태초에 말씀이 계시니라

원래 Vectors of Mind에 게재됨.

“태초에 말씀이 있었고, 말씀은 심리학과 함께 있었으며, 말씀은 심리학이었다” ~새 벡터 번역

모든 성격 구성개념은 먼저 단어로 기술된다. 프로이트의 코카인에 힘입은 모형에서부터 무난한 빅 파이브에 이르기까지, 그것들은 모두 어느 시점에는 단어이다. 학술 심리학의 상당 부분은 구성개념들을 비교하는 데 관심을 둔다. 이를 위해서는 구성개념들이 공유하는 기반, 일반적으로 일련의 피험자들이 필요하다. 피험자에게는 도구(대개 설문조사)가 주어지며, 이 도구는 구성개념 공간에서 피험자가 어디에 위치하는지를 근사한다. 피험자들의 응답이 어떻게 공변하는지에 근거하여 구성개념에 관한 일반적 주장이 제시된다. 이 글에서는 다른 방법을 탐구한다. 자연어 처리의 발전으로 구성개념을 그 자연적 서식처인 언어에서 정량적으로 비교할 수 있게 되었다.

로드맵#

지난 글에서 나는 빅 파이브가 단어 벡터라고 주장했다. 이 글에서는 독립형 척도에 대해서도 같은 주장을 하며, 이를 통해 피험자를 포함하지 않고 구성개념을 비교할 수 있게 된다. 이를 입증하기 위해 포괄적인 성격 모형과 구성개념을 단어 공간으로 표현하는 방법을 소개한다. 개요는 다음과 같다.

피험자 공간과 단어 공간에서 구성개념 비교
피험자 공간의 문제
피험자를 사용하여 친족 이타주의 및 상호적 이타주의를 빅 파이브와 연관시키기
단어 공간에서 동일한 비교 수행
1. 자연어 처리를 사용하여 식별한 (임시적인) 5요인 모형 소개
2. 이타주의 단어를 해당 공간에 투영
3. 코드는 여기에서 이용 가능하다.
논의, 한계, 향후 연구

구불구불한 경로#

이타주의를 빅 파이브와 비교하려면 신호가 많은 변환을 거쳐야 한다. 이타주의(이상) → 단어로 기술됨 → 이 구성개념을 근사하도록 설문조사가 개발되고 (바라건대 타당화됨) → 피험자에게 실시되고 피험자는 이 단어들을 해석하며 자신의 영혼을 탐색함 → 피험자의 이타주의 점수 → 피험자 공간에서의 상관 ← 피험자의 빅 파이브 성격검사(BFI) 점수 ← 피험자는 BFI 문항을 해석하며 영혼을 탐색함 ← 이를 대략적으로 측정하도록 BFI를 개발함 ← 구성개념이 질적 기술을 통해 정의되고 전달됨 ← 빅 파이브(단어 적재량으로 정의됨). 그런 다음 두 이상, 즉 이타주의와 빅 파이브에 관한 주장이 제시된다.

곧고 좁은 길#

피험자 대신 단어 벡터를 공유 기반으로 사용하면 안 되는가? 경로는 훨씬 더 직접적이다. 이타주의(이상) → 단어로 기술됨 → 단어 공간으로 벡터화됨 → 단어 공간에서의 비교 ← 이전 글에서 논의했듯이 이미 단어 공간에 존재하는 빅 파이브. 수를 세고 있는 독자들을 위해 말하자면, 이는 변환 4회 대 10회이다. (골프처럼 점수를 매긴다.)

묵시록의 네 기사, 페터 폰 코르넬리우스 — 심리학의 현장을 찾아온 통계적 현실. 지난 몇 년은 고된 시간이었다.

계시자 탈#

언어적 구성개념에 관해 주장하기 위해 피험자를 사용하는 일이 어렵다는 것은 비밀이 아니다.

