한국행정연구원

국문초록

1. 연구의 필요성과 연구목적
□ 연구의 필요성
○ [규제정보 전달체계 고도화] 오늘날의 복잡한 글로벌 규제 환경에서 피규제자가 규제정보를 쉽게 찾고 이해하는 것이 중요해짐. 그러나 현재의 규제정보 전달체계는 이를 충분히 지원하지 못해 규제 준수 비용 증가와 정보 접근의 어려움을 초래하고 있음.
- 최근 레그테크(RegTech)와 같이 빅데이터, 인공지능(Artificial Intelligence, AI) 등 다양한 기술을 활용해 피규제자에게 규제정보를 전달하려는 규제전달체계(regulatory delivery system)를 구축하고 고도화하려는 노력이 증가하고 있으며, 이를 위해 규제정보를 개념화하고 알고리즘화하는 것이 매우 중요해짐.
- 따라서 본 연구는 피규제자들에게 전달되어야 하는 규제정보(관련 규제, 규제의 유형, 규제의 내용)를 법령DB에 라벨링할 수 있는 인공지능(AI) 알고리즘을 구축하는 것을 목표로 함.
○ [등록규제와 피규제자의 체감 규제 간 불일치] 규제관리자와 피규제자 간에 규제정보에 대한 인식의 불일치가 발생하고 있음. 기업, 국민 등 피규제자가 규제로 인식하는 규제의 범위는 규제기관이 관리 또는 개혁의 대상으로 간주하는 규제의 범위보다 훨씬 광범위함.
- 이는 규제관리자 관점에서 등록규제가 양적인 관리에 초점을 맞추고, 규제의 범위와 내용이 피규제자의 필요와 현실을 반영하지 못하기 때문임.
- 정부는 빅데이터와 AI 기술을 활용하여 스마트 규제 서비스를 도입함으로써 규제관리자와 피규제자 간의 정보 격차를 해소하고자 함.
○ [피규제자 중심의 규제정보 전달체계 구축] 현재 규제정보 전달체계 하에서는 피규제자가 준수해야 하는 규제정보에 도달하는데 어려움이 많아 피규제자의 규제순응에 어려움을 초래함.
- 본 연구는 법령의 여러 조항들 중에서 피규제자들에게 전달되어야 하는 규제정보를 판별하는 인공지능(AI) 알고리즘을 개발하여, 피규제자가 규제정보에 보다 명확하고 쉽게 접근할 수 있는 규제정보 전달체계를 구축하고자 함. 이를 통해 규제개혁의 체감도와 만족도를 높이고, 피규제자의 규제 준수 향상을 목표로 함.
□ 연구목적
○ 첫째, 본 연구의 가장 큰 목적은 피규제자들에게 전달되어야 하는 규제정보를 판별할 수 있는 인공지능(AI) 알고리즘을 개발하는 것임. 이 알고리즘은 피규제자들에게 전달되어야 하는 규제정보를 제공함으로써 규제시스템의 혁신에 기여하고, 보다 효과적이고 효율적인 규제 관리와 규제 순응을 가능하게 할 것임.
○ 둘째, 이러한 규제정보를 세분화(규제의 유형, 규제의 내용) 할 수 있는 인공지능(AI) 알고리즘 개발 방법론을 제시하는 것임. 세분화된 결과는 법령DB에 라벨링함으로써 규제정보를 보다 체계적으로 전달할 수 있는 메타정보로 활용됨.
○ 피규제자 관점에서 규제정보를 판별하고 이를 세분화하는 알고리즘은 인공지능 기술과 정책을 융합하여 미래 규제 환경에 대응하고, 디지털플랫폼정부위원회의 비전에 맞춰 “세계 최고의 디지털플랫폼정부”를 구축하는 기반을 마련하는데 활용될 것으로 기대함. 또한, 데이터 칸막이를 해소하고 개인화된 서비스를 제공하며, 행정규제 등록 절차를 혁신하여 행정 효율화와 편리한 행정 서비스를 구현하는데 기여할 것임.
