🤖 AI

Virtual Personas for Language Models via an Anthology of Backstories

본 논문은 오픈형 생애 서사 (배경 이야기) 를 기반으로 대규모 언어 모델을 조건화하여 가상 페르소나를 생성하는 '안솔로지 (Anthology)'라는 방법을 소개하며, 이는 세 개의 전국 대표성 표본 조사를 통해 인간의 응답 분포 일치도와 실험적 일관성에서 상당한 개선을 입증합니다.

원저자: Suhong Moon, Marwa Abdulhai, Minwoo Kang, Joseph Suh, Widyadewi Soedarmadji, Eran Kohen Behar, David M. Chan, John Canny

게시일 2026-05-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Suhong Moon, Marwa Abdulhai, Minwoo Kang, Joseph Suh, Widyadewi Soedarmadji, Eran Kohen Behar, David M. Chan, John Canny

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

상상해 보세요. 인터넷에 존재하는 거의 모든 책, 기사, 블로그 글을 읽어낸 거대하고 초지능적인 로봇이 있다고 가정해 봅시다. 이 로봇은 수많은 다른 사람들과의 방대한 독서 경험 덕분에, 그 두뇌 안에 수백만 명의 다양한 인간들의 '목소리'를 실제로 담고 있습니다.

하지만 문제가 하나 있습니다. 우리가 보통 이러한 로봇들 (ChatGPT 등) 과 대화할 때, 우리는 그들을 유용하고, 정중하며, 중립적으로 만들도록 훈련시켰습니다. 이는 분노한 시인, 수줍은 회계사, 흥분한 십대, 불만족스러운 은퇴자 등 다양한 배경을 가진 사람들을 한 방에 모아, 모두 똑같은 지루한 회색 정장을 입고 단조로운 목소리로 말하도록 강요하는 것과 같습니다. 그들은 자신만의 고유한 개성을 잃어버립니다.

이 논문은 이를 해결하기 위한 새로운 방법인 **"Anthology(선집)"**를 소개합니다. 작동 원리를 간단한 단계로 나누어 설명하면 다음과 같습니다:

1. 문제: "회색 정장" 효과

대부분의 연구자들은 로봇에게 *"너는 낚시를 좋아하는 35 세 남자 밥이다"*와 같은 사실 목록을 제공하여 로봇이 특정 인물처럼 행동하도록 시도합니다.
이 논문은 이것이 배우에게 *"슬퍼해"*라고만 적힌 대본을 주는 것과 같다고 주장합니다. 로봇은 실제로 슬픔을 느끼는 것이 아니라, 슬픈 사람이 무엇을 말할지 추측할 뿐입니다. 따라서 그 결과는 경직되어 있고 종종 틀립니다.

2. 해결책: "인생 이야기"(배경 이야기)

연구자들은 사실 목록 대신 로봇에게 **배경 이야기 (backstory)**를 제공합니다. 이는 일기나 회고록처럼 1 인칭으로 쓰인 길고 열린 형태의 이야기입니다.

비유: 배우에게 캐릭터를 연기하게 하고 싶다고 가정해 봅시다. *"연령: 40 세, 직업: 교사"*라고 적힌 이력서를 건네는 대신, 그들의 어린 시절, 이혼, 재즈에 대한 사랑, 그리고 고소공포증에 대해 쓴 10 페이지 분량의 편지를 건네는 것입니다.
결과: 로봇이 이 이야기를 읽으면 단순히 사실을 '알게' 되는 것이 아니라, 캐릭터 그 자체가 됩니다. 로봇이 추측할 필요 없이 이야기 속에 자연스럽게 나이, 배경, 성격이 포함되기 때문입니다.

3. 이야기 제작 방법 (The "Anthology")

연구자들은 이러한 이야기들을 실제로 작성해 달라고 사람들에게 요청하지 않았습니다 (그것은 영원히 걸릴 테니까요). 대신, 로봇 스스로 수천 개의 인생 이야기를 쓰도록 요청했습니다.

그들은 로봇에게 물었습니다: "나에 대해 말해줘."
로봇은 수천 개의 고유하고 상세한 인생 이야기를 생성하여 가상 인물들의 거대한 도서관 (즉, Anthology) 을 만들었습니다. 부자도 있고 가난한 사람도 있으며, 젊은이도 있고 노인이 있으며, 도시 출신도 있고 시골 출신도 있었습니다.

