Human decision-makers terminate evidence accumulation using flexible decision rules

이 연구는 인간 의사결정자가 보상을 극대화하기 위해 작업 조건 변화에 맞춰 증거 수집을 유연하게 중단하는 규범적 원칙을 부분적으로 구현한다는 것을 규명했습니다.

핵심

이 논문은 **"우리가 결정을 내릴 때, '얼마나 더 기다려야 할지'를 어떻게 정하는가?"**에 대한 흥미로운 연구입니다.

기존의 많은 이론은 우리가 결정을 내리는 과정이 마치 물컵에 물을 부어 일정 수준 (임계값) 에 차면 멈추는 것과 같다고 보았습니다. 즉, "물 (정보) 이 어느 정도 차면 바로 컵을 들어야 한다"는 고정된 규칙을 따릅니다. 하지만 이 연구는 **"실제 인간은 상황에 따라 그 '물줄기'를 조절하는 유연한 규칙을 쓴다"**는 것을 발견했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🕊️ 비유: "비둘기 씨앗 찾기 게임"

연구진은 참가자들에게 **'비둘기 게임'**을 시켰습니다.

• 상황: 화면 중앙에 비둘기가 있습니다. 비둘기는 왼쪽이나 오른쪽에 있는 '씨앗 더미' 중 하나로 향해서 걷습니다. 하지만 비둘기는 가끔씩 헷갈려서 좌우로 흔들리며 걷습니다 (이것이 '정보의 불확실성'입니다).
• 목표: 참가자는 비둘기가 어디로 갈지 예측해서, 적절한 타이밍에 키를 눌러 비둘기가 갈 곳을 선택해야 합니다.
• 딜레마:
  • 빨리 누르면? 비둘기가 아직 멀리 안 가서 실수할 확률이 높지만, '걸음 수'를 아껴서 더 많은 게임을 할 수 있습니다 (속도).
  • 늦게 누르면? 비둘기가 어느 쪽으로 갈지 더 명확해져서 맞을 확률이 높지만, 걸음 수를 많이 써서 게임 횟수가 줄어듭니다 (정확도).

연구진은 이 게임에서 사람들이 "언제 멈출지 (결정을 내릴지)" 그 기준을 어떻게 바꾸는지 관찰했습니다.

🔍 주요 발견 3 가지: "상황에 따라 기준을 바꾸는 똑똑한 뇌"

1. 벌칙이 무서우면 "조심조심" (보상과 비용에 따른 조절)

• 상황 A: 실수해도 벌점이 없습니다. → 사람들은 **"일단 빨리 찍어보자!"**라고 생각하며 기준을 낮게 잡습니다. (빠른 추측)
• 상황 B: 실수하면 큰 벌금 (코인 손실) 이 나옵니다. → 사람들은 **"조금 더 기다려서 확실하게 하자!"**라고 생각하며 기준을 높게 잡습니다. (신중한 판단)
• 교훈: 인간은 단순히 '정답'만 쫓는 게 아니라, **"얼마나 벌 수 있고, 얼마나 잃을지"**를 계산해서 멈추는 시점을 바꿉니다.

2. 예측 가능한 변화는 "미리 준비"하지만, 예측 불가능한 변화는 "무시" (정보의 질 변화)

• 예측 가능한 경우 (블록 단위): "앞으로 10 분 동안은 비둘기가 아주 흔들거릴 거야 (정보 품질이 나쁨)"라고 미리 알려주면, 사람들은 **"아, 그럼 더 오래 기다려야겠네"**라고 미리 기준을 높입니다.
• 예측 불가능한 경우 (매번 바뀜): "이번 비둘기는 흔들릴지, 아닐지 모른다"고 매번 바뀌게 하면, 사람들은 **"일단 중간 정도만 기다리자"**라고 합니다.
• 교훈: 뇌는 **"앞으로 어떤 일이 일어날지 알 수 있을 때"**만 전략을 바꿉니다. 매번 예측할 수 없는 상황에서는 오히려 복잡한 계산을 멈추고 평균적인 전략을 씁니다. (너무 많은 계산을 하지 않는 '적당한' 지혜)

3. 게임 도중 규칙이 바뀌면 "순간적으로" 기준을 바꾼다 (게임 내 변화)

• 상황: 게임이 시작될 때는 비둘기가 흔들렸는데, 중간에 갑자기 비둘기가 아주 뚜렷하게 한쪽으로 걷기 시작합니다.
• 반응: 사람들은 이 변화를 감지하자마자, **"아, 이제 정보가 확실해졌네! 더 기다려서 정확도를 높여야겠다"**라고 기준을 갑자기 높입니다. 반대로, 확실하던 정보가 갑자기 흐려지면 "더 이상 기다릴 필요 없네"라고 기준을 낮춥니다.
• 교훈: 결정하는 도중에도 정보가 변하면, 우리는 그 순간순간에 맞춰 기준을 유연하게 재설정할 수 있습니다.

