Detecting Regime Shifts: Neurocomputational Substrates for Over- and Underreactions to Change

이 연구는 뇌의 전두두정 네트워크와 복내측 전전두피질이 환경의 노이즈와 변동성에 대한 민감도 차이를 통해 과잉반응과 과소반응을 매개하며, 이를 통해 체제 전환 감지 메커니즘이 작동함을 fMRI 와 계산 모델을 통해 규명했습니다.

핵심

🌍 핵심 주제: "세상이 변했을까, 아니면 그냥 일시적인 소란일까?"

우리는 매일 수많은 정보를 접합니다. "감염자가 줄었다", "주가 떨어졌다", "연인이 이상하게 행동한다" 같은 신호들입니다. 문제는 이 신호들이 항상 정확한 게 아니라는 점입니다.

• 과잉 반응 (Overreaction): 비가 조금만 와도 "아, 장마가 시작됐구나!"라고 생각하며 우산을 챙겨 나가는 경우. (실제로는 그냥 소나기일 뿐인데...)
• 과소 반응 (Underreaction): 이미 태풍이 오고 있는데도 "아, 그냥 바람 좀 불겠지"라고 생각하며 밖으로 나가는 경우. (실제로는 큰 변화가 오고 있는데...)

연구진은 사람들이 왜 이런 실수를 반복하는지, 그리고 뇌의 어떤 부위가 이 실수를 주도하는지 fMRI(뇌 촬영) 를 통해 찾아냈습니다.

---

🧠 뇌의 두 가지 '감시 요원'

이 연구는 우리 뇌에 변화 감지를 담당하는 두 가지 주요 팀이 있다는 것을 발견했습니다. 마치 회사의 **경영진 (전략팀)**과 **현장 감시관 (데이터 분석팀)**처럼 역할을 나눕니다.

1. vmPFC (복내측 전전두엽) & 복측 선조체: "기분과 확신을 담당하는 경영진"

• 역할: "지금 상황이 정말 변한 것 같아?"라는 **전반적인 확신 (믿음)**을 담당합니다.
• 특징: 이 팀은 **'환경이 얼마나 자주 변하는지 (변동성)'**에 매우 민감합니다.
  • 비유: 주식 시장이 평소엔 조용하다가 갑자기 요동칠 때, 이 팀은 "아, 지금 시장이 불안정해! 무조건 변할 거야!"라고 믿음을 바꿉니다.
  • 실수 원인: 만약 환경이 실제로는 안정적이어도, 이 팀이 "변동성이 높다"고 잘못 판단하면, 작은 신호에도 과잉 반응해서 "세상이 바뀌었다!"라고 믿어버립니다.

2. 전두 - 두정 네트워크 (Frontoparietal Network): "데이터를 분석하는 현장 감시관"

• 역할: 들어온 신호 (비, 바람, 뉴스) 가 얼마나 확실한 증거인지를 분석합니다.
• 특징: 이 팀은 **'신호의 명확함 (신호의 질)'**에 민감합니다.
  • 비유: 비가 조금만 와도 "장마야!"라고 외치는 게 아니라, "이 비는 정말 장마 특유의 비야, 아니면 그냥 소나기야?"를 데이터로 분석합니다.
  • 실수 원인: 만약 신호가 모호한데 (소나기인데도) 이 팀이 "이거 확실한 증거야!"라고 과신하면, 실제로는 큰 변화가 아니었는데도 과잉 반응합니다.

---

🎭 왜 우리는 실수를 할까? (시스템 무시 현상)

연구의 핵심 결론은 **"우리가 시스템의 규칙을 무시한다 (System Neglect)"**는 것입니다.

• 상황 A (날씨가 안정적일 때):

  • 현실: 비가 조금 왔을 뿐인데, 장마가 온 게 아님. (신호는 흐릿함)
  • 우리 뇌의 반응: "아, 비가 왔으니까 장마가 온 거야!"라고 과잉 반응합니다.
  • 이유: 뇌가 "비 (신호)"에만 집중하고, "오늘은 원래 날씨가 안정적이라서 비가 와도 장마가 아닐 확률이 높아"라는 시스템 규칙을 무시했기 때문입니다.

