본 논문에서는 기존에 Russell의 감정차원 모델(A Circumplex model)상에서 데이터의 분산 값을 줄이고, 복합적감정(mixed feelings)을 표현하는 새로운 방법을 제안한다. Russell의 감정차원 모델은 감정을 뜻하는 단어(기쁨, 슬픔, 행복, 신남 등)를 제시한 뒤, 자가진단방식(SAM)을 이용하여 단어들의 평균과 분산을 구하고, 각 단어들을 PAD차원(Pleasure, Arousal, Dominance)에 하나의 점으로 표시한다. 하지만 다른 연구자에 의하여 Russell모델의 문제점으로 각 단어들의 분산 값이 커서 데이터의 신뢰도나 정확성이 떨어지며, Russell의 모델의 구조에선 복합적 감정(mixed feelings)을 표현할 수 없는 등의 문제점들이 지속적으로 제기되었다. 본 논문에서는 이와 같은 문제점을 보완하기 위해 설문 방식의 변화를 통해서 실험을 진행하여, 데이터의 분산 값을 줄일 수 있었다. 또한 복합적 감정을 유발 할 수 있는 실험을 통해 감정 상태의 긍정적/부정적인 부분의 관계를 확인해보고, Russell모델에서도 복합적 감정을 표현할 수 있음을 입증하였다. 본 논문에서 제안하는 방법을 이용하여 기존의 연구에서 보다 신뢰도와 정확도가 높은 데이터를 얻을 수 있으며, Russell모델을 적용시키기 어려웠던 생체신호, 복합적 감정, 실감 방송 등의 여러 분야에 적용 시킬 수 있다.
본 논문에서는 기존에 Russell의 감정차원 모델(A Circumplex model)상에서 데이터의 분산 값을 줄이고, 복합적감정(mixed feelings)을 표현하는 새로운 방법을 제안한다. Russell의 감정차원 모델은 감정을 뜻하는 단어(기쁨, 슬픔, 행복, 신남 등)를 제시한 뒤, 자가진단방식(SAM)을 이용하여 단어들의 평균과 분산을 구하고, 각 단어들을 PAD차원(Pleasure, Arousal, Dominance)에 하나의 점으로 표시한다. 하지만 다른 연구자에 의하여 Russell모델의 문제점으로 각 단어들의 분산 값이 커서 데이터의 신뢰도나 정확성이 떨어지며, Russell의 모델의 구조에선 복합적 감정(mixed feelings)을 표현할 수 없는 등의 문제점들이 지속적으로 제기되었다. 본 논문에서는 이와 같은 문제점을 보완하기 위해 설문 방식의 변화를 통해서 실험을 진행하여, 데이터의 분산 값을 줄일 수 있었다. 또한 복합적 감정을 유발 할 수 있는 실험을 통해 감정 상태의 긍정적/부정적인 부분의 관계를 확인해보고, Russell모델에서도 복합적 감정을 표현할 수 있음을 입증하였다. 본 논문에서 제안하는 방법을 이용하여 기존의 연구에서 보다 신뢰도와 정확도가 높은 데이터를 얻을 수 있으며, Russell모델을 적용시키기 어려웠던 생체신호, 복합적 감정, 실감 방송 등의 여러 분야에 적용 시킬 수 있다.
In this paper, we propose new method to reduce variance and express mixed feelings in Russell's emotional dimension(A Circumplex model). A Circumplex model shows mean and variance of emotions(joy, sad, happy, enjoy et. al.) in PAD(Pleasure, Arousal, Dominace, et. al.) dimension using self-diagnostic...
