The brain prioritizes information that strengthens the structure of knowledge

기술 요약: 뇌는 지식 구조를 강화하는 정보를 우선시한다

문제 제기
인간의 인지는 시간, 자원, 계산 능력의 심각한 제약에도 불구하고 놀라운 이해와 혁신을 달성한다. 인간은 세상에 대한 내부 모델에 의존하여 결과를 예측하지만, 가용한 모든 정보를 무차별적으로 처리할 수는 없다. 본 연구가 다루는 핵심 문제는 뇌가 새로운 의미론적 입력을 우선순위에 두는 전략적 원리를 식별하는 것이다. 저자들은 뇌가 기존 지식의 "스몰 월드(small-world)" 네트워크 토폴로지를 최적화하는 정보를 본질적으로 가치 있게 여긴다는 가설을 세우고, 정보가 기존 지식의 구조적 조직을 강화하는 방향으로 선택되는지 조사한다.

연구 방법론
본 연구는 행동 심리학, 대규모 언어 모델(LLM) 분석, 기능적 자기공명영상(fMRI)을 결합한 다중 실험 접근 방식을 채택하였다.

• 지식 네트워크 구축: 연구진은 500개의 개념(실험 자극에서 추출한 169개와 TF-IDF 돌출도를 기준으로 샘플링한 위키피디아 기반 331개)으로 구성된 대리 지식 네트워크를 구축하였다. 개념들은 OpenAI의 text-embedding-ada-002 모델(단일 단어가 아닌 전체 위키피디아 항목을 대표함)을 사용하여 고차원 의미 공간에 임베딩되었다. 코사인 유사도가 80백분위수를 초과하는 경우 에지가 존재하는 가중치 기반 무방향 그래프가 생성되었다.
• 스몰 월드 지수(SWI) 계산: SWI는 네트워크의 클러스터링 계수($C$)와 평균 최단 경로 길이($L$)의 비율로 계산되었으며, 동일한 크기와 밀도를 가진 무작위 그래프에 대해 정규화되었다($SWI = (C/C_{random}) / (L/L_{random})$).
• 자극 조작: 100개의 사실적 문장(예: "빵은 한때 화폐로 사용되었다") 각각에 대해, 연구진은 문장의 두 핵심 개념 사이의 에지 가중치를 강화함으로써 새로운 정보의 통합을 시뮬레이션하였다. 스몰 월드 지수의 변화량($\Delta SWI$)은 네트워크의 강화 전후 상태의 차이로 계산되었다.
• 실험 1 (행동 실험): 93명의 참가자가 100개의 사실에 대해 "선호도(liking)", "원함(wanting, 관련 사실에 대한 흥미)", "놀라움(surprise)"을 평가하였다. 선형 혼합 효과 모델을 사용하여 개념 유사성 및 인구통계학적 변수를 통제한 상태에서 이 평가들과 $\Delta SWI$ 사이의 연관성을 테스트하였다.
• LLM 검증: OpenAI의 GPT-4o를 사용하여 동일한 100개의 사실에 대해 선호도와 원함 점수를 50회의 독립적인 실행을 통해 평가하도록 프롬프트를 작성하였으며, 이를 통해 인간이 생성한 텍스트가 이러한 선호 패턴을 반영하는지 결정하였다.
• 실험 2 (fMRI): 33명의 참가자가 100개의 사실을 보는 동안 fMRI 촬영을 진행하였다. 파라메트릭 분석을 통해 BOLD 반응을 $\Delta SWI$의 함수로 모델링하였다. 관심 영역(ROI)은 "언어"(양측 STG, 좌측 IFG) 및 "보상"(vmPFC)에 대한 Neurosynth 메타 분석을 통해 정의되었다. 별도의 일반 선형 모델(GLM)을 사용하여 클러스터링의 변화($\Delta C$)와 경로 길이의 변화($\Delta L$)의 효과를 분리하였다.
• 실험 3 (재현 실험): 45개의 새로운 두 개념 문장을 포함하는 독립적인 데이터셋(31명 참여)을 분석하였다. 이 재현 연구에서는 메타 분석 마스크 대신 참가자별 기능적 언어 국소화(localizer)를 사용하여 신경학적 발견을 확인하였다.

