조직 소셜 네트워크에서 지식 근로자의 협업 학습 행동 모델링

초록

본 논문은 조직 내 소셜 네트워크를 기반으로 지식 근로자의 협업 학습 과정을 모델링한다. 노드는 사회·인지 능력과 보유 역량을 포함하고, 지식 흐름을 통해 역량 향상이 발생한다는 가정 하에 지식 촉진자, 수집자, 전문가 역할을 최적 배정한다. 커뮤니티 오브 프랙티스(COP) 내 지식 흐름을 가속화하는 전략을 제시하고, 시뮬레이션을 통해 제안 방법의 효과를 검증한다.

상세 요약

이 연구는 조직형 소셜 네트워크를 정량적 시뮬레이션 환경으로 전환하기 위해 두 단계의 전처리를 수행한다. 첫 번째는 네트워크 토폴로지를 그래프 형태로 정의하고, 각 정점(노드)을 ‘지식 근로자’로 모델링한다. 노드 속성은 크게 사회적 능력(연결성, 신뢰도), 인지적 능력(학습 속도, 정보 처리 능력) 그리고 보유 역량(전문 분야, 숙련도)으로 구분된다. 두 번째는 ‘지식 흐름(knowledge flow)’이라는 개념을 도입해, 한 노드가 보유한 지식을 인접 노드에게 전파하는 과정을 확률적 전이 모델로 구현한다. 전이 확률은 송신자의 촉진자 역할 여부와 수신자의 수집자 역할 여부, 그리고 양측의 역량 격차에 따라 가중된다.

핵심 가정은 협업 학습이 지식 흐름의 누적 효과로 나타난다는 점이다. 따라서 시간 단계별 시뮬레이션에서 각 노드의 역량 점수는 수신된 지식량에 비례해 상승한다. 역량 상승은 일정 임계값을 초과하면 ‘전문가’ 역할을 부여받게 하여, 네트워크 내에서 새로운 지식 촉진자로 전환될 수 있다. 이는 조직 내 역동적인 역할 재배치를 가능하게 하며, 전통적인 정적 역할 할당 방식과 차별화된다.

논문은 세 가지 역할 배정 전략을 제시한다. ① ‘지식 촉진자’는 높은 사회적 연결성과 높은 전파 효율을 가진 노드에 할당, ② ‘지식 수집자’는 학습 속도가 빠르고 새로운 정보를 흡수하는 능력이 뛰어난 노드에 배정, ③ ‘전문가’는 특정 도메인에서 높은 숙련도를 보이는 노드에 지정한다. 각 전략은 네트워크 전체의 평균 역량 성장률과 COP 내부의 지식 흐름 효율성을 평가하는 메트릭으로 검증된다.

특히 커뮤니티 오브 프랙티스(COP) 내 가속화 메커니즘은 기존 연결에 새로운 ‘가교(tie)’를 추가함으로써 구현된다. 가교는 두 노드 간의 역량 격차와 사회적 신뢰도를 고려해 선택되며, 선택된 가교는 지식 흐름 경로를 단축시켜 학습 속도를 비약적으로 높인다. 시뮬레이션 결과, 최적 가교 추가 시 COP 전체 역량 평균이 15~20% 상승하고, 전문가의 등장 빈도가 크게 증가한다는 것이 확인되었다.

이 모델의 강점은 조직 내 인간 행동을 정량화된 파라미터로 추상화하면서도, 역할 변화와 네트워크 재구성을 동적으로 반영한다는 점이다. 그러나 실제 조직에서는 개인의 감정, 정치적 요인, 외부 환경 변화 등이 추가적으로 작용할 수 있어, 모델 파라미터의 실증적 캘리브레이션이 필요하다. 또한 시뮬레이션 규모가 커질수록 계산 복잡도가 급증하므로, 효율적인 알고리즘 최적화가 향후 과제로 남는다.