GIST, 감정 '변곡점'만 찍어도 전체 흐름 복원하는 AI — CHI 2026 상위 5%

• GIST(광주과학기술원) 김경중 교수팀이 HCI 최고 학회 CHI 2026에서 '아너러블 멘션(상위 5%)'을 수상함
  • 기술 이름은 PREFAB — 사용자의 감정 '변곡점'만 기록해도 전체 감정 흐름을 복원하는 AI 모델
  • 바르셀로나에서 4월 13~17일 열린 Conference on Human Factors in Computing Systems 2026 발표
• "데이터 많을수록 정확하다"는 통념을 뒤집은 접근
  • 기존 감정 데이터 수집 방식 — 사용자가 모든 순간의 감정을 일일이 수동 기록
  • 문제 — 번거로움과 피로감이 가장 큰 장벽
  • PREFAB의 접근 — 감정이 급변하는 변곡점(inflection point)만 기록해도 충분
• AI가 먼저 감정 변화를 예측하고 질문을 던지는 구조
  • 사용자 행동 데이터(클릭, 시청 시간, 스크롤)로 감정 곡선을 미리 예측
  • 감정이 크게 요동치는 지점을 AI가 스스로 찾아내 사용자에게 질문
  • 사용자는 핵심 지점에서만 가볍게 응답 → AI는 이를 바탕으로 전체 곡선 재구성

• '선호도 기반 학습(Preference Learning)' 적용
  • 사람은 감정을 수치화하기보다 시점 간 비교로 판단하는 게 자연스럽다는 점에 착안
  • 서로 다른 순간의 감정을 비교해 감정 곡선의 상승/하락을 정밀 추정
• 성인 25명 사용자 실험에서 검증됨
  • 모든 구간을 빠짐없이 기록하던 기존 방식 대비 인지 부담은 크게 감소, 복원 품질은 오히려 향상
  • 전체 감정 흐름을 약 70% 수준(상관계수 0.69)까지 정밀 복원
  • 단순 감정 점수화 방식보다 성능 우위
• 활용 예상 분야 — 감정 인식 AI, 게임 UX 분석, 교육, 헬스케어
• 연구 주체 — GIST AI융합학과 김경중 교수(교신), 문재영 박사과정(제1저자), 최유진 박사후, 박유천 석박통합과정 + 몰타대·남덴마크대 교수 공저

---

기술 맥락

Affective Computing은 HCI에서 사용자의 감정 상태를 시스템이 이해하고 반응하도록 하는 분야예요. 추천 시스템, 게임 난이도 자동 조절, 디지털 헬스케어 앱, 교육 플랫폼 등에서 핵심 데이터로 쓰이는데, 가장 큰 문제가 '라벨링 비용'이었어요. 행동 데이터는 무한정 수집되지만 감정 라벨은 사람이 직접 찍어줘야 하거든요.

PREFAB이 풀려고 한 문제는 액티브 러닝(Active Learning) 관점에서도 흥미로워요. 모델이 불확실성이 높은 지점(여기선 감정 변곡점)을 스스로 골라 사용자에게 질문하는 방식이라, 라벨링 효율이 극대화되거든요. 모든 구간 수동 기록 → 변곡점만 선택적 질의로 바뀌면서 사용자 피로도와 데이터 품질을 동시에 개선한 게 논문의 기여예요.

Preference Learning 적용도 실용적 선택이에요. RLHF에서 쓰이는 페어와이즈 비교(pairwise comparison)와 같은 원리인데, 절대값 대신 "A가 B보다 좋다" 형태의 비교 데이터가 사람에게 자연스럽고 노이즈도 적어요. 감정처럼 주관적인 신호를 수집할 때 특히 유효한 접근이고, 상관계수 0.69라는 복원 정확도도 이 선택 덕분에 나온 수치로 보여요.

CHI 아너러블 멘션은 전체 채택 논문 중 상위 5%에 해당하는 표창이라, HCI 분야 커뮤니티에서 꽤 비중 있는 인정이에요. 한국 대학이 CHI에서 이런 상을 받는 건 흔한 일이 아니고, 몰타대·남덴마크대 같은 유럽 연구자들과 국제 공동연구로 수행했다는 점도 눈여겨볼 만해요.