🤖 AI

Modeling Human Behavior in a Strategic Network Game with Complex Group Dynamics

이 논문은 전략적 네트워크 게임 '주니어 하이 게임'에서 인간의 행동을 모델링하는 다양한 방법을 비교한 결과, 행동의 평균이 아닌 분포를 모델링하고 커뮤니티 인식 행동을 가정하는 'hCAB' 방법이 인간 집단의 역동성을 가장 잘 모방하고 인간과 구별하기 어려운 합리적인 행동을 생성함을 보여줍니다.

원저자: Jonathan Skaggs, Jacob W. Crandall

게시일 2026-02-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jonathan Skaggs, Jacob W. Crandall

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

이 논문은 **"인간이 복잡한 사회적 관계 속에서 어떻게 행동하는지"**를 컴퓨터 프로그램으로 얼마나 잘 흉내 낼 수 있는지 연구한 내용입니다.

쉽게 비유하자면, **"인간이라는 복잡한 악기를 어떻게 하면 가장 자연스럽게 연주할 수 있는 로봇을 만들 수 있을까?"**를 고민한 실험 보고서라고 볼 수 있습니다.

주요 내용을 일상적인 언어와 비유로 설명해 드릴게요.

1. 실험 무대: '중학생 게임' (Junior High Game)

연구자들은 복잡한 인간 사회를 단순화한 게임 하나를 만들었습니다. 이름은 **'중학생 게임 (JHG)'**입니다.

상황: 중학교 교실처럼 생각해보세요. 학생들 (플레이어) 이 서로 친해지거나, 싸우거나, 무리 지어 다니는 상황입니다.
목표: 모든 학생은 **'인기 (Popularity)'**를 얻으려고 합니다.
행동: 학생들은 '토큰 (점수)'을 가지고 있습니다.
- 주고받기: 친구에게 토큰을 주면 그 친구의 인기가 오릅니다.
- 자기 보호: 토큰을 자기한테 남겨두면 내 인기는 유지됩니다.
- 공격: 친구의 토큰을 빼앗으면 (공격하면) 그 친구의 인기는 떨어지고 내 인기는 오릅니다.
핵심: 단순히 착한 척 하거나 나쁜 척 하는 게 아니라, **"누구와 동맹을 맺고, 언제 배신하고, 언제 공격할지"**를 계산해야 하는 아주 복잡한 게임입니다.

2. 연구의 질문: 로봇은 어떻게 인간을 흉내 낼까?

연구자들은 이 게임을 하는 실제 인간들의 데이터를 바탕으로, 로봇 (AI) 이 인간처럼 행동하게 하려고 했습니다. 이때 두 가지 큰 질문을 던졌습니다.

행동의 원리는 무엇인가?
- A. 거울 모드 (Behavior Matching): "네가 나를 때리면 나도 너를 때린다." (눈에는 눈, 이에는 이)
- B. 무리 지어 다니기 모드 (Community-Aware): "우리 팀끼리는 서로 도와주고, 다른 팀은 견제하자." (사회적 관계와 그룹 역학을 고려함)
데이터를 어떻게 배우는가?
- A. 평균값 학습: "대부분의 인간은 이렇게 행동하니까, 나도 평균대로 행동하자."
- B. 분포 학습: "인간은 사람마다 다 다르잖아? 어떤 사람은 공격적이고, 어떤 사람은 수동적이지. 그 다양한 스타일 전체를 배워야 해."

3. 실험 결과: 어떤 조합이 가장 인간스러웠을까?

네 가지 조합을 만들어서 인간 집단과 비교해 봤습니다.

결과: 가장 인간과 비슷한 행동을 한 로봇은 **'무리 지어 다니기 모드 (B)'**를 '분포 학습 (B)' 방식으로 배운 **'hCAB'**라는 로봇이었습니다.

왜 그랬을까요?

거울 모드 (A) 의 한계: 단순히 "네가 나한테 줬으니까 나도 줄게"라고만 하면, 인간 사회의 복잡한 정치적 암투나 동맹 관계를 설명하기 어렵습니다.
평균값 학습 (A) 의 한계: "평균적인 인간"처럼 행동하면, 실제 게임에서는 너무 평범해져서 인간 특유의 '다양한 성격'이나 '예측 불가능한 행동'을 못 보여줍니다.
hCAB 의 성공: 이 로봇은 **"인간은 무리를 짓고, 그 무리 안에서 서로 돕거나 배신한다"**는 사실을 이해했고, **"사람마다 성격이 다르다"**는 점도 학습했습니다. 그래서 게임 속에서의 집단 행동 (누가 인기 있고, 누가 배신당하는지) 이 실제 인간 집단과 거의 똑같이 움직였습니다.

4. 놀라운 검증: "너 인간이야, 로봇이야?"

