주의 조율: 신경다양성 학습자를 위한 적응형 인터페이스

초록

본 논문은 ADHD와 같은 신경다양성 학습자의 동적인 주의 변동을 실시간으로 감지하고, 프라이버시를 보존하는 행동 신호만으로 네 가지 주의 상태를 분류한다. 감지 결과에 따라 다섯 가지 UI 적응 패턴을 적용해 과잉·과소 자극을 동시에 완화한다. OULAD 데이터셋에서 87.3% 정확도를 달성했으며, HYPERAKTIV 임상 데이터와의 교차 검증을 통해 ADHD 특성과의 연관성을 입증했다. Wizard‑of‑Oz 실험(11명)에서는 적응형 인터페이스가 인지 부하를 크게 낮추고( NASA‑TLX 47.2 vs 62.8, d=1.21) 이해도도 향상시켰다(78.4% vs 61.2%, d=1.18).

상세 분석

AttentionGuard는 세 가지 종류의 프라이버시‑보존 행동 신호(클릭 리듬, 스크롤 속도·반전, 마우스 움직임 엔트로피, 응답 지연, 뒤로가기 빈도 등)를 30초 슬라이딩 윈도우로 집계하고, 사용자별 5분 초기 캘리브레이션을 통해 개인화된 기준값과의 편차를 특징값으로 변환한다. 이 특징들은 Random Forest 분류기에 투입되며, 클래스 불균형을 완화하기 위해 가중치를 균등하게 조정한다. 5‑fold 교차 검증 결과 macro‑F1이 0.84, AUC가 0.91에 달했으며, 각 클래스별 F1 점수는 0.78~0.89 사이로 비교적 고르게 분포한다. 특징 중요도 분석에서는 클릭 비율 편차(22%), 세션 지속 시간 비율(18%), 뒤로가기 빈도(15%)가 상위 3위에 올랐다.

네 가지 주의 상태는 기존 ADHD 현상학(집중, 표류, 과집중, 피로)에서 파생되었으며, 각각에 대응하는 UI 패턴을 설계했다. ① Attention‑Responsive Chunking은 표류 시 마이크로 청크, 집중 시 표준 문단, 과집중 시 확장 청크, 피로 시 복습 모드로 전환한다. ② State‑Aware Verification Timing은 검증 시점을 상태에 맞게 조절해 과집중 시 방해를 최소화한다. ③ Bi‑Directional Scaffolding은 과잉 자극 시 시각 복잡도 감소·화이트스페이스 확대, 부족 자극 시 새로운 호기심 훅과 게임화 요소를 삽입한다. ④ RSD‑Safe Feedback Rendering은 거절 민감성(RSD)을 고려해 색채와 피드백 문구를 중립화하고, 가변 비율 보상을 제공한다. ⑤ Temporal Landmark Navigation은 시간 인식 장애를 보완하기 위해 카운트다운 대신 공간적 랜드마크 기반 진행 시각화를 도입한다.

시스템은 모든 적응을 ‘보이고, 되돌릴 수 있게’ 설계해 사용자가 실시간으로 AI 결정에 대한 이해와 조정을 가능하게 한다. Wizard‑of‑Oz 실험에서는 인간 위버가 감지된 상태에 따라 위의 다섯 패턴을 적용했으며, 자동 분류기와 84% 정확도로 일치(κ=0.71)했다. 이는 자동화된 배포가 실사용 환경에서도 충분히 신뢰할 수 있음을 시사한다.

한계점으로는 행동 신호만으로 ADHD 진단을 대체할 수 없으며, 데이터셋이 주로 온라인 학습 환경에 국한돼 있어 오프라인 혹은 모바일 환경으로의 일반화가 필요하다. 또한 11명의 소규모 파일럿이므로 통계적 검증력과 다양성 확보를 위한 대규모 추후 연구가 요구된다.