데이터와 대화하기: 개인 건강 성찰 인터페이스로서의 구현 대화 탐구
Talking to Your Data: Exploring Embodied Conversation as an Interface for Personal Health Reflection
한국어 초록
웨어러블 기기에서 수집한 개인 건강 데이터는 일반적으로 차트와 요약 통계로 구성된 대시보드를 통해 제시되며, 사용자가 패턴과 그 함의를 능동적으로 해석해야 한다. 우리는 대안적인 상호작용 패러다임을 탐구한다: 사용자와의 대화 속에서 객관적인 데이터 성찰을 촉진하는 구현 대화형 에이전트를 통해 개인 건강 데이터와 상호작용하는 방식이다. 웨어러블 데이터의 경량 전처리와 Unity 기반 구현 캐릭터를 결합한 시스템을 제시한다. 내부적으로 이 시스템은 이중 에이전트 설계를 따르며, Observer 에이전트가 기술 통계와 시간적 추세를 추출하고, Presenter 에이전트가 이러한 발견을 "구술 통계(spoken statistics)"를 통해 전달한다. 상호작용 방식의 영향을 분리하기 위해 의도적으로 임상적 조언은 하지 않는다. 우리는 피험자 내 설계(within-subject design)를 사용한 시뮬레이션 자기 사용자 연구(simulated-self user study, N=5)를 통해 이 접근법을 평가한다. 참가자는 LifeSnaps 데이터셋에서 유도된 건강 페르소나와 목표를 채택하여, 전통적인 대시보드 탐험과 구현 대화형 성찰을 비교했다. 평가는 인지된 이해, 생성된 행동의 구체성, 수동적 열람에서 능동적 의미 구성으로의 인지적 전환에 초점을 둔다. 이 논문은 기능적 프로토타입, 객관적 건강 데이터 서술 생성을 위한 디자인 패턴, 그리고 구현(embodiment)이 개인 건강 지표 해석에 미치는 영향에 대한 초기 경험적 통찰을 기여한다.
원문 초록
Personal health data from wearables are typically presented through dashboards of charts and summary statistics, requiring users to actively interpret patterns and implications. We explore an alternative interaction paradigm: engaging with personal health data through an embodied conversational agent that facilitates objective data reflection in dialogue with the user. We present a system that combines lightweight preprocessing of wearable data with a Unity-based embodied character. Internally, the system follows a dual-agent design in which an Observer agent extracts descriptive statistics and temporal trends, and a Presenter agent communicates these findings through "spoken statistics," intentionally refraining from clinical advice to isolate the impact of the interaction modality. We evaluate this approach through a simulated-self user study (N=5) using a within-subject design. Participants adopted health personas and goals derived from the LifeSnaps dataset to compare traditional dashboard exploration with embodied conversational reflection. Our evaluation focuses on perceived understanding, the specificity of generated actions, and the cognitive shift from passive viewing to active sensemaking. The paper contributes a functional prototype, a design pattern for objective health data narrative generation, and early empirical insights into how embodiment affects the interpretation of personal health metrics.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.17767v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
경청과 반사: VR에서 체화 AI 에이전트의 사회적·공감적 인식에 대한 언어적 공감 조율 및 행동 모방의 효과
Listening and Mirroring: The Effects of Verbal Attunement and Behavioral Mimicry on Social and Empathic Perceptions of Embodied AI Agents in VR
체화 에이전트가 VR에서 점점 더 사회적·관계적 역할을 맡게 됨에 따라, 시각적 사실성과 체화만으로는 부족할 수 있으며, 사용자는 이러한 에이전트를 정서적으로 공감하고 지지하며 인간 같다고 인식해야 한다. 선행 연구는 언어적 공감 조율(verbal attunement)과 비언어적 모방이 각각 체화 에이전트에 대한 사용자의 사회적 평가를 향상시킬 수 있음을 시사한다. 그러나 행동 모방(behavioral mimicry)은 대체로 실시간 대화형 AI 상호작용 밖에서 연구되어, 에이전트가 맥락에 반응하는 대화를 동시에 생성하고 몰입형 대화 중 비언어적 행동을 조정할 때 사용자가 어떻게 반응하는지에 대한 이해는 제한적이다. 이 공백을 메우기 위해, 우리는 대화형 AI와 실시간 얼굴 표정 및 자세 모방을 결합하고, 언어적으로 공감 조율된 응답 또는 중립적 응답을 생성하는 체화 AI 상담사를 개발했다. 언어적 공감 조율과 행동 모방을 조작한 2×2 피험자 내 연구에서 20명의 참가자를 대상으로 시스템을 평가했다. 결과는 언어적 공감 조율이 지각된 공감의 가장 신뢰할 만한 요인임을 보여주었다. 행동 모방은 지각된 인간다움과 한계적인(marginal) 관계를 보였으며, 더 많은 모방 노출은 공감, 긍정성, 인간다움과의 예비적·탐색적(exploratory) 양의 연관을 보였고, 특히 여성 참가자에서 두드러졌다. 이러한 발견은 VR에서 공감적 대화 에이전트를 설계할 때 다중 모달 동조(multimodal synchrony)가 단순 가산적 전략이 아님을 보여주며, 실시간 상호작용 중 언어적·비언어적 행동이 어떻게 결합되는지 고려할 필요를 강조한다.
