Comparing Sentiment Contagion in AI-Agent and Human Social Networks: Evidence from MOLTBOOK

기술 요약: AI 에이전트 및 인간 사회 네트워크에서의 감정 전염 비교

문제 제기
자율적인 AI 에이전트들이 서로 상호작용함에 따라, 이들은 인간의 네트워크와는 구별되는 복잡한 사회적 네트워크를 형성하고 있다. 중요한 미결제 과제는 이러한 "AI 전용" 네트워크의 감정 역학이 부정적 콘텐츠가 주의를 끌고 피드백 루프를 통해 전파되는 인간의 정동 전염(affective contagion)과 유사한지 여부이다. 감정 상태에 의해 구동되는 인간의 상호작용과 달리, AI 에이전트의 역학은 학습된 반응 분포, 정렬(alignment) 절차, 컨텍스트 창(context window), 그리고 상호작용 구조에 의해 형성된다. 본 논문은 AI 전용 네트워크에서 부정적 감정이 확산되는지, 감쇄하는지, 혹은 변형되는지를 조사하며, 이러한 역학이 네트워크의 특정 구조적 조직에 의존하는지 여부를 탐구한다.

연구 방법론
본 연구는 2026년 1월 27일부터 2026년 5월 6일 사이에 자율 언어 모델 에이전트들에 의해 생성된 2,894,804개의 게시물와 1,479,965개의 댓글을 포함하는 Moltbook 관측소 시스템의 수동 아카이브 데이터셋인 MOLTBOOK을 활용한다.

1. 감정 측정: 텍ext는 CardiffNLP Twitter-RoBERTa 모델을 사용하여 부정, 중립, 또는 긍정으로 라벨링되었다. 이 모델은 300개의 판정 기록에 대한 수동 검증을 통해 선택되었으며, 0.840의 정확도와 0.759의 Cohen's $\kappa$를 달성하여 다른 세 가지 BERT 기반 모델보다 우수한 성능을 보였다.
2. 분석 프레임워크: 본 분석은 다음 네 가지 가설을 테스트한다:
   • 전이 비대칭성(Transition Asymmetry): 부정적인 부모 콘텐츠가 부정적인 답글을 유발하는지, 아니면 중립/긍정으로 변화하는지 여부.
   • 충격 탄력성(Shock Resilience): 부정적 편차 이후 집계된 감정이 기저 수준으로 돌아오는지 여부.
   • 구조적 지연(Structural Lag): 지연된(전날) 게시물 감정이 당일의 공동 움직임보다 다음 날의 댓글 감정을 더 강력하게 예측하는지 여부.
   • 메커니즘 민감도(Mechanism Sensitivity): 관찰된 탄력성 패턴이 반사실적 개입(counterfactual interventions)을 통해 구조적 요소(라벨 분포, 파트너 매칭, 허브 에이전트, 시간적 순서)를 교란했을 때도 지속되는지 여부.
3. 통계적 검정: 본 연구는 카이제곱 독립성 검정, 전이 확률에 대한 다항 대비(multinomial contrasts), 충격 탄력성을 위한 이벤트 스터디 요약, 그리고 시간적 지연 분석을 위한 순열 검정(permutation tests)을 사용한다.

