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

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

```ts
// 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)
```ts
// 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
```ts
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)
```ts
// 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)
```ts
// 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)
```ts
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)
```python
# 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 |