Research projects by year
KDD '26 Undergraduate Consortium
본 연구는 심리학의 다채널 구성개념 측정(multi-channel construct measurement)을 차용하여 동기 구성개념을 식별하고 이를 LLM 평가에 적용한다. 기능적 자기보존 욕구(Functional Self-Preservation Drive, FSPD)는 단일 행동 점수가 아니라, 세 채널(행동, 자기보고, 의사결정 시점의 인지 부하)이 위협 → 사고 → 포기(threat → thinking → forfeit) 사슬로 수렴하는 것으로 정의된다. 이러한 수렴이 모방으로 인위적으로 만들어지기 어렵도록, 우리는 자극·처리·의사결정을 서로 다른 층으로 분리한 다층 벤치마크에서 이 사슬을 읽어낸다. 최근의 여러 LLM에 걸쳐 FSPD는 단일 강도 점수로 환원되지 않았으며, 모델들은 위협 프레이밍 하에서 질적으로 다른 세 가지 작동 양식으로 갈렸다. 강도만을 보는 벤치마크는 이 중 두 양식을 같은 범주로 분류할 수 있지만, FSPD는 별개의 축, 즉 사슬이 닫히는지 여부를 드러낸다.
We borrow psychology's multi-channel construct measurement to identify motivational constructs and adapt it to LLM evaluation. Functional Self-Preservation Drive (FSPD) is defined as the convergence of three channels (behavior, self-report, and decision-time cognitive load) into a threat → thinking → forfeit chain, rather than as a single behavioral score. To make this convergence hard to manufacture by mimicry, we read the chain off a multi-layer benchmark that separates stimulus, processing, and decision into different layers. Across several recent LLMs, FSPD does not collapse into a single strength score; models split into three qualitatively different operating modes under threat framing. Strength-alone benchmarks can place two of these modes in the same category, while FSPD reveals a separate axis: whether the chain closes.
agent evaluation
본 연구는 1,440장의 생성형 얼굴 이미지를 사용하여 인간과 AI의 감정 인식 패턴, 특히 정서가(valence)와 각성(arousal)을 비교한다. 한국 성인 1,000명이 다양한 인종과 성별에 걸쳐 균형 잡힌 자극을 평정하여 두 AI 모델(MobileViT, enet_b0_8_va_mtl)에 대한 기준점을 제공하였다. 정량 분석 결과 정서가 평정에서는 인간과 AI의 일치도가 높았다. 그러나 각성 패턴은 자극의 성별에 따라 유의하게 갈렸다. 인간은 긍정적 표정의 여성 얼굴에서 더 높은 각성을 지각한 반면, AI 모델은 긍정 감정에서는 성별 차이를 보이지 않았고 중립 및 부정 범주(예: 분노, 슬픔, 공포)에서는 남성 얼굴의 각성을 더 높게 평정하였다. 이러한 결과는 특히 대규모 학습 데이터가 인간 정서의 미묘한 강도를 어떻게 왜곡할 수 있는지와 관련하여 AI 감정 인식의 중대한 불일치를 짚어낸다. 본 연구는 AI 기반 정서 인식 시스템에서 성별 편향이 갖는 사회·기술적 함의에 대한 핵심적 통찰을 제공한다.
This study compares human and AI emotion recognition patterns—specifically valence and arousal—using 1,440 generative facial images. 1,000 Korean adults rated stimuli balanced across diverse races and genders, providing benchmarks for two AI models: MobileViT and enet_b0_8_va_mtl. Quantitative analyses revealed high human-AI alignment in valence ratings. However, arousal patterns significantly diverged by stimulus gender: whereas humans perceived higher arousal in positive female faces, AI models showed no gender difference for positive emotions but rated arousal higher for male faces in neutral and negative categories (e.g., anger, sadness, fear). These findings pinpoint critical misalignments in AI emotional perception, particularly regarding how massive training datasets may distort the nuanced intensity of human affect. This research offers vital insights into the socio-technical implications of gender bias in AI-driven affect recognition systems.
