diff --git a/.jules/bolt.md b/.jules/bolt.md
index 7d3c603f..5f9b1485 100644
--- a/.jules/bolt.md
+++ b/.jules/bolt.md
@@ -16,3 +16,6 @@
 ## 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.
+## 2025-02-13 - R 언어에서 factor 생성시 자동 레벨 추론 오버헤드 최적화
+**Learning:** R에서 팩터를 생성할 때 as.factor()를 사용하면 데이터에 포함된 전체 값들의 유니크한 레벨을 자동으로 스캔하고 정렬하는 과정이 발생합니다. 특히 반복된 값들을 이어붙일 때 as.factor()를 쓰면 O(N)의 스캔 오버헤드가 큽니다.
+**Action:** rep()를 사용해 값들을 반복 생성할 때 factor() 함수에 명시적으로 `levels`를 지정하면, 자동 레벨 추론 및 정렬 오버헤드를 건너뛰어 O(1) 수준으로 매우 빠르게 팩터를 생성할 수 있습니다. 단, 원본 팩터 레벨 순서에 맞게 정확하게 지정해야 합니다.
diff --git a/R/aFIPC.R b/R/aFIPC.R
index 62546519..1ec4abde 100644
--- a/R/aFIPC.R
+++ b/R/aFIPC.R
@@ -612,11 +612,12 @@ autoFIPC <-
     #IPD
     if (checkIPD == T) {
       # config
+      # ⚡ Bolt: Optimize factor creation by avoiding automatic level inference overhead and using vectorized rep()
       IPDgroup <-
-        as.factor(c(
-          rep('oldForm', nrow(oldformYDataK)),
-          rep('newForm', nrow(newformXDataK))
-        ))
+        factor(
+          rep(c('oldForm', 'newForm'), c(nrow(oldformYDataK), nrow(newformXDataK))),
+          levels = c('newForm', 'oldForm')
+        )
       IPDItemCount <- 0
 
       # IPD target item checking