In this paper, we propose new method to reduce variance and express mixed feelings in Russell's emotional dimension(A Circumplex model). A Circumplex model shows mean and variance of emotions(joy, sad, happy, enjoy et. al.) in PAD(Pleasure, Arousal, Dominace, et. al.) dimension using self-diagnostic method(SAM: Self-Assessment-Manikin). But other researchers consistently insisted that Russell's model had two problems. First, data(emotional words) gathered by Russell's method have too big variance. So, it is difficult to separate valid value. Second, Russell's model can not properly represent mixed feelings because it has structural problem(It has a single Pleasure dimension). In order to solve these problems, we change survey methods, so that we reduce value of variance. And then we conduct survey(which can induce mixed feelings) to prove Positive/Negative(Pleasure) part in emotion and confirm that Russell's model can be used to express mixed feelings. Using this method, we can obtain high reliability and accuracy of data and Russell's model can be applied in many other fields such as bio-signal, mixed feelings, realistic broadcasting, et. al.
In this paper, we propose new method to reduce variance and express mixed feelings in Russell's emotional dimension(A Circumplex model). A Circumplex model shows mean and variance of emotions(joy, sad, happy, enjoy et. al.) in PAD(Pleasure, Arousal, Dominace, et. al.) dimension using self-diagnostic method(SAM: Self-Assessment-Manikin). But other researchers consistently insisted that Russell's model had two problems. First, data(emotional words) gathered by Russell's method have too big variance. So, it is difficult to separate valid value. Second, Russell's model can not properly represent mixed feelings because it has structural problem(It has a single Pleasure dimension). In order to solve these problems, we change survey methods, so that we reduce value of variance. And then we conduct survey(which can induce mixed feelings) to prove Positive/Negative(Pleasure) part in emotion and confirm that Russell's model can be used to express mixed feelings. Using this method, we can obtain high reliability and accuracy of data and Russell's model can be applied in many other fields such as bio-signal, mixed feelings, realistic broadcasting, et. al.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
실험 3에서는 감정 상태를 긍정적, 부정적인 수치와 감정단어들로 표현하는 설문을 진행하여 현재 감정 상태를 단어의 조합으로 표현할 수 있는지 알아본다. 각 설문은 기존의 연구를 확인하고, 보완하기 위해 설계되었다. 각 실험에 대한 내용은 다음의 Figure 4와 다음 절에서 설명한다.
문제점 중 분산의 크기는 단어만을 제시하는 설문방법 때문에 경험, 배경, 문화적, 언어적 차이에 의해 발생했다. 따라서 본 논문에서는 기존의 단어만을 제시하는 설문 방법 대신 순수한 단어의 뜻을 설명할 수 있는 상황을 문맥으로 제시하였다. 설문방법의 변화를 통해서 분산 값을 줄이고 순수 감정에 대한 결과 값을 얻을 수 있었다(실험 1, 2).
따라서 본 논문에서는 설문 방식의 변화를 통해 기존의 문제점을 보완하고, Russell의 모델에서 복합적 감정을 표현하는 방법을 제시한다.
단순히 감정단어만을 제시하는 실험 1에 비해 설정된 상황을 문맥으로 제시함으로써, 보다 순수 감정(pure feelings)에 대한 내용을 확인한다. 또한 복합적 감정(mixed feelings)을 유발할 수 있는 문맥을 제시하여 기쁨, 슬픔과 같은 감정의 공존 가능성에 대해 확인해보고 감정 상태 내의 긍정적인 부분과 부정적인 부분의 관계에 대해서 확인한다.
본 논문에서는 기존의 Russell모델의 문제점을 보완하기 위하여 실험을 진행하였다. 문제점 중 분산의 크기는 단어만을 제시하는 설문방법 때문에 경험, 배경, 문화적, 언어적 차이에 의해 발생했다.
본 논문에서는 기존의 Russell모델의 문제점을 보완하는 방법을 제시한다. 앞선 장에서 언급한 2가지의 문제점을 보완하기 위해 3가지 실험을 설계하고 진행 하였다.
