Eigenmood Space: Uncertainty-Aware Spectral Graph Analysis of Psychological Patterns in Classical Persian Poetry

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 고전 페르시아 시는 은유, 상호텍스트성, 수사적 우회 등을 통해 정서적 삶을 표현하는 방대한 아카이브입니다. 이는 전통적으로 '밀독 (close reading)'을 필요로 하지만, 대규모 코퍼스에서의 재현 가능한 비교 분석을 어렵게 만듭니다.
• 문제점:
  1. 불확실성 (Uncertainty): 문학 텍스트의 모호성으로 인해 자동 주석 (자동 태깅) 시 과도한 확신을 가진 라벨링이 발생할 수 있으며, 이는 잘못된 결론으로 이어질 수 있습니다.
  2. 해석적 위험: 현대 심리학적 개념을 고전 텍스트에 적용할 때, 이를 문자 그대로의 임상적 진단으로 오해할 수 있는 위험 (아나크로니즘) 이 존재합니다.
  3. 확장성 한계: 수만 구의 시를 대상으로 한 정량적 분석에서 시인별 심리적 특이성을 측정하고, 이를 해석 가능한 증거와 연결하는 체계적인 프레임워크가 부족합니다.

2. 제안 방법론 (Methodology)

저자들은 불확실성 인식 (Uncertainty-Aware) 컴퓨팅 프레임워크를 제안하며, 다음과 같은 핵심 단계를 거칩니다.

가. 데이터 및 주석 (Data & Annotation)

• 코퍼스: 10 명의 시인 (하페즈, 오마르 카얌, 사디 등) 의 61,573 구절로 구성된 페르시아 고전 시 코퍼스 (Ganjoor 기반).
• LLM 기반 멀티레이블 주석: Gemini 2.5 Flash 모델을 사용하여 각 시구 (verse) 에 대해 9 가지 심리 개념 (예: 멜랑콜리아, 정서적 의존성, 낭만적 집착 등) 을 태깅합니다.
• 불확실성 신호:
  • 신뢰도 점수 (Confidence Score): 각 라벨에 대한 0~1 사이의 신뢰도.
  • 기피 (Abstention): 모델이 해당 시구를 심리학적 온톨로지에 명확히 매핑할 수 없을 때 '기피' 플래그를 설정합니다. 이는 부정적 증거가 아닌 '비-의결 (non-commitment)'로 처리됩니다.

나. 불확실성 인식 집계 (Uncertainty-Aware Aggregation)

• Poet × Concept 행렬: 각 시인의 시구별 신뢰도 가중치와 기피 여부를 고려하여 개념별 질량 (mass) 을 집계합니다.
• 확률 분포: 각 시인을 개념에 대한 확률 분포로 모델링하며, 전체 코퍼스의 기준선 (Baseline) 과 비교합니다.

다. 개인성 측정 (Individuality Quantification)

• 발산 (Divergence): 각 시인의 분포와 기준선 분포 간의 차이를 Jensen-Shannon (JS) 발산 및 Kullback-Leibler (KL) 발산으로 정량화하여 '시인별 심리적 개인성'을 측정합니다.

라. Eigenmood 공간 (Spectral Graph Analysis)

• 공발생 그래프 (Co-occurrence Graph): 시구 내에서 개념들이 함께 나타나는 패턴을 신뢰도 가중치로 연결한 그래프를 구축합니다.
• 라플라시안 스펙트럼 분해: 그래프 라플라시안 행렬의 고유벡터를 계산하여 Eigenmood Embedding을 생성합니다.
  • 이는 단순한 개념 빈도가 아닌, 개념 간의 **관계적 구조 (relational structure)**를 반영한 잠재 공간입니다.
  • 시인들은 이 공간에서 기준선으로부터 벗어난 방향 (Direction) 과 크기 (Magnitude) 로 위치하게 됩니다.

마. 검증 및 편향 분석

• 신뢰도 임계값 분석: 낮은 신뢰도 라벨을 제거했을 때 결과의 강건성 (Robustness) 을 검증합니다.
• 선택 편향 (Selection Bias): '기피 (Abstention)'를 하나의 범주로 간주하여 시인별 개인성 순위가 어떻게 변하는지 분석합니다.
• 인간 평가: 심리학 전문가 2 인이 표본 시구에 대해 주석의 정확성과 기피의 적절성을 평가하여 모델의 신뢰도를 검증합니다.

