[연구의 필요성]
기존의 LLM 기반 사용자 프로파일링 연구들은 주로 표면적인 선호(좋아요/싫어요)나 관심 영역을 추출하는 데에 그쳤기 때문에, 사용자의 행동 의도를 형성하는 핵심 잠재 변수를 체계적으로 모델링하기 어려웠습니다. 또한, 대부분의 접근법이 정적인 프로파일을 사용하거나 단순히 새로운 데이터를 누적하는 방식으로 업데이트되어, 시간의 흐름에 따라 변화하는 태도, 사회적 규범, 상황적 제약을 반영하지 못한다는 한계가 있었습니다.
이러한 한계를 극복하기 위해서는 사용자의 사회‧심리적 요인을 포착하고, 행동의 원동력을 설명할 수 있는 이론 기반의 정교한 프로파일링 기법이 필요합니다.
[연구의 의미]
본 연구에서 제안하는 TRIPLE (TPB-dRIven Profiling with LLM rEfinement)은 행동계획이론(Theory of Planned Behavior, TPB)의 잠재 변수 구조를 LLM 기반 사용자 프로파일링에 통합한 동적 프로파일링 프레임워크입니다. TRIPLE은 LLM을 활용해 사용자의 텍스트로부터 태도(Attitude), 주관적 규범(Subjective Norm), 지각된 행동 통제(Perceived Behavioral Control)를 추출하여 초기 프로파일을 구성하고, 이후 예측–평가–정제(predict–evaluate–refine)주기를 반복하여 예측 오류를 최소화하는 방향으로 프로파일을 지속적으로 개선합니다. 이 과정에서 TRIPLE은 단순히 데이터를 누적하거나 전체 프로파일을 재생성하는 기존 방식보다, 사용자의 내면적 상태 변화를 더 정확하게 포착할 수 있습니다. 특히, 사회심리학적 이론을 LLM 기반 프로파일링에 최초로 통합한 연구로서, 추가 학습 없이 다양한 오픈소스 LLM 환경에서 적용 가능한 보편적 프레임워크를 제시합니다.
[연구 결과의 진행 상태 및 향후 계획]
본 연구에서는 LaMP-3, LaMP-4 데이터셋을 활용하여 TRIPLE의 효과를 실증적으로 검증하였습니다. 그 결과, TRIPLE은 정제(refine) 과정을 거치지 않은 경우에도 기존 프로파일링 기법(PAG, PURE, ONCE 등)보다 우수한 성능을 보였으며, 정제 및 업데이트 과정을 포함할 경우 모든 모델과 지표에서 최고 또는 두 번째로 높은 성능을 달성하였습니다. 또한, 프로파일 정제 반복 횟수가 증가할수록 성능이 지속적으로 향상되어, TRIPLE의 예측-평가-정제 주기가 잠재 변수의 지속적 업데이트에 효과적임을 입증했습니다. 업데이트 전략 비교에서도 TPB 기반 업데이트 방식이 전체 재생성(full regeneration)이나 슬라이딩 윈도우(sliding window) 방식보다 지속적으로 높은 성능을 보였으며, 이는 최근 정보만으로는 장기적인 잠재 변수를 모델링하기 어렵다는 점을 시사합니다. 향후 연구에서는 TRIPLE을 멀티모달 데이터, 추가 심리학 이론, 그리고 보다 다양한 응용 도메인으로 확장할 계획입니다.
[성과와 관련된 실적]
국제 학회 논문:
Taehyung Noh, Seungwan Jin, Haein Yeo, Kyungsik Han, “Externalizing Social-Cognitive Structures for User Modeling: Toward Theory-Driven Profiling with LLMs”, ACM International Conference on Information and Knowledge Management (ACM CIKM). 2025.