LLM 기반 텍스트 시뮬레이션에서 AI 캐릭터 언어 스타일의 차별성 및 일관성 정량 분석: Big Five 모델을 중심으로

2-1 AI 캐릭터 페르소나 연구의 발전

AI 캐릭터의 페르소나 연구는 2016년 Li et al.의 “Persona-based Neural Conversation Model” 연구를 시작으로 본격화되었다.[4] 이 연구는 페르소나 기반 대화 모델의 기초를 마련하였으며, 일관성 있는 캐릭터 특성을 유지하는 방법론을 제시하였다. 특히 신경망 기반 접근법을 통해 캐릭터의 성격적 특성을 대화에 반영하는 메커니즘을 개발하였으나, 언어학적 차별성에 대한 정량적 측정이 부족하다는 한계를 보였다. Zhang et al.은 “Personalizing Dialogue Agents” 연구를 통해 개인화된 대화 에이전트 설계 프레임워크를 제안하였다[5]. 이들은 성격 특성을 반영한 응답 생성 메커니즘을 개발하여 AI 에이전트가 일관된 페르소나를 유지할 수 있는 방법을 제시하였다. 그러나 이 연구 역시 정량적 평가 지표가 미흡하여 캐릭터 간 차별성을 객관적으로 측정하기 어렵다는 문제점을 내포하고 있었다.

2-2 게임 환경에서의 AI 캐릭터 연구

게임 분야에서 AI 캐릭터 연구는 Orkin & Roy의 “The Restaurant Game: Learning Social Behavior” 연구에서 중요한 전환점을 맞았다[6]. 이들은 게임 환경에서 AI의 사회적 행동 학습을 다루며, 자연어 상호작용을 통한 캐릭터 개발 방법론을 제시하였다. 이 연구는 게임 컨텍스트에서의 AI 상호작용에 대한 기초적 틀을 마련하였지만, 언어 패턴 분석에 대한 체계적 접근은 부족하였다. Riedl & Bulitko는 “Interactive Narrative: An Intelligent Systems Approach”를 통해 대화형 내러티브에서의 지능형 캐릭터 시스템을 연구하였다[7]. 이들은 스토리텔링과 캐릭터 일관성 사이의 균형을 맞추는 방법을 탐구하였으나, 언어 패턴 분석을 위한 구체적인 방법론이 제시되지 않았다는 한계를 보였다.

2-3 언어학적 캐릭터 분석 접근

언어학적 관점에서 캐릭터 분석에 중요한 기여를 한 연구로는 Mairesse & Walker의 “Controlling User Perceptions of Linguistic Style”이 있다[8]. 이들은 언어 스타일을 통한 캐릭터 인식 제어 방법을 연구하였으며, Big Five 성격 모델과 언어 특성 간의 매핑을 제시하였다. 이 연구는 언어와 성격 사이의 연결고리를 정량화한 점에서 중요한 의미를 갖는다. 더욱이, Preotiuc-Pietro et al.은 페이스북과 같은 소셜 미디어 플랫폼에서 수집된 대규모 데이터세트를 기반으로 개인의 성격적 특징을 예측하는 연구를 수행하였다[9]. 이 연구는 텍스트 기반의 성격 예측 모델을 개발하고, 다양한 언어적 특징들이 성격 특성과 어떻게 관련되는지를 분석하였다. 그러나, 기존 연구들은 주로 정적인 텍스트 데이터에 대한 분석에 집중되어 있어, 실시간 상호작용 환경에서의 AI 캐릭터 언어 패턴 분석에는 한계가 있다. 특히 게임과 같이 역동적인 환경에서 AI 캐릭터의 언어적 차별성을 평가하기 위해서는 실시간 데이터 분석과 사용자 인터랙션에 대한 고려가 필요하다.

2-4 대화 시스템에서의 페르소나 일관성 연구

Mazaré et al.은 "Training Millions of Personalized Dialogue Agents" 연구를 통해 대규모 개인화된 대화 에이전트 훈련 방법을 제시하였다[10]. 이들은 페르소나 일관성 유지를 위한 메트릭을 개발하여 AI 캐릭터의 성능 평가에 중요한 기준을 마련하였다. 그러나 실시간 상호작용 환경에서의 적용성이 충분히 고려되지 않았다는 한계가 있었다.

