Sep 28th Journal Club

Themes: Integrative concept of Loneliness, Machine Translation, Trust violation, HRI  

Presenters: YW (Yoonwon Jung), JE (Jaeun Park), WK (Whani Kim)

Topic 1: Integrative concept of Loneliness, Korean-specific loneliness [YW]

선정 이유: 외로움의 개념을 정의하는 다양한 학술적 문헌들을 고찰하고, 특히 한국인들의 외로움을 측정, 모델링하는 데에 있어서의 특이점을 공부하기 위해 선정하였다.

내용 요약: 외로움은 그동안 총 4개의 관점에서 정의되고 연구되어 왔다. 사회 욕구 이론에 의한 접근은 관계 욕구의 좌절을, 인지적 접근은 기대와 실제의 차이로 인해 발생하는 주관적 경험을, 실존적-현상학적 접근은 경험되는 고통스러운 정서에, 그리고 상호영향론적 접근은 상황과 맥락적인 차이에 초점을 맞추는데, 이러한 초점의 차이는 각 접근에 있어서의 장점과 한계를 만들어낸다. 저자들은 이러한 이론들을 종합하여 외로움에 대한 통합적 이해와 정의가 필요하다고 서술하며, 각 이론에서 강조하는 네 가지 요소들을 정의적 요소와 인식적 요소로 구분하여 통합하여 제시한다. 즉, 외로움은 “관계에 대한 욕구가 좌절 혹은 결핍되었을 때 경험하는 공허함과 쓸쓸함 등 불쾌하고 고통스러운 정서”라는 정의적 요소와 “개인의 주관적 인식이나 판단, 상황이나 맥락 등에 따라 외로움은 다르게 해석되고 경험”되는 인식적 요소로 정의된다. 저자들은 또한 선택(능동-수동)과 인식(주관적-객관적)이라는 두 차원에 따라 외로움과 고독, 고립, 관계 불만족, 소외 등의 유사 개념들을 구분하여 정의를 명확히 하고자 하였다. 마지막으로, 저자들은 외로움의 개념 정의에 있어 문화적 맥락을 강조하며 한국인 특정적인 외로움 개념 3가지로 외로움, 타인지향적 외로움, 그리고 융합에서의 외로움을 제시하였다. 이러한 작업을 바탕으로 저자들은 총4개의 주요한 외로움 척도를 5가지 기준을 바탕으로 비판적으로 분석하였다. 그 결과, 5가지 기준을 모두 만족시키는 척도는 없었으며, 특히 외로움을 정의하는 데에 있어 본질적인 정서적 요인이 구체적으로 반영되지 않거나 간과되고 유사 변인이나 전혀 다른 구성개념을 측정하는 문항들이 포함되어 있었으며, 한국 사람들의 문화특수적 외로움을 충분히 반영하지 않은 것으로 나타났다.

의의: 다양한 관점에서 정의되어 온 외로움을 관점 별로 정리하고, 그러한 관점들을 모두 통합한 정의를 도출해내었다는 장점이 있다. 한국이라는 문화적 맥락 속에서 특정적으로 나타나는 외로움을 새롭게 정의하고, 앞선 과정을 바탕으로 만든 기준으로 기존에 많이 사용되는 척도 4개를 비판적으로 분석하였다는 의의가 있다.

한계: 정서가 외로움과 유사 개념들을 구분하는 데에 핵심적으로 작용한다고 서술한 반면, 외로움을 정의하기 위해 제시한 두 차원을 바탕으로 발생하는 4사분면 중 1사분면만이 정서적 측면을 반영한다는 점에서 결국 외로움은 두 차원만으로는 완전한 설명이 불가능한 점이 아쉽다. 또한 저자들이 연구의 제한점으로 언급하였지만, 한국인 특정적인 외로움 유형을 정의하는 데에 있어 그러한 정의의 도출 과정과 근거를 명확하게 제시하지 않은 점이 아쉬워 실증적 검증이 진행될 필요가 있어 보인다.

서영석, 안수정, 김현진, & 고세인. (2020). 한국인의 외로움(loneliness): 개념적 정의와 측정에 관한 고찰. 한국심리학회지: 일반, 39(2), 205-247.

Topic 2: Machine Translation, seq2seq, Attention [JP]

선정이유: 인공신경망 전후의 기계번역 방법론과 seq2seq, attention의 기본 원리를 알아보기 위해 선정하였다.

