진화형 다중에이전트 프레임워크 EvoCorps로 온라인 논쟁 탈편향화

초록

EvoCorps는 온라인 담론을 실시간으로 탈편향시키기 위해 다중 역할 에이전트와 진화적 학습을 결합한 시스템이다. 분석‑전략‑리더‑증폭기의 네 가지 역할을 순차적으로 동작시키고, 검색‑보강 집단 인지를 통해 사실 기반 콘텐츠를 생성한다. MOSAIC 시뮬레이션에서 감정적 편향, 의견 극단성, 논리적 합리성을 개선하며, 적대적 정보 주입에 대한 대응력을 보여준다.

상세 분석

이 논문은 온라인 담론에서 급증하는 양극화와 악성 정보 증폭을 사전 차단하기 위한 새로운 프레임워크를 제시한다. 기존 연구가 주로 사후 탐지와 차단에 머물렀던 반면, EvoCorps는 “동적 사회 게임”으로 문제를 재구성하고, 다중 에이전트 마코프 결정 과정(MMDP) 위에 폐쇄‑루프 제어 구조를 구축한다. 핵심은 네 가지 전문화된 역할(Analyst, Strategist, Leader, Amplifier)이며, 각 역할은 서로 다른 행동 공간을 갖고 순차적으로 의사결정을 수행한다. Analyst는 실시간 포스트와 댓글을 모니터링해 평균 의견 극단성(vₜ)과 집합 감정(eₜ)을 추정하고, 위험 신호를 Strategist에게 전달한다. Strategist는 행동‑결과 메모리와 과거 경험을 활용해 목표(극단성 감소, 감정 상승)를 달성하기 위한 전략을 설계하고, 구체적인 서술 스타일과 증폭 규모를 정의한다. Leader는 외부 지식베이스에서 증거를 검색하고, 여러 후보 텍스트를 생성한 뒤 투표‑반성 메커니즘을 통해 가장 설득력 있는 응답을 선택한다. Amplifier는 다양한 가짜 정체성을 부여받아 Leader의 콘텐츠를 다중 채널에 빠르게 확산시킨다.

이 과정 전체를 지원하는 “검색‑보강 집단 인지 코어”는 대형 언어 모델(LLM)의 기억 손실 문제를 보완한다. 외부 검색 엔진을 통해 최신 사실 정보를 가져오고, 행동‑결과 메모리와 결합해 장기적인 정책 학습을 가능하게 한다. 진화적 학습은 세대별 전략을 교차‑평가하고, 적대적 공격 패턴이 변할 때마다 적합도 기반 선택·돌연변이·교배를 수행한다. 이렇게 하면 정책이 고정되지 않고 환경 변화에 적응한다.

실험은 MOSAIC이라는 사회‑AI 시뮬레이션 플랫폼 위에서 수행되었다. 다중 출처 뉴스 스트림에 적대적 에이전트가 감정적·극단적 메시지를 주입·증폭하도록 설계했으며, EvoCorps와 두 가지 베이스라인(전통적 사후 차단, 무전략 다중 에이전트) 간의 성능을 비교했다. 결과는 감정 편향 점수, 의견 극단성, 논리적 합리성(Argumentative Rationality) 세 지표 모두에서 EvoCorps가 유의미하게 우수함을 보여준다. 특히, 초기 감정 급등 단계에서 즉시 개입함으로써 후속 확산을 억제하고, 증거 기반 서술이 사용자 의견을 중화시키는 효과가 관찰되었다.

이 논문의 강점은 (1) 실시간 폐쇄‑루프 제어를 통한 사전 예방적 개입, (2) 역할 분할을 통한 복합적 행동 조정, (3) 검색‑보강 메모리와 진화적 학습을 결합한 적응형 정책 학습이다. 그러나 제한점으로는 시뮬레이션 환경에 대한 의존성, 실제 플랫폼에서의 사용자 행동 모델링 정확도, 그리고 대규모 LLM 호출 비용이 있다. 향후 연구에서는 실제 소셜 미디어 API와 연동하고, 정책 투명성·윤리적 검증 메커니즘을 추가하는 방향이 제시된다.