From We to Me: Theory Informed Narrative Shift with Abductive Reasoning

이 논문은 사회적 과학 이론과 귀납적 추론을 기반으로 한 신경-상징적 접근법을 제안하여, 기존 대규모 언어 모델이 수행하기 어려운 '우리'에서 '나'로의 서사 전환 과제를 성공적으로 해결하고 원본 메시지의 충실도를 유지하면서도 서사적 일관성을 크게 향상시켰음을 보여줍니다.

핵심

이 논문은 **"이야기의 맛을 바꾸되, 이야기의 본질은 그대로 유지하는 방법"**에 대한 연구입니다.

마치 요리사가 같은 재료를 가지고 서양식 스테이크를 만들다가, 갑자기 동양식 불고기로 변신시키는 것과 비슷합니다. 하지만 여기서 중요한 점은, 고기 (원래 이야기의 핵심) 는 그대로 두면서 양념과 조리법 (문화적 관점) 만 바꾸는 것입니다.

이 연구가 해결하려는 문제와 그 방법은 다음과 같이 설명할 수 있습니다.

1. 문제: AI 는 '말'은 잘하지만 '맥락'을 바꾸는 건 서툴다

현재의 인공지능 (LLM) 은 글을 잘 쓰지만, 문화적 관점을 바꾸는 데는 약점이 있습니다.

• 예시: "함께 힘을 합쳐야 봄이 온다"라는 **집단주의 (우리)**적인 문장이 있습니다.
• 기존 AI: "함께 힘을 합쳐야..."라는 문장을 그대로 내뱉거나, 의미 없는 말만 지어냅니다. (변환 실패)
• 이 연구의 목표: 같은 상황 (봄이 온다) 을 유지하면서, "오직 한 명의 결단력 있는 영웅이 힘을 쓰면 봄이 온다"라는 **개인주의 (나)**적인 문장으로 자연스럽게 바꿔야 합니다.

2. 해결책: "수사학자 + 추리형 AI"의 팀워크 (신경-기호 접근법)

저자들은 AI 가 혼자서 임의로 글을 고치는 대신, 사회과학 이론과 **추리 (Abductive Reasoning)**를 결합한 새로운 방법을 썼습니다.

• 사회과학 이론 (레시피 책):
  연구진은 '개인주의'와 '집단주의'를 구분하는 20 가지 기준 (예: 목표는 개인이 세우는가, 그룹이 세우는가? 책임은 개인이 지는가, 다 같이 지는가?) 을 만들었습니다. 이는 마치 맛을 조절하는 저울과 같습니다.
• 추리 (Abductive Reasoning, detective work):
  AI 는 글을 읽으면서 "어디가 문제일까?"라고 추리합니다.
  • 추리 과정: "아! 이 문장에 '모두가 함께'라는 단어가 있구나. 이건 집단주의 냄새가 나네. 이걸 '한 명의 영웅'으로 바꾸면 개인주의 냄새가 날 거야."
  • 이 과정은 수사학자가 원고를 교정하듯, 어떤 부분만 살짝 건드려야 전체적인 맛 (이야기) 이 살아남으면서 방향이 바뀔지 계산합니다.

3. 작동 방식: 두 단계로 나누기

이 시스템은 두 단계로 작동합니다.

1. 학습 단계 (규칙 만들기):
   이미 개인주의나 집단주의로 잘 쓰인 이야기들을 분석해서, "어떤 단어가 나오면 개인주의 점수가 올라간다"는 규칙을 자동으로 배웁니다.
2. 변환 단계 (실전 적용):
   새로운 이야기를 주면, AI 가 규칙을 이용해 **"이 문장만 고치면 된다"**는 힌트를 찾습니다. 그리고 그 부분만 LLM 에게 "이걸 개인주의 스타일로 바꿔줘"라고 지시합니다. 나머지 부분은 건드리지 않아서 원래 이야기가 훼손되지 않습니다.

4. 결과: 더 똑똑하고 정확한 변환

실험 결과, 이 방법은 기존 AI(제로샷) 보다 훨씬 뛰어났습니다.

