Differences in orthographic processing across species identified by a transparent computational model

⚕️

이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

Each language version is independently generated for its own context, not a direct translation.

🕵️‍♂️ 연구의 핵심: "글자 구별 게임"

상상해 보세요. 여러분 앞에 낯선 글자 조합 (예: 'ZQXJ') 과 우리가 익힌 단어 (예: 'APPLE') 가 섞여 있습니다. 이때 "이건 내가 아는 단어야, 아니면 처음 보는 가짜 글자야?"라고 구분하는 게임을 해보라고 한다면 어떨까요?

인간: 당연히 잘하죠. 우리는 글자를 읽고 소리와 뜻을 알고 있으니까요.
바부아 (원숭이) 와 비둘기: 이들은 글을 읽지 못합니다. 소리와 뜻도 모릅니다. 하지만 놀랍게도 이들도 훈련을 통해 "익힌 글자"와 "새로운 글자"를 구분하는 데 성공했습니다.

그런데 중요한 질문이 생깁니다.

"인간과 동물들이 똑같은 결과를 냈다면, 그들이 뇌에서 똑같은 방식으로 문제를 풀고 있는 걸까?"

이 연구는 바로 이 의문을 해결하기 위해 진행되었습니다.

🤖 도구: "침묵하는 독서 모델 (Speechless Reader)"

연구진들은 인간, 원숭이, 비둘기의 두뇌가 어떻게 작동하는지 추측하기 위해 **'침묵하는 독서 모델 (SLR)'**이라는 가상의 컴퓨터 프로그램을 만들었습니다.

이 프로그램은 소리와 뜻은 전혀 고려하지 않습니다. 오직 글자의 모양만 보고 판단합니다. 마치 소리를 듣지 않고 눈으로만 글자를 읽는 사람처럼요.

이 모델은 글자를 분석할 때 세 가지 다른 '렌즈'를 사용할 수 있다고 가정했습니다.

픽셀 렌즈 (oPE): 글자의 모양 전체를 점 (픽셀) 단위로 봅니다. (예: "이 글자는 저글자와 모양이 비슷해.")
글자 렌즈 (LPE): 개별 알파벳을 봅니다. (예: "이 글자에 'A'가 있네.")
문장 렌즈 (sPE): 글자들의 순서와 조합을 봅니다. (예: "이 글자는 'H'로 시작해서 'A'가 오고... 이런 순서가 익숙해.")

연구진은 이 세 가지 렌즈를 어떻게 섞어서 사용하는지에 따라 7 가지 버전의 모델을 만들었고, 각 동물과 인간의 실제 행동 데이터와 비교해 **"누가 어떤 렌즈를 가장 많이 썼을까?"**를 찾아냈습니다.

🔍 발견된 비밀: 종 (Species) 에 따른 '해결책'의 차이

결과적으로, 세 종 (인간, 원숭이, 비둘기) 은 완전히 다른 전략으로 문제를 풀고 있었습니다.

1. 인간 (Human): "전체적인 흐름을 보는 마스터" 🧠

전략: **문장 렌즈 (sPE)**를 주로 사용했습니다.
비유: 인간은 글자를 볼 때 개별 글자 하나하나를 세는 게 아니라, **"이 단어는 이런 순서로 이어지는구나"**라는 전체적인 패턴을 즉각적으로 파악합니다. 마치 노래를 들을 때 개별 음표보다 멜로디 전체를 기억하는 것과 같습니다.
결과: 가장 정확도가 높았습니다.

2. 바부아 (Baboon): "혼합 전략의 중도파" 🐒

전략: 문장 렌즈와 글자 렌즈를 섞어서 사용했습니다.
비유: 인간처럼 전체 흐름도 보지만, 동시에 개별 글자도 꼼꼼히 확인합니다. "흐름도 중요하지만, 여기 'A'가 있네?"라고 확인하는 식입니다.
결과: 인간보다는 덜 정확했지만, 비둘기보다는 훨씬 잘했습니다.

3. 비둘기 (Pigeon): "세부 사항의 관찰자" 🐦

전략: 픽셀 렌즈와 글자 렌즈를 주로 사용했습니다.
비유: 비둘기는 글자의 **전체적인 흐름 (순서)**보다는 개별 글자의 모양이나 점 (픽셀) 의 위치에 더 집중합니다. 마치 퍼즐 조각 하나하나를 자세히 뜯어보며 맞추는 것과 같습니다.
결과: 인간이나 원숭이보다 정확도가 낮았으며, 개체마다 사용하는 전략이 제각각이었습니다.

💡 왜 이런 차이가 생겼을까? (진화의 흔적)

이 차이는 진화적 배경과 생활 습관에서 찾을 수 있습니다.

인간과 원숭이 (영장류): 우리는 먼 과거부터 **전체적인 형태 (Global)**를 먼저 파악하는 시각 시스템을 진화시켰습니다. 멀리서도 사물의 윤곽을 보고 인식하죠. 그래서 글자도 '전체 순서'로 기억합니다.
비둘기: 비둘기는 곡식을 쪼아먹는 새입니다. 흙더미 속에서 **작은 곡식 알갱이 (Local)**를 구별해야 생존할 수 있었습니다. 그래서 그들은 세부적인 디테일에 매우 민감하게 진화했습니다. 글자도 전체 흐름보다는 개별 글자의 모양에 더 집중하는 것입니다.

