📊 통계학

Computational Growth Modeling: Assessing Longitudinal Change with Joint Models

이 논문은 계층적 계산 모델과 종단 데이터를 결합하여 전통적인 2단계 방식보다 행동 과정의 개인별 변화를 더 정확하게 추정함으로써 정신병리의 병인을 이해하는 데 향상된 통찰력을 제공하는 결합 모델링 접근법인 "계산 성장 모델링(computational growth modeling)"을 소개하고 검증한다.

원저자: Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

게시일 2026-10-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

인간의 행동은 결코 단일한 스냅샷이 아닙니다. 그것은 시간이 흐름에 따라 펼쳐지는 하나의 이야기입니다. 사람들이 왜 특정한 선택을 하는지 이해하기 위해, 심리학자들은 종종 사람들이 보상과 처벌로부터 어떻게 학습하는지를 드러내는 과업을 수행하도록 요청합니다. 아이오와 도박 과제(Iowa Gambling Task)라고 알려진 이러한 과제 중 하나는 참가자들에게 서로 다른 덱에서 카드를 뽑도록 요구합니다. 어떤 덱은 큰 승리를 제공하지만 훨씬 더 큰 손실도 함께 제공하며, 다른 덱은 작지만 꾸준한 이득을 제공합니다. 연구자들은 사람들이 어떤 덱을 선택하는지를 관찰함으로써, 그들이 위험한 옵션을 피하는 법을 배우고 있는지 확인할 수 있습니다. 수년 동안 과학자들은 컴퓨터 모델을 사용하여 이러한 선택들을 숫자로 변환하여, 한 사람이 승리나 패배 후에 자신의 기대치를 얼마나 빨리 업데이트하는지와 같은 요소들을 추정해 왔습니다. '매개변수(parameters)'라고 불리는 이 숫자들은 마음의 학습 기제에 대한 창 역할을 합니다. 그러나 지속적인 문제는 이러한 숫자들이 변화할 때 이를 어떻게 추적할 것인가였습니다. 연구자들이 몇 달 또는 몇 년에 걸쳐 학습이 어떻게 진화하는지 보고 싶을 때, 그들은 일반적으로 두 단계의 과정을 거쳐왔습니다. 먼저, 한 세션 동안의 개인의 학습 숫자를 계산한 다음, 그 숫자를 완벽한 사실로 간하여 나중에 어떻게 변하는지 살피는 방식입니다. 이 방법은 첫 번째 계산이 결점 없이 완벽했다고 가정하며, 인간의 행동을 측정할 때 발생하는 자연스러운 모호함과 불확실성을 무시합니다.

조지아 서던 대학교의 제레미 헤인즈(Jeremy Haynes)가 이끄는 연구팀은 이 문제에 대해 다른 방식으로 접근할 것을 제안했습니다. 즉, 측정과 변화를 하나의 연결된 이야기로 취급하는 방식입니다. 새로운 연구에서 그들은 '계산적 성장 모델링(computational growth modeling)'이라고 부르는 방법을 도입했습니다. 개인의 학습 스타일을 계산하는 것과 그 학습 스타일이 시간에 따라 어떻게 변하는지를 추적하는 것을 분리하는 대신, 이 새로운 접근법은 이 두 가지를 동시에 수행합니다. 이 둘을 하나로 엮음으로써, 연구자들은 초기 측정의 불확실성을 설명할 수 있으며, 한 세션의 데이터가 다음 세션에 대한 이해에 정보를 제공할 수 있도록 합니다. 이 아이디어가 효과적인지 테스트하기 위해, 연구팀은 먼저 거대한 시뮬레이션을 만들었습니다. 그들은 세 번의 세션 동안 단순한 의사결정 게임을 수행하는 사람들을 나타내는 수천 개의 가짜 데이터셋을 생성했습니다. 이 시뮬레이션에서 그들은 참가자들의 학습률이 어떻게 변해야 하는지에 대한 정확한 진실을 알고 있었습니다. 그런 다음 그들은 새로운 통합 방법과 전통적인 두 단계 접근법을 비교했습니다. 결과는 명확했습니다. 새로운 방법이 변화의 실제 패턴을 복구하는 데 훨씬 더 뛰어났습니다. 새로운 방법은 사람들이 얼마나 빨리 학습하는지와 시작점이 어떻게 다양한지를 정확하게 식별해 낸 반-면, 기존 방법은 특히 시작 능력의 개인차가 개선 속도와 어떻게 관련되어 있는지를 파악하려고 할 때 종종 목표를 놓쳤습니다. 새로운 접근법은 기존 방법이 무시했던 측정 오차의 '안개'를 성공적으로 포착하여, 행동이 어떻게 진화하는지에 대한 훨씬 더 선명한 그림을 제공했습니다.