실험 1의 결과를 바탕으로 선택된 단어들의 긍정적/부정적의 대수적인 합과 실험자들이 측정한 긍정/부정적인 수치와 비교한다. 비교를 통해서 복합적 감정인 상태에서 본인이 느끼는 감정 상태를 여러 감정단어들의 조합으로 표현할 수 있는지 확인한다. 동일한 실험자의 경우라도, 설문지를 작성한 날에 따라 감정 상태가 다르다면, 다른 경우로 분류하여 실험 결과를 구하였다.
실험 3은 현재 감정 상태에 대해 긍정적/부정적인 정도를 수치로 설문을 받았으며, 실험자의 현재 감정 상태를 표현할 수 있는 단어에 대해서 설문을 시행한다. 실험 1, 2에서 얻은 실제 수치를 이용하여 여러 감정이 공존하는 상태에서 선택된 감정들의 대수적인 합과 실험자가 측정한 자신의 감정 상태가 얼마나 일치하는지 확인하고, 이를 바탕으로 Russell모델에서도 복합적 감정을 표현할 수 있는지 확인한다. 실험 대상자는 67명(남:45, 여:22)으로 평균나이 29.
가설 설정
1) 큰 집으로 이사를 가서 기쁘다.
3) 이사를 가서 기쁘기도, 슬프기도 하다.
4) 비가 오니 마음이 싱숭생숭 하다.
제안 방법
실험 1은 Russell모델을 시행하였던 설문과 동일한 내용의 설문이다. Russell모델에 사용된 감정단어와 가장 비슷한 감정단어(한국어)를 찾고, 얼마나 일치하는지, 한국 단어에 대해서도 기존의 감정차원 모델을 적용할 수 있는지를 확인한다. 실험 대상이 한국인으로만 제한되어 있으므로, SAM방식 대신 점수로 표현하기 좋은 리커트 9점 척도1) 방식을 이용하였고, 평가 대상은 차원 구조의 안정성에 관한 연구에 따라 기쁨 (Valence)축과 각성(Arousal)축에 대해서만 설문을 시행하였으며, 설문에 사용된 단어는 기존의 연구에서 사용된 단어를 바탕으로 선정 되었다(김진관 외, 1998).
첫 번째로, Russell이 제안한 모델을 Figure 1에 나타냈다. 그림과 같이 감정 상태를 뜻하는 단어(happy, sad, nervous, surprise 등)를 제시하고, 각 축(x축:Arousal, y축:Valence)에 대해서 자가진단 방식(SAM)을 이용하여 설문을 시행한다. 설문 데이터를 각 축에 대해서 평균과 분산을 구한 뒤, 이를 차원 축 위에 하나의 점으로 표시한다.
실험 2는 기존의 연구에서 특정 상황(이사 가는 날, 졸업식)에 대해 시행한 설문을 바탕으로, 상황을 문맥으로 만들어서 제시한다. 기쁨, 슬픔이라는 단어를 이용하여 기쁜 상황, 슬픈 상황과 또한 복합적 상황에 맞는 문맥을 제시하여 설문을 진행한다. 단순히 감정단어만을 제시하는 실험 1에 비해 설정된 상황을 문맥으로 제시함으로써, 보다 순수 감정(pure feelings)에 대한 내용을 확인한다.
비교를 통해서 복합적 감정인 상태에서 본인이 느끼는 감정 상태를 여러 감정단어들의 조합으로 표현할 수 있는지 확인한다. 동일한 실험자의 경우라도, 설문지를 작성한 날에 따라 감정 상태가 다르다면, 다른 경우로 분류하여 실험 결과를 구하였다. 단어들의 수치는 실험 1의 결과를 사용하였다.
Figure 5를 보면, 기존의 Russell의 모델과 비슷한 위치에 있음을 확인할 수 있었다. 또한, 외국 단어와 가장 일치하는 한국 단어를 찾기 위해 기존 외국인을 대상으로 진행한 데이터(점의 위치)와 실제 실험 1에서 얻은 결과 값(점의 위치)의 거리 차이가 기존 데이터의 분산 값보다 작은 단어를 선택하였다. 또한, 하나의 한국 단어에 대해 여러 가지 중복되는 외국단어가 있는 경우에는, 최단 거리인 단어를 선택하였다.
