2nd/10_Wiki/Topics/AI_and_ML/ABA.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-aba	ABA (Applied Behavior Analysis)	10_Wiki/Topics	verified	self	Applied Behavior Analysis 응용 행동 분석 ABC analysis behavior modification operant conditioning	none	B	0.85	conceptual	psychology behavior-analysis reinforcement learning autism-therapy reward-design game-design ai-alignment		2026-05-09	pending	Claude Opus 4.7 (manual cleanup 2026-05-09)	language applicable_to psychology / process Education Game Design AI Alignment Therapy

ABA (Applied Behavior Analysis)

📌 한 줄 통찰 (The Karpathy Summary)

"행동 = 환경 + 결과 의 함수". ABC (Antecedent → Behavior → Consequence) framework + reinforcement schedule. 자폐 치료 의 root, 게임 progression / AI reward design / habit formation 의 base. Skinner 의 operant conditioning 의 applied science.

📖 구조화된 지식 (Synthesized Content)

핵심 framework: ABC Analysis

매 behavior 의 분석:

• Antecedent (A): 매 행동 의 trigger / cue.
• Behavior (B): 관찰 가능 한 action.
• Consequence (C): 매 action 의 result.

매 cycle 의 repeat = behavior 의 form / reinforce.

예:

• A: phone 의 notification (trigger).
• B: phone 의 unlock + scroll.
• C: dopamine hit (reward).

→ 매 cycle 가 habit form. 끊으려면 A / C 의 control.

Reinforcement (강화) types

1. Positive reinforcement: 매 desired behavior 후 reward 추가 → frequency ↑.
2. Negative reinforcement: 매 desired behavior 후 unpleasant 제거 → frequency ↑.
3. Positive punishment: 매 unwanted behavior 후 unpleasant 추가 → frequency ↓.
4. Negative punishment: 매 unwanted behavior 후 pleasant 제거 → frequency ↓.

→ Reinforcement (positive/negative) 가 behavior ↑. → Punishment 가 behavior ↓.

Reinforcement Schedule (Skinner)

Schedule	매 reward	Effect
Continuous (FR1)	매번	빠른 학습, 빠른 extinction
Fixed Ratio (FR-N)	매 N 번 째	매 보상 후 짧은 break
Variable Ratio (VR)	평균 N 번 마다	가장 강력 (gambling, gacha)
Fixed Interval (FI)	매 X 시간 마다	마감 직전 spike
Variable Interval (VI)	평균 X 시간 마다	일정 rate

→ VR = 가장 addiction 친화. Slot machine / loot box.

핵심 technique

• Prompting: 매 user 의 desired behavior 의 boost (verbal / visual / physical).
• Fading: 매 prompt 의 점차 제거.
• Shaping: 작은 step 의 사이 reinforcement (큰 goal 까지).
• Chaining: 매 step 의 sequence 학습.
• Token economy: 매 desired behavior 의 token (later 의 reward 와 교환).
• Time-out: punishment 식.
• Differential reinforcement: alternative behavior 의 reinforce (DRA).

응용

1. 자폐 / 발달 장애 치료: ABA 가 가장 mainstream therapy. 매 task 의 break-down, prompt + fade, shaping.
2. 교육: 매 학습 의 token / reward / progression.
3. 습관 형성: BJ Fogg 의 Tiny Habits, Atomic Habits (Clear).
4. 조직 관리: 매 employee 의 reinforcement schedule.
5. Game design: 매 progression / loot / level. (Variable ratio 의 "engagement" engine).
6. AI Alignment: RLHF 의 reward model 가 ABA 식.
7. Behavioral economics: nudge / choice architecture.

매 game design 의 ABA mapping

ABA	Game
Antecedent	Trigger (광고, friend invite, push notification)
Behavior	Login + play
Consequence	XP + gold + dopamine
VR schedule	Loot box, gacha (가장 effective + 윤리 risk)
Token economy	In-game currency
Shaping	Tutorial → easy → hard progression
Chaining	Quest line
Prompting	Tutorial popup, hint
Fading	Tutorial 가 점차 사라짐

→ "Engaging" game 의 매 mechanism 의 ABA root.

AI Alignment 의 ABA

• RLHF: human feedback (consequence) 가 매 model behavior reinforce.
• Reward hacking: model 의 unintended behavior. ABA 의 "behavioral function" analysis.
• Constitutional AI: AI 자체 가 matching reward / punish.

→ Reward 의 design 의 어려움 = ABA 의 한 challenge.

윤리적 controversies

• 자폐 치료 의 ABA: traditional ABA 가 controversial. 매 자폐인 의 advocacy group 가 "neurotypical 의 강요" 비판.
• Aversive techniques: 옛 ABA 가 punishment 사용. Modern = positive only.
• Goal 의 question: "compliance" vs "autonomy" 의 trade-off.

💻 패턴 (응용)

Habit formation (Atomic Habits 식)

1. Cue (Antecedent): 명시적 (alarm, location).
2. Craving (motivation): "이 가 어떤 reward?".
3. Response (Behavior): 작은 first step (2-min rule).
4. Reward (Consequence): immediate, satisfying.

→ 매 component 의 design.

// 예: 매일 운동
const habit = {
  cue: 'Wake up + put on running shoes (visible)',
  craving: 'Feel energized for the day',
  response: '5-min walk (start small)',
  reward: 'Track + share with friend (social)',
};

Game progression (shaping)

// 매 level 의 difficulty 의 점진
const levels = [
  { difficulty: 1, mechanic: 'walk + jump' },
  { difficulty: 2, mechanic: '+ enemy' },
  { difficulty: 3, mechanic: '+ boss' },
  { difficulty: 4, mechanic: '+ environment hazard' },
];

// 매 step 의 success 후 next 의 reinforcement.

