기술적 요약: 가치 도출을 넘어: 역할극과 인류학자 LLM 을 통한 초기 요구사항 공학에서의 도덕적 프로파일 구축

문제 제기

소프트웨어 공학 (SE) 및 요구사항 공학 (RE) 에 인간의 가치를 통합하려는 현재의 접근 방식은 상당한 한계에 직면해 있습니다. 전통적인 방법들은 종종 슈바르츠 (Schwartz) 의 가치 모델과 같은 사전 정의된 가치 분류 체계와 설문조사나 인터뷰와 같은 명시적 표현 기법에 의존합니다. 그러나 인간의 도덕적 가치는 종종 암묵적이며, 상황에 의존적이고, 직접 표현하기 어렵습니다. 더 나아가 가치는 역동적이며 시간에 따라 진화하므로, 정적 분류는 불충분합니다. 기존 기법들은 이해관계자와 가치 도출자 간의 의사소통 단절로 인해 표현되지 않거나 인식되지 못한 요구사항을 초래하는 경우가 많습니다. 또한, 복잡한 윤리적 고려사항을 고정된 존재론으로 축소하는 것은 "형식주의 함정 (Formalism Trap)"의 위험을 초래합니다. 이는 시스템이 사용자 행동의 상황적 현실을 포착하지 못하는 사전 정의된 지표를 기반으로 '공정하다'고 판단되게 만들기 때문입니다.

본 논문은 개별적인 도덕적 가치를 도출하는 것에서 개별 도덕적 프로파일을 재구성하는 것으로의 전환을 주장합니다. 이 접근법은 현상학적 및 서사적 인류학에 기반을 두고 있으며, 도덕적 삶은 안정적인 특성의 집합이 아니라, 살아있는 경험, 사회적 상호작용, 그리고 상황적 의사결정을 통해 나타나는 관계적이고 서사적인 패턴이라고 가정합니다.

방법론

본 연구는 이러한 도덕적 프로파일을 도출하고 표현하기 위해 몰입형 역할극 (RPG) 과 대규모 언어 모델 (LLM) 분석을 결합한 개념 증명 프로토콜을 제안합니다. 방법론은 네 단계로 나뉩니다:

1. 게임 설계 및 데이터 수집 (도출 환경)

• 영역: 본 연구는 사용자에게 관련성과 접근성이 높은 디지털 프라이버시에 초점을 맞춥니다.
• 형식: 참가자들이 가상 캐릭터가 아닌 자신으로 행동하는 아날로그 테이블탑 RPG 로, 피싱, 데이터 유출, 공공 와이파이와 같은 디지털 프라이버시 딜레마가 포함된 현실적이고 통제된 시나리오 내에서 진행됩니다.
• 연구자의 역할: 연구자는 게임 마스터 (GM) 로서 내러티브를 안내하고 상충되는 도덕적 관점을 제시하는 비플레이어 캐릭터 (NPC) 를 관리합니다.
• 데이터 출처: 삼각측량을 보장하고 암묵적 가치를 포착하기 위해 다음과 같은 출처에서 데이터를 수집합니다:
  • 자기 기술: 플레이어 프로필 및 성격 특성.
  • 게임 일지: 참가자들이 게임 플레이 중 결정, 정당화, 그리고 감정적 반응을 기록합니다.
  • GPT 상호작용: 플레이어는 기술적 명확성을 위해 LLM '오라클'에 문의하며, 이는 도메인 소양과 의사결정 의존성을 드러냅니다.
  • 연구자 필드노트: 그룹 역학, 망설임, 그리고 관계 구조에 대한 관찰.
  • 후속 포커스 그룹: 게임 내 결정을 실제 경험과 연결하는 게임 후 성찰.
• 참가자: 다양한 배경과 RPG 경험 수준을 가진 10 명의 참가자 (남성 5 명, 여성 5 명).

2. 데이터 처리

위 출처들의 원시 데이터는 참가자별로 구조화된 서사 표로 조직화됩니다. 이러한 표는 결정, 감정, 상호작용, 정당화, 그리고 실제 생활 내러티브와 같은 이질적인 데이터를 분석을 위한 통합 구조로 통합합니다.

3. 모델 전문화 ("인류학자 LLM")

GPT-4o 기반의 GPT-A 와 같은 전문화된 LLM 인스턴스가 사회 인류학자로 구성됩니다.

• 기반: 모델은 클라인만 (Kleinman), 메를로 - 퐁티 (Merleau-Ponty), 매틀링리 (Mattingly) 와 같은 저자를 참조하는 현상학적 및 서사적 인류학의 용어집과 역사적 개요가 포함된 '기반 문서 (Ground Document)'를 제공합니다.
• 프롬프트: 모델은 "사용자는 X 이다"와 같은 본질화 진술을 피하고, 대신 도덕적 지향을 수행적, 관계적, 그리고 상황에 의존적인 것으로 분석하도록 지시받습니다. 반복되는 해석 패턴, 서사적 위치, 그리고 긴장이나 애매모호함의 순간을 식별하는 임무를 수행합니다.
• 출력: 모델은 각 참가자를 위한 **개별 인류학적 도덕 프로파일 (IAMP)**을 생성합니다. 이는 명시적 가치의 목록이 아니라 사용자의 '지역적 도덕 세계'에 대한 서사적 표현입니다.