• 상황 B (날씨가 불안정할 때):

  • 현실: 태풍이 오고 있는데, 비가 조금만 왔음. (신호는 명확함)
  • 우리 뇌의 반응: "아, 비가 조금 왔네? 그냥 바람이 불었나?"라며 과소 반응합니다.
  • 이유: 뇌가 "비 (신호)"는 보지만, "오늘은 태풍이라서 작은 비도 큰 변화의 신호일 수 있어"라는 시스템 규칙을 제대로 반영하지 못했기 때문입니다.

💡 이 연구가 우리에게 주는 교훈

1. 뇌는 두 팀으로 나뉘어 일한다: 한 팀은 "변화할 것 같은 느낌 (확신)"을 맡고, 다른 팀은 "증거가 확실한가 (데이터)"를 맡습니다. 이 두 팀이 서로 다른 정보 (환경의 안정성 vs 신호의 명확함) 에 반응할 때 실수가 발생합니다.
2. 우리는 '시스템'을 무시한다: 우리는 들어온 정보 (신호) 에만 집중하고, 그 정보가 나오는 환경의 규칙 (변할 확률, 신호의 정확도) 을 제대로 계산하지 못합니다. 그래서 작은 일에 크게 놀라거나, 큰 일에 무뎌지는 것입니다.
3. 개인차가 있다: 사람마다 뇌의 이 두 팀이 얼마나 민감하게 반응하는지가 다릅니다. 어떤 사람은 작은 비에도 과민반응하는 '감수성 높은 사람'이 있고, 어떤 사람은 태풍에도 무뎌지는 '무뚝뚝한 사람'이 되는 것입니다.

🚀 요약

이 논문은 **"우리가 세상을 판단할 때, 신호 자체에만 매몰되어 환경의 규칙을 잊어버리기 때문에 실수를 한다"**는 것을 뇌 촬영으로 증명했습니다. 마치 날씨 예보를 할 때 구름 한 조각만 보고 장마라고 믿거나, 태풍 경보가 나는데도 "그냥 바람이 좀 불겠지"라고 생각하는 것과 같은 원리입니다.

이제부터 어떤 결정이 과잉 반응인지, 과소 반응인지 고민할 때, **"내 뇌의 '경영진'과 '감시관'이 시스템 규칙을 제대로 보고 있는가?"**를 한번쯤 의심해 보는 것도 좋을 것 같습니다!

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 세상은 끊임없이 변화하며, 한 상태 (Regime) 에서 다른 상태로 전환되는 '체제 전환 (Regime Shift)'이 발생합니다 (예: 팬데믹의 시작/종료, 경기 침체의 끝, 주식 시장의 변동).
• 문제: 이러한 전환을 감지하는 것은 매우 어렵습니다. 왜냐하면 관찰되는 신호 (데이터) 는 본질적으로 **노이즈 (Noisy)**가 많고, 환경의 **변동성 (Volatility, 전환 확률)**에 따라 신호의 해석이 달라지기 때문입니다.
• 행동적 편향: 이전 연구들은 사람들이 신호에 과도하게 반응하거나 (Overreaction), 신호를 무시하여 반응이 부족할 (Underreaction) 수 있음을 보여주었습니다. 특히 노이즈가 많은 신호를 안정된 환경에서 받으면 과잉 반응하고, 정확한 신호를 불안정한 환경에서 받으면 과소 반응하는 경향이 있습니다.
• 가설: 이러한 편향은 '체계적 무시 (System Neglect)' 가 원인일 수 있습니다. 즉, 사람들이 신호 자체에는 민감하게 반응하지만, 신호를 생성하는 시스템의 매개변수 (신호의 진단력, 전환 확률) 에는 덜 민감하게 반응한다는 것입니다.
• 연구 질문: 이러한 체계적 무시와 편향된 반응이 뇌에서 어떻게 구현되는가? 어떤 신경 네트워크가 시스템 매개변수에 대한 민감도를 담당하는가?

