Pathways from AI Literacy to Sustained Engagement with AI-Powered Cognitive Behavioural Therapy: A Structural Equation Model with Moderated Mediation in a National UK Sample

이 연구는 영국 전국 표본을 대상으로 한 구조방정식 모델 분석을 통해, AI 리터러시가 신뢰와 치료적 동맹을 매개로 AI 기반 인지행동치료의 지속적 참여를 촉진하지만, 정신건강에 대한 낙인이 이러한 경로를 약화시킨다는 것을 규명했습니다.

핵심

🧩 핵심 비유: "AI 치료사"라는 새로운 여행

생각해 보세요. 여러분이 낯선 곳으로 여행을 가려고 합니다. 하지만 그 여행은 **로봇 가이드 (AI 치료사)**와 함께 하는 것입니다.

이 연구는 사람들이 이 로봇 가이드와 여행을 오래 지속하기 위해 필요한 3 가지 중요한 요소를 발견했습니다.

1. 출발점: "AI 리터러시" (AI 를 아는 힘)

• 비유: 여행 가기 전, 지도 읽는 법이나 나침반 사용법을 배우는 것과 같습니다.
• 설명: 사람들이 AI 가 어떻게 작동하는지, 무엇을 할 수 있고 무엇을 못 하는지 이해할 때 (이를 'AI 리터러시'라고 합니다), 로봇에 대한 두려움이 줄어듭니다. 마치 나침반을 아는 등산객이 숲을 더 자신 있게 걷는 것처럼요.

2. 중간 다리: "신뢰"와 "유대감"

연구는 AI 리터러시가 직접적으로 사람들을 붙잡아두는 것이 아니라, 두 가지 다리를 통해 연결된다는 것을 발견했습니다.

• 다리 A: 신뢰 (Trust)
  • 비유: 로봇 가이드가 **"내 길을 잘 안내해 줄 거야"**라고 믿는 마음입니다.
  • 설명: AI 를 잘 이해할수록, 이 로봇이 내 감정을 해치지 않고 안전하게 도와줄 것이라고 믿게 됩니다.
• 다리 B: 치료적 유대감 (Therapeutic Alliance)
  • 비유: 로봇 가이드와 **"우리는 팀이야, 함께 목표를 이루자"**라는 친밀한 관계입니다.
  • 설명: 놀랍게도, 로봇이 인간이 아니더라도 사람들은 로봇과도 깊은 정서적 유대감을 느낄 수 있습니다. "이 로봇이 내 이야기를 잘 들어주고, 내 목표를 이해해 주는구나"라고 느낄 때, 사람들은 여행을 계속합니다.

🔑 핵심 발견: AI 를 잘 아는 사람 (AI 리터러시) 은 로봇을 더 신뢰하고, 로봇과 더 친해지며, 그 결과 여행을 더 오래 계속합니다.

3. 방해꾼: "낙인 (Stigma)"

하지만 모든 여행자가 이 길을 쉽게 가는 것은 아닙니다.

• 비유: **"나 같은 사람이 로봇에게 도움을 받는 건 창피한 일이다"**라는 생각입니다.
• 설명: 정신 건강 문제를 가진 자신을 남들이 어떻게 볼까 봐 두려워하거나, 스스로를 낮게 보는 마음 (낙인) 이 강하면, 아무리 AI 를 잘 알아도 로봇을 신뢰하거나 친해지기 어렵습니다. 마치 무거운 짐을 멘 채로 걷는 것과 같습니다.
• 연구 결과: 낙인감이 강한 사람들은 AI 리터러시가 높아도 그 효과가 약해집니다. 하지만 아예 효과가 없는 것은 아닙니다. 다만, 효과가 줄어들어 여행이 더 힘들어집니다.

---

📊 연구의 결론 (한 줄 요약)

"AI 치료 앱을 오래 쓰게 만드는 비결은, 앱 자체의 성능보다 '사용자가 AI 를 얼마나 잘 이해하느냐'에 달려 있습니다. 하지만 그 연결 고리는 '정신 건강에 대한 수치심'이라는 벽에 부딪히면 약해집니다."

