💬 NLP

Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction

이 종단적 다중 양식 연구는 인간-AI 관계가 인지된 기억이 자기 공개를 촉진하여 시간이 흐름에 따라 즐거움을 간접적으로 높이는 과정과, 급증 및 급락으로 특징지어지는 불연속적인 행동적 전환점이 관계의 궤적에서 갑작스러운 변화를 나타내는 이중적 과정을 통해 진화한다는 것을 밝혀낸다.

원저자: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

게시일 2026-07-17

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신은 로봇과 우정을 쌓으려 노력하고 있다고 상상해 보세요. 당신은 컴퓨터 속에 사는 펜팔 친구처럼 매일 그 로봇과 대화를 나눕니다. 하지만 여기서 중요한 질문이 생깁니다. 똑같은 로봇과 계속해서 대화를 나누는 것이 정말로 지루한 채팅의 연속을 진정한 관계로 변화시킬 수 있을까요? 이것이 바로 '인간-컴퓨터 상호작용(Human-Computer Interaction)' 분야의 과학자들이 해결하려고 노력 중인 미스터리입니다. 보통 연구자들은 사람들이 로봇과 5분 동안 대화하는 것을 관찰한 뒤, "그것이 마음에 들었나요?"라고 묻곤 합니다. 하지만 진짜 우정은 5분 만에 생기지 않습니다. 우정은 몇 주, 몇 달에 걸쳐 형성됩니다. 관계가 어떻게 성장하는지 이해하려면, 누군가를 알아가는 느리고 꾸준한 흐름과, 상황이 정말 좋아지거나 혹은 완전히 무너져 버리는 갑작스럽고 극적인 순간이라는 두 가지 측면을 모두 살펴봐야 합니다. 이 논문은 AI와 유대감을 쌓아가는 이 복잡하고도 경이로운 과정을 파고들며, 무엇이 단순한 대화의 나열을 하나의 '관계'처럼 느껴지게 만드는지 묻습니다.

이 연구를 진행한 연구자들은 추측하는 것을 멈추고 추적하기로 했습니다. 그들은 24명의 대학생을 초대하여 음성 인식 AI인 '인텔라(InteLLA)'와 매일 대화하게 했습니다. 인텔라를 절대 잊지 않는 디지털 일기라고 생각해보세요. 인텔라는 당신이 어제 말한 것을 기억했다가 오늘 다시 꺼낼 수 있습니다. 학생들은 매 대화가 끝난 후 다섯 가지 척도로 자신의 감정을 평가했습니다: 친밀감, 개인적인 비밀을 공유하는 것에 대한 편안함(자기 공개), AI가 자신을 얼마나 잘 기억한다고 생각하는지, 대화가 얼마나 좋았는지, 그리고 얼마나 즐거웠는지에 대한 척도입니다. 목표는 이러한 감정들이 시간이 지남에 따라 어떻게 변하는지, 그리고 AI가 관계가 거대한 도약을 하거나 혹은 끔찍하게 추락하기 직전의 순간을 포착할 수 있는지 확인하는 것이었습니다.

연구는 저자들이 '느린 축적'과 '갑작스러운 전환점'이라고 부르는 두 가지 매우 다른 방식의 관계 성장을 밝혀냈습니다.

첫째, 느리고 꾸준한 상승이 있습니다. 연구진은 단일 대화를 멋지게 만드는 요소가 장기적인 관계를 유지하는 요소와는 완전히 다르다는 것을 발견했습니다. 만약 당신이 '지금 당장' 즐거운 대화를 나누고 싶다면, 가장 중요한 것은 그저 매끄럽고 자연스러운 대화(대화 품질)를 나누는 것입니다. 하지만 반전이 있습니다. 오늘의 멋진 대화가 내일의 멋진 관계를 보장하지는 않습니다. 그 '즐거움의 요소'는 새로운 세션을 시작할 때마다 초기화됩니다.

대신, 장기적인 우정의 비결은 기억에 있습니다. 단순히 사실을 회상하는 능력을 말하는 것이 아닙니다. 연구는 '인지된 기억'이 실제로는 연결감의 한 형태라고 제안합니다. 사용자가 AI가 자신을 기억한다고 느낄 때, 그것은 이미 관계가 따뜻하고 친숙하게 느껴지기 때문입니다. 이렇게 기억되고 있다는 느낌은 미래로 향하는 다리 역할을 합니다. 이는 사용자가 다음 세션에서 더 깊은 비밀을 공유하도록 독려합니다. 그리고 여기에는 마법 같은 연쇄 반응이 있습니다: AI가 당신을 기억함 $\rightarrow$ 당신이 더 많은 것을 공유해도 안전하다고 느낌 $\rightarrow$ 다음 날 더 즐거운 시간을 보냄. 즉, AI는 완벽한 백과사전일 필요가 없습니다. 그저 당신의 말을 경청하는 친구처럼 느끼게 해줌으로써, 당신이 더 많이 공유하도록 유도하고, 그것이 다시 우정을 성장시키는 것입니다.