□ 연구의 차별성
○ 본 연구는 규제관리자의 관점에서 좋은 규제에 초점을 둔 기존 연구와 달리 복잡한 규제환경 속에서 기업, 국민 등 피규제자가 규제를 이해하고 준수할 수 있도록 이를 지원하는 규제정보 전달체계의 발전에 초점을 맞추고 있음.
- 이를 위해 피규제자에게 전달되어야 하는 규제정보를 개념화하고, 이를 바탕으로 인공지능을 활용한 규제정보 판별 알고리즘을 구축하는 것을 목표로 함.
○ 특히, 본 연구는 피규제자 중심 규제의 개념을 선행연구를 통해 하향식(Top-down)으로 개념화 및 유형화하고, 법령빅데이터 분석을 통해 상향식(Bottom-up)으로 규제의 내용에 대해 살펴봄.
○ 알고리즘 구축에 앞서 법령정보가 피규제자에게 필요한 규제정보인지 여부를 판단하는 규제정보 판별 모델을 구축함.
○ 실시간델파이조사를 통해 규제정보 여부를 라벨링한 법령데이터를 Active Learning 기법을 통해 규제정보 판별 모델에 학습시켜 인공지능 기반 규제판별 모델을 고도화하는 작업을 수행함.
- 이 과정에서 도출되는 규제정보 판별기준과 판별모형에서의 규제정보 개념은 실제 피규제자들에게 필요한 규제정보로서, 국내에서 주로 적용되고 있는 규제 관리를 위한 국가 중심적 개념을 넘어서는 포괄적인 개념임.
□ 연구방법
○ 본 연구에서는 체계적 문헌조사, 법령빅데이터 분석, 실시간델파이조사 및 집담회를 실시함.
- 먼저 체계적 문헌조사에서는 생성형 AI를 활용하여 데이터 처리의 효율성을 높이고, 국내외 문헌을 분석하여 직･간접적인 규제 유형의 변화를 살펴봄.
- 법령빅데이터 분석에 앞서 법령빅데이터베이스를 구축하기 위해 로봇 프로세스 자동화(RPA)를 사용함. 법령빅데이터 분석에서는 선행연구에서 도출된 규제의 유형(분류) 틀로 법령빅데이터를 분류하였을 때 규제의 내용(세분류)에는 어떤 구체적인 내용이 포함되는지를 살펴봄.
- 실시간델파이조사와 집담회에 앞서 규제정보와 비규제정보를 판별할 수 있는 언어모델(Large Language Model, LLM) 기반 규제정보 판별모형을 먼저 구축하였으며, 이후 델파이조사 결과를 지속적으로 학습하는 액티브 러닝을 실시하여 판별모형을 고도화함.
- 실시간델파이조사와 집담회에서는 규제 전문가들을 대상으로 법령 조항이 규제적 성격을 가지는지를 토대로 피규제자에게 전달되어야 하는 규제정보 여부를 판별하는 조사를 실시함. 결과를 바탕으로 집담회를 실시하여 의견이 불일치하는 조항들에 대해 논의하고, 논의한 내용을 규제정보 판단기준에 반영함.

□ 연구의 구성
○ 본 연구는 피규제자 중심의 규제정보 분석을 위해 인간-기계 상호학습 방법론을 기반으로 네 가지 주요 단계를 통해 진행됨.
- 첫째, 해외 및 국내 문헌을 수집･분석하여 규제 개념과 분류체계를 학문적･실무적으로 고찰함(제2장).
- 둘째, 우리나라 중앙부처 법령 빅데이터 분석을 통해 규제의 분류체계를 데이터에 근거한 상향식 방법으로 고찰함(제3장).
- 셋째, 전문가 델파이 조사와 집담회를 통해 피규제자 중심 규제 개념을 도출하고, 이를 바탕으로 액티브 러닝 과정을 거쳐 규제정보 판별모형을 구축함
(제4장).
- 넷째, 이상의 결과를 종합하여 규제정보 판별 및 분류를 위한 인공지능 학습 알고리즘을 제시함(제5장).