실험 2에서는 기존 연구에서 설정된 상황을 문맥으로 제시하였다. 복합적 감정(mixed feelings)에 대한 감정 상태를 측정하여 기쁨, 슬픔과 같은 감정의 공존 가능성을 확인하고, 감정단어 내에 긍정적인 부분과 부정적인 부분의 관계를 확인한다. 실험 1의 결과 happy, sad와 가장 일치하는 단어(기쁨, 슬픔)를 이용하여 문맥을 만들었으며, 실험 결과는 다음과 같다.
선택된 단어들의 수치와 실험자가 측정한 수치(긍정적, 부정적)의 데이터를 비교하기 위해 선택된 단어들의 부정적 수치 대비 긍정적 수치(긍정적/부정적)를 α, 실험자가 측정한 수치에서 부정적 수치 대비 긍정적 수치(긍정적/부정적)를 β로 놓고 두 수를 비교한다.
실험 대상이 한국인으로만 제한되어 있으므로, SAM방식 대신 점수로 표현하기 좋은 리커트 9점 척도1) 방식을 이용하였고, 평가 대상은 차원 구조의 안정성에 관한 연구에 따라 기쁨 (Valence)축과 각성(Arousal)축에 대해서만 설문을 시행하였으며, 설문에 사용된 단어는 기존의 연구에서 사용된 단어를 바탕으로 선정 되었다(김진관 외, 1998). 설문에 사용된 단어는 흥분E(Exciting), 흥분N(Nervous), 흥미, 행복, 편안함, 괴로움, 기쁨, 긴장, 나른함, 놀람, 두려움, 지루함, 즐거움, 절망, 우울함, 외로움, 싫어함, 슬픔, 만족, 부끄러움, 분노, 불안, 설렘, 신남, 짜증남, 불만족으로 총 26가지를 제시한다. 실험 1에서는 한국인 실험자들을 대상으로 각 감정 단어들이 감정차원 위에 위치를 측정하고, 기존의 연구와 비교해본다.
앞선 장에서 언급한 2가지의 문제점을 보완하기 위해 3가지 실험을 설계하고 진행 하였다. 실험 1에서는 Russell모델의 실험방식과 동일 하게 실험을 진행하여 기존모델에 사용된 단어들과 가장 일치하는 한국 단어들을 찾는다. 실험 2에서는 설정된 상황을 바탕으로 감정단어를 문장으로 제시한뒤, 감정단어에서 긍정적인 부분과 부정적인 부분의 관계를 알아본다.
설문에 사용된 단어는 흥분E(Exciting), 흥분N(Nervous), 흥미, 행복, 편안함, 괴로움, 기쁨, 긴장, 나른함, 놀람, 두려움, 지루함, 즐거움, 절망, 우울함, 외로움, 싫어함, 슬픔, 만족, 부끄러움, 분노, 불안, 설렘, 신남, 짜증남, 불만족으로 총 26가지를 제시한다. 실험 1에서는 한국인 실험자들을 대상으로 각 감정 단어들이 감정차원 위에 위치를 측정하고, 기존의 연구와 비교해본다. 또한 실험 2와 3에서 기존 논문과의 비교 정확도를 높이기 위해 기존논문의 단어(happy, sad)와 가장 일치하는 한국 단어를 찾는다.
복합적 감정(mixed feelings)에 대한 감정 상태를 측정하여 기쁨, 슬픔과 같은 감정의 공존 가능성을 확인하고, 감정단어 내에 긍정적인 부분과 부정적인 부분의 관계를 확인한다. 실험 1의 결과 happy, sad와 가장 일치하는 단어(기쁨, 슬픔)를 이용하여 문맥을 만들었으며, 실험 결과는 다음과 같다.
