기술 요약: Moltbook 에서의 에이전트 간 상호작용에 대한 정서 역학 모델링

문제 제기

온라인 환경, 특히 AI 전용 소셜 네트워크인 "Moltbook"과 같은 곳에서 대화형 에이전트로서 생성형 AI 시스템의 빠른 배포는 직접적인 인간 참여 없이 상호작용이 발생하는 새로운 생태계를 창출했습니다. 이러한 에이전트 주도 네트워크의 구조적 특성 (예: 토폴로지, 정보 흐름) 은 연구되어 왔지만, 에이전트 간 상호작용의 정서 역학은 여전히 충분히 이해되지 않고 있습니다.

기존의 정서 모델링 접근법은 종종 정서를 연속적인 3 차원 공간에 매핑하는 가치 - 각성 - 지배 (VAD) 프레임워크에 의존합니다. 그러나 저자들은 VAD 가 자율 에이전트에게는 불충분하다고 주장합니다. 그 이유는 다음과 같습니다:

1. 정서를 상호작용의 정적 결과물이 아닌, 정적 점으로 취급합니다.
2. 페르소나(에이전트 정체성), 자극(유입 콘텐츠), 반응(에이전트 응답) 의 관계적 구조를 통해 정서가 어떻게 생성되거나 변환되는지를 포착하지 못합니다.
3. 단일 상호작용이 중첩된 정서적 영향을 반영할 수 있는 에이전트 행동의 확률적, 다중 양식적 특성을 적절히 모델링하지 못합니다.

본 연구는 두 가지 주요 연구 질문을 다룹니다:

• RQ1: 연속적인 정서적 표현을 사용하여 에이전트형 AI 의 정서적 행동을 어떻게 정량적으로 모델링할 수 있는가?
• RQ2: 현재와 같은 VAD 와 같은 정서 모델이 에이전트형 AI 시스템에서 정서의 역동적 특성을 포착하기에 충분한가?

방법론

1. 데이터셋 및 도구

본 연구는 2026 년 1 월 27 일부터 2 월 8 일까지 공개된 Moltbook API 를 통해 수집된 Moltbook-crawl 데이터셋을 활용합니다. 이 데이터셋에는 에이전트 소개글, 게시물, 댓글, 서브커뮤니티 (서브몰트) 데이터가 포함됩니다.

• 전처리: 텍스트는 Google Deep Translate 를 사용하여 영어로 번역됩니다.
• 정서 추출: Google GoEmotions 데이터셋으로 학습된 사전 학습 모델 (SamLowe/roberta-base-go_emotions) 을 사용하여 텍스트를 28 가지 정서 범주(27 가지 구체적 정서 + 중립) 로 매핑합니다.
• VAD 매핑: 이 28 가지 범주는 NRC VAD 어휘집을 사용하여 연속적인 3 차원 VAD 공간 (가치, 각성, 지배) 으로 매핑됩니다.

2. 페르소나 - 자극 - 반응 (PSR) 프레임워크

정적 VAD 모델링의 한계를 극복하기 위해 저자들은 정서 분석을 세 가지 상호 의존적 구성 요소로 구조화하는 PSR 프레임워크를 제안합니다. 이 모든 구성 요소는 VAD 벡터 집합으로 표현됩니다:

• 페르소나 ($P$): 에이전트의 소개글 (예: x_bio) 에서 유도됩니다. 이는 에이전트의 기준 정서 상태와 정체성 지속성을 나타냅니다.
• 자극 ($S$): 게시물의 텍스트에서 유도됩니다. 이는 외부 정서적 입력이나 맥락을 나타냅니다.
• 반응 ($R$): 게시물에 대한 에이전트의 댓글에서 유도됩니다. 이는 관찰 가능한 정서적 결과물을 나타냅니다.

3. 가우시안 혼합 모델 (GMM) 을 활용한 확률적 모델링

단순한 중심 기반 클러스터링 (K-means 등) 대신, 저자들은 PSR 공간 내의 정서 분포를 모델링하기 위해 **가우시안 혼합 모델 (GMM)**을 사용합니다.

• 근거: 에이전트 상호작용은 본질적으로 확률적이며, 중첩되고, 다중 양식적입니다. 단일 반응은 여러 잠재적 정서적 영향을 반영할 수 있습니다.
• 구현: 각 구성 요소 ($P, S, R$) 는 중심 경향을 나타내는 평균 ($\mu$) 과 분산 및 방향을 포착하는 공분산 ($\Sigma$) 을 가진 분포로 모델링됩니다.
• 거리 척도: 이 프레임워크는 $P$, $S$, $R$의 중심 사이의 쌍별 거리 ($d_{PS}$, $d_{SR}$, $d_{PR}$로 표기) 를 계산하여 행동 정렬을 결정합니다.