• 성공률: 개인주의를 집단주의로, 혹은 그 반대로 바꿀 때 성공률이 55% 이상이나 높아졌습니다.
• 원본 유지: 이야기를 바꾸면서도 원래 이야기의 '맛' (의미) 은 40% 이상 더 잘 보존했습니다. 기존 AI 는 이야기를 바꾸다 보니 원래 뜻이 뭉개져 버리는 경우가 많았는데, 이 방법은 원래 이야기를 해치지 않고 옷만 갈아입히는 효과를 냈습니다.
• 효율성: 이야기 전체를 다시 쓸 필요 없이, 중요한 부분 (약 32%) 만 살짝 수정해서 결과를 냈기 때문에 계산 자원도 아끼고 빠릅니다.

5. 한 줄 요약

이 연구는 **"AI 가 이야기를 번역할 때, 단순히 단어를 바꾸는 게 아니라 문화적 안경을 바꿔 끼는 법"**을 가르쳐 주었습니다.

마치 동화책을 번역할 때, 서양식 '영웅이 용을 잡는' 이야기를 동양식 '마을 사람들이 힘을 합쳐 용을 몰아낸' 이야기로 자연스럽게 바꿀 수 있게 해주는 지능형 편집자를 만든 것과 같습니다. 이는 외교, 뉴스, 마케팅 등 서로 다른 문화를 가진 사람들과 소통할 때 매우 유용하게 쓰일 수 있습니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 핵심 문제: 대규모 언어 모델 (LLM) 은 텍스트 생성에는 탁월하지만, 이야기의 문화적 서사 (Narrative) 방향 (예: 개인주의 vs 집단주의) 을 전환하면서도 원본 이야기의 핵심 의미와 사실성 (Fidelity) 을 유지하는 작업에는 큰 어려움을 겪습니다.
• 현재 한계: 제로샷 (Zero-shot) 프롬프트만으로는 LLM 이 서사의 핵심 마커 (예: "모든 손이"라는 표현) 를 식별하고 이를 목표 서사에 맞게 수정하는 데 실패하거나, 원본의 의미를 왜곡하여 일관성 없는 결과를 생성합니다.
• 목표: 텍스트의 서사적 지향점 (Individualistic ↔ Collectivistic) 을 체계적으로 변환하되, 원본 스토리의 핵심 사건과 의미는 보존하는 신경심볼릭 (Neurosymbolic) 접근법을 제안하는 것입니다.

2. 방법론 (Methodology)

이 연구는 사회과학 이론과 **귀납적 추론 (Abductive Reasoning)**을 결합한 2 단계 신경심볼릭 아키텍처를 사용합니다.

가. 이론적 기반 및 진단 도구

• 개인주의 vs 집단주의: 문화적 차원으로서의 개인주의 (자율성, 개인적 성취 강조) 와 집단주의 (상호의존성, 사회적 역할 강조) 를 정의합니다.
• 진단 설문 (Diagnostic Survey): 사회과학 전문가가 개발한 20 가지 항목의 구조화된 설문을 사용합니다. 각 항목은 개인주의적 서사와 집단주의적 서사를 양방향으로 평가하며, 총 40 개의 진단 질문을 통해 서사의 특성을 정량화합니다.

나. 논리적 프레임워크 (Abduction Formulation)

• 논리 언어: 이야기 ($s$) 를 조각 (chunks, $c$) 의 집합으로 표현하고, 서사 특징 ($f$) 을 논리 술어 (predicate) 로 매핑합니다.
• 주석 논리 (Annotated Logic): 각 사실에 신뢰도 (0~1) 를 부여하는 주석 (annotation) 을 사용하여 퍼지 논리를 확장합니다.
• 귀납적 추론 (Abduction) 문제 공식화:
  • 관측치 ($O$): 원본 이야기의 현재 서사 특징 (진단 결과).
  • 가설 ($H$): 이야기 조각을 수정하여 목표 서사 (개인주의 또는 집단주의) 로 전환할 수 있는 가능한 변경 사항.
  • 논리 프로그램 ($\Pi$): 서사 구조를 정의하는 규칙 집합.
  • 해석 ($E$): $O$를 $H$로 변환하여 목표 서사에 부합하도록 만드는 최소한의 수정 집합 (간명성 Parsimony 함수 최적화).

