Organizer 정리 산출물(From_RawData) + 이사 체크리스트 + 인덱스 갱신
- Raw_Data 자동 정리 산출물이 각 도메인 From_RawData/ 로 편입, 00_INDEX 연결 갱신 - 컴퓨터_이사_체크리스트.md 추가 (두뇌-상대 경로 규약 v2.2.304 — 새 컴퓨터에서 바꿀 절대 경로는 localBrainPath 1개) - Astra 세션 산출물(에피소드 기억·기능 인벤토리) 갱신 Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,109 @@
|
||||
```markdown
|
||||
---
|
||||
id: cognitive-science
|
||||
title: "Cognitive Science"
|
||||
category: "Cognitive_Science"
|
||||
status: "draft"
|
||||
verification_status: "conceptual"
|
||||
canonical_id: ""
|
||||
aliases: ["인지과학", "Cognitive Science", "인지 심리학", "Cognitive Psychology", "인지 모델", "Cognitive Model"]
|
||||
duplicate_of: ""
|
||||
source_trust_level: "A"
|
||||
confidence_score: 0.95
|
||||
created_at: 2026-07-11
|
||||
updated_at: 2026-07-11
|
||||
review_reason: ""
|
||||
merge_history: []
|
||||
tags: ["research", "context 이해 규칙"]
|
||||
raw_sources: ["다차원적 맥락 이해 규범의 통섭적 분석: 인지과학, 언어학, 컴퓨터 과학 및 인공지능 모델의 통합적 메커니즘", "Relevance theory - University of Southampton Web Archive", "Schema (psychology) - Wikipedia", "Script Theory - The Decision Lab", "맥락을 고려하는 뇌 - 바이오인", "Path to Intelligence: Measuring Similarity between Human Brain and Large Language Model Beyond Language Task - arXiv"]
|
||||
applied_in: ["LLM-Human Brain Activity Mapping Experiment"]
|
||||
github_commit: ""
|
||||
---
|
||||
|
||||
# [[Cognitive Science]]
|
||||
|
||||
## 🎯 한 줄 통찰 (One-line insight)
|
||||
인지과학은 인간과 인공지능이 환경적·상황적 맥락을 부호화하고 처리하여 적응적 행동을 도출하는 지식 표상과 추론의 정보 처리 메커니즘을 탐구하는 학문이다.
|
||||
|
||||
## 🧠 핵심 개념 (Core concepts)
|
||||
- **인지 도식 (Schemata) 및 스크립트 (Scripts)**: 과거의 지식과 경험을 구조화하여 맥락적 공백을 추론하고 자동화된 인지 처리(System 1)를 가능하게 하는 정신적 프레임워크 체계.
|
||||
- **인지적 관련성 원리 (Cognitive Principle of Relevance)**: 인지 시스템이 투입되는 '처리 노력(Processing Effort)'을 최소화하고, 획득하는 '긍정적 인지 효과(Positive Cognitive Effect)'를 극대화하는 방향으로 정보를 가공한다는 진화생물학적 기초 원리.
|
||||
- **맥락 표상의 뇌 신경망 회로**: 해마(Hippocampus), 편도체(Amygdala), 내측전전두피질(mPFC)의 상호작용을 통해 공간적·환경적 맥락을 부호화(encoding)하고 기억을 인출(retrieval)하는 생물학적 메커니즘.
|
||||
- **인간-AI 인지 기전 동형성 (Structural Isomorphy)**: 거대 언어 모델(LLM)의 인맥락 학습(In-Context Learning) 역학이 인간 대뇌의 고주파 활동성(HFA) 시그널 패턴과 높은 구조적 동형성 및 매핑 상관도를 보인다는 통찰.
|
||||
|
||||
## 🧩 추출된 패턴 (Extracted patterns)
|
||||
- **최소 노력-최대 효과 휴리스틱**: 인지 시스템은 환경의 모든 변수를 계산하지 않으며, 기대 인지 이익과 처리 비용을 비교하는 휴리스틱을 통해 가장 관련성 높은 입력에만 자원을 할당한다.
