기술적 요약: 당신은 자신의 상태를 통제합니다

문제 진술

본 논문이 다루는 핵심 난제는 인간 행동 내의 개인 내 변이성의 지속성입니다. 심리학, 행동경제학, 계산정신의학 전반에 걸친 경험적 관찰은 동일한 관찰 가능한 입력을 받은 동일한 개인이 서로 다른 시기에 상이한 결과를 산출함을 보여줍니다. 반대로, 명목상 유사한 조건 하에 있는 서로 다른 개인들은 관찰 가능한 공변량 (예: 기분, 수면, 하루 중 시간) 이나 상호작용 항으로 완전히 예측할 수 없는 비균일한 결과를 산출합니다.

현재의 상관관계 기반 개인화 시스템은 이러한 잔차 변이성을 설명하지 못하며, 종종 이를 노이즈로 취급합니다. 저자들은 이 변이성이 무작위 오차가 아니라 인간 인지의 실제적이고 특징화 가능한 특성의 서명이라고 주장합니다. 즉, 입력이 처리되는 순간의 개인의 동적 잠재 상태입니다. 개인을 정적 특징 벡터로 취급하는 기존 모델은 의사결정을 지배하는 생물학적, 생리학적, 신경심리학적 차원의 시간 인덱싱 가중치를 무시하기 때문에 불충분합니다.

방법론 및 프레임워크

본 논문은 사전 등록된 임상 또는 경험적 연구가 아닌 **입장 기여 (position contribution)**입니다. 인과 추론, 예측 처리, 알로스타시스, 주의 대역폭, 시간생물학, 계산정신의학이라는 여섯 가지 확립된 문헌 흐름에 기반한 이론적 프레임워크를 개발합니다.

핵심 방법론은 다음과 같습니다:

1. 가중치 벡터로서의 상태 정의: 저자들은 상태 ($S_t$) 를 정적 특징 벡터가 아닌, 사건 ($X_t$) 이 어떻게 평가되어 결정 ($A_t$) 과 결과 ($Y_t$) 를 산출하는지를 결정하는 차원 (생물학적, 생리학적, 신경심리학적) 에 대한 시간 인덱싱 가중치 벡터로 정의합니다.
2. 인과 구조: 상태, 결정, 결과 간의 관계는 상관관계가 아닌 인과관계로 가정됩니다. 이 프레임워크는 퍼르 (Pearl) 의 인과 계층을 활용하여 관찰 분포가 개입 결과를 결정하지 못함을 주장합니다.
3. 대역폭 논증: 본 논문은 "주의 병목 현상" (약 $10^{11}$개의 신경 사건과 약 40~60 비트의 의식적 보고 사이의 간극) 을 활용하여, 의식적 언어적 서사는 현실의 상태 의존적 압축임을 주장하며, 따라서 개입의 부적절한 대상이 됨을 논증합니다.
4. 관찰적 맥락: 이 프레임워크는 네 가지 직업적 페르소나 (학생, 개발자, 창업자, 연구자) 에 걸친 20 만 명 이상의 동의 사용자를 포함하는 배포된 행동 플랫폼의 24 개월 (2023~2026 년) 관찰 창에 의해 동기부여됩니다. 저자들은 프레임워크를 뒷받침하기 위해 이 배포에서 얻은 집계 질적 패턴을 보고하지만, 본 논문에는 정량적 효과 크기 및 임상 측정이 보고되지 않았음을 명시적으로 밝힙니다.

주요 기여

1. 이론적 공식화

• 동적 가중 변수로서의 상태: 본 논문은 상태를 서서히 (일주기), 중간 (사회/직장), 빠르게 (즉각적 사건) 업데이트되는 연산자를 통해 진화하는 잠재 벡터로 공식화합니다. 동일한 관찰 가능한 특징이 서로 다른 결과를 산출할 수 있는 이유는 해당 특징들의 가중치가 상태에 따라 변하기 때문이라고 가정합니다.
• 인과 경로 식별: 저자들은 상태를 결과로 이어지는 인과 경로를 세 가지 중간 채널을 통해 매핑합니다:
  • 생물학: HPA 축 역학, 내분비 신호 전달.
  • 생리학: 심박 변이성, 수면 구조, 에너지 가용성.
  • 신경심리학: 주의 할당, 평가, 작업 기억.
  • 중요하게도, 결정 자체는 상태에 의해 결정되는 필터링 과정의 하류에 위치하므로, 가장 비효율적인 개입 지점으로 식별됩니다.