Token economy

class TokenSystem {
  private tokens = new Map<string, number>();
  
  reinforce(userId: string, behavior: string, value: number) {
    // 매 desired behavior 의 token.
    this.tokens.set(userId, (this.tokens.get(userId) ?? 0) + value);
    log({ userId, behavior, value });
  }
  
  redeem(userId: string, item: Item) {
    if ((this.tokens.get(userId) ?? 0) >= item.cost) {
      this.tokens.set(userId, this.tokens.get(userId)! - item.cost);
      give(userId, item);
    }
  }
}

// User 의 매 progress = token.
// 매 reward 의 redeem = token.

Variable ratio (윤리적 주의)

// 매 action 의 random reward (gambling-like).
function rollLoot(): Reward {
  const r = Math.random();
  if (r < 0.001) return LEGENDARY;   // 0.1%
  if (r < 0.01) return EPIC;          // 1%
  if (r < 0.1) return RARE;            // 10%
  return COMMON;
}

// VR 가 strongest reinforcement 가, addiction risk.
// 매 country 의 gambling regulation + minor protection.

Differential reinforcement (DRA — alternative behavior)

// User 의 매 unwanted behavior (예: 욕설) 의 ignore.
// Alternative (constructive comment) 의 reward.

if (isDesired(behavior)) {
  reward(user);
} else if (isUnwanted(behavior)) {
  ignore();  // 또는 cooldown.
}

→ Punishment 보다 효과.

Fading (tutorial)

class Tutorial {
  private level = 0;   // 0 = full prompt, 1 = hint, 2 = no help.
  
  guide(action: string) {
    if (this.level === 0) showFullInstruction(action);
    else if (this.level === 1) showHint(action);
    // level 2 = silence.
  }
  
  onSuccess() {
    if (this.level < 2) this.level++;
  }
  
  onFailure() {
    if (this.level > 0) this.level--;
  }
}

Shaping (incremental)

# RL 의 reward shaping 식
def reward(state, action, next_state):
    base_reward = task_reward(next_state)
    
    # Sub-goal 의 reward (shaping)
    if reaches_milestone_1(next_state):
        base_reward += 5
    if reaches_milestone_2(next_state):
        base_reward += 10
    # ...
    
    return base_reward

→ Sparse reward 의 dense 화.

🤔 의사결정 기준 (Decision Criteria)

작업	추천 ABA technique
New skill	Shaping + chaining
Habit (good)	Cue + small action + immediate reward
Habit (bad)	Antecedent removal + DRA
Engagement	Variable ratio (윤리적 주의)
Education	Token economy + fading
Therapy (autism)	Modern positive ABA (controversial)
Game progression	Shaping + chaining
RL agent	Reward shaping + curriculum

기본값: Positive reinforcement + clear consequence + fading. Punishment 의 last resort.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 자폐 치료 controversy: Modern 자폐인 advocate (예: Autistic Self Advocacy Network) 가 traditional ABA 의 비판. "Compliance training 가 trauma" claim.
• Reward 의 intrinsic vs extrinsic: Over-reward 가 intrinsic motivation 의 destroy (overjustification effect). 매 reward design 의 careful.
• Modern positive only: 옛 = aversive (punishment 강). Modern = positive 만. 매 effect 의 비교.
• AI reward hacking: model 가 unintended behavior 의 reward exploit. Reward design 의 hard problem.
• Game design 의 ethics: addiction-like design 의 윤리 / 법적 risk.

🔗 지식 연결 (Graph)

• 응용: Habit-Formation
• AI: Actor-Critic-Models
• Game: Loot-Box-Mechanics
• 비판: Intrinsic Motivation
• Adjacent: Addiction Neuroscience · Dopamine-Pathway · Behavioral-Economics · Nudge Theory

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• 게임 의 progression / reward 디자인.
• RL agent 의 reward function / shaping.
• 매 user 의 habit-tracking app design.
• Education / training program 디자인.
• 매 user behavior 의 design (UX 의 nudge).

언제 쓰면 안 되는가:

• 자폐 치료 의 specific implementation (전문 BCBA + 윤리 연구).
• Mental health 의 임상 (의사 + 면허).
• Adversarial manipulation (윤리 violation).
• 매 individual 의 free will 의 violation.
• Animal welfare (다른 framework).

❌ 안티패턴 (Anti-Patterns)

• Punishment 만: emotional damage, learning ↓.
• Variable ratio + transparency 없음: gambling regulation violation.
• Continuous reinforcement 가 forever: extinction 시 빠른 abandon.
• Token economy + 매 token 의 inflation: economy 깨짐.
• Reward 가 intrinsic motivation 의 replace: overjustification effect.
• ABA 가 self-determination 의 violate: 윤리.
• 자폐 치료 의 outdated aversive: modern positive only.

🧪 검증 상태 (Validation)

• 정보 상태: verified (concept-level).
• 출처 신뢰도: B (BACB 의 BCBA standard, Cooper Heron Heward "Applied Behavior Analysis" textbook, James Clear "Atomic Habits").
• 검토 이유: Manual cleanup. Concept 가 안정. Specific therapy / regulation 가 separate expertise.

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: Skinner-Operant-Conditioning (parent), Habit-Formation (응용), Reinforcement-Learning (AI 응용), Addiction_Neuroscience (overlap).
• 처리 방식: KEEP (specific applied science).
• 처리 이유: ABA 가 distinct discipline.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화	UPDATE	A
2026-05-09	Manual cleanup — code pattern + game design mapping + 윤리 controversies + 안티패턴 추가	UPDATE	B