Using AI for User Representation: An Analysis of 83 Persona Prompts

이 논문은 27 편의 학술지에 게재된 83 개의 LLM 기반 사용자 페르소나 생성 프롬프트를 분석하여, 생성된 페르소나가 단일화되고 간략화되는 경향이 있으며 구조화된 형식과 동적 변수 사용이 일반화되고 있음을 규명하고, 이를 통해 계산적 페르소나의 확대가 사용자 표현에 미치는 함의를 논의합니다.

핵심

🎭 비유: "AI 요리사에게 레시피를 주는 연구"

상상해 보세요. 여러분은 **'사용자 페르소나'**라는 이름의 가상의 캐릭터를 만들고 싶어 합니다. 이 캐릭터는 실제 사용자들을 대표하는 인형 같은 존재죠. 예전에는 이 인형들을 만들기 위해 연구자들이 직접 수많은 인터뷰를 하고, 데이터를 분석하며 수작업으로 정성들여 만들었습니다.

하지만 요즘은 **거대 언어 모델 (LLM, 예: 챗GPT 등)**이라는 초고속 AI 요리사가 등장했습니다. 연구자들은 이제 직접 요리하는 대신, AI 에게 **"이런 재료로 이런 요리를 만들어줘"**라고 말만 하면 (이를 **'프롬프트'**라고 합니다), AI 가 순식간에 요리를 만들어냅니다.

이 논문은 **27 편의 연구 논문에서 발견된 총 83 개의 '요리 레시피 (프롬프트)'**를 모아 분석했습니다. "AI 요리사들이 실제로 어떤 레시피를 쓰고, 어떤 요리를 만들어내는가?"를 살펴본 거죠.

🔍 주요 발견 사항 (3 가지 핵심 질문)

연구자들은 이 레시피들을 분석하며 세 가지 큰 질문을 던졌습니다.

1. 왜 연구자들은 AI 에게 레시피를 주는 걸까? (왜 쓰나?)

• 주된 목적: 새로운 캐릭터를 만드는 것이 가장 많습니다 (80% 이상).
• 기타 용도: 만든 캐릭터가 잘 작동하는지 테스트하거나, 특정 상황에서 이 캐릭터가 어떻게 반응할지 예측하는 데도 쓰입니다.
• 비유: 마치 영화 감독이 배우를 뽑기 위해 오디션을 보거나, 시나리오를 써보는 것과 비슷합니다.

2. 어떻게 레시피를 작성하는 걸까? (어떻게 쓰나?)

• 단순함 vs 복잡함: 어떤 레시피는 "한 마디로 캐릭터를 만들어줘"처럼 매우 간단하지만, 어떤 것은 12 단계에 걸친 복잡한 과정 (이미지 생성, 배경 설정, 행동 예측 등) 을 요구하기도 합니다.
• 데이터의 혼합: 흥미롭게도, 연구자들은 AI 에게 **실제 데이터 (예: "이 회사의 고객 데이터" 같은 변수)**를 섞어서 주기도 합니다. 마치 "이 재료를 넣어서 요리해"라고 하는 것과 비슷하죠.
• 구조화된 결과: 많은 연구자가 AI 에게 **JSON(컴퓨터가 읽기 쉬운 데이터 형식)**이나 표 형태로 결과를 요구합니다. 이는 캐릭터를 '이야기'보다는 '데이터 덩어리'로 취급하려는 경향이 강함을 보여줍니다.

3. 어떤 캐릭터가 만들어지는 걸까? (무엇이 나오나?)

• 텍스트와 숫자 위주: AI 가 만들어낸 캐릭터는 대부분 **글자 (텍스트)**와 **숫자 (나이, 소득 등)**로 이루어져 있습니다.
• 이미지의 부재: 고전적인 페르소나에는 캐릭터의 얼굴 사진이 필수였는데, AI 로 만든 캐릭터에는 사진이 거의 없습니다. (이미지 생성 AI 를 쓰는 경우는 드뭅니다.)
• 간단한 정보: 과거의 정성적인 연구에서는 캐릭터의 깊은 내면과 풍부한 이야기를 중요시했지만, AI 가 만든 캐릭터는 나이, 직업, 성별 같은 **기본적인 통계 정보 (인구통계)**에 치중되어 있습니다. 마치 "이름, 나이, 직업만 적힌 이력서"처럼 간단하다는 뜻입니다.

⚠️ 문제점과 경고 (왜 걱정해야 할까?)

이 연구는 몇 가지 위험 신호를 발견했습니다.

