💬 NLP

Cognitive Linguistic Identity Fusion Score (CLIFS): A Scalable Cognition-Informed Approach to Quantifying Identity Fusion from Text

이 논문은 인지 언어학과 대규모 언어 모델(LLM)을 결합하여 텍스트로부터 정체성 융합(identity fusion) 정도를 자동화된 방식으로 정량화하는 새로운 지표인 CLIFS를 제안하며, 이것이 기존 방식보다 정확할 뿐만 아니라 폭력 위험 평가 등 다양한 분야에서 높은 성능을 보임을 입증했습니다.

원저자: Devin R. Wright, Jisun An, Yong-Yeol Ahn

게시일 2026-02-10

📖 2 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Devin R. Wright, Jisun An, Yong-Yeol Ahn

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

1. 핵심 개념: '정체성 융합(Identity Fusion)'이란?

보통 우리는 "나는 한국인이야", "나는 축구 팬이야"라고 말하며 자신과 집단을 분리해서 생각합니다. 이것을 '사회적 정체성'이라고 하죠.

하지만 **'정체성 융합'**은 차원이 다릅니다. 이건 마치 '물과 기름'이 아니라 '물과 설탕'이 만난 상태와 같습니다. 설탕이 물에 녹아들면, 어디까지가 설탕이고 어디까지가 물인지 구분할 수 없죠? 이 상태가 되면, 그 집단이 공격받을 때 마치 내 몸이 칼에 찔리는 것처럼 똑같은 고통을 느끼고, 집단을 위해서라면 내 목숨까지 기꺼이 내놓을 정도로 '나와 집단이 하나가 된 상태'를 말합니다.

2. 기존의 문제점: "직접 물어봐야만 알 수 있었다"

지금까지는 어떤 사람이 얼마나 이 집단에 몰입했는지 알려면, 그 사람에게 직접 설문조사를 하거나 면담을 해야 했습니다.

문제는: 사람이 직접 물어보면 거짓말을 할 수도 있고, 수만 명, 수백만 명의 SNS 글을 일일이 읽으며 조사하는 건 불가능에 가깝다는 것이죠.

3. 새로운 해결책: CLIFS (AI의 '행간 읽기' 기술)

연구진은 CLIFS라는 새로운 점수 측정법을 만들었습니다. 이 AI는 사람의 글을 읽을 때 단순히 단어만 보는 게 아니라, **'은유(Metaphor)'**를 찾아냅니다.

비유를 들어볼까요?
어떤 사람이 축구팀을 사랑한다고 할 때, 그냥 "축구가 좋아요"라고 말하는 사람과, **"우리 팀은 나의 심장이고, 팀의 승리는 나의 호흡이다"**라고 말하는 사람이 있습니다.

후자는 '축구팀'이라는 단어를 '심장'이나 '호흡' 같은 생명 유지 장치와 연결해서 말하죠? AI는 바로 이 지점, 즉 자신(Self)과 대상(Target)을 얼마나 은유적으로 섞어서 표현하는지를 포착합니다. 마치 요리사가 소금과 설탕을 얼마나 정교하게 섞었는지 맛만 보고도 알아내는 것과 같습니다.

4. 이 기술이 왜 대단한가요? (결과)

사람보다 정확합니다: AI가 사람(전문가)이 직접 점수를 매긴 것보다 더 정확하게 그 사람의 몰입도를 맞혔습니다.
폭력 위험을 미리 감지합니다: 이 기술을 테러리스트들의 선언문(Manifesto) 분석에 적용해 봤더니, 누가 폭력적인 행동을 할 가능성이 높은지를 기존 방식보다 240%나 더 정확하게 예측해 냈습니다.
자동화와 확장성: 이제 사람이 일일이 읽지 않아도, AI가 인터넷상의 방대한 데이터를 훑으며 사회적 갈등이나 극단주의의 흐름을 실시간으로 감시할 수 있게 된 것입니다.

5. 요약하자면

이 논문은 **"사람이 쓰는 글 속에 숨겨진 '나와 너의 경계가 허물어진 흔적(은유)'을 찾아내어, 그 사람이 특정 집단에 얼마나 강력하게 결속되어 있는지를 숫자로 계산해내는 똑똑한 AI 도구"**를 개발했다는 내용입니다.

이 기술은 사회적 갈등을 이해하고, 극단적인 폭력을 예방하는 데 아주 강력한 '사회적 레이더' 역할을 할 수 있습니다.

[기술 요약] CLIFS: 텍스트 기반 정체성 융합(Identity Fusion) 정량화를 위한 인지 언어학적 접근법

1. 문제 정의 (Problem Statement)

**정체성 융합(Identity Fusion)**은 개인의 자아(Self)와 특정 집단(종교, 정치, 이데올로기 등) 또는 추상적 대상이 심리적으로 하나로 합쳐지는 현상을 의미합니다. 이는 사회적 결속력을 높이는 긍정적 측면도 있지만, 극단주의, 폭력, 자살적 희생과 같은 위험한 행동을 유발하는 동기가 되기도 합니다.