실험 3에서는 현재 감정 상태를 측정하고, 단어로 표현하는 설문을 진행한다. 실험 1의 결과를 바탕으로 선택된 단어들의 긍정적/부정적의 대수적인 합과 실험자들이 측정한 긍정/부정적인 수치와 비교한다. 비교를 통해서 복합적 감정인 상태에서 본인이 느끼는 감정 상태를 여러 감정단어들의 조합으로 표현할 수 있는지 확인한다.
2(21~61) 세로 이루어져 있다. 실험 2, 3에서 사용될 단어를 찾기 위해 실험 1이 먼저 진행 되었으며, 다양한 감정 상태에 대한 실험 데이터를 얻기 위해 실험 2와 3은 6일에 걸쳐 2일에 1번씩(총 3회) 설문을 진행하였다.
실험 2는 기존의 연구에서 특정 상황(이사 가는 날, 졸업식)에 대해 시행한 설문을 바탕으로, 상황을 문맥으로 만들어서 제시한다. 기쁨, 슬픔이라는 단어를 이용하여 기쁜 상황, 슬픈 상황과 또한 복합적 상황에 맞는 문맥을 제시하여 설문을 진행한다.
실험 2에서는 기존 연구에서 설정된 상황을 문맥으로 제시하였다. 복합적 감정(mixed feelings)에 대한 감정 상태를 측정하여 기쁨, 슬픔과 같은 감정의 공존 가능성을 확인하고, 감정단어 내에 긍정적인 부분과 부정적인 부분의 관계를 확인한다.
실험 1에서는 Russell모델의 실험방식과 동일 하게 실험을 진행하여 기존모델에 사용된 단어들과 가장 일치하는 한국 단어들을 찾는다. 실험 2에서는 설정된 상황을 바탕으로 감정단어를 문장으로 제시한뒤, 감정단어에서 긍정적인 부분과 부정적인 부분의 관계를 알아본다. 실험 3에서는 감정 상태를 긍정적, 부정적인 수치와 감정단어들로 표현하는 설문을 진행하여 현재 감정 상태를 단어의 조합으로 표현할 수 있는지 알아본다.
실험 2에서는 설정된 상황을 바탕으로 감정단어를 문장으로 제시한뒤, 감정단어에서 긍정적인 부분과 부정적인 부분의 관계를 알아본다. 실험 3에서는 감정 상태를 긍정적, 부정적인 수치와 감정단어들로 표현하는 설문을 진행하여 현재 감정 상태를 단어의 조합으로 표현할 수 있는지 알아본다. 각 설문은 기존의 연구를 확인하고, 보완하기 위해 설계되었다.
실험 3에서는 현재 감정 상태를 측정하고, 단어로 표현하는 설문을 진행한다. 실험 1의 결과를 바탕으로 선택된 단어들의 긍정적/부정적의 대수적인 합과 실험자들이 측정한 긍정/부정적인 수치와 비교한다.
실험 3은 현재 감정 상태에 대해 긍정적/부정적인 정도를 수치로 설문을 받았으며, 실험자의 현재 감정 상태를 표현할 수 있는 단어에 대해서 설문을 시행한다. 실험 1, 2에서 얻은 실제 수치를 이용하여 여러 감정이 공존하는 상태에서 선택된 감정들의 대수적인 합과 실험자가 측정한 자신의 감정 상태가 얼마나 일치하는지 확인하고, 이를 바탕으로 Russell모델에서도 복합적 감정을 표현할 수 있는지 확인한다.
본 논문에서는 기존의 Russell모델의 문제점을 보완하는 방법을 제시한다. 앞선 장에서 언급한 2가지의 문제점을 보완하기 위해 3가지 실험을 설계하고 진행 하였다. 실험 1에서는 Russell모델의 실험방식과 동일 하게 실험을 진행하여 기존모델에 사용된 단어들과 가장 일치하는 한국 단어들을 찾는다.
대상 데이터
비교 대상은 외국인을 대상으로 진행한 ANEW데이터(Bradley & Lang, 2010)를 이용하여 비교하였다.
