Personality as Relational Infrastructure: User Perceptions of Personality-Trait-Infused LLM Messaging

이 연구는 행동 변화 시스템에서 성격 기반 개인화가 개별 메시지 평가보다는 사용자의 누적 노출을 통해 전반적인 지각과 정서에 더 큰 영향을 미친다는 것을 밝혀냈습니다.

핵심

🏃‍♂️ 1. 연구의 배경: "운동 친구"와 AI

연구진은 운동 습관을 들이고자 하는 사람들에게 AI 가 "지금 운동하세요!"라고 타이르는 메시지 (JITAI) 를 보낼 때, AI 의 성격이 사용자의 성향에 맞으면 더 잘 들을 것이라고 생각했습니다.

예를 들어,

• 성실한 사람에게는 "계획대로 30 분 뛰세요"라고 딱딱하고 명확하게 말하고,
• 개방적인 사람에게는 "새로운 길을 찾아보며 산책해보는 건 어때요?"라고 유연하게 말하는 식입니다.

그런데 여기서 의문이 생겼습니다. "AI 가 성격에 맞춰 말을 바꾸는 게, 그 '한 번'의 메시지 자체를 더 좋게 만들까? 아니면, 그 성격에 맞는 말들을 계속 들으면 사용자가 AI 를 더 좋아하게 될까?"

🎭 2. 실험: 90 명의 참가자와 4 가지 AI 스타일

연구진은 90 명의 참가자에게 과거의 상황을 상상하게 하고, 그 상황에 맞춰 AI 가 보낼 메시지를 평가하게 했습니다. 이때 AI 는 4 가지 다른 방식으로 메시지를 만들었습니다.

1. 기본형: 그냥 기본 지시사항만 따름.
2. 예시 학습형: 다른 사람의 좋은 예시를 보고 배움.
3. 전문가 훈련형: 많은 데이터를 학습시켜 전문가처럼 만듦.
4. 검색형: 관련 자료를 찾아서 답을 만듦.

그리고 각 방식마다 사용자의 성격 (Big Five) 을 반영한 버전과 반영하지 않은 버전을 섞어서 보냈습니다.

🔍 3. 놀라운 발견: "한 방"이 아니라 "장기전"의 승리

결과가 정말 재미있었습니다.

• 한 번의 메시지 (일시적 효과): "아, 이 메시지는 내 성격에 딱 맞네!"라고 단순히 그 한 문장을 보고 점수를 높게 준 경우는 거의 없었습니다. 즉, 성격에 맞춘다고 해서 그 순간의 메시지가 더 훌륭해지지는 않았습니다.
• 오랜 시간 (누적 효과): 하지만 성격에 맞는 메시지를 많이 받은 사람들은 전체적으로 AI 를 훨씬 더 좋아했습니다.
  • "이 AI 는 나를 잘 알아듣는 것 같아." (개인화됨)
  • "이 AI 는 전문적이고 적절해." (전문성)
  • "이 AI 는 짜증나지 않아." (부정적 감정 감소)

📊 핵심 통찰:
사용자들이 AI 를 평가할 때, 개별 메시지의 내용보다는 **"내가 이 AI 와 얼마나 오랫동안 성격이 맞는 대화를 나눴는가"**가 훨씬 중요했습니다.

🌉 4. 비유로 이해하기: "낯선 사람" vs "오랜 친구"

이 현상을 설명하기 위해 연구진은 **'의사소통 적응 이론 (CAT)'**이라는 개념을 사용했습니다. 이를 비유로 풀어보면 다음과 같습니다.

• 한 번의 메시지 (Trial-level):
  마치 길에서 우연히 만난 낯선 사람이 당신에게 "안녕하세요"라고 인사하는 것과 같습니다. 그 사람의 말투가 당신과 비슷하더라도, 그 한 마디만으로는 "이 사람과 친해지고 싶다"고 느끼기 어렵습니다.

• 누적된 노출 (Person-level):
  반면, 오랜 친구를 생각해보세요. 친구가 당신과 대화할 때마다 자연스럽게 당신의 말투, 관심사, 성격에 맞춰 대화를 이어갑니다. 처음에는 그 한 마디가 특별하지 않았을지 몰라도, 수백 번, 수천 번 그런 대화를 나누다 보면 "아, 이 친구는 나를 진짜 이해하고 있구나"라고 느끼며 깊은 신뢰와 친밀감이 생깁니다.