이러한 시뮬레이션에 고무된 연구진은 성인들로부터 3년에 걸쳐 수집된 실제 데이터를 이 방법론에 적용했습니다. 이 참가자들은 아이오와 도박 과제의 '플레이 또는 패스(play-or-pass)' 버전을 다섯 번 수행했습니다. 이 버전에서 플레이어는 위험을 감수하고 카드의 덱을 플레이하거나, 차례를 건너뛰기 위해 패스할 수 있습니다. 새로운 통합 모델을 사용하여 연구팀은 참가자들의 학습 습관이 다섯 번의 세션에 걸쳐 어떻게 변화하는지 추적할 수 있었습니다. 그들은 경험이 쌓임에 따라 즉각적인 보상과 처벌에 대한 민감도가 실제로 감소한다는 것을 발견했는데, 이는 사람들이 단일한 승리나 패배에 덜 반응하고 장기적인 결과에 더 집중하게 됨을 시사합니다. 동시에, 승리하거나 패배하는 빈도에 대한 민감도는 증가했으며, 특정 덱과 상관없이 플레이하려는 경향이 강해졌습니다. 이러한 변화의 패턴은 참가자들이 충동적인 반응에서 벗어나 보다 계산된 접근 방식으로 전략을 정교화하고 있음을 보여주었습니다.

이 새로운 방법의 힘은 연구진이 개인의 이력을 변수에 포함했을 때 더욱 분명하게 드러났습니다. 그들은 불안, 우울, 또는 약물 사용의 이력과 성별이 학습의 변화에 영향을 미치는지 조사했습니다. 모델은 뚜렷한 차이를 보여주었습니다. 예를 들어, 남성은 여성보다 기초적인 처벌 민감도가 높았는데, 이는 처음에 손실에 대해 더 민감하게 반응했음을 의미합니다. 더욱 놀라운 점은, 우울증 이력이 있는 사람들은 승리하거나 패배하는 빈도에 대해 높은 민감도로 시작했지만, 시간이 지남에 따라 처벌에 대한 민감도가 그렇지 않은 사람들에 비해 훨씬 더 급격히 떨어졌다는 것입니다. 이는 우울증이 의사결정에 미치는 영향이 단순히 정적인 특성이 아니라, 경험을 쌓음에 따라 변하는 역동적인 과정임을 시사합니다. 연구진은 우울증과 학습률에 관한 이러한 발견이 자신들의 연구와 같은 긴 타임라인을 가진 연구에서 나타난 특수한 결과임을 언급했습니다.

이 연구는 인간의 의사결정의 미스터리를 해결했다고 주장하는 것이 아니라, 그것이 펼쳐지는 과정을 관찰할 수 있는 더 신뢰할 수 있는 도구를 제공하는 것입니다. 저자들은 자신들의 방법이 행동 과정이 어떻게 발달하는지, 그리고 정신 질환에서 어떻게 잘못될 수 있는지를 이해하는 데 특히 유용하다고 강조합니다. 우리의 마음을 측정하는 것이 결코 완벽하게 정밀하지 않다는 점을 인정하고, 그 불확실성을 분석 과정에 직접 구축함으로써, 계산적 성장 모델링 접근법은 우리가 어떻게 학습하는지에 대한 더 명확하고 정직한 관점을 제공합니다. 이는 과학자들이 단순히 어떤 사람이 특정 날에 어디에 있는지를 보는 것이 아니라, 그들이 어떻게 움직이고 있는지, 그리고 그 움직임이 그들의 고유한 이력과 생물학적 특성에 따라 어떻게 다를 수 있는지를 볼 수 있게 해줍니다. 연구진이 지적했듯이, 이 프레임워크는 다양한 유형의 과업과 동물 연구에도 적용될 수 있어, 시간에 따른 행동의 유동적인 본질을 연구하는 데 다각적인 방법을 제공합니다.

