LLM 기반 에이전트를 활용한 인간 유사 학습 동역학 시뮬레이션

심리학과 지능 시스템 분야에서 딥러닝 기법을 활용한 인간의 학습 행동을 포착하는 것은 최근 주요 연구 초점이 되고 있다. 기존의 접근 방식은 인지 과정을 탐구하기 위해 통제된 실험 또는 규칙 기반 모델에 의존해 왔다. 그러나 이러한 방법들은 학습의 역동성, 시간에 따른 진전 추적, 그리고 해석 가능성(설명 가능성)을 충분히 포착하지 못하는 한계를 지닌다. 이러한 문제를 해결하기 위해, 우리는 대규모 언어 모델(Large Language Models, LLM) 기반의 새로운 다중 에이전트 프레임워크인 LearnerAgent를 제안한다. 이 프레임워크는 현실적인 교육 환경을 시뮬레이션할 수 있도록 설계되었다. 인간과 유사한 학습 역동성을 탐구하기 위해, 심리학적 기반의 프로파일을 가진 학습자들을 구성하였으며, 이는 '심층 학습자(Deep Learner)', '표면적 학습자(Surface Learner)', '게으른 학습자(Lazy Learner)'를 포함하고, 기본적인 LLM의 행동 양식을 분석하기 위해 '성격 없는 일반 학습자(General Learner)'도 도입하였다. 주간 지식 습득, 월간 전략적 선택, 정기적 평가, 동료 상호작용을 통해 일년에 걸친 학습자의 동적 학습 진전을 추적할 수 있다. 본 연구의 주요 발견은 다음과 같다. 1) 종단적 분석 결과, 오직 '심층 학습자'만이 지속적인 인지적 성장을 달성하였다. 특별히 설계된 '함정 질문(trap questions)'은 '표면적 학습자'의 표면적인 지식 수준을 효과적으로 진단할 수 있었다. 2) 각기 다른 학습자의 행동 및 인지 패턴은 그들의 심리적 프로파일과 매우 유사하게 일치하였다. 3) 학습자의 자기개념(self-concept) 점수는 현실적으로 변화하였으며, 인지적 한계가 있는 '일반 학습자'가 예상치 못하게 높은 자기효능감(self-efficacy)을 발전시킨 것으로 나타났다. 4) 특히 중요한 점은, 기본 LLM의 기본 프로파일이 '노력은 하지만 취약한 표면적 학습자'라는 점이다. 이는 우수한 학생처럼 행동을 모방하지만, 진정으로 일반화 가능한 이해 능력을 갖추지 못한 에이전트임을 의미한다. 광범위한 시뮬레이션 실험을 통해 LearnerAgent가 실제 상황과 잘 부합함을 입증하였으며, LLM의 행동에 대한 보다 깊이 있는 통찰을 도출할 수 있었다.