설문방법의 변화를 통해서 분산 값을 줄이고 순수 감정에 대한 결과 값을 얻을 수 있었다(실험 1, 2). 실험 2의 결과, 감정상태의 긍정적/부정적인 부분은 상호 배타적이기보단 서로 독립적인 관계에 있음을 확인할 수 있었으며, 실험 3을 통해서는 감정단어의 합으로 자신의 감정 상태를 나타낼 수 있음을 실험적으로 확인하였다(실험 3의 데이터는 http://mms.ssu.ac.kr에 기재 하였다). 따라서 감정 상태에서 긍정적/부정적 부분은 서로 독립적이며(실험 2), 복합적 감정인 상태에서 감정 단어들의 합으로 표현할 수 있으므로(실험 3), 복합적 감정을 Russell모델에서도 Figure 8과 같이 감정들의 조합으로 표현할 수 있다.
실험 1, 2에서 얻은 실제 수치를 이용하여 여러 감정이 공존하는 상태에서 선택된 감정들의 대수적인 합과 실험자가 측정한 자신의 감정 상태가 얼마나 일치하는지 확인하고, 이를 바탕으로 Russell모델에서도 복합적 감정을 표현할 수 있는지 확인한다. 실험 대상자는 67명(남:45, 여:22)으로 평균나이 29.2(21~61) 세로 이루어져 있다. 실험 2, 3에서 사용될 단어를 찾기 위해 실험 1이 먼저 진행 되었으며, 다양한 감정 상태에 대한 실험 데이터를 얻기 위해 실험 2와 3은 6일에 걸쳐 2일에 1번씩(총 3회) 설문을 진행하였다.
이론/모형
감정차원 모델로는 Russell(1980)이 제안한 A Circumplex model과 Cacioppo와 Berntson이 제안한 Evaluative Space Model(Cacioppo & Berntson, 1994)이 대표적으로 사용된다.
본 논문에서 제안하는 방법을 이용하여 기존에는 적용하기 어려웠던 생체신호, 복합적 감정, 실감 방송 등의 여러 분야에서 Russell모델을 사용할 수 있다. 추후에는 더 많은 감정단어들에 대해서 문맥을 이용하여 제시하여 보다 정확하고 신뢰도 높은 감정차원에 대해서 모델링에 관한 연구를 진행할 계획이다.
실제로 첫 번째 문제점을 확인하기 위해 Russell모델의 위치와, 2010년 Russell의 방식대로 설문을 시행한 연구인 ANEW(Affective Norms for English Words)에서 실질적인 수치를 확인해 보았다(Bradley & Lang, 2010).
실험 1에서는 기존의 Russell이 진행한 방식과 비슷 하게 설계하였다. 한국 단어를 제시하고 결과 값을 차원위에 하나의 점으로 표현하고, 기존연구 결과와 비교하여 가장 알맞은 외국단어를 찾는다.
Russell모델에 사용된 감정단어와 가장 비슷한 감정단어(한국어)를 찾고, 얼마나 일치하는지, 한국 단어에 대해서도 기존의 감정차원 모델을 적용할 수 있는지를 확인한다. 실험 대상이 한국인으로만 제한되어 있으므로, SAM방식 대신 점수로 표현하기 좋은 리커트 9점 척도1) 방식을 이용하였고, 평가 대상은 차원 구조의 안정성에 관한 연구에 따라 기쁨 (Valence)축과 각성(Arousal)축에 대해서만 설문을 시행하였으며, 설문에 사용된 단어는 기존의 연구에서 사용된 단어를 바탕으로 선정 되었다(김진관 외, 1998). 설문에 사용된 단어는 흥분E(Exciting), 흥분N(Nervous), 흥미, 행복, 편안함, 괴로움, 기쁨, 긴장, 나른함, 놀람, 두려움, 지루함, 즐거움, 절망, 우울함, 외로움, 싫어함, 슬픔, 만족, 부끄러움, 분노, 불안, 설렘, 신남, 짜증남, 불만족으로 총 26가지를 제시한다.
