연구 성과물 — 1차 면담 제출본

노인 보행안전 진단의 평가 프레임워크·음성진단·작동조건 규정 — 거리뷰 VLM 진단(1단) + 추론예산 제약 하 능동감사 acquisition(GNN, 2단)

노인 보행안전 진단 — 정직한 평가와 음성 결과

"VLM×GNN이 노인 보행위험을 잘 예측·전파한다"는 성과 주장이 아니다. 데이터는 오히려 이를 반증한다. 발표 가능한 기여는 (1) 비순환·누출통제 평가와 정직성 프로브 프레임워크, (2) 엄밀한 음성·진단 결과, (3) 방법이 작동하는 조건의 규정과 재정조준이다.

핵심 요약. 거리뷰 사진을 사전학습 VLM(Qwen2.5-VL-3B, 4bit)으로 추론해 위험점수·요인·신뢰도를 구조화 JSON으로 뽑고(1단), 도로망 그래프에서 GNN을 학습해 미관측 가로를 다룬다(2단). 그러나 본 제출의 결론은 성과가 아니라 음성 결과다: 소형 VLM의 거리뷰 위험점수는 객관 안전시설과 일치하지 않았고(고/저위험 이진 AUROC 0.427, 무작위 0.5 미만), 그래프 전파는 단순 베이스라인을 이기지 못했다. 따라서 미검증 점수를 정비 권고에 직접 쓰지 않으며, 노인 특화는 미검증 VLM 페르소나가 아니라 객관 보행속도 규칙으로, GNN은 '라벨 채우기'가 아니라 추론예산 제약 하 능동감사(active audit) acquisition으로 재정조준한다. 전부 무인증 공개데이터·비용 0. ※ '추론'=사전학습 모델 프롬프트, '자기지도/학습'=2단 GNN 한정, '계획'=미구현, 보행속도·신뢰도 임계값=설정 가정.

① 배경·문제의식

고령화가 빠르게 진행되나, 노인 보행 위험(연석 단차·짧은 신호·턱·좁은 보도 등)은 현장 인력 점검에 의존해 도시 전역을 촘촘히 보기 어렵다.
기존 보행성 평가는 평균 보행자 기준이라 노인 특화 관점(보조기구·저속·인지)이 약하다. 단, 노인 특화는 본 연구에서 객관 보행속도 규칙으로 다룬다(아래 ③·⑤).
동기는 간선이 아니라 상용 로드뷰의 사각지대다. 한국은 Google 스트리트뷰의 차량 커버리지가 군사보안 등으로 부재하고, Naver·Kakao 로드뷰는 간선을 전수하지만 차량이 진입하지 못하는 골목은 빈다(서울 S-Map 기준 약 14,699개 골목). 거리뷰가 없는 이 사각지대가 전역 우선순위 판단을 어렵게 한다.
→ 저비용·재현 가능한 방식으로, 이 사각지대를 정직하게 평가하고 작동조건을 규정하는 것이 본 연구의 목적이다.

② 목표·연구질문

목표. 소형 VLM의 거리뷰 노인 보행 진단이 객관 안전시설과 일치하는지를 비순환·누출통제 방식으로 평가하고, 그래프 기반 acquisition이 추론예산 제약 하에서 의미가 있는지를 검증한다. 성과(좋은 위험지도) 주장이 아니라, 무엇이 작동하고 무엇이 작동하지 않는지를 정직하게 규정하는 것이 목표다.

RQ1	사전학습 소형 VLM을 노인 관점으로 프롬프트한 거리뷰 위험점수가 객관 보행 안전시설(점자블록·보행섬 등)과 일치하는가? (정직성 프로브로 검증)
RQ2	그래프 전파가 피처·전역평균 등 단순 베이스라인을 실제로 능가하는가, 아니면 능가하지 못하는가?
RQ3	이 방법이 작동/실패하는 조건은 무엇이며, 미검증 점수를 정비 권고에 쓰지 않는 전제 하에 무엇을 산출물로 내놓을 수 있는가?

③ 접근 방법 — 2단 하이브리드와 재정조준

1단 VLM(추론). Qwen2.5-VL-3B(4bit 양자화)를 RTX4060 로컬 구동. 거리뷰 사진을 노인 관점으로 진단 → 위험점수·위험요인·근거·신뢰도를 구조화 JSON 출력. ※ 사전학습 모델을 프롬프트로 쓰는 '추론'이며 학습이 아님. 노인 페르소나 자체는 신규성이 아니다(Dai 2026, arXiv 2601.03534 선행).

노인 특화의 재정조준. 노인 특화는 미검증 VLM 페르소나가 아니라 객관 보행속도 규칙으로 구현한다. 한음(2020) 기준 노인 보행속도 0.73~0.85 m/s를 신호 횡단 가능시간·교차 폭과 결합해 객관적으로 평가한다. 미검증 페르소나 점수는 정비 권고에 직접 쓰지 않는다.

