# 핵심 요약 이 연구는 상대방이 신뢰를 철회한 것처럼 보일 때 피해를 입은 당사자가 보복 충동을 억제하고 협력을 유지하도록 짧은 인지 개입이 도울 수 있는지를 검증했다. 비임상 성인 318명이 trustee(수탁자)로서 인간 자료에 맞춰 학습된 hidden Markov model(HMM, 은닉 마르코프 모형) 기반 투자자와 두 번의 15라운드 Repeated Trust Game(RTG, 반복 신뢰 게임)을 수행했고, 두 게임 사이에 Dialectical Behaviour Therapy(DBT, 변증법적 행동치료)의 distress tolerance(고통 감내)와 opposite action(반대 행동) 원리에 착안한 개입 또는 애너그램 대조 과제를 받았다. 개입 후 참가자들은 대조군보다 더 높은 비율을 반환했으며, 특히 사전에 설정된 낮은 투자에서 대조군은 반환을 줄여 보복했지만 개입군은 반환 수준을 유지했다. 이 효과는 투자에 대한 자기보고 정서 반응이나 상대 투자자에 대한 평가 변화 없이 나타났고, 개입 후 반환 전략이 상대의 투자액에 덜 의존하는 방향으로 변했다. 참가자 반환을 6상태 HMM으로 분석한 결과 개입군은 낮은 투자 이후 최저 반환 상태에 고착될 가능성이 낮았으나 일부 참가자는 개입에 반응하지 않았다. 효과는 선택 구조가 다른 Repeated Prisoner’s Dilemma(RPD, 반복 죄수의 딜레마)로 전이되지 않았으며, 저자들은 이를 신뢰 위반 뒤의 협력 회복을 표적으로 한 명시적 인지 전략의 맥락 특이적 효과에 대한 개념증명 결과로 해석했다. # 협력 붕괴와 피해 당사자의 보복 조절이라는 연구 문제 협력은 집단의 성공과 사회적 조화에 필수적이며, 그 중심에는 상대방이 상황을 악용할 수 있음에도 상호 이익이 되는 방식으로 행동할 것이라는 trust(신뢰)가 있다. 신뢰는 단기적 자기이익이 장기적 공동이익을 압도할 수 있는 위험한 상호작용을 가능하게 하지만, 상호성이 한 번 실패하면 협력이 붕괴하고 양측 모두에게 불리한 결과가 지속될 수 있다. RTG에서는 investor(투자자)가 자신의 자원 일부를 trustee에게 보내고, 보낸 금액은 통상 3배가 된다. trustee는 이 금액을 자신과 투자자 사이에 다시 분배한다. 양측이 공동이익을 위해 행동하면 협력이 형성되지만, 한 차례의 비협력만으로도 협력이 깨질 수 있고 상호 이익이 되는 상황에서도 복구가 어렵다. 기존 연구는 제3자 집행, 감사 개념의 점화, 친구·적 점화처럼 초기 협력을 촉진하는 방법이나, 위반 당사자가 사과·약속·속죄를 통해 신뢰를 회복하는 방법에 주로 초점을 맞췄다. 반면 신뢰 위반을 경험한 사람이 장기적 협력이 더 유리한 상황에서 보복 충동을 어떻게 조절하는지는 상대적으로 덜 연구되었다. 본 연구는 RTG의 trustee 역할에 초점을 맞췄다. trustee는 불확실한 상황에서 먼저 신뢰를 제공하는 투자자와 달리, 이미 제공되거나 철회된 신뢰에 반응한다. 따라서 trustee의 결정은 상대에게 보복할지, 위반 이후 관계를 회복할지에 관한 reciprocity(상호성)의 문제다. 선행 연구에서는 특히 borderline personality disorder(BPD, 경계선 성격장애) 특성이 있는 trustee가 충분히 상호 보답하지 못하면서 신뢰가 약화되고, 높은 반환을 통해 자신의 신뢰성을 알리고 투자자를 다시 끌어들이는 coaxing(협력 유도) 행동도 적게 보이는 것으로 보고되었다. 이러한 협력 유도 행동은 투자자의 잠재적 신뢰 상태를 정확히 추론하는 능력과 관련되며, 예측하기 어려운 trustee 행동은 불신과 향후 협력 저하를 유발하는 반면 일관된 협력은 신뢰를 촉진한다. 저자들은 DBT의 원리를 이러한 문제에 적용했다. DBT의 distress-tolerance 기술은 부정적 정서를 경험하면서도 충동적으로 행동하지 않도록 돕고, opposite-action 기술은 정서가 유발한 행동 충동이 역효과를 낼 때 그 충동과 반대로 행동하도록 한다. 투자자가 낮은 금액을 보내 신뢰를 철회하면 trustee는 보복하고 싶어질 수 있지만, 실제 보복은 투자자의 신뢰를 더 낮춰 상호 협력이 계속 감소하는 악순환을 만들 수 있다. 이에 따라 저자들은 참가자에게 잠시 멈춰 보복의 장기적 결과와 대안적 반응을 숙고하도록 하면 협력 붕괴의 순환을 차단할 수 있다고 보았다. 핵심 가설은 장기적 결과를 성찰하고 비충동적으로 반응하도록 촉진하는 짧은 다요소 인지 개입이, 상대의 비협력으로 지각되는 낮은 투자 이후에도 더 회복력 있는 협력을 유도한다는 것이었다. 연구의 세 가지 기여점은 다음과 같이 제시되었다. 첫째, 신뢰 회복에서 위반자가 아니라 피해 당사자가 보복을 조절하는 과정을 다뤘다. 둘째, 인간 투자자 자료로 학습되어 잠재적 신뢰 상태에 따라 확률적·적응적으로 행동하는 HMM 기반 컴퓨터 행위자를 도입함으로써 행동적 현실성과 실험 통제를 결합했다. 