2. 주요 연구 결과
□ 연구의 주요 결과물
○ 본 연구의 주요 결과물은 인공지능 기반 규제정보 판별 알고리즘 구축으로 이를 구축하기 위한 세부 결과물은 다음과 같이 여섯 가지로 제시할 수 있음.
- 이론적 검토(top-down)와 법령 빅데이터 분석(bottom-up)을 통한 규제의 개념과 분류 체계
- 인간-기계 상호학습이 가능한 실시간델파이조사 시스템
- 실시간델파이조사와 집담회를 통해 도출된 피규제자 관점 규제정보 판별기준
- 피규제자 관점 규제정보 판별모형
- 규제정보 분류의 위계적 구조
- 피규제자 중심 규제정보 라벨링을 위한 알고리즘
2-1. 이론적 검토와 법령빅데이터 분석을 통한 규제의 개념과 분류 체계
○ 본 선행연구 검토에서는 AI를 활용한 규제정보 전달체계를 구축할 때 피규제자에게 어떤 규제정보가 전달되어야 하는지 살펴보기에 앞서, 규제 개념과 유형을 살펴보는 것을 목표로 함.
○ 이를 위해 체계적 문헌검토를 통해 규제 연구 동향을 살펴보고, 정부개입 방안으로 활용된 다양한 유형의 규제 수단을 살펴봄(<표 3> 참고).
- 규제 수단은 직접 개입(인허가, 법률 제정 등)과 간접 개입(보조금, 감세, 넛지 등)으로 나눌 수 있으며, 시대별로 주요 규제 수단의 변화를 통해 정부의 개입 방법이 어떻게 변화했는지 파악할 수 있음.
○ 국내 주요 시사점
- (직접 개입 중심) 인허가, 규제 집행과 같은 직접적인 제재 수단의 활용이 두드러짐.
- (최근 간접 개입 확대) 최근 간접 개입 수단도 점차 확대되는 추세임.
- (정보 공개와 자발적 협약) 정부는 정책의 투명성을 높이기 위해 규제정보를 공개하고, 자발적 협약을 통해 기업이나 단체가 스스로 규제를 준수하도록 유도함.
○ 국외 주요 시사점
- (직･간접적인 다양한 규제 수단 활용) 국외에서는 인허가, 법률제정 및 개정 등 직접 개입과 경제적 인센티브와 융자 및 금융 지원 등 간접 개입을 모두 활용함.
- (투명성과 유연성 중시) 정부는 규제와 관련된 모든 정보를 공개하여 규제의 명확성과 신뢰성을 높이고, 경제적 인센티브를 제공하여 규제 준수를 유도하고 있으며, 이는 세금 감면, 보조금, 재정 지원 등의 형태로 이루어짐.

○ 법령빅데이터 분석에서는 도출한 13개의 규제의 유형을 바탕으로 위계적 군집 분석을 활용하여 규제 유형을 구성하는 규제 내용을 파악함으로써 규제의 세분화된 체계를 밝혀내는 것을 목표로 함.
○ 이는 궁극적으로 규제를 판별하는 알고리즘 개발하기 위해 “하나의 범주로써의 규제”가 아닌 “다양한 규제의 범주”, 즉 보다 구체적이고 세분화된 정보가 필요하기 때문임.
○ 이를 위해 본 연구에서는 중앙부처 법령(법･시행령･시행규칙)을 대상으로 우리 나라의 법령이 포괄하는 내용, 특히 규제와 관련하여 어떠한 사항들을 규정하고 있는지에 대한 정보를 살펴봄.
2-2. 인간-기계 상호학습이 가능한 실시간델파이조사 시스템
○ <그림 1>은 위에서 기술한 내용을 토대로 피규제자 중심 규제정보 판별을 위한 인간-기계 상호학습 과정의 흐름을 정리한 것임.
○ 인간과 기계의 상호학습 과정을 통해 피규제자 관점에서의 규제정보를 판별하는 과정을 진행함으로써 아래와 같은 세 가지 결과물을 도출할 수 있음.
