LLM(대규모 언어 모델)의 출력을 개별 사용자에게 맞추는 개인화 과제에 사회학 이론을 접목한 계층적 프레임워크 PHF(Practice-Habitus-Field)가 arXiv에 발표됐다. 기존 접근법들은 사용자 행동을 평면적으로 집계하는 방식을 채택해 행동들이 더 깊은 구조로 조직되는 방식을 명시적으로 고려하지 않는다는 한계가 있었다.
연구팀은 피에르 부르디외(Pierre Bourdieu)의 실천 이론(Theory of Practice)을 기반으로 LLM 개인화를 세 계층으로 재구성했다. 개별 행동은 실천(practice), 이것이 시간적으로 축적돼 형성되는 안정적 성향은 아비투스(habitus), 유사 사용자 집단 전반에 걸친 공유 규칙성은 장(field)에 해당한다. 이 세 계층을 인스턴스화한 구현체 PHF-Compass는 동결된 LLM에 기반한 경량 모델 비의존 방식으로 설계됐다.
언어 모델 개인화(LaMP) 벤치마크를 대상으로 한 실험에서 PHF는 다양한 과제에 걸쳐 일관된 성능 향상을 보였다. 추가 분석을 통해 학습된 행동 구조의 해석 가능성과 확장성도 확인됐다. 개인화 성능 향상 외에도 모델이 학습한 사용자 표현이 의미 있는 계층 구조를 갖추고 있음을 연구팀이 검증한 것이다.
LLM 기반 서비스의 확산으로 개인화 수준이 사용자 경험의 핵심 변수로 부상하고 있다. 기존 방식이 사용자 행동을 단순히 모아서 처리하다 보니 개별 행동이 어떻게 더 깊은 구조로 조직되는지를 설명하지 못한 반면, PHF는 행동을 실천·아비투스·장이라는 세 층위로 나눠 단기적 행동과 장기적 성향, 그리고 집단적 규칙성을 분리해 다룬다. 단순한 행동 이력 집계를 넘어 개인의 성향과 집단적 규칙성을 계층적으로 포착하려는 이번 접근법은, 인문사회과학의 개념 틀을 AI 시스템 설계에 통합하는 학제적 연구 흐름의 사례로도 주목된다. 동결된 LLM 위에서 동작하는 경량·모델 비의존 구현은 별도의 재학습 부담 없이 다양한 기반 모델에 얹어 쓸 수 있다는 점에서, 추천·검색·대화형 비서 등 개인화가 중요한 서비스에 폭넓게 응용될 여지가 있다는 평가다.
