반사적 사고와 게임 이론: 전략·정보 반사 모델의 통합

초록

이 논문은 정적·동적 의사결정 모델에 인간의 반사적 사고를 명시적으로 포함시키는 방법을 고찰한다. 정보 반사와 전략 반사를 구분하고, 일반 게임 이론, 집합 행동 이론, 학습 모델에 적용된 기존 연구들을 정리한다. 특히 레벨‑k와 인지 계층 모델을 중심으로 반사 단계, 가상(phantom) 에이전트, 공통 지식 구조 등을 수학적으로 정의하고, 정보 균형과 전략 균형의 관계를 분석한다.

상세 분석

논문은 먼저 ‘반사(reflexion)’라는 개념을 인간이 자신과 타인의 믿음을 다층적으로 구성하는 인지 과정으로 정의한다. 이를 두 종류로 구분하는데, 정보 반사는 불확실한 외부 변수와 타인이 그 변수를 어떻게 인식하는가에 대한 믿음의 구조이며, 전략 반사는 그러한 믿음 위에 구축된 상대의 의사결정 원칙에 대한 추론이다. 수학적으로는 각 에이전트 i의 인식 구조를 트리 형태의 ‘인식 구조(awareness structure)’ Γ_i 로 모델링하고, 전체 게임의 인식 구조 Γ 로 확장한다. 여기서 실존 에이전트와 ‘환상(phantom) 에이전트’가 동시에 존재하는데, 환상 에이전트는 실제 존재하지 않지만 실존 에이전트의 고차 믿음에 의해 행동이 결정된다. 이러한 구조는 무한 계층의 믿음이 실제 계산에서는 유한 깊이로 제한될 때 ‘정보 균형(informational equilibrium)’을 정의한다. 조건 1은 인식 구조의 복잡도가 유한함을, 조건 2는 동일 인식 구조를 가진 에이전트가 동일 행동을 선택함을, 조건 3은 각 에이전트가 자신의 목표 함수를 최대화한다는 합리성 가정을 명시한다.

전략 반사 모델로는 레벨‑k와 인지 계층(Cognitive Hierarchies, CH) 모델을 상세히 검토한다. 레벨‑k에서는 0‑레벨 에이전트가 무작위 행동을, k‑레벨 에이전트는 (k‑1)‑레벨 에이전트의 행동을 베스트 응답으로 가정한다. CH 모델은 에이전트들의 레벨 분포를 포아송 분포로 가정하고, 각 레벨이 하위 레벨의 행동을 기대값으로 사용한다. 최근 연구는 양자 최적응답(QBR)과 결합한 QCH, 스파이크‑포아송 변형 등을 제시하며, 이러한 변형이 실험 데이터와의 적합성을 높인다고 보고한다. 논문은 네 가지 핵심 요소—레벨 분할, 레벨‑k 인식, 응답 모델, 하위 레벨 행동 모델—를 통해 다양한 전략 반사 모델을 통합적으로 설명한다. 또한, 동적 모델에서는 시간에 따라 인식 구조가 업데이트되는 학습 메커니즘을 제시하고, 게임 이론 외에도 집합 행동 이론과 행동 경제학에서의 적용 가능성을 논한다.

전체적으로 이 연구는 인간의 다층적 인지 구조를 수학적으로 형식화함으로써 기존 게임 이론의 한계를 보완하고, 실험적 행동 데이터와의 연결 고리를 제공한다는 점에서 의미가 크다.