텍스트 임베딩으로 감정‑뇌 지도 만들기: 이미지‑프리 신경과학

초록

본 연구는 OpenAI text‑embedding‑ada‑002를 이용해 자연어 텍스트를 고차원 임베딩으로 변환하고, PCA와 K‑means 군집화를 통해 29개의 정서‑관련 뇌 영역에 매핑하는 프레임워크를 제시한다. 건강·우울군 인터뷰, GoEmotions, 인간‑LLM 대화 세 데이터셋에 적용해 우울군은 부정적 정서와 관련된 변연계 활성화가 높고, LLM 텍스트는 공감·자기참조 영역에서 인간보다 낮은 활성화를 보였다.

상세 분석

이 논문은 “이미징‑프리” 정서‑뇌 매핑이라는 새로운 패러다임을 제시한다. 핵심은 (1) 텍스트를 1 536차원 ada‑002 임베딩으로 변환, (2) 표준화 후 PCA로 3차원으로 축소, (3) 3차원 공간에서 K‑means 군집화를 수행해 29개의 사전 정의된 MNI 좌표 기반 뇌 영역에 일대일 매핑한다는 일련의 파이프라인이다. 임베딩 차원 축소를 3차원으로 제한한 이유는 시각화와 MNI 좌표와의 직접 대응을 위해서이며, 이는 전체 변동성의 극히 일부만 보존한다는 점에서 해석상의 트레이드오프가 존재한다. 감정 강도는 NRC·ANEW 기반 어휘 점수에 강조어, 절대어, 구두점, 대문자 등을 가중치로 더해 연속형 스코어를 산출했으며, 이는 기존 정서 사전과 일관성을 유지하지만 파라미터 튜닝이 부족해 문화·도메인 편향에 취약할 수 있다.

클러스터 수를 29로 고정한 것은 논문에서 선택한 14개의 핵심 정서 영역을 포함한 29개 전체 뇌 영역과 일치시키기 위함이다. 그러나 K‑means는 구형 클러스터 가정을 전제로 하며, 고차원 임베딩을 3차원으로 축소한 뒤 적용하면 군집 경계가 과도하게 단순화될 위험이 있다. 또한 클러스터 중심과 뇌 영역 좌표 간 유클리드 거리 최소화 매핑은 일대일 대응을 강제하지만, 실제 뇌 기능은 다중 영역 간 네트워크적 상호작용을 포함하므로 이러한 매핑은 가설 수준에 머문다.

실험 1에서는 DAIC‑WOZ 인터뷰 텍스트를 사용해 건강군과 우울군을 비교했으며, 우울군 텍스트가 부정적 정서 클러스터에 더 많이 할당되고 변연계(특히 편도체·해마) 활성 추정치가 상승했다. 이는 기존 fMRI 연구와 일치하지만, 텍스트만으로 뇌 활성도를 추정한다는 점에서 외부 신경영상 검증이 필수적이다. 실험 2에서는 GoEmotions 데이터에 적용해 27가지 정서 라벨이 각각 특정 뇌 영역에 매핑되는 것을 확인했으며, 감정 구분의 공간적 특이성이 높게 나타났다. 실험 3에서는 인간과 LLM(챗봇) 대화를 비교했는데, LLM 텍스트는 기본적인 긍정·부정 정서 분포는 인간과 유사했지만, 내측 전전두피질·후대상피질 등 자기‑공감 관련 영역의 활성 추정이 현저히 낮았다. 이는 현재 LLM이 인간의 복합적 정서·자아 인식을 완전히 재현하지 못한다는 중요한 시사점을 제공한다.

통계적 분석에서는 피험자 수준의 평균 강도와 활성 횟수를 사용해 그룹 간 차이를 검증했으며, 다중 트라이얼(15회)과 부트스트랩(50 샘플)으로 결과의 안정성을 평가했다. 실험 전반에 걸쳐 무작위 시드 고정, 샘플 부족 시 클러스터 수 조정 등 재현성을 위한 조치를 취했지만, 데이터 전처리(300 문자 청크)와 군집화 파라미터 선택이 결과에 미치는 영향에 대한 민감도 분석은 부족하다.

결론적으로, 이 프레임워크는 대규모 자연어 코퍼스를 활용해 정서‑뇌 관계를 탐색할 수 있는 비용‑효율적인 도구를 제공한다. 그러나 (1) 3차원 PCA가 보존하는 변동성 부족, (2) 군집‑뇌 영역 일대일 매핑의 생물학적 타당성, (3) 어휘 기반 감정 강도 점수의 문화·도메인 편향, (4) 실제 뇌 활동과의 외부 검증 부재 등 한계가 남아 있다. 향후 연구에서는 고차원 비선형 차원 축소(t‑SNE, UMAP)와 딥러닝 기반 정서 인코더를 결합하고, fMRI·EEG 데이터와의 교차 검증을 통해 매핑 정확도를 높이는 것이 필요하다.