CHI 2020 Paper by Yi-Chieh Lee, Naomi Yamashita, Yun Huang, Wai Fu

1. “I Hear You, I Feel You” :
Encouraging Deep Self-
disclosure through a Chatbot
/ CHI 2020
/ Yi-Chieh Lee, Naomi Yamashita,
Yun Huang, Wai Fu
/ 김소담
석사 과정 김소담
24/09/2020

2. 목차
1 Why This Paper
2 연구 배경
3 연구 방법
4 연구 결과
5 Discussion & Takeaway

3. 3
연구 배경 연구 방법Why This Paper 연구 결과
•대화형 인터액션에 대한 관심
•로그 데이터의 통계 분석 방법론
•양적 방법론과 질적 방법론을 함께 사용
Discussion & Takeaway

4. 4
Self disclosure 자기 노출
: 한 사람이 자신의 개인적이거나 민감한 정보를 드러내는 과정.
강한 대인관계를 형성하는 핵심
챗봇과 자기 노출 : “자신의 취약성을 Virtual agent에게는 더 잘 털어놓는다”
이전 연구에서 컴퓨터 에이전트의 자기 노출이
사용자의 자기노출을 끌어낸다는 것을 발견
챗봇의 자기 노출이 실험 참여자의 자기 노출 촉진으로 이어지는
reciprocity 효과 검증
챗봇이 자신을 드러내는 정도의 차이(=대화 방식 차이)가
사용자의 깊은 자기 노출을 “어떻게” 이끌어내는지를 들여다 볼 필요
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway

5. 5
연구질문 1. 자기 노출 방식은 사용자의 자기 노출에 어떻게 영향을 끼치는가?
연구질문 2. 자기 노출 방식은 시간이 지나면서 자기노출에 어떻게 영향을 주는가?
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
가설 1. 사용자는 챗봇에게 시간이 지날수록 더 깊이 자신을 노출할 것이다
가설 2. 자기 노출을 하는 챗봇에게 사용자는 시간이 지날수록 더 강한
유대감(신뢰, 친밀감, 즐거움)을 느낄 것이다

6. 6
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
•ManyChat + Google Dialogflow
•챗봇을 페이스북 메신저에 디플로이
•매일의 대화 태스크(약 7~10분) 설계 (5pm 이후에만 가능)
•각 태스크는 세 가지 대화 세션으로 구성
•태스크 이외의 시간에는 제약없이 대화 가능 but 간단한 대응만 제공
•실험 참가자를 세 그룹으로 나누고, 챗봇의 자기 노출 정도를 다르게 설정
챗봇 디자인
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 ANOVA 통계 분석(양적) + 설문조사(양적) + 인터뷰(질적)

7. 7
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 ANOVA 통계 분석(양적) + 설문조사(양적) + 인터뷰(질적)
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
Group 1 : ND (None Disclosure)
Group 2 : LD (Low-Disclosure)
Group 3 : HD (High-Disclosure)

8. 8
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 ANOVA 통계 분석(양적) + 설문조사(양적) + 인터뷰(질적)
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
가벼운 수다 Small Talk
- 챗봇은 이 세션에서만 생각, 경험, 감정 등을 공유하며 자기 노출
- 그룹2와 그룹3만 이 세션을 경험하고 통제집단인 그룹1은 제외
민감한 질문 Sensitive Questions
- 사용자가 민감한 질문에 대한 대답(=깊고 친밀한 정보)을 공유하고 더 편안함을 느끼도록 함
- 대학생에게 가장 흔한 정신 건강 문제와 관련해 6개 영역으로 질문 세분화
- 이틀에 한 번, 두 가지 질문으로 챗봇과 대화
- 챗봇은 단순하고 일반적 대응
일기 Journaling
- 하루 동안과 지금의 기분, 경험 스트레스, 걱정 등을 챗봇에 얘기하기
- 챗봇은 거의 듣는 역할, 단순하고 일반적 대응
세 가지 대화 세션 : 일기 -> 가벼운 수다 -> 민감한 질문

9. 실험 참가자
•47명 (여성 28명 / 남성 19명)
•연령 : 20세 ~ 27세
•실험 참가자를 세 그룹으로 나눔
•그룹 분배 기준 : 젠더와 K-Score를 균등하게
•47명의 참가자 중 45명이 상담서비스 경험 無
•47명의 모든 참가자가 지능형 어시스턴트 사용경험이 있으나 규칙적 사용x
9
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 ANOVA 통계 분석(양적) + 설문조사(양적) + 인터뷰(질적)
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
그룹1 : ND (None Disclosure) 16명
그룹2 : LD (Low-Disclosure) 15명
그룹3 : HD (High-Disclosure) 16명

