통합 그룹 페르소나와 메조 수준 시뮬레이션을 위한 Synonymix

본 논문은 생성형 에이전트 시뮬레이션이 현재 개인 페르소나와 인구 수준 모델이라는 두 축에만 머물러 있다는 점을 비판하고, 개인의 풍부한 삶 이야기를 보존하면서도 집단 차원의 분석과 개입이 가능한 ‘메조‑레벨’ 시뮬레이션을 제안한다. 이를 구현하기 위해 저자들은 Synonymix 파이프라인을 설계했으며, 주요 구성 요소는 다음과 같다. 1. **삶 이야기 그래프 추출**: 인터뷰식 삶 이야기를 세 종류의 노드(Subject, Factual, Interpretive)와 네 종류의 엣지(F→S, F→F, F→I, I→F)로 구조화한다. I‑노드는 심리·사회학적 전문가 관점을 모방한 LLM 프롬프트를 통해 생성한다. 이 온톨로지는 개인 서사의 구체적 사건과 그에 대한 의미·가치를 동시에 포착한다. 2. **프라이버시‑보호 그래프 병합**: 각 개인 그래프를 ‘라벨 일반화’(구체 명사를 일반형으로 변환)와 ‘동의어 병합’(동일·동의어 라벨을 가진 노드 통합) 과정을 거쳐 ‘유니그래프’를 만든다. 병합 과정에서 출처 메타데이터를 보존해 각 노드가 어느 개인에 기인했는지 추적 가능하게 하며, 차등 프라이버시를 적용할 수 있는 구조적 기반을 제공한다. 3. **그래프 탐색 기반 합성**: 유니그래프에서 ‘주제 랜덤 워크’를 수행한다. 탐색은 선택된 I‑노드의 임베딩을 테마 앵커로 삼아, 가치·동기 일관성을 유지하면서 사실 노드들을 재조합한다. 이렇게 생성된 ‘프랑켄슈타인’ 그래프는 다시 LLM 프롬프트를 통해 텍스트 형태의 삶 이야기로 변환된다. 평가에서는 세 가지 에이전트 뱅크를 구축했다. ‘Demographic(D)’ 은 68개 인구통계 질문을 무작위 결합한 문자열, ‘Life Story(L)’ 은 D를 기반으로 McAdams식 인터뷰 프레임워크를 적용해 LLM이 생성한 서사, ‘Frankenstein(F)’ 은 Synonymix 파이프라인을 통해 L에서 추출·병합·샘플링한 결과이다. GSS 2022의 108개 비인구통계 항목에 대해 분포 차이를 측정했으며, Ordinal 항목에서 변환 거리(dist(L,F)=0.061)가 확장 거리(dist(D,L)=0.094)보다 유의하게 작아( p<0.001, r=0.585) 행동 신호 보존을 확인했다. Nominal 항목에서도 동일한 경향이 있었지만 통계적 유의성은 부족했다. 프라이버시 측면에서는 모든 합성 페르소나의 최대 출처 기여도(MSC)가 평균 0.129(범위 0.091–0.195)로 0.5 이하를 크게 밑돌아, 개별 식별 위험이 낮음을 보여준다. 논의에서는 Synonymix가 고충실도 에이전트 뱅크를 생성하면서 프라이버시를 보장하는 일반화 가능한 방법임을 강조한다. 그러나 현재는 LLM‑생성 텍스트에 의존하고, 작은 샘플(N=30)로 제한된 통계적 파워를 가지고 있다는 한계가 있다. 또한 주제 워크가 비현실적 조합을 만들 가능성과, 교차성(인종·성별·계층 등) 표현이 충분히 유지되지 않을 위험을 지적한다. 향후 연구는 실제 인터뷰 데이터 적용, 차등 프라이버시 이론을 그래프 병합에 정량화, 그리고 일관성 제약을 강화한 샘플링 알고리즘 개발을 제안한다. 마지막으로 ‘메조‑레벨’ 인터랙션의 가능성을 탐색한다. 유니그래프 자체가 쿼리 가능하고 시각화 가능한 집단 지식 구조로서, (1) 특정 연도·집단(예: 1985년 졸업생) 의 집단 경험을 탐색하는 ‘그룹 페르소나’ 시나리오, (2) 이해관계자 그룹 내 의견 수렴·합의를 지원하는 ‘컨센서스 빌딩’ 도구 등 새로운 디자인 공간을 열어준다. 이러한 접근은 시뮬레이션을 단순 예측 모델을 넘어, 집단 정체성·역사·가치를 탐구하는 연구 및 디자인 플랫폼으로 확장시킬 잠재력을 가진다.