Complex networks map test anxiety and wellbeing levels in students and ChatGPT

이 논문은 행동적 포맷 멘티스 네트워크 (BFMNs) 를 활용하여 학생들의 시험 불안과 안녕감이 AI 시뮬레이션과 어떻게 다른지 정량적으로 분석하고, 인간 학생들은 '시험'과 '불안' 개념을 감정적으로 밀접하게 연결하는 반면 전문가와 AI 는 더 중립적이거나 추상적으로 인식함을 규명했습니다.

핵심

이 논문은 **"시험을 볼 때 우리 머릿속에서 무슨 일이 일어나는지, 그리고 인공지능 (AI) 이 그걸 얼마나 잘 이해하는지"**를 새로운 방법으로 연구한 흥미로운 결과입니다.

간단히 말해, 연구진은 학생들의 머릿속을 **'개념들의 지도 (네트워크)'**로 그려보았습니다. 그리고 그 지도를 통해 시험에 대한 두려움과 행복의 개념이 어떻게 연결되어 있는지, 그리고 AI 가 만든 '디지털 학생'의 지도는 실제 학생들과 어떻게 다른지 비교했습니다.

이 연구의 핵심 내용을 일상적인 비유로 설명해 드릴게요.

---

1. 연구 방법: "머릿속의 연결 지도 그리기" 🗺️

연구진은 학생들에게 "시험 (Exam)"이나 "성적 (Grade)" 같은 단어를 주고, 그 단어를 들었을 때 가장 먼저 떠오르는 단어 3 개를 말하게 했습니다. 그리고 그 단어들이 어떤 감정 (기분 좋은지, 나쁜지) 을 연상시키는지 점수를 매겼습니다.

이걸 컴퓨터로 분석하면, 머릿속 개념들이 어떻게 연결되어 있는지 네트워크 지도가 만들어집니다.

• 실제 학생들: 시험을 들으면 '불안', '실패', '압박' 같은 부정적인 단어들이 빽빽하게 연결되어 있습니다.
• AI(챗GPT) 가 만든 학생: AI 도 비슷하게 부정적인 단어를 연결했지만, 실제 학생들의 '생생한 경험'과는 미묘한 차이가 있었습니다.

2. 주요 발견 1: 시험과 성적은 '나쁜 친구'들 사이에서 자란다 😟

모든 학생들 (고등학생, 대학생, 심리학 전공자 등) 의 머릿속 지도를 보니, '시험'과 '성적'이라는 개념은 거의 항상 '불안', '실패', '스트레스'라는 나쁜 친구들 사이에서 둘러싸여 있었습니다.

• 비유: 시험이라는 개념이 혼자 서 있는 게 아니라, 마치 무서운 괴물들이 에워싸고 있는 것처럼 부정적인 감정들이 꽉 차 있습니다.
• 예외: 유일하게 **'전문가들 (STEM 전문가)'**만 달랐습니다. 그들에게 시험은 '업무'나 '절차'처럼 중립적이고 구체적인 개념이었습니다. 마치 요리사가 '칼질'을 할 때 두려움보다는 '기술'로만 느끼는 것과 비슷합니다.

3. 주요 발견 2: AI 는 '의사'처럼 말하지만, 학생은 '현장'을 느낀다 🏥 vs 🏫

이 연구의 가장 놀라운 부분은 인간과 AI 의 차이를 발견한 것입니다.

• 인간 학생들의 '불안':

  • 학생들에게 '불안'을 떠올리게 하면, 머릿속에는 구체적인 학교 생활이 떠올랐습니다. "시험", "성적", "선생님", "시간 제한" 같은 실제 경험들입니다.
  • 비유: 학생들에게 불안은 "내일 시험이 있는데, 공부를 못 해서 떨어질까 봐 무서운" 구체적인 상황입니다.