내용요약
기계번역 방법론은 크게 2014년 90년대부터 2010년대 초까지 쓰인 Statistical Machine Translation (SMT)와 2014년 이후의 Neural Machine Translation (NMT)로 나눌 수 있다. SMT는 출발어(source language) 문장이 주어졌을 때 가장 좋은 도착어(target language) 문장을 찾는 것으로, 번역을 위한 translation model과 도착어의 fluency를 판가름하는 language model의 두 가지 요소로 나뉜다. SMT를 위해서는 parallel corpus가 학습데이터로 필요한데, 이때 parallel corpus로 translation model을 학습하기 위해 source, target language뿐만 아니라 두 언어 간 단어 레벨의 상응을 보여주는 alignment를 고려한다.
SMT는 매우 복잡하고 추가 자원이 많이 필요한 방법론이었으나, 인공신경망 바탕의 기계번역의 등장으로 더 간단하게 더 좋은 성능의 번역이 가능해졌다. NMT에서 사용하는 인공신경망은 sequence-to-sequence(seq2seq) 모델로, 이 모델은 2개의 RNN으로 구성된다. 첫 번째 encoder RNN은 출발어 문장을 인코딩하는 역할을 하며, encoder RNN의 마지막 hidden state를 decoder RNN의 initial hidden state에 인풋으로 넣는다. decoder RNN은 도착어 문장을 아웃풋으로 생성한다. 이와 같은 모델을, decoder RNN이 encoding에 의해 condition된 language model이므로 conditional language model이라고 부른다.
seq2seq에서는 encoder RNN의 마지막 hidden state에 모든 정보를 인코딩하기 때문에 bottleneck 문제가 있다. 이를 해결하기 위해 attention을 사용할 수 있는데, decoder와 관련이 있는 encoder 파트를 decoder와 직접 연결하는 것이다. 어느 부분이 관련이 있는지는 attention score를 계산하여 attention distribution에 따라 weight를 부여하는 방식으로 결정, 이렇게 생성된 attention output을 반영하여 target sentence를 생성한다.

장단점: NMT는 SMT와 비교해 더 좋은 성능을 보이며, 문맥을 더 잘 사용한다는 장점이 있다. end-to-end model로 하나의 neural network로 되어 있어 최적화에 좋고, human engineering effort가 많이 필요하지 않다. 하지만 다른 인공신경망 모델처럼 interpretability 문제가 있고 컨트롤하기 어렵다는 단점이 있다.

Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. In Advances in Neural Information Processing Systems (pp. 3104-3112).

Topic 3: Trust violation, trust repair, HRI [WK]

선정 이유: Human-Robot Trust 와 관련된 프로젝트르 위해 선정하였다.

내용 요약
본 논문은 인간-로봇 상호작용에서 신뢰가 파괴되면 그 신뢰를 복구하는 방법을 살펴보았다. 본 연구는 신뢰가 파괴되는 방법이 두 가지로: Competence-based trust violation & Integrity-based trust violation 나누어 지며 신뢰 복구 방법 또한: Apology & Denial로 나누어져 2x2 between subjects design 실험을 진행하였다.
여기서 competence-based trust violation은 에이전트의 무능함, 즉 어떤 임무를 수행하는데 있어 스킬이 부족하여 발생하는 신뢰 파괴를 뜻 한다. 따라서, competence-based trust violation은 고의가 아닌 실수로 여겨진다. 하지만, integrity-based trust violation은 에이전트의 고의적인 행동, 또한, 어떠한 원칙을 어기어서 발생하는 에 신뢰 파괴를 뜻한다. 인간-인간 상호작용 연구에 따르면 competence based trust violation이 발생하였을때는 사과하는 방법이 신뢰 복구에 효율적이지만 integrity-based trust violation이 발생하였을때는 부정하는 방법이 더 효율적이라고 밝혔다. 본 논문의 연구자들은 이 결과가 인간-로봇 상호작용에도 나타나는지 보았으며 이를 로봇과의 게임을 통해 실험하였다.
연구참여자와 로봇은 테블릿을 통해 소행성을 파괴하는 게임을 플레이하였으며 가끔씩 power up이라는 기능을 통해 추가적인 포인트를 얻거나 상대방의 우주선을 못 움직이게 만들어 본인을 유리하게 만들 수 있었다. 게임 시작전 로봇은 power up을 통해 연구참여자의 우주선을 고정시키지 않겠다고 약속을 했다. 로봇은 라운드 3에서 파워 업이라는 기능을 통해 연구참여자의 우주선을 못 움직이게 만들었으며 이 때 trust violation 발생한다. 로봇은 여러 대사를 통해 competence-apology, competence-denial, integrity-apology, 와 integrity-denial 컨디션을 조작하였고 연구참여자의 로봇에 대한 신뢰도, 따뜻함, 유능함, 불편함을 측정하였다.
본 연구의 주요 결과를 보면 인간-인간 상호작용 연구와 같이 competence-apology & integrity-denial 방법에서 더 높은 신뢰도를 볼 수 있었다. 그 외에 흥미로운 결과도 살펴볼 수 있다.

장점: 인간-인간 상호작용 연구에서는 과거의 시나리오를 보고 연구참여자의 반응을 측정하는 반면, 본 연구는 게임을 통해 real-time으로 신뢰 파괴 및 복구를 살펴볼 수 있었다는 점이 큰 장점이였다.

단점: 그러나 수치적 결론에 대해서는 충분한 설명이 되어 있었지만, 실제 텍스트 예시를 통한 결과 설명이 없어서 직관적으로 이해하기는 다소 어려움이 있었다.

Sebo, S. S., Krishnamurthi, P., & Scassellati, B. (2019). “I Don't Believe You”: Investigating the Effects of Robot Trust Violation and Repair. In 2019 14th ACM/IEEE International Conference on Human-Robot Interaction (HRI), 57-65