미국 도널드 트럼프 대통령이 '미국을 다시 위대하게(MAGA)'라는 구호로 당선된 후 '미국 우선주의(America First)[ 정책에 강력한 드라이브를 걸고 있다.

이민을 제한하기 위해 국경을 봉쇄하고 외국산 제품에 높은 관세를 부과해 자국 산업을 보호하고 있다. 중국의 벤처기업이 개발한 딥시크(DeepSeek)가 미국의 챗GPT(chatGPT)에 도전하며 양국간 긴장이 조성되고 있다.

2023년 서비스를 시작한 챗GPT는 대규모 언어 모델(Large Language Model, LLM)을 기반으로 학습해야 하므로 막대한 개발 비용이 필요하다. 학습데이터의 확보도 해결하기 어려운 과제다.

㈜에이아리더 이정록 이사는 'sLLM을 활용한 유아의 정서 발달을 돕는 인공지능 학습을 위한 특징(Feature) 연구(A Study on Features for Artificial Intelligence Learning to Help Infants’ Emotional Development Using sLLM)에 관한 논문을 작성했다. 간략하게 내용을 정리하면 다음과 같다.

◇ LLM에 비해 소규모 데이터로 학습이 가능한 sLLM 활용해 유아정서 발달 지원

유아기의 정서 발달은 평생에 걸쳐 영향을 미치는 중요한 과정으로 긍정적인 정서 발달은 사회성, 자존감, 학습 능력 등 전반적인 발달에 긍정적인 영향을 미친다.

모든 유아는 각자 다른 성장 속도와 개성을 가지고 있으므로 개별 유아의 특성에 맞는 맞춤형 교육의 중요성이 강조되고 있다.

하지만 맞벌이 가정 증가, 소규모 가족화 등 양육 환경의 변화로 유아들이 부모에게 충분한 정서적 지지를 받지 못하는 경우가 많아졌다.

이에 인공지능(AI) 기술의 발전은 다양한 분야에서 새로운 가능성을 열어주고 있다. 특히 자연어 처리 기술의 발달은 인공지능과 인간의 상호작용을 더욱 자연스럽게 만들어준다.

대규모 언어 모델(Large Language Model, LLM)을 활용한 연구는 새로운 접근 방법이다. LLM과 달리 소규모 언어모델(sLLM)은 작은 규모의 데이터를 학습해 경량화된 모델이다.

◇ 감정 상태가 어떻게 변화하는지 관찰해 정서 조절 능력 평가... 5단계로 변화 패턴 분석

유아의 감정 어휘 사용 빈도 및 다양성 측정하기 위해서는 유아가 사용하는 감정 어휘의 빈도와 다양성을 통해 정서 인식을 평가한다.

음성 인식을 통해 유아가 말하는 감정 단어를 추출하는데 5~7세 유아가 자주 사용하는 감정 어휘 리스트 조사 및 수집한다.

유아가 사용하는 감정 어휘를 긍정적, 부정적, 중립적으로 분류한다. 우선 긍정적인 감정 어휘는 기쁘다, 행복하다, 좋아하다, 신난다, 사랑한다 등이다.

다음으로 부정적 감정 어휘는 무섭다. 짜증난다, 부끄랍디, 싫다, 심심하다, 억울하다 분하다. 시기하다, 질투하다 등을 포함한다.

마지막으로 중립적 감정 어휘는 이상하다, 궁금하다. 복합하다, 어색하다. 무기력하다. 덤덤하다, 신중하다, 피곤하다, 집중하다. 조용하다. 상상하다 등이 있다.

주어진 기간 동안 감정 단어의 빈도를 측정하고 다양한 감정 단어를 사용하는지 확인한다. 감정 어휘의 빈도는 다양한 환경적, 사회적 심리적 상황에 의해 영향을 받는다. 각 요인별 대화 시나리오를 검토하면 된다.

예를 들어 화남, 기쁨과 같은 특정 감정 표현에 과도하게 집중돼 있으면 정서 발달에서 편향이 있는지 평가한다. 감정 어휘의 사용이 일관성 있는지 또은 특정 상황에서만 감정을 표현하는지 분석한다.

정서 발달의 편향을 교정하는데 필요한 교육적 심리적 개입을 설계하는 것은 교육적 개입과 심리적 개입이 있다.