• AI(디지털 학생) 의 '불안':

  • AI 가 만든 학생들은 '불안'을 떠올릴 때 추상적이고 임상적인 단어를 많이 썼습니다. "공포", "스트레스", "정신 질환" 같은 말들입니다.
  • 비유: AI 에게 불안은 **"의학 사전에 나오는 증상"**처럼 느껴집니다. 실제 시험장에서 떨리는 심장이 아니라, 책에서 읽은 '불안'에 대한 정의에 가깝습니다.

핵심 차이: AI 는 사람들이 "불안"에 대해 어떻게 말하는지는 잘 알고 있지만, 불안을 어떻게 경험하는지는 모릅니다. 인간은 시험이라는 구체적인 상황과 불안을 강하게 연결하지만, AI 는 둘을 따로따로 생각합니다.

4. 주요 발견 3: 행복 (Wellbeing) 도 다르게 느껴진다 🌿

• 인간: "행복"이나 "웰빙"을 말할 때 학생들은 구체적인 생활을 떠올렸습니다. "잠자기", "운동", "친구와 대화하기" 같은 일상적인 행동들입니다.
• AI: AI 는 "행복"을 말할 때 심리 치료나 의학 관련 단어를 많이 썼습니다. "치료", "심리 상담" 같은 말들입니다.
• 비유: 인간에게 행복은 "오늘 맛있는 거 먹고 푹 자는 것"이지만, AI 에게는 "심리학적 정의에 맞는 상태"로 느껴집니다.

5. 결론: 왜 이 연구가 중요할까? 🎓

이 연구는 두 가지 중요한 이야기를 합니다.

1. 시험 불안은 단순한 감정이 아니라, 머릿속 구조의 문제입니다.
   학생들은 시험을 '배움의 기회'가 아니라 '위협'으로 인식하고, 그 개념이 머릿속에서 부정적인 감정들과 너무 깊게 연결되어 있습니다. 특히 불안이 심한 학생들은 시험을 더 추상적이고 통제 불가능한 것으로 느낍니다. (예: "성적"이라는 게 내가 뭘 할 수 있는 게 아니라, 그냥 하늘에서 떨어지는 저주처럼 느껴짐)

   • 해결책: 시험을 더 구체적이고 통제 가능한 것 (예: "이 문제를 풀면 점수가 올라가는 구체적인 행동") 으로 바꾸는 교육이 필요하다는 뜻입니다.

2. AI 는 아직 인간의 마음을 완전히 흉내 낼 수 없습니다.
   AI 는 사람들이 시험에 대해 얼마나 스트레스를 받는지 '통계'는 알지만, 그 스트레스가 실제 생활 속에서 어떻게 느껴지는지는 모릅니다. AI 가 만든 '디지털 학생'은 실제 학생의 심리 치료사나 상담 도구로 쓰기에는 한계가 있습니다.

한 줄 요약:

"학생들의 머릿속 지도를 보니, 시험은 무서운 괴물들이 에워싼 곳이고, AI 는 그 괴물들의 이름을 잘 외우고 있지만, 실제로 그 괴물을 마주할 때의 떨림은 아직 모르고 있습니다."

이 연구는 우리가 학생들의 마음을 이해할 때, 단순히 점수나 설문지뿐만 아니라 **그들이 세상을 어떻게 연결하고 느끼는지 (네트워크 구조)**를 봐야 함을 알려줍니다.

기술 요약

논문 요약: 복잡한 네트워크를 통한 학생 및 ChatGPT 의 시험 불안과 웰빙 수준 매핑

1. 연구 배경 및 문제 제기 (Problem)