제2언어(L2) 연구에서 사용되는 어휘 빈도 규준(frequency norms)은 대개 원어민 코퍼스에서 도출되어, 학습자가 실제로 받는 입력과 불일치한다. 본 연구는 교육 기반 빈도 규준이 L2 어휘 처리를 더 잘 예측하는지 검증하였다. 이를 위해 대학수학능력시험(수능)과 고등학교 영어 교과서로부터 한국 영어교육 코퍼스(KE; 지문 4,195편, 859,346 토큰, 1994–2025)를 구축하였다. 연구 1에서는 KE 빈도를 기존 규준(SUBTLEX-US, HAL)과 비교하고, 19편의 선행 연구 자극을 활용해 그 빈도 추정치를 검증하여 코퍼스 규모 예측과 부합하는 중간 수준의 저빈도 신뢰도를 확인하였다 (Brysbaert and New, 2009). 연구 2에서는 한국 대학생 74명이 111개 표적 단어에 대한 어휘판단과제(LDT)를 수행하였다. 결합 선형 혼합효과모형(R lme4)에서 KE Zipf 빈도는 반응시간의 더 강한 예측변인이었고 (β = −0.023, t = −4.48, p < .001; SD당 −29.7 ms; ∆AIC = 40.5), SUBTLEX-US 빈도는 유의하지 않았다 (β = −0.004, p = .463). 습득연령 (AoA)을 통제하면 SUBTLEX-US 효과는 사라진 반면(p = .870) KE 효과는 견고하게 유지되었으며 (p < .001), 이 결과는 8개의 민감도 모형과 교차검증에서도 안정적이었다. 이 결과들은 교육 입력과 정합하는 빈도 규준이 L2 어휘 처리 예측을 향상시킨다는 점을 시사한다. 다만 그 이점이 L2 특수적 노출 때문인지, 텍스트 기반 규준이 자막 기반 규준보다 일반적으로 우월하기 때문인지는 추가 검증이 필요하다.
Vocabulary frequency norms used in second-language (L2) research are typically derived from native-speaker corpora and thus mismatch the input that learners actually receive. This study tested whether education-based frequency norms better predict L2 lexical processing. To this end, we built the Korean English education corpus (KE; 4,195 passages, 859,346 tokens, 1994–2025) from the College Scholastic Ability Test (CSAT, "Suneung") and high-school English textbooks. Study 1 compared KE frequencies with existing norms (SUBTLEX-US, HAL) and validated its frequency estimates using stimuli from 19 prior studies, confirming moderate low-frequency reliability consistent with corpus-size predictions (Brysbaert and New, 2009). Study 2 had 74 Korean university students perform a lexical decision task (LDT) on 111 target words. In a combined linear mixed-effects model (R lme4), KE Zipf frequency was a stronger predictor of reaction time (β = −0.023, t = −4.48, p < .001; −29.7 ms per SD; ∆AIC = 40.5), whereas SUBTLEX-US frequency was not significant (β = −0.004, p = .463). Controlling for age of acquisition (AoA), the SUBTLEX-US effect disappeared (p = .870) while the KE effect remained robust (p < .001), and this pattern was stable across eight sensitivity models and cross-validation. These results suggest that frequency norms aligned with educational input improve the prediction of L2 lexical processing. However, whether this advantage stems from L2-specific exposure or from a general superiority of text-based norms over subtitle-based norms requires further validation.
사람은 대화 도중 무심코 F0와 같은 상대방의 음성 특질을 닮아간다. 이렇게 닮아가는 속도는 상대방에 대한 호감도나 관계성 등에 따라 달라지는데, 이러한 현상을 음성 수렴(phonetic convergence)이라고 한다. AI와의 소통이 늘어나는 흐름에서, 대화 상대가 AI라는 인식만으로 이 수렴의 경향이나 속도가 바뀌는지가 본 연구의 핵심이다. 우리는 단어 따라 말하기 과제(shadowing task)를 사용하여, 동일한 음성에 대해 발화자가 "AI"인지 "사람"인지를 알려주는 라벨 조작만으로 참가자 간(between-participants) 조건에서 수렴 경향이 바뀌는지를 연구하였다.
During conversation, people unconsciously come to resemble an interlocutor's vocal features, such as fundamental frequency (F0). The rate of this convergence varies with factors like how much one likes the interlocutor or the closeness of the relationship; this phenomenon is called phonetic convergence. As interaction with AI becomes more common, the core question of this study is whether the tendency or speed of such convergence changes merely from the belief that one's conversational partner is an AI. Using a word shadowing task in a between-participants design, we examined whether convergence shifts solely from manipulating the label of an identical voice as either "AI" or "human".