혼란과 좌절감 같은 정서 상태가 동일 공간 협력적 문제 해결(co-situated collaborative problem solving, CPS) 과정에서 어떻게 지속되고 전환되는지 조사하는 것은 인식적 감정의 역학을 이해하는 데 중요하다. 그러나 이 영역에는 gold-standard 진실값이 없기 때문에 정서 상태를 정확히 식별하는 것은 여전히 어렵다. 본 연구에서는 대면 CPS 과제 중 회고적 단서-회상(retrospective cued-recall)을 통해 수집한 정서 상태를 분석한다. 순서 네트워크 분석(ordered network analysis, ONA)을 사용하여 (1) 정서 상태의 전반적인 순서 구조와 이 구조가 자기 포착(self-caught) 및 프로브 포착(probe-caught) 보고 방법에 따라 어떻게 달라지는지, (2) 느린 그룹과 빠른 그룹에서 이 순서 구조의 어떤 측면이 다르게 강조되는지를 검토한다. ONA는 서술적 요약만으로는 드러나지 않는 지속성 및 전환 패턴의 차이를 밝혀낸다. 특히 호기심, 낙관, 혼란을 연결하는 안정적인 인식적 핵(core)을 관찰했으며, 보고 방법에 따라 상태 간 연결의 강조점이 달랐다. 빠른 그룹과 느린 그룹 간 분석 결과, 협력 과정에서 혼란과 이탈(disengagement)의 역할도, 특히 갈등(conflict)과의 관계에서 크게 변화함을 보여준다. 우리는 협력 맥락에서 결과를 해석하고, CPS를 지원하는 AI 시스템 개발에 대한 함의를 논의한다.
협력적 문제 해결(CPS) 맥락에서 인간-AI 및 다중 에이전트 협업 대화를 분석하기 위해, 인지·비인지적 문제 해결과 메타인지적 조절을 통합한 계층적 2층 코딩 체계 기반 개념적 프레임워크를 제시한다. 아홉 개 데이터셋에서 효과와 일반화 가능성을 입증했으며, 메타인지적 조절이 더 깊은 협업을 구별하는 핵심 변별 요인임을 보였고, 인간-AI 상호작용에서는 인간이 자기조절을 주도하고 AI는 반응적 공동조절에 치우쳐 진정한 협업 달성이 어려운 패턴이 나타난다.
협력적 문제 해결(CPS)은 교육에서 핵심 역량이며, 동료 간 상호작용 과정이 매우 중요하다. 그러나 기존 교육 대화 데이터셋은 대부분 수업 또는 과외(즉, 교사/튜터-학생 상호작용)에 초점을 맞추고 있으며, 소집단 학생-학생 상호작용을 중심으로 한 데이터셋은 제한적이다. 따라서 실제 교육 환경에서 학생들이 어떻게 상호작용하고, 조율하며, 함께 문제를 해결하는지 연구할 수 있는 자원이 제한적이다. 이를 해결하기 위해 우리는 실제 중학교 수학 교실에서 수집한 동료 CPS 대화의 최초 데이터셋인 PeerMathDial을 소개한다. 이는 27명의 학생으로부터 55개의 대화를 포함하며, 총 6,406턴으로 구성된다. CPS 담화 분석 연구를 촉진하기 위해, 우리는 LLM의 지원을 받아 코퍼스 기반 대화 행위 분류체계를 추가로 구축한다. 데이터셋과 대화 행위 분류체계를 활용하여, 우리는 세 가지 사용 사례에서 PeerMathDial의 실용적 적용을 보여준다. 첫째, 대화가 시간에 따라 어떻게 변화하는지 추적하고 교사 개입의 영향을 측정한다. 둘째, 대화 행동을 학생 설문과 정렬하여 학생의 특성(예: 자신감, 리더십)과 실제 행동 간의 연관성을 밝힌다. 셋째, 대화 행위 예측에서 LLM을 평가함으로써 교육 응용에서 학생 시뮬레이션을 위한 LLM의 잠재력을 엿본다. 우리의 데이터셋과 소스 코드는 커뮤니티에 공개될 예정이다.