개인별 감정 인식 난이도 보정을 위한 새로운 방법론
Toward individual-level calibration in affect recognition with perceptual adjustment queries
arXiv기존 감정 인식 연구는 참가자별 인지 민감도 차이를 간과해왔습니다. 본 연구는 PAQ(Perceptual Adjustment Queries)를 활용하여 개인 맞춤형 난이도 보정 프레임워크를 제시합니다.
- PAQ는 참가자 개개인의 감정 스펙트럼 난이도를 측정하고 과제를 보정하며, 그 결과 개인별 과제 난이도가 통계적으로 균일하게 조정됨을 입증했습니다.
- 이는 단순히 난이도 평준화를 넘어, 평균 반응 시간과 개인 간 변동성까지 줄여 심리 및 행동 측정의 신뢰성과 정확성을 높입니다.
- PAQ는 얼굴 감정 인식 분야에서 개개인의 특성을 반영한 인지 보정을 위한 실용적이고 체계적인 방법론으로 활용될 수 있습니다.
기존의 얼굴 감정 인지 측정 과제들은 모든 참가자에게 동일한 자극이 동일한 인지적 어려움을 준다고 가정해왔습니다. 그러나 연구진은 이러한 가정이 개인별 인지 민감도의 차이로 인해 체계적으로 위반됨을 지적했습니다. 이에 따라, 본 연구는 감정 인식 과제를 테스트베드로 삼아, 참가자 개개인의 Just Noticeable Difference (JND)를 인지 부하가 낮은 Perceptual Adjustment Queries (PAQs)를 통해 직접 추정하는 프레임워크를 제안했습니다.
이 PAQ를 통해 추론된 JND 값들은 자극 간의 거리를 재표현하는 데 사용되어, 심리적 공간에서 난이도가 균등하게 조정된 과제를 구성합니다. 연구진은 이 프레임워크를 Two-Alternative Forced-Choice (2AFC) 과제에 적용하여, 이진 메타인지적 난이도 판단과 반응 시간 분산 분석이라는 두 가지 보완적인 행동 측정 지표로 검증했습니다.
그 결과, PAQ 보정 방식은 비보정 기준이나 모집단 수준의 Weibull 보정과 비교했을 때, 개인별 과제 난이도를 유의미하게 균등화하는 것으로 나타났습니다. 또한, 평균 반응 시간과 피험자 간 반응 시간 분산까지 감소시키는 효과를 입증했습니다. 이러한 결과는 PAQ가 얼굴 감정 인식 분야에서 개개인의 특성을 반영한 인지 보정을 위한 체계적이고 실용적인 도구임을 보여줍니다.