📝 결론: "똑같은 정답, 다른 해결책"

이 연구는 **"인간, 원숭이, 비둘기가 모두 글자 구별 게임을 잘할 수 있지만, 그 두뇌가 문제를 푸는 방식은 진화적 거리에 따라 다르다"**는 것을 증명했습니다.

인간: "흐름 (순서) 으로 기억한다."
원숭이: "흐름과 개별 글자를 섞어 쓴다."
비둘기: "모양과 개별 글자를 자세히 본다."

이처럼 동일한 과제를 수행하더라도, 종마다 사용하는 '인지적 도구'가 다르다는 것을 밝혀낸 것이 이 연구의 가장 큰 성과입니다. 마치 같은 목적지에 가더라도, 인간은 비행기를 타고, 원숭이는 기차를 타고, 비둘기는 자전거를 타고 가는 것과 같은 이치입니다.

이 연구는 우리가 글을 읽는 방식이 단순히 '배운 것'이 아니라, 우리의 진화적 역사와 두뇌 구조가 만들어낸 결과임을 보여줍니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 제기 (Problem)

문제의식: 읽기 능력은 인간 고유의 문화적 진화의 산물로 여겨져 왔으며, 음운론적 (phonological) 과 의미론적 (semantic) 지식이 필수적인 것으로 간주됩니다. 그러나 최근 연구에서 원숭이 (바보) 와 비둘기 같은 비인간 동물들도 음운론과 의미 없이 문자열을 학습하여 '학습된 문자열'과 '새로운 문자열'을 구별하는 정서 결정 (orthographic decision) 과제를 수행할 수 있음이 밝혀졌습니다.
핵심 질문: 인간, 바보, 비둘기가 모두 유사한 과제를 수행할 수 있다는 표면적 사실은 동일합니다. 하지만 이들이 과제를 해결하는 인지적 메커니즘 (신경인지적 표현) 은 어떻게 다른가? 그리고 계통 발생적 근접성 (phylogenetic relatedness) 이 신경인지적 표현의 유사성을 결정하는가?
한계: 기존 연구는 주로 행동적 성능 (정확도 등) 에 초점을 두었으며, 각 종이 어떤 수준의 정보 처리 (픽셀, 글자, 문자열) 를 기반으로 의사결정을 내리는지에 대한 구체적인 계산적 메커니즘을 규명하지 못했습니다.

2. 방법론 (Methodology)

이 연구는 투명한 계산 모델 (Transparent Computational Model) 인 Speechless Reader (SLR) 모델을 사용하여 세 종 (인간, 바보, 비둘기) 의 정서 처리 메커니즘을 비교 분석했습니다.

Speechless Reader (SLR) 모델:
- 기반 이론: 예측 부호화 (Predictive Coding) 원리를 기반으로 합니다. 즉, 뇌는 하향식 (top-down) 예측과 상향식 (bottom-up) 감각 입력 간의 오차 (예측 오차, Prediction Error) 를 최소화하여 정보를 처리합니다.
- 음운/의미 배제: 이 모델은 음운론적 및 의미론적 표현을 배제하고, 오직 시각 - 정서적 정보 (시각 픽셀, 글자, 글자 시퀀스) 만을 사용하여 학습된 문자열과 새로운 문자열을 분류합니다.
- 세 가지 예측 오차 표현 (Prediction Error Representations):
  1. oPE (Pixel-level): 픽셀 수준의 시각적 입력과 기대되는 픽셀 패턴 간의 오차.
  2. LPE (Letter-level): 특정 위치의 글자 발생 확률에 기반한 글자 수준의 오차.
  3. sPE (Sequence-level): 글자 시퀀스 (예: "Ha", "Hau") 의 확률에 기반한 고차원적 오차.
- 작동 원리: 학습된 어휘 (Lexicon) 를 바탕으로 각 수준에서 예측을 생성하고, 실제 입력과의 차이 (오차) 를 계산합니다. 이 오차들을 합산하여 '단어 유사성 (word-likeness)' 점수를 산출하고, 이를 기준으로 학습된 것인지 새로운 것인지 분류합니다.
데이터 및 실험 설계:
- 참가자: 인간 (N=37), 바보 (N=6), 비둘기 (N=4).
- 과제: 의미 없는 문자열 (의사단어) 을 학습한 후, 학습된 문자열과 새로운 문자열을 구별하는 2 선택 과제 수행.
- 모델링 접근법 (Neuro-cognitive Phenotyping):
  - 각 참가자의 학습된 어휘를 기반으로 7 가지 모델 변형 (세 가지 표현의 모든 가능한 조합) 을 시뮬레이션했습니다.
  - 각 참가자의 실제 행동 데이터와 모델 시뮬레이션 결과 간의 평균 제곱 오차 (MSE) 를 비교하여, 각 참가자의 행동을 가장 잘 설명하는 최적 모델 변형 (Best-fitting model) 을 선정했습니다.
  - 선정된 모델의 표현 조합을 해당 참가자의 신경인지적 표현형 (Neuro-cognitive phenotype) 으로 정의했습니다.