기술 요약: 결합 모델을 이용한 계산적 성장 모델링

문제 제기
심리학의 종단 연구는 행동 과정이 시간에 따라 어떻게 변화하는지 규명하는 것을 목표로 하는 경우가 많습니다. 일반적인 방법론적 과제는 연구자들이 종단 데이터(예: 강화 학습 파라미터)를 분석할 때 발생합니다. 표준적인 관행은 "2단계(two-stage)" 접근법을 사용하는 것입니다. 즉, 첫 번째 단계에서는 각 시점의 행동 데이터에 대해 계산 모델을 적합시켜 개인 수준의 파라미터를 추출하고, 두 번째 단계에서는 추출된 이 파라미터들을 사용하여 통계적 성장 모델(예: 계층 선형 모델)을 적합시키는 방식입니다.

본 논문은 이러한 2단계 접근법의 결정적인 결함을 지적합니다. 이 방식은 첫 번째 단계에서 추정된 파라미터에 내재된 측정 오차와 불확실성을 무시한 채, 개인 수준의 계산 파라미터를 두 번째 단계에서 "참값(true scores)"으로 취급한다는 점입니다. 이러한 불확실성의 전파 실패는 행동 모델로부터 성장 모델로 이어지는 추론에 편향을 일으키고, 통계적 검정력을 감소시키며, 종단적 궤적 추정의 신뢰도를 저하시킬 수 있습니다. 결합 모델링(joint modeling)은 검사-재검사 신뢰도 및 교차 과제 연관성을 개선하기 위해 이전에 사용되어 왔으나, 계산적 파라미터의 종단적 변화를 평가하는 데 적용되는 사례는 제한적이었습니다.

방법론
저자들은 계산적 행동 모델과 종단적 성장 모델을 하나의 계층적 베이지안 결합 모델로 통합하는 "계산적 성장 모델링(Computational Growth Modeling, CGM)" 프레임을 제안하고 구현합니다.

이론적 프레임워크:
- 개인 수준 모델: 계산 모델(예: 강화 학습)은 과제 자극( $C$ )과 개인별 파라미터( $\theta$ )를 기반으로 시행 수준(trial-level)의 행동( $Y$ )을 특징짓습니다.
- 집단 수준 모델: 종단적 성장 모델은 개인 수준의 파라미터( $\theta$ )가 시간에 따라( $T$ ) 어떻게 변화하고 개인 간에 어떻게 다른지를 특징짓습니다. 이는 개인별 절편( $\beta_{0i}$ )과 기울기( $\beta_{1i}$ )가 집단 수준의 평균( $\gamma$ ), 분산, 상관관계로 정의된 다변량 정규 분포에서 추출되는 선형 성장 모델로 명시됩니다.
- 통합: 2단계 접근법과 달리, CGM은 계산 파라미터와 성장 파라미터를 동시에 추정합니다. 이를 통해 시행 수준의 파라미터 추정에 대한 불확실성이 성장 궤적의 추정에 영향을 미치고, 그 반대의 경우도 가능하게 합니다.
시뮬레이션 연구:
- 설계: 저자들은 단일 파라미터 Rescorla-Wagner 강화 학습 모델을 사용하는 투 암드 밴딧(two-armed bandit) 과제를 사용하여 900개의 데이터셋을 시뮬레이션했습니다. 데이터는 50명의 "참가자"를 대상으로 3번의 세션 동안 생성되었습니다.
- 조건: 시뮬레이션은 집단 수준의 기울기 효과(변화 없음, 완만한 감소, 완만한 증가)와 절편-기울기 상관관계를 변화시키며 수행되었습니다.
- 비교: CGM 접근법은 전통적인 2단계 접근법과 비교되었습니다. 두 방식 모두 Stan을 이용한 계층적 베이지안 추정을 사용하여 구현되었습니다.
- 지표: 성능은 파라미터 회복력(추정된 값과 실제 값 사이의 상관관계), 평균 절대 편차(MAD, 실제 값과 추정 값 사이의 차이), 그리고 95% 신용 구간(Highest Density Interval)이 실제 값을 포함하는 빈도인 95% 커버리지 확률을 기준으로 평가되었습니다.
실제 데이터 적용:
- 과제: 저자들은 성인을 대상으로 한 "play-or-pass" 아이오와 도박 과제(Iowa Gambling Task, IGT)의 5개 파동(wave) 종단 데이터를 CGM에 적용했습니다.
- 모델: 보상 학습률, 처벌 학습률, 승리/패배 빈도 민감도, 반응 편향을 포함하는 결과 표현 학습(Outcome Representation Learning, ORL) 모델을 활용했습니다.
- 공변량: 두 가지 모델이 적합되었습니다: 무조건적 성장 모델(기초 궤적)과 성별 및 불안, 우울, 물질 사용 장애의 평생 병력을 공변량으로 포함하는 조건부 성장 모델입니다.