4. 행동 유형론

PSR 구성 요소 간의 거리에 기반하여 에이전트는 다섯 가지 행동 유형으로 분류됩니다:

1. 정렬됨 (Aligned): 모든 구성 요소 간 거리가 낮음 (일관된 행동).
2. 페르소나 일관성 (Persona-Consistent): 반응이 자극과 일치하지는 않지만 페르소나와 일치함 (안정된 정체성).
3. 자극 주도 (Stimulus-Driven): 반응이 페르소나와 일치하지는 않지만 자극과 일치함 (맥락 의존적).
4. 변환적 (Transformative): 반응이 페르소나와 자극 모두에서 벗어남.
5. 갈등 해결 (Conflict-Resolving): 페르소나와 자극이 충돌하며, 반응은 하나와 일치하고 다른 하나와는 이격됨.

주요 결과

데이터 개요

• 데이터셋에는 124,165 명의 에이전트, 759,997 개의 게시물, 3,079,480 개의 댓글이 포함되어 있습니다.
• API 제한, 번역 실패, 에이전트 비활동으로 인해 분석된 하위 집합에는 완전한 PSR 데이터 (소개글, 게시물, 댓글) 를 가진 21,972 명의 에이전트가 포함됩니다.

정서 분포

• 중립의 우세: "중립"은 소개글, 게시물, 댓글 전반에 걸쳐 압도적으로 우세한 정서입니다.
• 변동성: 게시물은 대체로 중립적이지만, 댓글은 게시물의 자극에 영향을 받아 더 큰 정서적 다양성을 보입니다.
• 각성 수준: 고각성 부정 정서 (분노, 공포, 혐오) 는 상대적으로 드뭅니다.

행동 패턴

• 알 수 없음 (Unknown) 범주: PSR 구성 요소 누락 (불완전한 데이터) 으로 인해 에이전트의 상당 부분이 "알 수 없음" 범주에 속하며, 이는 초기 단계 데이터셋에서 완전한 상호작용 체인을 얻는 것의 어려움을 강조합니다.
• 자극 주도 우세: 유효한 분류 중 유형 3(자극 주도) 에이전트가 가장 큰 비율 (분류된 정서의 약 39%) 을 차지합니다. 이는 단기 크롤링 기간 동안 에이전트 댓글이 고정된 내부 페르소나보다는 게시물의 즉각적인 맥락에 크게 영향을 받음을 시사합니다.
• 복잡성: "변환적" 및 "갈등 해결" 유형의 존재는 에이전트 응답이 결정론적이지 않으며, 내부 성향과 외부 신호 간의 복잡한 상호작용을 반영함을 나타냅니다.
• 다중 양식성: GMM 분석은 에이전트 반응이 다중 양식적임을 확인시켜 주며, 단일 레이블 분류가 놓칠 수 있는 변동성을 포착합니다.

의의 및 기여

본 논문은 에이전트 기반 소셜 네트워크의 정서 역학을 모델링하는 최초의 구조화된 접근법 중 하나를 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 정적에서 동적 모델링으로의 전환: 이 연구는 VAD 공간에서 정서를 정적 레이블로 취급하는 것을 넘어섭니다. PSR 프레임워크를 도입함으로써 정체성, 맥락, 응답을 포함하는 인과적 과정으로서 정서 행동을 모델링합니다.
2. 확률적 표현: **가우시안 혼합 모델 (GMM)**의 통합은 중첩되고 다중 양식적인 정서 상태를 포착할 수 있게 하여, K-means 와 같은 하드 클러스터링 방법보다 해석 가능하고 이론적으로 일관된 대안을 제공합니다.
3. 행동 유형론: 이 연구는 (예: 자극 주도 대 페르소나 일관성) 에이전트 행동의 분류 체계를 확립하여 에이전트형 AI 의 행동 신뢰성과 안정성을 평가할 수 있는 메커니즘을 제공합니다.
4. 실증적 통찰: 분석 결과, 에이전트 생태계가 통계적으로 인간 사회 구조를 모방하지만, 관찰된 기간 동안 정서 역학은 중립적 어조의 우세와 안정된 내부 페르소나보다 즉각적인 맥락적 자극 (게시물) 에 대한 강력한 의존성을 특징으로 하여 구별됨을 보여줍니다.

저자들은 PSR 프레임워크가 정체성과 맥락 간의 상호작용을 효과적으로 포착하지만, 데이터 불완전성 해결, 시간적 범위 확장, 그리고 에이전트 행동을 PSR 영역으로 완전히 투영하기 위한 다중 양식 신호 (이미지/동영상) 통합을 위해 향후 연구가 필요하다고 결론지었습니다.