연구자들은 실제 사람 8 명을 모아서 실험을 했습니다.

상황: 4 명은 실제 인간, 4 명은 hCAB 로봇입니다.
미션: 게임이 끝난 후, "누가 인간이고 누가 로봇인지 맞춰보세요."
결과: 사람들은 로봇과 인간을 구별하지 못했습니다. (무작위 추측과 정확도가 비슷했습니다.)
의미: 로봇이 단순히 숫자만 계산하는 게 아니라, 인간처럼 감정을 읽거나, 동맹을 맺고, 상황을 판단하는 척을 완벽하게 해낸 것입니다.

5. 결론 및 교훈

이 연구는 우리에게 두 가지 중요한 메시지를 줍니다.

인간은 '평균'이 아니라 '다양성'이다: 인간을 모델링할 때 "대부분의 인간은 이러다"라고 평균을 내는 것보다, "인간은 다양한 스타일이 있다"는 점을 고려해야 더 현실적인 AI 를 만들 수 있습니다.
관계가 핵심이다: 인간은 혼자 행동하는 게 아니라, '누구와 어떤 관계'를 맺고 있는지에 따라 행동이 바뀝니다. 로봇이 인간처럼 보이려면 이 **사회적 관계 (무리, 동맹, 배신)**를 이해해야 합니다.

한 줄 요약:

"인간처럼 복잡한 사회 게임을 하려면, 로봇은 단순히 '눈에는 눈'으로 대응하는 게 아니라, **'누구와 무리를 짓고 있는지'**를 파악하고 **'사람마다 다른 성격'**을 흉내 내야 진짜 인간처럼 보인다는 것을 증명했습니다."

이 연구는 향후 인공지능이 인간 사회에 더 자연스럽게 녹아들거나, 혹은 인간 사회의 문제 (불평등, 폭력 등) 를 이해하는 데 큰 도움을 줄 수 있을 것으로 기대됩니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 인간 네트워크는 부의 불평등, 빈곤, 괴롭힘 등 중요한 사회적 결과에 지대한 영향을 미칩니다. 인간 네트워크를 이해하는 것은 바람직한 사회적 결과를 촉진하는 데 필수적입니다.
문제: 인간 네트워크 내에서 개인이 어떻게 의사결정을 내리는지, 그리고 국지적 상호작용이 어떻게 전역적인 안정성, 불평등, 갈등 패턴으로 확장되는지 이해하는 것은 여전히 큰 도전 과제입니다.
목표: 복잡한 집단 역학 (집단 형성, 권력 비대칭, 자원 관리 등) 을 포함하는 전략적 네트워크 게임인 **'주니어 하이 게임 (Junior High Game, JHG)'**을 통해 인간 행동을 모델링하는 방법을 비교·분석하고, 인간과 유사한 에이전트를 개발하는 것입니다.

2. 방법론 (Methodology)

저자들은 인간 행동을 모델링하기 위해 4 가지 알고리즘을 제안하고 비교했습니다. 이는 두 가지 차원의 가정과 학습 방법을 결합하여 구성됩니다.

가. 행동 모델의 가정 (Behavioral Assumptions)

행동 매칭 (Behavior Matching / TFT): 이전 라운드에서 다른 플레이어가 자신에게 취한 행동을 그대로 모방하는 전략 (Tit-for-Tat).
커뮤니티 인식 행동 (Community-Aware Behavior, CAB): 네트워크 내의 구조적, 사회적 단서를 고려하여 그룹 형성, 동맹, 적대 관계를 관리하는 전략. 인간은 상호성뿐만 아니라 집단 역학에 따라 행동한다는 가정.

나. 학습 방법 (Learning Methods)

PSO (Particle Swarm Optimization): 데이터에서 관찰된 **평균 인간 행동 (Mean)**을 가장 잘 설명하는 단일 파라미터 세트를 찾는 최적화 기법.
EPDM (Evolutionary Population Distribution Modeling): 인간 행동의 **분포 (Distribution)**를 모델링하기 위해 제안된 새로운 방법. 유전 알고리즘을 사용하여 다양한 전략의 집합 (Population) 을 진화시켜, 인간 사회의 다양한 행동 패턴을 포괄적으로 모사합니다.

다. 실험 설계

데이터: JHG 를 플레이한 66 개의 게임 (47 개는 인간만, 19 개는 인간과 봇 혼합) 을 사용. 15 개 게임을 테스트 세트로, 나머지를 학습 데이터로 사용.
비교 대상: 4 가지 모델 (hTFT-PSO, hTFT-EPDM, hCAB-PSO, hCAB-EPDM) 과 두 가지 베이스라인 (무작위 에이전트, 진화 시뮬레이션으로 학습된 eCAB).
평가 지표:
- 집단 역학 (Population Dynamics): 평균 인기 (Mean Popularity), 지니 계수 (Gini Index, 불평등), 경제적 행동 (% Give/Take/Keep), 혼합 패턴 (상호성, 밀도, 엔트로피, 양극화).
- 개인 행동 (Individual Behavior): 인간 참가자가 봇과 인간을 구별할 수 있는지 평가하는 사용자 연구.