셋째, 평균 반환량뿐 아니라 참가자 자신의 반환 시계열을 HMM으로 분석해 낮은 협력 상태에 고착되는 개인차를 조사했다. # 무작위 대조 온라인 실험의 설계와 참가자 실험은 Condition(Intervention, Control) × Game(개입 전 RTG, 개입 후 RTG)의 2 × 2 혼합 설계였으며, Game은 반복측정 요인이었다. 절차는 고정된 순서로 진행되었다. 1. RTG 1단계: trustee로 15라운드 2. 인지 개입 또는 활성 대조 조작 3. RTG 2단계: trustee로 15라운드 4. RPD: 7라운드 5. 게임 후 설문 Prolific Academic에서 총 320명을 모집했으며 연구는 사전등록되지 않았다. 불완전한 RTG 기록이 있는 2명을 제외해 최종 분석 표본은 318명이었고, 두 조건에 각각 159명씩 무작위 배정되었다. 평균 연령은 31.3세(SD = 9.9)였다. 참가자는 고정 보수 £5와 수행에 따른 평균 £0.71의 보너스를 받았다. 표본 크기는 G*Power를 이용한 사전 검정력 분석으로 정했다. 검정력 .80, α = .05에서 2 × 2 혼합 ANOVA의 작은 within-between interaction(Cohen’s f = 0.10), 즉 개입 후 게임 전반의 반환에 대한 Condition × Game 상호작용을 탐지하도록 설정했다. 이 상호작용이 주된 확인적 검정이었다. 사전에 설정한 낮은 투자 주변의 event-study(사건연구), 참가자 HMM 상태 분석, 정서 자기보고, 투자자 평가, RPD 전이, 상대가 인간이라고 믿었는지에 따른 하위집단 분석은 별도로 검정력을 산정하지 않은 이차 분석이었다. # HMM 기반 투자자와 두 번의 Repeated Trust Game 참가자는 두 개의 독립된 15라운드 RTG에서 모두 trustee 역할을 맡았다. 매 라운드 컴퓨터로 구현된 투자자는 20단위를 부여받고 그중 0–20단위를 투자했다. 투자액은 3배가 되었으며, 참가자는 이 금액 중 투자자에게 돌려줄 양과 자신이 보유할 양을 결정했다. 받은 금액의 3분의 1보다 많이 반환하면 투자자에게 순이익이 발생했다. 투자액을 본 직후 참가자는 표지가 있는 2차원 격자를 클릭해 라운드별 평가를 했다. 개입군은 emotion(정서)을 valence(정서가) 축의 부정적–긍정적 차원과 arousal(각성) 축의 낮음–높음 차원에서 평가했다. 대조군은 정서가 아니라 투자 자체를 느림–빠름 및 낮음–높음 차원에서 평가했다. 두 조건 모두 매 라운드 동일한 형태의 격자 과제를 수행했지만 평가 대상은 달랐다. 이 라운드별 측정은 각 게임이 끝난 뒤 시행한 투자자에 대한 네 가지 평가와 구분되었다. 컴퓨터 투자자는 동일 상대와 10라운드 RTG를 수행한 실제 인간 투자자 자료에 3상태 HMM을 적합해 구성했다. 각 잠재 상태는 0–20 범위 투자액에 대한 상태 조건부 확률분포를 가졌고 각각 low-trust, medium-trust, high-trust 상태를 반영했다. 라운드 사이의 상태 전이 확률은 직전 라운드의 net return, 즉 반환액에서 투자액을 뺀 값의 함수였다. 따라서 이 행위자는 고정된 전략을 쓰지 않고 참가자의 반환에 적응하면서 확률적으로 투자했다. 각 게임은 medium-trust 상태에서 시작했다. 신뢰 회복에 대한 반응을 정밀하게 조사하기 위해 투자자는 개입 전 게임의 12라운드와 개입 후 게임의 13라운드에 사전에 설정된 낮은 투자를 보냈다. 다른 라운드의 투자액은 현재 잠재 상태의 분포에서 추출되었고, 직전 순반환에 따라 상태가 전이되었다. 단, 강제로 낮은 투자를 보낸 직후 라운드의 상태 전이는 예외였다. 낮은 투자는 행위자 자체의 잠재 상태에서 나온 것이 아니므로 그 라운드의 순반환을 상태 갱신에 사용하지 않았다. 이에 따라 실험적으로 삽입한 낮은 투자가 이후 행위자의 행동을 인위적으로 왜곡하지 않도록 했다. Figure 1B–C는 인간 자료에서 추정한 각 잠재 신뢰 상태의 투자 분포와 순반환에 따른 상태 전이 확률을 제시했다. 게임 시작 전 참가자에게는 인간 상대와 상호작용한다고 안내했다. 각 게임 안에서는 같은 상대와 계속 상호작용하지만 첫 번째 RTG, 두 번째 RTG, RPD 사이에는 상대가 바뀐다고 설명했다. 모든 조건에서 세 단계 전체의 총점을 최대화하라고 지시했고, 단계 수와 상대 배치에 대한 이해도 검사를 통과하게 했다. 각 단계의 정확한 라운드 수는 알려주지 않았다. 첫 RTG의 상세 지시 후에는 가상 교환에서 자신과 상대방의 보수를 정확히 이해하는지 추가 검사했다. 각 15라운드 게임 후 참가자는 투자자를 cooperativeness, selfishness, trustworthiness, friendliness의 네 차원에서 각각 1–10점으로 평가했다. # DBT 원리 기반 개입과 활성 대조 조건 개입은 DBT의 distress-tolerance와 emotion-regulation 모듈 가운데, 역효과를 내는 정서적 충동과 반대로 행동하는 opposite-action 기술에서 착안했다. 