계층적 자원합리성으로 본 인간 독서 행동

초록

이 논문은 독서를 ‘시퀀셜 정보 샘플링’으로 보고, 눈 움직임과 이해 과정을 동시에 최적화하는 계층적 자원합리 모델을 제안한다. 단어‑레벨, 문장‑레벨, 텍스트‑레벨의 세 단계 POMDP를 통해 시각·인지·시간 자원을 제한적으로 사용하면서 기대 이해도를 극대화한다. 모델은 어휘 길이·빈도·예측 가능성에 따른 고정 시간, 건너뛰기·후퇴, 텍스트 재읽기 등 인간 독서의 다양한 현상을 정량적으로 재현한다.

상세 분석

본 연구는 인간 독서 행동을 ‘제한된 자원 하에서의 최적 의사결정’이라는 프레임으로 재구성한다. 핵심 가정은 독서 과정이 연속적인 정보 샘플링이며, 각 시점의 눈 움직임(고정·전이)은 현재의 내부 상태(단어 인식, 문장 통합, 텍스트 이해)와 미래의 기대 효용을 동시에 고려해 선택된다는 점이다. 이를 구현하기 위해 저자들은 세 단계의 계층적 제어 구조를 설계했으며, 각각을 부분 관측 마르코프 결정 과정(POMDP)으로 공식화하였다.

1. 단어‑레벨: 시각적 입력이 제한적이므로 한 단어를 완전히 인식하기 위해 여러 고정을 필요로 한다. 모델은 베이지안 업데이트를 통해 후보 단어들의 사후 확률을 유지하고, 고정 지속시간을 ‘불확실성 감소량’에 비례하도록 설정한다. 단어 길이가 길수록, 빈도가 낮거나 예측 가능성이 낮을수록 사전 확률이 평평해져 불확실성이 커지고, 따라서 더 긴 고정이 요구된다.

2. 문장‑레벨: 여기서는 단어 선택·스킵·후퇴 전략을 결정한다. 문장 통합을 위한 단기 기억(Short‑term memory) 용량과 시간 비용을 고려해, 고빈도·예측 가능한 단어는 건너뛰고, 어려운 단어는 후퇴하여 재검토한다. 이 단계는 ‘정보 이득 vs. 비용’ 트레이드오프를 최적화하는 정책을 학습하며, 실험 데이터와 일치하는 스킵·후퇴 비율을 재현한다.

3. 텍스트‑레벨: 장기 기억(Long‑term memory)과 전반적인 텍스트 일관성 감시가 중심이다. 텍스트 수준의 목표는 전체 의미 통합과 기억 재구성이며, 이를 위해 문장‑레벨 정책에 피드백을 제공한다. 예를 들어, 초기 이해도가 낮은 구절은 목표 후퇴를 유발하고, 사전 지식이나 텍스트 일관성이 높을 경우 읽기 속도가 증가한다.

각 레벨은 독립적으로 딥 강화학습으로 최적 정책을 학습한 뒤, 상위‑하위 레벨 간 인터페이스를 통해 통합된다. 모델은 인간 독서 실험(시간 압박 하의 영어 텍스트)과 비교했을 때, 고정 지속시간, 스킵·후퇴 비율, 이해도(다중 선택 정확도·자유 회상)에서 높은 적합도를 보였다.

이 논문의 주요 기여는 다음과 같다. 첫째, 눈 움직임과 이해 과정을 하나의 최적화 목표(예상 효용) 아래 통합한 최초의 계층적 자원합리 모델을 제시했다. 둘째, POMDP 기반의 확률적 신념(state) 유지와 베이지안 업데이트를 통해 인간의 불확실성 감소 메커니즘을 정량화했다. 셋째, 모델이 어휘·문법·텍스트 수준의 다양한 실험 현상을 동시에 재현함으로써 기존 이론(눈 움직임 중심 vs. 이해 중심)의 한계를 넘어섰다. 마지막으로, 시간·기억·시각 자원의 제한을 명시적으로 비용 함수에 포함시켜, 실제 독서 상황(시간 압박, 인지 부하)에서도 행동 전략이 어떻게 변하는지를 설명한다.

한계점으로는(1) 현재 모델이 영어 텍스트와 제한된 실험 데이터에만 검증되었으며, 다른 언어·문화권에서의 일반화가 필요하고, (2) 강화학습 과정에서 사용된 보상 설계가 인간의 주관적 만족감이나 장기 학습 효과를 충분히 반영하지 못할 수 있다. 또한 (3) 실제 뇌신경 메커니즘과의 직접적인 연결 고리가 부족해, 신경생리학적 검증이 추후 과제로 남는다. 그럼에도 불구하고, 계층적 자원합리성이라는 통합 프레임워크는 독서뿐 아니라 복잡한 지식‑집약적 행동을 이해하는 데 강력한 이론적·계산적 도구가 될 것으로 기대된다.