감정 공감 응답 생성을 위한 구조화된 다중 에이전트 프레임워크 TRACE

초록

TRACE는 감정 인식, 원인 분석, 전략 계획, 응답 합성을 순차적으로 수행하는 4단계 다중‑에이전트 파이프라인을 제안한다. 각 단계는 전문화된 모델이 담당해 깊이 있는 분석을 제공하고, 최종 단계에서는 GPT‑4o 기반 생성기로 풍부하고 자연스러운 공감 응답을 만든다. 자동 평가와 LLM‑기반 인간‑유사 평가 모두에서 기존 특화 모델·PLM·LLM 기반 베이스라인을 크게 앞섰으며, 특히 다양성·감정 정확도·공감성에서 현저한 개선을 보였다.

상세 분석

본 논문은 기존 공감 응답 생성 연구가 “분석 깊이 vs. 생성 유창성”이라는 양자역학적 트레이드오프에 머물러 있다는 점을 정확히 짚어낸다. 이를 해소하기 위해 저자들은 인간의 감정 처리 과정을 인지심리학적 단계(감정 인식 → 원인 추론 → 전략 선택 → 언어화)와 일치시키는 구조화된 파이프라인을 설계했다. 첫 번째 모듈인 Affective State Identifier(ASI)는 Ekman의 6가지 기본 감정 체계를 활용해 32개의 세분화된 감정을 6가지 대분류로 매핑함으로써 레이블링의 안정성을 확보한다. 두 번째 모듈인 Causal Analysis Engine(CAE)은 로컬 트리거 스팬과 글로벌 원인 요약·카테고리를 동시에 출력해, 감정 발생 메커니즘을 다층적으로 파악한다. 여기서 사용된 두 단계 함수 f_trigger와 f_global은 각각 텍스트 스팬 추출과 상황‑원인 사전 기반 분류를 수행하며, 프롬프트‑조건부 RAG(Retrieval‑Augmented Generation) 기법을 통해 외부 지식베이스를 동적으로 참조한다. 세 번째 모듈인 Strategic Response Planner(SRP)는 사전 정의된 전략 집합(감정 반응, 해석, 탐색) 중 최적을 선택한다. 전략 선택 시, 현재 대화 상황과 가장 유사한 사례를 임베딩 기반 코사인 유사도로 검색하고, 유사도 임계값 τ를 초과하는 사례가 없을 경우 완화된(Fuzzy) 검색을 수행한다. 이렇게 확보된 K 집합은 전략 함수 f_strat에 입력돼 최종 전략 s를 산출한다. 마지막 모듈인 Empathetic Response Synthesizer(ERS)는 (e, O_CAE, s*)를 조건으로 GPT‑4o API를 호출해 응답을 생성한다. 여기서도 RAG를 적용해 스타일리시한 예시를 검색함으로써, 단순 텍스트 생성이 아니라 인간 상담가가 사용하는 어조·구조를 모방한다. 실험에서는 ED(EmotionLines) 데이터셋을 사용해, 기존 SOTA 특화 모델(Multi‑TRS, EmpDG 등)과 PLM 기반 모델(BlenderBot, DialoGPT) 및 LLM 기반 베이스라인(EmpGPT‑3, EmpCRL)과 비교하였다. 자동 평가지표에서는 Perplexity, Distinct‑n, EAD‑n, I‑ACC(감정 정확도) 등을 사용했으며, TRACE는 특히 Distinct‑n·EAD‑n에서 13배 이상 향상된 점수를 기록했다. LLM‑기반 인간‑유사 평가에서는 GPT‑4o를 평가자 로 활용해 100개 샘플에 대해 A/B 테스트를 수행했으며, 공감성 80%, 일관성 85% 등 전반적으로 우수한 승률을 보였다. Ablation 실험에서는 RAG, ASI, CAE, SRP 각각을 제거했을 때 다양성 지표가 현저히 감소함을 확인, 각 모듈이 상호 보완적으로 작동함을 입증한다. 전체적으로 TRACE는 분석‑생성 파이프라인을 명시적으로 분리함으로써, 모델 해석 가능성을 높이고, LLM의 강력한 언어 생성 능력을 구조화된 인지 정보와 결합한다는 점에서 의미가 크다.