인간 인과력 판단의 숨은 메커니즘: 노이즈‑OR·AND 네트워크와 확률적 원인 모델

** 본 논문은 인간이 일상 생활에서 ‘A가 있으면 B가 발생한다’는 인과 관계를 어떻게 판단하는지를 설명하는 Cheng(1997)의 심리학적 모델을 수학적으로 정밀화하고, 이를 현대 베이즈 네트워크 이론과 연결한다. 1. **Cheng 모델의 베이즈 네트워크 해석** Cheng 모델은 두 변수 A(원인)와 B(결과) 사이에 촉진력 p와 억제력 q라는 두 파라미터를 도입한다. 저자는 이 모델이 실제로는 ‘노이즈‑OR’(양의 인과)와 ‘노이즈‑AND’(음의 인과) 형태의 베이즈 네트워크와 동등함을 증명한다. 즉, A가 독립적인 베르누이 변수로 존재하고, B는 여러 원인들의 논리적 OR(또는 AND) 연산 뒤에 ‘실패 확률(노이즈)’을 적용한 형태가 된다. 2. **임의 비순환 네트워크로의 일반화** 기존 2변량 모델을 넘어, 저자는 다중 변수와 다중 경로를 포함하는 비순환 그래프(acyclic graph)로 확장한다. 각 노드는 여러 부모 노드(원인)로부터 영향을 받으며, 연결은 촉진(노이즈‑OR) 혹은 억제(노이즈‑AND) 게이트로 지정된다. 이 구조는 복잡한 인과 관계—예를 들어, 의료 진단에서 여러 증상이 하나의 질병을 암시하거나, 교육 연구에서 여러 교수법이 학업 성취에 미치는 영향을 동시에 모델링—에 적용 가능하게 만든다. 3. **파라미터 추정 조건** 실제 데이터에서는 원인 중 일부가 관측되지 않을 수 있다(미관측 원인). 저자는 이러한 상황에서도 네트워크 파라미터를 일관되게 추정할 수 있는 충분조건을 제시한다. 주요 조건은 다음과 같다. - **조건부 독립성 유지**: 각 노드가 부모 노드들로부터 독립적인 영향을 받는 구조적 제약. - **다양한 실험 설계**: 원인 변수를 조작하거나 자연 실험을 통해 다양한 조합의 데이터가 확보될 때. - **노이즈 파라미터 범위**: 0 < θ < 1 로 제한되어야 수학적 식이 수렴한다. 이러한 조건 하에서는 최대우도 추정(MLE) 혹은 베이지안 사후 추정이 닫힌 형태로 도출될 수 있으며, EM 알고리즘을 이용한 반복 추정도 수렴성을 보장한다. 4. **직접 인과와 전체 인과의 구분** 저자는 인과 효과를 두 가지로 구분한다. - **직접 인과(direct influence)**: 두 변수 사이에 단일 에지(edge)만 존재하는 경우, 즉 A → B 형태. 이는 조건부 확률비(odds ratio)만으로도 추정 가능하다. - **전체 인과(total influence)**: A와 B 사이에 여러 경로가 존재하는 경우, 모든 경로를 합산한 효과. 미관측 원인이 결과에 직접 연결되지 않을 때, 전이 행렬(transition matrix)을 이용해 전체 인과를 식별할 수 있다. 반대로 미관측 원인이 결과에 직접 연결되면 전체 인과는 식별 불가능하거나, 추가 가정(예: 무작위화)이 필요하다. 5. **Rubin 인과 프레임워크와의 연계** Rubin 모델은 처치(treatment)와 통제(control) 두 잠재 결과를 가정하고 평균 치료 효과(ATE)를 정의한다. Cheng 모델을 Rubin 프레임워크에 매핑하면, 각 원인 A는 처치 역할을 하고, 결과 B는 잠재 결과 변수에 해당한다. 노이즈‑OR/AND 게이트는 잠재 결과가 발생할 확률을 결정하는 ‘생성 메커니즘’으로 해석될 수 있다. 따라서 Cheng 모델은 Rubin 모델을 다중 처치·다중 경로 상황으로 확장한 형태이며, 인과 효과를 확률적 네트워크 구조 안에서 직접 계산할 수 있게 한다. 6. **실제 적용 사례와 시뮬레이션** 논문은 의료 데이터(예: 증상‑진단 관계), 교육 실험(예: 교수법‑학업 성취), 사회 행동 연구(예: 정책‑행동 변화) 등 세 가지 실제 사례에 모델을 적용한다. 각 사례에서 (i) 네트워크 구조를 설계하고, (ii) 관측된 빈도 데이터를 이용해 파라미터를 EM 알고리즘으로 추정하며, (iii) 직접·전체 인과를 계산한다. 시뮬레이션 결과, 미관측 원인이 존재해도 제시된 충분조건을 만족하면 파라미터와 인과 효과를 정확히 복원할 수 있음을 보인다. 7. **의의와 한계** - **이론적 기여**: 인간 인과력 판단을 베이즈 네트워크와 연결함으로, 심리학과 통계학·인공지능 사이의 다리 역할을 수행한다. - **실용적 기여**: 복잡한 인과 구조를 가진 실제 데이터에서 파라미터 추정과 인과 효과 구분을 체계적으로 수행할 수 있는 방법론을 제공한다. - **제한점**: 미관측 원인이 결과에 직접 연결되는 경우 식별이 어려우며, 가정된 독립성 및 비순환성 제약이 현실 데이터에 항상 부합하지 않을 수 있다. 또한 노이즈‑OR/AND 형태가 모든 인과 메커니즘을 포괄하지는 않는다(예: 비선형 상호작용). 결론적으로, 이 논문은 Cheng의 심리학적 인과력 모델을 현대 베이즈 네트워크 이론으로 재구성하고, 이를 일반적인 비순환 인과 그래프와 파라미터 추정 이론에 통합함으로, 인과 추론을 필요로 하는 다양한 학문 분야에 강력한 분석 도구를 제공한다. **