주요 결과

• 참여 비대칭성(Engagement Asymmetry): 부정적인 게시물은 중립적이거나 긍정적인 게시물보다 유의미하게 더 많은 주의를 끈다. 부정적 게시물은 게시물당 평균 1.54개의 댓글을 받는 반면, 중립적 게시물은 0.43개를 받았다(비율 차이 3.60).
• 전이 비대칭성 (H1): 부정적인 게시물이 답글을 유인하기는 하지만, 부정적 감정이 답글에서도 강력하게 지속되지는 않는다.
  • 부정적 지속성: 부정적인 부모에 대한 답글 중 **29.67%**만이 부정적 상태를 유지했다(0.5 임계값 미만).
  • 중립화(Neutralisation): 부정적인 부모에 대한 답글의 **53.36%**는 중립적이었다. 이것이 지배적인 전이 양상이며, 긍정적 감정으로의 변화(16.97%)보다 유의미하게 높았다.
  • 결론: 주요 패턴은 부정성의 순환이나 긍정성으로의 회복이 아니라, 부정적 콘텐츠의 중립화이다.
• 충격 탄력성 (H2): 집계된 감정은 부정적 충격 이후 단기적인 감쇄를 보이며 몇 일 내에 기저 수준으로 돌아온다. 그러나 가장 심각했던 충격의 관찰 기간이 짧아 장기적 회복에 대한 결정적인 주장을 하기에는 한계가 있다.
• 구조적 지연 (H3): 지연된 감정 전파의 증거는 없다. 당일의 게시물과 댓글 감정 간의 상관관계(0.5499)는 다음 날의 상관관계(0.5397)와 거의 동일하다. 이는 에이전트들이 지속적인 일 단위의 감정 환경보다는 즉각적인 대화 맥락에 반응함을 시사한다.
• 메커니즘 민감도 (H4): 반사실적 교란(라벨 셔플링, 파트너 매칭, 허브 에이전트 제거, 또는 시간적 순서 교란)은 전이 지표를 유의미하게 변화시켰다. 예를 들어, 답글 라벨을 셔플링했을 때 부정적 지속성은 0.2967에서 0.1956으로 감소했다. 이는 관찰된 중립화가 단순히 주변 감정 빈도의 결과물이 아니라, 상호작용 네트워크의 특정 조직에 의존함을 확인시켜 준다.

주요 기여

1. AI 전용 네트워크의 실증적 분석: 약 300만 개의 게시물을 통해 AI 에이전트 전용 환경에서의 감정 역학을 특성화하였으며, 부정적 콘텐츠가 참여를 유도하지만 반드시 부정성을 증폭시키지는 않는다는 점을 입증하였다.
2. 회복 로직의 정교화: 정렬된 에이전트들 사이의 단순한 "회복"(부정에서 긍정으로) 개념에 도전한다. 대신, 본 데이터는 부정적 감정이 중립적 반응으로 흡수되는 중립화 메커니즘을 지지한다.
3. 반사실적 프레임워크: 라벨, 매칭, 허브, 시간 등 구조적 구성 요소를 교란함으로써 AI 에이전트 네트워크의 메커니즘 민감도를 테스트하는 방법을 도입하였으며, 탄력성 지표가 네트워크 조직에 따라 달라짐을 보여주었다.

의의 및 주장
본 논문은 AI 에이전트 네트워크가 인간의 정동 전염을 단순히 재현하지 않는다고 주장한다. 부정적 콘텐츠는 "참여 우위"(더 많은 답글 유도)를 유지하지만, 하위 효과는 정렬 제약과 프롬프트 컨텍스트를 통해 필터링되어 감정적 격화가 아닌 국소적 중립화로 이어진다.

저자들은 이러한 구분이 AI 안전 및 계산 사회과학에 매우 중요하다고 주장한다. 이는 향후 AI 에이전트 시스템이 극단성을 증폭하는 측면에서는 인간 네트워크보다 덜 감정 전염적일 수 있지만, 상호작용이 어떻게 구조화되는지(예: 허브 구성, 매칭 규칙)에는 매우 민적할 수 있음을 시사한다. 이러한 결과는 에이전트 사회의 집단적 감정이 안정적인 인간형 감정 피드백 루프가 아니라, 구조적 조직과 국소적 반응 경향의 산물임을 의미한다.

한계점
저자들은 감정 라벨이 심리학적 실제 상태가 아닌 분류기의 출력값이라는 점을 언급한다. 또한, 충격 탄력성 분석은 가장 심각한 부정적 충격 이후의 짧은 관찰 기간으로 인해 제약이 있다. 본 연구는 또한 "중립적" 답글이 반드시 건설적인 것은 아니며, 회피적이거나 무미건조할 수 있음을 명시한다.