다. 2 단계 실행 프로세스

1. 1 단계: 규칙 학습 (Rule Learning)
   • 목표 서사 (개인주의 또는 집단주의) 를 가진 학습 코퍼스 (Training Corpus) 를 분석합니다.
   • 사회과학 이론 기반 진단을 통해 이야기 조각과 서사 특징 간의 관계를 학습하고, 논리 규칙 ($\Pi$) 을 추출합니다.
2. 2 단계: 반복적 귀납적 변환 (Iterative Abductive Transformation)
   • 테스트 스토리에 대해 진단을 수행하여 현재 서사 상태 ($O_t$) 를 파악합니다.
   • 귀납적 추론 알고리즘을 통해 어떤 이야기 조각 ($c$) 을 수정해야 목표 서사 특징을 달성할 수 있는지 식별합니다.
   • 식별된 조각만 LLM 에게 전달하여 목표 서사 방향으로 재작성 (Transform) 합니다.
   • 이 과정을 반복하여 최적의 변환된 스토리를 생성합니다.

3. 주요 기여 (Key Contributions)

• 이론 기반 서사 전환 프레임워크: 단순한 텍스트 스타일 전환을 넘어, 사회과학 이론 (개인주의/집단주의) 에 기반한 체계적인 서사 변환 방법을 제시했습니다.
• 귀납적 추론을 통한 정밀 제어: LLM 이 무작위로 텍스트를 변경하는 것이 아니라, 논리적 규칙을 통해 어떤 부분 (Chunk) 을 수정해야 하는지 정확히 지시하여 일관성을 확보했습니다.
• 신경심볼릭 접근의 효과 입증: 추론 (Symbolic) 과 생성 (Neural/LLM) 을 결합하여, 기존 제로샷 LLM 의 한계를 극복하고 높은 의미 보존율을 달성했습니다.

4. 실험 결과 (Results)

• 데이터셋: 118 개의 자연어 서사 (90 개 개인주의, 28 개 집단주의) 를 사용했습니다.
• 평가 지표:
  1. 진단 점수 (Diagnosis Score): 사회과학 설문을 통해 서사 전환 성공 여부를 측정.
  2. KL 발산 (KL Divergence): 변환된 이야기와 원본 이야기 간의 의미적 유사성 (Fidelity) 측정.
• 성능 비교 (GPT-4o 기준):
  • 집단주의 → 개인주의 (C→I) 전환: 제로샷 베이스라인 대비 55.88% 더 높은 서사 전환 성공률을 보였습니다.
  • 의미적 유사성: 베이스라인 대비 40.4% 더 높은 원본 의미 보존율 (KL 발산 감소) 을 달성했습니다.
  • 다른 모델: Llama-4, Grok-4, Deepseek-R1 에서도 유사하거나 경쟁력 있는 성능을 보였습니다. 특히 Deepseek-R1 은 베이스라인 성능이 높았으나, 제안된 방법은 원본 의미 보존 측면에서 더 우세했습니다.
• 효율성: 전체 토큰 중 평균 32.11% 만을 변환 대상으로 식별하여 LLM 호출 횟수를 줄이고 효율성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 문화적 적응성: 외교, 저널리즘, 정보 작전 등 다양한 분야에서 특정 대상 독자 (Audience) 의 문화적 세계관에 맞춰 메시지를 조정할 수 있는 강력한 도구를 제공합니다.
• LLM 의 한계 극복: LLM 이 문화적 뉘앙스를 이해하고 의도적으로 서사를 재구성하는 데 있어, 단순 프롬프팅보다는 도메인 지식 (사회과학 이론) 과 논리적 추론이 결합된 접근이 필수적임을 입증했습니다.
• 미래 방향: 더 풍부한 시간적 규칙 구조를 도입하거나, 특정 문화적 청중을 위한 맞춤형 서사 생성으로 확장할 수 있는 가능성을 제시합니다.

요약하자면, 이 논문은 LLM 이 문화적 서사를 변환할 때 발생하는 의미 손실과 일관성 문제를 해결하기 위해, 사회과학 이론을 논리적 규칙으로 변환하고 귀납적 추론을 통해 LLM 을 유도하는 혁신적인 신경심볼릭 방법론을 제안하고 그 유효성을 실증했습니다.