diff --git a/research/intent_classification/README.md b/research/intent_classification/README.md
index 8b04915..7b9e9af 100644
--- a/research/intent_classification/README.md
+++ b/research/intent_classification/README.md
@@ -57,9 +57,16 @@
 ### 진행 중 (2025-11-17)
 - [x] 재학습 배치 스크립트 구현 (TDD) ✅
 - [x] 재학습 전후 정확도 비교 측정 ✅
-- [ ] Active Learning 쿼리 전략 구현 (uncertainty sampling, margin sampling)
-- [ ] 암묵적 피드백 수집 (재질문, 세션 종료 등)
+- [x] Active Learning 쿼리 전략 구현 (uncertainty sampling, margin sampling) ✅
+- [x] 암묵적 피드백 수집 (재질문, 세션 종료 등) ✅
 - [ ] Few-shot learning 기법 적용
+- [ ] 암묵적 피드백 통합 (conversation_service 연동)
+
+## 구현 문서
+
+- [재학습 파이프라인 설계](./retraining_pipeline_plan.md)
+- [Active Learning 쿼리 전략](./active_learning_query_strategy.md)
+- [암묵적 피드백 수집](./implicit_feedback.md)
 
 ## 관련 연구 분야
 
diff --git a/research/intent_classification/active_learning_query_strategy.md b/research/intent_classification/active_learning_query_strategy.md
new file mode 100644
index 0000000..841143a
--- /dev/null
+++ b/research/intent_classification/active_learning_query_strategy.md
@@ -0,0 +1,104 @@
+# Active Learning 쿼리 전략
+
+**작성일**: 2025-11-17  
+**목적**: 라벨링 우선순위 결정을 통한 리뷰 큐 효율화
+
+## 개요
+
+Active Learning의 핵심은 **불확실성이 높은 샘플을 우선적으로 라벨링**하여 적은 데이터로도 모델 성능을 빠르게 개선하는 것입니다. 로빙 프로젝트에서는 리뷰 큐에 진입한 항목들을 우선순위에 따라 정렬하여 관리자가 효율적으로 라벨링할 수 있도록 지원합니다.
+
+## 구현된 전략
+
+### 1. Uncertainty Sampling (엔트로피 기반)
+
+**원리**: 예측 분포의 엔트로피가 높을수록 모델이 불확실해하는 케이스입니다.
+
+**계산 방법**:
+```python
+entropy = -Σ(p * log2(p))  # 정규화된 엔트로피
+uncertainty_score = entropy / max_entropy
+```
+
+**특징**:
+- 엔트로피가 높을수록 (0.0 ~ 1.0) 불확실성이 높음
+- 여러 의도에 비슷한 확률이 분산된 경우 우선순위 높음
+- 예: `calendar_query: 0.4, calendar_event: 0.35, document_analysis: 0.25` → 높은 불확실성
+
+### 2. Margin Sampling (마진 기반)
+
+**원리**: 1위와 2위 의도의 점수 차이가 작을수록 모델이 애매하게 판단하는 케이스입니다.
+
+**계산 방법**:
+```python
+margin = top1_score - top2_score
+margin_score = 1.0 - margin  # 마진이 작으면 높은 점수
+```
+
+**특징**:
+- 마진이 작을수록 (0.0에 가까울수록) 불확실성이 높음
+- 두 의도가 거의 동일한 확률을 가진 경우 우선순위 높음
+- 예: `calendar_query: 0.45 vs calendar_event: 0.40` → 작은 마진
+
+### 3. Confidence 기반 (기본)
+
+**원리**: 예측 confidence가 낮을수록 불확실한 케이스입니다.
+
+**계산 방법**:
+```python
+confidence_score = 1.0 - predicted_confidence
+```
+
+**특징**:
+- 가장 단순한 전략
+- 절대적인 확신도가 낮은 경우 우선순위 높음
+
+## 구현 위치
+
+### 코드 구조
+
+```
+app/brain/active_learning.py
+├── calculate_entropy()              # 엔트로피 계산
+├── calculate_uncertainty_score()    # Uncertainty Score 계산
+├── calculate_margin_score()          # Margin Score 계산
+└── prioritize_review_queue()        # 우선순위 정렬
+
+app/state/intent_review_repository.py
+└── get_review_queue()               # priority_strategy 파라미터 추가
+```
+
+### API 사용 예시
+
+```python
+# Uncertainty sampling으로 정렬
+queue = get_review_queue(
+    db=session,
+    status="pending",
+    priority_strategy="uncertainty"
+)
+
+# Margin sampling으로 정렬
+queue = get_review_queue(
+    db=session,
+    status="pending",
+    priority_strategy="margin"
+)
+```
+
+## 테스트 커버리지
+
+`tests/test_active_learning_query_strategy.py`:
+- ✅ 높은/낮은 엔트로피 케이스
+- ✅ 작은/큰 마진 케이스
+- ✅ 우선순위 정렬 검증
+- ✅ 빈 데이터 처리
+
+## 참고 문헌
+
+- **PT4AL (2022)**: Self-Supervised Pretext Tasks for Active Learning
+- **Sharma et al. (2015)**: Active Learning with Rationales for Text Classification
+
+---
+
+**업데이트**: 2025-11-17 - Uncertainty/Margin Sampling 구현 완료
+
diff --git a/research/intent_classification/implicit_feedback.md b/research/intent_classification/implicit_feedback.md
new file mode 100644
index 0000000..4254215
--- /dev/null
+++ b/research/intent_classification/implicit_feedback.md
@@ -0,0 +1,114 @@
+# 암묵적 피드백 수집
+
+**작성일**: 2025-11-17  
+**목적**: 명시적 피드백(좋아요/싫어요) 외에 사용자 행동 패턴을 통한 암묵적 피드백 감지
+
+## 개요
+
+사용자가 명시적으로 피드백을 주지 않아도, 행동 패턴을 분석하면 시스템의 성능에 대한 암묵적 신호를 감지할 수 있습니다. 이를 통해 리뷰 큐 진입 조건을 확장하여 더 많은 개선 기회를 포착합니다.