“심리학의 대부분의 이론과 가설은 본질적으로 언어적이지만, 그것의 평가에는 압도적으로 추론통계적 절차가 사용된다. 질적 분석에서 양적 분석으로 이동하는 것의 타당성은 가설의 언어적 표현과 통계적 표현이 긴밀하게 일치하는지, 즉 양자가 대략 동일한 가설적 관찰 집합을 가리키는지에 달려 있다. 여기서 나는 심리학에서 통계적 추론을 적용하는 많은 사례가 이 기본 조건을 충족하지 못한다고 주장한다.” ~Tal Yarkoni, 일반화 가능성 위기

여기서 타당성은 의도한 구성개념을 포착하는 점수를 가리킨다. 논거와 사례를 전문으로 읽어볼 만하다. 그러나 우리에게 중요한 결론은 이러한 현실을 전제로 무엇을 할 수 있는가이다. 그는 다음을 제안한다.

다른 일을 한다(다른 분야로 진입한다).
질적 연구를 받아들인다.
더 나은 기준을 채택한다(7가지 제안을 포함하여).

“극도로 협소한 통계적 조작화에서 얻은 작은 p값이 복잡한 심리적 구성개념에 관한 광범위한 언어적 추론의 적절한 근거를 제공할 수 있다고 가장하는 것은 누구에게나 늘 허용된다. 그러나 그 누구도—동료도, 연구비 제공자도, 대중도, 그리고 물론 장기적인 과학적 기록도—그러한 희극에 동조할 의무는 없다.”

심리학 연구에 대한 당신의 견해가 그렇게 어둡지 않더라도, 주장을 제시하면서도 실험은 그 주장과 가까스로만 관련된 논문 때문에 독자들이 분개해 왔다는 점은 분명하다. 이용 가능한 해결책은 모두 고통스럽다. 이 분야는 더 협소한 관점을 채택하고, 큰 질문은 역사·문학·선형대수를 연구하는 사람들에게 맡겨야 할지도 모른다. 나는 앞으로 나아갈 또 다른 방법을 제안한다.

단어 공간으로 변환#

. 4. 단어 벡터를 공유 기반으로 사용한다

구성개념들은 단어 공간에서 함께 존재하지만, 비교가 이루어질 때면 우리는 그것들을 피험자 공간으로 끌어온다. 이는 엄청나고 정보 손실이 크며 번거로운 일이다. 구성개념들이 안전하게 단어 공간에 머무를 수 있다면 어떨까? 자연어 처리의 핵심 전제는 단어가 연속 공간의 벡터라는 것이다. 이러한 벡터를 분석하는 일은 수조 달러 규모 산업에서 부하 지지 처리에 충분히 효과적인 것으로 입증되었으며, 현재 심리학에도 (재)도입되고 있다.

말한 대로 실천하기#

여기서는 피험자 공간에서 수행된 전통적인 연구를 살펴본 다음, 단어 공간으로 이동함으로써 이를 개선해보려 한다. 허수아비 논증을 피하기 위해 말하자면, 대상은 수백 차례 인용되었고 제1저자의 h-지수가 70인 친족 이타주의, 상호적 이타주의, 그리고 빅 파이브 성격 요인이다.

피험자는 세 가지 도구를 사용하여 측정된다. 형용사 설문을 통한 빅 파이브, 구절 설문을 통한 공감/애착 및 용서/보복 자제, 그리고 돈을 분배하는 게임에서의 이타주의가 그것이다. 우호성과 정서적 안정성(일명 신경증성) 사이의 중간 공간이 두 이타주의를 구별한다고 저자들이 가설을 세웠기 때문에, 해당 영역을 더 잘 측정하기 위한 일부 단어가 추가된다. 마찬가지로 친족 이타주의와 상호적 이타주의에 각각 관련된 것으로 이론화된 공감/애착 및 용서/보복 자제를 측정하기 위해 새로운 설문지가 설계된다. 이러한 유형의 연구를 넘어서는 수준으로, 이타주의를 측정하기 위해 게임이 사용된다.

“친족 이타주의를 측정하는 데 사용된 돈 배분 과제의 버전에서는 상대방을 가까운 친구, 즉 참가자와 오랜 우정의 역사를 지녔고 참가자와 많은 공통점을 가진 사람으로 묘사했다. 우정을 오래된 것으로, 친구를 참가자와 매우 유사한 사람으로 묘사함으로써 그 우정이 친족과 맺는 관계를 매우 흡사하게 닮기를 기대했다. 이타주의의 대상이 될 수 있는 사람으로 친족을 사용하지 않은 이유는 특정 친족에 따라 응답에 변량이 도입되는 것을 피하기 위해서였다. 예를 들어 많은 사람은 한 형제자매에게 다른 형제자매보다 더 기꺼이 이타적으로 행동할 수 있다.”