💡 이 연구가 우리에게 주는 교훈

1. 단순한 앱 배포는 부족합니다: 좋은 AI 치료 앱을 만든다고 해서 사람들이 계속 쓰지는 않습니다.
2. 교육이 필요합니다: 사람들에게 "이 로봇은 어떻게 작동하는지, 왜 안전한지"를 가르쳐주는 AI 교육이 선행되어야 합니다. (나침반을 가르쳐주는 것)
3. 수줍음을 덜어줘야 합니다: "정신 건강 치료를 받는 것은 부끄러운 일이 아니다"라는 메시지를 통해 **수치심 (낙인)**을 줄여주는 노력이 함께해야 합니다.
4. 로봇도 친구가 될 수 있습니다: 로봇이 마치 친구처럼 대화하고 공감하는 디자인을 만드는 것이 중요합니다.

🇰🇷 한국어로 정리하자면

이 연구는 **"AI 심리 치료를 계속 쓰게 하려면, 사용자에게 AI 기술을 가르쳐주고 (AI 리터러시), 로봇을 믿게 만들며 (신뢰), 로봇과 친구가 되게 해야 (유대감) 한다"**고 말합니다. 다만, **"정신 질환에 대한 수치심"**이 있다면 이 과정이 더 어려워지므로, 그 수치심을 없애주는 노력도 필수적이라고 강조합니다.

이는 영국 NHS(국민건강서비스) 와 같은 곳에서 AI 기반 정신 건강 서비스를 도입할 때, 단순히 기술을 도입하는 것을 넘어 사용자의 마음가짐과 교육에 집중해야 한다는 중요한 지침을 줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 글로벌 정신건강 치료 격차: 전 세계적으로 불안 및 우울 장애 환자가 9 억 7 천만 명 이상이지만, 치료 접근성은 여전히 부족합니다. 특히 영국 NHS 내 심리치료 대기 시간은 18 주를 초과하는 등 심각한 수준입니다.
• AI-CBT 의 도입과 한계: 챗봇, 대화형 에이전트 등 AI 기반 인지행동치료 (AI-CBT) 도구는 확장 가능한 해결책으로 부상했으나, 지속적인 사용자 참여 (Sustained Engagement) 가 극히 낮다는 문제가 존재합니다. 많은 사용자가 초기 2 주 이후 이탈하며, 이는 도구 자체의 효과성 여부와 무관하게 구현 실패로 이어집니다.
• 연구 간극: 기존 연구는 AI 리터러시, 신뢰, 치료적 동맹, 낙인 등의 요소를 질적으로 다루었으나, AI 리터러시가 어떻게 심리적 메커니즘 (신뢰, 동맹) 을 통해 장기적 참여로 전환되는지를 대규모 양적 데이터로 매개 경로 (Mediated Pathway) 를 규명한 연구는 부재했습니다.

2. 연구 방법론 (Methodology)

• 연구 설계: 영국 전국을 대상으로 한 횡단적 온라인 설문을 통해 수집된 데이터를 활용한 구조방정식 모델링 (SEM) 연구입니다.
• 표본:
  • 대상: 과거 12 개월 내에 AI-CBT 도구를 사용한 경험이 있는 18 세 이상 영국 성인 (N = 1,247).
  • 선정 기준: 불안 또는 우울 장애 이력 보유, AI-CBT 사용 경험. (정신병, 양극성 장애, 물질 사용 장애는 제외).
  • 표집: Kantar Public 을 통한 층화 무작위 표집 (Stratified Random Sampling).
• 측정 도구:
  • 예측 변수: AI 리터러시 (AILS, 12 문항).
  • 매개 변수: AI 시스템에 대한 신뢰 (TAS), 지각된 치료적 동맹 (WAI-SR, 인간 - AI 관계에 맞게 수정).
  • 조절 변수: 정신건강 낙인 (ISMI-C 및 ATMI 기반 복합 지수).
  • 결과 변수: 지속적 AI-CBT 참여 (완료 세션 수, 지속 의도, 참여 깊이 등을 종합한 점수).
• 통계 분석:
  • 소프트웨어: R (lavaan 패키지).
  • 모델: 조절된 매개 (Moderated Mediation) 모델.
  • 기법: 잠재변수 조절 구조방정식 (LMS) 접근법 사용 (관측변수 상호작용 항의 편향 방지). 5,000 회 부트스트래핑 (Bootstrap) 을 통한 편향 수정 신뢰구간 (BC-CI) 산출.
  • 모델 적합도 지표: CFI, TLI, RMSEA, SRMR 사용.

