🧬 biology

Using Theory of Mind to Arbitrate between Social and Non-social Learning

이 논문은 인간이 타인을 관찰하는 것과 직접 탐색하는 것의 효용을 추정함으로써 사회적 학습과 비사회적 학습 사이를 합리적으로 중재하기 위해 마음 이론(Theory of Mind)을 사용한다는 것을 보여주는 합리적 정신화(Rational Mentalizing) 모델을 제안하고 검증한다.

원저자: Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

게시일 2026-07-31

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 북적이는 도시의 교차로에 서서 최고의 타코 트럭을 찾으려 노력하고 있다고 상상해 보십시오. 당신에게는 두 가지 선택지가 있습니다. 직접 골목골목을 돌아다니며 모든 곳을 확인하는 것(이는 시간과 에너지가 듭니다), 혹은 길을 따라 걷는 낯선 사람을 관찰하는 것입니다. 만약 그 사람이 특정 코너를 향해 가고 있다면, 당신은 그가 좋은 곳을 알고 있을 것이라 가정하고 그를 따라가기로 결정할 수도 있습니다. 하지만 여기 함정이 있습니다. 만약 그 낯선 사람이 타코가 아니라 피자집을 찾고 있는 것이라면 어떨까요? 만약 당신이 맹목적으로 그를 따라간다면, 배고픔과 혼란 속에 남겨지게 될 것입니다. 이러한 일상의 딜레마—언제 타인의 것을 배울 것인지, 그리고 언제 스스로 알아낼 것인지를 결정하는 문제—는 인지 과학 분야의 핵심적인 과제입니다. 과학자들은 인간과 동물이 어떻게 정보를 수집하는지 연구하지만, 한 가지 핵심적인 질문은 여전히 남아 있습니다. 바로 우리는 '언제' 관찰을 멈추고 행동을 시작할지 어떻게 아느냐는 것입니다. 이를 해결하기 위해 연구자들은 "사회적 학습"(타인으로부터 배우는 것)과 "마음 이론"(타인의 의도나 지식 같은 생각을 추측하는 능력)과 같은 개념에 의존합니다. 우리는 이러한 일들을 한다는 것은 알고 있지만, 관찰하는 비용과 학습하는 이득 사이의 균형을 맞추기 위해 우리가 사용하는 정확한 '정신적 수학'이 무엇인지 밝혀내는 것은 까다로운 도전이었습니다.

이 논문에서 하버드와 MIT의 연구진은 이 의사결정 과정을 이해하는 새로운 방법으로 "합리적 마음 읽기(Rational Mentalizing)" 모델을 제안합니다. 이 모델을 아주 똑똑한 내부 계산기라고 생각해 보십시오. 이 계산기는 단순히 사람들이 무엇을 하는지 관찰하는 데 그치지 않고, 그들이 '왜' 그렇게 행동하는지를 파악하려고 노력합니다. 저자들은 격자 지도 위에서 플레이어(당신)가 빨간색 캐릭터를 조종하는 게임의 컴퓨터 시뮬레이션을 구축했습니다. 목표는 보물 상자를 찾는 것이지만, 경로는 여러 마법사가 들고 있는 일치하는 "부적"을 찾아야만 열 수 있는 색깔 있는 장벽들에 의해 막혀 있습니다. 반전은, 어떤 마법사가 진짜 부적을 가지고 있는지 당신은 모른다는 점입니다. 당신은 자신의 캐릭터를 움직여 직접 마법사들을 확인하거나(시간과 노력이 듭니다), 동작을 멈추고 비플레이어 캐릭터(NPC)가 주변을 움직이는 것을 관찰할 수 있습니다. 관찰을 하면, 당신은 가만히 있는 동안 NPC는 한 걸음을 움직이며, 이는 부적이 어디에 있을지에 대한 단서를 제공합니다.

연구진은 사람들이 어떻게 행동하는지 알아보기 위해 네 가지 다른 버전의 게임을 실행했습니다. 어떤 버전에서는 NPC가 하나이고 목표도 하나였으며, 다른 버전에서는 목표가 다른 여러 명의 NPC가 있거나, 지도가 익숙하지 않은 "초보자" NPC가 등장하기도 했습니다. 그들은 인간이 이러한 절충안에 대해 놀라울 정도로 영리하다는 것을 발견했습니다. 우리는 단순히 모두를 따라 하지도 않고, 그렇다고 모두를 무시하지도 않습니다. 대신, 우리는 무의식적으로 다음과 같은 정신적 시뮬레이션을 실행합니다. "내가 이 사람을 몇 걸음 더 관찰한다면, 맹목적으로 헤매는 것을 피할 만큼 충분한 정보를 얻을 수 있을까?" 만약 답이 '예'라면, 우리는 관찰합니다. 만약 답이 '아니오'(예를 들어, 그 사람이 우리가 원하는 것과는 다른 보물 상자를 찾고 있다면)라면, 우리는 관찰을 멈추고 스스로 움직이기 시작합니다.