기존의 정체성 융합 측정 방식은 다음과 같은 한계가 있었습니다:

설문 기반의 한계: 기존의 VIFS(Verbal Identity Fusion Scale)와 같은 표준 척도는 직접적인 설문이나 대면 조사가 필요하여 대규모 데이터나 역사적 텍스트 분석에 적용하기 어렵습니다.
자동화 도구의 낮은 정확도: 기존의 언어 기반 지표(UAI, VRI 등)는 정체성 융합을 직접적으로 측정하지 못하거나, 단순한 단어 매칭(String-matching) 방식에 의존하여 정교한 심리적 상태를 포착하는 데 한계가 있었습니다.

2. 연구 방법론 (Methodology)

본 논문은 대규모 언어 모델(LLM)과 인지 언어학적 이론을 결합한 새로운 메트릭인 **CLIFS(Cognitive Linguistic Identity Fusion Score)**를 제안합니다.

A. 핵심 메커니즘: 암시적 은유 탐지 (Implicit Metaphor Detection)

연구진은 정체성 융합이 강한 개인은 자아와 대상 사이의 경계가 모호하여, 언어 사용 시 두 개념을 은유적으로 혼용한다는 가설을 세웠습니다. 이를 위해 Masked Language Model (MLM) 방식을 활용합니다.

방식: 텍스트에서 자아(I, Me 등)나 대상(Target) 토큰을 [MASK]로 가린 후, ModernBERT와 같은 모델을 통해 해당 위치에 상대방의 토큰이 나타날 확률을 계산합니다.
주요 지표:
1. Fusion-Proximity ( $f(I,T)$ ): 자아와 대상 간의 상호 교환 가능성을 측정하기 위해 방향성 근접도( $S_{I \to T}, S_{T \to I}$ )의 조화 평균을 사용합니다.
2. Fictive-Kinship ( $K_f$ ): 융합된 개인이 대상을 가족(Kin)처럼 느끼는 특성을 반영하여, 대상 단어를 친족 용어로 대체했을 때의 근접도를 측정합니다.

B. 모델 아키텍처 및 학습

특징 추출 (Feature Engineering): 위에서 계산된 인지적 지표들, 기존의 언어적 지표(UAI, VRI), 그리고 SBERT를 통한 의미론적 임베딩을 결합합니다.
앙상블 모델: Random Forest, SVM, XGBoost 등을 활용하며, 성능 극대화를 위해 LLM(GPT-4o, DeepSeek R1) 기반의 RAG(Retrieval-Augmented Generation) 방식과 앙상블을 구성합니다.
데이터 증강 (Data Augmentation): 데이터 부족 문제를 해결하기 위해 Round-Trip Translation(RTT) 및 **Generative AI(GPT-4o)**를 이용한 텍스트 생성을 적용했습니다.

3. 주요 기여 (Key Contributions)

새로운 NLP 태스크 정의: 자연어로부터 정체성 융합 수준을 예측하는 새로운 과업을 정의하고 벤치마크를 제시했습니다.
자동화 및 확장성 확보: 설문 없이도 대규모 텍스트 데이터로부터 정체성 융합을 자동 측정할 수 있는 확장 가능한 프레임워크를 구축했습니다.
인지 언어학적 통합: 단순 단어 빈도가 아닌, 은유와 개념적 근접성이라는 인지적 메커니즘을 모델에 통합했습니다.

4. 연구 결과 (Results)

A. 정체성 융합 예측 성능

분류 성능: 기존 베이스라인 대비 6%에서 최대 154%까지 성능 향상을 보였습니다.
회귀 성능: VIFS 점수와의 상관관계( $r_s$ )가 0.633에 달하며, 이는 기존 방법론(UAI, VRI)보다 월등히 높은 수치입니다.
인간 대비 성능: 인간의 주관적 코딩(Human Annotation)보다 11~22% 더 높은 성능을 기록하며, 인간의 판단을 능가하는 정밀도를 보여주었습니다.

B. 폭력 위험 예측 (Proof of Concept)

CLIFS를 폭력 위험 지수(VRI)에 통합하여 적용한 결과, 기존 방식 대비 폭력 위험 예측 성능을 240% 이상 향상시켰습니다. 이는 CLIFS가 단순한 심리 지표를 넘어 실질적인 사회적 위험 감지에 유용함을 입증합니다.

5. 의의 및 결론 (Significance)

본 연구는 정체성 융합이라는 복잡한 심리적 개념을 컴퓨터 과학의 영역으로 성공적으로 가져왔습니다.

사회적 활용: 테러 방지, 폭력 위험 평가, 문화 분석 등 고위험 분야에서 실시간 모니터링 도구로 활용될 가능성이 큽니다.
학술적 가치: 정체성 융합의 이론적 경로를 대규모 데이터를 통해 검증할 수 있는 새로운 연구 도구를 제공했습니다.
한계 및 향후 과제: 현재는 영어 및 미국 중심 데이터에 편향되어 있으므로, 향후 다국어 및 다문화적 맥락으로의 확장과 윤리적 오용(권위주의 정권의 감시 도구화 등)에 대한 주의가 필요함을 명시했습니다.