10. 챗봇 대화 로그 분석
•세 참가자 그룹의 <일기>, <민감한 대화> 세션의 모든 대화 기록 수집해 비교
•대화 기록을 세 가지 대화 소재(정보, 생각, 감정)와 자기 노출 정도에 따라 분류/코드화
•두 명의 평가자가 독립적으로 코딩 후 비교하며 수정
•이전 연구에서 자기 노출과의 연관성이 입증된 단어 수/길이를 LIWC2015로 계산
•모든 대화 로그를 ANOVA 모델(단어 수, 관찰된 자기 노출 레벨)로 분석
•Turkey HSD 통계 모델로 사후 검증
10
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 분석(양적) + 설문조사(양적) + 인터뷰(질적)
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway

11. 설문 조사
•실험 시작 1주 후, 3주 후 동일한 내용의 설문조사 총 2회 시행
•사용자 - 챗봇과의 유대감을 측정하는 지표 - 신뢰, 친밀감, 즐거움-에 대해 7점 척도로 평가
•ANOVA 모델로 분석 —> 참여자가 느낀 유대감이 실험 기간동안 변화했는지 밝히고자 함
11
1. 세가지 타입의 대화 세션을 가진 챗봇 디자인
2. 실험 참가자를 세 그룹으로 나눠 3주동안 챗봇 대화 실험 진행
3. Measure: 챗봇 대화 로그 분석(양적) + 설문조사(양적) + 인터뷰(질적)
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
인터뷰
•참가자 47명에게 챗봇과의 데일리 태스크에 대한 구체적 경험을 묻는 반구조화 대면 인터뷰
•챗봇에 대한 인상, 기분, *시간에 따른 변화*에 대해 질문
•Thematic content analysis 주제적 내용 분석 방법을 통해 인터뷰 내용 라벨링 + 코딩

12. 12
가설 1. 사용자는 챗봇에게 시간이 지날수록 더 깊이 자신을 노출할 것이다
가설 2. 자기 노출을 하는 챗봇에게 사용자는 시간이 지날수록 더 강한 유대감(신뢰, 친밀감, 즐거움)을 느
낄 것이다
연구질문 1. 챗봇의 자기 노출 방식은 사용자의 자기 노출에 어떻게 영향을 끼치는가?
연구질문 2. 챗봇의 자기 노출 방식은 시간이 지나면서 자기노출에 어떻게 영향을 주는가?
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
< 일기 > 세션에서의 자기 노출
정보, 생각, 감정 대화 모두에서 챗봇의 자기 노
출 정도에 따른 세 그룹의 유의미한 차이 없음
< 민감한 질문 > 세션에서의 자기 노출
•감정 대화 : 자기 노출 방식(참가자 그룹)과 시
간 모두에서 그룹별 유의미한 차이
•HD, LD >>>> ND
•단어 수 : HD >>> LD >>> ND
가설1 검증

13. 13
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
가설 1. 사용자는 챗봇에게 시간이 지날수록 더 깊이 자신을 노출할 것이다
가설 2. 자기 노출을 하는 챗봇에게 사용자는 시간이 지날수록 더 강한 유대감(신뢰, 친밀감, 즐
거움)을 느낄 것이다
연구질문 1. 챗봇의 자기 노출 방식은 사용자의 자기 노출에 어떻게 영향을 끼치는가?
연구질문 2. 챗봇의 자기 노출 방식은 시간이 지나면서 자기노출에 어떻게 영향을 주는가?
3주동안 챗봇과 대화하며 지각한 유대감 측정 (설문조사)
유대감 요소 1. 즐거움
그룹별 유의미한 차이 없음
유대감 요소 2. 신뢰
유대감 요소 3. 친밀감
•1주 후, 그룹별 유의미한 차이 없음
•3주 후, HD 증가량 >>> ND 증가량
•1주 후, 그룹별 유의미한 차이 없음
•3주 후, HD >>> ND,
HD 3rdweek >>> HD 1stweek
가설2 검증