다만 실제 mindfulness 훈련이나 완전한 정서조절 기술 연습은 시행하지 않았고, 장기적 결과에 관한 짧은 심리교육 형식으로 전달했다. 개입군은 먼저 낮은 투자를 받은 가상 상황에서 어떻게 반응할지 답했다. 이어 게임에서 보상을 최대화한다는 목표를 고려하고 낮은 투자를 처벌하는 것이 그 목표에 실제로 도움이 되는지를 숙고하게 하는 교육용 슬라이드를 보았다. 처벌은 상대가 참가자를 더 불신하게 만들어 부정적 피드백 고리를 형성할 수 있다는 설명과 함께, 위반에 친절하게 반응해 투자자의 신뢰를 얻는 대안적 행동이 제시되었다. 참가자는 이 정보가 가상 상황에서 자신의 행동을 바꿀지 여부와 그 이유를 자유롭게 기술했다. 자유응답은 고정된 코드북을 사용해 Claude Opus 4.7이 서로 독립적인 두 번의 패스로 코딩했으며 두 번째 패스는 첫 결과에 맹검되었다. 두 코딩의 일치는 Cohen’s κ = .90, 단순 일치율 95.6%였고, 불일치는 공동저자가 판정했다. 후속 결과에서 약 3분의 1은 협력 방향으로 행동을 바꾸겠다고 선언했으며, 이러한 선언은 실제 낮은 투자 주변 구간에서의 개입 전–후 반환 변화와 관련되었다. 활성 대조군은 과제 수행 시간을 맞추기 위해 ‘listen’, ‘triangle’, ‘deductions’, ‘players’, ‘care’의 다섯 단어에 대한 애너그램을 자유입력 상자에서 풀었다. 저자들은 이 설계가 opposite-action 프레이밍과 명시적 심리교육 지시의 효과를 서로 분리할 수 없다고 명시했다. # 전이 검사용 Repeated Prisoner’s Dilemma와 개인차 설문 개입 효과가 다른 사회적 게임으로 전이되는지 확인하기 위해 모든 참가자는 7라운드 RPD를 수행했다. 매 라운드 참가자가 협력을 선택하면 상대도 협력할 때 5, 상대가 배신할 때 1을 받았다. 참가자가 배신을 선택하면 상대가 협력할 때 7, 상대도 배신할 때 2를 받았다. 단일 라운드 Nash equilibrium은 비협력이지만 반복 게임에서는 양측이 협력함으로써 보상을 최대화할 수 있다. 컴퓨터 상대는 첫 라운드에 협력한 뒤 참가자의 직전 선택을 그대로 따라 하는 tit-for-tat 전략을 사용했다. 단, 4라운드에는 참가자의 직전 행동과 무관하게 배신하도록 설정했다. RTG에서는 투자자의 행동을 먼저 본 trustee가 순차적으로 반응하지만, RPD에서는 양측이 동시에 선택한다는 구조적 차이가 있었다. 게임 후에는 BPD 특성을 평가하는 PAI-BOR, emotion regulation(정서조절) 어려움을 평가하는 DERS, mentalising(정신화) 또는 reflective functioning(성찰 기능)을 평가하는 RFQ-8을 시행했다. 선행 BPD 문헌에 근거해 저자들은 높은 BPD 특성, 큰 정서조절 어려움, 낮은 정신화가 개입의 행동 효과를 약화시키거나 낮은 투자에 대한 정서 반응을 강화할 수 있다는 방향성 있는 사전 기대를 가졌지만, 연구 자체는 사전등록되지 않았다. 마지막으로 게임 전략과 상대가 인간인지 컴퓨터인지에 대한 믿음을 질문한 뒤 디브리핑했다. # 통계 분석과 참가자 반환 HMM 분석은 다섯 단계로 구성되었다. 첫째, 낮은 투자 전후에 개입이 반응을 바꿨는지 event-study로 검정했다. 낮은 투자 시점을 t로 놓고 t−2, t−1, t, t+1, t+2의 상대 시간을 범주형 요인으로 사용해 percentage return(3배가 된 투자액 중 투자자에게 반환한 비율)을 Condition 및 Game과 상호작용시키고 실제 투자액을 통제했다. 둘째, 개입 효과가 개입 후 게임 전체로 확장되는지 선형 혼합효과모형으로 분석했다. 고정효과에는 Condition × Game × Investment의 모든 주효과와 상호작용, Round, 사전 설정 낮은 투자 여부가 포함되었다. 참가자별 무작위 절편과 Game 및 Investment의 무작위 기울기를 포함해 R 표기식으로는 `Return ~ Condition * Game * Investment + Round + LowInvestment + (1 + Game + Investment | participant)`였다. afex를 사용하고 Kenward–Roger 자유도를 적용했으며 사후 쌍대비교에는 Tukey HSD를 사용했다. Investment는 상호작용이 있는 모형의 저차 효과를 해석하기 쉽도록 z 변환했다. 반환 비율이 투자액에 따라 변하는 기울기를 reciprocity slope(상호성 기울기)로 정의했다. 기울기가 가파르면 투자자가 많이 투자할 때만 더 많이 돌려주는 강한 조건적 협력을, 평평하면 상대의 투자액에 덜 좌우되는 비조건적 협력을 의미했다. Investment × Condition 및 Investment × Condition × Game 항으로 개입이 이 기울기를 바꿨는지 검정했다. 