3. 주요 결과 (Key Results)

예측 오차의 감소: 모든 종과 모든 표현 수준에서 학습된 문자열은 새로운 문자열보다 예측 오차가 유의미하게 낮았습니다. 이는 모델이 학습된 패턴을 효과적으로 예측하고 있음을 시사합니다.
종별 표현형의 차이 (Phenotypic Differences):
- 인간 (Humans):
  - 주요 전략: 압도적으로 문자열 수준 (sPE) 표현에 의존했습니다.
  - 통계: 참가자의 86% 가 오직 sPE 만을 사용하는 모델이 가장 적합했습니다. 나머지 소수는 sPE 와 LPE 의 조합 또는 전체 모델을 사용했습니다.
  - 의미: 인간은 개별 글자보다는 글자의 조합 (시퀀스) 을 단위로 인식하여 정서 결정을 내립니다.
- 바보 (Baboons):
  - 주요 전략: 시퀀스 (sPE) 와 글자 (LPE) 의 혼합 전략을 사용했습니다.
  - 통계: 50% 의 바보가 LPE+sPE 조합을 사용했고, 일부는 전체 모델을 사용했습니다. 인간처럼 sPE 만을 사용하는 개체는 1 마리뿐이었습니다.
  - 의미: 인간과 유사한 시퀀스 처리 능력을 보이지만, 인간보다 더 낮은 수준 (글자 단위) 의 정보 처리를 병행합니다.
- 비둘기 (Pigeons):
  - 주요 전략: 픽셀 (oPE) 과 글자 (LPE) 수준에 더 크게 의존했습니다.
  - 통계: 모든 비둘기 모델에 LPE 가 포함되었으며, sPE 는 필수적이지 않았습니다. 개체 간 변이가 크고, 시퀀스 처리에 대한 일관된 의존성이 관찰되지 않았습니다.
  - 의미: 비둘기는 고차원적인 시퀀스 구조보다는 국소적인 특징 (픽셀, 개별 글자) 에 기반한 처리를 선호합니다.
모델 적합도:
- 모델 시뮬레이션은 세 종 모두에서 행동 데이터와 높은 상관관계를 보였습니다 (인간: $R^2=0.58$ , 바보: $0.85 $, 비둘기:$ 0.95$).
- 인간은 모델보다 실제 수행 능력이 더 높았으며, 이는 인간이 모델에 포함되지 않은 추가적인 처리 (예: 음운론적 처리) 를 사용했음을 시사합니다.

4. 논의 및 기여 (Discussion & Contributions)

계통 발생적 거리와 인지 전략의 연관성:
- 인간과 바보 (영장류) 는 고차원적인 시퀀스 기반 처리를 공유하는 반면, 비둘기 (조류) 는 국소적 (로컬) 처리에 더 의존합니다. 이는 계통 발생적 거리가 신경인지적 표현의 유사성에 영향을 미친다는 것을 보여줍니다.
- 시각 처리의 일반화: 이 결과는 인간과 영장류가 '전체 (Global)'를 먼저 처리하는 경향이 있고, 비둘기가 '국소 (Local)' 특징 (작은 곡물 식별 등) 에 특화되어 있다는 기존 시각 인지 연구 결과와 일치합니다. 비둘기의 정서 처리 선호도는 그들의 생태적 적응 (곡물 식별) 과 시각 경로 (tectofugal pathway) 의 특성과 연결될 수 있습니다.
계산적 표현형 (Computational Phenotyping) 의 유효성:
- 소수의 표현과 계산만으로 인간의 완전한 읽기 능력을 포함한 복잡한 행동을 설명할 수 있음을 입증했습니다. 이는 심리학과 신경과학 분야에서 '디지털 트윈' 개념을 적용하여 종 간 인지 차이를 규명하는 새로운 방법론을 제시합니다.
한계 및 향후 과제:
- 인간 모델이 인간 행동을 완벽하게 설명하지 못한 것은 음운론적 처리가 배제되었기 때문입니다. 향후 모델에는 음운론적 예측 오차 등을 통합해야 합니다.
- 고정된 글자 길이 (인간 5 자, 동물 4 자) 를 사용했으므로, 가변 길이 단어 처리 및 주시 (fixation) 와 주시 외 (parafoveal) 처리 간의 상호작용 연구가 필요합니다.

5. 의의 (Significance)

이 연구는 "읽기"와 같은 복잡한 인지 과제가 어떻게 진화했는지에 대한 통찰을 제공합니다. 단순히 행동의 유사성 (과제 수행 성공) 이 아니라, 과제를 해결하는 내부 메커니즘 (표현의 수준) 을 비교함으로써, 인간과 비인간 동물의 인지 구조가 어떻게 다른지, 그리고 어떤 진화적 압력이 이러한 차이를 만들어냈는지를 규명했습니다. 특히, 투명한 계산 모델을 통한 종 간 비교는 신경인지적 특성의 진화적 기원을 이해하는 강력한 도구로 평가됩니다.