Industry 4.0 에이전트 평가를 위한 합성 시나리오 생성
Synthetic Scenario Generation for Evaluation of Industry 4.0 Agents
산업 에이전트 벤치마크는 원격 측정(telemetry), 고장 모드, 유지보수 기록, 도메인 표준을 통합하는 현실적인 평가 시나리오가 필요하다. 그러나 AssetOpsBench와 같은 기존 벤치마크는 수작업으로 작성된 시나리오에 의존하며 제한된 자산 클래스만을 다룬다. 우리는 AssetOpsBench를 스마트 그리드 변압기(Smart Grid Transformer) 자산 클래스와 건강 지수 예측, 용존 가스 분석, 권선 온도 평가, 부하 프로파일 평가를 위한 IEC 기반 진단 도구 4종으로 확장한다. 또한 합성 산업 에이전트 시나리오 생성을 위한 파이프라인인 ScenarioGeneratorAgent를 도입한다. 이 파이프라인은 증거 기반 자산 프로파일을 구성하고, 운영 도메인 전반에 걸쳐 커버리지 인식 시나리오 예산을 배분하며, 스키마 유효성, 도구 도달 가능성, 물리적 타당성, 표준 정합성, 중복 제거를 강제하는 하이브리드 검증-수정 루프를 통해 후보를 생성한다. 확장성을 높이기 위해 2단계 캐싱, 병렬 포커스 그룹 생성, 스레드 풀 오프로딩, 배치 LLM 호출, 조기 거부 필터링을 적용한다. 스마트 그리드 변압기 시나리오 생성에서 이러한 최적화는 품질을 유지하면서 50개 시나리오에 대해 종단 간 실행 시간을 $8\times$ 단축하며, 최적화되지 않은 기준선의 $73.8 \pm 3.0$에 비해 $74.2 \pm 1.9$의 복합 품질 점수를 달성한다. 이 결과는 표준 기반 합성 시나리오 생성이 시나리오 품질을 희생하지 않고 산업 에이전트 벤치마크를 효율적으로 확장할 수 있음을 보여준다.
