Threads digest · @edutrend_
일·연구의 변화인간 피험자 0명으로 인간의 의사결정 이론을 찾았다?
새로운 인간 피험자를 모집하지 않고도 사람의 선택을 설명하는 이론을 발견할 수 있을까요? AI 연구자와 AI 피험자가 반복 실험을 하고, 발견한 이론을 실제 인간 행동에 대조한 연구입니다.

인간 피험자 0명으로 의사결정 이론을 찾았다?
프린스턴대학교 연구진 등이 AI 시뮬레이터를 이용해 인간의 의사결정을 설명하는 이론을 탐색했습니다. 가상 환경에서 찾아낸 이론이 실제 사람의 선택에도 통했을까요?
연구에서 발견한 이론 가운데 하나가 RCSL입니다.
여러 속성을 비교해 선택하는 의사결정 과제에서, 이 이론은 비교 대상인 고전 휴리스틱 이론보다 인간 행동을 더 정확하게 예측했습니다.
여기서 ‘0명’은 이론을 탐색하는 동안 인간 피험자를 새로 모집하지 않았다는 뜻입니다. Centaur는 이미 인간 행동 데이터로 학습됐고, 발견한 이론은 별도로 확보한 인간 실험 데이터로 검증했습니다.
AI 연구자와 AI 피험자를 연결했습니다
인지과학과 심리학 연구에서 큰 병목 중 하나는 피험자를 모집하는 비용과 시간입니다. 아이디어가 있어도 실험을 반복하는 데에는 자원이 필요합니다.
연구진은 자율 이론 발견 시스템 AUTOCOG과 인간 행동 파운데이션 모델 Centaur를 결합했습니다. 이론을 만들고 실험하는 연구자 역할과, 실험에 응답하는 피험자 역할을 AI에 맡겨 ‘폐루프(Closed-loop)’ 연구 시스템을 구성한 것입니다.
실험 설계부터 이론 수정까지 네 단계
연구 사이클은 네 단계로 돌아갑니다. 먼저 LLM 에이전트가 서로 경쟁하는 가설의 우열을 가릴 수 있는 실험을 설계합니다.
두 번째로 Centaur가 가상 피험자 역할을 맡아 실험에 응답합니다.
세 번째는 중재와 분석입니다. 각 이론의 예측을 시뮬레이션 데이터와 비교해 어느 이론이 더 잘 설명하는지 판정합니다.
네 번째로 프로그램 합성(Program Synthesis)을 통해 약한 이론의 계산 모델 코드를 수정하거나 새로운 메커니즘을 제안합니다. 이렇게 고친 이론은 다음 실험에서 다시 경쟁합니다.
25번의 순환 뒤, 실제 인간 데이터와 만났습니다
25사이클의 탐색으로 발견한 RCSL을 포함한 이론들은 별도로 확보한 10개 인간 실험 데이터로 검증했습니다. 비교 대상은 Take-The-Best와 Tallying 같은 고전 휴리스틱 이론이었습니다.
그 결과, 가상 피험자를 통해 찾아낸 이론은 이 고전 이론들보다 실제 인간 선택을 더 정확하게 예측했습니다.
인간 피험자가 참여하는 같은 연구 순환으로 발견한 이론에 근접한 예측력도 보였습니다.
완벽한 시뮬레이터가 아니어도 가능한 이유
어떻게 완벽하지 않은 시뮬레이터에서 사람에게도 통하는 이론을 찾을 수 있었을까요? 연구진은 정밀한 수치 추정(Estimation)과 이론 사이의 우열을 가리는 중재(Arbitration)의 차이에 주목합니다.
사람의 행동을 모든 면에서 똑같이 재현하지 못하더라도, 경쟁하는 두 이론을 구별하는 핵심 규칙성을 잡아낸다면 이론 탐색에는 도움이 될 수 있다는 것입니다.
AI가 탐색을 넓히고, 인간 데이터가 판단하는 연구
이 연구는 초기의 방대한 가설 탐색을 AI 시뮬레이터가 빠르게 수행하고, 유망한 이론을 인간 데이터로 검증하는 하이브리드 연구의 가능성을 보여줍니다.
시뮬레이터가 후보 이론의 공간을 넓히고, 그 이론이 실제 사람에게도 통하는지는 인간 데이터가 가려내는 방식입니다. 피험자 모집이라는 병목을 줄이면서도 인간을 설명하는 연구의 접점을 놓치지 않는 길입니다.
이 글에서 소개한 원문
Sparks of In Silico Cognitive Science: Theories from Simulated Data Can Generalize to Humans
Akshay K. Jagadish, Younes Strittmatter, Nori Jacoby, Eric Schulz, Nathaniel Daw, Thomas L. Griffiths, Suyog H. Chandramouli (2026)
arXiv 사전공개 논문 · v1 · arXiv:2609.08003v1
연구 원문 보기 ↗