Revisiting Northrop Frye's Four Myths Theory with Large Language Models

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 노스롭 프라이 (Northrop Frye) 의 '비평의 해부학'에 제시된 4 가지 기본 서사 장르 (코미디, 로맨스, 비극, 풍자) 와 계절/인생 주기의 대응 이론은 문학 비평에 지대한 영향을 미쳤습니다.
• 문제: 기존 컴퓨테이셔널 (계산적) 접근법은 주로 서사 패턴 (narrative patterns) 에 초점을 맞추었지, 캐릭터 기능 (character functions) 에 대한 체계적인 분석은 부족했습니다.
• 목표: 프라이의 장르 이론을 칼 구스타프 융 (Carl Gustav Jung) 의 분석 심리학 (특히 원형 이론) 과 결합하여, 각 장르에서 캐릭터가 수행하는 보편적 기능과 장르별 특수한 역할을 정의하고, 이를 대규모 언어 모델 (LLM) 을 통해 검증하는 새로운 프레임워크를 제시하는 것입니다.

2. 방법론 (Methodology)

A. 이론적 프레임워크 구축

1. 융의 원형과 캐릭터 기능 매핑:
   • 융의 정신 구조 (Ego, Persona, Shadow, Anima) 를 4 가지 보편적 캐릭터 기능으로 변환했습니다.
   • Protagonist (주인공): Ego (자아)
   • Mentor (멘토): Persona → Wise Old Man (현명한 노인)
   • Antagonist (악역): Shadow (그림자)
   • Companion (동반자): Anima (영혼의 이미지)
2. 장르별 역할 특수화 (Specialization):
   • 4 가지 기본 기능을 프라이의 4 가지 장르 (코미디, 로맨스, 비극, 풍자) 에 적용하여 16 가지 장르별 특수 역할로 세분화했습니다.
   • 예: 코미디의 'Protagonist'는 'lad in love (사랑에 빠진 청년)', 풍자의 'Antagonist'는 'dystopian idol (디스토피아적 우상)' 등으로 정의됨.
   • 이 매핑은 각 장르의 대표작 (Le Bourgeois Gentilhomme, Ramayana, Macbeth, 1984 등) 을 프로토타입으로 분석하여 도출되었습니다.

B. 실험적 검증 (Experimental Validation)

1. 데이터셋 구성:
   • 양성 샘플 (Positive Samples): 4 개 장르별 10 작품씩 총 40 작품 (160 개 캐릭터 - 역할 대응 관계). GPT-5.2 를 활용해 후보를 생성한 후 전문가가 검증.
   • 음성 샘플 (Negative Samples): 양성 샘플 중 20 개를 선정하여, 역할과 캐릭터를 의도적으로 잘못 매칭한 30 개의 오류 데이터 생성 (주요/부수적 캐릭터 교체, 역할 간 교체 등).
2. 모델 평가 프로토콜:
   • 사용 모델: Claude Opus 4.5, DeepSeek R1, Gemini 2.5 Pro, GPT OSS, Llama 4, Qwen 3 등 최신 LLM 6 개.
   • 태스크: 주어진 이야기와 캐릭터 - 역할 대응 관계가 서사 구조상 타당한지 (Justified) 판단하도록 요청.
   • 지표: 재현율 (Recall, 유효 대응 식별 능력), 특이도 (Specificity, 오류 대응 거부 능력), 균형 정확도 (Balanced Accuracy).

3. 주요 기여 (Key Contributions)

1. 융 - 프라이 통합 캐릭터 기능 프레임워크: 융의 심리학적 원형을 프라이의 장르 이론과 결합하여 4 가지 보편 기능과 16 가지 장르별 구체적 역할을 체계적으로 정의한 최초의 계산적 모델 중 하나입니다.
2. LLM 기반 서사 분석 방법론: LLM 을 단순한 텍스트 생성 도구가 아닌, 서사 구조와 캐릭터 기능을 분석하는 '분석 도구'로 활용하여 이론적 프레임워크를 검증하는 새로운 패러다임을 제시했습니다.
3. 계산적 서사학 (Computational Narratology) 의 이론적 검증: 인간이 정의한 서사 이론이 다양한 LLM 에 의해 일관되게 인식될 수 있음을 실증적으로 증명했습니다.

4. 실험 결과 (Results)

• 전체 성능: 6 개 모델의 평균 균형 정확도 (Balanced Accuracy) 는 **82.5%**로, 무작위 추측 (50%) 을 크게 상회했습니다.
• 모델 간 일치도: 모델 간 일관된 판단을 보였으며, Fleiss'κ는 0.600으로 '상당한 (substantial)' 일치도를 나타냈습니다. 이는 프레임워크가 모델 특유의 편향이 아닌 서사 데이터의 구조적 특성을 포착했음을 시사합니다.
• 장르별 성능 차이:
  • 비극 (Tragedy, 89.9%) 과 코미디 (Comedy, 85.0%): 구조가 명확하여 성능이 높음.
  • 로맨스 (Romance, 78.8%): 특이도는 높으나 재현율이 낮음 (67.9%). '도움자 (Donor)' 역할이 여러 캐릭터에 분산되거나 부재할 수 있어 식별이 어려웠음.
  • 풍자 (Satire, 77.1%): 성능이 가장 낮았으며, 역할의 모호성과 의도적인 원형 전복 (subversion) 으로 인해 유효/무효 구분이 어려웠음.
• 역할별 성능:
  • 주인공 (Protagonist) 과 악역 (Antagonist): 모든 장르에서 높은 성능 (특이도 100% 에 근접) 을 보임.
  • 동반자 (Companion) 역할: 성능 편차가 가장 큼 (52.5% ~ 90.8%). 특히 풍자의 '반란 파트너'와 로맨스의 '충실한 희생자'는 식별이 가장 어려웠음.

5. 의의 및 결론 (Significance)

• 이론과 컴퓨팅의 융합: 인문학의 고전적 이론 (프라이, 융) 을 컴퓨테이셔널 방법으로 검증하고 정교화할 수 있음을 입증했습니다.
• 상호작용적 스토리텔링 및 생성 AI: 정의된 16 가지 특수 역할은 인터랙티브 스토리텔링 시스템에서 캐릭터 행동을 제어하거나, 자동화된 서사 생성 알고리즘의 제약 조건 (constraints) 으로 활용될 수 있는 실용적인 자원입니다.
• 미래 연구 방향:
  • 성별에 따른 원형의 차이 (예: 여성 주인공의 경우 Anima 대신 Animus 적용 필요성) 탐구.
  • 서사 구조를 강화하는 보조 캐릭터 (풍자에서의 희생양, 비극에서의 경고자 등) 에 대한 기능 확장.
  • 패턴 기반 분석과 캐릭터 기능 기반 분석을 결합한 고도화된 서사 생성 시스템 개발.

요약하자면, 이 논문은 LLM 을 활용하여 노스롭 프라이의 장르 이론과 융의 원형 이론을 결합한 캐릭터 기능 프레임워크를 성공적으로 정립하고 검증하였으며, 이는 계산적 서사학의 이론적 기반을 강화하고 향후 스토리텔링 AI 기술 발전에 중요한 토대를 마련했다는 점에서 의의가 큽니다.