반환 비율은 0–1 사이이고 왼쪽으로 치우쳐 있으며 약 6%의 시행에서 반환이 0이었지만, 해석의 용이성과 신뢰 게임 문헌의 관행에 따라 Gaussian 선형 혼합모형을 주 분석으로 사용했다. 3배가 된 투자액 중 반환한 단위 수를 이항 자료로 취급한 binomial mixed model에서도 핵심 Condition × Game과 Condition × Game × Investment 상호작용은 같은 방향으로 유의했다. 셋째, 개입이 정서 반응, 상대에 대한 사회적 평가, 또는 행동 전략 중 어느 수준에서 작용했는지 분석했다. 개입군의 valence와 arousal에는 Game, z 변환 Investment 및 그 상호작용을 고정효과로, 참가자별 절편과 Game 기울기를 무작위효과로 사용했다. 네 가지 투자자 평가에는 Game과 Condition을 고정효과로, 참가자 절편을 무작위효과로 사용했다. 넷째, RPD에서 협력 선택 확률을 Condition과 사전 설정 배신 전·후 시기의 함수로 예측하는 혼합효과 로지스틱 회귀를 수행하고 참가자별 무작위 절편을 포함했다. 다섯째, 참가자의 반환 시계열에 HMM을 적합했다. 각 잠재 상태는 하나의 return policy(반환 정책)로서 상태별 평균 μ와 표준편차 σ를 갖는 Gaussian 분포로 표현되었으며, 현재 투자액에서 실제로 가능한 반환 비율에 맞춰 이산화하고 정규화했다. 상태 전이는 현재 투자액과 Condition–Game 대비코드의 다항 로지스틱 함수로 모형화했다. 비교한 모형은 네 Condition × Game 조합의 전이가 모두 다른 HMM-full, 개입군의 개입 후 전이만 나머지 세 조합과 다른 HMM-coax, 대조군의 개입 후 전이만 다른 HMM-ctrl, 첫째와 둘째 게임만 다른 HMM-prepost, 투자액만 포함하고 Condition·Game 차이가 없는 HMM-inv였다. HMM-full에서 2–7개 상태를 최대우도 EM 알고리즘으로 추정하고 Bayesian Information Criterion(BIC)으로 상태 수를 선택한 결과 6상태가 선택되었다. 상태는 추정 후 평균 반환이 낮은 순서대로 1–6으로 명명했다. # 낮은 투자에서 나타난 보복 억제 효과 개입 후 두 조건은 사전에 설정한 낮은 투자에 대한 반응에서 뚜렷하게 갈라졌다. 이 투자액은 2단위였고, 직전 투자 평균 11.4보다 약 82% 낮았다. 낮은 투자가 제시된 시행에서 시뮬레이션 투자자는 단지 21%만 low-trust 상태에 있었고 대체로 medium- 또는 high-trust 상태였으므로, 이 투자는 행위자 자체의 일반적 성향에 반하는 신뢰 위반으로 기능했다. 참가자의 반환은 최근 투자와 비교한 편차보다는 받은 투자액의 절대 크기를 따라갔으며, 최근 라운드 대비 편차는 추가적인 예측력을 제공하지 않았다. 개입 후 게임의 낮은 투자 라운드에서 개입군은 대조군보다 0.13 더 높은 비율을 반환했다(z = 5.21, p < .001). 집단 차이는 한 라운드 뒤(p = .036)와 두 라운드 뒤(p = .008)에도 지속되었다. 개입 전 게임에서는 낮은 투자 전후 어느 시점에서도 조건 차이가 없었다(모든 p > .58). 낮은 투자 라운드에서 개입 전–후 변화의 방향은 두 조건에서 반대였다. 개입군은 반환 비율을 0.09 높였고(p < .001), 대조군은 0.04 낮췄다(p = .015). 이 구간의 Condition × Game 상호작용은 F(1, 1547.5) = 21.03, p < .001이었다. 저자들은 대조군 trustee가 투자자가 신뢰를 철회했을 때 보복한 반면, 개입군은 보복하지 않았다고 해석했다. 개인 수준의 라운드별 변화에서도 낮은 투자 주변에서 개입 후–전 반환 변화가 두 조건 사이에 갈라졌다. 저자들은 낮은 투자 라운드와 그 이후 라운드의 평균 반환이 30% 미만인 참가자를 retaliator(보복자)로 정의했다. 대조군에서 보복자 비율은 개입 전 20.8%에서 개입 후 36.5%로 증가했다(McNemar χ²(1) = 14.05, p < .001). 개입군에서는 17.0%에서 20.1%로 소폭 변했지만 유의하지 않았다(p = .51). 이 결과는 30% 기준에만 의존하지 않았다. 25%, 30%, 35% 기준 모두 대조군의 증가가 유의했고(각각 McNemar p < .001), 개입군은 어느 기준에서도 변하지 않았다(모든 p > .29). # 개입 후 게임 전반으로 확장된 반환 증가 효과는 낮은 투자 시행에만 국한되지 않고 개입 후 RTG 전체에서 나타났다. 개입군은 전반적으로 더 높은 비율을 반환했다는 Condition 주효과가 있었고, F(1, 316.08) = 8.41, p = .004였다. 두 집단의 차이는 개입 전보다 개입 후에 더 컸으며 Condition × Game 상호작용은 F(1, 316.08) = 23.40, p < .001이었다. 