이를 증명하기 위해, 팀은 실제 인간 플레이어를 세 가지 다른 컴퓨터 모델과 비교했습니다. 첫 번째 모델인 "순진한 관찰자(Naive Observer)"는 단순히 모두를 맹목적으로 관찰했습니다. 두 번째 모델인 "합리적 관찰자(Rational Observer)"는 비용-편익 분석을 수행했지만, 타인의 생각을 이해하려고 하지는 않았습니다. 세 번째 모델인 "마음 읽기 관찰자(Mentalizing Observer)"는 타인의 목표를 추측하려 했지만, 관찰하는 데 드는 비용은 고려하지 않았습니다. 이러한 단순한 모델들은 인간의 행동을 완전히 설명할 수 없었습니다. 그러나 타인의 욕구를 추측하는 것과 관찰하는 데 드는 시간을 계산하는 것을 결합한 "합리적 마음 읽기" 모델은 인간의 행동과 거의 완벽하게 일치했습니다. 사실, 이 모델의 예측은 매우 정확하여 서로 다른 두 명의 인간이 서로에게 보이는 것만큼이나 인간의 행동에 근접했습니다.

이 연구는 우리의 뇌가 끊임없이 이러한 복잡한 계산을 수행하고 있음을 시사합니다. 우리는 단순히 성공적인 사람들을 복제하는 것이 아니라, 그들의 행동이 우리에게 유용한 것을 가르쳐 줄 것인지 결정하기 위해 그들의 숨겨진 목표와 신념에 대해 능동적으로 추론합니다. 만약 우리가 누군가가 우리가 관심 없는 것을 찾고 있거나, 혹은 그가 우리만큼이나 혼란스러워하고 있다는 것을 깨닫는다면, 우리는 관찰을 멈추고 우리만의 길을 갑니다. 연구진은 사람들이 이러한 정신적 계산을 무시했을 때(생각 없이 너무 많이 관찰하거나, 타인의 목표를 이해하지 못한 채 관찰할 때), 더 나쁜 결정을 내린다는 것을 발견했습니다. 이 연구는 우리의 사회적 지능이 단순히 마음을 읽는 능력에 있는 것이 아니라, 그 마음 읽기를 사용하여 자신의 시간과 에너지를 아끼는 능력에 있다는 것을 보여줍니다. 결국, 좋은 학습자가 된다는 것은 단순히 주의를 기울이는 것뿐만 아니라, 정확히 언제 시선을 돌려야 할지를 아는 것입니다.

기술 요약: 사회적 학습과 비사회적 학습 사이의 중재를 위한 마음 이론(Theory of Mind)의 활용

문제 정의

사회적 학습은 에이전트가 타인으로부터 정보를 습득할 수 있게 해주지만, 인간은 이를 무분별하게 의존하지 않는다. 인간은 관찰을 통해 얻을 수 있는 정보 이득과 관찰에 따르는 인지적·시간적 비용 사이의 균형을 맞추며, 언제 관찰할지, 누구를 관찰할지, 그리고 얼마나 오래 지켜볼지를 결정해야 한다. 기존의 계산적 사회 학습 모델은 일반적으로 다음 두 가지 범주로 나뉜다:

휴리스틱 설명: 고정된 규칙(예: "다수를 따르라" 또는 "권위 있는 자를 따르라")에 의존하며, 관찰된 행동을 가중치를 두어야 할 신호로 취급할 뿐, 그 행동을 생성한 생성적 정신 상태(목표 및 신념)는 무시한다.
강화 학습(RL) 설명: 관찰된 행동을 노이즈가 섞인 신호로 취급하며, 소스의 신뢰도(변동성)에 따라 사회적 정보의 가중치를 조절하지만, 이 역시 행동을 기저의 정신 상태에 대한 증거가 아닌 신호로 처리한다는 점에서는 유사하다.

두 접근 방식 모두, 핵심적인 추론 대상이 '무엇을 했는가'가 아니라 '왜 했는가'(즉, 그들의 목표와 신념)인 희소하고 간접적인 관찰로부터의 효율적인 학습을 설명하는 데 어려움을 겪는다. 또한, 능동적 정보 탐색 문헌은 비사회적 질의의 비용-편익 상충 문제를 다루고 있으나, 이를 사회적 소스로 확장하는 것은 복잡하다. 왜냐하면 관찰의 정보성은 관찰 대상자의 잠재적 목표와 신념에 따라 달라지며, 이는 관찰자의 것과 다를 수 있기 때문이다.

