Same Movements, Different Skills: How Context Shapes Learning in Humans and Neural Networks
이 논문은 수행 맥락의 변화가 동일한 움직임 시퀀스를 통합된 표현이 아닌 별개의 기술로 학습하게 만들 수 있음을 입증하며, 이는 강한 맥락적 입력이 높은 초기 가중치 척도와 일치할 때 인간 학습자와 순환 신경망 모두에서 관찰되는 현상이다.
원본 논문은 CC BY 4.0 (https://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
우리는 흔히 학습이란 하나의 커다란 지식의 더미로 경험을 쌓아가는 과정이라고 가정하곤 합니다. 신발 끈 묶는 법을 배우면 주방에서든 현관에서든 할 수 있고, 피아노로 멜로디를 배우면 눈을 뜨고 있든 감고 있든 연주할 수 있습니다. 이러한 직관은 뇌가 핵심적인 동작, 즉 움직임의 순서를 주변 환경과는 분리된 하나의 통일된 기술로 취급한다는 것을 시사합니다. 운동 학습의 세계에서 과학자들은 이것이 사실인지에 대해 오랫동안 논쟁해 왔습니다. 뇌가 서로 다른 경험들을 하나로 묶어 일반적인 능력을 만들어내는지, 아니면 동일한 움직임이라도 어디서 어떻게 수행되느냐에 따라 이를 별개의 과제로 취급하여 분리해 두는지 말입니다. 이 질문에 대한 답은 우리가 새로운 상황에 어떻게 적응하는지, 그리고 왜 때때로 한 환경에서 익힌 기술을 다른 환경으로 전이하는 데 어려움을 겪는지 밝혀준다는 점에서 중요합니다.
프린스턴 대학교의 연구팀은 이러한 일반화의 한계를 테스트하기 위해 나섰습니다. 그들은 단순하지만 심오한 질문을 던졌습니다. 만약 사람이 정확히 똑같은 손가락 움직임의 순서를 연습하되, 주변 환경이 계속 변한다면, 그 사람은 하나의 기술을 배우게 될까요, 아니면 두 개의 기술을 배우게 될까요? 이를 알아내기 위해 그들은 인간 자원봉사자와 컴퓨터 모델을 모두 활용했습니다. 그들은 물리적 동작은 전혀 변하지 않지만, 그 주변의 '이야기'는 변하는 과제를 설계했습니다. 한 버전에서는 해당 순서가 음과 함께 화면에 스크롤되는 음악 노트처럼 보였습니다. 또 다른 버전에서는 동일한 순서가 디지털 미로 속의 캐릭터를 움직이게 했습니다. 컴퓨터 모델의 경우, 뉴런이 서로 신호를 전달하는 방식을 모방한 단순한 네트워크를 구축하여, 연구자들이 기계의 '뇌' 내부를 들여다보며 정보가 어떻게 조직되는지 확인할 수 있도록 했습니다.
결과는 동일한 움직임이 항상 동일한 학습으로 이어지지는 않는다는 점을 보여주었습니다. 컴퓨터 네트워크가 특정 종류의 유연성을 갖추고 강력한 환경적 단서에 노출되었을 때, 네트워크는 두 가지 버전의 과제를 동일한 것으로 취급하기를 멈췄습니다. 손가락 순서에 대해 하나의 공유된 기억을 만드는 대신, 두 개의 별도 기억을 구축한 것입니다. 맥락이 음악에서 미로로 바뀌었을 때, 네트워크는 마치 처음부터 다시 순서를 배워야 하는 것처럼 비틀거렸습니다. 이 '전환 비용(switching cost)'은 기계가 기술을 두 개의 별개 부분으로 나누었다는 명확한 신호였습니다. 결정적으로, 이러한 분리는 두 가지 조건이 충족될 때만 발생했습니다. 즉, 네트워크가 내부 연결을 재형성할 수 있을 만큼 충분히 유연해야 했고, 환경적 단서가 주의를 끌 수 있을 만큼 강력해야 했습니다. 만약 이 중 하나의 조건이라도 결여되었다면, 네트워크는 경험을 하나로 묶어 부드럽게 일반화했습니다.
인간 참가자들도 매우 유사한 패턴을 보였습니다. 사람들은 키보드 위에서 동일한 8가지 손가락 순서를 연습했는데, 어떤 경우에는 한 가지 맥락에 머물렀고 어떤 경우에는 음악 버전과 미로 버전을 번갈아 가며 수행했습니다. 맥락을 번갈아 가며 수행한 사람들은 단일하고 매끄러운 향상 곡선을 보여주지 않았습니다. 대신, 그들의 수행 곡선은 조각조각 끊어졌습니다. 미로에서 음악으로 전환될 때, 그들은 마치 처음부터 다시 시작하는 것처럼 속도가 크게 떨어졌습니다. 다시 원래대로 돌아올 때도 마찬가지였습니다. 이는 손가락 움직임이 동일하고 맥락이 과제 해결에 유용한 정보를 제공하지 않음에도 불구하고 일어난 일이었습니다. 뇌는 맥락을 기술의 일부 자체로 결정한 듯 보였습니다. 연구진은 환경을 바꿈으로써 의도치 않게 하나의 기술을 두 개의 기술으로 만들어버린 것입니다.