이것이 연구가 사전 검정력을 산정한 주된 확인적 검정이다. 개입군은 첫 번째 게임에서 두 번째 게임으로 반환 비율이 0.03 증가했다(95% CI [0.02, 0.05], t(313.85) = 4.64, p < .001). 대조군은 0.01 감소했다(95% CI [−0.03, 0.00], t(319.32) = −2.07, p = .039). 개입 전에는 두 조건이 같았지만(t(316.29) = 1.02, p = .307), 개입 후에는 유의하게 달랐다(t(316.05) = 4.26, p < .001). 개입 전 투자액은 자원액의 약 40–60%, 반환은 받은 금액의 약 35–50%로 기존 신뢰 게임 연구의 범위 안에 있었다. 두 집단 모두 투자액이 클수록 반환 비율이 높았다(F(1, 337.35) = 41.05, p < .001). 반환은 라운드가 진행될수록 감소했고(F(1, 8632.78) = 106.01, p < .001), 사전에 설정한 낮은 투자 라운드 자체에서도 더 낮았다(F(1, 8628.87) = 21.82, p < .001; 보고된 모형 대비 ΔM = 0.03, 95% CI [0.02, 0.04], z = 4.67, p < .001). 고찰에서 저자들은 개입군의 반환이 대조군에 비해 약 6%포인트, 41.4%에서 47.4%로 증가했다고 정리했다. 이는 상대적으로 14.5% 증가한 값이며, 전형적인 RTG 반환 기준인 35–50% 범위에서 발생했다. 저자들이 인용한 기존 신뢰 게임의 소통 효과와 비교하면 숫자만 제한적으로 교환한 소통의 4%포인트 증가보다는 크고, 채팅과 숫자 교환을 모두 허용한 완전한 소통의 11%포인트 증가보다는 작았다. # 성격·정서조절·정신화 특성과 행동 효과의 관계 PAI-BOR, DERS, RFQ-8 점수와 Condition, Game, Investment의 상호작용을 반환 모형에 추가해도 핵심 Condition × Game 효과는 본질적으로 변하지 않았다. PAI-BOR와 DERS는 반환 모형에서 유의한 특성 상호작용을 보이지 않았다. RFQ-8 모형에서는 RFQ-8 × Game × Condition 및 RFQ-8 × Condition × Investment의 두 이차 상호작용이 유의했지만, RFQ-8 × Game × Condition × Investment의 4원 상호작용은 유의하지 않았다. 저자들은 이 특성 모형이 탐색적이고 다중검정 보정이 없었으므로, RFQ-8 결과를 개입 효과의 신뢰할 만한 조절 근거가 아니라 가설 생성적 결과로 취급했다. 투자자를 이기적이라고 지각할수록 반환이 낮아지는 관계는 전체 표본에서 유의했다(F(1, 513.4) = 15.54, p < .001). 그러나 이 관계는 PAI-BOR, DERS, RFQ-8 어느 척도에도 의해 조절되지 않았다. 설문 점수들은 낮은 투자 후 누가 보복 전략을 채택할지도 예측하지 못했다. 개입군의 라운드별 정서에서는 투자액과 valence 또는 arousal의 관계가 PAI-BOR와 DERS에 의해 게임에 따라 조절되는 탐색적 패턴이 있었다. 그러나 정서 평가는 개입군에서만 시행되어 대조군과 비교할 수 없었고, 저자들은 이를 개입 효과의 기제로 해석하지 않았다. # 정서나 상대 평가가 아니라 반환 전략에서 나타난 변화 저자들은 Figure 3B에서 투자액이 상대에 대한 잠재적 appraisal(평가)과 정서 반응을 거쳐 행동으로 이어질 수 있다는 개념적 과정을 제시했지만, 이는 측정된 매개모형이 아니었다. 정서는 개입군에서 매 라운드 측정했고 상대 평가는 게임이 끝난 뒤 한 번씩 측정했다. ## 정서 반응 개입군에서 높은 투자액은 더 긍정적인 정서가(F(1, 3448.17) = 2108.08, p < .001)와 더 높은 각성(F(1, 3453.24) = 1505.03, p < .001)을 유발했다. 첫 게임에서 두 번째 게임으로 갈수록 전반적인 valence는 낮아졌고(F(1, 117.20) = 17.99, p < .001), arousal도 낮아졌다(F(1, 117.19) = 5.52, p = .021). 그러나 투자액에 따른 정서 반응의 기울기는 조작 전후에 변하지 않았다. Investment × Game 상호작용은 valence에서 F(1, 3419.70) = 1.49, p = .222, arousal에서 F(1, 3409.69) = 0.12, p = .726이었다. 게임 내 라운드를 공변량으로 추가해도 결과는 같았다(valence F(1, 3422.41) = 0.81, p = .367; arousal F(1, 3410.09) = 0.03, p = .864). 즉, 참가자들이 투자자의 행동에 느낀 정서 반응은 유지되었지만 반환 행동은 증가했다. 저자들은 두 번째 게임의 전반적인 정서 긍정성과 각성 감소를 실험 진행에 따른 참여도 저하나 피로와 같은 요인의 가능성으로 설명했다. ## 상대 투자자에 대한 평가 두 번째 게임의 투자자는 조건과 무관하게 첫 번째 투자자보다 덜 협력적으로 평가되었다(ΔM = −0.42, 95% CI [−0.69, −0.15], t(317) = −3.10, p = .002). 