diff --git a/.Rbuildignore b/.Rbuildignore
index 232504f..a15e317 100644
--- a/.Rbuildignore
+++ b/.Rbuildignore
@@ -22,3 +22,6 @@
 ^\.jules(/.*)?$
 ^\.trivyignore\.yaml$
 ^trivy\.yaml$
+^test_dummy\.R$
+^test_validation\.R$
+^\.semgrepignore$
diff --git a/.jules/bolt.md b/.jules/bolt.md
index 7d3c603..0740928 100644
--- a/.jules/bolt.md
+++ b/.jules/bolt.md
@@ -1,18 +1,45 @@
+# Bolt Journal
+
 ## 2024-07-04 - R 언어에서 루프 내 데이터 프레임 탐색 병목 최적화
-**Learning:** R에서 루프를 돌면서 매번 데이터 프레임을 서브셋팅(subsetting)하는 작업은 복사 오버헤드로 인해 매우 느려질 수 있습니다. 특히 공통 문항 수가 많아질 경우 O(N^2)의 비효율을 초래합니다.
-**Action:** 루프 내에서 수행하던 데이터 프레임 조회를 루프 외부에서 한 번에 `as.character(unlist(...))`로 처리하는 벡터 연산으로 변경하여 타입 변환 없이 O(1) 수준으로 성능을 크게 향상시킬 수 있습니다.
+
+**Performance Issue:** `which(df$column == val)`을 루프 내부에서 사용할 경우
+매 반복마다 O(N)의 선형 검색이 발생합니다.
+**Learning:** `split(seq_len(nrow(df)), df$column)`을 루프 외부에서 미리 계산하여
+사용하면 O(1) 리스트 조회를 통해 획기적으로 탐색 시간을 줄일 수 있습니다.
+
 ## 2024-07-07 - R 언어에서 데이터 프레임의 특정 항목 탐색을 캐싱하여 O(N) 검색 병목 최적화
-**Learning:** R에서 반복문 내부에서 특정 조건을 만족하는 데이터의 위치를 찾기 위해 `which()`를 여러 번 반복 호출하는 것은 O(N) 시간 복잡도를 가져 매번 불필요한 배열 스캔을 유발합니다. 이는 루프의 반복 횟수가 많고, 탐색해야할 데이터가 클 수록 성능 저하의 주 원인이 됩니다.
-**Action:** 조건에 맞는 인덱스를 최초 탐색 시 변수에 캐싱(`newIdx`, `oldIdx` 등)하여 저장하고 이후 동일한 데이터 접근 시 캐싱된 인덱스를 사용함으로써 O(1) 수준으로 성능을 향상시킬 수 있습니다. 추가로 스칼라 값에 대한 불필요한 `paste0()` 함수 호출을 제거하여 오버헤드를 줄입니다.
+
+**Performance Issue:** 데이터 프레임 행 필터링이나 열 검색 시 동일한 항목에 대해
+반복적으로 인덱싱 연산(`df$col`)을 수행하면 불필요한 연산 오버헤드가 발생합니다.
+**Learning:** 반복문 시작 전 관심 있는 열 데이터(`lookup_col <- df$col`)를 변수에
+캐싱하고 루프 내부에서는 해당 변수를 조회하여 반복적인 인덱싱 비용을 방지해야 합니다.
+
 ## 2024-07-08 - R 언어에서 루프 내 인덱스 검색(which) O(N) 병목 최적화
-**Learning:** R에서 반복문 내부에서 특정 조건을 만족하는 데이터의 위치를 찾기 위해 `which()`를 여러 번 호출하면 매번 O(N)의 선형 탐색(linear scan)이 발생하여 데이터 크기가 클수록 성능이 크게 저하됩니다. 또한 `paste0()`를 이용한 불필요한 배열 단위 문자열 생성은 반복문 오버헤드를 가중시킵니다.
-**Action:** 조건에 맞는 인덱스를 최초 한 번 `split(seq_len(nrow(df)), df$column)`를 통해 리스트 형태로 캐싱(dictionary lookup)하여 루프 외부에서 O(1) 검색 체계로 만들고, 스칼라 값에 대한 불필요한 `paste0()` 함수 호출을 최적화(`paste(..., collapse=' ')`)하여 오버헤드를 줄입니다.
+
+**Performance Issue:** 다수의 요소에 대해 `which(vector == value)`를 반복 호출하면
+O(N * M) 복잡도가 발생하여 벡터 크기가 커질수록 급격한 속도 저하를 일으킵니다.
+**Learning:** `which` 호출 대상을 하나씩 검색하는 대신 `%in%`이나 `match()`를 사용하여
+검색 자체를 벡터화(vectorize)하고 검색을 루프 외부로 옮겨 O(N + M)으로 최적화해야 합니다.