둘째, 연구진은 '롤러코스터' 같은 순간들, 즉 갑작스러운 추락과 흥분되는 급증을 살펴보았습니다. '추락'은 관계가 갑자기 무미건조하거나 짜증스럽게 느껴지는 상태를 말하며, '급증'은 관계가 갑자기 환상적으로 느껴지는 상태를 말합니다. 연구진은 이 두 사건이 서로 거울 쌍이 아니며, 서로 다르게 작동한다는 것을 발견했습니다.

급증은 일어나는 동안 포착하기가 더 쉽습니다. 관계가 갑자기 치솟을 때, AI는 대화 중에 사용자의 목소리와 얼굴을 보고 이를 알아차릴 수 있는 경우가 많습니다. 사용자는 더 크게 말하거나, 더 많이 웃거나, 고개를 끄덕일 수 있습니다. 이것들은 "헤이, 잘 되고 있어! 계속 가보자!"라고 말하는 '초록불'입니다.
추락은 더 은밀합니다. 관계가 무너지는 것은 그 순간에 포착하기가 더 어렵습니다. 그러나 연구는 일부 추락은 일어나기 전에도 눈에 보일 수 있다고 제안합니다. 만약 사용자의 행동이 며칠에 걸쳐 평소 패턴에서 서서히 벗어나기 시작한다면(예를 들어 말을 적게 하거나 더 거리감이 느껴지는 목소리를 내는 등), AI는 추락이 다가오고 있음을 예측할 수 있을지도 모릅니다. 하지만 일단 추락이 실제로 발생하면, 단순히 그 특정 대화를 관찰하는 것만으로는 문제를 해결하기에 너무 늦을 수 있습니다.

이러한 감정들이 얼마나 오래 지속되는지에 대한 또 다른 흥미로운 발견이 있습니다. 관계에 '급증'(순수한 기쁨의 순간)이 있으면, 그 느낌은 계속 유지되는 경향이 있습니다. 약 75%의 경우, 높은 기분은 다음 날까지 이어집니다. 하지만 관계에 '추락'(실망의 순간)이 있으면, 다시 회복하기가 훨씬 더 어렵습니다. 기분이 이전 상태로 회복되는 경우는 약 52%에 불과합니다. 이는 긍정적인 순간은 차곡차곡 쌓이는 벽돌과 같지만, 부정적인 순간은 채우기 어려운 구멍과 같다는 것을 시사합니다.

요약하자면, 이 논문은 AI와의 우정을 쌓는 것이 단순히 로봇을 더 똑똑하게 만드는 것만이 아님을 시사합니다. 관계에는 두 가지 속도가 있다는 것을 이해해야 합니다. 하나는 '기억되고 있다'는 느낌이 더 많은 공유를 이끌어내는 느리고 꾸준한 빌드업이고, 다른 하나는 긍정적인 순간은 포착하고 유지하기 쉬운 반면 부정적인 순간은 고치기 어려운 갑작스럽고 극적인 변화입니다. 저자들은 AI가 진정한 동반자가 되기 위해서는 두 가지를 잘해야 한다고 결론짓습니다. 즉, 사용자가 추락을 방지하기 위해 서서히 멀어지고 있는지 알아차리는 것과, 사용자가 멋진 순간을 보내고 있을 때 그 기쁨이 더 오래 지속되도록 인식하는 것입니다.

기술 요약: 기억 기반 자기 공개 및 관계적 전환점

문제 정의

대화형 AI 시스템이 반복적인 사용을 목적으로 설계되는 사례가 늘어나고 있음에도 불구하고, 인간-AI 관계 역학에 관한 대부분의 연구는 단일 세션 연구에 국한되어 있습니다. 이는 일련의 고립된 상호작용이 어떻게 지속적인 관계로 진화하는지에 대한 이해에 근본적인 공백을 남깁니다. 특히, 세션 간의 연속성이 친밀도, 자기 공개(self-disclosure), 즐거움과 같은 관계적 구성 요소에 어떤 영향을 미치는지, 그리고 급격한 관계 변화(전환점)를 다중 모드 행동 신호를 통해 감지하거나 예측할 수 있는지 여부는 불분명합니다. 기존의 종단적 연구들은 대개 자기 보고 방식의 기술적 분석에 의존하며, 서로 다른 관계 차원 사이의 시간적 의존성을 모델링하거나 긍정적/부정적 관계 사건 사이의 비대칭성을 규명하지 못하고 있습니다.