|
||||
- **동적 지식 재구성 (Dynamic Memory)**: 인지 도식과 스크립트(MOPs, TOPs 등)는 고정불변의 구조가 아니라, 새로운 텍스트나 경험, 예외적인 사건에 직면할 때마다 실시간으로 조정(Tuning)되고 재구성(Restructuring)된다.
|
||||
- **계통 1 (System 1) 자동화 경로 활용**: 일상적이고 반복적인 맥락 내에서는 고부하의 의식적 추론이 요구되는 계통 2 대신 자동화된 스크립트에 기반한 계통 1 경로를 활성화하여 뇌 에너지 소모를 최소화한다.
|
||||
|
||||
## ⚖️ 비교 및 선택 기준 (Comparison & decision criteria)
|
||||
|
||||
| 항목 (Option) | 장점 | 단점 | 언제 선택 |
|
||||
|---|---|---|---|
|
||||
| **행동주의 (Behaviorism)** | 환경적 자극과 가시적 반응(관찰 가능한 행동)에 집중하여 객관적 측정이 용이함 | 내면의 정신적 과정, 맥락의 의미, 구조화된 기억(스크립트 등)을 설명하지 못함 | 단순한 조건형성이나 자극-반응 메커니즘을 분석할 때 |
|
||||
| **인지과학 (Cognitive Science)** | 정보의 표상(Representation)과 계산(Computation) 모델을 통해 뇌의 추론, 맥락 이해, 기억 구조를 심층적으로 설명함 | 내부 인지 상태를 추론해야 하므로 구조화와 검증이 비교적 복잡함 | 인간의 맥락 이해, 언어 처리, AI 모델과의 인지 기전 동형성을 탐구할 때 |
|
||||
|
||||
## 📖 세부 내용 (Details)
|
||||
- **인지과학의 등장 배경과 인지 도식**: 인지과학(Cognitive Science)은 인간의 마음과 지능을 정보 처리 시스템으로 간주하여 표상(Representation)과 계산(Computation) 이론을 바탕으로 인간의 인지 능력을 규명한다 [S1, S4]. 이는 행동주의 심리학의 한계를 극복하기 위해 등장했다 [S4]. 인지 주체는 복잡한 세상 속에서 모호성을 해소하기 위해 '인지 도식(Schemata)'을 활용한다 [S1, S3]. 도식은 구체적인 세부 사항 대신 보편적 형태에 대한 정보를 담아 텍스트나 서사에서 누락된 정보를 채워준다 [S1, S3].
|
||||
- **스크립트 이론**: 시간적·인과적 순서가 가미된 도식을 '스크립트(Script)'라 하며, 이는 이벤트 스크립트, 물리적 스크립트, 역할 스크립트 등으로 나뉜다 [S1, S4]. 인간은 반복적인 상호작용 속에서 스크립트를 학습함으로써 에너지를 많이 소모하는 계통 2 추론을 줄이고 계통 1 경로를 활성화한다 [S1].
|
||||
- **관련성 이론 (Relevance Theory)**: 댄 스퍼버(Dan Sperber)와 디어드리 윌슨(Deirdre Wilson)이 제안한 관련성 이론에 따르면, 인간의 인지는 투입되는 '처리 노력(Processing effort)'을 최소화하고 '긍정적 인지 효과(Positive cognitive effect)'를 극대화하는 방향으로 동작한다(인지적 관련성 원리) [S1, S2]. 이러한 효율적 정보 처리 성향은 진화 과정을 통해 발달했으며 인간 인지의 핵심을 이룬다 [S2].
|
||||
- **맥락 부호화의 뇌과학**: 뇌과학적 관점에서 맥락 정보는 해마(Hippocampus)에서 주로 부호화되며, 편도체(Amygdala)와 내측전전두피질(mPFC) 등과의 상호작용을 통해 상황에 맞는 기억을 인출하고 공포 등을 조건화하거나 소거한다 [S5]. 해마는 맥락 표상을 형성하고, 피질 네트워크는 이 표상을 유지하는 데 중요한 역할을 수행한다 [S5].