감정상태의 변화 패턴 분석은 대화나 상호작용 중 유아의 감정 상태가 어떻게 변화하는지 관찰해 정서 조절 능력을 평가한다. 다음과 같이 5단계로 진행한다.

첫째, 음성 인식 도구를 통해 대화 중 감정 상태(기쁨, 슬픔, 분도 등)를 실시간으로 분석한다. 시간 흐름에 따른 유아의 감정 변화를 시각화하는 그래프를 만든다.

감정의 강도를 수치화해 시간에 따른 감정 변화 패턴을 그래프로 변환 및 수집한다. 감정 변화 패턴을 시간 단위로 정밀하게 분석하여 AI 모델에 적용 가능하다.

둘째, 감정 상태가 급격히 변화하는지 또는 서서히 변화하는지 패턴을 분석한다.

셋째, 감정 변화가 특정 자극(예 : 부정적 피드백, 스트레스)에 어떻게 반응하는지 평가한다. 유아와 주변 인물(부모, 교사, 친구 등)의 상호작용을 기반으로 감정회복 맵(Interaction Heatmap)을 만든다.

각 상호작용에서 감정 변화의 강도를 색상으로 표현한 히트맵을 사용해 시각화한다. 감정 회복이 사회적 상호작용에 의존하는지, 혹은 독립적인지 학습할 수 있다. 이는 감정 회복 패턴을 구조적으로 분류할 수 있어, 인공지능이 회복 패턴의 규칙성을 학습한다.

넷째, 감정 상태가 안정적으로 유지되는 기간과 급격한 변화가 일어나는 시간을 비교해 정서 안정성을 판단한다.

다섯째, 유아가 부정적 감정을 표현한 후 어떻게 회복하는지 그 패턴을 분석한다.

◇ 감정 변화 속도·상호작용과 감정 회복의 상관관계·감정 표현의 연속성 학습

AI가 학습할 수 있는 특징은 감정 변화 속도, 상호작용과 감정 회복의 상관관계, 감정 표현의 연속성 등이라고 볼 수 있다. 상세하게 살펴보면 다음과 같다.

우선 감정 변화 속도는 유아가 부정적인 감정을 느끼고 회복하는 데 걸리는 시간을 학습한다. 감정이 빠르게 전환되는지 혹은 오래 지속되는지에 따라 회복 속도의 패턴을 분석할 수 있다.

이는 감정회복 속도가 유아마다 다를 수 있으므로 AI는 이를 통해 정서적 회복력과 감정 조절 능력을 예측할 수 있다.

다음으로 상호작용과 감정 회복의 상관관계는부모나 친구와의 상호작용이 감정 회복에 미치는 영향력을 학습한다. 특정 상호작용이 감정 회복을 촉진하는지 혹은 방해하는지를 AI가 분석한다.

AI는 상호작용 유형에 따른 감정 회복 패턴을 학습하고 사회적 지원이 유아의 정서 발달에 미치는 영향을 예측할 수 있다.

마지막으로 감정 표현의 연속성은 감정의 표현이 지속적으로 이어지는지 혹은 짧은 순간 나타나고 급격히 변화하는지를 학습한다.

감정표현의 강도와 지속성을 기반으로 감정 회복 패턴을 파악한다. AI는 유아가 부정적 감정을 얼마나 오래 표현하는지를 학습하여 특정 감정이 얼마나 깊이 영향을 미치는지 예측할 수 있다. 이는 정서적 회복력 및 안전성을 분석하는데 유용하다.

◇ 개별 맞춤형 학습 경험 제공해 효과 극대화 가능... 상호작용을 통해 최적의 학습콘텐츠 설계

sLLM기반의 유아의 정서발달에 효과적인 모델의 개발과 유아와 상호작용을 위한 최적의 학습콘텐츠를 설계하고 각 유아의 언어 사용 패턴, 감정 표현 방식 등을 분석한다.

개별 맞춤형 학습 경험을 제공해 유아의 학습효과 및 측정평가와 유아의 발달 수준과 관심사에 맞는 다양한 학습 콘텐츠를 통해 학습 효과를 극대화할 수 있다.

▲ 정상 전문위원(중앙대학교 교수)