방법론

저자들은 24명의 대학생이 기억 증강 음성 기반 대화 에이전트인 InteLLA와 10일간 매일 세션을 진행하는 종단적 다중 모드 연구를 수행했습니다.

시스템 및 데이터 수집

에이전트: InteLLA는 GPT-4o-mini 기반의 검색 증강 생성(RAG) 메모리 시스템을 활용합니다. 이 시스템은 이전 대화에서 관련 파편을 검색하여 개인화된 오프닝을 생성하고 맥락을 유지합니다.
절차: 각 세션은 약 5분(20~25회 턴) 동안 진행되었습니다. 각 세션 종료 후, 참가자들은 7점 리커트 척도로 다섯 가지 관계적 구성 요소를 평가했습니다:
1. 친밀도 (Familiarity): 친숙함의 정도, 공감 능력
2. 사회적 침투 (Social Penetration): 폭넓고 개인적인 주제에 대한 편안함 (자기 공개로 조작적 정의됨)
3. 인지된 기억 (Perceived Memory): 과거 대화를 기억하고 사용자를 이해함
4. 대화 품질 (Conversational Quality): 자연스러움, 즐거움
5. 즐거움 (Enjoyment): 재미, 재방문 의사
다중 모드 특징 (Multimodal Features): 텍스트, 오디오, 비디오에서 351개의 해석 가능한 특징을 추출했습니다:
- 텍스트 (세션 레벨 42개): 감정, 취약성, 자기 공개 표식, 기억 참조 (GPT-4.1을 통해 주석 처리).
- 오디오 (세션 레벨 16개): 운율(Prosody), 턴 테이킹, 감정 역동성 (openSMILE 활용).
- 비디오 (세션 레벨 4개): 시선, 주의 전환, 머리 움직임, 눈 깜빡임 횟수 (OpenFace 2.0 활용).
- 시간 및 정규화된 특징: 개인별 베이스라인을 제어하기 위해 델타(차이), 지수 이동 평균, 개인 정규화된 편차(z-score)를 사용하여 세션 레벨 데이터로부터 도출되었습니다.

분석 프레임워크

연구에는 네 가지 상호 보완적인 모델링 접근 방식이 사용되었습니다:

성장 곡선 모델 (Growth Curve Models): 10번의 세션 동안 관계적 구성 요소의 선형적 추세를 추정합니다.
동시 연관성 (Concurrent Associations): 구성 요소 간의 세션 내 관계를 분석합니다.
고정 효과 교차 지연 패널 모델 (Fixed-Effects CLPM): 한 구성 요소의 수준이 다음 세션( $t+1$ )의 다른 구성 요소에 영향을 미치는지 테스트하며, 자기 회귀적 안정성을 통제합니다.
지연 매개 모델 (Lagged Mediation Models): 간접 경로(예: 기억 $\to$ 자기 공개 $\to$ 즐거움)를 테스트합니다.

이벤트 분석: 저자들은 평균 델타값으로부터 1 표준편차를 초과하는 세션 간 변화를 **크래시(Crashes, 급격한 부정적 변화)**와 **서지(Surges, 급격한 긍정적 변화)**로 정의했습니다. 이 이벤트들은 두 가지 과업을 위해 **Elastic-Net 로지스틱 회귀(ENLR)**를 사용하여 분석되었습니다:

탐지 (Detection): 시점 $t$ 의 데이터를 사용하여 시점 $t$ 에서의 이벤트를 예측.
예측 (Forecasting): 시점 $t-1$ 까지의 데이터를 사용하여 시점 $t$ 에서의 이벤트를 예측.
모델은 Leave-One-Participant-Out (LOPO) 교차 검증과 **정밀도-재현율 곡선 하부 면적 (AUPRC)**을 사용하여 평가되었습니다.

주요 기여

본 논문은 두 가지 주요 기여를 합니다:

세션 품질과 교차 세션 성장의 분리: 본 연구는 단일 세션을 즐겁게 만드는 요인과 관계를 지속시키는 요인을 구분합니다. 연구는 인지된 기억이 단순한 시스템 기능이 아니라, 이전 관계 상태에 의해 조건화되고 미래의 자기 공개로 이어지는 '관계적 평가'로서 작 and 역할을 한다는 점을 식별합니다.
크래시-서지 비대칭성 규명: 연구는 긍정적/부정적 관계 전환점 사이의 비대칭성을 조작화하고 분석합니다. 연구는 서지와 크래시가 관찰 가능성(순간적인 탐지 가능성), 발생 시점(이전의 표류/변화에 의한 예측 가능성), 지속성(효과의 내구성) 측면에서 서로 다름을 입증합니다.