- 피규제자 관점에서 규제정보를 판별하는 기준
- 피규제자 관점에서 규제정보를 판별하는 인공지능 모델
- 규제의 판별 정보가 라벨링된 법령조항 데이터
○ 첫 번째와 두 번째 결과물은 초록의 주요 연구 결과 2번과 3번에 해당함.
- 인간-기계 상호학습이 가능한 실시간델파이조사 시스템의 세 번째 결과물은 위의 두 결과물을 생성하는 과정에서 발생하는 결과물임.
- 그러나 이 결과물은 향후 피규제자 중심 규제정보 판별 알고리즘의 고도화를 위해 가장 중요한 결과물임.
2-3. 실시간델파이조사와 집담회를 통해 도출된 피규제자 관점 규제정보 판별기준
○ 실시간델파이조사 및 집담회의 각 라운드는 사전델파이조사, 집담회, 사후델파이조사로 구성됨. 1회당 이러한 스텝(Step)을 반복해서 진행할 수 있으며, 본 연구에서는 각 회마다 2시간의 시간제한으로 인해 2스텝씩 진행됨. 각 회마다 5명의 전문가를 모시고 총 4회(8스텝) 온라인으로 진행됨.
- (사전델파이조사) 규제편향모델과 비규제편향모델 간에 불일치하는 20개의 조항을 추출하여 전문가들에게 제시하고, 이 조항들이 피규제자에게 유용한 규제정보인지 여부 판단 요청
- (집담회) 답변 불일치율이 높은 문항들을 중심으로 전문가들과 함께 논의하여, 해당 조항이 피규제자에게 유용한 규제 정보인지 여부에 대한 이유 검토
- (사후델파이조사) 사전델파이조사에서 사용된 동일한 20개 문항과 전문가들이 응답한 내용을 함께 제시하여, 집담회 이후 전문가들의 의견 변화, 특히 피규제자에게 유용한 규제정보의 범위와 규제로 판단하는 시각의 변화가 있었는지 확인
○ 이러한 과정을 통해 연구팀은 피규제자 관점의 규제 정의를 분석 틀로 사용하여 각 회차마다 전문가들과 논의하고 피규제자에게 유용한 규제정보로 판단되는 조항들에 대한 견해 차이를 줄이는 과정을 거침.
○ 논의된 내용 중 최종 합의된 내용들을 정리하여 피규제자 관점의 규제 정의를 도출함.

[피규제자 관점의 규제 정의] (실시간델파이조사 및 집담회 의견 반영)
1. 규제란 국민이나 기업 등 피규제자의 권리를 제한하고 의무를 부과하는 정부의 행정행위를 말하며, 행정규제기본법에 따라 등록된 규제뿐만 아니라, 보다 광범위한 범위를 포괄한다.
1-1. 주체가 공공기관일 경우, 해당 행위나 절차가 피규제자에게 불필요한 규제정보를 제공하는 경우에는 ‘비규제’로 판별한다. 그러나 주체가 민간인지 공공인지 명확하지 않을 때는 민간으로 간주하며, 해당 조항이나 조문 제목 등에서 규제적 성격이 드러나는 경우 ‘피규제자 관점의 규제’로 코딩한다.
2. 본 연구에서 다루는 피규제자 관점의 규제범위는 법령 등이나 조례･규칙에 규정되는 사항으로 제한한다.
3. 간접적 규제 수단(공적 자금 투입 등 국가지원)은 특정 기준을 충족하지 못하는 대상의 경우 1의 행정행위에 해당할 수 있으므로 피규제자 관점의 규제로 간주한다.
4. 각종 인센티브, 인증 및 컨설팅, 넛지 등은 직접적인 규제는 아니나 규제의 실효성을 보장하는 부수적인 수단으로 본 연구에서는 피규제자 관점의 규제로 간주한다.
5. 아무 맥락 없이 특정 조항의 내용이 다른 조항으로 위임되어 있어 규제 여부를 판단하기 어려운 경우, 맥락이 없는 한 해당 사항은 ‘비규제’로 판단한다.
5-1. 단, 위임된 사항이라 하더라도 조항 내의 정보(조문 제목 등)를 통해 규제적 성격을 판단할 수 있는 경우에는 ‘규제’로 판단한다.
