Affects affect affects: A Markov chain 요약

Cipresso, P., Borghesi, F., & Chirico, A. (2023). Affects affect affects: A Markov chain. Frontiers in Psychology, 14, 1162655.

Introduction

기존 감정 연구는 Russell의 Circumplex Model을 기반으로 정서를 valence와 arousal의 2차원 공간에 위치시키는 방식으로 발전해왔음. 이에 따라 슬픔, 기쁨과 같은 감정을 특정 좌표에 대응시키고, 사진, 영상, 음악 등의 자극을 이용하여 개별 감정을 유발하고 측정하는 연구가 주를 이루었음.

그러나 실제 삶에서 감정은 독립적으로 발생하지 않으며 하나의 감정 상태가 다음 감정 상태에 영향을 미침. 시험 전 스트레스가 이후 과제 수행에도 영향을 주는 것처럼 감정은 연속적인 흐름 속에서 나타남. 또한 최근 연구들은 감정이 단순한 한 점으로 표현되기 어려운 혼합적이고 복합적인 특성을 가진다는 점을 보여주고 있음.

따라서 감정을 독립적인 상태로 다루기보다 감정 상태 간 연결성과 전이 과정을 모델링할 필요성 제기.

Statistical approaches to analyze affect dynamics

감정의 시간적 변화와 상태 간 상호작용을 분석하기 위해 VAR, ARIMA, DSEM, Markov Chain 등의 방법 사용.

VAR는 여러 감정 상태들이 서로에게 미치는 영향을 시계열적으로 분석하는 방법이며, ARIMA는 비정상 시계열 자료의 변화를 모델링하는 방법임. DSEM은 변수들 사이의 동시 효과와 시차 효과를 동시에 추정하는 접근법임.

Markov Chain은 현재 상태를 바탕으로 다음 상태로의 전이 확률을 추정하는 모델로, 감정 상태를 이산적인 상태로 표현하고 상태 간 이동 과정을 직접 모델링할 수 있는 특징 가짐.

저자들은 기존 감정 연구에서 마코프 체인의 활용이 제한적이었으며, 실제 감정 변화 과정을 설명하기 위한 유용한 접근이라고 주장.

Markov chain: A stochastic process for affect dynamics

마코프 체인은 현재 상태만이 다음 상태를 결정하며 과거의 경로는 고려하지 않는 확률 과정임.

상태 간 전이 확률은 transition matrix로 표현되며, 이를 이용해 특정 시점에서 각 상태에 존재할 확률 계산 가능. 시간이 충분히 경과하면 상태 분포는 정상상태(steady-state)에 수렴하며 더 이상 변화하지 않음.

예시로 relaxed, stressed, engaged, bored의 네 가지 감정 상태를 정의하고 각 상태 사이의 전이 확률을 설정할 수 있음.

또한 상태 간 연결 관계는 방향 그래프를 통해 시각화 가능.

초기 상태와 전이행렬이 주어지면 미래 시점의 상태 분포를 수학적으로 계산할 수 있으며, 이를 통해 특정 집단의 장기적인 감정 변화 패턴 분석 가능.

은닉 상태를 고려하기 위해 Hidden Markov Model로 확장 가능. 직접 관찰할 수 없는 잠재 상태를 추정할 수 있으며 개인차나 감정 상태의 모호성까지 반영 가능.

Advantages of Markov chain compared to conventional approaches

다양한 이산 상태 시스템에 적용 가능한 높은 유연성 보유. 연구자가 관심 있는 감정 상태와 전이 관계만 선택적으로 모델링 가능.

감정 상태 간 전이 확률을 이용하여 미래 상태를 직관적으로 예측할 수 있으며, 감정 상태의 단기적·장기적 안정성을 평가할 수 있는 장점 보유.

기존 통계 소프트웨어로 구현이 비교적 용이하며, 감정 상태 간 동적 상호작용을 확률적으로 표현할 수 있다는 실용적 장점 보유.

다만 실제 연구에서는 특정 감정을 충분히 유발하고 유지한 뒤 다른 감정으로 전환시키는 새로운 실험 설계 필요. 또한 감정 상태 간 전이 확률을 어떻게 측정할 것인지에 대한 명확한 방법은 아직 확립되지 않은 상태임.

전이 확률은 감정 변화까지 걸리는 시간, 심리 지표, 생리 지표 등을 활용하여 추정 가능하나 현재로서는 표준적인 방법 부재.

From theory to practice: A Markov process again

마코프 체인은 감정 상태 간 전이 구조를 정량적으로 분석할 수 있는 도구 제공.

예를 들어 행복이 슬픔보다 만족감으로 전이될 가능성이 더 높다는 형태의 전이 확률 추정 가능.

이를 통해 감정 변화의 방향성과 안정성 파악 가능.

특히 환자군과 일반인 집단의 전이행렬을 비교하면 서로 다른 감정 역학 구조를 확인할 수 있음.

동일한 감정을 경험하더라도 집단에 따라 이후 감정 변화 경로가 다를 수 있음.

이러한 분석은 정신질환의 진행 과정 이해, 행동 표현형 규명, 위험 감정 상태 식별 등에 활용 가능. 또한 특정 감정이 우울증과 밀접하게 연결되는지 확인하거나 어떤 치료와 개입이 효과적인지 평가하는 데 활용 가능.

Conclusion

감정 상태를 독립적인 점이 아니라 상태 간 전이 과정으로 이해해야 한다는 관점 제시.

마코프 체인은 감정 상태 간 전이 확률을 계산하고 감정 역학을 수학적으로 분석할 수 있는 유용한 도구임.

향후에는 전이 확률 추정 방법의 정교화와 Hidden Markov Model을 활용한 잠재 상태 모델링 필요.

궁극적으로는 감정 역학을 이해하고 이를 정신건강 과정 및 정신질환 연구에 연결하기 위한 계산적 틀 제공.