감정과 대처 전략을 연결한 역할극 기반 코퍼스 구축

초록

본 논문은 Roseman의 네 가지 대처 전략(공격, 접촉, 거리두기, 거부)을 텍스트에 나타내는 방법을 조사한다. 역할극을 활용해 감정‑대처 상황을 생성·주석한 COPING 코퍼스를 공개하고, 인간과 LLM을 포함한 모델들의 대처 전략 식별 성능을 평가한다.

상세 분석

본 연구는 감정 분석에서 흔히 간과되는 “감정이 어떻게 행동으로 전이되는가”라는 메커니즘을 탐구한다. 심리학에서 제시된 Roseman(2013)의 네 가지 대처 전략—공격(Attack), 접촉(Contact), 거리두기(Distance), 거부(Reject)—를 감정 라벨과 연결시켜, 각각이 16가지 감정군과 행동 기능에 매핑된다. 이러한 이론적 토대를 바탕으로 저자들은 “대처 전략 식별(coping identification)”이라는 새로운 NLP 과제를 정의하고, 이를 학습·평가할 수 있는 코퍼스인 COPING을 구축한다.

코퍼스 구축 과정은 두 단계로 이루어진다. 첫 번째는 전략별 가상의 인물 X에 대한 직관적 정의와, 이들이 실제 상황에서 어떻게 행동할지를 설명하는 프리테스트이다. 여기서 인간 annotator가 정의를 올바르게 인식하는지를 검증해, 정의의 명료성을 확보한다. 두 번째는 ChatGPT‑4가 생성한 사회적 논쟁 주제(낙태, 이민, 인종차별 등)와 시나리오를 제공하고, 크라우드워커가 X의 입장에서 대응 발언을 작성하도록 하는 역할극이다. 참여자는 X의 성격(전략)과 시나리오를 읽고, 해당 전략에 부합하는 텍스트를 생성한다. 생성된 텍스트는 전략 라벨, 비언어적 행동 묘사, 감정 평가, 그리고 자신의 실제 반응에 대한 메타‑주석까지 포함한다.

주석 품질은 사전 테스트 결과와 비교해 92%~100%의 전략 인식 정확도를 보였으며, 특히 ‘거부’ 전략은 인식률이 낮아 정의 개선이 필요함을 드러냈다. 실험에서는 BERT 기반 분류기와 GPT‑4, Llama‑2 등 4개의 최신 LLM을 zero‑shot 및 few‑shot 프롬프트 방식으로 평가했으며, 인간 annotator와 비교했다. 전체 평균 F1 점수는 인간이 78.3%, 최첨단 LLM이 62.5% 수준으로, 인간이 여전히 우위에 있지만 자동화된 모델도 일정 수준 이상의 성능을 보였다. 특히 ‘공격’과 ‘접촉’ 전략은 비교적 높은 인식률을 보였으나, ‘거리두기’와 ‘거부’는 혼동이 잦았다.

이 연구는 감정 라벨을 넘어 감정이 유발하는 행동적 대처를 텍스트에서 포착하려는 첫 시도이며, 역할극 기반 데이터 수집이 복합적인 심리적 현상을 모델링하는 데 유용함을 증명한다. 향후 연구는 전략 정의의 세분화, 다중 라벨링, 그리고 대처 전략과 감정 강도·시간적 변화를 연계한 동적 모델링으로 확장될 수 있다.