Prompt Analytics - 대화 분석 네 가지 기준

1 대화 분석 네 가지 기준

사회학 분야에서 발전한 Conversation Analysis에서는 대화를 네 가지 차원에서 분석한다.

• Trun: 턴 테이킹(Turn-taking)
  • CA의 창시자인 Harvey Sacks, Emanuel Schegloff, Gail Jefferson 등이 정립한 가장 기본적인 개념
  • 대화 참여자가 발언권을 주고받는 방식을 분석
• Structure: 인접 쌍(Adjacency Pair) 및 선호/비선호 구조
  • 선호 구조(Preferred Structure)와 비선호 구조(Dispreferred Structure)는 CA에서 ‘질문-답변’, ’요청-승낙/거절’과 같은 인접 쌍(Adjacency Pair)의 응답 패턴을 분석하는 데 사용되는 표준 용어
• Action (행위)
  • 언어 철학자인 J.L. Austin과 John Searle이 발전시킨 화행론(Speech Act Theory)에 기반을 두고 있다.
  • 화행론은 “언어는 단순히 정보를 전달하는 것이 아니라, 특정 행위(요청, 약속, 질문 등)를 수행하는 것”이라고 주장
  • NLP 및 대화형 AI 분야에서는 이 화행을 대화 행위 유형(Dialogue Act Type)으로 분류하여, 사용자의 의도(Intent)를 파악하는 기초로 활용
• Stance (화자 태도)
  • Stance (입장) 분석은 담화 분석(Discourse Analysis)의 한 분야로, 화자가 주제나 청자에 대해 취하는 평가적, 감정적, 또는 인식적(Epistemic) 태도를 분석
  • 제시된 감정적 태도(Affective Stance)와 비감정적 태도(Epistemic Stance)는 태도 분석에서 사용하는 표준적인 구분법
  • 이는 AI가 사용자의 감정을 파악(Sentiment Analysis)하고 답변의 확실성 수준을 조정(예: “아마도” 또는 “확실하게”)하는 데 필수적인 요소로 간주

1.1 Turn (턴): 대화 범위

• 대화가 단일 교환인지 연속적 교환인지 구분한다.
  
• 맥락 관리(Context Management) 전략 수립
  • 싱글턴은 스테이트리스(과거의 상태나 정보를 전혀 기억하지 않는’ 통신 방식이나 서버의 작동 방식)
  • 멀티턴은 메모리 관리 필요

1.1.1 싱글턴 (Singleton)

• 한 번의 질문-답변으로 완결되는 대화
  • 독립적 발화
    
  • 맥락 의존도 낮음
    
  • 명확한 종료점
    
• 싱글턴으로 프롬프트 설계한다면?:
  • 모든 정보를 첫 질문에 포함
    
  • 명확하고 구체적인 요청
    
  • 후속 맥락 기대 안 함
    
• 싱글턴의 특징:
  • 완결성: 한 번의 질문으로 답 완성
    
  • 독립성: 이전 대화 맥락 불필요
    
  • 명확성: 질문 의도가 분명
    
  • 효율성: 빠른 답변, 즉시 종료
    
• 싱글턴에 적합한 요청:
  • 사실 확인 (“수도는?”, “가격은?”)
    
  • 간단한 정의 (“~가 뭐야?”)
    
  • 계산 (“몇 %야?”, “며칠 차이야?”)
    
  • 번역 (“이거 영어로 뭐야?”)

구체적 예시: 독립적인 단일 요청들

Example 1: 사실 확인

사용자: "2024년 노벨 물리학상 수상자는 누구야?"

AI: "2024년 노벨 물리학상은 Geoffrey Hinton과 John Hopfield가 수상했습니다.
두 분은 인공신경망의 기초 연구로 수상했으며,
특히 기계학습의 기반이 되는 Hopfield 네트워크와 
Boltzmann 머신 개발에 기여했습니다."

[대화 종료 - 후속 질문 없음]

Example 2: 정의 요청

사용자: "REST API가 뭐야?"

AI: "REST API는 Representational State Transfer API의 약자로,
웹에서 시스템 간 데이터를 주고받기 위한 아키텍처 스타일입니다.