|
||||
- **인공지능 모델과의 융합적 매핑**: 이러한 인지과학적 분석은 거대 언어 모델(LLM)에도 성공적으로 적용된다. LLM이 보여주는 '인맥락 학습(In-Context Learning)'은 프롬프트의 시범 예시(Context)를 통해 잠재 개념의 베이지안 추론을 수행하는 능력이다 [S1, S6]. 두개골 내 뇌파(iEEG, HFA) 데이터를 대조한 신경과학 실험 결과, LLM 내부의 은닉 상태(Hidden states)가 인간 피험자의 대뇌 신경 네트워크 활동 양식과 높은 선형 매핑(Linear mapping) 및 센서드 커널 정렬(CKA) 구조적 동형성을 보인다는 것이 증명되었다 [S1, S6].
|
||||
|
||||
## ⚖️ 모순 및 업데이트 (Contradictions & updates)
|
||||
- **화용론에서의 인지과학적 진화**: 철학과 언어학에서 그라이스(Grice)는 대화의 4가지 격률을 통한 '협력 원칙'을 제안했으나, 이후 인지과학에 기반을 둔 '관련성 이론'의 스퍼버와 윌슨은 이를 단일한 '관련성 원리(Relevance Principle)'로 통합 및 갱신하여 맥락 추론 과정을 더욱 간결한 인지적 경제성 메커니즘으로 업데이트했다 [S1, S2].
|
||||
- **구조주의적 한계 탈피**: 초기 구조주의나 형태주의 심리학은 고정된 룰을 중시했으나, 인지과학의 최신 스크립트 이론(Schank & Abelson 등)은 인지가 고정불변이 아니라 새로운 경험과 예외 상황에 따라 동적으로 기억과 맥락이 재구성(Dynamic Memory)되는 체계임을 입증하며 이론적 모델을 유연화했다 [S4].
|
||||
|
||||
## 🛠️ 적용 사례 (Applied in summary)
|
||||
- 소스 데이터에서 특정 소스 코드 파일 경로나 Git 커밋 해시, 시스템의 의사결정 ID 등 소프트웨어 프로젝트의 직접적인 적용 사례는 발견되지 않았다.
|
||||
- 단, 인지과학 및 뇌과학의 맥락 이해 원리가 인공지능 LLM의 인맥락 학습 기전을 분석하는 신경과학-AI 융합 실험에 적용된 사례가 확인된다. 구체적으로 인간의 두개골 내 뇌파(iEEG) 고주파 활동 시그널과 LLM의 은닉 상태 데이터를 선형 투영(Linear projection) 모델 (W_shared, W_individual 행렬 분해)을 통해 매핑하고 CKA 분석을 수행하는 연구 아키텍처에 적용되었다 [S6].
|
||||
|
||||
## 💻 코드 패턴 (Code patterns)
|
||||
소스에 코드 예시 없음 (소스에 신경망 연산 및 CKA 등에 대한 수학적 수식만 존재할 뿐, 실행 가능한 프로그래밍 코드 스니펫은 확인되지 않음).
|
||||
|
||||
## ✅ 검증 상태 및 신뢰도
|
||||
- **상태:** draft
|
||||
- **검증 단계:** conceptual
|
||||
- **출처 신뢰도:** A
|
||||
- **신뢰 점수:** 0.95
|
||||
- **중복 검사 결과:** 신규 생성 (New discovery)
|
||||
|
||||
## 🔗 관련 문서 링크 (Related document links)
|
||||
|
||||
### 상위/유사 개념
|
||||
- [[context 이해 규칙]] — 연결 이유: 인지과학은 인간과 인공지능이 맥락을 지각하고 처리하는 근본적인 원리와 체계를 제공함.
|
||||
- [[In-Context Learning]] — 연결 이유: 인지과학의 맥락 이해, 도식 이론이 거대 언어 모델의 인맥락 학습 메커니즘과 구조적 동형성을 가짐.