+
+## 구현된 암묵적 피드백 유형
+
+### 1. 재질문 (Re-question)
+
+**정의**: 같은 사용자가 짧은 시간 내에 유사한 질문을 반복하는 경우
+
+**감지 조건**:
+- 최근 5분 이내 메시지 중
+- 현재 메시지와 과거 메시지 간 공통 키워드 2개 이상
+- 유사한 의도로 추정되는 질문 반복
+
+**예시**:
+```
+사용자: "11월 19일 일정 조회해줘" (1분 전)
+로빙: "11월 19일 일정: 14:00 심사"
+사용자: "11월 19일 일정 알려줘" (현재) ← 재질문 감지
+```
+
+**의미**: 이전 응답이 만족스럽지 않아 다시 질문하는 것으로 해석
+
+### 2. 세션 종료 (Session Termination)
+
+**정의**: 응답 후 즉시 세션이 종료되는 경우
+
+**감지 조건**:
+- 응답 시간과 세션 종료 시간 차이가 5초 이내
+- 사용자가 응답을 확인하고 바로 나감
+
+**예시**:
+```
+로빙: "11월 19일 일정: 14:00 심사" (응답 시간: 10:00:00)
+사용자: 세션 종료 (종료 시간: 10:00:03) ← 세션 종료 감지
+```
+
+**의미**: 응답이 불만족스러워 즉시 이탈하는 것으로 해석
+
+### 3. 무응답 (No Response)
+
+**정의**: 응답 후 사용자가 아무 말 없이 다른 메시지를 전송하는 경우
+
+**감지 조건**:
+- 마지막 응답 시간과 다음 메시지 시간 차이가 1분 이내
+- 응답에 대한 피드백 없이 다른 주제로 전환
+
+**예시**:
+```
+로빙: "11월 19일 일정: 14:00 심사" (응답 시간: 10:00:00)
+사용자: "오늘 날씨 알려줘" (다음 메시지: 10:00:30) ← 무응답 감지
+```
+
+**의미**: 이전 응답에 대한 피드백 없이 다른 질문으로 넘어가는 것으로 해석
+
+## 구현 위치
+
+### 코드 구조
+
+```
+app/brain/intent_review.py
+├── detect_implicit_feedback()           # 암묵적 피드백 감지
+└── should_enqueue_for_implicit_feedback()  # 리뷰 큐 진입 결정
+```
+
+### 사용 예시
+
+```python
+# 재질문 감지
+is_re_question = detect_implicit_feedback(
+    current_message="11월 19일 일정",
+    recent_messages=[
+        {"message": "11월 19일 일정 조회해줘", "timestamp": datetime.utcnow() - timedelta(minutes=1)},
+    ],
+    feedback_type="re_question"
+)
+
+# 세션 종료 감지
+is_termination = detect_implicit_feedback(
+    current_message=None,
+    recent_messages=[],
+    feedback_type="session_termination",
+    response_time=response_time,
+    session_end_time=session_end_time
+)
+```
+
+## 통합 계획
+
+현재는 감지 로직만 구현되어 있으며, 실제 `conversation_service.py`나 `save_conversation`에서 호출하여 리뷰 큐에 자동으로 진입시키는 통합은 다음 단계에서 진행 예정입니다.
+
+## 테스트 커버리지
+
+`tests/test_implicit_feedback.py`:
+- ✅ 재질문 패턴 감지
+- ✅ 세션 종료 감지
+- ✅ 무응답 감지
+- ✅ 리뷰 큐 진입 결정
+
+## 참고 문헌
+
+- **Impact of Feedback Type (2022)**: Implicit vs Explicit Feedback의 효용성
+- **Human-in-the-Loop Machine Learning**: 암묵적 피드백 수집 전략
+
+---
+
+**업데이트**: 2025-11-17 - 재질문/세션 종료/무응답 감지 로직 구현 완료
+