또한 덜 신뢰할 수 있고(ΔM = −0.43, 95% CI [−0.70, −0.16], t(317) = −3.19, p = .002), 덜 친절하며(ΔM = −0.40, 95% CI [−0.64, −0.17], t(317) = −3.36, p < .001), 더 이기적인 것으로 평가되었다(ΔM = 0.36, 95% CI [0.10, 0.61], t(317) = 2.76, p = .006). 조건의 전반적 차이로 개입군은 투자자를 더 협력적이라고 평가했고(ΔM = 0.44, 95% CI [0.04, 0.84], t(317) = 2.16, p = .031), 덜 이기적이라고 평가했다(ΔM = −0.41, 95% CI [−0.80, −0.02], t(317) = −2.04, p = .042). 그러나 네 평가 중 어느 것도 Condition × Game 상호작용을 보이지 않았다(모든 p > .22). 따라서 개입 후 행동 변화가 상대를 보는 방식의 변화 때문에 생겼다는 증거는 없었다. ## 상호성 기울기와 조건적 협력 실제로 변한 것은 반환 전략이었다. 대조군의 반환은 개입군보다 투자액에 더 가파르게 의존했다(Investment × Condition F(1, 315.26) = 8.27, p = .004; 기울기 차이 ΔM = −0.02, 95% CI [−0.04, −0.01], z = −2.88, p = .004). 이 차이는 개입 후에만 나타났으며 Game × Condition × Investment 상호작용은 F(1, 8855.73) = 24.89, p < .001이었다. 개입 전에는 두 조건의 상호성 기울기가 같았다(ΔM = −0.01, 95% CI [−0.02, 0.01], z = −0.90, p = .366). 개입 후에는 개입군의 반환이 투자액에 덜 의존하고 대조군은 더 의존해 기울기 차이가 커졌다(ΔM = −0.04, 95% CI [−0.06, −0.02], z = −4.47, p < .001). 개입 전–후 기울기 변화도 유의했다(ΔM = 0.03, 95% CI [0.02, 0.04], z = 4.99, p < .001). 따라서 개입군의 협력은 상대가 얼마나 보냈는지에 덜 조건적인 형태로 바뀌었다. 투자액은 외생적으로 고정된 변수가 아니었다. HMM 투자자는 참가자의 이전 반환에 적응했기 때문에 더 많이 반환한 개입군에 더 많은 금액을 보냈다(F(1, 316) = 8.88, p = .003). 투자액은 개입 후 게임에서도 전반적으로 더 컸다(F(1, 316) = 7.80, p = .006). 연구진은 모든 반환 모형에 받은 투자액을 공변량으로 포함해, 개입군이 더 큰 투자를 끌어냈기 때문에 생기는 차이가 아니라 동일한 투자 수준에서 조건 차이를 추정했다. # 상대가 인간이라는 믿음과 개입 효과 디브리핑에서 참가자의 22%는 투자자가 인간이라고 생각했고, 22%는 인간인지 컴퓨터인지 확신하지 못했다. 합계 44%가 인간이라고 믿거나 불확실하다고 답했다. 많은 자유응답에서 참가자들은 인공 행위자에게 ‘악의’, ‘탐욕’과 같은 인간적 특성을 투사했다. 상대를 기계로 믿은 집단, 인간으로 믿은 집단, 불확실한 집단을 구분한 조절 분석에서 Condition × Game × Belief 상호작용은 F(2, 313.3) = 0.50, p = .61이었고, Investment까지 포함한 4원 상호작용은 F(2, 8873.5) = 0.26, p = .77이었다. 따라서 개입 효과는 상대를 인간 또는 기계로 믿었는지에 따라 달라지지 않았다. 인간 상대라고 믿은 하위집단에서도 개입 후 조건 차이는 전체 결과와 같은 방향이었지만 유의수준에는 도달하지 않았다(ΔM = 0.051, p = .09). 이 하위집단의 개입군은 반환을 유의하게 증가시켰고(p = .007), 대조군은 반대 방향으로 더 작고 유의하지 않은 변화를 보였다(p = .11). 저자들은 작은 하위집단에서 검정력이 감소했지만 전반적으로 동일한 효과가 작동하는 패턴으로 해석했다. # Repeated Prisoner’s Dilemma에는 전이되지 않은 효과 RPD에서는 상대가 4라운드에 사전 설정된 배신을 한 뒤 참가자의 협력 선택이 크게 감소했다(χ²(1) = 237.67, p < .001). 그러나 Condition 주효과는 없었고(χ²(1) = 0.10, p = .754), Condition × 배신 전·후 상호작용도 없었다(χ²(1) = 0.23, p = .635). 따라서 RTG에서 나타난 개입 효과가 RPD 협력으로 전이되었다는 증거는 없었다. 저자들은 이 결과를 세 가지 방식으로 논의했다. 첫째, RTG의 trustee는 상대가 제공했다가 철회한 신뢰에 순차적으로 반응하는 관계 회복형 상호성을 수행하지만, RPD는 상대 선택을 보기 전에 능동적이고 동시적인 전략 선택을 요구하므로 일부 다른 구인을 반영할 수 있다. 