성능/효과
β와 α값이 정확히 일치하지는 않았지만, 실험 결과 대부분의 실험자들이 측정한 값(β)이 선택한 단어들의 대수적인 합(α)의 범위 안에 있음을 확인할 수 있다.
하지만 본 논문에서는 기존의 방법과는 다르게 상황을 설명하는 문맥을 이용하여 설문을 진행함으로써, 기존 데이터보다 분산의 크기를 줄여 신뢰도와 정확도가 높은 데이터를 얻을 수 있었다. 둘째 감정 상태 내에 긍정적인 부분과 부정적인 부분은 서로 상호 배타적이 아닌 서로 독립적인 관계가 있음을 확인하였다(실험 2). 또한, 앞선 실험 1과 실험 2의 결과를 이용하여 감정 상태를 감정단어들의 조합으로 표현 할 수 있음을 실험적으로 입증하였다(실험 3).
또한, 앞선 실험 1과 실험 2의 결과를 이용하여 감정 상태를 감정단어들의 조합으로 표현 할 수 있음을 실험적으로 입증하였다(실험 3). 따라서 생체신호와 감정 차원모델의 관계, 감정의 그룹화, 감성생리 등 Russell 모델을 적용시키기 어려웠던 분야에도 쉽게 적용시킬수 있으며, Russell모델에서도 복합적 감정을 표현할수 있음을 확인하였다.
따라서 상황을 설명하거나 순수 단어에 대해 설정된 문맥을 제시하면 기존의 연구 결과보다 작은 분산 값의 데이터를 얻을 수 있다. 따라서 설문방법의 변화를 통해 기존의 데이터보다 신뢰도나 정확성이 높은 데이터를 얻을 수 있다.
문항 3, 4, 7번의 경우에는 기존의 실험에서 설정한 상황을 문맥으로 제시하여, 복합적 감정을 측정하였다. 실험 결과 실험 결과 문항 1, 2, 5, 6번의 실험보다 편차가 심하고, 복합적 감정(mixed feelings)이 나타남을 확인할 수 있었다. Pearson 계수(r)는 -0.
실험 데이터를 분석하면, 현재 감정 상태가 완전히 긍정적이거나 부정적인 상태(두 값 중 하나라도 상태가 0인 경우)로 측정한 결과가 전체 데이터의 43%를 차지하였으며, 그 외에 복합적 감정과 같이 긍정적 부정적 감정이 공존하는 경우가 57%로 나타났다. 전자의 경우 β의 값이 0이거나, ∞이므로 값을 비교하는데 무의미하며, 복합적 감정이 아니기 때문에 결과 분석에 포함 하지 않았다.
첫 번째로, 설문과정에서 단어만을 제시하는 경우 (실험 1 혹은 기존의 Russell의 연구) 개인의 성격, 경험 등에 의해서 차이가 생기므로 분산 값이 크게 나온다. 따라서 상황을 설명하거나 순수 단어에 대해 설정된 문맥을 제시하면 기존의 연구 결과보다 작은 분산 값의 데이터를 얻을 수 있다.
본 논문에서는 다음과 같은 방법을 이용하여 문제점을 보완할 수 있었다. 첫째 Russell모델의 설문에서는 단어만을 제시하는 설문을 진행하여 성격, 문화, 배경 등에 의해서 개인차가 발생하기 때문에 데이터의 분산 값이 컸다. 하지만 본 논문에서는 기존의 방법과는 다르게 상황을 설명하는 문맥을 이용하여 설문을 진행함으로써, 기존 데이터보다 분산의 크기를 줄여 신뢰도와 정확도가 높은 데이터를 얻을 수 있었다.