주요 결과

• 행동적 선호: 참가자들은 지식 네트워크의 스몰 월드 구성을 증가시키는 사실을 유의미하게 선호하였다. 높은 $\Delta SWI$는 더 높은 "선호도"($\beta = 0.052, p = .0002$)와 "원함"($\beta = 0.031, p = .0025$)을 예측하였다. 이 효과는 놀라움 점수와 개념 간의 코사인 유사성을 통제한 후에도 지속되었다. 모델 비교 결과, 합성 $\Delta SWI$ 지표가 $\Delta C$ 또는 $\Delta L$ 단독보다 선호도를 더 잘 설명하였다.
• LLM 일치성: GPT-4o 역시 동일한 선호 패턴을 보였으며, $\Delta SWI$가 선호도와 원함 점수를 유의미하게 예측하였다. 이는 이러한 선호가 인간이 생성한 텍스트에 내재되어 있음을 시사한다.
• 신경적 우선순위 지정 (언어 시스템): 언어 네트워크(양측 STG 및 좌측 IFG)는 $\Delta SWI$에 비례하여 증가된 BOLD 활성도를 보였다. 이 반응은 클러스터링 증가와 경로 길이 감소 모두에 의해 유발되었으며, 합성 $\Delta SWI$가 개별 구성 요소보다 더 강한 효과를 보였다.
• 신경적 우선순위 지정 (가치 평가 시스템): 뇌의 가치 평가 시스템의 핵심 노드인 복측 내측 전전두피질(vmPFC)은 $\Delta SWI$가 높은 사실에 대해 증가된 활성도를 보였다. 그러나 언어 네트워크와 달리, vmPFC의 반응은 클러스터링($\Delta C$)이 아닌 평균 경로 길이의 감소($\Delta L$)에 의해 주로 주도되었다.
• 전뇌(Whole-Brain) 결과: 탐색적 분석을 통해 내측 다중 요구 네트워크(dmPFC), 좌측 편향 언어 영역, 그리고 의미 통합과 관련된 양측 소뇌/복측 측두엽에서의 추가적인 활성화가 밝혀졌다.
• 재현: 실험 3은 다른 자극 세트와 개별적으로 정의된 ROI를 사용하여 언어 네트워크와 vmPFC 모두에서 행동적 선호와 신경적 우선순위 지정 현상을 성공적으로 재현하였다.

의의 및 주장
저자들은 정보 우선순위 지정의 근본적인 원리를 식별했다고 주장한다: 즉, 뇌는 정보가 이미 알고 있는 것의 구조적 조직을 개선할 수 있는 능력에 따라 가치와 자원을 할당한다는 것이다. 구체적으로, 뇌는 의미 네트워크의 스몰 월드 토폴로지를 강화하는 정보를 선호하며, 이 구조는 효율성, 창의성 및 이해와 연관되어 있다.

본 논문은 이 메커니즘이 인간이 제한된 데이터로부터 어떻게 효과적으로 학습하는지를 설명할 수 있다고 상정한다. 국소적 응집력(클러스터링)과 전역적 통합(짧은 경로 길이) 사이의 트레이드오프를 최적화하는 정보를 우선적으로 다룸으로써, 뇌는 모든 데이터를 처리하지 않고도 강력한 정신 모델을 구축할 수 있다. 이러한 결과는 "신경적 공통 통화(neural common currency)"로서의 가치가 일차적 또는 이차적 보상뿐만 아니라 정보의 구조적 유용성까지 확장됨을 시사한다. 또한, LLM이 이러한 선호도를 반영한다는 관찰은 이 최적화 원리가 인간의 지식 표상에 깊이 박혀 있음을 암시한다. 저자들은 뇌가 단순히 더 많은 것을 알고자 하는 것이 아니라, 기존의 지식을 더 유용하고 구조화된 것으로 만드는 방법을 알고자 한다고 결론짓는다.