핵심 특징:
- HTTP 메서드 사용 (GET, POST, PUT, DELETE)
- 무상태성 (Stateless): 각 요청은 독립적
- 자원 중심 설계: URL로 자원 표현

예시:
GET /users/123 → 사용자 정보 조회
POST /users → 새 사용자 생성
DELETE /users/123 → 사용자 삭제"

[대화 종료]

1.1.2 멀티턴 (Multi-turn)

• 여러 차례 이어지는 대화
  • 맥락 의존적
    
  • 점진적 구체화
    
  • 복잡한 문제 해결에 적합
    
• 프롬프트 설계 시사점:
  • 초기 질문은 넓게, 점진적으로 좁혀가기
    
  • 이전 답변 참조 활용
    
  • 대화 흐름 유지
    
• 구체적 예시: 점진적으로 발전하는 복잡한 대화

멀티턴의 특징:
- 맥락 누적: 각 턴마다 이전 정보 활용
- 점진적 구체화: 넓은 → 좁은 질문
- 유기적 발전: 대화 흐름에 따라 자연스럽게 확장
- 복잡한 문제 해결: 단계별 접근

멀티턴에 적합한 요청:
- 복잡한 구현 (여러 단계 필요)
- 학습 목적 (개념 → 적용 → 심화)
- 문제 해결 (현상 → 원인 → 해결)
- 기획/설계 (요구사항 → 구조 → 세부사항)

[Turn 1: 넓은 질문으로 시작]
사용자: "파이썬으로 웹 크롤링 하는 방법 알려줘"

AI: "파이썬 웹 크롤링은 주로 requests와 BeautifulSoup을 사용합니다.

기본 예제:

import requests
from bs4 import BeautifulSoup
(code 중략)

정적 페이지에 적합한 방법입니다. 동적 페이지가 필요하신가요?"

[Turn 2: 요구사항 추가 - 맥락 활용]
사용자: "거기에 동적 페이지 크롤링도 추가해줘"

AI: "동적 페이지는 Selenium을 사용해야 합니다.
위 코드를 확장하겠습니다:

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
from bs4 import BeautifulSoup

(code 중략)

이제 JavaScript로 로드되는 콘텐츠도 크롤링할 수 있습니다!"

[Turn 3: 새로운 요구사항 - 누적 맥락]
사용자: "이걸 AWS Lambda에서 실행하려면?"

AI: "AWS Lambda에서 실행하려면 몇 가지 수정이 필요합니다:

**1. Selenium을 serverless 환경에 맞게 변경**

import json
import boto3
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
from bs4 import BeautifulSoup

**2. 필요한 Lambda Layer 추가**
- Selenium Python 패키지
- Headless Chromium 바이너리
- ChromeDriver

**3. Lambda 설정**
- 메모리: 최소 1024MB
- 타임아웃: 30초 이상
- /tmp 디렉토리 사용

(code 중략)

이렇게 하면 서버리스 환경에서 웹 크롤링이 가능합니다!"

[Turn 4: 세부 구현 질문]
사용자: "Lambda Layer는 어떻게 만들어?"

AI: "Lambda Layer 생성 방법을 단계별로 설명드리겠습니다:

**방법 1: 기존 공개 Layer 사용 (권장)**

# ARN 형태로 Lambda에 추가
arn:aws:lambda:us-east-1:764866452798:layer:chrome-aws-lambda:31


**방법 2: 직접 생성**

1. 로컬에서 패키지 준비: (code 생략)

2. AWS CLI로 업로드: (code 생략)

3. Lambda 함수에 연결: (code 생략)

이제 Layer가 준비되었습니다!"

1.2 Action (행위): 대화 목적

• 사용자가 AI에게 요청하는 행위의 유형을 구분한다.
  
• 사용자 의도 파악(Intent Recognition) 및 적절한 AI 기능(Tool, Retrieval 등) 연결

1.2.1 정보 검색 유형 (Information Seeking)

• 사실, 정의, 설명 등 정보를 얻는 것이 목적
  
• 하위 유형:
  • 사실 확인: “비트코인의 현재 가격은?”
    
  • 정의 요청: “양자 컴퓨팅이 뭐야?”
    
  • 설명 요청: “딥러닝의 작동 원리를 설명해줘”
    
  • 비교 요청: “React와 Vue의 차이점은?”
    