방법론

실험 패러다임

저자들은 사회적 학습과 비사회적 학습 사이의 매개변수 제어가 가능한 트레이드오프를 만들기 위해 새로운 그리드 월드 게임(12x11)을 도입했다.

설정: 인간이 제어하는 "레드 에이전트"는 특정 보물 상자를 찾아야 한다. 경로는 색깔이 있는 장벽으로 막혀 있으며, 이 장벽을 통과하려면 특정 마법사(미끼들 중 하나)가 가진 것과 일치하는 부적(amulet)이 필요하다.
메커니즘: 각 타임스텝에서 에이전트는 행동(한 걸음 이동, 비용 3포인트 발생)하거나 특정 NPC를 관찰(타임스텝당 비용 1포인트 발생, 관찰 중에는 NPC만 이동)할 수 있다.
변수: 연구에서는 다음을 변화시켰다:
- 목표 불확실성(Goal Uncertainty): 단일 보물 상자 대 다중 보물 상자 (실험 1 vs 실험 2).
- 에이전트 가용성(Agent Availability): 단일 NPC 대 다중 NPC (실험 3).
- 에이전트 전문성(Agent Expertise): 전문가(부적 위치를 앎) 대 초보자(모름) (실험 4).
비용 구조: 이동 비용은 3포인트, 마법사 상호작용 비용은 5포인트, 관찰 비용은 1포인트이다. 참가자들은 총 비용을 최소화하도록 유도되었다.

합리적 마음 모델링(The Rational Mentalizing Model)

저자들은 베이지안 마음 이론(ToM)과 합리적 비용-편익 분석을 통합한 합리적 마음 모델링(Rational Mentalizing) 모델을 제안한다. 이 모델은 즉각적으로 행동하는 것과 관찰하는 것의 기대 효용을 비교하여 작동한다.

관찰 대상 에이전트에 대한 생성 모델: 관찰자는 NPC를 부분 관측 가능한 환경에서의 준최적 계획가(near-optimal planner)로 모델링한다. 관찰자는 파티클 필터(순차적 역계획 탐색, SIPS)를 사용하여 NPC의 잠재적 목표(g)와 신념(b)에 대한 사후 분포를 유지한다.
시뮬레이션 및 예측: 각 가설 $\theta = (g, b)$ $θ = (g, b)$ 에 대해, 관찰자는 볼츠만 정책을 사용하여 NPC의 미래 궤적을 시뮬레이션한다. 이를 통해 다음을 예측한다:
- $T^i$ : NPC의 궤적이 관찰자의 후보 마법사 집단을 하나로 좁히거나(또는 가설을 기각하거나) 하는 데 필요한 관찰 단계 수.
- $C^i_{plan}$ : 정보를 획득한 후 관찰자가 직면하게 될 잔여 탐색 비용.
효용 중재(Utility Arbitration): 모델은 에이전트 $j$ $j$ 를 관찰하는 기대 비용을 계산한다:
$Q^j_{obs}(t) = \sum_i p^i_t [c_{obs} T^i + C^i_{plan}]$
여기서 $p^i_t$ $p_{t}^{i}$ 는 가설 $i$ $i$ 의 사후 가중치이다.
관찰자는 이를 즉각 행동할 때의 비용인 $C_{self}(b_t)$ $C_{se l f} (b_{t})$ (탐욕적 계획가를 통해 추정됨)와 비교한다.
- 만약 $Q^j_{obs}(t) < C_{self}(b_t)$ 라면, 모델은 에이전트 $j$ 를 관찰한다.
- 그렇지 않으면, 행동한다.
- 다중 에이전트 설정에서, 모델은 $Q^j_{obs}(t)$ 를 최소화하는 에이전트 $j^*$ 를 선택한다.

절제 연구(Ablation Studies)

특정 구성 요소의 기여도를 격리하기 위해, 저자들은 전체 모델을 세 가지 절제 모델과 비교했다:

합리적 관찰자(Rational Observer): 비용-편익 분석은 수행하지만 마음 이론(ToM)은 결여됨(목표와 신념을 추론하지 못함).
마음 모델링 관찰자(Mentalizing Observer): 목표와 신념은 추론하지만 효용 추정은 결여됨(관찰 비용을 탐색 비용과 비교하여 가중치를 두지 못함).
순진한 관찰자(Naive Observer): 고정된 규칙(예: 첫 번째 마법사 상호작용이 일어날 때까지 관찰)에 따라 무차별적으로 관찰함.