2. 연구 방법론 (Methodology)

A. 실험 과제 (Regime-shift Detection Task)

• 과제 구조: 참가자는 빨간색과 파란색 공이 들어 있는 두 개의 urn(그릇) 중 하나가 현재 활성화된 상태라고 가정합니다.
  • 초기 상태: 항상 '빨간색 Regime'에서 시작합니다.
  • 신호: 10 번의 기간 (Period) 동안 연속적으로 빨간색 또는 파란색 공이 제시됩니다.
  • 전환: 각 기간마다 일정 확률 ($q$) 로 '파란색 Regime'으로 전환될 수 있으며, 한 번 전환되면 그 상태로 유지됩니다 (흡수 상태).
  • 과제: 참가자는 새로운 신호가 제시될 때마다 현재 상태가 '파란색 Regime'일 확률 ($P_t$) 을 추정해야 합니다.
• 시스템 매개변수 조작 (3x3 Factorial Design):
  1. 전환 확률 (Transition Probability, $q$): 환경의 불안정성을 조절 (0.01, 0.05, 0.1).
  2. 신호 진단력 (Signal Diagnosticity, $d$): 신호의 노이즈 수준을 조절 (1.5, 3, 9). 값이 클수록 두 Regime 의 차이가 뚜렷함 (신호의 정확도 높음).

B. 실험 설계

• 총 3 개의 fMRI 실험 (총 90 명 참가자):
  1. 실험 1 (주 실험): Regime 전환이 가능한 환경에서 확률 추정 수행.
  2. 실험 2 (대조군 1): Regime 전환이 불가능한 정적 환경 (Stationary) 에서 동일한 추정 수행. (변화 감지 효과 분리)
  3. 실험 3 (대조군 2): 숫자 입력만 수행하는 운동 제어 과제. (운동 반응 효과 분리)

C. 계산 모델링

• 베이지안 모델 (Normative Model): 이상적인 확률 업데이트 기준.
• 체계적 무시 모델 (System-Neglect Model): 베이지안 모델의 변형으로, 시스템 매개변수 ($q$와 $d$) 에 가중치 ($\alpha, \beta$) 를 부여하여 인간의 비이상적 반응을 모델링합니다.
  • $\alpha$: 전환 확률에 대한 민감도.
  • $\beta$: 신호 진단력에 대한 민감도.
  • $\alpha, \beta > 1$ 또는 $< 1$인 정도가 과잉/과소 반응을 설명합니다.

D. fMRI 분석

• GLM (General Linear Model) 분석:
  • GLM-1: 확률 추정 ($P_t$) 과 믿음 수정 ($\Delta P_t$) 에 반응하는 뇌 영역 식별.
  • GLM-2: 변화 증거의 강도 (신호 $\times$ 진단력) 와 시간적 선험 확률 (Intertemporal Prior) 을 모델링하여 핵심 계산 변수의 신경 표상을 확인.
  • 신경 - 행동 민감도 상관관계: 각 참가자의 행동적 민감도 (모델 파라미터 기울기) 와 특정 뇌 영역 (ROI) 의 신경 활동 기울기 간 상관관계를 분석하여 '신경 민감도'를 측정했습니다.

3. 주요 결과 (Key Results)

A. 행동적 결과: 체계적 무시와 편향

• 참가자들은 노이즈가 많은 신호 ($d=1.5$) 를 안정된 환경 ($q=0.01$) 에서 받으면 과잉 반응 ($IO > 0$) 했습니다.
• 반면, 정확한 신호 ($d=9$) 를 불안정한 환경 ($q=0.1$) 에서 받으면 과소 반응 ($IO < 0$) 했습니다.
• 이는 시스템 매개변수에 대한 민감도가 부족하여 (System Neglect) 발생하며, 베이지안 업데이트보다 시스템 파라미터 변화에 둔감한 패턴을 보였습니다.

B. 신경적 결과: 두 개의 기능적 네트워크 분리

연구는 Regime 전환 감지에 관여하는 두 개의 구별된 신경 네트워크를 발견했습니다.