4. 검증

이 접근법은 두 수준의 교차 비교를 통해 검증됩니다:

• 1 단계 (예측 정확도): 참가자들은 동일한 영역의 새로운, 보지 못한 도덕적 시나리오가 포함된 설문지를 작성합니다. 모델이 IAMP 를 기반으로 한 응답 예측은 실제 답변과 비교됩니다.
• 2 단계 (해석적 프레임워크): 인류학적 기반을 둔 GPT-A 의 성능을 비인류학적 구성 (GPT-NA) 과 기본 모델 (GPT-B) 과 비교하여 인류학적 프레임워크의 가치를 평가합니다.

주요 기여

1. 가치 도출의 패러다임 전환: 본 논문은 개별 가치의 분류 체계 기반 도출에서 도덕적 프로파일의 서사적 재구성으로의 이동을 제안합니다. 이는 인간의 가치의 암묵적, 상황적, 그리고 역동적인 특성을 인정합니다.
2. RPG 와 LLM 의 통합: 몰입형 RPG 가 풍부한 상황 의존적 데이터를 생성하는 민족지학적 도구로 활용되고, 이를 인류학 이론에 기반한 LLM 이 해석하는 새로운 프로토콜을 시연합니다.
3. "인류학자 LLM": 본 연구는 구조화되지 않은 정성적 데이터를 가치 갈등과 상황적 의존성을 보존하는 일관된 해석적 내러티브 (IAMP) 로 변환하기 위해 특정 이론적 프레임워크 (현상학/서사적 인류학) 로 LLM 을 맞춤화하는 방법을 소개합니다.
4. 서사적 프로파일의 검증: 본 연구는 이러한 서사적 프로파일이 인류학적 해석적 프레임워크가 부재한 모델들보다 새로운 시나리오에서 사용자 행동을 효과적으로 예측할 수 있다는 실증적 증거를 제공합니다.

결과

본 연구는 연구 질문에 해당하는 다음과 같은 발견을 도출했습니다:

• RQ1 (데이터의 풍부함): RPG 세션은 세분화되고 상황 풍부한 데이터를 성공적으로 생성했습니다. 게임 내 요소 (메커니즘, NPC, 그룹 역학) 와 게임 외 요소 (과거 경험, 습관, 자기 노출) 간의 상호작용으로 의사결정 과정이 관찰 가능해졌습니다. 특히, 데이터는 자기 보고된 특성과 실제 행동 사이의 불일치를 드러냈으며, 가치가 실시간으로 어떻게 협상되는지를 강조했습니다.
• RQ2 (프로파일 표현): 인류학자 LLM(GPT-A) 은 구조화되지 않은 서사 데이터를 일관된 도덕적 프로파일로 성공적으로 변환했습니다. 표준 코딩과 달리 IAMP 는 긴장 (예: 규범적 인식과 상황적 취약성 간의 갈등) 을 보존하고, 가치를 정적 범주가 아닌 역동적 집합체로 취급했습니다.
• RQ3 (예측 유효성):
  • 정확도: GPT-A 는 보지 못한 시나리오에 대한 참가자들의 응답을 예측하는 데 81% 의 정확도를 달성했습니다.
  • 프레임워크 영향: 해석적 프레임워크에 따라 명확한 성능 격차가 있었습니다: GPT-B(기본) 는 51%, GPT-NA(비인류학적) 는 68%, GPT-A(인류학적 기반) 는 81% 를 달성했습니다.
  • 메커니즘: GPT-A 의 높은 정확도는 정적 선호도 검색에 의존하기보다 결정 뒤에 있는 상황적 추론(예: 사기를 당한 과거 경험과 데이터 공유 거부를 연결하는 것) 을 재구성하는 능력에 기인했습니다.
  • 한계: 데이터가 참가자의 실제 도메인 전문성을 포착하지 못한 경우 (예: 지식이 있는 것처럼 보였으나 그룹에 양보한 참가자), 모든 모델에서 예측 정확도가 하락했습니다. 이는 IAMP 의 품질이 기반 데이터의 완전성에 달려 있음을 나타냅니다.

중요성과 주장

본 논문은 이 접근법이 인간의 도덕적 가치를 요구사항 공학의 초기 단계에 통합하면서도 그 상황적 및 역동적 성질을 보존하는 기반을 제공한다고 주장합니다.

• RE 에 대해: 생성된 IAMP 는 전통적인 도출을 통해 포착하기 어려운 사용자별 긴장, 선호도, 그리고 상황적 요인을 표현하는 방법을 제공합니다. 이는 추상적 지표로 축소하지 않고 사용자 간의 교환 관계를 분석할 수 있게 합니다.
• 윤리에 대해: 법적 준수를 넘어선 '소프트 윤리 (soft ethics)'에 초점을 맞춤으로써, 공식 규정과 실제 인간 행동 간의 격차를 해소합니다.
• 확장성과 투명성: 현재 연구는 인간 중재를 사용하지만, LLM 의 통합은 확장성을 지원합니다. 또한, 모델이 IAMP 를 기반으로 예측을 정당화해야 하므로, 사용자 표현이 어떻게 구성되는지에 대한 일정한 투명성을 제공합니다.

저자들은 이 연구가 작은 표본 크기 (N=10) 와 단일 영역 (디지털 프라이버시) 을 가진 개념 증명임을 인정하며 겸손한 입장을 견지합니다. 프로토콜은 도메인 중립적으로 설계되었지만, 전이성을 확립하기 위해 다양한 문화적 맥락과 인구 집단에서 추가 테스트가 필요하다고 강조합니다. 이 접근법은 인간 민족지학적 분석을 대체하는 것이 아니라, 해석적 깊이를 유지하면서 분석 능력을 확장하는 '루프 내 인간 (human-in-the-loop)' 프로토콜 내에서 이를 보완하는 것을 목표로 합니다.