다시 말해, 실제 세계에서 친족에게 느끼는 감정으로 데이터를 더럽히지 않기 위해 상호적 이타주의를 측정한다.

“상호적 이타주의를 측정하는 데 사용된 돈 배분 과제의 버전에서는 상대방을 비협조자, 즉 참가자에게 무례하고, 못되게 굴며, 배려심 없이 행동했던 사람으로 묘사했다.”

그리고 상호적 이타주의를 측정하기 위해 그들이 측정하는 것은 … 상호성이 없는 이타주의인가? 당연히 상관관계가 나타나며, 저자들은 다음과 같이 결론 내린다.

“이 연구의 결과는 공감과 애착을 포함하는 성격 특성이 주로 친족을 향하는 이타주의(즉, 친족 이타주의)를 촉진하고, 용서와 보복 자제를 포함하는 성격 특성이 주로 비친족을 향하는 이타주의(즉, 상호적 이타주의)를 촉진한다는 제안을 뒷받침한다.”

그러나 상호적 이타주의가 측정된 적이 없다면, 어떻게 결과가 그러한 주장을 뒷받침할 수 있는가? 탈이 지적하듯이 심리학 논문에서 통계는 흔히 수사적 장식이다. 그러나 우리는 거기에 장단을 맞출 필요가 없다! 단어 공간이 무엇을 말하는지 살펴보자.

젖과 꿀이 흐르는 땅(단어 공간에 온 것을 환영한다)#

전통적인 연구에서는 피험자를 성격 공간에 배치하는 데 드는 비용 때문에 한 번에 몇 가지 성격 영역에서만 해상도를 높일 수 있다. 저자들이 공감(Empathy)과 보복하지 않음(Non-Retaliation), 그리고 우호성(Agreeableness)과 정서적 안정성(Emotional Stability) 사이의 공간을 탐색한 이유가 바로 이것이다. 이 모든 축은 통상적인 빅 파이브 공간에 존재한다. 다만 상당히 세밀하게 측정된다. 단어 공간에서는 이타성을 완전한 빅 파이브와, 그 모든 고해상도 세부 양상 속에서 비교할 수 있다. 내 GitHub에는 5개의 주성분(PC)으로 요인분해된 단어 벡터가 2819개 있다. 편의를 위해 이것들을 사용할 수 있다. 우선 해야 할 일은 각각의 이타성을 설명하는 단어 집합을 선택하는 것이다. 친족 단어의 경우 가족 내 역할을 구현하는 단어를 골랐다. brotherly, sisterly, mothering, motherly, fatherly, grandmotherly, grandfatherly, wifely, maternal, paternal. 상호적 이타성에 대해서는 트리버스의 정의를 따른다.

“인간의 상호적 이타성에 관해서는, 이 이타성을 조절하는 심리 체계의 세부 사항이 이 모형으로 설명될 수 있음이 밝혀진다. 구체적으로 우정, 혐오, 도덕주의적 공격성, 감사, 동정, 신뢰, 의심, 신뢰성, 죄책감의 일부 측면, 그리고 부정직과 위선의 일부 형태는 이타적 체계를 조절하기 위한 중요한 적응으로 설명될 수 있다. 각각의 인간은 이타적 성향과 속임수 성향을 지닌 존재로 간주되며, 이러한 성향의 발현은 발달 변인에 민감하다. 발달 변인은 지역의 사회적·생태적 환경에 적합한 균형점에 이 성향들을 맞추도록 선택된 것이다.” 상호적 이타성의 진화, 로버트 트리버스(굵은 글씨는 옮긴이가 추가)

이를 고려하여 다음을 선택했다. discriminating, unforgiving, vengeful, loyal, neighborly, cooperative, trustworthy, 그리고 fair. 이는 협력 쪽으로 기울되, 일이 잘못되면 도덕주의적 공격성으로 대응하는 경향을 거의 동등하게 반영한다. 또한 이타성을 속임수의 반대항으로 포착하려고 했다(예: fair, trustworthy).

