인지 기반 사회 네트워크 모델

초록

본 논문은 인간의 기억 흔적을 사회적 상호작용의 기본 단위로 삼아, 감정·주의 등 인지 요인이 시간에 따라 흔적 강도를 변화시키는 과정을 모델링한다. 제안된 CogSNet는 각 사건을 메모리 트레이스로 표현하고, 트레이스 약화·보강 메커니즘을 통해 관계 강도를 추정한다. 대학생의 스마트폰 로그(NetSense) 데이터를 이용한 실험에서 기존 네트워크 모델보다 예측 정확도가 현저히 높았다.

상세 분석

CogSNet는 전통적인 그래프 기반 사회 네트워크 모델이 간과해 온 ‘관계의 인지적 지속성’을 정량화한다는 점에서 혁신적이다. 저자는 인간 기억의 흔적(trace)을 시간에 따라 지수적으로 약화되는 함수로 정의하고, 동일한 상대와의 새로운 상호작용이 발생하면 해당 트레이스의 강도를 재활성화한다는 가정을 제시한다. 이때 감정 강도와 주의 집중도는 약화 속도와 보강 효과를 조절하는 파라미터로 도입되어, 정서적 사건이 관계 강도에 미치는 차별적 영향을 모델링한다. 수학적으로는 각 엣지 e에 대해 시간 t에서의 가중치 w_e(t)=max{0, w_e(t−Δt)·exp(−λΔt)+β·I(e,t)} 형태를 사용한다. 여기서 λ는 기억 감쇠율, β는 새로운 사건의 보강 계수, I(e,t)는 해당 시점에 발생한 사건의 인지적 강도(예: 감정 점수)이다. 이러한 연속적 업데이트는 기존의 이산적 ‘연결/비연결’ 이진 모델과 달리 관계의 미세한 변화를 포착한다. 검증을 위해 저자는 NetSense 프로젝트에서 수집한 18개월 간의 문자·통화·위치 데이터와 설문 기반 친밀도 점수를 매칭시켰다. 모델 파라미터를 교차 검증으로 최적화한 결과, Pearson 상관계수 기준으로 기존의 가중치 기반 그래프(0.42)와 비교해 0.68까지 상승하였다. 이는 인지적 트레이스가 실제 인간의 관계 인식과 높은 일치성을 보인다는 강력한 증거다. 또한, 감정 가중치를 포함했을 때와 제외했을 때의 성능 차이를 분석함으로써, 감정이 관계 유지에 미치는 정량적 영향을 실증적으로 제시한다. 한계점으로는 트레이스 약화 함수를 단순 지수형으로 가정한 점과, 개인별 인지 파라미터 차이를 동일하게 적용한 점을 들 수 있다. 향후 연구에서는 비선형 감쇠 모델과 개인 맞춤형 λ, β 추정이 필요하다.