이 연구는 AI 도 마찬가지라고 말합니다. AI 가 한 번에 완벽한 메시지를 만드는 것보다, 사용자의 성향에 맞춰 일관된 '말투'와 '태도'를 오랫동안 유지하는 것이 사용자에게 더 큰 신뢰와 만족감을 줍니다.

💡 5. 이 연구가 우리에게 주는 교훈

1. AI 개발자께: "더 똑똑한 AI(고급 모델)"를 만드는 것보다, "일관된 성격"을 가진 AI를 설계하는 것이 더 중요합니다. 사용자가 AI 와 관계를 맺을 때, 메시지의 '퀄리티'보다 '관계의 지속성'이 더 중요합니다.
2. 사용자께: AI 가 처음부터 완벽하지 않아도 괜찮습니다. 시간이 지나며 AI 가 당신의 성향을 이해하고 맞춰주면, 우리는 자연스럽게 그 AI 를 친구처럼 받아들이게 됩니다.

📝 요약

이 논문은 **"AI 와의 관계는 '한 번의 대화'로 결정되지 않는다"**고 말합니다. 성격에 맞는 메시지가 한 번에 더 좋은 평가를 주는 게 아니라, 성격에 맞는 메시지가 꾸준히 쌓여 '관계'를 형성할 때 비로소 사용자는 AI 를 신뢰하고 좋아하게 된다는 것입니다.

마치 오랜 친구가 되어가는 과정처럼, AI 와의 관계도 시간과 일관성이 핵심이라는 뜻입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 디지털 행동 변화 시스템 (Digital Behaviour Change Systems) 은 사용자의 일상적 맥락에서 행동을 지원하기 위해 반복적인 시스템 주도 메시지 (Just-In-Time Adaptive Interventions, JITAIs) 에 의존하고 있습니다. 대규모 언어 모델 (LLM) 의 등장으로 일관된 개인화가 가능해졌으나, 이러한 개인화가 단일 메시지의 즉각적인 수용도를 향상시키는지, 아니면 반복적인 노출 패턴을 통해 사용자의 전반적인 인식을 형성하는지는 명확하지 않습니다.
• 핵심 질문: LLM 이 생성한 JITAIs 에 Big Five 성격 특성 (BFPT) 정보를 통합하는 것이 개별 메시지의 평가를 개선하는가 (Trial-level), 아니면 성격에 부합하는 메시지의 누적 노출량이 시스템에 대한 전반적인 인식을 변화시키는가 (Person-level)?
• 현재의 한계: 기존 연구는 주로 '일회성 최적화 (one-shot optimisation)'에 초점을 맞추어, 개인화가 즉각적인 반응에만 영향을 준다고 가정하는 경향이 있었습니다. 그러나 장기적인 인간-AI 상호작용에서는 누적된 관계 형성이 더 중요할 수 있음이 제기됩니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 통제된 후향적 (Retrospective) 연구. 90 명의 참가자가 과거 1 주일의 신체 활동 (Physical Activity) 관련 5 가지 시나리오를 회상하고, 해당 상황에서 LLM 이 생성한 JITAIs 를 평가했습니다.
• 데이터 수집 및 생성:
  • LLM 전략 비교: 4 가지 생성 전략을 비교했습니다.
    1. Baseline Prompting (기본 프롬프트)
    2. Few-Shot Chain-of-Thought with Self-Consistency (CoT-SC)
    3. Fine-Tuned Models (미세 조정 모델)
    4. Retrieval-Augmented Generation (RAG)
  • 개인화 조건: 각 전략을 Big Five 성격 특성 (개방성, 성실성, 외향성, 친화성, 신경증) 정보를 포함한 경우와 포함하지 않은 경우로 나누어 총 8 가지 구성을 테스트했습니다.
  • LLM 의사결정: LLM 은 각 시나리오의 맥락 정보 (시간, 기분, 활동 등) 를 기반으로 JITAI 전송 여부 (Send/No-Send) 를 독립적으로 결정하고, 전송이 결정된 경우에만 메시지를 생성했습니다.
• 통계 분석:
  • 모델: 베이지안 순위 다층 회귀 모델 (Bayesian Ordinal Multilevel Regression) 사용.
  • 분해 기법: Within-Between Decomposition을 적용하여 두 가지 효과를 분리했습니다.
    • Trial-level (Within-person): 특정 참가자가 성격 정보가 포함된 메시지를 받았을 때, 해당 단일 메시지의 평가가 향상되었는가?
    • Person-level (Between-person): 참가자 전체적으로 성격 정보가 포함된 메시지의 비율 (노출량) 이 높을수록 시스템에 대한 전반적인 인식이 더 긍정적이지 않은가?
  • 통제 변수: 참가자의 건강 상태, 신체 활동 계획, 현재 활동 등 다양한 맥락적 요인과 성격 특성을 통제하여 교란 변수를 제거했습니다.

