다양한 가상 인물 생성기: 대규모 합성 페르소나를 위한 새로운 접근

초록

본 논문은 LLM 기반의 페르소나 생성 함수를 진화적 최적화(AlphaEvolve)로 자동 개선하여, 다양한 상황에서 희귀 특성까지 포괄하는 합성 인구를 효율적으로 생성한다. 두 단계 구조와 다양성 지표 6가지를 활용해 기존 베이스라인을 크게 능가함을 실험적으로 입증한다.

상세 분석

이 연구는 기존 생성형 에이전트 기반 모델링이 “밀도 매칭”(가장 확률이 높은 응답 재현)에 치우쳐 장기적인 위험 시나리오에서 중요한 롱테일 행동을 놓친다는 문제를 정확히 짚어낸다. 저자들은 이를 해결하기 위해 “페르소나 생성기”(Persona Generator)라는 함수형 프레임워크를 제안한다. 핵심 아이디어는 고정된 인구 대신, 임의의 컨텍스트와 다양성 축(D)을 입력받아 N명의 페르소나를 출력하는 코드(ϕ)를 진화시킨다.

진화 과정은 AlphaEvolve을 기반으로 하며, LLM을 변이 연산자(Mutation Operator)로 활용한다. 구체적으로, 초기 코드 템플릿을 LLM에게 제공하고, 각 세대마다 코드 변형·재구성을 수행한다. 변형된 코드는 실제로 실행돼 질문지(컨텍스트 c, 축 D, 항목 I)를 기반으로 합성 인구를 생성하고, Concordia 시뮬레이션을 통해 응답 임베딩 Z를 얻는다. 이후 다양성 메트릭 M(Z) – 축별 커버리지, 엔트로피, 최소-최대 거리, KL 발산 등 6가지 지표 – 를 적합도 함수로 사용해 선택·교배·돌연변이를 반복한다.

아키텍처는 두 단계로 나뉜다. 1단계는 자동 회귀 모델을 이용해 각 페르소나의 고수준 서술(예: “30대 여성, 환경보호에 관심 많음”)을 생성하고, 2단계는 병렬적으로 해당 서술을 상세 배경(직업, 가족, 가치관 등)으로 확장한다. 이렇게 하면 고수준 다양성 결정과 저수준 세부 묘사를 분리해 효율성을 높이고, 코드 변형 시 두 단계 중 하나만 수정해도 전체 인구의 다양성에 큰 영향을 줄 수 있다.

평가에서는 네 개의 공개 설문지(Big Five, DASS, SVO, NFCS)를 자동 생성하고, 각 설문지에 대해 1,000명 규모의 인구를 합성한다. 베이스라인으로는 기존 PromptBreeder 기반 프롬프트 변형, 직접 프롬프트(다양성 지시 포함), 그리고 최신 PersonaHub·Nemotron-Personas 모델을 사용한다. 실험 결과, 진화된 생성기는 축별 커버리지에서 평균 27%p 상승, 엔트로피와 최소-최대 거리에서도 유의미한 개선을 보이며, 특히 희귀 조합(예: 고동기·저동기·높은 불안) 생성 비율이 5배 이상 증가했다.

한계점으로는 (1) LLM 자체의 편향이 변이 과정에 전이될 위험, (2) 코드 진화가 컴파일·실행 오류에 민감해 안정적인 테스트 프레임워크 필요, (3) 현재는 정량적 다양성 지표에 초점을 맞추어 실제 인간 행동과의 일관성(알고리즘적 충실도) 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 인간 라벨링을 통한 정성적 평가와, 도메인‑특정 제약(예: 의료 윤리) 반영을 위한 제약식 진화 기법을 도입할 여지가 있다.