• 문제점: STEM(과학, 기술, 공학, 수학) 교육 환경에서 학업 평가 (시험, 성적) 는 학생들에게 심한 불안을 유발할 수 있습니다. 그러나 기존의 표준화된 심리 측정 도구 (설문지 등) 는 시험에 대한 학생들의 **의미론적 프레임 (semantic framing)**과 정서적 경험을 포착하는 데 한계가 있습니다.
• 연구 필요성: 시험 불안은 단순히 점수나 두려움의 수준이 아니라, 학습자가 평가와 관련된 개념을 어떻게 기억하고, 정서적으로 어떻게 연결하는지에 대한 인지적 네트워크 구조의 문제입니다. 또한, 대규모 언어 모델 (LLM) 이 인간의 인지적 정서 패턴을 얼마나 잘 모사하는지에 대한 검증이 부족합니다.
• 핵심 질문: 학생들은 시험과 성적을 어떻게 의미론적으로 구성하며, 이는 수학 불안 수준과 교육 단계에 따라 어떻게 달라지는가? 또한, 이러한 인간적 프레임은 AI(ChatGPT) 시뮬레이션과 어떻게 다른가?

2. 방법론 (Methodology)

이 연구는 **행동적 포마 멘티스 네트워크 (Behavioural Forma Mentis Networks, BFMNs)**를 활용하여 인간과 AI 의 인지 구조를 비교 분석했습니다.

• 참가자 (Participants): 총 994 명의 데이터로 구성되었습니다.
  • 인간 그룹: STEM 전문가 (59 명), 이탈리아 남부 고등학생 (159 명), 물리학 학부생 (10 명), 심리학 학부생 (301 명, 수학 불안 수준에 따라 고/저 그룹으로 분류).
  • AI 그룹: GPT-OSS 20B 를 사용하여 위 인간 그룹의 인구통계학적 프로필 (성별, 나이, 학년, 사회경제적 지위 등) 을 반영한 '디지털 트윈 (Digital Twins)'을 시뮬레이션했습니다.
• 데이터 수집 절차:
  1. 수학 불안 척도 (MAS-IT): 참가자의 불안 수준을 측정하여 그룹을 분류.
  2. 자유 연상 과제 (Free Association): '시험 (Exam)', '성적 (Grade)', '불안 (Anxiety)', '웰빙 (Wellbeing)' 등 핵심 cue 단어에 대해 즉각적인 연상 단어를 3 개까지 작성.
  3. 정서적 가치 평가 (Valence Attribution): 작성된 모든 단어에 대해 5 점 리커트 척도 (부정적중립적긍정적) 로 정서적 가치를 평가.
• 네트워크 분석 기법:
  • BFMN 구성: 노드는 개념 (단어), 링크는 자유 연상 관계를 나타내는 무방향 그래프로 구성.
  • 의미론적 프레임 (Semantic Frames): 특정 목표 단어 (예: Exam) 에 직접 연결된 개념들의 집합을 추출.
  • 정서적 분석: 정서 꽃 (Emotional Flower, Plutchik 모델 기반) 을 통해 주요 정서 (공포, 기대, 신뢰 등) 의 강도를 Z-score 로 계산.
  • 구체성 분석 (Concreteness Analysis): 개념이 구체적 (지각 가능) 인지 추상적인지 Brysbaert et al. (2024) 의 규준 데이터를 기반으로 Z-test 로 분석.
  • 중첩도 분석: '불안'과 '시험' 프레임 간의 Jaccard 지수를 계산하여 의미론적 유사성 측정.

3. 주요 기여 (Key Contributions)

1. BFMN 을 통한 정량적 프레임 분석: 시험 불안을 단일 점수가 아닌, 개념 간의 연결 구조와 정서적 군집 (clustering) 으로 분석할 수 있는 새로운 프레임워크를 제시했습니다.
2. 인간 vs. AI 인지 구조 비교: LLM 이 인간과 유사한 '문화적 서사 (negative framing)'는 학습할 수 있으나, **경험 기반의 구체적 연결 (experiential grounding)**은 모사하지 못함을 구조적으로 증명했습니다.
3. 불안의 구체성 (Concreteness) 발견: 고불안 그룹은 평가 관련 개념을 더 추상적으로 인식하는 반면, 전문가 그룹은 구체적으로 인식함을 발견하여 불안과 인지적 통제감의 관계를 규명했습니다.