14. 14
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
가설 1. 사용자는 챗봇에게 시간이 지날수록 더 깊이 자신을 노출할 것이다
가설 2. 자기 노출을 하는 챗봇에게 사용자는 시간이 지날수록 더 강한 유대감(신뢰, 친밀감, 즐거움)을 느
낄 것이다
연구질문 1. 챗봇의 자기 노출 방식은 사용자의 자기 노출에 어떻게 영향을 끼치는가?
연구질문 2. 챗봇의 자기 노출 방식은 시간이 지나면서 자기노출에 어떻게 영향을 주는가?
챗봇의 자기 노출 정도에 따른 주관적 대화 경험 (심층 인터뷰)
그룹별로 챗봇을 현저히 다른 페르소나로 인식
그룹 1 (None Disclosure) : “낯선 사람” 페르소나
챗봇과의 상호작용, 이해, 존중, 피드백 모두 거의 없는 상황 —> 자기 노출 거의 안함
그룹 2 (Low Disclosure) : “상담가”, “정신과 의사” 페르소나
얕고 가벼운 수다부터 깊은, 민감한 질문까지 순차적으로 확장. 민감한 질문에 자세히 대답할 동기 증진
—> 자기 노출 함
그룹 3 (High Disclosure) : “나와 강한 유대관계를 가진 존재”
챗봇이 사용자에게 자신의 경험, 생각, 감정을 공유하기에 진짜 교감한다고 느낌. 내 자기노출에 대한
챗봇의 피드백을 기대 —> 자기 노출 많이 함

15. 15
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
가설 1. 사용자는 챗봇에게 시간이 지날수록 더 깊이 자신을 노출할 것이다
가설 2. 자기 노출을 하는 챗봇에게 사용자는 시간이 지날수록 더 강한 유대감(신뢰, 친밀감, 즐거움)을 느
낄 것이다
연구질문 1. 챗봇의 자기 노출 방식은 사용자의 자기 노출에 어떻게 영향을 끼치는가?
연구질문 2. 챗봇의 자기 노출 방식은 시간이 지나면서 자기노출에 어떻게 영향을 주는가?
세 그룹 모두 3주 동안 시간이 지나며 자기 노출 행위에 변화를 보임 (인터뷰)
그룹 1 (None Disclosure) 참가자
“처음엔 대화가 흥미로웠음”
“매일 같은 얘기 반복에 지루해짐”
“민감한 질문 세션에서도 일방향적인 답변뿐”
“흥미 잃고 얘기하기 싫어짐”
그룹 2 (Low Disclosure)
& 그룹 3 (High Disclosure) 참가자
“일주일 정도 지나고 나서부터 더 친밀해짐을 느낌”
“모르는 사람과 할 수 없는 깊은 이야기를 편안하게 함”
그룹 3 (High Disclosure) 참가자 패턴
“챗봇과의 대화가 쌓여가면서 성격, 배경을 이해하게됨”
"실험이 끝나고도 계속해서 대화를 이어가고 싶음”

16. 16
연구 배경 연구 방법Why This Paper 연구 결과 Discussion & Takeaway
•챗봇과의 대화 시 발생하는 “자기 노출” 행위에서 챗봇의 대화 방식과 시간의 효과를 발견
•컴퓨터와 사용자 간의 자기 노출 reciprocity를 밝힌 이전 연구를 확장시켜 챗봇의 자기
노출이 “어떻게” 사용자의 자기노출에 영향을 끼치는지 규명
•깊은 자기 노출이 요구되는 정신 건강 분야의 챗봇 디자인에 새로운 함의 제공
Contribution & Design Implications
Takeaway
연구 방법론과 과정, 구조에 대한 이해
•로그데이터 수집을 위한 툴 디자인 + 로그데이터 수집 + 질적데이터 수집 + 통합 분석
•가설 - 실험 - 검증
•플랫폼의 한계 (페이스북 메세지) —> 음성 플랫폼에 적용할 수 있을까?
•발화 분석에서 단어 수와 길이 factor
•쉐어원 입주민 워크샵, 1인가구들은 누구보다 self-disclosure가 가능한 대화 상대를 원함
Discussion

17. Appendix

18. • HD Group : 더 깊은 생각, 감정, 정보 표현 -> 자신의 얘기를 더 많이 함
• LD Group : HD보다 더 일반적인 대답, 더 적은 감정/생각
챗봇의 자기 노출 대화 예시 (가벼운 수다 Small Talk)