1. vmPFC-복측 선조체 네트워크 (Belief Updating Network):

   • 기능: 참가자의 **변화에 대한 믿음 ($P_t$)**과 **믿음 수정 ($\Delta P_t$)**을 표상합니다.
   • 특징: 전환 확률 ($q$) 에 대한 개인의 민감도와 강한 상관관계를 보였습니다. 즉, 환경이 얼마나 불안정한지에 대한 개인의 인식이 이 영역에서 처리됩니다.
   • 신호 의존성: 신호가 변화와 일치하든 (파란색), 불일치하든 (빨간색) 상관없이 전환 확률에 대한 민감도를 지속적으로 표상했습니다.

2. 전두 - 두정 네트워크 (Frontoparietal Network, Evidence Evaluation Network):

   • 구성: 배측 전전두피질 (dmPFC), 외측 전전두피질 (IFG), 후두두정피질 (IPS) 포함.
   • 기능: **변화 증거의 강도 (Strength of Evidence, 신호 $\times$ 진단력)**와 시간적 선험 확률을 표상합니다.
   • 특징: 신호 진단력 ($d$) 에 대한 개인의 민감도와 강한 상관관계를 보였습니다.
   • 신호 의존성: 변화와 일치하는 신호 (파란색) 가 나타날 때만 신호 진단력에 대한 민감도를 표상했습니다. 변화와 불일치하는 신호 (빨간색) 에 대해서는 민감도가 표상되지 않았습니다.

C. 모델 개선: 신호 의존성 (Signal Dependency)

• 신경 데이터에서 발견된 '신호 의존적 민감도'를 계산 모델에 반영한 결과, 기존 모델보다 참가자의 행동 데이터를 더 잘 설명하는 **신호 의존적 체계적 무시 모델 (Signal-Dependent System-Neglect Model)**이 도출되었습니다.
• 특히, 전환 확률 ($\alpha$) 에 대한 민감도가 변화 일치/불일치 신호에 따라 다르게 작용한다는 점이 모델 정확도를 높였습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 신경 기제의 규명: Regime 전환 감지 실패 (과잉/과소 반응) 가 단일한 뇌 영역의 오작동이 아니라, 서로 다른 신경 네트워크가 시스템 매개변수 (전환 확률 vs 신호 진단력) 에 선택적으로 반응하는 방식의 불일치에서 비롯됨을 최초로 규명했습니다.
   • vmPFC: 환경의 변동성 (Volatility) 인식 담당.
   • Frontoparietal Network: 신호의 신뢰도 (Diagnosticity) 평가 담당.
2. 계산 모델과 신경 데이터의 통합: 행동 데이터로만 추론하던 '체계적 무시' 가 실제로 뇌 네트워크 수준에서 어떻게 구현되는지 (Parameter Selectivity) 를 보여주어, 계산 신경과학의 이론적 틀을 실험적으로 검증했습니다.
3. 신호 의존적 처리 발견: 뇌가 변화와 일치하는 신호와 불일치하는 신호를 처리할 때, 시스템 매개변수에 대한 민감도를 다르게 조절한다는 새로운 발견을 통해 기존 모델의 한계를 보완하고 더 정교한 모델을 제시했습니다.
4. 실제적 함의: 금융 시장, 공중보건 정책, 기후 변화 대응 등 불확실성이 높은 환경에서의 의사결정 편향을 이해하고, 이를 완화하기 위한 개입 전략 (예: 특정 신경 회로를 타겟팅한 훈련) 에 대한 기초를 제공합니다.

5. 결론

이 연구는 인간이 변화하는 환경을 판단할 때, 신호의 내용과 신호가 생성된 시스템의 특성을 통합적으로 처리하는 두 가지 독립적인 신경 네트워크 (Belief Updating vs Evidence Evaluation) 를 활용함을 보여주었습니다. 이러한 네트워크들이 시스템 매개변수 (노이즈와 변동성) 에 대해 서로 다른 민감도를 가지며, 그 민감도의 편차가 인간의 체계적 판단 오류 (과잉/과소 반응) 를 유발한다는 것을 규명했습니다. 이는 불확실성 하의 의사결정 메커니즘을 이해하는 데 있어 중요한 신경 계산적 통찰을 제공합니다.