4. 주요 결과 (Key Results)

• 시험 (Exam) 과 성적 (Grade) 의 부정적 프레임:

  • 모든 인간 학생 그룹에서 '시험'과 '성적'은 '실패', '불안', '압박' 등 부정적 개념과 강하게 연결되어 있었습니다.
  • **전문가 (Experts)**는 유일하게 '시험'을 중립적이고 구체적인 (과제, 절차, 결과) 개념으로 인식했습니다 (Z=1.87). 이는 경험과 전문성이 정서적 거리를 줄이고 구체성을 높임을 시사합니다.
  • AI 시뮬레이션: 인간과 유사하게 부정적 프레임을 보였으나, 인간보다 긍정적 연상이 더 적었고, '시험'과 '불안'의 연결이 인간보다 약했습니다.

• 불안 (Anxiety) 과 시험의 의미론적 중첩:

  • 인간: '불안'과 '시험'의 의미론적 프레임 중첩도 (Jaccard Index) 가 매우 높았습니다 (고불안 그룹 기준 0.13 이상). 이는 인간에게 불안이 학업적 맥락 (시험, 성적, 학교) 에 구조적으로 깊이 박혀 있음을 의미합니다.
  • AI: '불안'과 '시험'의 중첩도가 현저히 낮았습니다 (0.04 미만). AI 는 불안을 '공포', '스트레스', '정신병리' 등 추상적이고 임상적인 용어로만 정의할 뿐, 구체적인 학업 상황과 연결하지 못했습니다.
  • 결론: 인간의 불안은 '경험 기반 (situated)'인 반면, AI 의 불안은 '의미론적 지식 기반 (decontextualised)'입니다.

• 웰빙 (Wellbeing) 의 표현 차이:

  • 인간: 수면, 식습관, 운동 등 구체적인 일상 생활 습관과 연결됨.
  • AI: 심리 치료, 정신과적 진단 등 추상적이고 임상적인 개념과 연결됨.

• 정서적 패턴:

  • '시험' 프레임에서는 '공포'와 '기대 (anticipation)'가 우세했습니다.
  • '성적' 프레임에서는 부정적 연상과 중립적 연상이 공존하면서도 '신뢰 (trust)'가 통계적으로 유의미하게 나타났습니다 (제도적 정당성에 대한 인식과 정서적 위협 사이의 모순).

5. 의의 및 결론 (Significance & Conclusion)

• 인지적 메커니즘 규명: 시험 불안은 단순한 정서 반응이 아니라, 평가 개념이 추상화되고 통제 불가능하게 인식될 때 발생하는 구조적 현상임을 보여줍니다. 고불안 학생들은 성적을 구체적인 행동 결과보다는 추상적인 '판단'으로 인식하여 심리적 거리를 느끼고 불안을 증폭시킵니다.
• AI 모델의 한계와 가능성: LLM 은 인간 사회의 부정적 평가 문화를 학습하여 '무엇을 말하는가 (discourse)'는 모사할 수 있지만, '어떻게 경험하는가 (experience)'를 모사하지는 못합니다. 따라서 AI 를 심리적 진단 도구로 사용할 때는 신중한 검증이 필요합니다.
• 실천적 시사점:
  • 교육 현장에서는 평가 방식을 구체적이고 실행 가능한 (concrete and actionable) 피드백으로 전환하여 학생들의 통제감을 높여야 합니다.
  • BFMN 은 교육 개입의 효과를 정량적으로 모니터링하고, 학생들의 의미론적 프레임이 덜 위협적인 방향으로 변화하는지 추적하는 도구로 활용 가능합니다.

이 연구는 복잡한 네트워크 과학을 교육 심리학에 적용하여, 시험 불안의 본질을 '개념 간의 연결 구조'로 재정의하고 인간과 AI 의 인지적 차이를 명확히 규명한 선구적인 연구입니다.