2단 GNN의 재정조준. GNN은 '미관측 라벨 채우기'가 아니라 추론예산 제약 하 능동감사(active audit) acquisition이다. 즉 한정된 VLM 추론·현장 점검 예산 안에서 어느 가로를 우선 감사할지를 고르는 도구로 위치시킨다. ※ '자기지도/학습'이라는 표현은 2단 GNN에만 적용. 단, 현 라벨 41개로는 모델 우열을 가릴 통계력이 없어 이 결론은 보류한다.

무인증 공개데이터
OSM 횡단보도·시설태그 · Google SV Static · WorldPop

→

1단 VLM 추론
노인 관점 진단
→ 구조화 JSON(점수·요인·신뢰도)

→

정직성 프로브
객관 시설 대비 AUROC
근거 템플릿화 점검

→

2단 GNN
능동감사 acquisition
(라벨 채우기 아님)

→

객관 규칙 기반 산출
보행속도 규칙 × 노인 취약지수
(미검증 점수는 직접 미사용)

데이터(전부 무인증 공개데이터, 비용 0).

OSM 횡단보도	전국 19,437개 중 4개 구 1,054개 분석대상
OSM 시설 태그(객관 프록시)	점자블록·보행섬 등 — 크라우드소싱이라 희소하며 태그 부재 ≠ 시설 부재(노이즈 있는 참조)
Google 스트리트뷰 Static API	무료티어 약 4,216장
WorldPop 노인 인구 래스터	→ 노인 취약지수 산출

설정 가정(측정값 아님). 신뢰도 임계값 0.8은 측정값이 아닌 설정 가정이며 검증 단계에서 보정 예정. 보행속도 0.73~0.85 m/s는 한음(2020) 객관 문헌값을 차용한 규칙이다.

④ 진행 현황 + 음성·진단 결과

항목	상태	내용
무인증 공개데이터 수집·전처리 파이프라인	완료	OSM·SV·WorldPop 연동, 분석대상 1,054개 추출까지 동작
시맨틱 세그멘테이션 로컬 검증	완료	RTX4060 로컬에서 작동 확인
1단 VLM 진단 PoC + 정직성 프로브	완료	구조화 JSON 출력 작동 + 객관 시설 대비 일치도 측정(음성 결과, 아래)
비순환·누출통제 평가 프레임워크	완료	객관 프록시 대비 평가 설계 — 발표 가능한 핵심 기여
그래프 전파 vs 베이스라인 비교	완료	피처·전역평균 베이스라인에 패배(구조적). 단 라벨 41개로 통계력 부재 → 결론 보류
능동감사 acquisition으로 GNN 재설계	계획	추론예산 제약 하 우선감사 선택 도구로 전환
객관 규칙 기반 산출물	계획	보행속도 규칙 × 취약지수 (미검증 VLM 점수 직접 미사용)

음성 결과(정직 고지 — 본 제출의 핵심 결론).

VLM 점수가 객관 안전시설과 불일치. 소형 VLM(3B)의 거리뷰 위험점수로 고/저위험을 이진 판별한 결과 AUROC 0.427 — 무작위(0.5)에도 못 미친다. 즉 점수가 객관 시설 유무를 신뢰성 있게 반영하지 못한다.
근거가 템플릿화됨. VLM이 제시한 근거에서 점자블록·보행섬 언급 비율이 0% — 실제 시설을 보고 판단한 것이 아니라 정형 문구를 반복하는 경향.
페르소나 효과는 경계 수준. 페르소나 부여에 따른 점수 변화는 샘플링 기준 Δ +0.77, p≈0.063으로 통상 유의수준에 못 미친다(경계적).
그래프 전파가 베이스라인에 패배(구조적). 메시지 패싱 전파가 피처·전역평균 베이스라인을 이기지 못함. 단 라벨이 41개뿐이라 모델 간 우열을 가릴 통계력이 없어, 이 비교 결론은 보류한다.