2. 상태 인식 시스템의 운영 요구사항

본 논문은 현재 상관관계 기준선과 대비하여, 상태 조건부 개입을 지원하려는 모든 시스템이 충족해야 하는 여섯 가지 운영 요구사항을 도출합니다:

• C1. 실시간 상태 추정: 상태 역학에 맞는 주기 (예: 일별이 아닌 시간별) 로 작동해야 합니다.
• C2. 인과 경로 귀속: 결과의 분산을 단순 연관성이 아닌 특정 채널 (생물/생리/신경) 에 귀속해야 합니다.
• C3. 개입 타이밍: 참여 유발 신호가 아닌 상태 전환 창을 타겟팅해야 합니다.
• C4. 개인별 결과 예측: 집단 평균이 아닌 개인 수준에서 확률적 예측을 산출해야 합니다.
• C5. 반사실 재생: 과거 에피소드에 대한 대안적 개입 하에서 무엇이 발생했는지 재구성할 수 있어야 합니다.
• C6. 복지 분리: 근접 참여 신호와 원거리 복지 신호를 구조적으로 분리해야 합니다.

3. 검증 가능한 예측

이 프레임워크는 상관관계 모델과 상태 인식 모델을 구분하기 위해 일곱 가지 반증 가능한 예측을 제시합니다:

• P1: (고정된 사건에 대한) 개인 내 결과 분산이 개인 간 분산보다 큽니다.
• P2: 상태 인식 모델은 분산의 특정 인과 채널을 복원할 수 있지만, 상관관계 모델은 그렇지 못합니다.
• P3: 개입 타이밍 (상태 전환과의 근접성) 은 효과 크기에서 개입 내용보다 지배적입니다.
• P4: 상태 인식 시스템은 관찰 깊이에 따라 개인별 예측 보정이 개선되지만, 상관관계 기준선은 정체되거나 악화됩니다.
• P5: 상태 인식 시스템은 짝을 이룬 에피소드 예측에서 반사실적 일관성을 보이지만, 상관관계 기준선은 대칭성 테스트에서 실패합니다.
• P6: 상태 인식 시스템은 통제된 참여 비용으로 원거리 복지를 최적화할 수 있지만, 상관관계 시스템은 급격한 트레이드오프 한계에 직면합니다.
• P7: 구조적 상태 역학은 페르소나 간에 일반화되는 반면, 한 페르소나에 대해 훈련된 상관관계 모델은 다른 페르소나로 전이되지 못합니다.

결과 및 관찰적 발견

입장 논문으로서 저자들은 통계적 결과나 정량적 발견을 보고하지 않습니다. 대신 프레임워크와 일관된 24 개월 배포에서 관찰된 질적 패턴을 보고합니다:

• 주 내 규칙성: 요일 효과 (예: 월요일 vs 금요일) 는 개별 사건 특징을 압도하는 상태 궤적을 위한 안정적인 "봉투"를 생성합니다.
• 이모달 개입 결과: 개입이 상태 전환 창과 관련하여 타이밍될 때, 결과는 이모달로 군집합니다 (고효과 vs 저/무효과). 타이밍을 평균화하는 참여 유발 시스템은 이 신호를 잃습니다.
• 분산 계층: 페르소나 내 분산은 페르소나 간 분산보다 일관되게 크며, 이는 상태가 결과 예측에 있어 직업적 페르소나보다 더 중요한 변수임을 시사합니다.
• 타이밍 민감성: 배포는 "상태 전환 창에서 제공된 소규모 개입"이 "불리한 시기에 제공된 유용한 개입"보다 과도한 효과를 가질 수 있음을 시사합니다.

중요성 및 주장

본 논문은 상관관계를 넘어선 인간 결과에 대한 처방적이고 운영적인 설명을 제공한다고 주장합니다. 그 중요성은 다음과 같습니다:

1. 통제 재정의: 인간 결과는 통제 가능하지만, 결과를 직접 의지하거나 결정 층에 노력을 더하는 것이 아니라 상태와 개입 타이밍에 대한 개입을 통해서만 가능합니다. 통제는 상태 궤적에 조건부입니다.
2. 현재 AI 에 대한 비판: AI 개인화의 기본 아키텍처 (사용자 특징 $\times$ 맥락 $\to$ 참여) 는 안정적인 특징이 아닌 시간 인덱싱 상태에 작동하고 참여를 복지와 혼동하기 때문에, 인간 복지 문제와 구조적으로 정렬되지 않았다고 주장합니다.
3. 디자인 시사점: 디지털 건강, 교육, AI 시스템을 위한 청사진을 제공하며, "타이밍은 콘텐츠 최적화 위에 얹어진 사소한 개선이 아니라 더 큰 레버"라고 주장합니다.
4. 윤리적 입장: 상태 인식 시스템은 상관관계 시스템보다 더 강력한 도구이므로, 사용자 복지를 희생하여 참여를 추출하는 것을 방지하기 위해 엄격한 "복지 분리"가 필요하다고 주장합니다.

저자들은 자신의 주장을 명시적으로 제한합니다: 특정 개입이 작동한다고 주장하지 않으며, 플랫폼이 임상 도구라고 주장하지도 않습니다. 경험적 관찰은 동기부여 맥락으로 기능하며, 정량적 검증은 향후 동반 논문으로 이월됩니다. 본 논문은 인과적 상태 표현과 개인 수준의 통제 가능성에 초점을 맞춘 연구 프로그램에 분야를 헌신시키기 위한 입장 기여로 기능합니다.