아바타에 성격을 입히다 몰입형 의료 교육에서 참여와 소통 강화

초록

본 논문은 대형 언어 모델(LLM)을 활용해 가상현실(VR) 내 가상 환자에게 일관된 성격을 부여하는 프레임워크를 제시하고, 의사들을 대상으로 한 실험을 통해 성격이 의사‑환자 상호작용, 몰입감, 학습 효과에 미치는 영향을 조사하였다.

상세 분석

이 연구는 세 가지 핵심 기술적 기여를 갖는다. 첫째, 환자 성격과 임상 정보를 분리하는 모듈형 프롬프트 설계이다. 환자 정체성, 배경 스토리, 성격 프로파일, 질병 카드 네 가지 요소를 각각 정의하고, 이를 LLM에 순차적으로 주입함으로써 ‘성격‑의학 일관성’이라는 두 축을 동시에 만족시키는 대화 생성 파이프라인을 구현한다. 이 접근은 기존 스크립트 기반 시뮬레이션이 갖는 경직성을 극복하고, 실시간 대화 흐름을 유지하면서도 환자 성격이 대화 전반에 걸쳐 변하지 않도록 보장한다.

둘째, VR 환경과 음성‑텍스트‑음성( STT‑LLM‑TTS) 루프를 통합한 저지연 대화 시스템이다. 언어 모델은 포르투갈어에 최적화된 프롬프트와 온도 파라미터를 사용해 1~2초 이내에 응답을 생성하고, 이를 신경망 기반 TTS와 아바타 입술 움직임에 매핑한다. 이러한 저지연은 ‘현실‑대화 일관성(paradox)’을 완화시켜 사용자가 실제 환자와 대화한다는 몰입감을 제공한다.

셋째, 대규모 합성 데이터 생성 및 분석 방법을 도입했다. 실제 환자 문의 데이터를 기반으로 수천 건의 가상 상담을 자동 생성하고, 성격 일관성, 의료 정확성, 대화 다양성을 정량화하였다. 이는 실험 참가자 수가 제한적인 의료 교육 연구에서 통계적 검증력을 높이는 전략으로 평가된다.

실험 설계는 within‑subjects 방식으로, 동일 의사가 서로 다른 성격(내향‑외향, 협조‑저항) 프로파일을 가진 가상 환자를 차례로 상담하도록 하였다. 정량적 측정으로는 NASA‑TLX 기반 워크로드, 시스템 사용성(SUS), 그리고 ‘현실성‑다양성’ 리커트 척도를 사용했으며, 정성적 데이터는 반구조화 인터뷰와 자유 서술형 피드백을 통해 수집했다. 결과는 성격이 의사의 질문 방식, 대화 흐름, 감정적 참여도에 유의미한 차이를 만든다는 가설(H2)을 부분적으로 지지한다. 특히 ‘저항적’ 환자는 의사에게 더 많은 추적 질문과 확인 절차를 유발했으며, 이는 학습 효과를 높이는 ‘도전적 현실성’으로 해석된다.

하지만 몇 가지 한계도 존재한다. 첫째, LLM의 응답이 때때로 과도하게 장황해지는 ‘realism‑verbosity paradox’가 관찰되었으며, 이는 사용자의 피로도를 증가시킬 위험이 있다. 둘째, 현재 시스템은 포르투갈어에만 최적화돼 있어 다국어 적용에 추가 연구가 필요하다. 셋째, 가상 환자의 비언어적 표현(표정, 몸짓)이 제한적이어서 완전한 사회적 단서를 제공하지 못한다는 점이다. 이러한 제한을 보완하기 위해 멀티모달 감정 인식 및 제스처 모델을 결합한 차세대 아바타 설계가 제안된다.

전반적으로 이 논문은 LLM 기반 성격 모델링을 VR 의료 교육에 적용함으로써, 기존의 정형화된 시뮬레이션을 넘어선 ‘동적·개인화된’ 환자 상호작용을 구현했다는 점에서 학술적·실무적 의의를 가진다.