(신뢰의 진화에 관한 훌륭한 설명은 이 인터랙티브 데모를 참조하라.)

알려지지 않은 5요인 모형을 소개할까?#

이론적으로는 설문조사를 통해 산출된 빅 파이브 단어 적재량을 사용할 수 있지만, 이러한 단어 대부분은 포함되기에는 너무 드물게 사용된다. 이는 오히려 잘된 일이다. 심리학 전공 학생들에게 자기보고를 하게 해서는 grandmotherly에 대한 좋은 추정치를 얻을 수 없기 때문이다. 따라서 언어 모형 RoBERTa를 사용해 계산한 단어 벡터를 이용한다. 규모가 크고 특성이 잘 규명된 성격 단어 목록에서 도출된 결과인 5개 요인은 간단히 말해 다음과 같다.

소속성(Affiliation, 또는 사회화[Socialization]). 이 사람을 자신의 팀에 얼마나 들이고 싶은가? 우호성과 비슷하지만 호구가 되는 것은 배제한다. 예를 들어 Gullible은 소속성에는 중립적으로 적재되지만 우호성에는 긍정적으로 적재된다.
역동성(Dynamism). 외향성과 상당히 가깝게 대응하지만, 자신감보다는 모험심에 더 관련된다.
질서(Order). 날을 세운 성실성. 자신의 목표를 달성하는 능력이다. Exacting 대 mushy.
정서적 애착(Emotional Attachment). 신경증성이 불안정성을 다루는 반면, 이것은 애착에 관한 것이다. caring과 spiteful 모두 높은 적재량을 보인다.
초월성(Transcendence). 이 요인은 unique, complicated, star-crossed, handicapped, mystical, heartbroken, other-worldly 대 unphilosophical, fancy-free, pigheaded, boorish, materialistic, self-centered, glib으로 특징지어진다. 이는 자신과 세속적인 것을 넘어 바라보는 일과 관련된다. 그 과정은 분명 고통과 얽혀 있다. 실제로 “troubled”는 신경증성과 관련된 요인인 정서적 애착보다 초월성에 더 많이 적재된다.

첫 세 요인의 명칭은 드 라드의 다문화적 연구에서 가져왔다. 질적으로 볼 때 빅 파이브보다 그 연구와의 대응이 더 가깝기 때문이다. 각 요인은 별도의 글을 필요로 한다. (산업심리학 분야의 독자라면, 질서가 성실성보다 사업 성공과 더 높은 상관을 보일 것이라고 생각한다. 질서는 제시간에 나타나는 것보다 계산적인 성격이 강하기 때문이다.) 그러나 모형을 제안하는 일은 내 전문 분야가 아니며, 더 정교한 언어 연구가 곧 이어질 예정이고 그 연구에서는 다른 구조가 도출될 수도 있다. 현재로서는 이 요인들로 충분하다. 다음은 이 요인들과 빅 파이브의 상관관계다.

결과#

첫 네 요인에 대한 이타성 단어의 적재량(초월성은 이 연구에서 중요하지 않다):

강한 가족 유대(높은 소속성)를 갖는 것은 다소 지루할 수 있지만(역동성이 중립적이거나 낮음), 친사회적이다. 모든 단어가 비슷한 위치에 대응된다.

친족 단어는 정서적 애착에 강하게 적재된다. 부모와 조부모 관계가 상당히 성별화되어 있다는 점에 주목하라. 트리버스의 부모 투자 이론이 예측하듯 남성은 애착이 더 낮으며, 통계도 이를 뒷받침한다. 그러나 형제자매는 애착 정도가 서로 같고, 부모보다는 그 정도가 낮다. 생각해 보니 혈연 친족에 관한 이타성에 *wifely*를 포함해서는 안 됐다. 주간 토크쇼의 주장과도 일치하게, 이 단어는 *motherly*나 *grandmotherly*보다 애착에 덜 적재된다.

