활성 청취를 위한 침묵 설계: 상황 인지형 대화 속도 조절

초록

**
본 논문은 인간 대화에서 ‘활성 청취’가 전달하는 미묘한 시간적 신호를 모방하기 위해, 대화 상황에 따라 응답 속도를 동적으로 조절하는 컨텍스트‑인식형 페이싱을 제안한다. 10개의 실제 대화 사례를 분석해 ‘반사적 침묵, 촉진적 침묵, 공감적 침묵, 공간 유지, 즉각 응답’ 다섯 가지 전략을 도출하고, 이를 LLM 기반 챗봇에 구현하였다. 50명의 참가자를 대상으로 관계·경력 지원 두 시나리오에서 정적 페이싱 대비 인간성, 부드러움, 상호작용성 등에서 유의미하게 향상된 결과를 얻었다.

**

상세 분석

**
이 연구는 인간‑기계 대화 설계에서 가장 간과되기 쉬운 ‘시간’ 요소를 체계적으로 조명한다. 먼저, 저자들은 인간 상담가들의 활발한 청취 사례 10개를 질적 코딩하여 8개의 구체적 행동(Recognize, Reconfirm, Re‑engage, Reposition, Reconsider, Resonate, Holding, Resolve)을 도출하고, 이를 상위 5개의 페이싱 전략으로 통합하였다. 각 전략은 사용자의 감정 강도, 인지적 준비도, 대화 목표에 따라 적용 시점과 침묵 길이가 정량화된다.

다음으로, 이러한 전략을 LLM(대형 언어 모델) 기반 대화 에이전트에 삽입하기 위해 ‘컨텍스트‑인식형 페이싱 모듈’을 설계했다. 입력 텍스트를 감정·주제·대화 단계로 분류하고, 사전 정의된 규칙 엔진이 적절한 전략을 선택한다. 예를 들어, 사용자가 ‘고정된 신념’이라고 표현하면 ‘Reconsider’ 전략을 적용해 짧은 반사적 침묵 후 재구성을 제안하고, 극심한 부정적 감정이 탐지되면 ‘Holding’ 전략으로 장시간 침묵을 제공한다.

실험 설계는 두 가지 지원 시나리오(관계 상담, 경력 조언)와 정적 페이싱(고정된 기술적 지연) 대비 동적 페이싱을 비교하는 2×2 사이드‑바이‑서브젝트 디자인이다. N=50(각 조건 25명) 참가자는 사전·사후 설문을 통해 인간성(Human‑likeness), 부드러움(Smoothness), 상호작용성(Interactivity), 청취 품질(Listening Quality), 정서적·인지적 신뢰(Affective & Cognitive Trust), 자기개시 깊이(Self‑Disclosure Depth), 참여도(Engagement)를 평가했다.

주요 결과는 다음과 같다. 동적 페이싱 에이전트는 모든 정성·정량 지표에서 정적 대비 평균 0.42~0.68 표준편차 상승을 보였으며, 특히 경력 지원 상황에서 청취 품질과 정서적 신뢰가 유의미하게 높았다(p < .05). 또한, 자기개시 깊이와 참여도 역시 동적 조건에서 유의미하게 증가했으며, 이는 침묵이 사용자의 감정 처리와 반성적 사고를 촉진한다는 가설을 실증적으로 뒷받침한다.

이 논문은 기존 연구가 주로 언어적 내용(패러프레이징, 요약)만을 강조한 것과 달리, ‘시간’이라는 비언어적 차원을 설계 변수로 도입함으로써 인간‑AI 상호작용의 사회적 존재감(CASA) 이론을 확장한다. 또한, 기술적 지연을 단순히 최소화해야 할 결함으로 보는 관점을 넘어, 상황에 맞는 ‘의도적 침묵’이 오히려 신뢰와 친밀감을 강화한다는 중요한 통찰을 제공한다. 한계로는 텍스트 기반 인터페이스에 국한된 점, 전략 선택을 규칙 기반으로 구현해 LLM의 내재적 판단력을 충분히 활용하지 못한 점, 그리고 문화적 차이에 대한 검증이 부족한 점을 들 수 있다. 향후 연구는 음성·멀티모달 환경, 사용자 맞춤형 페이싱 학습, 문화·연령별 차이 분석 등을 통해 설계 프레임워크를 일반화할 필요가 있다.

**