주요 결과

시뮬레이션 결과:
- 파라미터 회복: CGM 접근법은 개인 수준의 성장 파라미터(절편 및 기울기)를 회복하는 데 있어 2단계 접근법보다 유의미하게 우수한 성능을 보였습니다. 2단계 접근법은 절편 회복력이 낮았으나(상관관계 $\le$ .51), CGM은 더 높은 회복력을 보였습니다(상관관계 $\ge$ .59).
- 편향 및 불확실성: 2단계 접근법은 절편과 기울기의 표준 편차를 체계적으로 과소평정했으며, 학습률이 변하는 조건에서 실제 집단 수준의 절편과 기울기를 포착하는 데 실패했습니다.
- 커버리지: 2단계 접근법은 성장 파라미터에 대해 낮은 95% 커버리지 확률을 보였으며(종종 목표치인 95%보다 훨씬 낮음), 이는 실제 파라미터가 추정된 신용 구간 밖에 자주 존재함을 의미합니다. 반면 CGM은 95% 목표치에 훨씬 가까운 커버리지 확률을 유지했습니다.
- 학습률: 두 접근법 모두 개별 시점에서의 정적 학습률을 추정하는 데는 잘 작동했으나, CGM은 이러한 비율의 변화를 추정하는 데 있어 탁월한 성능을 제공했습니다.
실제 데이터 결과:
- 무조건적 경향: 3년에 걸친 5번의 세션 동안, 보상 및 처벌 학습률은 감소한 반면, 승리/패배 빈도 민감도와 반응 편향은 증가했습니다.
- 조건부 효과: 조건부 모델은 유의미한 개인차를 드러냈습니다. 남성 참가자는 여성보다 높은 기초 처벌 학습률을 보였습니다. 우울증 병력이 있는 개인은 그렇지 않은 이들에 비해 높은 기초 승리/패와 빈도 민감도를 보였으며, 처벌 학습률의 더 가파른 감소를 나타냈습니다.

의의 및 주장
본 논문은 CGM이 전통적인 2단계 접근법에 비해 행동 과정의 종단적 변화를 평가하는 데 있어 더 견고하고 정확한 방법론이라고 주장합니다.

방법론적 발전: 계산 모델과 성장 모델을 통합함으로써, CGM은 측정 오차와 불확실성을 적절히 고려하며, 추정된 파라미터를 고정된 참값으로 취급할 때 발생하는 편향을 방지합니다.
추론 개선: 동시 추정 프레임워크는 더 나은 파라미터 회복력과 더 정확한 신용 구간(커버리지)을 산출하며, 특히 종단 연구의 주요 관심사인 성장 파라미터(기울기 및 절편)에서 그러합니다.
유연성: 이 프레임워크는 다양한 계산 모델(단순한 모델부터 복잡한 모델까지)을 수용할 수 있도록 유연하며, 개인 차이가 발달 궤적을 어떻게 조절하는지 테스트하기 위해 공변량(예: 정신병리 병력, 성별)을 원활하게 통합할 수 있습니다.
제한적 범위: 저자들은 CGM이 유망하지만, 계산 집약적이며 맞춤형 프로그래밍(예: Stan)이 필요하다는 점을 언급했습니다. 또한, 신뢰도를 높이는 계층적 수축(hierarchical shrinkage)이 피험자 간 변동성을 압축할 수 있으며, 이는 개별 유기체의 행동에 집중하는 연구자들에게 고려 사항이 될 수 있음을 인정했습니다. 본 논문은 CGM이 만능 해결책이라고 주장하는 것이 아니라, 종단적 계산 모델링이 포함된 특정 맥락에서 더 우수한 대안으로 제시하는 것입니다.

유사한 논문