3. 주요 결과 (Key Results)

• Trial-level 효과 (단일 메시지):
  • 결과: 성격 정보 (BFPT) 통합 여부와 개별 메시지 평가 사이에는 통계적으로 유의미한 연관성이 없었습니다 (모든 97% HDI 가 0 을 포함).
  • 의미: 개별 메시지의 맥락에서 성격 정보를 추가한다고 해서 사용자가 그 특정 메시지를 더 잘 받아들이거나 더 개인적으로 느끼지는 않았습니다.
• Person-level 효과 (누적 노출):
  • 결과: 성격 정보가 포함된 메시지를 더 높은 비율로 받은 참가자들은 시스템 전체를 더 개인화되었다고, 적절하다고, 전문적이라고 평가했으며, 부정적 정서 (화남, 짜증, 슬픔 등) 가 더 낮게 보고되었습니다.
  • 분산 분석: 결과 변수의 분산 중 **54%~81% 가 참가자 간 차이 (Between-person)**에서 발생했습니다. 이는 사용자의 인식이 개별 메시지의 변동보다는 누적된 노출 패턴에 의해 결정됨을 시사합니다.
• LLM 생성 전략 비교:
  • 복잡한 전략 (Fine-tuning, RAG) 이 간단한 Baseline 프롬프팅보다 일관되게 우월한 성능을 보인 증거는 없었습니다. 모든 전략에서 성격 기반의 누적 노출 효과가 동일하게 나타났습니다.

4. 주요 기여 및 시사점 (Contributions & Significance)

• 개념적 기여: '관계적 인프라 (Relational Infrastructure)'
  • 저자는 성격 특성 정보를 단순한 개인화 파라미터가 아닌, **일관된 시스템 수용 (Accommodation) 을 가능하게 하는 안정적인 사용자 기반 (Infrastructure)**으로 재정의했습니다.
  • 이는 개별 메시지 최적화보다는 일관된 관계적 태도 유지가 장기적 인간-AI 상호작용에서 더 중요함을 강조합니다.
• 이론적 해석: 의사소통 적응 이론 (Communication Accommodation Theory, CAT)
  • null 인 Trial-level 효과와 강력한 Person-level 효과의 패턴은 CAT 로 설명됩니다. CAT 에 따르면, 언어적 수렴 (convergence) 은 단일 상호작용이 아닌 지속적인 노출을 통해 신뢰와 친밀감을 누적시킵니다.
  • LLM 이 사용자의 성격에 맞춰 일관된 어조를 유지할 때, 사용자는 개별 메시지보다는 전체적인 상호작용 경험을 통해 시스템과의 관계를 긍정적으로 형성합니다.
• 실무적 시사점:
  • 설계 관점: 행동 변화 시스템 설계 시 개별 메시지의 정교함보다는 **장기적인 일관성 (Consistency)**과 성격 기반의 누적 노출에 초점을 맞춰야 합니다.
  • 평가 관점: 기존의 즉각적인 반응 지표 (Immediate response metrics) 만으로는 개인화 효과를 제대로 측정할 수 없으며, 장기적 관계 지표를 포함한 평가 프레임워크가 필요합니다.
  • 자원 효율성: 고비용의 미세 조정 (Fine-tuning) 이나 RAG 없이도 잘 구성된 프롬프트로 성격 기반 개인화의 누적 효과를 달성할 수 있음을 보여주어, 리소스 제약이 있는 환경에서의 배포 가능성을 제시했습니다.

5. 결론

이 연구는 LLM 기반의 행동 변화 시스템에서 성격 기반 개인화는 **단일 메시지의 최적화 (Optimization)**가 아니라 **누적된 노출을 통한 관계 형성 (Relational Process)**으로 작동함을 실증했습니다. 사용자는 개별 메시지의 세부적인 차이를 의식하지 못하더라도, 성격에 부합하는 일관된 커뮤니케이션을 지속적으로 경험할 때 시스템에 대한 전반적인 신뢰와 수용도를 높입니다. 이는 향후 인간-AI 상호작용 연구가 'Human-AI Relations'라는 새로운 관점에서 접근해야 함을 시사하며, 장기적인 종단 연구 (Longitudinal studies) 를 통한 검증이 필요함을 강조합니다.