감정 노동자의 스트레스 측정하는 AI 모델 개발… 87% 정확도로 예측해 번아웃 방지한다

Hide-and-seek: Detecting Workers’ Emotional Workload in Emotional Labor Contexts Using Multimodal Sensing

콜센터 상담원과 같은 감정 노동자들은 업무 중 실제 감정을 숨기고 일정한 태도를 유지해야 하는 ‘감정 규칙(display rule)’을 따른다. 이는 지속적인 심리적 부담을 초래하며 장기적으로 감정적 소진(burnout)으로 이어질 위험이 있다. 이에 중앙대학교와 KAIST, 애크런 대학 연구진은 머신러닝과 멀티모달 센싱(multi-modal sensing) 기술을 활용해 감정 노동자의 감정적 부담을 실시간으로 평가하는 AI 모델을 개발했다.

연구 결과, AI 모델은 감정 노동자의 피로도를 최대 87%의 정확도로 예측할 수 있는 것으로 나타났다. 특히 상담원의 생리 신호와 고객의 음성 데이터를 조합하여 분석했을 때, 감정 피로도를 보다 효과적으로 측정할 수 있었다. 연구진은 감정 노동자의 스트레스가 누적되기 전에 이를 감지하고, 번아웃을 방지할 수 있는 AI 기반 감정 모니터링 시스템의 가능성을 제시했다.

고객의 ‘화난 목소리’가 상담원 스트레스 증가의 핵심 요인

연구는 콜센터 상담원 31명을 대상으로 진행되었다. 실험에서는 상담원과 고객 역할을 맡은 배우가 전화 상담을 진행하며, 고객이 중립적인 태도(1차 상담), 화를 내는 태도(2차 상담), 욕설을 포함한 공격적인 태도(3차 상담)를 각각 연기했다. 상담원들은 이러한 상황에서도 친절한 태도를 유지해야 했으며, 연구진은 이들의 음성, 생리 신호, 감정 반응을 실시간으로 측정했다.

분석 결과, 감정 노동자가 경험하는 스트레스의 주요 원인은 고객의 음성 패턴이었다. 연구진은 고객의 말투와 감정적 강도가 감정 노동자의 피로도에 미치는 영향을 측정하기 위해 AI를 활용했다. 특히 고객이 소리를 지르거나 욕설을 사용할 때 상담원의 피부전도도(EDA)와 심박수(ECG)가 급격히 상승하며, 감정적 피로도가 증가하는 것이 확인되었다. 또한, 상담원의 음성 데이터만으로는 감정 피로도를 정확히 예측하는 데 한계가 있었으며, 고객의 음성 데이터와 상담원의 생리적 반응을 함께 분석할 때 예측 정확도가 높아졌다는 점이 중요한 연구 결과로 제시되었다.

AI, 감정 노동자의 스트레스 87% 정확도로 예측… 가장 효과적인 모델은 SVM

연구진은 수집된 데이터를 바탕으로 AI 모델을 학습시켜 감정 노동자의 감정 부담을 자동으로 평가하는 시스템을 구축했다. 연구 결과, 서포트 벡터 머신(SVM) 알고리즘이 87%의 정확도로 감정 피로도를 예측하며 가장 우수한 성능을 보였다. 그 외에도 랜덤 포레스트(Random Forest) 모델은 86%의 정확도를, XGBoost 모델은 85%의 정확도를 기록하며 뛰어난 성능을 보였다. 다층 퍼셉트론(MLP) 기반 LSTM 모델은 76%의 정확도를 기록했고, Fully Convolutional Network(FCN) 모델은 81%의 정확도를 보였다.

특히 AI 모델이 고객의 음성과 상담원의 생리 신호를 함께 분석할 때 예측 성능이 가장 뛰어났다. 연구진은 고객의 목소리 패턴이 감정 노동자의 스트레스 수준을 측정하는 데 가장 중요한 요소라는 점을 강조하며, 이 연구가 감정 노동자를 보호하기 위한 AI 기술 개발에 중요한 기반이 될 수 있음을 시사했다.

AI 감정 모니터링 기술, 감정 노동자의 업무 환경을 개선할 수 있을까?

이번 연구는 AI가 감정 노동자의 감정적 부담을 실시간으로 감지하고 번아웃을 방지하는 데 활용될 수 있음을 시사한다. 연구진은 AI 모니터링 시스템을 실제 업무 환경에서 적용할 수 있는 방안을 제안했다.

첫 번째 방안으로, AI가 상담원의 생리 신호를 분석해 스트레스 지수가 특정 임계치를 넘으면 자동으로 휴식을 권장하는 기능을 제안했다. 상담원이 연속해서 높은 스트레스를 경험하는 경우 AI가 이를 감지하고 적절한 휴식을 취하도록 유도하는 방식이다.

두 번째로, 감정 노동자의 업무 스케줄을 조정하는 방식이 제시되었다. AI가 개별 상담원의 감정 피로도를 분석하여 맞춤형 근무 일정을 제공하고, 높은 감정 피로도를 겪는 상담원에게는 보다 부담이 적은 업무를 배정하는 방식이다. 이를 통해 감정 노동의 균형을 맞출 수 있으며, 상담원의 감정적 부담을 줄일 수 있다.

세 번째로, AI가 상담원의 실시간 감정 변화를 분석해 고객 대응 시 스트레스를 줄일 수 있는 응대 가이드를 제공할 수 있는 방안이 제시되었다. 고객이 화를 내거나 불만을 표현하는 특정 패턴을 감지하면 상담원에게 최적의 대응법을 추천하는 방식이다. 이를 통해 상담원은 보다 효과적으로 고객의 감정적 반응에 대응할 수 있으며, 감정 피로도를 줄이는 데 도움이 될 수 있다.

감정 노동자의 건강과 업무 효율성을 동시에 고려해야

이번 연구는 AI가 감정 노동자의 감정적 부담을 실시간으로 측정하고 피로도를 예측할 수 있는 가능성을 제시했다. 연구 결과, 고객의 음성 패턴과 상담원의 생리적 반응을 함께 분석하는 방식이 가장 정확한 감정 피로도 평가 방법으로 나타났다.

AI 기반 감정 노동 모니터링 시스템은 상담원의 번아웃을 방지하고 업무 효율성을 높이는 데 기여할 수 있지만, 직원 감시 및 윤리적 문제를 고려한 신중한 접근이 필요하다. AI 기반 감정 노동 모니터링 기술이 직원 보호 및 업무 환경 개선을 위한 용도로 사용된다면 긍정적인 효과를 기대할 수 있지만, 기업이 이를 감시 목적으로 활용하면 오히려 직원들의 스트레스를 가중시킬 수 있기 때문이다.

향후 연구에서는 개별 상담원의 감정 반응 차이를 반영한 맞춤형 AI 모델 개발과 함께, 감정 노동자가 스스로 자신의 스트레스를 관리할 수 있는 AI 피드백 시스템을 연구할 계획이다.

해당 기사에 인용된 논문 원문은 링크에서 확인 가능하다.

기사는 클로드 3.5 Sonnet과 챗GPT를 활용해 작성되었습니다.