|
||||
- [[Relevance Theory]] — 연결 이유: 인지과학적 정보 처리 과정에서 최소 노력과 최대 인지 효과를 규명하는 핵심 화용론 이론.
|
||||
|
||||
### 심층 후속 질문 (Deeper Research Questions)
|
||||
- 인간 두뇌의 맥락 부호화 네트워크(해마-편도체-전전두피질)와 트랜스포머의 어텐션 메커니즘은 기능적으로 어떻게 대응될 수 있는가?
|
||||
- 인지적 관련성 원리(Cognitive Principle of Relevance)를 AI 프롬프트 엔지니어링의 맥락 최적화 비용 함수로 정량화할 수 있는가?
|
||||
- 스크립트 이론(Script Theory)의 'Dynamic Memory' 관점에서, LLM의 RAG 한계를 극복하고 모델 가중치를 동적으로 업데이트할 수 있는 새로운 접근법은 무엇인가?
|
||||
- LLM 은닉 상태와 인간 뇌파(iEEG) 간의 선형 투영(Linear Projection) 모델을 활용하여 인지적 모순이나 환각(Hallucination) 현상을 뇌과학적으로 예측할 수 있는가?
|
||||
|
||||
### 실무 적용 맥락 (Practical Application Contexts)
|
||||
- **Implementation:** LLM의 맥락 인출(Context Retrieval) 및 인맥락 학습 모형을 설계할 때 뇌과학적 정보 분산 메커니즘 적용.
|
||||
- **System Design:** 사용자의 맥락 정보 연산량을 최적화하고 인지 부하를 줄이는 프롬프트 엔지니어링 아키텍처 수립.
|
||||
- **Operation / Maintenance:** 인간의 인지 도식과 유사하게 동적으로 진화하는 예외 상황 대응 에이전트(Dynamic Scripts) 운영.
|
||||
- **Learning Path:** 인공지능 언어 모델의 맥락 이해 한계를 극복하기 위해 기초 인지 심리학 및 뇌과학 관련성 이론 학습.
|
||||
|
||||
### 인접 주변 정황 (Adjacent Topics)
|
||||
- [[Bayesian Inference]] — 확장 방향: 인지과학에서 뇌가 맥락을 통해 잠재 개념의 사후 확률을 추론하는 계산 모델 심화 탐구.
|
||||
- [[Neuromorphic Engineering]] — 확장 방향: 생물학적 신경 회로의 맥락 처리 특성을 모사한 차세대 하드웨어 개발 연구.
|
||||
|
||||
## 🔗 지식 그래프 (Knowledge Graph)
|
||||
- **상위/루트:** [[context 이해 규칙]]
|
||||
- **관련 개념:** [[In-Context Learning]], [[Relevance Theory]]
|
||||
- **참조 맥락:** 인간과 인공지능 시스템이 맥락적 데이터를 구조화하고 최소 자원으로 지식을 추론하는 메커니즘을 설계할 때 참조.
|
||||
|
||||
## 📚 출처 (Sources)
|
||||
- [S1] 다차원적 맥락 이해 규범의 통섭적 분석: 인지과학, 언어학, 컴퓨터 과학 및 인공지능 모델의 통합적 메커니즘 (Markdown)
|
||||
- [S2] Relevance theory - University of Southampton Web Archive (URL)
|
||||
- [S3] Schema (psychology) - Wikipedia (URL)
|
||||
- [S4] Script Theory - The Decision Lab (URL)
|
||||
- [S5] 맥락을 고려하는 뇌 - 바이오인 (URL)
|
||||
- [S6] Path to Intelligence: Measuring Similarity between Human Brain and Large Language Model Beyond Language Task - arXiv (URL)
|
||||
|
||||
## 📝 변경 이력 (Change history)
|
||||
- 2026-07-11: Initial draft generated via Datacollector_MAC P-Reinforce engine.
|
||||
```
|
||||
Reference in New Issue
Block a user