보조 방법이 만족감과 주체성에 미치는 영향 모델링

초록

본 연구는 보조 기술이 사용자의 주체감(SoA)과 만족감 사이의 관계를 흐름 이론과 귀인 이론을 결합한 수학적 모델로 규명한다. 보조가 사용자의 기술 수준을 높이고 과제를 감소시키는 방식으로 흐름의 ‘기술‑도전’ 평면을 이동시키며, 귀인에서의 인과위치(내적·외적)가 주체감 판단(JoA)에 영향을 준다. 실험에서는 인식 난이도가 다른 보조를 제공한 게임 과제를 통해 ‘인식이 어려운 보조는 내적 귀인으로 인식돼 높은 만족감과 주체감을 유지한다’는 가설을 검증하였다. 결과는 가설을 지지했으며, 설계 시 보조의 인식 난이도를 조절해 사용자의 내적 귀인을 유도하는 것이 만족감 유지에 유효함을 시사한다.

상세 분석

이 논문은 최근 급증하고 있는 다양한 보조 기술이 사용자의 주체감(Sense of Agency, SoA)을 저하시킬 위험성을 지적하고, 이를 보완하기 위한 설계 원칙을 제시한다. 핵심 아이디어는 두 가지 이론적 프레임워크—흐름(flow) 이론과 귀인(attribution) 이론—를 통합해 보조가 사용자의 경험에 미치는 메커니즘을 정량화하는 것이다. 흐름 이론에서는 사용자가 ‘기술‑도전’ 평면 상에서 자신의 기술 수준(skill)과 과제 난이도(challenge)의 균형을 맞출 때 최적의 몰입 상태, 즉 흐름(flow) 상태에 도달한다고 본다. 보조는 사용자의 실제 기술을 인위적으로 상승시키고, 동시에 과제 난이도를 낮추는 두 축으로 작용한다. 이때 보조가 과도하면 사용자는 자신의 행동이 시스템에 의해 대체되었다는 인식을 갖게 되어 SoA가 감소한다.

귀인 이론에서는 행동의 원인을 내부(자기능력) 혹은 외부(시스템) 요인으로 귀인하는 인과위치(locus of causality)가 행동에 대한 만족감과 동기에 큰 영향을 미친다. 논문은 이 인과위치를 두 단계 주체감 판단 모델(two‑step account of agency)의 ‘주체감 판단(JoA)’과 연결한다. 즉, 보조가 인식되기 쉬울수록 사용자는 외적 귀인으로 해석하고, 인식이 어려울수록 내적 귀인으로 해석한다는 가정이다.

수학적 모델은 보조 수준을 변수 A, 인식 난이도를 변수 R(Recognition difficulty)로 두고, 기술 증가 ΔS와 도전 감소 ΔC를 각각 A·f(R) 형태로 표현한다. 여기서 f(R)은 인식 난이도가 클수록 보조 효과가 사용자의 인지에 덜 드러나게 하는 함수이다. JoA는 인식 난이도에 따라 내부 귀인 확률 p_int = g(R) 로 모델링되며, 만족감(Fulfillment)은 흐름 상태와 JoA의 곱으로 정의된다: F = Flow(S+ΔS, C-ΔC) × p_int.

실험 설계는 2×2 요인 설계로, 보조 유무와 보조 인식 난이도(쉬움 vs 어려움)를 조작한 게임 과제를 사용했다. 참가자들은 각 조건에서 자신의 조작 성공률, 주관적 흐름 경험, 주체감 판단, 그리고 전반적 만족감을 평가했다. 결과는 인식이 어려운 보조가 제공된 조건에서 흐름 점수와 JoA가 모두 유의하게 높았으며, 이는 최종 만족감에도 긍정적인 영향을 미쳤다. 반면 인식이 쉬운 보조는 기술·도전 균형을 개선했지만, 외적 귀인으로 인식돼 SoA와 만족감이 감소했다.

이 연구는 보조 설계 시 ‘보조의 투명성(transparency)’을 무조건 최소화하기보다는, 사용자가 보조를 ‘인식하기 어렵게’ 만들면서도 실제 성능 향상을 제공하는 것이 중요함을 강조한다. 또한, 흐름 이론과 귀인 이론을 결합한 정량적 모델은 향후 다양한 HCI 및 게임 디자인 분야에서 보조 기술의 사용자 경험을 예측하고 최적화하는 도구로 활용될 가능성을 보여준다.