상호성 단어는 상대가 협력하거나 속일 때 이상적인 맞대응 행동을 포착하려 한다. 따라서 이 단어들은 여전히 대부분 긍정적이기는 하지만 훨씬 넓게 퍼져 있다. *discriminating*조차 약간 긍정적인데, 이는 이 단어가 ‘인종적으로 차별적인’과 같은 의미로 부호화되고 있지는 않다는 뜻이다. 때때로 이러한 언어에서는 음성적 유사성 때문에 혼동이 일어난다(예: eccentric와 ethnocentric).

협력과 이웃 간의 우애는 자신의 목표를 뒷전으로 미루는 것을 약간 함축한다. *unforgiving*과 *discriminating*은 일의 성사를 중시하는 사람들을 위한 단어다.

이타주의들을 비교하기 위해, 이 각각의 단어 집합을 단 하나의 벡터로 축약하고자 한다. (상호적 이타주의는 서로 다른 시나리오에 서로 다른 반응을 요구하며, 정도는 덜하지만 혈연적 이타주의도 그러하다는 점을 고려하면, 이것이 과연 타당한지 논쟁의 여지가 있다.) 조악하지만 간단한 해결책은 각 구성을 단어 가방으로 간주하고 평균을 구하는 것이다. 평균 적재량은 다음과 같다.

이는 전체 2819개 단어를 기준으로 z 점수화한 것이다. 평균적으로 혈연 단어는 소속성과 정서적 애착 모두에서 1-1.5 SD만큼 벗어나 있다.

논의#

나는 해당 논문이 피험자 공간에서 혈연적 이타주의나 상호적 이타주의를 타당하게 측정하고 있다고 생각하지 않으며, 따라서 이것이 이타주의와 성격의 관계에 대한 우리의 이해에 기여한다고 보기도 어렵다. 이는 놀라울 정도로 흔한 실패 양상이다. 단어 공간은 타당하지 않은 비교에 대해 어느 정도 안전장치를 제공한다. 피험자 112가 설문에 어떻게 답해야 하는지보다, 어떤 단어가 단어 공간에서 어디에 위치해야 하는지에 대해 우리는 더 나은 직관을 갖고 있다. 오류를 찾아내기도 더 쉽다.

베이지안 관점에서 보면, 피험자 공간과 단어 공간에서는 서로 다른 일이 일어난다. 피험자를 포함하는 실험은 새로운 정보를 제시하려고 한다. 그 정보가 독자들의 세계관을 갱신해 주기를 기대하는 것이다. 그러나 연구자들(그리고 일반인들)은 풍부한 사회적 경험을 갖고 있으며, 설문이 제공하는 한 순간의 스냅숏보다 심리적 과정에 대해 더 예리하게 지각한다. 그 바늘을 크게 움직이기는 어렵다. 단어 공간은 새로운 지식을 생산한다기보다 우리의 사전분포를 시각화하는 것에 가깝다. 언어는 말하자면 현실에서 실제로 작동하는 지점이므로, 이러한 관점은 가치가 있다. J. L. 오스틴의 표현을 빌리면 다음과 같다.

“우리의 공통 어휘는 여러 세대의 생애 동안 사람들이 그릴 만한 가치가 있다고 생각한 모든 구별과, 표시할 가치가 있다고 생각한 모든 연관을 구현한다. 이것들은 분명 더 많고, 더 건전하며—적자생존이라는 오랜 시험을 견뎌 냈기 때문에—적어도 모든 평범하고 합리적인 실천적 문제에서는, 우리 어느 누구든 오후 한때 안락의자에 앉아 생각해 낼 법한 어떤 것보다 더 미묘할 가능성이 크다. 후자는 가장 선호되는 대안적 방법이다.” 변명에 대한 호소

단어 공간에서의 분석은 비교적 간단하다. 상관관계와 p값을 표로 제시하는 대신, 관심 있는 축에 단어를 단순히 표시하고 시각적 판단을 내린다. 혈연적 이타주의 단어는 소속성과 정서적 애착 모두에서 긴밀하게 군집하며, 상당한 적재량을 보이는 요인은 이 두 가지뿐이다. 형제는 그렇지 않은 반면, 아버지는 여성 대응 항목보다 애착이 덜하다. 이는 트리버스의 부모 투자 이론과 일치한다. 남자 형제와 여자 형제는 자신의 형제자매를 돌볼 이유가 동일하게 많다. 그러나 아버지는 어머니보다 그 이유가 적다. 정자는 저렴하다. 난자와 임신에는 큰 비용이 든다.