⑤ 기여(재정의)

(1) 평가·프로브 프레임워크. 거리뷰 VLM 진단을 비순환·누출통제 방식으로 객관 프록시에 대조하고, 근거의 템플릿화·페르소나 효과를 점검하는 정직성 프로브 프레임워크.
(2) 엄밀한 음성·진단 결과. 소형 VLM 거리뷰 위험점수가 객관 시설과 불일치(AUROC 0.427), 근거 템플릿화(시설 언급 0%), 페르소나 효과 경계(Δ+0.77, p≈0.063), 그래프 전파의 베이스라인 패배(통계력 부재로 보류) — 수치로 보고.
(3) 작동조건 규정 + 재정조준. 노인 특화 = 미검증 페르소나가 아니라 객관 보행속도 규칙(한음 2020, 0.73~0.85 m/s); GNN = 라벨 채우기가 아니라 추론예산 제약 하 능동감사 acquisition; 동기 = 간선이 아니라 상용 로드뷰 사각지대(차량 미진입 골목).
신규성 한정. 노인 페르소나는 신규성이 아니다(Dai 2026 선행). 요소기술(거리뷰 VLM, 자기지도 학습, 보행성 ML, 사고 GNN)도 각각 선행이 존재한다. 본 제출의 기여는 위 (1)~(3)이며, "VLM×GNN 결합이 노인 보행위험을 잘 예측·전파한다"는 성과 주장이 아니다(데이터가 반증).

⑥ 한계와 검증 계획

핵심 위험 — 오류 증폭. 1단 VLM은 환각이 가능하다. 틀린 진단이 고신뢰로 라벨화되면 2단 전파에서 오류가 인접 가로로 증폭될 수 있다. 이미 음성 결과로 점수의 신뢰성 부족이 드러났으므로, 미검증 점수를 정비 권고에 직접 쓰지 않는다.

객관 프록시의 한계 인정 — OSM 시설태그는 크라우드소싱이라 희소하며 태그 부재 ≠ 시설 부재(노이즈 있는 참조). 정직성 프로브의 기준선 자체에 불확실성이 있음을 명시.
현장 표본 대조 — 진단 결과를 실제 현장 표본과 직접 비교(필수).
통계력 확보 — 라벨 41개로는 모델 우열 판단 불가. acquisition 재설계 후 라벨 규모를 늘려 재검증.
설정 가정 보정 — 신뢰도 임계값 0.8을 검증 결과로 재조정. 보행속도는 한음(2020) 객관값 사용.
발표 가능한 기여의 경계. 발표 가능한 것은 평가 프레임워크 + 음성진단 + 작동조건 규정이며, 미검증 점수는 정비 권고에 직접 쓰지 않는다. 좋은 위험지도를 성과로 주장하지 않는다.

⑦ 향후 일정

단계	상태	기간
데이터 파이프라인 · 세그멘테이션 · 1단 VLM PoC · 정직성 프로브	완료	[ ]
음성 결과 정리(AUROC·근거 템플릿화·페르소나 효과·전파 비교)	완료	[ ]
GNN을 능동감사 acquisition으로 재설계 + 라벨 규모 확대	계획	[ ]
객관 보행속도 규칙 기반 산출 · 현장 표본 대조 검증	계획	[ ]
작동조건 규정 정리 · 최종 정리·발표	계획	[ ]

※ 날짜·회차는 면담 후 확정해 채울 칸([ ])으로 비워둠.

⑧ 부록 — 연구 이해·구현을 위한 14일 자율학습 계획

연구를 직접 이해·구현하려 시작한 자율학습 로드맵. 1차 자율학습 = Day1~6 진행 완료(학습/추론 차이, 파이썬 기초, Colab, 신경망 직관, VLM 개념·프롬프트 실습, 1단 VLM 코드 정독). Day7 이후는 진행 예정/목표.

Day	내용	상태
1	학습 vs 추론(가중치 갱신=학습 / 답만=추론; 1단 VLM=추론, 2단 GNN=학습)	완료
2	파이썬 기초① 변수·자료형·리스트·딕셔너리	완료
3	파이썬 기초② 함수·반복문·조건문	완료
4	Colab 띄우기 + 신경망 직관(3Blue1Brown)	완료
5	VLM 개념(이미지 인코더+LLM, 멀티모달; Qwen2.5-VL 개요)	완료
6	프롬프트·노인 페르소나 실습 + 내 1단 VLM 코드 정독 (← 1차 자율학습 종료점)	완료
7	구조화 출력·신뢰도·임계값(0.8 설정가정)·유사라벨 맛보기	계획
8	그래프 자료구조(노드·엣지; 도로망을 그래프로)	계획
9	GNN 직관(메시지 패싱; 미관측 채우기)	계획
10	PyTorch Geometric 개념 + 작은 그래프 예제(Colab)	계획
11	유사라벨 기반 자기지도(pseudo-label·고신뢰만 라벨·2단 GNN)	계획
12	오류 증폭 위험 + 검증 설계(현장 표본 대조 필수)	계획
13	디버깅 기초(에러 메시지·print/로그·차원/타입·최소재현)	계획
14	통합 리뷰(1단→2단 파이프라인 말로 설명) + 발표 준비	계획

참가자: 김채영(중앙대 건축학부 4학년, 20226217) · 단독 참가 — 2026 중앙대 C.O.R.E. 학술제, 소주제 '고령화시대, 도시 인프라의 재설계'.