학습자 수준에 적합한 체화된 대화형 에이전트를 활용한 외국어 불안 감소 연구
Towards Reducing Foreign Language Anxiety Using Level-Appropriate Embodied Conversational Agents
외국어 불안(FLA)은 특히 대화 맥락에서 제2언어 습득(SLA)의 주요 장벽이 될 수 있다. 생활 전반에 걸쳐 대규모 언어 모델(LLM)이 확산됨에 따라, 최근 연구는 LLM 에이전트와의 상호작용이 SLA 및 외국어 교육 분야, 특히 FLA 감소에 중요한 역할을 할 수 있음을 시사한다. 관련 연구는 또한 언어적 요구와 과제 복잡성이 FLA의 예측 변수가 될 수 있음을 제시하며, 이는 요구 수준이 높고 복잡한 언어의 사용이 학습자에게 더 높은 FLA를 유발할 수 있음을 의미한다. 본 논문에서는 영어 학습자를 위한 학습자 수준에 맞는 대화를 생성하는 새로운 다중 에이전트 체화 대화 시스템을 제안한다. 이러한 수준은 비원어민 청자 및 화자의 숙련도를 설명하기 위해 유럽 공통 참조 틀(CEFR)에서 정의한 것을 기반으로 한다. 여러 LLM 에이전트와 수준 분류기를 활용한 "생성-평가-재생성" 루프를 통해, 사용자의 숙련도 수준에 적응하는 원하는 단순성을 달성한다. 또한 일본 대학생을 대상으로 이 시스템을 테스트하여 단순화되지 않은 체화 대화형 에이전트보다 더 낮은 FLA 수준을 산출하는지 확인한 예비 소규모 파일럿 연구 결과를 공유한다. 대화 출력 분석 결과, 제안된 다중 에이전트 시스템이 생성한 대화 문장의 87.4%가 학습자의 자기 평가 숙련도로 예측된 CEFR 수준의 ±1 수준 이내에 있었으며, 단순화되지 않은 에이전트의 경우 54.1%였다. 이는 새로운 시스템이 학습자에게 더 적절한 수준의 출력을 생성할 수 있음을 시사한다. 본 연구는 표본 크기가 작아 일본인 영어 학습자의 FLA 수준을 시스템이 감소시킨다는 통계적으로 유의미한 증거를 제공하지 못했으나, 향후 연구를 위한 사용성 발견과 문화적으로 고려된 설계 통찰을 제공한다.
A Better Alternative to Piecewise Linear Time Series Segmentation
유사한 예측 적합도와 상이한 잠재 동역학: 뇌 질환 맞춤형 모델에서 학습된 동역학적 구조 특성화
Similar Predictive Fit but Different Latent Dynamics: Characterizing Learned Dynamical Structure in Personalized Models of Brain Disorders
AI 모델이 임상 의사결정 및 맞춤형 치료로 나아감에 따라, 모델이 무엇을 학습하는지 이해하는 것은 단순한 예측 정확도를 넘어 매우 중요합니다. 본 연구에서는 예측 적합도가 유사하더라도 개인화된 잠재 동역학(latent dynamics)이 임상적으로 연관된 차이를 드러내는지 조사합니다. Temple University EEG Corpus(TUEG)로 사전학습된 경량 CNN-트랜스포머(Transformer) 뇌파(EEG) 파운데이션 모델을 사용하여 세그먼트 수준의 표현을 추출합니다. Temple University Epilepsy Corpus(TUEP)를 활용하여 표현들을 공유 잠재 상태 공간으로 매핑하고, 각 피험자에게 독립적으로 희소 다항 로지스틱 전이 분포(mLTD)를 적합하여 개인화된 전이 의존성 그래프 $W_n$을 얻습니다. 분석 대상은 $n{=}198$명의 피험자(뇌전증 99명 / 비뇌전증 99명)입니다. $k{=}4$에서 뇌전증 피험자는 훨씬 더 조밀한 학습된 의존성 구조를 나타내며($p{=}1.1\times10^{-7}$), $k{=}6$에서도 동일한 패턴을 보입니다(19.90 대 13.46; $p{=}5.2\times10^{-5}$). 그래프 유래 특징들은 5-겹 피험자별 교차 검증(cross-validation) 하에서 중간 수준의 집단 구별 능력을 제공합니다($k{=}4$에서 AUROC 0.68; $k{=}6$에서 0.65). 대조적으로, 홀드아웃 로그 가능도(log-likelihood)는 $k{=}4$에서 두 집단 간에 거의 동일하며($-0.992$ 대 $-0.991$; $p{=}0.95$), 다음 상태 예측 역시 유사하게 일치합니다(AUROC 0.855 대 0.861; $p{=}0.54$). 따라서 유사한 예측 적합도가 유사한 학습 동역학을 의미하지는 않습니다. 즉, 개인화된 모델이 학습한 내부 동역학 구조에는 상당한 차이가 있더라도, 두 집단은 대등한 수준으로 예측 가능할 수 있습니다. 이러한 차이는 개인화된 임상 모델에서 예측 성능과 함께 학습된 구조를 평가해야 할 필요성을 시사합니다.
PrefReward: 개인화 텍스트 생성을 위한 사용자 선호 행렬 학습
PrefReward: Learning User Preference Matrix for Personalized Text Generation
토론
이 논문과 연결된 포럼 글이 아직 없습니다.