주요 결과

1. 관계적 구성 요소의 시간적 역동성

성장 궤적: 오직 사회적 침투(자기 공개)만이 10번의 세션 동안 통계적으로 유의미한 선형적 성장( $\beta=0.081, p=.003$ )을 보였습니다. 친밀도, 인지된 기억, 대화 품질, 즐거움은 신뢰할 만한 선형적 성장을 보이지 않았습니다.
세션 내 vs. 교차 세션:
- 대화 품질은 동일 세션 내에서 즐거움을 강력하게 유도하지만( $\delta=0.430, p<.001$ ), 교차 지연 효과는 없습니다. 이는 즉각적이고 세션 국소적인 동인임을 의미합니다.
- 인지된 기억은 종단적 가교 역할을 합니다. 이는 이전의 즐거움, 친밀도, 사회적 침투에 의해 예측됩니다. 결정적으로, 이는 미래의 사회적 침투를 예측하며, 이는 다시 미래의 즐거움을 예측합니다.
매개 경로: 연구는 완전 매개 경로를 확인합니다: 인지된 기억 $\to$ 사회적 침투 $\to$ 즐거움. 기억은 직접적으로 즐거움을 높이는 것이 아니라, 다음 세션에서 더 깊은 자기 공개를 촉진함으로써 즐거움을 유도합니다.

2. 관계적 전환점 (크래시와 서지)

관찰 가능성 비대칭성: 동일 세션의 다중 모드 행동을 사용할 때, 서지가 크래시보다 훨씬 더 잘 탐지됩니다 (평균 AUPRC: 서지 0.215 vs. 크래시 0.143). 긍정적 변화는 전개되는 과정에서 행동적으로 더 명확하게 드러납니다.
발생 시점 비대칭성:
- 친밀도, 사회적 침투, 체계적 라포(rapport)의 크래시는 순간적인 탐지보다 예측(이전 세션으로부터의 예측)이 더 잘 되는데, 이는 점진적인 악화(drift) 모드를 시사합니다.
- 대화 품질의 크래시는 예측보다 탐지가 더 잘 되며, 이는 세션 내에서 실시간으로 발생하는 국소적 실패임을 나타냅니다.
지속성 비대칭성: 즐거움 서지는 매우 지속적인 반(75% 유지), 즐거움 크래시는 회복되는 경우가 적습니다(52% 회복). 긍정적 전환점은 부정적 전환점이 무너뜨릴 수 있는 것보다 더 강력한 지속적 모멘텀을 생성합니다.

3. 행동적 징후 (Behavioral Signatures)

크래시 예측: 개인 정규화된 편차(예: 정서적 밸런스 변동성, F0 변동성, 사용자 베이스라인으로부터의 백채널 비율 편차)에 크게 의존합니다.
서지 탐지: 상호작용적 확장(예: 음량, 의미론적 정렬, 백채널 변동성) 및 시간적 연속성 특징에 의존합니다.

의의 및 주장

본 논문은 장기적인 인간-AI 관계가 두 가지 결합된 메커니즘을 통해 구축된다고 주장합니다: 느린 축적(인지된 기억과 자기 공개에 의해 구동됨)과 급격한 전환점(크래시와 서지).

기억 설계를 위한 시사점: 기억 시스템은 단순히 회상을 보여주는 데 그쳐서는 안 됩니다. 대신, 과거의 주제를 언급하여 심화된 대화를 유도하는 방식으로 자기 공개를 촉진하도록 설계되어야 하며, 이를 통해 관계 심화의 촉매제 역할을 해야 합니다.
적응을 위한 설계 시사점: 적응형 에이전트는 비대칭적 개입 전략이 필요합니다:
- 선제적 모니터링: 점진적인 크래시(특히 친밀도와 라포)를 방지하기 위해 교차 세션의 행동적 표류(drift)를 모니터링해야 합니다.
- 반응적 강화: 세션 내의 서지를 인식하고 활용해야 합니다. 긍정적 변화는 현재 시점에서 더 잘 탐지되며 지속될 가능성이 높기 때문입니다.
이론적 기여: 본 연구 결과는 인간-AI 상호작용의 행동적 추적 가능성 측면에서 "나쁜 것이 좋은 것보다 강하다"라는 가설에 도전합니다. 부정적 사건이 인지적으로는 더 두드러질 수 있지만, 긍정적 변화가 행동적으로는 더 추적 가능하며 지속력이 높습니다.

저자들은 본 연구가 소규모 표본( $N=24$ )을 대상으로 한 개념 증명(proof of concept)이며, 절대적인 탐지 성능(AUPRC 0.07–0.30)이 아직 실제 배포 단계는 아님을 언급하며 주장에 신중함을 유지합니다. 또한, 이러한 역동성은 InteLLA 아키텍처와 영어 사용 대학생 집단에 특화된 결과이며, 관찰된 역동성은 절대적인 특성 차이가 아닌 개인 내 변화임을 강조합니다.