1. 이야기의 부재: AI 에게 "짧고 간결하게 써줘"라고 하면, 캐릭터가 매우 얕고 평면적이 됩니다. 사용자들의 복잡한 감정과 삶을 이해하는 '공감'을 위한 풍부한 이야기가 사라질 수 있습니다.
2. 편향의 위험: 대부분의 연구가 GPT 모델 하나만 사용합니다. 다른 모델과 비교해 보지 않으니, 그 모델이 가진 편견 (예: 특정 성별이나 인종에 대한 고정관념) 이 그대로 캐릭터에 반영될 수 있습니다.
3. 데이터의 오용: AI 가 가진 '지식'만으로 캐릭터를 만들면, 실제 사용자 데이터를 무시하게 될 수 있습니다. 마치 실제 고객 인터뷰 없이, AI 가 상상한 대로만 고객을 만드는 것과 같습니다.

💡 결론 및 제언

이 논문은 우리에게 다음과 같은 메시지를 전달합니다.

• AI 는 강력한 도구지만, 마법 지팡이는 아닙니다. AI 를 이용해 캐릭터를 만들 때는 실제 사용자 데이터를 반드시 섞어주어야 합니다.
• 이야기를 잊지 마세요. 숫자와 데이터만 나열하는 것이 아니라, 사용자의 삶과 감정을 이해할 수 있는 풍부한 이야기를 만들어야 합니다.
• 검토가 필요합니다. AI 가 만든 캐릭터가 정말 공정한지, 다양한 사용자를 잘 대표하는지 사람이 꼼꼼히 확인해야 합니다.

한 줄 요약:

"AI 가 만들어주는 가상의 사용자 캐릭터는 빠르고 편리하지만, 너무 단순하고 편향될 수 있으니 실제 데이터와 인간의 깊은 이해를 바탕으로 조심스럽게 다듬어야 합니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 사용자 페르소나 (User Personas) 는 사용자 중심 설계 (UCD) 의 핵심 도구로, 실제 사용자 데이터를 기반으로 가상의 사용자 프로필을 만들어 이해관계자의 의사결정을 돕습니다. 최근 생성형 AI(특히 대규모 언어 모델, LLM) 가 페르소나 생성에 활발히 도입되고 있습니다.
• 문제점:
  • LLM 을 페르소나 생성에 활용하는 방법론이 급격히 확산되고 있지만, 이를 위한 체계적인 분석이나 가이드라인은 부재합니다.
  • "어떤 프롬프트가 페르소나 생성에 적합한가?", "어떤 프롬프트가 편향이나 해를 초래하는가?"에 대한 실증적 연구가 부족합니다.
  • 기존 페르소나 생성의 원칙 (실제 데이터 기반, 풍부한 서사 등) 이 LLM 활용 과정에서 어떻게 변형되거나 훼손되는지, 그리고 어떤 위험이 존재하는지 불명확합니다.
• 연구 목적: 학술 문헌에서 추출된 LLM 기반 페르소나 생성 프롬프트를 체계적으로 분석하여, 현재 연구자들이 어떻게 프롬프트를 설계하고 활용하는지, 그리고 생성된 페르소나의 특성이 무엇인지를 규명하는 것입니다.

2. 연구 방법론 (Methodology)

• 데이터 수집:
  • 생성형 AI 가 페르소나 개발에 어떻게 활용되는지 조사한 기존 체계적 문헌 고찰 (SLR) 에서 52 편의 논문을 기반으로 데이터를 추출했습니다.
  • 이 중 페르소나 생성에 사용된 프롬프트가 명시적으로 포함된 27 편의 논문을 최종 선정했습니다.
  • 총 83 개의 페르소나 프롬프트를 분석 대상으로 삼았습니다.
• 분석 프레임워크:
  • 두 명의 연구자가 협력하여 프롬프트를 코딩 (Coding) 했습니다.
  • 분석 항목은 프롬프트의 목적 (Why), 사용 방식 (How), 생성된 페르소나의 특성 (What) 으로 구성되었습니다.
  • 프롬프트의 길이, 구조 (JSON 등), 사용된 모델, 포함된 데이터 변수, 생성된 콘텐츠 형식 (텍스트, 숫자, 이미지), 페르소나의 정보 풍부도 (Attributes) 등을 정량 및 정성적으로 분석했습니다.

3. 주요 연구 결과 (Key Results)

RQ1: 연구자들은 왜 페르소나 프롬프트를 사용하는가?

• 주요 용도: 페르소나 생성 (81.48%) 이 가장 주된 용도였으며, 예측 (25.93%) 과 평가 (14.81%) 도 일부 사용되었습니다.
• 응용 분야: 교육, 마케팅, 기후 변화 커뮤니케이션, 디자인 등 다양한 분야로 확장되었습니다.
• 출력 형식: 51.85% 의 프롬프트가 구조화된 출력 (주로 JSON, 50%) 을 요구했습니다. 이는 하류 작업 (데이터 분석 등) 을 용이하게 하기 위함입니다.

RQ2: 연구자들은 어떻게 페르소나 프롬프트를 사용하는가?

