감정 챗봇이 만든 온라인 집단 행동의 역학

초록

본 연구는 긍정·부정·중립 감정 프로파일을 가진 챗봇과 사용자의 대화를 실험하고, 이를 에이전트 기반 시뮬레이션으로 확장하여 감정 전파와 집단적 정서 동기화를 분석한다. 실험에서는 ANEW 사전을 이용해 대화 메시지의 가치·각성 점수를 추출했으며, 감정 프로파일이 사용자 정서와 언어 사용에 미치는 영향을 정량화하였다. 네트워크 분석과 시뮬레이션 결과, 챗봇의 감정이 사회 네트워크 전반에 퍼져 시간적 상관과 지속적인 변동성을 보이며 감정 유사성에 따라 클러스터링되는 현상이 확인되었다.

상세 분석

이 논문은 감정 인식 챗봇(Affective Dialog System, DS)의 세 가지 정서 프로파일(긍정, 부정, 중립)을 설계하고, 91명의 참가자가 각각 7분간 무작위 순서로 챗봇과 대화하도록 하는 실험을 수행하였다. 대화 텍스트는 Support Vector Machine 기반 대화 행위 분류기, Lexicon 기반 감성 분류기, 그리고 ANEW(Affective Norms for English Words) 사전을 활용해 각 발화의 가치(valence)와 각성(arousal) 점수를 추출하였다. 결과적으로 부정 프로파일은 사용자 발화의 평균 가치와 각성을 현저히 낮추었으며, 긍정 프로파일은 반대로 높은 가치와 긍정적 감정어 사용을 촉진하였다. 반응 시간·단어 수 등 기본적인 대화 양상은 프로파일에 따라 차이가 없었지만, 어휘 카테고리와 감정 단어 사용 빈도에서 유의미한 차이가 나타났다.

실험 데이터를 기반으로 91×3개의 사용자–봇 감정 시계열을 상관 행렬로 변환하고, 네트워크 이론 기법(노드 간 상관 기반 연결, 클러스터링 계수, 모듈러리티)으로 감정 응답 패턴을 시각화하였다. 이때 동일 프로파일에 대한 사용자들의 감정 변동이 높은 상관을 보이며, 감정 유사성에 따라 뚜렷한 커뮤니티가 형성되는 것을 확인했다.

다음 단계로, 저자들은 기존에 개발된 에이전트 기반 모델을 확장하여 실험적 챗봇을 가상 사회 네트워크에 삽입하였다. 각 에이전트는 감정 상태(가치·각성)를 보유하고, 인접 에이전트와 메시지를 교환하면서 감정을 전파한다. 챗봇은 네트워크 내 특정 노드에 고정된 감정 프로파일을 지속적으로 발신하고, 에이전트들은 감정 차이에 따라 확률적으로 반응한다. 시뮬레이션 결과는 실제 실험과 일관되게, 챗봇의 감정이 네트워크 전반에 퍼져 시간적 자기상관(α≈0.7)의 장기 기억을 형성하고, 감정 클러스터가 지속적으로 성장한다는 것을 보여준다. 특히, 긍정 챗봇이 존재할 경우 전체 네트워크의 평균 가치가 상승하고, 부정 챗봇이 존재할 경우 평균 가치가 감소하는 경향이 뚜렷했다.

통계적으로는 감정 시계열의 파워 스펙트럼이 1/f^β 형태를 보이며, β값이 0.5~1 사이에서 변동, 이는 복합적 상호작용에 의해 생성된 장거리 의존성을 의미한다. 또한, 감정 전파 속도와 네트워크 차수 분포가 감정 클러스터 형성에 미치는 영향을 분석해, 높은 차수를 가진 허브 노드가 감정 전파의 주요 경로임을 확인하였다.

이러한 결과는 (1) 감정 챗봇이 개인 수준에서 정서 변화를 유발할 뿐 아니라, (2) 사회적 연결망을 매개로 집단적 정서 동기화와 지속적 변동성을 촉진한다는 점을 시사한다. 특히, 감정 프로파일을 전략적으로 설계하면 온라인 커뮤니티의 분위기 조절, 위험 감정 억제, 혹은 긍정적 참여 유도 등에 활용 가능함을 제시한다.