2-5 게임 AI 및 사용자 경험 연구

AI 기술이 발달함에 따라 게임에 AI를 적용하는 시도는 기존에도 있어왔고 현재도 계속 발전해가고 있는 상황이다[11]. 기존 연구들은 대부분 주관적 평가에 의존하거나 정적인 텍스트 분석에 치중하여 실시간 게임 환경에서의 검증이 부족하였다. 또한 언어학적 차별성을 정량적으로 측정하는 방법론이 미흡하여 캐릭터 구별 가능성을 객관적으로 평가하기 어려웠다. 본 연구는 이러한 한계를 극복하기 위해 실제 추리게임 환경에서 AI 캐릭터의 언어 패턴을 분석하고, TTR, 문장길이, 감정표현 등 객관적 지표를 통해 캐릭터별 차별성을 정량적으로 측정하는 새로운 방법론을 제시하고자 한다.

3-1 실험 환경: 사이버펑크 추리 게임

1)게임 플랫폼 개요

본 연구는 표 1과 같이 Python과 Gradio 기반으로 구현된 사이버펑크 테마의 추리 게임을 실험 플랫폼으로 활용했다. 이 게임은 Alexander라는 인물의 살인 사건을 배경으로 하며, 플레이어가 4명의 용의자를 심문하는 상호작용적 환경을 제공한다.

Table 1.

Technical configuration of the game platform

본 실험에 사용된 추리 게임 플랫폼은 실제 사용자 인터랙션을 기반으로 한 심문형 시뮬레이션 인터페이스를 제공한다. 그림 1은 플레이어가 용의자인 AI 캐릭터와 대화하며 단서를 추적하는 실제 게임 화면을 보여준다.해당 인터페이스는 다음과 같은 주요 구성 요소로 구성된다.

Fig. 1.

Game play screen *Korean UI for prototype demonstration

1. 상단 타이틀 영역

게임의 주제와 사건 배경(“CYBERPUNK MURDER INVESTIGATION”)이 명시되며, 플레이어는 미래 도시에서 발생한 독살 사건의 진실을 밝히는 역할을 수행한다.

2. 심문 채팅 창(중앙)

플레이어는 용의자에게 직접 질문을 입력하며, GPT-4 Turbo 기반의 AI가 캐릭터 페르소나에 따라 응답을 생성한다.

• - 대화는 말풍선 형태로 시각화되어 몰입감을 높인다.
• - AI 응답에는 감정 표현 및 회피 전략이 포함되어 있으며, 분석 대상으로 저장된다.

3. 용의자 선택 패널(우측 상단)

플레이어는 4명의 캐릭터(Elena, IRIS-01, Dr. Chen, ZEN) 중 하나를 선택해 심문을 진행할 수 있다. 선택된 캐릭터에 따라 GPT-4 Turbo의 시스템 프롬프트가 자동 전환되어 인격형 응답이 생성된다.

4. 용의자 프로필 정보(우측 하단)

각 캐릭터의 설정 정보와 성향이 요약되어 제시된다. 예를 들어, Elena는 “완벽한 아내이자 감정 제어가 내장된 안드로이드”로 설명된다.

5.심문 상태 패널(하단 중앙)

플레이어의 심문 진행 상태를 수치화하여 제공한다.

• - SUSPECT: 현재 심문 중인 캐릭터 이름
• - TRUST: 해당 캐릭터에 대한 신뢰도(%, 회피 및 반응 기반)
• - QUESTIONS: 현재까지 입력된 질문 수
• - EVIDENCE: 확보된 증거 개수
• - PROGRESS: 전체 추리 진행률(시각적 게이지)

3-2 Big Five 모델 기반 AI 캐릭터 페르소나 설계

2) 캐릭터별 성격 파라미터 설정

기존의 추상적 설정을 바탕으로 도출된 캐릭터별 세부 성격 파라미터는 표 2와 같다.

Table 2.

Big Five model based personality parameter mapping by character

3-3 데이터 수집 방법론

1) 표준 질문 세트 구성

본 연구의 방법론적 지향점은 방대한 샘플을 통한 보편적 통계 추론에 머무르는 것이 아니라, 기획 단계에서 설정된 정량적 성격 파라미터(Parameter)가 실제 언어적 출력물(Output)로 얼마나 정밀하게 전이(Transfer)되는지 검증하는 ‘공학적 프레임워크’의 타당성 입증에 초점을 맞춘다.