• 모델 사용: 생성된 모델의 76.1% 가 GPT 계열 모델이었습니다. DALL-E(이미지 생성) 외의 다른 모델들은 드물게 사용되었으며, 여러 모델을 비교하는 연구는 매우 드뭅니다.
• 프롬프트 전략:
  • 평균적으로 연구당 3.1 개의 프롬프트를 사용했습니다. (최대 12 개까지 사용된 사례 존재)
  • 다단계 프롬프트 (Multi-prompt): 단순한 1 회성 프롬프트보다는, 스켈레톤 생성 → 상세 설명 확장 → 이미지 생성 등 단계별로 프롬프트를 연결하는 방식이 많았습니다.
  • 동적 데이터 삽입: 74% 의 프롬프트가 RAG(검색 증강 생성) 나 기타 기법을 통해 실제 데이터나 동적 변수를 프롬프트에 주입했습니다.
  • 복잡성: 프롬프트 길이는 평균 107 단어였으나, 일부는 매우 복잡하고 다단계로 구성되었습니다.

RQ3: 연구자들은 어떤 종류의 페르소나를 생성하는가?

• 콘텐츠 형식:
  • **텍스트 (96.3%)**와 **숫자 (66.7%)**가 주를 이루었습니다.
  • 이미지 생성은 매우 드물었습니다 (7.41%). 전통적인 페르소나에서 중요한 이미지 요소가 LLM 프롬프트에서는 간과되고 있습니다.
  • 텍스트와 숫자가 결합된 형태가 가장 흔했습니다.
• 정보의 풍부도 (Information Richness):
  • 생성된 페르소나의 평균 정보 속성 수는 5.48 개였습니다.
  • 이는 기존 데이터 기반 페르소나 템플릿의 평균 (8.83 개) 보다 약 38% 적습니다.
  • 대부분의 프롬프트가 "간결함 (Conciseness)"을 요구하여, 전통적인 페르소나가 지향하는 "풍부하고 입체적인 서사 (Rich, rounded narratives)"와는 거리가 있었습니다.
• 주요 속성:
  • **인구통계학적 정보 (Demographics)**가 압도적으로 많이 포함되었습니다 (전체 속성의 52%, 프롬프트의 77.78% 에 포함). (이름, 나이, 직업, 성별 등)
  • 행동, 태도, 맥락적 정보는 상대적으로 적게 포함되었습니다.
• 생성 수: 대부분의 프롬프트는 단일 페르소나 (1 개) 생성을 지시했습니다. 사용자 집단의 다양성을 대표하기 위한 다수의 페르소나 세트를 생성하는 경우는 드뭅니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 첫 번째 체계적 매핑: LLM 을 활용한 페르소나 생성 프롬프트에 대한 최초의 체계적인 분석을 제공하여, 현재 연구 동향과 관행을 가시화했습니다.
2. 전통적 원칙과의 괴리 발견:
   • LLM 기반 페르소나는 인구통계학적 정보에 치중하고 서사적 풍부함이 부족하며, 이미지 생성이 소홀히 다루어지는 경향이 있음을 발견했습니다.
   • 이는 페르소나의 본질인 '공감 (Empathy)'과 '다양한 사용자 표현'을 저해할 수 있는 위험을 시사합니다.
3. 구조화된 데이터화 경향: 연구자들이 페르소나를 '서사적 도구'가 아닌 '구조화된 데이터 객체 (JSON 등)'로 취급하는 경향이 강함을 지적했습니다.
4. 실무적 권고사항:
   • 데이터 기반성 유지: LLM 의 창의성만 의존하지 않고, 실제 사용자 데이터 (1 차 데이터) 를 프롬프트에 명시적으로 포함해야 함을 강조했습니다.
   • 이론적 이해: 연구자들이 페르소나 이론 (공감, 다양성, 대표성 등) 을 충분히 이해하고 프롬프트를 설계해야 함을 제안했습니다.
   • 다양한 모델 비교: 특정 모델 (GPT 등) 에만 의존하기보다 다양한 모델을 비교 검증할 필요가 있음을 지적했습니다.

5. 결론 및 한계

• 결론: LLM 은 페르소나 생성을 가속화할 수 있지만, 현재의 프롬프트 설계 방식은 페르소나의 전통적 가치 (풍부한 서사, 다양성, 공감) 를 훼손할 위험이 있습니다. 특히 인구통계학적 편향과 정보의 단순화 문제가 우려됩니다.
• 한계: 연구 분야가 급변하고 있어 결과가 시대에 따라 변할 수 있으며, 프롬프트 설계와 생성 결과 간의 인과관계를 실증적으로 규명한 것은 아니라는 한계가 있습니다.

이 연구는 생성형 AI 시대에 페르소나를 어떻게 윤리적이고 효과적으로 설계할지에 대한 중요한 기초 데이터를 제공하며, 향후 더 정교한 프롬프트 엔지니어링 가이드라인 수립의 토대가 됩니다.