첫째 Russell모델의 설문에서는 단어만을 제시하는 설문을 진행하여 성격, 문화, 배경 등에 의해서 개인차가 발생하기 때문에 데이터의 분산 값이 컸다. 하지만 본 논문에서는 기존의 방법과는 다르게 상황을 설명하는 문맥을 이용하여 설문을 진행함으로써, 기존 데이터보다 분산의 크기를 줄여 신뢰도와 정확도가 높은 데이터를 얻을 수 있었다. 둘째 감정 상태 내에 긍정적인 부분과 부정적인 부분은 서로 상호 배타적이 아닌 서로 독립적인 관계가 있음을 확인하였다(실험 2).
하지만 기존의 다른 연구자들은 Russell의 모델의 경우, 기쁨(Valence)축 하나에 긍정적/부정적 부분을 동시에 표현하기 때문에 기쁨과 슬픔과 같은 감정은 상호 배타적(mutually exclusive)이며, 동시에 표현할 수 없다고 주장하였다. 하지만 실험 2의 결과에서 실제 Valence축에서 긍정적/부정적인 부분은 상호 배타적이지 않음을 확인하였다. 문항 1, 2, 5, 6과 같이 하나의 감정만을 제시하는 경우와 문항 3, 4, 7과 같이 복합적 감정을 유도 할 수 있는 경우의 Pearson계수의 값을 비교하여 Table 4에 나타냈다.
실험 1에서는 기존의 Russell이 진행한 방식과 비슷 하게 설계하였다. 한국 단어를 제시하고 결과 값을 차원위에 하나의 점으로 표현하고, 기존연구 결과와 비교하여 가장 알맞은 외국단어를 찾는다. 또한, 실험 2와 3을 위해 기존의 연구에서 제시한 단어(happy, sad)와 가장 일치하는 한국 단어를 찾는다.
후속연구
본 논문에서 제안하는 방법을 이용하여 기존에는 적용하기 어려웠던 생체신호, 복합적 감정, 실감 방송 등의 여러 분야에서 Russell모델을 사용할 수 있다. 추후에는 더 많은 감정단어들에 대해서 문맥을 이용하여 제시하여 보다 정확하고 신뢰도 높은 감정차원에 대해서 모델링에 관한 연구를 진행할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
감정 상태의 판단 중 얼굴 표정이나 심리 상태를 이용하는 방법은 어떠한 문제점이 있는가?
감정 상태의 판단 방법은 자기-보고 질문지형 척도(리커트 척도, SAM (Self-Assessment-Manikin) 등)를 이용하는 방법, 얼굴 표정을 기반으로 한 방법, 심리 상태를 이용하는 방법등 여러 가지 분야가 있다. 하지만 얼굴표정이나 심리 상태를 이용하는 방법은 개개인의 성격, 주위환경 등에 의해 항상 동일한 결과를 도출하기 어렵다. 따라서 많은 연구에서 일반적으로 자기-보고 질문지형 척도를 이용하는 방법이 주로 사용된다.
감정 상태의 판단이란 무엇인가?
감정 상태의 판단이란 사람의 감정 상태가 어떠한 상태인지를 측정하는 것을 뜻한다. 감정 상태의 판단 방법은 자기-보고 질문지형 척도(리커트 척도, SAM (Self-Assessment-Manikin) 등)를 이용하는 방법, 얼굴 표정을 기반으로 한 방법, 심리 상태를 이용하는 방법등 여러 가지 분야가 있다.
감정 상태의 판단 방법에는 무엇이 있는가?
감정 상태의 판단이란 사람의 감정 상태가 어떠한 상태인지를 측정하는 것을 뜻한다. 감정 상태의 판단 방법은 자기-보고 질문지형 척도(리커트 척도, SAM (Self-Assessment-Manikin) 등)를 이용하는 방법, 얼굴 표정을 기반으로 한 방법, 심리 상태를 이용하는 방법등 여러 가지 분야가 있다. 하지만 얼굴표정이나 심리 상태를 이용하는 방법은 개개인의 성격, 주위환경 등에 의해 항상 동일한 결과를 도출하기 어렵다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.