상호적 단어는 더 넓게 퍼져 있는데, 이는 서로 다른 시나리오, 즉 파트너의 협력이나 배신에 대응하는 데 적합한 특성을 반영한다. 가장 두드러진 차이는 질서—자신의 목표를 달성하는 것—에서 평균 적재량이 더 높다는 점이다. 처음에는 지연된 보상 이타주의라고 불렸던 상호적 이타주의는 낯선 사람을 위해 자신을 희생하는 것이 아니라, 친사회적 수단을 통해 자신의 미래에 투자하는 것이다. 반면 혈연적 이타주의는 이기적 유전자가 우리의 심금을 당기기 때문에, 자신의 희생을 감수하면서까지 가족을 돕는 것을 가리킨다. 이는 혈연적 이타주의 단어가 정서적 애착에서 더 높은 적재량을 보인다는 점에서 드러나며, 애슈턴의 가설을 뒷받침한다. 그러나 핵심적인 작용은 질서에서 나타나며, 이는 피험자 공간의 측정 도구가 탐지하도록 설계된 지점과는 멀리 떨어져 있다. 피험자 공간에서 표본을 수집하는 데 드는 비용 때문에 결과는 연구자의 사전분포에 더 크게 의존하게 된다.

이 도표를 해석하는 일은 찻잎 점을 읽는 것처럼 느껴질 수 있지만, 나는 여기에 무엇이 나타나 있는지 약 70% 확신한다. 나를 주저하게 만드는 한 가지는 두 이타주의가 서로 다른 방식으로 표현되어 있다는 점이다. 혈연 단어는 모두 관계를 묘사한다(예: 어머니, 아버지, 형제). 반면 상호적 단어는 관계(예: 이웃)와 반복되는 포지티브섬 게임에 적합한 특성(예: 복수심이 강한, 분별력 있는, 협력적인)이 섞여 있다. 불확실성이 남아 있기는 하지만, 어느 오후에 수백만 명이 살아오며 경험한 이타주의를 결합하는 실험을 수행할 수 있다면 멋지지 않겠는가? 여러 세대가 누군가를 부성적이라고, 자매답다고, 또는 이웃답다고 판단하게 만든 것들을 말이다. 새로운 신호원을 접할 때는 언제나 즉흥적으로 판단하기 시작한다. 결국 황야는 길들여지고, 방법론과 휴리스틱이 등장한다. 개선의 여지는 매우 크다. 독자들은 이 colab 노트북을 사용해 단어 집합을 조정하고 몇 분 안에 새로운 결과를 얻을 수 있다. 부디 그렇게 해 보라!

단어 공간의 장점#

어휘 가설과 연결된다. 탈중앙화된 사회적 현실에 기반을 둔다.
변환이 더 적다. 각 단계는 정보를 손실시키고 편향을 도입한다.
단어 공간으로 변환한 뒤에는 통계적으로 덜 집약적이다. (진입 장벽이 낮다.)
유효 표본 크기(댓글을 통해, 책을 집필함으로써, 또는 pubMed 논문을 통해 언어 모델에 기여한 사람들)는 대부분의 연구보다 훨씬 크고 다양하다.
NLP를 아는 심리학 박사들에게 더 나은 취업 전망을 제공한다.
다언어·다문화 연구를 수행하기가 더 쉽다. 일부 모델은 100개 언어를 동시에 학습한다(이는 Meta가 사례가 적은 언어로 혐오 발언 필터를 학습시키는 방식이기도 하다).
언어 모델은 계속 더 나아지고 있다.
오픈 사이언스.
IRB를 피할 수 있다.