둘째, RTG의 적응적 투자자는 높은 반환을 미래의 더 큰 투자로 즉각적이고 연속적으로 보상하지만, 7라운드의 이진적 RPD와 tit-for-tat 상대는 훨씬 거칠고 드문 보상 구조를 제공한다. 셋째, 개입 문구 자체가 신뢰 게임의 낮은 투자에 초점을 맞췄기 때문에 일반적 치료 기술보다 과제 특이적 지시 효과였을 가능성이 있다. 현재 설계로는 이 설명들을 구분할 수 없으며, RPD는 7라운드에 불과하고 전이 효과를 위해 독립적으로 검정력을 산정하지 않았으므로 저자들은 영가설 결과를 신중히 해석했다. # 6상태 HMM이 보여준 협력·보복 상태와 개인차 참가자 HMM의 잠재 상태는 투자자 HMM의 신뢰 상태와 달리 참가자 측의 반환 정책을 나타냈다. 6상태 모형에서 HMM-full은 Condition 또는 Game 차이가 없는 HMM-inv보다 적합도가 높았다(χ²(120) = 231.05, p < .001). 또한 대조군의 개입 후 전이만 다르게 한 HMM-ctrl보다 우수했고(χ²(60) = 108.44, p < .001), 개입군의 개입 후 전이만 다르게 한 HMM-coax보다 우수했으며(χ²(60) = 129.85, p < .001), 첫째와 둘째 게임만 구분한 HMM-prepost보다도 우수했다(χ²(60) = 110.01, p < .001). 이는 네 Condition × Game 조합에서 참가자들이 투자에 반응하며 상태를 전환하는 양상이 서로 달랐음을 보여줬다. HMM-full의 여섯 상태는 서로 다른 평균 반환 수준을 중심으로 하는 정책으로 추정되었고, state 1이 평균 반환이 가장 낮으며 state 6이 가장 높았다. 개입은 투자 수준에 대한 민감도 감소와 높은 반환 상태의 posterior occupancy(사후 상태 점유) 증가에 연관되었다. 각 라운드에서 가장 가능성이 높은 상태를 local decoding으로 판정한 결과, 개입군은 사전 설정 낮은 투자 이후 낮은 반환 상태에 고착될 가능성이 더 낮았다. 개입 후 게임의 5라운드에서 state 1이 가장 가능성 높은 상태였던 비율은 개입군 5%, 대조군 13%였다(χ²(1) = 4.74, p = .029). 사전 설정 낮은 투자가 제시된 13라운드 다음 시행인 14라운드에는 개입군의 15%와 대조군의 31%가 state 1에 있었다(χ²(1) = 10.24, p = .001). 이는 개입군에서 반환 상태의 분포가 대조군보다 더 높은 상태 쪽으로 치우쳤음을 보여줬다. 다만 개입에 반응하지 않은 참가자도 적지 않았다. 13라운드의 낮은 투자 직후 개입군 참가자의 17%는 평균 반환이 가장 낮은 state 1에 배정되었다. 이 이질성은 측정된 성격 특성과 관련되지 않았다. 개입 후 낮은 투자 다음 라운드에 최저 반환 상태를 점유할 확률은 PAI-BOR(OR = 1.05, p = .73), DERS(OR = 1.08, p = .56), RFQ-8(OR = 0.95, p = .70) 어느 점수로도 예측되지 않았으며 각 분석은 Condition을 보정했다. 반면 개입 자체는 그 상태에 고착될 odds를 낮췄다(OR = 0.40, p = .001). 적합된 HMM에서 반환을 시뮬레이션한 결과 라운드 및 Condition × Game별 관찰 평균을 mean absolute error 0.014로 재현했고, 60개 셀 중 51개가 95% 예측구간 안에 있었다. 회복 분석에서는 상태별 반환 정책과 해독된 상태 점유가 잘 복원되었지만, 세부 emission 및 transition parameter는 약하게만 복원되었다. 이에 따라 저자들은 상태를 평균 반환에 따라 정렬하고 정확한 세부 모수보다 반환 정책과 점유 양상을 기술적으로 해석했다. # 저자들의 종합 해석 저자들은 이 결과를 짧고 명시적인 DBT 원리 기반 프롬프트가 신뢰 위반 뒤 협력 행동을 강화한 개념증명으로 제시했다. 가장 단순한 설명은 affect(정서)와 action(행동)의 분리였다. 낮은 투자에 대한 부정적 정서 반응이나 상대방 평가는 유지되었지만, 그 반응이 보복 행동으로 표현되는 정도가 감소했다. 이는 역효과를 내는 정서적 충동과 반대로 행동한다는 opposite-action 원리의 행동적 특징과 일치했다. 대조군의 반환이 증가하지 않았으므로 효과를 일반적인 게임 학습만으로 설명하기 어렵다고 보았다. 두 조건은 동일한 투자자 알고리즘을 상대했고, 투자자가 참가자의 높은 반환에 적응하더라도 기본 정책은 같았다. 투자액을 통계적으로 통제했으며, 게임 후 상대 평가의 조건별 변화도 없었다. 또한 상대를 인간으로 믿었는지 여부가 효과를 조절하지 않았으므로 컴퓨터 상대에 대한 인식만으로 결과를 설명하기 어렵다고 했다. 다만 개입이 매우 명시적이므로 참가자가 단순히 명확한 지시를 따랐을 가능성을 배제할 수 없었다. 저자들은 지시와 기대 자체도 근거 기반 심리치료의 활성 요소일 수 있고, 동일한 명시적 지시에도 반응이 이질적이었다고 설명했다. 