+
 ## 2026-07-11 - R 언어에서 루프 내 벡터 동적 확장 및 조건부 탐색 최적화
-**Learning:** R에서 for 루프 내에 동적으로 벡터 크기를 늘리면서 (`vector[i] <- value`) 조건을 검사하는 것은 O(N^2)의 복사 오버헤드(copy-on-modify)를 발생시키며 매 반복마다 `match()` 스캔을 수행하면 성능 저하를 초래합니다.
-**Action:** 루프 외부에 벡터화된 `match()`를 한 번만 수행하여 유효한 인덱스를 찾고, 벡터 인덱싱(`vector[idx]`)으로 한 번에 데이터를 추출하여 불필요한 루프 오버헤드 및 동적 메모리 재할당을 방지하여 O(1) 수준으로 성능을 개선해야 합니다.
+
+**Performance Issue:** 반복문 안에서 벡터를 `c(vec, val)`로 동적으로 확장하고,
+음수 인덱싱(`-c(which(...))`) 시 매칭되는 항목이 없으면 `integer(0)`로 평가되어
+전체 요소를 날려버리는 치명적 성능/논리 오류가 발생할 수 있습니다.
+**Learning:** 음수 인덱싱과 결합된 부정적 `which()`나 `grep()` 연쇄 호출 대신
+`!grepl()`과 같은 단일 논리형 벡터 마스크를 사용하는 것이 훨씬 빠르고 안전합니다.
+
 ## 2024-07-12 - R 언어에서 데이터프레임 서브셋팅 시 불필요한 which() 및 반복 평가 제거
-**Learning:** 데이터 프레임의 특정 로우(row)를 변경할 때 `df[which(df$col == "val"), ]`와 같이 `which()`를 사용하면 내부적으로 추가 함수 호출 및 논리 벡터 평가 오버헤드가 발생합니다. 또한, 여러 값을 업데이트하기 위해 동일한 조건식을 연속으로 사용하면 매번 동일한 O(N) 논리 벡터 평가가 중복해서 일어납니다. 불필요한 `paste0("GROUP")` 호출도 오버헤드를 더합니다.
-**Action:** `which()`를 생략하고 직접 논리 인덱싱(`df$col == "val"`)을 사용하며, 동일한 조건식을 두 번 이상 연속으로 사용할 경우 해당 논리 벡터를 변수에 캐싱(`idx <- df$col == "val"`)하여 여러 번 재사용함으로써 중복된 O(N) 선형 스캔을 피하고 성능을 최적화해야 합니다. 또한 불필요한 문자열 연산을 제거합니다.
+
+**Performance Issue:** 데이터 프레임 내 동일한 조건(`df$col == val`)으로 값을 할당하거나
+추출할 때 매번 `which()`를 감싸거나 조건을 반복 평가하면 O(N) 함수 호출 오버헤드가 지속 발생합니다.
+**Learning:** 조건에 대한 논리 인덱스 자체를 변수로 캐싱(`idx <- df$col == val`)하고,
+`which()` 없이 직접 논리 인덱싱(`df[idx, ]`)을 수행하여 중복 평가를 O(1)의 읽기로 전환해야 합니다.
+
 ## 2025-02-12 - R 언어에서 반복적인 mirt 모델 생성 시 불필요한 데이터프레임 부분집합 추출 최적화
-**Learning:** R에서 데이터프레임의 특정 열을 추출하는 작업(`df[cols]`)은 O(N)의 메모리 복사를 수반합니다. `autoFIPC`에서 `mirt` 모델의 파라미터를 설정하거나 호출하는 과정 중에 `newformXDataK[colnames(newFormModel@Data$data)]` 코드가 반복해서 사용되었고, 심지어 `ncol()`을 위해 단순히 개수를 구할 때도 사용되어 불필요한 메모리 할당과 오버헤드를 초래했습니다.
-**Action:** 조건문이나 반복문 내부에서 불필요하게 데이터프레임 부분집합 연산이 반복되지 않도록 외부에서 한 번만 `linkedFormData <- newformXDataK[colnames(newFormModel@Data$data)]`로 캐싱(caching)한 뒤, `ncol(linkedFormData)`와 `data = linkedFormData` 형태로 재사용하여 메모리 복사와 O(N) 오버헤드를 방지해야 합니다.
+
+**Performance Issue:** 동일한 전체 데이터프레임과 문항 모수 프레임에 대해 내부 구조를
+조작하기 위해 반복적으로 부분 데이터프레임을 생성(예: `df[, cols, drop=FALSE]`)하면 심각한
+O(N) 메모리 복사 오버헤드가 발생합니다.
+**Learning:** 부분집합 생성이나 데이터 강제 변환 없이 전체 데이터프레임을 참조하며 `intersect`나
+문자열 매칭(`cols %in% colnames(df)`)을 통해 필터링 인덱스만 조작하도록 최적화해야 합니다.
diff --git a/.jules/palette.md b/.jules/palette.md
index bd843cd..d5b438d 100644
--- a/.jules/palette.md
+++ b/.jules/palette.md
@@ -1,7 +1,15 @@
+# Palette Journal
+
 ## 2024-06-24 - Pure R Backend Package
-**Learning:** The aFIPC repository is a pure R backend package without any frontend web components or UI. Therefore, standard micro-UX enhancements such as ARIA labels, loading states, and CSS styling cannot be applied.
