이앤아이 CMS

안녕하세요. 디지털에이전시 이앤아이입니다.

요즘 고객 상담, 채용, 복지, 교육처럼 사람의 감정과 상태를 읽어야 하는 업무에 AI 정서 분석이 빠르게 들어오고 있습니다. 그런데 현장에서는 한 가지 질문이 꼭 따라붙습니다. “그래서 이 AI가 왜 이렇게 판단했죠?” 정서나 심리 관련 결과는 특히 민감해서, 모델 성능이 높다는 말만으로는 납득이 어려운 경우가 많습니다. 결국 핵심은 데이터입니다. 어떤 기준으로 문장을 만들고 라벨을 붙였는지, 그 과정이 투명해야 AI의 판단도 검증할 수 있으니까요.

최근 프랑스 라이언 리서치 연구소(RRI) 김상백 박사팀이 발표한 ‘DefMoN’은 이 지점을 정면으로 다룹니다. AI가 정서·심리를 판단할 때 근거가 되는 데이터 생성과 라벨링 논리를 심리학 이론으로 구조화하고, 그 과정을 추적 가능한 형태로 합성 데이터로 재현하는 프레임워크입니다. 기존 정서 분석이 “라벨은 있는데 왜 그렇게 붙었는지”가 불명확했던 문제를 줄이겠다는 접근이죠.



DefMoN은 바이런트(Vaillant)의 방어기제 체계와 플루칙(Plutchik)의 동기 정서 이론을 기반으로 데이터 생성 가이드라인을 명확히 구분합니다. 중요한 건 품질관리(QC)입니다. 심리학적 개념에서 벗어나는 구성개념 이탈, 특정 단어만 보고 정답을 유추하게 되는 라벨 누출 같은 ‘데이터의 함정’을 막는 절차를 설계 단계부터 포함했습니다. 더 나아가 실험 기록, 스크립트, 시드 번호까지 공개해 재현 가능성도 높였습니다. 투명성을 말로만 강조하지 않고, 따라 해볼 수 있게 만든 셈입니다.

성과도 인상적입니다. 한국어와 영어 합성 데이터에서 Macro F1이 각각 0.96, 0.97로 1점에 근접했고, 영어로만 학습한 뒤 한국어에 적용하는 제로샷 환경에서도 0.81을 기록했습니다. “언어가 달라도 인간 심리의 논리 구조를 어느 정도 포착한다”는 가능성을 보여준 결과로 읽힙니다. 또한 합성 데이터로만 학습한 AI가 실제 사람 글을 분석했을 때 0.62였고, 클래스당 64개 수준의 실제 데이터를 추가하자 0.76까지 상승해, 합성 데이터가 실전 적응을 위한 튼튼한 바닥이 될 수 있음을 시사했습니다.

이 흐름은 웹과 서비스 운영에도 의미가 큽니다. 감정 분석 기반 고객응대, VOC 분류, 위험 징후 탐지 같은 기능을 기획할 때 이제는 “모델을 붙이는 것”보다 “설명 가능한 데이터와 검증 가능한 프로세스”가 더 중요한 경쟁력이 됩니다. 특히 조직 내 의사결정이나 감사, 컴플라이언스 환경에서는 결과값만큼 근거 제시가 중요해지니까요.

메타 설명: 심리학 이론 기반 합성 데이터 프레임워크 DefMoN이 AI 정서·심리 분석의 판단 근거를 추적 가능하게 만들며, 한국어 포함 다국어 환경에서 높은 성능과 제로샷 가능성을 보여줍니다.

#DefMoN #합성데이터 #정서분석 #설명가능한AI #심리학기반AI #데이터라벨링 #품질관리QC #제로샷 #MacroF1 #AI신뢰성 #이앤아이 #디지털에이전시 #대학교홈페이지 #병원홈페이지 #AI전문기업