가장 가능성 있는 설명으로는 보복하지 않는 행동의 전략적 가치를 재평가한 결과를 제시했다. 즉 숨겨진 DBT 고유 기제보다는, 정서는 유지하면서 그 정서가 행동으로 번역되는 방식을 바꾼 것으로 해석했다. 개인차 분석에서는 일부 참가자가 높은 반환으로 상대를 협력하도록 유도하는 것이 유리하다고 확신하지 못했거나, 신뢰 철회에 대한 처벌 충동이 너무 강해 개입을 따르지 않았을 가능성을 제시했다. 약 3분의 1이 개입 후 협력 방향으로 바꾸겠다고 자유응답에서 선언했고, 이 선언이 실제 행동 변화를 예측했다. 저자들은 비임상 일반인 표본의 비교적 명시적인 개입에서도 반응 이질성이 나타난 점을 강조하며, 개입 반응의 개인차가 임상 표현형뿐 아니라 개입 자체의 현상학적 특성과도 상호작용할 수 있다고 논의했다. 임상적 맥락에서는 BPD가 대인관계 위반 뒤 사회적 신뢰를 회복하는 데 큰 어려움을 보이고 DBT가 BPD 치료에 효과적이라는 문헌을 연결했다. 본 결과는 임상 환자가 아닌 사람에게서 나타났지만, 보복 충동과 반대로 행동하도록 하는 치료적 접근의 논리와 일치한다고 서술했다. 또한 심리치료 요소를 계산·실험적으로 분해하려는 computational psychiatry 연구들과 연결하면서, RTG에는 나타나지만 RPD에는 나타나지 않은 과제 특이성이 향후 특정 사회적 맥락을 표적으로 삼는 연구에 활용될 수 있다고 제안했다. # HMM 행위자 접근의 방법론적 의미 저자들은 인간 자료로 학습한 HMM 행위자가 인간 상대와의 후속 재현을 대체하는 것이 아니라 보완하는 장점을 가진다고 설명했다. 첫째, 실제 인간 투자자 자료에서 학습했기 때문에 행동적으로 현실적인 적응 반응을 생성하면서도 인간 상대에게서는 불가능한 수준의 완전한 실험 통제를 제공했다. 둘째, 특정 라운드에 동일한 크기와 시점의 낮은 투자를 삽입해 조건별 반응을 정밀하게 비교할 수 있었다. 셋째, 낮은 비용으로 대규모 온라인 실험이 가능해 더 자원 집약적인 인간 dyad 연구에 앞서 개입의 실현 가능성을 검증할 수 있었다. 저자들은 이 HMM-agent 패러다임이 신뢰의 동역학, 개입 기제, social learning(사회학습)을 행동적 현실성과 실험 통제가 모두 필요한 조건에서 연구하는 재사용 가능한 도구라고 보았다. 동시에 인간–인간 상호작용은 theory of mind(마음이론), 더 정교한 전략, 감정 반응을 수반하므로 생태학적 타당성을 확립하려면 실제 인간 상대를 사용한 재현이 필요하다고 했다. # 저자들이 제시한 한계와 후속 방향 표본은 주로 서구권 국가에서 온라인으로 모집한 비임상 성인이므로 non-WEIRD 집단이나 BPD와 같은 임상 집단으로의 일반화는 아직 확립되지 않았다. 개입은 심리교육, 장기적 결과에 대한 성찰, 행동 지침을 결합한 하나의 명시적 프롬프트였다. 따라서 DBT 고유 기술의 효과와 일반적인 명확한 지시의 효과를 분리할 수 없고, 어떤 구성요소가 변화를 일으켰는지도 알 수 없다. 각 요소를 독립적으로 조작하는 연구가 필요하며, 현재 결과는 명시적 반보복 프롬프트가 이 패러다임에서 행동을 바꾼다는 것을 보여줄 뿐 DBT 특이적 기제를 고립시킨 것은 아니라고 명시했다. 컴퓨터 투자자의 결과가 실제 인간 상호작용에 일반화되는지도 확인해야 한다. 인간 상대는 마음이론, 전략적 정교함, 정서적 반응성을 갖기 때문이다. 개입군은 매 라운드 정서를 평가했고 대조군은 투자액의 다른 차원을 평가했으므로, 개입군의 지속적인 자기모니터링이 별도의 개입 내용 외에 효과에 기여했을 가능성도 있다. 다만 대조군의 투자 평가는 객관적인 투자액을 충실히 추적했으며, 라운드에 따른 상승은 평가 과제 자체의 drift가 아니라 높은 반환 뒤 투자자가 더 많이 보낸 결과였다. 모든 자료가 온라인으로 수집되었으므로 대면 실험실 상호작용에서는 결과가 달라질 수 있다. 향후 연구로는 인지 개입을 더 상호작용적이고 몰입적으로 개선하고, BPD처럼 신뢰 붕괴 뒤 관계 회복에 어려움을 보이는 집단에서 검증하는 방향을 제시했다. 인간과 유사하지만 통제 가능한 인공 행위자와 반복적으로 상호작용하고 훈련하는 온라인 개입은 사회적 상황에서 해로운 행동 경향을 줄이기 위한 효율적이고 저비용인 프로그램으로 발전할 가능성이 있다고 논의했다. # 연구 윤리와 자료 접근성 연구는 UCL Research Ethics Committee의 승인(ID: 21029/001)을 받았고 Declaration of Helsinki에 따라 수행되었다. 모든 참가자는 사전 동의를 제공했다. 분석 코드, Figure 및 보충자료는 OSF(https://osf.io/wfz52)에 공개되어 있으며, 익명화된 자료는 교신저자에게 요청할 수 있다.

(Re)building Cooperation: Effects of a Cognitive Intervention on Cooperative Behaviour in Games