💡 결론: "완벽함"보다 "적당함 (Satisficing)"을 추구한다

이 연구의 가장 큰 메시지는 다음과 같습니다.

"우리의 뇌는 수학적으로 '최고의 최적점'을 찾아내는 슈퍼컴퓨터가 아니라, 상황에 맞춰 '적당히 좋은' 결정을 내리는 현명한 관리자입니다."

우리는 매번 완벽한 계산을 하느라 에너지를 다 쓰지 않습니다. 대신, **"벌칙이 크면 더 기다리고, 정보가 흐리면 더 기다리고, 정보가 명확해지면 바로 결정한다"**는 식으로 유연하게 대응합니다.

이처럼 우리 뇌의 결정 과정은 고정된 규칙이 아니라, 예측 가능성과 보상 구조에 따라 끊임없이 모양을 바꾸는 살아있는 규칙이라는 것이 이 논문의 핵심입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 모델의 한계: 대부분의 순차적 샘플링 모델 (예: 드리프트 - 확산 모델, DDM) 은 의사결정이 고정된 임계값 (decision bound) 에 도달했을 때 종료된다고 가정합니다. 이 임계값은 속도와 정확도 사이의 트레이드오프를 조절합니다.
• 연구의 필요성: 기존 연구들은 주로 많은 시행 (trials) 의 평균을 통해 매개변수를 추정했기 때문에, 개별 의사결정 (individual decisions) 을 지배하는 규칙에 대한 통찰이 부족했습니다. 또한, 기존 모델은 대부분의 경우 실험 중 증거의 질 (신호 대 잡음비, SNR) 이나 보상 구조가 변하지 않는다고 가정했으나, 실제 환경에서는 이러한 요소들이 블록 단위나 심지어 단일 시행 내에서도 변할 수 있습니다.
• 핵심 질문: 인간은 예측 가능한 조건 변화 (블록 간, 시행 간) 와 예측 불가능한 변화, 그리고 단일 시행 내의 변화에 대해 어떻게 적응적으로 임계값을 조절하는가?

2. 방법론 (Methodology)

• 과제 설계 (Pigeon Task):
  • 피카 (Pigeon) 가 중앙에서 시작하여 좌우의 씨앗 더미 중 하나로 '편향된 랜덤 워크 (biased random walk)'를 하는 시각적 과제를 개발했습니다.
  • 직접적 관찰: 기존 DDM 과 달리, 의사결정 변수 (decision variable) 인 피카의 위치가 시각적으로 명시적으로 제공되어, 피험자가 언제 (어느 위치에서) 선택을 확정했는지 (키 입력 시점) 를 직접 관찰할 수 있습니다.
  • 보상 구조: 빠른 결정은 '단계 (steps)'를 아끼지만 정확도를 떨어뜨리고, 늦은 결정은 정확도를 높이지만 '단계'를 소모합니다. 정답 시 코인 획득, 오답 시 코인 손실 또는 단계 손실 등의 다양한 보상/비용 구조를 적용했습니다.
• 실험 설계:
  • 총 3 개의 코호트 (각 60 명) 를 대상으로 세 가지 다른 변인을 조작했습니다.
    1. 보상/비용 변화 (Cohort 1): 블록별로 정답/오답에 따른 보상과 비용 구조를 변경 (예: 오답 시 코인 손실 vs 단계 손실).
    2. 증거의 질 (SNR) 변화:
       • 블록 간 변화 (Cohort 1, 2): 블록 전체가 고정된 SNR (높음/낮음).
       • 시행 간 변화 (Cohort 2): 각 시행마다 SNR 이 무작위로 결정됨.
       • 시행 내 변화 (Cohort 3): 단일 시행 중 특정 시점에 SNR 이 낮음에서 높음 (또는 그 반대) 으로 변하는 'changepoint'가 발생.
• 데이터 분석:
  • 반응 시간 (RT) 에서 비의사결정 시간 (NDT, 감각 - 운동 지연) 을 추정하여 실제 의사결정 시간 (DT) 을 계산.
  • 각 시행에서 피카의 위치를 기반으로 '임계값 (bound)'을 직접 추정.
  • 시뮬레이션을 통해 짧은 DT 에서 발생하는 임계값 추정 편향을 보정.

3. 주요 결과 (Key Results)

A. 고정된 임계값의 기본적 특성

• 대부분의 피험자는 표준 DDM 과 유사하게, 누적된 증거가 특정 임계값에 도달하면 선택을 확정했습니다.
• 임계값은 시간 경과에 따라 약간 감소하는 경향 (collapsing bound) 을 보였으나, 전체적으로는 블록 내에서 비교적 일정한 평균값을 유지했습니다.
• 피험자 간에는 임계값 높이에 큰 개인차가 있었으나, 동일 피험자 내에서는 조건 간에 비교적 안정적이었습니다.