3. 주요 기여 (Key Contributions)

새로운 학습 방법론 (EPDM) 제안: 인간 행동의 평균뿐만 아니라 분포를 학습하여 더 현실적인 사회 시뮬레이션을 가능하게 하는 EPDM 알고리즘을 개발했습니다.
행동 모델 비교: 전략적 네트워크 게임에서 '행동 매칭 (TFT)'보다 '커뮤니티 인식 (CAB)'이 인간 행동을 더 잘 모사함을 입증했습니다.
인간과 구별 불가능한 에이전트 개발: 학습된 hCAB-EPDM 에이전트가 인간 참가자와 구별하기 매우 어렵다는 것을 사용자 연구를 통해 입증했습니다.

4. 실험 결과 (Results)

가. 집단 역학 비교 (Population Dynamics)

최고 성능 모델: hCAB-EPDM이 인간 사회의 역학을 가장 정확하게 모사했습니다.
- 통계적 유의성: 인간과 hCAB-EPDM 집단의 차이를 검정하는 카이제곱 검정 결과, $p=0.486$ 으로 귀무가설 (동일한 분포에서 추출됨) 을 기각할 수 없었습니다. 반면, 다른 모든 모델은 $p < 0.001$ 로 인간과 통계적으로 유의미하게 달랐습니다.
- 메트릭: hCAB-EPDM 은 부의 분포 (지니 계수), 상호성, 그룹화 (양극화) 등 다양한 지표에서 인간 데이터와 가장 유사한 패턴을 보였습니다.
- TFT 의 한계: TFT 기반 모델은 행동의 진동 (oscillation) 이 심하고 인간처럼 유연한 그룹 형성을 하지 못해 인간 역학과 거리가 멀었습니다.
- PSO 의 한계: 평균 행동만 학습한 PSO 기반 모델은 전략의 다양성이 부족하여 실제 인간 사회의 불평등이나 변동성을 잘 재현하지 못했습니다.

나. 사용자 연구 (User Study)

설계: 8 명의 숙련된 인간 참가자가 hCAB 에이전트와 JHG 를 플레이하며, 상대가 인간인지 봇인지 추측하도록 했습니다.
결과: 참가자가 인간과 봇을 정확히 구분한 비율은 **56.7%**였으며, 이는 무작위 추측 (57.1%) 과 통계적으로 유의미한 차이가 없었습니다.
의미: hCAB 에이전트는 개별 행동 수준에서도 인간과 매우 유사한 전략 (예: 갈등 상황에서 권력 관계에 기반한 동맹 형성) 을 취하여 인간과 구별하기 어렵다는 것을 보여줍니다.

5. 의의 및 한계 (Significance & Limitations)

의의

해석 가능한 모델 (Interpretability): 딥러닝 (블랙박스) 과 달리, 파라미터 기반 모델은 인간이 어떤 전략을 사용하는지 해석 가능한 통찰을 제공합니다.
소량 데이터 학습: 대규모 데이터가 부족한 전략적 네트워크 게임 환경에서도 효과적으로 인간 행동을 학습할 수 있음을 입증했습니다.
사회적 시뮬레이션: 인간 네트워크의 복잡한 역학 (불평등, 갈등, 협력) 을 재현하는 데 성공하여, 정책 수립이나 사회적 개입 연구에 활용 가능한 도구를 제공했습니다.

한계 및 향후 과제

집단 크기: 실험은 소규모 집단 (6~12 명) 에서만 수행되었으며, 대규모 사회에서의 적용 여부는 불확실합니다.
문화적 차이: 학습 데이터가 특정 문화/집단에 국한되어 있어, 다른 문화권의 인간 행동이나 다른 규범을 가진 집단을 모델링하는 데 한계가 있을 수 있습니다.
게임의 복잡성: JHG 는 인간 네트워크의 중요한 특성을 포함하지만, 실제 세계의 복잡성을 완전히 대체할 수는 없습니다.

결론

이 논문은 hCAB-EPDM 모델이 전략적 네트워크 게임에서 인간 행동의 분포를 학습하여, 집단 역학뿐만 아니라 개별 행동 수준에서도 인간과 구별하기 어려운 수준의 에이전트를 생성할 수 있음을 입증했습니다. 이는 인간 네트워크의 복잡한 역학을 이해하고 시뮬레이션하는 데 있어 '커뮤니티 인식'과 '행동 분포 학습'이 핵심 요소임을 보여줍니다.