4. "매칭" 게임

이제 그들은 가상 인물들의 도서관을 갖게 되었지만, 실제 사람 집단 (예: 전국 조사) 과 일치하는 적절한 인물들을 골라야 했습니다.

비유: 연극을 캐스팅하고 뉴욕시 인구와 정확히 일치하는 관객이 필요하다고 상상해 보세요. 여러분은 수많은 배우들이 가득 찬 거대한 방 (Anthology) 을 가지고 있습니다. 무작위로 뽑는 것이 아니라, 그들의 '인구통계학적 특성' (나이, 인종, 소득) 을 확인하고 스마트한 매칭 시스템을 사용하여 목표 그룹의 실제 사람 각각과 가장 잘 어울리는 가상 배우를 짝지어 줍니다.
이 논문은 매칭을 수행하기 위해 두 가지 방법을 사용합니다: 'Greedy(탐욕적)' 방법 (각 사람마다 즉시 최선의 매칭을 선택) 과 'Maximum Weight(최대 가중치)' 방법 (전체 그룹을 위한 완벽한 균형을 찾음) 입니다.

5. 테스트: 효과가 있었는가?

연구자들은 이러한 가상 인물들이 실제 인간들이 수행한 실제 조사 (음식, 정치, AI 등 주제) 를 수행하게 함으로써 이를 테스트했습니다.

결과: '배경 이야기' 방법으로 생성된 가상 인물들은 기존 방법들보다 실제 인간들과 훨씬 더 유사하게 조사에 응답했습니다.
수치: 그들은 인간 응답 매칭의 정확도를 최대 **18%**까지 향상시켰고, 답변의 일관성을 27% 높였습니다.
보너스: 이는 일반적으로 표현하거나 연구하기 어려운 집단 (특정 소수 집단 등) 에 대해 특히 잘 작동했습니다. 로봇이 다른 사람들과 마찬가지로 그들을 위한 이야기를 쉽게 생성할 수 있었기 때문입니다.

왜 이것이 중요한가 (논문에 따르면)

저자들은 이것이 단순히 로봇으로 실제 사람을 대체하는 것에 관한 것이 아니라고 말합니다. 대신, 이는 과학자들에게 새로운 강력한 도구를 제공하는 것입니다.

안전성: 실제 인간에게 해를 끼칠 위험 없이 이러한 가상 인물들에게 아이디어를 테스트할 수 있습니다.
속도 및 비용: 10,000 명의 가상 사람에게 몇 초 만에 무료로 질문할 수 있는 반면, 10,000 명의 실제 사람을 인터뷰하는 것은 엄청난 비용이 들고 몇 달이 걸립니다.
다양성: 특정 인구통계학적 집단을 완벽하게 대표하는 가상 군중을 만들어, 어떤 집단도 대화에서 소외되지 않도록 보장할 수 있습니다.

논문에서의 중요 참고사항:
저자들은 이것이 로봇이 정중하고 유용하도록 가르쳐지기 전의 '원본' 버전을 사용할 때만 작동한다고 경고합니다. 우리가 보통 대화하는 '정중한' 버전을 사용하면, 로봇은 불만족스럽거나 복잡한 인간처럼 행동하기를 거부하여 방법이 실패합니다. 또한 이것이 연구에 훌륭한 도구이지만, 이러한 가짜 사람들을 실제 인간을 속이거나 허위 정보를 퍼뜨리는 데 사용하지 않도록 주의해야 한다고 경고합니다.

간단히 말해: Anthology는 AI 에게 풍부하고 상세한 인생 이야기를 제공하여, 로봇처럼 들리는 것을 멈추고 실제 다양성을 가진 인간처럼 들리게 하는 방법입니다.