5-2. ‘비규제’로 코딩한다고 하여 해당 조항이 반드시 규제가 아니라는 것은 아니다. 준용, 위임된 내용에 따라 규제가 될 수 있으나, 해당 조사에서는 ‘비규제’로 코딩한다.*
6. 가이드라인, 구체적인 사항, 의무 이행 기간 등 규제와 관련된 규정이 피규제자에게 유용한 정보(규제정보)인 경우, 해당 사항은 ‘피규제자 관점의 규제’로 코딩한다.
※ 레그네비게이터의 조항 네트워크 탐색 기능에 의해 해당 조항은 규제로 후처리될 것임. 본 연구에서는 자연어에 기반한 인공지능 판별모델을 훈련시키기 위한 목적이므로 주어진 자연어(조항의 내용)에 기반하여 판단한다.

2-4. 피규제자 관점 규제정보 판별모형
○ 서면으로 진행된 전문가 조사 결과를 바탕으로 초기 언어모델 기반 규제정보 판별 모형을 구축함.
- 이때, 의도적인 데이터 편향을 일으켜 “규제 편향 모델”과 “비규제 편향 모델”을 각각 구축함.
- 이는 인간 전문가들 간의 서로 다른 편향을 모방한 것으로 기계 상호 검증을 위한 장치임.
○ 실시간델파이조사 및 집담회에서 전문가들에게 제공되는 법령조항은 이 두 가지 편향된 모델의 판별 값이 불일치한 조항들임.
- 인간 전문가들이 사후 전문가 조사를 통해 라벨링된 조항 중 상호 검정이 완료된(일치하는) 조항들은 편향된 두 모델에 학습 데이터로 실시간으로 입력됨.
- 이 과정을 통해 두 편향된 모델의 편향성이 조금씩 극복되며, 이론적인 두 편향된 모델의 판별 결과의 차이가 0에 수렴하게 되면 전문가들의 집단지성에 의해 도출된 판별기준을 학습한 인공지능 모델이 완성됨.
○ 본 연구에서는 규제정보를 피규제자 관점에서 제공하기 위한 Know Your Regulation 서비스 차원에서 정의하기 위함임.
- 이를 위해서는 규제정보를 보다 폭넓게 정의함으로써 피규제자에게 전달되어 야 할 정보가 누락되지 않도록 하는 것이 중요함.
- 이러한 관점에서 본 연구는 액트브러닝 결과로 파인튜닝된 ‘규제편향모델’의 결과를 4가지 지표(정확도, 재현율과 정밀도의 조화 평균을 나타내는 F1, 재현율, 정밀도)를 사용하여 평가함.
○ 액티브러닝 결과를 보면, 비규제편향 모델의 정확도와 F1 점수가 우상향하는 패턴을 확인할 수 있음(<그림 2> 참조).
- 특이한 점은 재현율과 정밀도가 Active Learning 과정에서 교차하며 진동하면서 점차 정확도와 F1 점수에 근접하게 수렴한다는 점임.
○ 이러한 결과를 통해 비규제편향모델이 추가적인 Active Learning 과정을 통해 고도화될 여지가 있음을 확인할 수 있음.
2-5. 규제정보 분류의 위계적 구조
○ 규제정보의 분류는 선행연구 검토와 법령빅데이터분석을 통해 도출된 <표 3>의 분류체계를 활용함.
- 규제정보 분류의 대상은 실시간 델파이조사에 활용된 3개 분야 31개 법령의 조항들을 무작위로 추출하여 본 연구에서 생성한 규제정보 분류모형(최종)을 통해 규제정보로 판별된 조항 1,000개임.
- 이 중 저자들의 검토를 거쳐 규제정보가 아니거나 판단이 어려운 41개 조항을 제외한 959개 조항을 분류의 대상으로 함.
○ 규제정보 분류 간의 관계를 살펴본 결과, ‘의무부과, 권리제한, 금지’의 경우 ‘인허가’, ‘서류제출의무’, ‘규제집행’과 매우 긴밀하게 연결되어 있음(<그림 3> 참조).
