스트레스 상황에서 성과 예측, 저전압 피부전도 신호 활용

본 논문은 “스트레스 상황에서 작업 성과를 예측하기 위해 저스트레스 상태에서 측정한 피부전도(GSR) 신호를 활용할 수 있는가?”라는 연구 질문을 제기한다. 이를 검증하기 위해 매사추세츠 공대 소속 30명의 대학생을 대상으로 다단계 실험을 설계하였다. 실험은 크게 네 단계로 구성된다. 첫 번째는 3분간의 휴식 후, 피험자에게 기본적인 산술 곱셈 문제(3자리 × 2자리)를 제시하는 캘리브레이션 라운드이며, 이때 GSR 신호는 저스트레스 상태를 대표한다. 두 번째와 세 번째 라운드는 각각 ‘저스트레스 라운드’와 ‘고스트레스 라운드’로, 각 라운드마다 20개의 문제를 제시한다. 스트레스 수준은 보너스 시간 비율(저스트레스 85 %, 고스트레스 50 %)과 금전 보상 차등(보너스 시간 동안 정답당 $1, 일반 시간 동안 $0.25)으로 조절하였다. 고스트레스 라운드에서는 시간 압박이 크게 증가해 피험자는 더 큰 인지적 부하를 경험한다. GSR 데이터는 NEULOG 손가락 센서를 사용해 5 Hz로 연속 수집했으며, 각 라운드 동안의 원시 신호는 수십만 개의 샘플을 포함한다. 저차원 특징 추출을 위해 두 가지 지표를 정의하였다. ‘drift’는 라운드 시작부터 끝까지의 절대 전도 변화량을 의미하며, 전반적인 스트레스 수준 변화를 포착한다. ‘maximum increase’는 라운드 내 최소값에서 최대값까지의 차이로, 급격한 스트레스 상승을 나타낸다. 이 두 특징은 각각 캘리브레이션 라운드와 저스트레스 라운드에서 계산되었다. 성능 평가는 두 가지 지표를 사용했다. 첫 번째는 각 라운드에서 정답 개수(정확도)이며, 두 번째는 정답당 소요 시간과 보너스 시간 활용을 반영한 ‘수익(earnings)’이다. 저스트레스와 고스트레스 라운드 간의 정확도와 수익 간 상관관계는 통계적으로 유의미하지 않았으며(상관계수 p > 0.05), 이는 단순히 저스트레스 상황에서의 성과가 고스트레스 상황에서의 성과를 예측하지 못한다는 기존 가설을 뒷받침한다. 반면, GSR 특징을 이용한 로지스틱 회귀 모델은 고스트레스 라운드에서 높은 수익을 올린 피험자를 ‘우수 performer’(중위값 이상)로, 낮은 수익자를 ‘열등 performer’(중위값 이하)로 구분하는 데 AUC 0.76이라는 비교적 높은 예측력을 보였다. 동일 데이터에 대해 성능 지표만을 사용한 모델은 AUC 0.51에 그쳤다. 또한, Akaike Information Criterion(AIC) 분석에서 GSR 특징을 포함한 모델이 더 낮은 AIC 값을 보여, 모델 적합도가 우수함을 확인했다. 논문은 이러한 결과를 바탕으로 두 가지 주요 시사점을 제시한다. 첫째, 저스트레스 상황에서 측정된 GSR는 개인의 스트레스 반응성을 반영하며, 이는 고스트레스 상황에서의 작업 성과를 예측하는 데 유용한 바이오마커가 될 수 있다. 둘째, 전통적인 성능 기반 테스트만으로는 실제 고스트레스 환경에서의 행동을 충분히 추정할 수 없으며, 생리학적 데이터를 결합한 멀티모달 평가가 필요하다. 그러나 연구에는 몇 가지 제한점이 있다. 피험자 표본이 대학생 30명으로 제한돼 있어 산업 현장의 다양한 연령·직업군에 대한 일반화가 어렵다. 스트레스 조작이 보너스 시간 비율과 금전 보상에만 의존했기 때문에, 물리적 위험, 사회적 평가 등 복합적 스트레스 요인을 충분히 반영하지 못한다. GSR 특징이 ‘drift’와 ‘maximum increase’ 두 가지만 사용됐으며, 보다 정교한 시간‑주파수 분석이나 비선형 동역학 특성을 고려하지 않았다. 라벨링 기준이 중위값 기반 이진 분류이므로, 실제 성과의 연속성을 간과한다는 점도 비판받을 수 있다. 향후 연구 방향으로는 (1) 다양한 직업군·연령층을 포함한 대규모 코호트 구축, (2) 실제 작업 현장에 가까운 스트레스 시나리오 설계, (3) 심박 변이도(HRV), 안구 움직임, 뇌파(EEG) 등 다중 바이오마커 통합, (4) 머신러닝·딥러닝 기반 시계열 모델링을 통한 비선형 관계 탐색 등을 제안한다. 이러한 확장을 통해 스트레스와 성과 사이의 복합 메커니즘을 보다 정밀하게 규명하고, 실무에서 위험 관리·인재 선발·교육 설계 등에 적용 가능한 예측 도구를 개발할 수 있을 것이다.