How AI-Generated Prompts Shape Emotional Expression in Digital Drawing: Effects on Visual Complexity, Creative Engagement, and Arousal

기술 요약: AI 생성 프롬프트가 디지털 드로잉의 정서적 표현에 미치는 영향

문제 제기
드로잉은 정서적 외현화를 위한 매체로 널리 인식되고 있으나, 기존 문헌에는 특정 정서 상태가 색상, 필치(stroke), 밀도, 공간 구성과 같은 시각적 형태로 어떻게 변환되는지를 설명하는 정량적 및 계산적 접근 방식이 부족하다. 또한, 창의적 활동에 인공지능(AI)이 통합됨에 따라, AI 보조 프롬프트가 정서적 표현의 생성 과정에 어떤 영향을 미치는지에 대한 의문이 제기된다. 특히, AI 프롬프트가 디지털 드로잉의 시각적 복잡성과 행동적 참여도를 변화시키는지, 그리고 결과로 나타나는 특징들이 정서 예측을 위한 신뢰할 수 있는 지표로서 기능할 수 있는지 여부는 여전히 불분명하다.

연구 방법론
본 연구는 마카오 특별행정구 출신의 학부생 31명을 대상으로 한 혼합 방법론 설계를 채택하였으며, 이들은 12가지 감정 기반 디지털 드로잉 과업(기쁨, 분노, 슬픔, 공포, 흥분, 편안함, 불안, 우울, 경외, 향수, 혼란, 만족 포함)을 수행하였다. 참가자들은 AI 보조 프롬프트 조건 또는 대조군 조건에 무작위로 배정되었다.

• AI 조건: 참가자들은 각 과업 시작 전 AI가 생성한 정서적 묘사, 시각적 제안, 구도 아이디어 및 스타일 참조를 제공받았다.
• 대조군 조건: 참가자들은 오직 감정 레이블(label)만을 제공받았다.

데이터 수집 및 특징 추출:
사용자 정의 웹 기반 플랫폼을 통해 색상 선택(HSL), 브러시 크기, 필치 궤적, 드로잉 지속 시간, 공간 점유율을 포함한 프로세스 기반의 행동 흔적을 기록하였다. 369개의 초기 기록 중 363개의 유효한 드로잉을 유지하였다.

• 추출된 특징: 본 연구는 색상 특징(색상, 채도, 명도, 다양성), 필치 특징(횟수, 길이, 속도, 점), 공간 특징(면적, 중심점, 분산)을 정량화하였다.
• 복잡도 지표: 필치 횟수, 궤적 점, 경로 길이, 드로잉 면적, 색상 사용량을 표준화하고 평균하여 합성된 "드로잉 복잡도 점수"를 구축하였다.

통계 및 머신러닝 분석:

1. 선형 혼합 효과 모델 (LMMs): 참가자 수준의 무작위 절편과 반복 측정을 통제하면서, AI 보조 및 감정 프롬프트가 드로잉 복잡도와 행동적 참여에 미치는 영향을 조사하는 데 사용되었다.
2. 머신러닝 분류: 감정을 분류하기 위해 지도 학습 모델(로지스틱 회귀, 랜덤 포레스트, 엑스트라 트리, 서포트 벡터 머신)을 훈련시켰다. 성능은 12가지 세밀한 감정 범주와 더 넓은 상위 차원의 정서 범주 모두에 대해 Top-1/Top-3 정확도 및 Macro/Weighted-F1 점수를 사용하여 평가되었다.
3. 프로토타입 개발: 추출된 드로잉 특징을 바탕으로 실시간 정서 예측을 시연하는 인터랙티브 웹 기반 도구를 개발하였다.

주요 결과

• AI 보조의 영향: AI 보조 조건의 참가자들은 대조군에 비해 유의미하게 높은 시각적 복잡성과 행동적 참여를 가진 드로잉을 생성하였다. 구체적으로 AI 그룹은 다음과 같은 특성을 보였다:
  • 더 긴 드로잉 지속 시간 (약 63% 증가).
  • 더 많은 필치 횟수 (약 71% 증가).
  • 더 많은 궤적 점 (약 80% 증가).
  • 더 넓은 드로잉 면적 (약 54% 증가).
  • 더 높은 색상 다양성 (약 22% 증가).
• 감정 프롬프트의 효과: 감정 프롬프트는 주관적 각성 수치와 특정 궤적 움직임 특징(경로 길이 및 점 밀도)에 유의미한 영향을 미쳤으며, 특히 "불안" 프롬프트는 더 길고 밀도 높은 궤적을 유발하였다. 그러나 감정 프롬프트는 전체적인 합성 드로잉 복잡도 점수를 유의미하게 변화시키지는 않았다.
• 머신러닝 성능:
  • 세밀한 분류: 12가지 특정 감정을 구별하는 성능은 제한적이었으며 (Top-1 정확도 15.4% ~ 22.0% 범위), 이는 시각적 특징만으로는 특정 개별 감정 범주로 정밀하게 매핑하기 어렵다는 것을 나타낸다.
  • 상위 차원 분류: 감정을 더 넓은 정서 범주(예: 긍정/부정, 고각성/저각성)로 그룹화했을 때 성능이 유의미하게 향상되었다. 랜덤 포레스트는 이 맥락에서 Top-1 정확도 45.1%, Top-2 정확도 72.5%를 달-성하였다.

의의 및 주장
본 논문은 디지털 드로잉의 특징이 특정 감정에 대한 고정된 진단적 상징이라기보다 일반적인 정서적 경향성을 반영한다고 주장한다. 본 연구는 개발된 예측 도구를 임상적 진단 시스템이 아닌 탐색적 연구 도구로 위치시킨다.

주요 기여는 다음과 같다:

1. 창의적 비계(Scaffolding)로서의 AI: 연구 결과는 AI 보조 프롬프트가 단순한 콘텐츠 생성기가 아니라, 정서적 외현화 과정 중에 가용한 시각적 및 행동적 자원을 확장하여 더욱 탐색적이고 복잡한 드로잉 행동을 장려하는 비계 역할을 한다는 것을 시사한다.
2. 과정 대 결과: 본 연구는 디지털 드로잉에서의 정서적 표현이 최종적인 시각적 결과물만큼이나 행동적 과정(필치 역학, 지속 시간, 밀도) 속에 내재되어 있음을 강조한다.
3. 계산적 정서 모델링: 본 연구는 개인차와 범주 간 중첩으로 인해 드로잉 특징을 통한 세밀한 감정 예측이 어렵지만, 이러한 특징들이 더 넓은 정서 상태를 식별하는 데는 더 안정적이고 효과적이라는 예비적 근거를 제공한다.

저자들은 이러한 결과가 특정 표본과 실험 설계에 기반하고 있음을 강조하며, 예측 모델은 확정적인 진단 도구가 아닌 예술 치료 및 창의성 연구에서 데이터 지향적 관점의 잠재력을 보여주는 것으로 해석되어야 한다고 밝히고 있다.