- ‘의무부과, 권리제한, 금지’가 다른 분류의 상위개념이 될 수 있다는 점을 발견함. 이를 검증하기 위해 자료를 확인한 결과, 실제로 ‘서류제출 의무’, ‘규제집행’, ‘조세의 부과 및 징수’ 각각의 분류에 해당하는 모든 조항들은 ‘의무부과, 권리제한, 금지’ 분류에도 포함되어 있음.
- ‘인허가’의 경우에는 이에 해당하지 않는 “예비허가” 관련 조항들이 포함되어 있으며, 이는 의무가 아니나 피규제자 관점에서 규제와 관련된(유용한) 정보라는 측면에서 규제정보로 볼 수 있음.
○ 마지막으로, 우리는 여러 조항들에서 ‘인증’에 관한 사항이 ‘컨설팅, 넛지’ 보다는 ‘인허가’와 동시에 등장하는 경우가 많다는 점을 확인함.
- 따라서 기존의 ‘인증, 컨설팅, 넛지’를 ‘컨설팅, 넛지’로 수정하고, ‘인허가’를 ‘인허가, 인증’으로 수정함.
○ 정리하면, 규제조항의 분류는 1) 의무부과, 권리제한, 금지, 2) 위반에 따른 제재 조치, 3) 비규제 조치(non-regulatory measures), 4) 다양한 규정사항의 4개 상위 분류체계와 이를 구성하는 하위 분류체계로 구성됨.
- 하위 분류체계는 여전히 불확실한 영역들이 존재하지만, 이는 향후 연구에서 다루기로 함.
○ 두 가지 보완사항을 정리하고자 함. 이는 실시간델파이조사 및 집담회를 실시하면서 제시된 사항임.
- (규제의 대상에 대한 판별) 피규제자가 정부인지 민간인지에 대한 식별이 잘 이루어지지 않음. 정부가 정부에게 의무를 부과하거나, 정부의 의무를 규정하는 조항은 규제가 아닌 내부지침이기에 제외되어야 함.
- (위임조항에 대한 판별) 전문가 집담회에서는 위임조항이라 할지라도 조항 내에서 맥락적으로 규제적 성격을 감지할 수 있을 경우에는 규제정보로, 그렇지 않은 경우에는 비규제정보로 코딩하도록 함. 그러나 ‘맥락적 감지’라는 것이 개인의 성향이나 해당 법령이나 분야에 대한 배경지식에 영향을 받아, 이를 방지하기 위해 조문 전체를 확인하거나 상･하위 조문의 내용의 맥락을 함께 분류모델에 제시하는 방법의 고려가 필요함.

2-6. 피규제자 중심 규제정보 라벨링을 위한 알고리즘
○ 이상의 연구결과를 토대로 다음과 같은 피규제자 중심 규제정보 판별 알고리즘을 제안함. 이 중 일부분은 본 연구에서 그 필요성을 발견한 부분으로 구체적인 검증은 이루어지지 않았다는 점을 분명히 함.
- 첫째는 ‘규제정보 판별 모형’을 통해 법령정보를 규제정보와 비규제정보로 판별하는 과정임.
- 둘째는 보완사항에 대한 처리임. 하나는 피규제의 주체가 공공인 경우에도 규제정보로 판별하는 문제이며, 다른 하나는 위임조항에 대한 규제정보 여부에 대한 판단임.
- 셋째는 ‘규제정보 분류 모형’을 통해 규제정보를 유형별로 분류하는 과정임. 이는 위계적 구조를 가지며, 상위 분류로는 1) 의무부과, 권리제한, 금지, 2)위반에 따른 제재조치, 3) 비규제 조치(non-regulatory measures), 4) 다양한 규정사항의 4가지 분류체계를 제시함.
- 마지막으로 ‘규제정보 세분류 모형’임. 예를 들어, “의무부과･권리제한･금지” 중 “인허가”에 해당하는 규제정보는 “의약품 및 의료기기 인허가”, “식품 관련 인허가”, “환경 관련 인허가” 등 다양한 종류의 인허가로 세분화 될 수 있음.