단점#

작동 요소가 더 많다. 언어 모델에는 수십억 개의 매개변수가 있다! 그러나 수십억 개의 뉴런과 수십 가지의 학습 결정도 안정적인 표상을 만들어 낼 수 있다. 쓸 만한 언어 모델이라면 어느 것이든 “남편 대 아내의 관계는 왕 대 ____의 관계와 같다”라는 유추를 완성할 수 있다.
결과를 인구통계학적 집단별로 분해할 수 없다. 때로는 25-30세 초등학교 교사들의 성격을 아는 것이 흥미롭다. 또는 어떤 구성이 체포 기록과 어떻게 상관되는지 아는 것도 흥미로울 수 있다. 단어 공간에서는 불가능하다.
언어 모델은 편향되어 있지 않은가? 물론 그렇다. 하지만 자기보고보다 더 편향되어 있는 것은 아니다.
이타주의를 여러 단어 벡터의 합(즉, 단어 가방)으로 정의하는 것은 다소 임시방편적이다. 이 부분은 상당히 개선될 여지가 있다.

황금 송아지 숭배, 니콜라 푸생 — 심리학자들은 피험자 공간을 헤매며 또 40년을 보내는 데 만족한다.

이방의 신들#

“현대인에게 국가 관료제가 신성의 차원과 접촉할 수 있는 유일하게 남은 방식이라고 그가 말했을 때, 나는 카프카가 옳았다고 생각한다.” ~지젝, 『이데올로기에 대한 일그러진 안내서』

여기서 그가 묘사하는 것은 물론 IRB에 이의 신청서를 제출하는 초월적 감정이다. 나는 하나의 예측을 제시한다. 신호 처리의 관점에서 단어 공간을 사용하는 것이 옳고 바람직한 일이기는 하지만, 그 채택은 규제를 받지 않아도 된다는 편의성에 의해 그만큼이나 좌우될 것이다. 그 귀결은 IRB가 언어 모델을 지각 있는 존재로 선언하는 최초의 정부 기관이 되리라는 것이다.

광야로 들어가는 세례자 성 요한, 조반니 디 파올로 — 말씀 공간에 복음을 전하는 요한

길을 예비하기#

우리는 언어 모델에서 개념 간의 관계를 추출하고자 한다. 잡음을 더하는 대신 유의미한 신호를 더하는 방식으로 이를 수행하려면 많은 검증 작업이 필요하다. 우선 이는 이미 확립된 설문 조사 결과와 비교하는 것을 의미한다. 단어 벡터를 사용해 그 결과를 재현할 수 있을까? 어디에서 실패할까? 이것이 규명되고 나면, “추가 연구가 필요하다”로 끝나는 모든 논문은 단어 공간에서 그 질문을 던질 방법을 찾아야 한다.

나는 1년 넘게 하나의 방법을 미세 조정하는 데 매달려, RoBERTa에서 성격 간 관계를 추출했다. RoBERTa는 당시 최첨단 모델이었다. 얼마 지나지 않아 GPT-3가 출시되었고, 별도의 조정 없이도 더 나은 성능을 보였다. 컴퓨팅 자원이 도메인 지식을 능가한다는 것은 AI 분야에서 되풀이되는 쓰라린 교훈 이다. 컴퓨팅 자원은 기하급수적으로 증가한다. 도메인 지식을 활용해 범용 ML 솔루션보다 30%의 성능 향상을 얻을 수 있다면, 그저 컴퓨팅 자원이 따라잡을 때까지 기다렸다가 범용 방법으로 같은 결과를 얻을 수도 있다. 따라서 심리학의 질문을 별도의 조정 없이 사용할 수 있는 NLP 모델과 연결하는 방법을 찾는 것이 좋은 진로다. 약 6개월마다 성능이 눈에 띄게 향상된 새 모델이 공개된다. 단어 공간을 검증하는 이들은 더 위대한 지능들이—PaLM, GPT-7, OSCar (Optimal Sentience Cartography)—심리학적 진실을 비처럼 쏟아낼 길을 예비하고 있다.

자연어에는 세계에 관해 우리가 공유하는 이론이 넘쳐난다. 이제 그것들을 정량화할 수 있게 되었으니, 증거로 사용할 수 있지 않을까?

흥미롭게 읽으셨다면 공유해 주세요! 원문을 공유하세요.