이러한 설계 의도와 시스템 출력 사이의 확정적 인과관계를 실증하기 위해, 표 3과 같이 각 캐릭터의 페르소나 특성을 다각도로 유도할 수 있는 10개의 표준 질문 세트를 구성하였다. 질문은 사실 확인(Fact-checking), 정서 질의(Emotional Inquiry), 기술 질의(Technical Inquiry), 추론 및 의견(Reasoning & Opinion)의 4가지 카테고리로 분류되었다. 각 유형은 Big Five 파라미터 중 특정 요소를 전략적으로 자극하여 의도된 언어적 차별성이 출력되는지를 측정하는 ‘정밀 측정 지표(Precision Metrics)’로 기능하며, 구체적인 구성과 분석 목적은 표 3과 같다.

Table 3.

Configuration & purpose of standardized questions

이와 같이 설계된 표준 질문 세트를 활용하여 4종의 캐릭터로부터 총 40개의 상호작용 데이터(4 캐릭터 × 10 질문)를 수집하였다. 이러한 전략적 질문 구성은 단순한 일상 대화에서 포착하기 어려운 캐릭터별 고유의 언어적 패턴과 페르소나 일관성을 정밀하게 측정하기 위한 기초 자료가 된다. 수집된 데이터는 제4장의 결과 분석 단계에서 코사인 유사도(Cosine Similarity) 및 언어 통계 분석을 통해 본 프레임워크의 성능을 증명하는 데 활용되었다.

3) 품질 관리 및 검증

수집된 데이터의 품질을 보장하기 위해 아래 표 4와 같이 다층적 검증 시스템을 구축했다. 전체 데이터 수집 과정에서 40개 응답(4 캐릭터 × 10 질문) 모두 성공적으로 수집되었으며, 수집 성공률은 100%를 달성했다. 수집된 데이터는 즉시 JSON 형태로 저장되어 데이터 손실을 방지했고, 각 응답에는 질문 내용, 캐릭터명, 응답 내용, 신뢰도 수준, 타임스탬프가 포함되었다. 이러한 체계적인 실험 설계와 데이터 수집 방법론을 통해 AI 캐릭터의 언어적 특성을 정량적으로 분석할 수 있는 신뢰성 있는 데이터를 확보할 수 있었다.

Table 4.

Data quality control and validation procedures

4-1 언어적 통계 및 설계 파라미터 상관관계 분석

본 연구에서 수집된 총 40개의 응답 데이터(4 캐릭터 × 10 질문)를 분석한 결과, 설계 단계에서 주입된 Big Five 파라미터가 실제 언어적 출력에 유의미한 영향을 미쳤음을 확인하였다.

표 5를 통해 확인되는 바와 같이, 각 캐릭터는 설계된 성격 파라미터에 따라 언어 출력 패턴에서 뚜렷한 차이를 보였다. 특히 개방성(O) 수치가 가장 높게 설정된 캐릭터(Dr. Chen)의 경우, 어휘 다양성(TTR) 지표가 0.71로 나타나 타 캐릭터 대비 가장 풍부한 어휘를 사용하는 것으로 분석되었다. 이는 성격 설계 시 주입된 공학적 수치가 실제 텍스트 생성 과정에서 정량적인 언어 지표로 투사되고 있음을 보여준다.

Table 5.

Basic linguistic statistics

다음의 표 6에서 관찰된 캐릭터별 감정 표현 빈도는 설계 단계에서 주입된 신경증(N) 파라미터와 정비례하는 경향을 보였다. 특히 N수치가 0.0으로 설정된 ZEN과 IRIS-01은 감정적 질문에 대해 단 한 차례의 정서적 반응도 보이지 않았으며, 이는 본 프레임워크가 AI 페르소나의 정서적 일관성을 제어하는 데 유효함을 시사한다.

Table 6.

Analysis of emotional expressions and frequent lexical patterns

캐릭터별 응답 패턴의 시각적 비교는 그림 2와 그림 3에 제시되어 있다. 그림 2를 통해 질문 유형별로 캐릭터의 응답 길이가 어떻게 변화하는지 확인할 수 있으며, 그림 3의 언어 패턴 분석 차트는 총 어휘 수와 TTR 지표가 캐릭터별로 뚜렷하게 구분됨을 직관적으로 보여준다.

Fig. 2.

Response patterns by question type

Fig. 3.

Character language pattern analysis

4-2 의미론적 유사도 기반 캐릭터 차별성 검증

캐릭터 간의 의미론적 차별성을 수학적으로 검증하기 위해 각 응답 텍스트를 벡터화한 후 아래의 코사인 유사도(Cosine Similarity) 공식, 수식 (1)을 활용하여 거리를 측정하였다

표 7에서 가장 낮은 유사도(0.12)를 보인 Dr. Chen과 IRIS-01 쌍은 설계 단계(표 2)에서 개방성(O) 파라미터를 각각 0.9와 0.0으로 극단적으로 대조시킨 결과와 일치한다. 이는 성격 파라미터 설계가 캐릭터 간의 의미론적 거리를 확보하는 데 결정적인 변수임을 입증한다.