• 특징
  • 객관적 답변 기대
    
  • 정확성 중시
    
  • 검증 가능성

1.2.2 다른 행위 유형 (Other Action Types)

1. 생성 요청 (Generation)

사용자가 새로운 콘텐츠나 코드를 만들어달라고 요청하는 경우

[Example 1: 코드 생성]
사용자: "파이썬으로 피보나치 수열 첫 20개 생성하는 코드 작성해줘"

AI: "재귀와 반복문 두 가지 방법을 보여드리겠습니다:

**방법 1: 반복문 (효율적)**

def fibonacci_iterative(n):
    fib_sequence = []
    a, b = 0, 1
    for _ in range(n):
        fib_sequence.append(a)
        a, b = b, a + b
    return fib_sequence

# 첫 20개 생성
result = fibonacci_iterative(20)
print(result)
# [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, ...]


**방법 2: 재귀 (교육용)**

def fibonacci_recursive(n, memo={}):
    if n in memo:
        return memo[n]
    if n <= 1:
        return n
    memo[n] = fibonacci_recursive(n-1, memo) + fibonacci_recursive(n-2, memo)
    return memo[n]

# 첫 20개 생성
result = [fibonacci_recursive(i) for i in range(20)]
print(result)

반복문 방식이 시간복잡도 O(n)으로 더 효율적입니다!"

2. 변환 요청 (Transformation)

• 기존 데이터를 다른 형식으로 바꿔달라는 요청

[Example 2: 데이터 형식 변환]
사용자: "이 JSON 데이터를 CSV로 변환해줘

[
  {"name": "Alice", "age": 30, "city": "Seoul"},
  {"name": "Bob", "age": 25, "city": "Busan"},
  {"name": "Charlie", "age": 35, "city": "Incheon"}
]

AI: "Python pandas를 사용한 변환 방법입니다:

import pandas as pd
import json

(중략)

**결과 (output.csv):**

name,age,city
Alice,30,Seoul
Bob,25,Busan
Charlie,35,Incheon

행위 유형별 특징 요약:

유형	목적	AI 요구역량	검증 기준
정보검색	지식 전달	정확성, 최신성	사실 확인 가능
생성	콘텐츠 창조	구문 이해, 코드 생성	실행 가능성
변환	형식 변경	데이터 처리	결과 정합성
분석	인사이트 도출	패턴 인식, 추론	논리적 타당성
조언	의사결정 지원	경험 종합, 맥락 이해	실용성
창작	예술 표현	창의성, 일관성	감동, 몰입

1.3 Structure (구조)

• 응답 패턴
  • AI가 사용자 요청에 응답하는 구조적 패턴을 분석한다.
    
  • 안전성(Safety) 및 윤리 가이드라인 설계 (비선호 구조를 통한 거절 패턴 구현)
    
  • 예시는 이전 블로그 참조

1.3.1 선호 구조 (Preferred Structure)

• 사회적으로 기대되고 자연스러운 응답 패턴
  • 직접적 응답
    
  • 지연 없음
    
  • 명확한 수용
    
• 구조 분석:
  1. 질문 (정보 요청)
     
  2. 즉각적 답변 (직접 응답)
     
  3. 예시 제공 (보완)
• 선호 구조의 특징:
  • 즉시성: 질문 직후 바로 핵심 답변
    
  • 완결성: 추가 질문 없이도 이해 가능
    
  • 구조화: 논리적 순서 (정의 → 예시 → 비교)
    
  • 친절함: 초보자도 이해할 수 있는 설명

1.3.2 비선호 구조 (Dispreferred Structure)

• 회피, 거부, 지연을 포함하는 응답 패턴
  • 간접적 표현
    
  • 설명 또는 변명 선행
    
  • 대안 제시
    
• 구조 분석:
  1. 요청 (부적절한 정보 요청)
     
  2. 거부 표현 (“죄송하지만”)
     
  3. 이유 설명
     
  4. 대안 제시
     
• AI에서 비선호 구조가 나타나는 경우:
  • 윤리적 문제 (편향, 유해 콘텐츠)
    
  • 법적 제약 (저작권, 개인정보)
    