기술 요약: 백스토리 앤솔로지를 통한 언어 모델의 가상 페르소나

문제 제기
대규모 언어 모델 (LLM) 은 수백만 명의 저자가 가진 다양한 목소리를 포함하는 방대한 코퍼스로 훈련됩니다. 그러나 지시 튜닝 (예: RLHF) 을 포함한 LLM 의 표준 응용 프로그램은 이러한 고유한 다양성을 억제하여 단일하고 도움이 되며 대체로 감정이 없는 에이전트 목소리를 생성합니다. 이러한 "정렬 (alignment)"은 인간 특성의 광범위한 스펙트럼, 인구통계학적 특성 및 의견을 표현하는 것이 중요한 행동 연구에서 LLM 을 인간 대상의 대리인으로 사용하는 것을 어렵게 만듭니다. 자유 텍스트 자서전이나 인구통계학적 질문 - 답변 쌍의 시퀀스 제공과 같은 특정 페르소나에 LLM 을 조건화하는 기존 방법들은 대표성, 일관성 및 다양성을 달성하는 데 제한적인 성공을 보였으며, 특히 소외된 하위 집단의 경우 더욱 그러했습니다. 또한, 지시 튜닝된 모델은 종종 현실적이고 미묘한 백스토리를 생성하지 못하고, 인간 서사의 복잡성이 결여된 짧고 회피적이거나 지나치게 긍정적인 응답을 생성합니다.

방법론: 앤솔로지 접근법
저자들은 개방형 생애 서사, 즉 "백스토리"를 사용하여 LLM 을 다양하고 일관되며 대표적인 가상 페르소나에 조건화하는 방법론인 "앤솔로지 (Anthology)"를 제안합니다. 이 접근법은 다음 네 가지 주요 단계로 구성됩니다:

LLM 생성 백스토리: 제한된 기존 자서전 데이터셋에 의존하는 대신, 저자들은 사전 훈련된 (지시 튜닝되지 않은) LLM 을 사용하여 방대한 백스토리 "앤솔로지"를 생성합니다. "자신에 대해 말해 주세요"와 같은 개방형 질문으로 모델을 프롬프트함으로써, 인구통계학적 세부 사항 (나이, 거주지, 재정 상태) 을 암시적으로 인코딩하고 명시적 특성 (가치관, 성격, 신념) 을 포함하는 자연스러운 1 인칭 서사를 생성합니다. 저자들은 지시 튜닝된 모델이 일반적이고 안전하며 일관성 없는 서사를 생성하는 경향이 있으므로, 사전 훈련된 모델이 여기서 필수적이라고 강조합니다.
가상 페르소나에 대한 인구통계학적 조사: 백스토리가 모든 인구통계학적 변수를 명시적으로 밝히지 않기 때문에, 저자들은 각 생성된 페르소나에 대해 "인구통계학적 조사"를 수행합니다. 백스토리 조건화 모델에 표준 인구통계학적 질문 (예: 나이, 학력, 소득) 을 프롬프트하고 여러 응답을 샘플링하여 해당 특정 가상 대상의 특성 확률 분포를 추정합니다.
목표 인간 집단 매칭: 특정 인간 연구를 근사화하기 위해, 저자들은 가상 페르소나를 목표 인간 집단의 인구통계학적 분포에 매칭합니다. 이를 인간 사용자 ( $H$ $H$ ) 와 가상 사용자 ( $V$ $V$ ) 간의 이분 매칭 문제로 모델링합니다. 간선 가중치는 가상 사용자의 인구통계학적 분포가 인간 사용자의 특성과 일치할 가능성에 따라 계산됩니다. 두 가지 전략이 탐구됩니다:
- 탐욕적 매칭 (Greedy Matching): 각 인간 사용자를 가장 높은 유사성 가중치를 가진 가상 페르소나에 할당하며, 여러 인간이 동일한 가상 페르소나에 매핑될 수 있습니다.
- 최대 가중치 매칭 (Maximum Weight Matching): 할로프 (Hungarian) 알고리즘을 사용하여 총 가중치를 최대화하는 최적의 1 대 1 대응을 찾습니다.
인간 연구 근사화: 매칭된 백스토리 하위 집합은 설문 조사 질문에 답변할 때 LLM 의 컨텍스트 (접두사) 로 사용됩니다. 이 연구는 이전 답변을 컨텍스트로 포함하여 질문을 연속적으로 제시함으로써 인간 응답자의 정신 과정을 복제합니다.

