Think-Aloud Reshapes Automated Cognitive Model Discovery Beyond Behavior

요약

기존의 자동 인지 모델 발견은 행동 데이터에만 의존하여 모델이 불완전한(under-determined) 경우가 많았습니다. 본 연구는 '생각하는 과정'을 기록한 Think Aloud 데이터를 새로운 데이터 제약 조건으로 활용했습니다. 이 접근 방식은 위험 결정 분야에서 예측 성능을 크게 향상시켰으며, 발견된 인지 모델의 구조를 행동 기반 모델과 다른 방식으로 체계적으로 변화시키는 것을 보여주었습니다.

핵심 포인트

• 기존 LLM 기반 인지 모델 발견은 오직 행동 데이터에만 의존하여 불완전성을 가질 수 있습니다.
• 'Think Aloud' 데이터를 추가적인 데이터 제약 조건으로 활용하는 것이 자동 모델 발견의 핵심입니다.
• 이 방법론은 위험 결정과 같은 영역에서 모델의 예측 성능을 현저히 개선합니다.
• 생각 과정(process-level language data)은 단순히 모델 적합도를 높이는 것을 넘어, 인지 모델 자체의 구조를 근본적으로 변화시킬 수 있습니다.