  • 능력 한계 (실시간 정보, 미래 예측)
    
  • 애매한 요청 (명확화 필요)
    
• 비선호 구조의 특징:
  • 완충 장치: 직접 거절 전 설명 제공
    
  • 정당화: 거절의 명확한 이유
    
  • 건설적 대안: “No”가 아닌 “Yes, but…”
    
  • 교육적: 왜 안 되는지, 어떻게 해야 하는지 안내

1.4 Stance (입장)

• 화자 태도: 통합 분석 프레임워크
• Stance는 화자가 주제, 청자, 또는 상호작용 자체에 대해 취하는 평가적·감정적·인식적 태도를 나타내며, 근본적으로는 상호작용 상대방과의 관계 설정 의도를 반영
• 핵심 축: 관계 설정 (Affiliation)
  • Stance를 이해하는 최우선 기준은 Affiliation의 유무. 이는 사용자가 AI를 어떤 존재로 인식하는지를 결정:

Affiliation 있음	Affiliation 없음
AI를 상호작용 대상으로 인식	AI를 도구로만 인식
관계 형성·유지 의도	순수 정보 교환 의도
감정 표현, 친근한 톤, 개인적 경험 공유	객관적이고 사실적인 요청

1.4.1 세부 분석 차원

1.4.1.1 감정적 태도 (Affective Stance)

• 주제나 상대방에 대해 표현되는 감정, 평가, 주관적 입장
• 표현 방식:
  • 평가 언어 (“훌륭한”, “최악의”, “놀랍게도”)
    
  • 감정 표현 (“유감스럽게도”, “고맙게도”)
    
  • 강조 표현 (“정말”, “매우”, “극도로”)
    
• AI 응답 설계:
  • 사용자의 감정 상태 인식
    
  • 공감적 표현으로 응답
    
  • 긍정적 재구성 시도

1.4.1.2 비감정적 태도 (Epistemic Stance)

• 주장의 확실성, 믿음의 강도, 인식적 태도
  
• 표현 방식:
  • 확실성 표시 (“분명히”, “아마도”, “가능성이 있다”)
    
  • 증거 제시 정도
    
  • 주장의 명확함 vs. 조건부성
    
• AI 응답 설계:
  
• 사용자의 확신 수준에 맞춘 답변 구성
  
• 확실성 정도를 명시적으로 표현 (“확실하게” vs. “아마도”)
  
• 근거의 강도와 불확실성 영역 명확화

1.4.2 Affiliation과의 관계

• 감정 표현 = Affiliation이 있다는 신호
  
• 감정적 태도를 보이는 것은 단순히 “감정을 드러내는 것”이 아니라, 사용자가 AI와의 관계를 형성하려는 의도를 나타낸다
  
• 반대로 비감정적·객관적 톤은 도구적 관계(Affiliation 없음)를 신호

1.4.2.1 사용자 Stance 분석 → AI 응답 조정

Case 1: Affiliation 있음 + 감정적 태도

사용자: "정말 답답해서요. 이 문제로 며칠을 고민했는데..."
→ AI: 공감 표현 + 관계 형성 톤 + 확실성 조정

Case 2: Affiliation 없음 + 비감정적 태도

사용자: "데이터셋 크기 1000개일 때 샘플링 방법 추천"
→ AI: 객관적 정보 + 근거 중심 + 확실성 명시

Case 3: 혼합 (감정 표현 + 정보 요청)

사용자: "이 방법이 정말 효과적일까요? 확실한 증거가 있나요?"
→ AI: 적절한 공감 + 증거 기반 답변 + 불확실성 명확화

1.4.3 세 계층 구조

Stance (화자 태도)
├─ Affiliation (근본층): 관계 설정 의도
│  ├─ 있음 → 상호작용 대상으로 인식
│  └─ 없음 → 도구로만 인식
│
└─ 표현 방식 (표면층)
   ├─ Affective Stance: 감정·평가 표현
   └─ Epistemic Stance: 확실성·인식적 태도

AI의 역할: 사용자의 Affiliation을 인식하되, 감정적·비감정적 태도 모두에 적절히 응답하여 관계 형성 의도를 존중하면서도 정보의 정확성과 확실성을 유지해야 한다.