---
title: "GIST, 감정 '변곡점'만 찍어도 전체 흐름 복원하는 AI — CHI 2026 상위 5%"
published: 2026-04-19T13:05:01.810Z
canonical: https://jeff.news/article/1807
---
# GIST, 감정 '변곡점'만 찍어도 전체 흐름 복원하는 AI — CHI 2026 상위 5%

GIST 김경중 교수팀이 사용자가 감정이 크게 요동치는 지점만 응답해도 전체 감정 곡선을 복원하는 PREFAB 모델로 CHI 2026 아너러블 멘션을 수상했다. 선호도 기반 학습을 적용해 25명 실험에서 상관계수 0.69 수준으로 복원에 성공.

- 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

> [!TIP]
> "지금 행복 85점" 식으로 절대값을 요구하지 말고 "아까보다 지금이 더 좋아" 같은 비교를 쓰자는 발상이 핵심. 절대 수치보다 상대 비교가 인간에게 자연스럽고 정확도도 높다는 걸 통계적으로 입증.

- '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 Computing**은 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 멘션**은 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.

## 핵심 포인트

- CHI 2026(HCI 최고 학회)에서 상위 5% 아너러블 멘션 수상
- 기존 '모든 순간 기록' 방식 대신 감정 변곡점만 선택적으로 질의
- AI가 사용자 행동 데이터로 감정 변화를 먼저 예측해 질문 시점을 스스로 결정
- 절대값 수치화 대신 시점 간 비교(Preference Learning) 방식 적용
- 성인 25명 실험에서 상관계수 0.69로 기존 방식 대비 우수

## 인사이트

라벨링 비용이 최대 병목이던 Affective Computing에서 '액티브 러닝 + 선호도 학습'으로 사용자 피로도와 데이터 품질을 동시 개선한 접근이다. 헬스케어·교육·게임 UX 등 감정 신호가 필요한 서비스에 바로 응용 가능.