- 이상의 내용을 종합하면 아래 그림과 같음. 본 연구에서 연구과정을 통해 어떠한 결과를 도출했으며, 이를 통해 알고리즘을 어떻게 구상했는지를 보여줌.

3. 정책제언 및 학술적 함의
○ 본 연구의 정책적 함의는 다음과 같음.
- 인공지능을 활용한 “협력형” 정책결정 도구를 제시하고, 인간과 인공지능 간의 상호작용을 통해 정책결정의 효율성과 신뢰성을 높이는 방안을 탐구함.
- 인공지능 기반 규제등록 시스템 구축을 위한 토대를 마련하고, 규제 개념의 변화를 지속적으로 반영할 수 있는 체계를 설계하여 규제정보의 관리 효율성을 증대시키는 방안을 제시함.
○ 현행 법제도 하에서 인공지능 기반 규제정보 시스템 도입 가능성을 확인함.
- 행정 분야에서의 인공지능 시스템 도입에 대한 법적 기반은 ｢전자정부법｣제18조의 2와 ｢행정기본법｣ 제20조에 의해 마련되어 있음.
- 행정 분야에서의 행정서비스의 전자화 등 공공행정의 효율성을 높이기 위해 인공지능과 같은 신기술의 도입을 장려함.
○ 그럼에도 불구하고, 본 연구에서는 적극적인 인공지능 기반 시스템 도입을 위한 입법 제안을 다음과 같이 제시함.
- 제1안은 현행 행정규제기본법 시행령 제4조에 제5항을 추가 신설하는 안임.
- 제2안은 행정규제기본법 시행령에 제4조의1(인공지능을 활용한 규제등록 시스템의 도입) 신설하는 안임

○ 본 연구의 학술적 함의는 다음과 같음.
- 첫째, 규제 개념에 대한 전환을 시도하였음. 기존 연구는 규제를 규제자의 관점에서 정의하였으나, 본 연구는 피규제자 관점에서 규제를 정의함으로써 규제를 다른 시각에서 고찰하였음.
- 둘째, 규제 연구의 방향 전환을 시도하였음. 기존의 규제 연구가 “더 좋은 규제”를 만드는 데 초점을 맞췄다면, 본 연구는 규제의 “전달”에 집중하였음. 피규제자가 규제를 제대로 알지 못하면 이를 지킬 수 없기 때문에 효과적인 규제 전달체계는 규제의 최종 목표인 규제 순응을 달성하기 위한 필수적인 요소임.
- 셋째, 인공지능 시대에서 인간 전문가의 역할과 인공지능 시스템의 안전성에 관한 고민을 해결할 수 있는 모델을 제시함. 인간의 개입을 통해 인공지능 모델의 위험성을 제어하는 “3중 개입” 개념을 통해 인공지능 모델의 성능 향상과 안정성을 동시에 보장하는 개념을 제안함.
- 넷째, 법령빅데이터 분석을 통해 우리나라 중앙부처 소관 법령의 구조를 분석함. 위계적 군집분석을 통해 우리나라 중앙부처 법령의 구조를 분석한 첫 번째 시도라는 의의가 있음.
- 다섯째, 인공지능의 편향성에 대해, 본 연구는 “위험성 때문에 사용을 지양해야 한다”는 기존의 주장을 반박하고, 인공지능의 편향성을 활용하여 한계를 극복하는 방법론을 제시함.
- 여섯째, 본 연구에서 제시한 방법론을 통해 향후 사회조사방법론 전반에 인공지능이 적용될 수 있는 가능성을 제시함.
- 마지막으로, 인공지능을 활용하여 규제편향 모델과 비규제 편향모델을 만들어 인간 전문가들 사이의 편향을 모사하고, 인간-기계 간의 상호학습 과정을 통해 인간 전문가들 사이의 편향이 감소하면서 인공지능 편향모델 간의 편향이 함께 감소하는 과정을 실시간델파이조사 시스템을 통해 구현함.