주요 결과

정량적 적합도

네 가지 실험(복잡도가 증가하는 순서) 전반에 걸쳐, 합리적 마음 모델링 모델은 인간의 관찰 행동을 포착하는 데 높은 충실도를 보였다:

상관관계: 실험별 피어슨 상관계수는 $r = 0.90$ 에서 $0.95$ 사이였다.
일치도: 통합된 Lin의 일치 상관 계수(CCC)는 0.89 (95% CI [0.84, 0.92])였으며, 이는 인간 참가자 간의 신뢰도 상한선( $r_{SB} = 0.83-0.92$ )에 근접한 수치이다.
비교: 모든 절제 모델은 현저히 낮은 성능을 보였다 (CCC $\leq 0.21$ ).

질적 패턴 및 절제 통찰

목표 불확실성 (실험 2): NPC의 목표가 모호할 때, 인간과 전체 모델은 모호함을 해소하기 위해 더 오래 관찰했다. 마음 모델링 관찰자는 목표를 추론할 수는 있었으나 관찰 비용을 탐색 비용과 비교하는 데 실패했기 때문에 과도하게 관찰했다. 합리적 관찰자는 NPC의 궤적이 정보가 될 것임을 예측하지 못했기 때문에 과소하게 관찰했다.
에이전트 선택 (실험 3): 두 명의 전문가가 있을 때, 인간과 전체 모델은 관찰자의 특정 목표에 대해 가장 정보가 많을 것으로 예상되는 에이전트를 선택적으로 관찰했다. 순진한 및 합리적 관찰자는 에이전트를 구분하지 못했으나, 마음 모델링 관찰자는 방향성 있게 정보가 많은 에이전트를 식별했으나 관찰 시간을 효율적으로 할당하는 데는 실패했다.
전문성 보정 (실험 4): 전문가와 초보자가 함께 있을 때, 인간과 전체 모델은 환경에 따라 동적으로 관찰을 전환했다(예: 희소한 마법사 맵에서 초보자의 경로가 더 진단적일 때 초보자를 관찰함). 마음 모델링 관찰자는 정보 획득이 비용을 정당화하지 못하는 경우에도 초보자를 과도하게 관찰했다. 합리적 및 순진한 관찰자는 전문가에게 기본 설정을 두어, 초보자의 반사실적 신호를 활용하지 못했다.

관찰 vs 실행
전체 모델은 인간 데이터에서 발견되는 관찰 단계와 실행 단계 사이의 양의 결합(더 많은 관찰이 더 많은 실행 단계와 상관관계가 있음)을 정확하게 재현했다. 마음 모델링 및 순진한 관찰자는 이 관계를 역전시켰으며(음의 기울기), 합리적 관찰자는 0을 포함하는 신뢰 구간과 함께 약한 양의 기울기를 보였다.

의의 및 주장

본 논문은 선택적 사회 학습이 효용 극대화를 위한 마음 이론에 의해 유도된다고 주장한다.

ToM과 효용의 통합: 본 연구는 마음 이론(ToM) 단독으로도, 비용-편익 분석 단독으로도 충분하지 않음을 보여준다. 인간(및 모델)은 둘 다 필요하다: 즉, 정보성을 예측하기 위해 타인의 생성적 정신 상태를 추론하는 능력과, 이 잠재적 이득을 관찰 비용과 중재하는 능력이다.
신뢰도 이상의 의미: 소스의 신뢰도(변동성)를 기준으로 중재하는 RL 설명과 달리, 이 모델은 중재가 소스의 추론된 목표에 달려 있음을 보여준다. 에이전트의 행동은 그들의 목표가 관찰자의 목표와 일치하거나 의미 있게 상호작용할 때만 정보가 된다.
행동에 대한 생성적 관점: 결과는 관찰된 행동을 고정된 신호가 아니라, 그 행동을 생성한 목표와 신념에 대한 증거로 취급해야 한다는 관점을 지지한다. 이를 통해 서로 다른 목적을 가진 에이전트들 사이에서도 희소하고 간접적인 데이터로부터 효율적인 학습이 가능하다.
선택적 신뢰의 통합 메커니즘: 본 논문은 "선택적 신뢰"(전문가를 선호함)와 "선택적 관찰"(누구를 볼지 선택함)이 별개의 인지 시스템이 아니라, 에이전트 모델에 대한 통합된 베이지안 추론의 산물일 수 있음을 시사한다.

저자들은 모델이 관찰을 유일한 사회적 채널로 취급한다는 점(의사소통/교육적 측면 무시)과 독립적인 시행을 가정하여 에이전트별 사전 확률을 축적하지 않는다는 점 등 한계를 언급했다. 또한, 모델이 인간이 수행하는 절대적인 관찰량을 체계적으로 과소 예측하는데, 이는 엄격한 효용 극대화를 넘어선 내재적 호기심이나 보수적인 증거 수집의 역할을 시사한다. 그럼에도 불구하고, 모델은 복잡한 사회적 학습 환경 전반에서 인간의 의사결정의 상대적 패턴을 성공적으로 포착해 냈다.