적 성능의 한계가 아닌 사용자 인식 기반의 문제로 재정의하고, 향후 개선 방향을 제시했다는 점에서 의의를 지닌다.
