Antigravity Agent
2a2a1ad3b1
- 10_Wiki/Topics/Thinking & Reasoning/ 다수 신규 토픽 추가 (3C, 4P, 5 Whys, 7S, 80/20 법칙, 인과관계, 디자인 씽킹 변형 등) - Premium/Logic Tree/ 11개 파일 → Thinking & Reasoning 으로 흡수 - Premium/Thinking & Reasoning/ 동기화 갱신 - memory/long_term.json + .DS_Store 자동 갱신 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
62 lines
5.1 KiB
Markdown
62 lines
5.1 KiB
Markdown
---
|
|
id: game-based-training
|
|
title: "Game-based Training"
|
|
category: "10_Wiki/Topics"
|
|
status: "draft"
|
|
verification_status: "conceptual"
|
|
canonical_id: ""
|
|
aliases: ["Serious Games", "Simulation-based Learning"]
|
|
duplicate_of: ""
|
|
source_trust_level: "B"
|
|
confidence_score: 0.85
|
|
created_at: 2026-05-24
|
|
updated_at: 2026-05-24
|
|
review_reason: ""
|
|
merge_history: []
|
|
tags: ["research", "hypothesis-driven thinking", "cognitive-bias"]
|
|
raw_sources: ["NotebookLM Synthesis"]
|
|
applied_in: ["RECOBIA", "LEILA", "Clegg et al. (2014)", "Dunbar et al. (2014)"]
|
|
github_commit: ""
|
|
---
|
|
|
|
# [[Game-based Training]]
|
|
|
|
## 🎯 한 줄 통찰 (One-line insight)
|
|
게임 기반 훈련(Game-based Training)은 단순한 지식 전달을 넘어 인지 편향을 식별하고 억제하는 기술의 장기적인 유지(Retention)와 실무 전이(Transfer) 측면에서 전통적인 교육 방식보다 월등한 효율성을 제공한다 [1].
|
|
|
|
## 🧠 핵심 개념 (Core concepts)
|
|
1. **인지 편향 완화(Cognitive Bias Mitigation):** 의사결정 과정에서 발생하는 확증 편향, 과잉 신뢰 편향 등 체계적인 오류를 줄이는 것을 목표로 한다 [2, 3].
|
|
2. **기능성 게임(Serious Games):** RECOBIA 및 LEILA와 같은 전용 플랫폼을 통해 분석가가 인지 편향을 인식하고 극복하도록 훈련한다 [3].
|
|
3. **유지 및 전이(Retention and Transfer):** 학습된 디바이아싱(Debiasing) 기술이 일시적인 습득에 그치지 않고, 시간이 지난 후에도 실제 업무 환경에서 적용될 수 있도록 하는 핵심 지표이다 [1].
|
|
4. **시뮬레이션 기반 학습(Simulation-based Learning):** 통제된 가상 환경에서 의사결정 모델을 실행하여 휴리스틱에 의한 오류를 줄이고 합리적 기준에 부합하도록 행동을 교정한다 [4, 5].
|
|
|
|
## 🧩 추출된 패턴 (Extracted patterns)
|
|
- **전통적 방식과의 대비:** 비디오 기반 강의나 추상적인 이론 교육에 비해 게임 기반 인터벤션이 행동 변화 유도에 더 효과적이라는 패턴이 발견된다 [1].
|
|
- **암묵적 및 명시적 훈련의 결합:** 게임 내에서 학습자에게 편향의 원리를 직접 설명하거나(명시적), 게임 플레이 메커니즘을 통해 자연스럽게 습득하게 하는(암묵적) 전략이 병행된다 [6].
|
|
- **데이터 기반 검증:** A/B 테스팅 및 시뮬레이션 실험을 통해 게임 기반 훈련의 효과를 정량적으로 측정하고 평가한다 [7-9].
|
|
|
|
## 📖 세부 내용 (Details)
|
|
게임 기반 훈련은 고위험 의사결정 환경에서 인간의 인지적 한계를 보완하기 위한 강력한 도구로 활용된다.
|
|
- **훈련의 효과성:** 연구에 따르면 단순한 인지 편향의 존재에 대한 교육은 지속적인 행동 변화를 일으키기에 부족하지만, 게임 기반 훈련 인터벤션은 디바이아싱 기술의 유지와 전이를 촉진하는 데 더 효과적임이 입증되었다 [1].
|
|
- **적용 분야:** 특히 정보 분석(Intelligence Analysis) 분야에서 RECOBIA 및 LEILA와 같은 기능성 게임이 분석가들의 인지 편향 인식을 돕기 위해 사용된다 [3].
|
|
- **메커니즘:** 시뮬레이션 실험을 통해 학습자는 손실 회피(Loss Aversion)나 최신 편향(Recency Effect)과 같은 오류에 덜 민감해지며, 결과적으로 인간의 직관에만 의존할 때보다 우수한 의사결정 성과를 달성할 수 있다 [4].
|
|
- **기술적 통합:** 인공지능(AI)과 머신러닝(ML)은 이러한 게임 환경 내에서 실시간으로 편향을 탐지하고 학습자에게 적응형 피드백을 제공하는 역할을 수행할 수 있다 [7, 10].
|
|
|
|
## ⚖️ 모순 및 업데이트 (Contradictions & updates)
|
|
- **전통적 교육의 한계:** 과거에는 지식의 전달만으로 충분하다고 여겨졌으나, 최신 소스에서는 추상적인 교육이 행동 변화에 불충분하며 게임 기반의 실천적 인터벤션이 필수적임을 강조한다 [1].
|
|
- **신뢰의 문제:** 시뮬레이션 실험 결과, AI 기반 권장 사항이 매우 정확하더라도 사용자의 신뢰와 해석 가능성(Interpretability)이 확보되지 않으면 교육 효과가 반감될 수 있다는 점이 지적된다 [4].
|
|
|
|
## 🛠️ 적용 사례 (Applied in summary)
|
|
- **RECOBIA & LEILA:** 정보 분석가들이 인지 편향을 인식하고 극복하도록 훈련하기 위해 설계된 기능성 게임 사례 [3].
|
|
- **Clegg et al. (2014):** 세 가지 형태의 인지 편향을 완화하기 위한 게임 기반 훈련 연구 [2].
|
|
- **Dunbar et al. (2014):** 기능성 게임을 통한 암묵적 및 명시적 인지 편향 완화 훈련 사례 [6].
|
|
- **의사결정 시뮬레이션:** 금융 및 의료 분야에서 합리적 벤치마크와 비교하여 편향을 수정하는 실험적 도구로 활용됨 [4, 11].
|
|
|
|
## ✅ 검증 상태 및 신뢰도
|
|
- **상태:** draft
|
|
- **검증 단계:** conceptual (실제 적용 사례 및 다수의 연구 논문에 근거함)
|
|
- **출처 신뢰도:** B (학술 논문 및 전문 분석 보고서 기반)
|
|
- **중복 검사 결과:** 신규 생성 (New discovery)
|
|
|
|
## 📝 변경 이력 (Change history)
|
|
- 2026-05-24: Initial draft generated via Datacollector_MAC P-Reinforce engine. |