3. 주요 결과 (Key Results)

• 모델 적합도: 최종 SEM 모델은 우수한 적합도를 보였습니다 (CFI = 0.967, TLI = 0.959, RMSEA = 0.043).
• 매개 효과 (Mediation):
  • AI 리터러시는 AI 신뢰 (β = 0.441) 와 치료적 동맹 (β = 0.372) 을 모두 유의미하게 예측했습니다.
  • 두 매개 변수 모두 지속적 참여에 강력한 영향을 미쳤습니다 (신뢰: β = 0.483, 동맹: β = 0.527).
  • 간접 효과: AI 리터러시의 총 효과 중 약 **58.4%**가 신뢰와 치료적 동맹을 통한 간접 경로로 설명되었습니다.
  • 직접 효과: 매개 변수를 통제 후에도 AI 리터러시의 직접 효과는 유의미했으나 감소했습니다 (β = 0.148), 이는 부분 매개 (Partial Mediation) 를 시사합니다.
• 조절 효과 (Moderation):
  • 정신건강 낙인은 '신뢰 → 참여' 및 '동맹 → 참여' 경로를 유의미하게 조절했습니다 (ΔR² = 0.042, p = .003).
  • 낮은 낙인을 가진 집단에서는 간접 효과가 가장 강하게 나타났고, 높은 낙인 집단에서는 효과가 유의미하게 약화되었습니다 (Attenuated).
  • 즉, 낙인은 AI 리터러시가 참여로 이어지는 과정을 억제하는 역할을 하지만, 완전히 차단하지는 않았습니다.
• 측정 불변성: 성별, 인종, 사용 도구 유형 (챗봇 vs 앱) 에 따라 모델 경로가 동일하게 적용됨이 확인되었습니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

• 이론적 기여:
  • AI 리터러시가 단순한 기술 이해를 넘어, 신뢰와 치료적 동맹이라는 심리적 메커니즘을 통해 행동 (참여) 으로 이어지는 구체적인 경로를 최초로 양적 모델링했습니다.
  • 인간 - AI 상호작용에서도 **치료적 동맹 (Therapeutic Alliance)**이 형성될 수 있으며, 이것이 지속적 참여의 가장 강력한 예측 변수임을 실증했습니다.
• 실무 및 정책적 시사점 (NHS 및 개발자 대상):
  1. AI 리터러시 교육의 필수화: AI-CBT 도입 전, 도구의 작동 원리와 한계를 설명하는 온보딩 모듈을 통해 리터러시를 높여야 합니다.
  2. 동맹 중심의 설계: AI 챗봇의 대화 설계 시 공감적 반응, 목표 공유, 진행 상황 요약 등 치료적 동맹을 촉진하는 기능이 필수적입니다.
  3. 낙인 감소 개입: 고위험군 (낙인이 높은 사용자) 을 대상으로는 단순한 기술 교육 외에 낙인 해소 메시지, 동료 경험담, 프라이버시 보장 명시 등 추가적인 전략이 필요합니다.
• 공중보건적 의미: AI-CBT 의 확장성을 높이기 위해서는 도구 개발뿐만 아니라 사용자의 심리적 결정 요인 (리터러시, 낙인) 을 해결하는 구현 전략 (Implementation Strategy) 이 병행되어야 함을 강조합니다.

5. 결론

본 연구는 영국 전국 표본을 기반으로 AI 리터러시가 신뢰와 치료적 동맹을 매개로 AI-CBT 의 지속적 참여를 촉진한다는 것을 입증했습니다. 다만, 정신건강 낙인은 이러한 경로를 약화시키는 중요한 조절 변수로 작용합니다. 따라서 AI-CBT 의 성공적인 확산을 위해서는 기술적 접근과 함께 심리적 장벽을 해소하는 다각적인 접근이 필수적입니다.