헬스케어를 위한 맞춤형 진지 게임과 게이미피케이션 연구

초록

**
본 리뷰는 2014‑2025년 사이에 발표된 50개의 맞춤형 진지 게임·게이미피케이션 사례를 분석하고, 사용자 모델, 개인화 패러다임, 알고리즘 구현의 3단계 분류 체계를 제시한다. 데이터‑기반 접근이 가장 흔하지만, 재활 분야에서는 안전성과 설명가능성을 위해 지식‑기반·하이브리드 방식이 많이 사용된다. Hexad 기반 플레이어 모델과 온톨로지 활용이 주류이며, 재사용 가능한 자산이 부족해 비교·전이 연구가 제한된다. 향후 공유 가능한 지식 자산, 교체 가능한 개인화 엔진, 임상 제약을 고려한 하이브리드 접근, 그리고 안전성을 확보한 생성형 AI 활용이 제안된다.

**

상세 분석

**
이 논문은 헬스케어 분야에서 진지 게임(Serious Games, SG)과 게이미피케이션(Gamification, Gf)이라는 두 갈래를 통합적으로 검토한다는 점에서 학문적 의의가 크다. 저자들은 ‘맞춤형(personalization)’이라는 핵심 개념을 정교하게 정의하고, 정적·동적, 자동·수동 구분을 명확히 함으로써 기존 연구들의 혼재된 용어 사용을 정리한다. 특히, 개인화 구현을 ‘모델 레벨(Model Level)’, ‘패러다임 레벨(Paradigm Level)’, ‘알고리즘 레벨(Algorithmic Level)’이라는 3‑tier 구조로 분류한 것은 향후 연구 설계와 결과 비교에 있어 표준 프레임워크로 활용될 가능성이 높다.

모델 레벨에서는 플레이어 모델과 전문가 지식 모델을 구분한다. 플레이어 모델은 Hexad 성격 유형, 게임 내 행동 로그, 센서 데이터 등을 통합해 사용자의 동기·능력·선호를 추정한다. 전문가 지식 모델은 재활 로봇의 운동학적 기준, 영양 가이드라인, 임상 지표 등 도메인 전문가가 정의한 표준을 온톨로지 형태로 구조화한다. 두 모델을 결합함으로써 ‘사용자‑치료 목표’의 이중 렌즈를 제공한다는 점이 핵심이다.

패러다임 레벨에서는 데이터‑구동(data‑driven), 지식‑구동(knowledge‑driven), 하이브리드(hybrid) 접근을 구분한다. 전체 50건 중 22건이 순수 데이터 기반 머신러닝(주로 강화학습, 딥러닝)으로 구현됐으며, 이는 게임 내 난이도 조정이나 콘텐츠 생성에 강점을 보인다. 반면 재활 분야(특히 신경·근골격 재활)에서는 안전성·설명가능성이 필수이므로 온톨로지 기반 규칙 엔진이나 전문가 시스템이 많이 사용된다. 하이브리드 접근은 데이터 기반 예측 결과를 전문가 규칙으로 검증·제한함으로써 두 접근의 장점을 결합한다.

알고리즘 레벨에서는 구체적인 구현 기법을 상세히 제시한다. 주요 기법으로는 (1) 플레이어 행동 로그를 이용한 베이지안 네트워크·마르코프 모델, (2) 온톨로지 기반 추론 엔진, (3) 강화학습 기반 적응형 난이도 조정, (4) 생성형 AI(예: GPT‑4, Stable Diffusion)를 활용한 스토리·그래픽 자동 생성 등이 있다. 특히, 생성형 AI 활용은 디자인 단계에서 프로토타입을 빠르게 생성하고, 임상 검증 단계에서는 ‘안전 필터’를 적용해 부적절한 콘텐츠가 배포되지 않도록 하는 방안을 제시한다.

재사용성 측면에서 저자들은 현재 대부분의 시스템이 ‘폐쇄형’ 구조이며, 온톨로지·플레이어 모델·알고리즘 모듈이 다른 프로젝트에 쉽게 이식되지 못한다는 문제를 지적한다. 이를 해결하기 위해 ‘공유 가능한 지식 자산(shareable knowledge assets)’과 ‘스와핑 가능한 개인화 엔진(swap‑friendly personalization engines)’을 표준화된 API와 메타데이터 스키마로 제공할 것을 권고한다.

마지막으로, 임상 적용을 위한 하이브리드 접근을 강조한다. 데이터 기반 모델이 높은 예측 정확도를 제공하더라도, 임상 전문가가 정의한 안전 한계값을 초과하면 즉시 차단하는 ‘클리니컬 바운드(clinically bounded)’ 메커니즘을 도입함으로써 환자 안전을 보장한다. 이러한 설계 원칙은 향후 규제 기관의 인증 절차에도 부합할 것으로 기대된다.

**