Table 7.

Semantic similarity and individuality indicators

이러한 수치적 변별력은 본 연구에서 사용된 4가지 카테고리의 표준 질문 세트(표 3)가 각 캐릭터의 페르소나를 효과적으로 유도했기 때문에 가능하였다. 수집된 40개의 응답은 코사인 유사도 분석을 통해 평균 0.21의 낮은 유사도를 기록하였으며, 이는 단 10개의 핵심 질문만으로도 캐릭터 간의 명확한 변별력을 확보할 수 있음을 수학적으로 증명한다.

캐릭터 간 의미론적 거리의 전체적인 분포는 그림 4의 언어 유사성 매트릭스(Similarity Matrix)를 통해 명확히 드러난다. 그림 4에서 짙은 파란색으로 표현된 낮은 유사도 영역은 본 프레임워크가 AI 캐릭터의 개별성을 공간상에서 성공적으로 분리하고 있음을 수학적으로 보여준다.

Fig. 4.

Character language similarty matrix

4-3 페르소나 일관성 및 시스템 안정성 평가

본 연구에서 제안한 성격 파라미터 기반 설계 방식이 실제 상호작용 과정에서 얼마나 안정적으로 유지되는지 평가하였다. 이를 위해 수집된 40개의 응답 전체를 대상으로 페르소나 일치도와 언어적 오류 발생 여부를 전수 검토하였다.

분석 결과, 표 8에서 보이듯이 96%의 높은 일관성을 달성하였다. 특히 로봇 및 보안 시스템 페르소나인 IRIS-01과 ZEN은 100%의 완벽한 일관성을 보였으며, 복잡한 인격체로 설정된 Elena(95%)와 Dr. Chen(90%) 역시 매우 높은 안정성을 기록하였다. 주목할 점은 전체 40개의 응답 중 캐릭터 설정에서 벗어난 언어적 오류나 캐릭터 일탈(Out-of-Character) 사례가 단 한 건도 발견되지 않았다는 것이다. 이는 소수의 핵심 질문이라는 제한된 상황에서도 각 캐릭터가 설계 단계에서 의도한 핵심 특성을 체계적으로 유지하고 있음을 보여준다.

Table 8.

Persona consistency and stability scores

특히 감정에 관한 질문과 같이 성격의 흔들림을 유발할 수 있는 고난도 상황에서도 각 캐릭터는 자신만의 일관된 대응 방식을 유지하였다 . 예를 들어, Elena는 초기에는 감정적으로 대응하다 후반에는 논리적 분석으로 전환하는 이중적 패턴을 보였으며, Dr. Chen은 철학적 관점으로 답변을 승화시켰고, ZEN은 시스템의 한계라는 프로토콜 기반의 대응으로 일관하였다 . 이러한 결과는 본 연구의 파라미터 주입 방식이 AI NPC의 인격적 안정성을 보장하는 유효한 공학적 수단임을 입증한다.

캐릭터 간 페르소나의 독립적 형성 여부와 의미론적 거리를 시각화한 결과는 그림 5와 같다. 그림 5에서 볼 수 있듯이, 4종의 캐릭터 응답 벡터는 공간상에서 명확하게 구분된 클러스터를 형성하고 있다. 실험 결과 캐릭터 간 평균 유사도는 0.21로 산출되었으며, 이러한 시각적 분포는 본 프레임워크가 AI 캐릭터의 개별성을 독창적으로 형성하고 있음을 실증적으로 보여준다. 이는 단순히 무작위적인 텍스트 생성이 아닌, 설정된 페르소나에 기반한 일관된 발화가 이루어지고 있음을 의미한다.

Fig. 5.

Character consistency scores

4-4 제안 프레임워크의 전략적 시사점

본 실험을 통해 도출된 각 캐릭터의 종합적인 언어 특성 및 페르소나 구현 결과는 그림 6과 같이 시각화할 수 있다. 이는 설계된 Big Five 파라미터가 실제 발화의 길이(Response Length), 어휘 다양성(Vocabulary Diversity), 감정 표현(Emotion Expression) 등 다양한 층위에서 어떻게 독창적인 패턴을 형성하는지를 직관적으로 보여준다.