-**Action:** Stop and do not create a PR, as no suitable web UX enhancements can be identified.
+
+**Observation:** This repository is an R package for backend analysis (`aFIPC`)
+and does not contain any user-facing frontend components or UI/UX surface area.
+**Learning:** Do not attempt to add UI enhancements or frontend libraries
+(like React, CSS, or shiny components) unless a clear UI layer is established.
 
 ## 2026-06-30 - No Frontend Surface
-**Learning:** The package contains R calibration code and package metadata, not HTML, React, CSS, or other UI surfaces.
-**Action:** Palette tasks should stop after recording that no UX enhancement applies unless a future frontend artifact is introduced.
+
+**Observation:** As a pure computational R backend, attempting to create UI
+features is outside the repository scope.
+**Learning:** Stop execution immediately and do not generate PRs for UI
+enhancements in this codebase to avoid polluting the repository history.
diff --git a/.jules/sentinel.md b/.jules/sentinel.md
index a8207a4..520d8b0 100644
--- a/.jules/sentinel.md
+++ b/.jules/sentinel.md
@@ -1,4 +1,26 @@
+# Sentinel Journal
+
 ## 2024-07-12 - Fix missing parameter validations
-**Vulnerability:** Unvalidated inputs passed to `if()` statements can cause process crashes (`condition has length > 1`) or unexpected coercion vulnerabilities.
-**Learning:** In R, optional boolean parameters that default to `NULL` should be validated using explicit runtime type validation (e.g., `if (!is.null(flag) && (!is.logical(flag) || length(flag) != 1 || is.na(flag)))`).
-**Prevention:** Always implement explicit runtime type validation for optional boolean parameters.
+
+**Vulnerability:** Unvalidated inputs passed to `if()` statements can cause
+process crashes (`condition has length > 1`) or unexpected coercion
+vulnerabilities.
+**Learning:** In R, optional boolean parameters that default to `NULL` should
+be validated using explicit runtime type validation (e.g.,
+`if (!is.null(flag) && (!is.logical(flag) || length(flag) != 1 || is.na(flag)))`).
+**Prevention:** Always implement explicit runtime type validation for
+optional boolean parameters.
+
+## 2024-08-10 - [사용자 입력 검증 강화 및 정수 오버플로우 방지]
+
+**Vulnerability:** 대화형 프롬프트(`readline()`)에서 사용자의 입력을 검증할
+때 `grepl("^[0-9]+$", n)`과 같이 무제한의 숫자를 허용하여 큰 숫자가 입력될
+경우 `as.integer()`에서 `NA`를 반환하는 등의 정수 오버플로우 및 강제 변환
+취약점이 발생할 위험이 있었습니다.
+**Learning:** 기대하는 입력값(예: 1 또는 2)의 범위가 명확함에도
+정규표현식 매칭을 너무 광범위하게 허용하는 것은 에러 처리가 되지 않은 상태에서
+예상치 못한 형변환 결과를 초래하여 프로세스가 강제 종료될 수 있는 보안
+리스크임을 배웠습니다.
+**Prevention:** 대화형 프롬프트나 텍스트 기반 입력에서 정수형 변환을 수행하기
+전에, 허용 가능한 정확한 값(예: `^[12]$`)에 대해서만 엄격하게 정규식 매칭을
+수행하도록 해야 합니다.
diff --git a/R/aFIPC.R b/R/aFIPC.R
index 6254651..918e19b 100644
--- a/R/aFIPC.R
+++ b/R/aFIPC.R
@@ -141,7 +141,7 @@ autoFIPC <-
       }
       for (attempt in seq_len(3)) {
         n <- readline(prompt = "Is it correct? (1: Yes 2: No) : ")
-        if (grepl("^[0-9]+$", n)) {
+        if (grepl("^[12]$", n)) {
           return(as.integer(n))
         }
       }
@@ -171,7 +171,7 @@ autoFIPC <-
               readline(
                 prompt = "Do you want to use default BILOG-MG priors for oldform Data? (1: Yes 2: No) : "
               )
-            if (grepl("^[0-9]+$", n)) {
+            if (grepl("^[12]$", n)) {
               return(as.integer(n))
             }
           }
@@ -390,7 +390,7 @@ autoFIPC <-
               readline(
                 prompt = "Do you want to use default BILOG-MG priors for newform Data? (1: Yes 2: No) : "
               )
-            if (grepl("^[0-9]+$", n)) {
+            if (grepl("^[12]$", n)) {
               return(as.integer(n))
             }
           }