H3. 아바타 유무와 자기개방(Self-Disclosure)
아바타가 있는 챗봇은 텍스트 전용·음성 전용 챗봇보다 사용자의 자기개방 수준을 높일 것이다.
1. 가설 진술
H3. 동일한 LLM 백엔드를 사용한 챗봇이라도, 아바타형 > 음성형 > 텍스트형 순으로 사용자의 자기개방 깊이(depth)와 폭(breadth)이 증가할 것이다.
대안 가설 (Computers as Confessor): 텍스트형 챗봇은 익명성·비판단성 때문에 오히려 자기개방이 더 높을 수 있다(Lucas et al., 2014).
2. 이론적 배경
- Self-Disclosure Theory (Jourard, 1971): 자기개방은 신뢰·친밀감과 양의 상관
- CASA Paradigm: 인간은 봇에도 사회적 규범을 적용
- Computers as Confessor (Lucas et al., 2014): 봇이 인간 면접관보다 더 깊은 자기개방을 유도하는 역설적 효과
3. 변수
독립변수 (IV)
- 봇 모달리티: 텍스트 / 음성 / 아바타 — 3수준
종속변수 (DV)
- 자기개방 깊이 (응답의 주제 친밀도 코딩, 1–5점)
- 자기개방 폭 (다룬 주제 수)
- 응답 길이 (단어 수)
- 사후 친밀감 척도 (IOS Scale, Aron et al., 1992)
통제변수
- LLM 백엔드 동일 (Gemma 4.0)
- 동일한 프롬프트·질문 시나리오
- 대화 시간 동일 (15분)
4. 실험 설계
- 설계: Between-subjects, 3-group RCT
- 시나리오: 가벼운 자기소개 → 점진적으로 깊은 주제 (스트레스, 고민, 가치관)
- 응답 코딩: 두 명의 평정자가 독립 코딩 (Cohen’s κ로 신뢰도 확인)
5. 표본 및 측정
- 표본: N ≈ 150 (집단당 50명)
- 모집: 대학생 + 일반 성인
- 측정:
- 자기개방 코딩 매뉴얼 (자체 개발 또는 Altman & Taylor 기반)
- IOS Scale (Inclusion of Other in Self)
- 사후 자기보고 (얼마나 솔직했는가)
6. 분석 방법
- One-way ANOVA + Tukey HSD
- 자기개방 깊이는 multilevel model (참가자 내 주제 변화)
- 텍스트 분석: 응답 텍스트의 감정·구체성 점수 (LIWC 한국어판)
7. 예상 결과 및 함의
예상 결과
시나리오 1 (사회적 존재감 효과): 아바타 > 음성 > 텍스트 시나리오 2 (익명성 효과): 텍스트 > 음성 > 아바타
→ 어느 쪽이든 publishable: 결과 자체가 흥미로운 발견
함의
- 디지털 상담·심리치료 봇 설계 가이드
- 면접·HR 봇에서 어떤 모달리티가 후보자의 진솔성을 끌어내는가
8. 활용 인프라
- 텍스트: https://cha-interview-bot.vercel.app/
- 음성: 위 봇의 음성 모드 (또는 TTS 추가)
- 아바타: https://cha-interview-bot-liveavatar-my.vercel.app/
9. 참고문헌
- Jourard, S. M. (1971). Self-Disclosure: An Experimental Analysis of the Transparent Self. Wiley.
- Lucas, G. M., Gratch, J., King, A., & Morency, L. P. (2014). It’s only a computer: Virtual humans increase willingness to disclose. Computers in Human Behavior, 37, 94–100.
| *Status: Planning | Priority: ⭐⭐ | Estimated duration: 4 months* |