Fig. 6.

Character trait analysis

이러한 분석 결과를 바탕으로 본 연구가 제안하는 프레임워크의 전략적 시사점은 다음과 같다.

첫째, 고효율·저비용 평가 모델의 실현 가능성이다. 단 10개의 핵심 질문으로 구성된 표준 질문 세트(표 3)만으로도 캐릭터 간의 의미론적 거리(유사도 0.21)를 명확히 확보할 수 있음을 입증하였다. 이는 방대한 데이터 수집 없이도 초기 기획 단계에서 AI NPC의 개성을 정밀하게 검증하고 튜닝할 수 있는 경제적 방법론을 제시한다.

둘째, 주관적 페르소나의 객관적 파라미터화이다. 기존의 모호한 캐릭터 설정을 Big Five 모델이라는 표준 지표(표 2)로 치환함으로써, 시스템 프롬프트 설계의 객관적 근거를 마련하였다. 이는 대규모 언어 모델(LLM) 환경에서 개발자의 직관에 의존하던 방식에서 벗어나, 수치 제어를 통한 정밀한 캐릭터 빌딩이 가능함을 시사한다.

셋째, 안정적인 상호작용을 통한 사용자 경험(UX) 강화이다. 분석 결과 확인된 96% 이상의 높은 일관성(표 8)은 플레이어에게 AI NPC가 단순한 기계가 아닌 일관된 인격체라는 인식을 심어준다. 이러한 페르소나의 안정성은 게임 내 서사적 몰입감을 극대화하고, 메타버스 환경에서 디지털 휴먼에 대한 사회적 신뢰도를 높이는 핵심 요소가 될 것이다.

5-1 연구결과 요약

본 연구는 생성형 AI 기반 NPC의 페르소나 구현을 위해 Big Five(OCEAN) 모델 기반의 파라미터 설계와 코사인 유사도(Cosine Similarity)를 활용한 정량적 검증 프레임워크를 제안하였다. 사이버펑크 추리 게임 환경 내 4종의 캐릭터를 대상으로 실험한 결과, 10개의 표준화된 질문 세트(표 3)만으로도 캐릭터 간 평균 유사도 0.21이라는 명확한 의미론적 변별력을 확보하였다. 특히 설계 단계에서 설정된 성격 파라미터는 실제 언어적 출력 지표와 밀접한 상관관계를 보였다. 개방성(O)이 높게 설정된 캐릭터는 높은 어휘 다양성(TTR 0.71)을 기록한 반면, 기능 중심의 캐릭터는 제한된 어휘 패턴을 보여 설계의 유효성을 입증하였다. 또한, 모든 캐릭터는 평균 96%의 높은 성격 일관성을 유지하며 상호작용 과정에서 안정적인 페르소나 구현이 가능함을 실증하였다.

본 연구의 결과는 단순히 성격 차이를 확인한 것에 그치지 않고, 기획자의 의도가 생성 결과물에 투사되는 정도를 유사도(Similarity) 및 TTR 등의 지표로 수치화할 수 있는 ‘공학적 검증 체계’를 마련했다는 데 학술적 의의가 있다.

5-2 연구의 의의 및 기여도

본 연구의 학술적·실용적 기여도는 다음과 같다. 첫째, 최소한의 상호작용 데이터(N=40)만으로도 AI 캐릭터의 개성을 정량적으로 평가할 수 있는 고효율 검증 프레임워크를 제시하였다. 둘째, 주관적인 캐릭터 기획 요소를 Big Five 모델이라는 표준화된 수치(표 2)로 치환함으로써 시스템 프롬프트 설계의 객관적 근거를 마련하였다. 이는 향후 게임 및 메타버스 콘텐츠 개발 공정에서 NPC의 페르소나를 정밀하게 제어하고 사전 검증할 수 있는 실용적 지침이 될 것이다.

5-3 연구의 한계 및 향후 과제

본 연구는 소규모 샘플 데이터를 활용하였음에도 유의미한 변별력을 확보하였으나, 향후 연구에서는 질문 세트의 확장과 연속 대화 환경에서의 캐릭터 안정성 분석이 추가로 필요하다. 또한, 본 연구에서 증명된 정량적 차별성이 실제 사용자의 게임 몰입도 및 사용자 경험(UX)에 미치는 영향에 대한 심층적인 후속 연구가 요구된다. 향후에는 이를 바탕으로 게임 월드 내 캐릭터 자동 생성 시스템으로의 확장을 도모할 계획이다.