3. 주요 기여 (Key Contributions)

1. 불확실성 인식 심리 프로파일링 프레임워크: 고전 문학 분석에 있어 불확실성 (기피 및 신뢰도) 을 1 순위 변수로 취급하여, 집계부터 추론까지 불확실성을 전파하는 새로운 방법론을 제시했습니다.
2. Eigenmood 공간: 단순한 개념 빈도 분석을 넘어, 개념 간의 공발생 구조를 스펙트럼 그래프 분석을 통해 'Eigenmood'라는 차원으로 변환하여 시인별 심리적 특성의 '방향성'을 포착했습니다.
3. 거리에서 근접으로 (Distant-to-Close) 워크플로우: 시인 수준의 통계적 요약 (거리) 에서부터 Eigenmood 축을 따라 추출된 구체적인 시구 예시 (근접) 로 이어지는 해석 가능한 분석 파이프라인을 구축했습니다.
4. 선택 편향 진단: '기피'가 단순한 누락이 아닌 구조적 신호임을 규명하고, 이를 고려한 편향 분석 도구를 제공했습니다.

4. 주요 결과 (Results)

• 데이터 통계: 전체 시구의 **22.2% 가 기피 (Abstention)**되었습니다. 이는 자동 주석의 불확실성이 무시할 수 없는 수준임을 보여줍니다.
• 시인별 개인성:
  • 가장 이질적인 시인: 오마르 카얌 (Khayyam) 이 가장 큰 발산 (DJS = 0.0901) 을 보였으며, 주로 '멜랑콜리아'와 '정체성 분열 (Identity Fragmentation)'이 높고 '정서적 의존성'이 낮았습니다.
  • 기준선에 가까운 시인: 하페즈 (Hafez) 와 샤리아르 (Shahriar) 는 코퍼스 기준선과 매우 유사한 분포를 보였습니다.
• Eigenmood 해석:
  • EM1: 영적 자아도취 (Spiritual Narcissism) vs. 우울한 의존 (Melancholic Dependence)
  • EM2: 내적 투사 (Internal Projection) vs. 분열된 자아 (Identity Fragmentation)
  • EM3: 양가적 애착 (Ambivalent Attachment) vs. 존재론적 분열
• 검증 결과:
  • 두 명의 annotator 간 일치도 (Cohen's κ) 는 0.818로 높았습니다.
  • 모델의 예측 정밀도 (Precision) 는 0.800, 재현율 (Recall) 은 0.792였습니다.
  • 신뢰도 임계값을 높일수록 예측 정확도가 증가하는 Coverage-Risk Trade-off가 확인되었습니다.
• 강건성: 신뢰도 가중치를 제거하거나 임계값을 변경하더라도 시인별 순위와 Eigenmood 좌표는 높은 상관관계 (ρ > 0.96) 를 유지하여 방법론의 안정성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 디지털 인문학 (Digital Humanities) 의 새로운 패러다임: 이 연구는 대규모 텍스트 분석을 수행하면서도 해석적 주의 (interpretive caution) 를 유지하는 방법을 제시합니다. 불확실성을 숨기지 않고 전파함으로써, 통계적 결과가 어떻게 생성되었는지 투명하게 보여줍니다.
• 역사적 텍스트의 심리학적 분석: 시인의 심리적 상태를 임상적으로 진단하는 것이 아니라, 텍스트가 어떻게 특정 정서적 구성을 '무대화 (staging)'하는지에 대한 문화심리학적 프로파일을 제공합니다.
• 해석의 확장: Eigenmood 공간을 통해 시인별 특유의 정서적 방향성을 시각화하고, 이를 바탕으로 구체적인 시구를 검색하여 '거리 (대규모 통계)'와 '근접 (세밀한 해석)'을 연결하는 새로운 연구 워크플로우를 가능하게 합니다.

이 논문은 고전 문학의 정서적 복잡성을 계산적으로 분석할 때, 불확실성 모델링과 그래프 기반 스펙트럼 분석이 어떻게 결합되어 더 정교하고 검증 가능한 인사이트를 제공할 수 있는지를 보여주는 중요한 사례입니다.