주요 기여

앤솔로지 프레임워크: 모델을 조건화하기 위해 LLM 생성 백스토리의 "앤솔로지"를 생성하고 활용하는 방법론을 도입하여, 이 접근법이 베이스라인 방법 (Bio 및 QA) 보다 더 대표적이고 일관된 가상 페르소나를 산출함을 입증했습니다.
인구통계학적 매칭: 목표 인간 집단 분포에 가상 페르소나를 샘플링하고 매칭하는 공식화된 방법으로, 인간 응답 분포의 근사화를 크게 개선했습니다.
오픈소스 리소스: 약 10,000 개의 백스토리 앤솔로지 및 생성, 처리, 설문 조사 실행과 관련된 코드를 오픈소스로 공개했습니다.
모델 선택 통찰: 사전 훈련된 모델이 이 작업에서 지시 튜닝된 모델보다 우수함을 입증했습니다. 후자는 행동 시뮬레이션에 필요한 다양성이 결여된 단일하고 동질화된 페르소나로 수렴했기 때문입니다.

실험 결과
이 방법론은 생물의학 문제부터 정치 유형론 및 AI 에 이르기까지 다양한 주제를 다루는 퓨 리서치 센터 (Pew Research Center) 의 미국 트렌드 패널 (ATP 웨이브 34, 92, 99) 에서의 세 가지 국가 대표성 설문 조사를 통해 검증되었습니다.

대표성: 앤솔로지는 베이스라인 방법 대비 인간 응답 분포 매칭에서 (워셔슈타인 거리로 측정) 최대 18% 개선을 달성했습니다.
일관성: 이 방법은 일관성 지표 (상관 행렬의 프로베니우스 노름 및 크론바흐 알파로 측정) 에서 최대 27% 개선을 보였으며, 이는 가상 페르소나가 다양한 설문 조사 질문 전반에 걸쳐 일관된 내부 논리를 유지했음을 나타냅니다.
다양성: 앤솔로지는 다양한 인구통계학적 하위 집단 (인종, 나이, 학력, 성별) 에서 베이스라인을 능가했습니다. 특히 소외된 집단에서 가장 낮은 워셔슈타인 거리를 달성했으나, 저자들은 모델이 젊은 인구통계학적 특성에 내재된 편향으로 인해 65 세 이상 고령층의 매칭 정확도는 감소한다고 지적했습니다.
매칭 전략: 워셔슈타인 거리 측면에서 탐욕적 매칭이 일반적으로 최대 가중치 매칭보다 우수했는데, 이는 후자의 1 대 1 제약이 유한한 가상 사용자 풀로 인해 비최적의 짝짓기를 강요했기 때문일 가능성이 높습니다.

의의 및 주장
이 논문은 앤솔로지가 단순한 인간 연구 대체물이 아닌 인간 행동을 연구하는 새로운 도구라고 주장합니다. 사전 훈련된 모델의 "상류" 다양성과 개방형 서사를 활용함으로써, 이 방법은 연구자들이 다음과 같은 작업을 수행할 수 있게 합니다:

비용과 시간의 일부로 대규모 인간 연구를 시뮬레이션합니다.
확장 가능한 방식으로 접근하기 어렵거나 소외된 집단 (예: 노숙자, 수감자, 비협조적 대상) 에 접근합니다.
대상이 자연어로 자신의 추론에 대해 질문받을 수 있는 "검토 가능한 (scrutable)" 연구를 수행합니다.

저자들은 겸손한 입장을 견지하며, 앤솔로지가 가상 대상의 충실도를 개선하지만 장기적인 태도 변화나 내집단/외집단 편향과 같은 복잡한 인간 행동을 완전히 복제하지는 못한다고 인정합니다. 사회적 공학이나 허위 정보에 대한 고충실도 페르소나의 오용 가능성에 대한 윤리적 우려를 제기하며, 훈련 데이터에서 소외된 집단의 밀도가 낮아 완벽한 시뮬레이션의 장벽으로 남아 있음을 강조합니다. 궁극적으로 이 연구는 신중하게 설계된 가상 페르소나가 언어 모델에 내재된 "인간 특성의 방대한 다양성"을 탐구하는 확장 가능한 도구로서 인간 연구에 가치 있는 보조 역할을 할 수 있음을 시사합니다.