연구진은 내부에서 어떤 일이 일어나고 있는지 이해하기 위해 수학적 프레임워크를 사용하여 학습 과정을 모델링했습니다. 그들은 데이터가 학습이 맥락 간에 공유되는 모델, 맥락들이 서로 약간씩 영향을 주는 모델, 혹은 맥려들이 완전히 분리된 모델 중 어디에 부합하는지 테스트했습니다. 인간 데이터에 가장 잘 맞는 것은 '분리 모델'이었으며, 이는 사람들이 실제로 동일한 순서에 대한 두 가지 별개의 버전을 학습하고 있음을 시사했습니다. 컴퓨터 모델 또한 이를 확인해주었으며, 학습을 분리한 모델들이 내부 표현에서도 가장 큰 격차를 보였습니다. 이 연구는 뇌가 단순히 움직임을 기록하는 것이 아니라, 상황 전체를 기록한다는 점을 시사합니다. 상황이 변하면, 뇌는 기존의 것을 업데이트하기보다 그 움직임을 새로운 별개의 개체로 저장하기로 결정할 수 있습니다.
이 발견은 우리가 연습과 숙달을 생각하는 방식을 재정립합니다. 이는 학습된 기술의 경계가 그것을 수행하는 데 필요한 물리적 움직임에 의해서만 정의되는 것이 아님을 의미합니다. 대신, 우리가 학습하는 맥락이 기술이 저장되고 인출되는 방식에 강력한 역할을 합니다. 만약 당신이 특정한 노래를 연주하면서 일련의 음표 순서를 배웠다면, 설령 음표가 동일하더라도 다른 노래를 연주할 때는 그 손가락 움직임을 똑같이 사용하기 어려울 수 있습니다. 뇌는 주변 맥락을 지침의 핵심적인 부분으로 취급합니다. 연구진은 이러한 분리가 오류나 결함이 아니라, 학습 시스템이 경험을 조직하는 방식의 하나의 특징이라는 것을 발견했습니다. 우리가 경험을 하나로 묶을지 아니면 나누어 놓을지는, 우리가 환경에 얼마나 많은 무게를 두는지와 우리의 내부 시스템이 환경에 적응하는 데 얼마나 유연한지에 달려 있습니다.
또한 이 연구는 일반화에 필요한 섬세한 균형을 강조합니다. 컴퓨터 시뮬레이션에서 네트워크는 내부 구조를 재조직할 수 있는 자유가 주어지고 환경적 단서가 주의를 요구할 만큼 충분히 컸을 때만 학습을 분리했습니다. 그러한 유연성이 없었다면, 그들은 단일한 공유 기억에 매달렸을 것입니다. 강력한 단서가 없었다면, 그들은 맥락을 무시하고 자유롭게 일반화했을 것입니다. 이는 인간의 뇌도 이와 유사하게 작동하며, 과제의 중요성과 설정의 중요성을 끊임없이 저울질한다는 것을 시사합니다. 설정이 중요하게 느껴지면 우리는 맥락 특화적인 기술을 배우게 됩니다. 설정이 무의미하다고 느껴지면 우리는 일반적인 기술을 배웁니다.
궁극적으로 이 연구는 학습이 단순히 사실이나 움직임을 축적하는 것이 아님을 밝혀줍니다. 그것은 무엇을 함께 두고 무엇을 따로 유지할지를 결정하는 역동적인 과정입니다. 동일한 손가락 탭 순서는 그 탭이 어디에서 일어나고 있는지에 대해 뇌가 스스로에게 들려주는 이야기에 따라 하나의 기술이 될 수도 있고, 두 개의 기술이 될 수도 있습니다. 이 통찰은 우리가 왜 교실에서 배운 것을 현실 세계에 적용하는 데 어려움을 겪는지, 혹은 왜 한 환경에서 배운 기술이 다른 환경에서는 생소하게 느껴지는지를 설명하는 데 도움을 줍니다. 뇌는 단순히 움직임을 배우는 것이 아니라, 그 움직임이 일어나는 세상을 배우는 것입니다. 그리고 그렇게 함으로써, 뇌는 동일한 행동이 수많은 다른 의미를 가질 수 있는 풍부하고 복잡한 경험의 지도를 만들어냅니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.