B. 보상률 (Reward Rate) 에 따른 적응적 조절

• 오답 비용 증가 시: 오답 시 코인 손실이 큰 조건 (Block 2) 에서 피험자들은 임계값을 높여 정확도를 우선시했습니다.
• 오답 비용 감소/단계 손실 시: 오답 시 단계 손실만 있는 조건 (Block 3) 이나 오답에 대한 패널티가 없는 조건 (Block 1) 에서는 임계값을 낮추어 속도를 우선시했습니다.
• 결론: 피험자들은 보상률 함수 (reward-rate function) 를 인지하여, 보상이 최대화되는 지점 근처로 임계값을 조정했으나, 이는 엄밀한 최적화 (optimization) 보다는 '만족 (satisficing)' 전략에 가까웠습니다.

C. 증거의 질 (SNR) 변화에 대한 반응

1. 블록 간 SNR 변화 (예측 가능): 낮은 SNR 블록에서는 높은 임계값을, 높은 SNR 블록에서는 낮은 임계값을 사용하여 최적의 보상률을 추구했습니다. 이는 이론적 예측과 일치합니다.
2. 시행 간 SNR 변화 (예측 불가능): 각 시행마다 SNR 이 무작위로 변할 때는 피험자들이 SNR 에 따라 임계값을 실시간으로 조절하지 않았습니다. 대신, 모든 시행에 대해 평균적인 (주로 높은 SNR 에 최적화된) 임계값을 사용했습니다. 이는 즉각적인 SNR 추정이 어렵거나, 보상률 함수가 평탄하여 미세 조건의 동기가 부족했기 때문으로 해석됩니다.
3. 시행 내 SNR 변화 (예측 가능): 단일 시행 중 SNR 이 변하는 시점 (changepoint) 이후, 피험자들은 SNR 변화 방향에 따라 임계값을 조정했습니다.
   • SNR 이 낮음→높음으로 변하면: 임계값을 높여 추가 증거 수집을 시도.
   • SNR 이 높음→낮음으로 변하면: 임계값을 낮추어 불필요한 시간 낭비를 방지.
   • 이 조정은 피험자별 초기 임계값과 changepoint 시점에 따라 복잡하게 작용했으나, 전체적으로 규범적 (normative) 예측과 정성적으로 일치했습니다.

4. 주요 기여 (Key Contributions)

1. 개별 시행 수준의 직접 측정: 기존에 추론에 의존하던 임계값을 시각적 과제를 통해 개별 시행 (trial-by-trial) 수준에서 직접 측정하고 분석했습니다.
2. 유연한 의사결정 규칙의 규명: 의사결정 임계값이 고정된 것이 아니라, **예측 가능성 (predictability)**과 **보상 구조 (reward structure)**에 따라 유연하게 조절되는 변수임을 입증했습니다.
   • 블록 단위 변화: 적응적 조절 가능.
   • 시행 간 무작위 변화: 적응적 조절 어려움 (고정된 규칙 사용).
   • 시행 내 예측 가능한 변화: 실시간으로 규칙 수정 가능.
3. 만족 (Satisficing) 전략의 제시: 피험자들은 엄밀한 최적화보다는 보상률 함수가 평탄한 영역에서 '충분히 좋은 (good-enough)' 전략을 취하는 경향이 있음을 보였습니다.

5. 의의 및 시사점 (Significance)

• 인지 신경과학적 함의: 뇌의 의사결정 메커니즘 (예: FEF, LIP 영역에서의 신경 활동 수렴) 이 고정된 임계값이 아니라, 목표와 환경의 예측 가능성에 따라 유연하게 조절되는 동적 과정임을 시사합니다.
• 모델링의 발전: 기존의 고정 임계값 DDM 이나 단순한 시간 의존적 붕괴 모델 (collapsing bound) 을 넘어, 환경의 통계적 구조 (통계적 예측 가능성) 를 반영한 더 정교한 의사결정 모델 개발의 기초를 제공합니다.
• 실용적 적용: 불확실성이 높은 환경에서의 인간 의사결정 특성 이해를 돕고, 인공지능 에이전트의 의사결정 알고리즘 설계에 '적응적 임계값' 전략을 적용할 수 있는 통찰을 제공합니다.

요약하자면, 이 연구는 인간이 의사결정을 멈추는 시점을 결정하는 규칙이 고정된 것이 아니라, 환경의 변화 패턴 (블록, 시행, 시행 내) 과 보상 구조에 따라 유연하게 적응하는 동적 제어 변수임을 실증적으로 증명했습니다.