공공 의견 전파의 인지·감정 연쇄를 모델링하는 DualMind

초록

DualMind는 대규모 언어 모델(LLM) 기반 에이전트를 활용해 인지적 신념과 감정적 반응을 동시에 모델링함으로써 PR 위기 상황에서의 공공 의견 확산을 고충실도로 재현한다. 15개의 실제 위기 사례에 대해 사회관계망 데이터와 비교했을 때, 시간적 의견 궤적과 최종 입장 분포 모두에서 기존 최첨단 모델들을 크게 앞선 성능을 보였다.

상세 분석

본 논문은 기존 의견 확산 모델이 정량적 수치나 고정된 카테고리로 인간의 복합적인 심리를 축소하는 한계를 지적하고, 인지‑감정 이중 상태를 갖는 LLM‑에이전트 기반 시뮬레이션 프레임워크를 제안한다. 각 에이전트는 느리게 변하는 의미적 퍼소나 zᵗᵢ∈ℝᵈ와 빠르게 변동하는 감정 벡터 rᵗᵢ∈ℝᴷ를 보유하며, 과거 상호작용을 내용 임베딩 xᵢ,τ와 감정 벡터 qᵢ,τ로 주석화한 에피소드 스토어에 저장한다. 새로운 메시지 M이 도착하면, 에이전트는 식(1)의 가중치 β와 감쇠 δ를 이용해 최근성‑가중치 어텐션을 수행해 컨텍스트 cᵗᵢ를 추출한다. 이 컨텍스트는 감정 게이트 α와 적응률 γ를 포함한 비선형 업데이트 식(2)에 입력되어, 감정이 메시지와 일치할 때만 퍼소나가 작은 단계로 이동하도록 설계돼 인간의 기억‑통합 메커니즘을 모방한다.

전파 메커니즘은 ‘Polarized Affective Cascade Model (PAACM)’이라 명명된 확률적 선택 정책으로, 퍼소나‑메시지 유사도, 감정‑메시지 유사도, 컨텍스트‑메시지 유사도, 발신자 영향력 I(u) 및 플랫폼 편향 bₚ(i)를 로짓에 결합한다(식 3). 가중치 w₁…w₄는 플랫폼별로 학습·튜닝 가능하며, w₁=w₂=w₃=0, w₄=const인 경우 고전적인 Independent Cascade 모델을 복원한다. 따라서 DualMind는 내용, 감정, 기억을 모두 고려한 확산을 구현한다.

시스템 아키텍처는 React‑TypeScript 프론트엔드, FastAPI 백엔드, LangChain·LangGraph 기반 에이전트 레이어로 구성된다. 경량 LLM(gpt‑4o‑mini)은 일상적인 포스트·입장 평가에, 고성능 LLM(gemini‑1.5‑pro)은 사후 분석·보고서 생성에 사용돼 비용‑효율성을 확보한다. 에이전트 실행은 라운드당 무작위 순서로 순차 처리해 API 호출 제한을 회피한다.

평가에서는 2024년 8월 이후 발생한 15개의 PR 위기(미국·중국·유럽 각 5건)를 선정하고, 각 사건에 대해 100명의 에이전트를 시뮬레이션했다. 베이스라인으로는 LLM‑강화 LAID, 비‑LLM 기반 LPOD, 그리고 LLM‑GA를 사용했으며, 모든 모델에 동일한 에이전트 수·네트워크 구조·시드 조건을 적용했다. 성능 지표는 시간적 궤적 유사도 Pearson r과 최종 입장 분포 차이 Jensen‑Shannon Divergence(JSD)이다. DualMind는 평균 r≈0.78, JSD≈0.27을 기록해 모든 베이스라인을 크게 앞섰으며, 특히 문화·플랫폼 차이를 넘어선 일관된 재현성을 보였다. 이는 인지‑감정 연쇄 모델이 실제 인간 사회에서 관찰되는 ‘진실‑편향’ 현상을 극복하고, 감정‑주도적 의견 변화를 포착함을 의미한다.

한계점으로는 LLM 자체의 편향과 hallucination 위험, 에이전트 수가 실제 대규모 SNS보다 제한적이라는 점, 그리고 감정 레이블링에 사용된 사전 정의 감정 사전의 범용성 부족을 들 수 있다. 향후 연구에서는 멀티모달 감정 인식, 동적 네트워크 재구성, 그리고 정책 시뮬레이션을 통한 실시간 위기 대응 전략 최적화를 목표로 할 예정이다.