검색 상세

LLM 기반 희곡 분석을 통한 Actor AI 구현

Implementation of Actor AI through Play Analysis Based on Large Language Models

  • 권세미 (Semi Kwon, 서강대학교 일반대학원)

초록 (요약문)

생성형 인공지능은 특정 인격(persona) 시뮬레이션 및 상호작용형 에이전트 개발 분야에서 발전하고 있다. 그러나 연극의 구조와 개념을 기반으로 한 AI 연기 체계는 아직 초기 단계에 머물러 있다. 특히 극적 맥락 속에서 인물 간의 목표와 감정이 변화하며 드러나는 연기의 과정은, 인공지능이 상황을 이해하고 감정적·전략적으로 반응할 수 있는지를 평가할 수 있는 중요한 연구 영역이다. 본 연구의 목적은 스타니슬랍스키 연기론의 핵심 개념(비트, 목표, 서브텍스트 등)을 기반으로, 극적 맥락과 감정 흐름에 따라 반응하는 대화형 대규모 언어 모델(LLM) 기반 Actor AI를 개발하고, 이를 통해 인공지능이 연기 주체로 작동할 수 있는 가능성을 검증하는 것이다. 이를 위해 고전 희곡 『갈매기』를 비트 단위로 분해하고, 각 비트별 목표, 감정 흐름, 인물 간 관계 맥락 등을 구조화한 연기 분석 데이터를 자동 구축하였다. Actor AI는 이 데이터를 기반으로 사용자의 질문에 따라 극적 맥락과 감정 흐름에 적합한 대사와 반응을 생성하도록 설계되었다. 또한 연출가–배우의 리허설 구조를 모사한 연기 분석 자동화 방식을 통해 일관된 페르소나를 유지하며 상호작용할 수 있도록 구현하였다. 성능 검증을 위해 연극 전문가 5인을 대상으로 GPT와 비교 평가한 결과, 총 15개 하위 지표 중 7개 항목에서 Actor AI가 GPT 대비 유의미한 차이를 보였으며, 자기 인식, 기억회상, 연기 분석 적절성 등에서 높은 효과 크기를 나타냈다. 정성적 평가에서는 Actor AI의 희곡 분석 및 연극적 활용 가능성에 대해 긍정적 평가와 함께, 감정 표현의 다양성과 연극 미학의 구현 측면에서는 한계가 지적되었다. 본 연구는 연극적 방법론을 기반으로 데이터를 구조화하고 연기 분석을 자동화함으로써 공연예술 특화 인공지능 연구의 가능성을 제시하였다. 이러한 연구 결과는 연극과 기술 융합 분야에서 창작 도구, 배우 훈련 시스템, 관객 참여형 콘텐츠 등 다양한 분야로 확장될 수 있는 가능성을 시사한다

more

초록 (요약문)

Generative AI has advanced in persona simulation and interactive agent development. However, AI acting systems grounded in the structure and concepts of theater remain at an early stage. In particular, the acting process—where characters’ goals and emotions shift within dramatic contexts—represents a crucial research area for evaluating whether AI can comprehend situations and respond both emotionally and strategically. This study aims to develop Actor AI, an interactive system that applies core concepts from Stanislavski's acting theory—including beats, objectives, and subtext—using large language models (LLMs) to generate responses aligned with dramatic contexts and emotional trajectories. The study also seeks to verify whether AI can function as an acting subject within these frameworks. To achieve this, the classical play The Seagull was segmented into beats, and acting analysis data was automatically constructed, organizing each beat’s objectives, emotional flows, and character relationships. Actor AI was designed to generate lines and responses appropriate to dramatic contexts and emotional changes in response to user interaction. Furthermore, the rehearsal process between a director and an actor was simulated through automated acting analysis, enabling Actor AI to sustain a consistent persona during interactions. To validate its performance, five theater experts conducted a comparative evaluation between Actor AI and GPT. Among 15 evaluation criteria, Actor AI outperformed GPT in 7 categories, showing large effect sizes in areas such as self-knowledge and acting analysis accuracy. Qualitative feedback highlighted Actor AI’s potential in script analysis and theatrical applications, though limitations in emotional expressiveness and aesthetic diversity were noted. This study proposes the potential of AI specialized in performing arts by structuring data and automating acting analysis based on theatrical methodologies. It further suggests practical applications in creative tools, acting training systems, and audience-interactive content within the convergence of theater and technology. This study highlight the potential of AI research in the performing arts by structuring data and automating acting analysis based on theatrical methodologies. The findings point to the potential for diverse applications, including creative tools, actor training systems, and audience-interactive content, at the intersection of theater and technology.

more

목차

제 1장 서론 1
1.1 연구 배경 및 필요성 1
1.2 연구 목적 2
1.3 연구 방법 및 연구 범위 3
제 2장 이론적 배경 및 선행 연구 5
2.1 예술과 AI의 학제 간 융합 연구 동향 – 배우로서의 인공지능 5
2.2 연기 개념의 AI 시스템 적용 6
2.2.1 목표(objective), 행동(action), 서브텍스트(subtext), 만약에(magic if) 6
2.2.2 비트(Beat) 단위 분석과 희곡의 구조화 9
2.3 AI 기반 페르소나 및 에이전트 시스템 12
2.3.1 LLM을 활용한 스토리텔링 12
2.3.2 LLM 기반 RPLA(Role-playing Language Agent)의 발전 13
2.3.3 RAG 기반 캐릭터 시스템 설계 및 스토리텔링 응용 15
제 3장 시스템 및 프로토타입 설계 17
3.1 요구사항 도출 : 사전 인터뷰 17
3.1.1 인터뷰 개요 및 대상 17
3.1.2 인터뷰 질문지 및 답변 17
3.2 전체 시스템 개요 22
3.3 Actor AI 데이터셋 자동 구축 25
3.3.1 희곡 전처리 및 비트 분할 25
3.3.2 사실·질문 리스트 및 정보 추출 28
3.3.2.1 사실과 질문의 리스트 추출 및 중복 항목 제거 28
3.3.2.2 질문 분류 (Open, Factual) 및 답변 생성 33
3.3.2.3 전체 사실 데이터 통합 36
3.3.3 인물 정보 추출 및 프로필 생성 37
3.3.3.1 인물 정보 추출 38
3.3.3.2 인물 프로필 생성 39
3.3.4 연기 태그 (Objective, Subtext, Emotion 등) 자동 생성 42
3.3.4.1 연기 태그 정의 44
3.3.4.2 Director note 생성 45
3.3.4.3 비트별 연기 태그 생성 46
3.4 Actor AI 프로토타입 구현 48
3.4.1 대사 스타일 반영을 위한 LLM 파인튜닝 48
3.4.2 Actor AI : LangGraph 기반 ReAct-RAG 시스템 50
3.4.3 웹 UI 디자인 54
제4장 실험 및 평가 56
4.1 실험 설계 56
4.2 평가 항목 57
4.3 실험 조건 및 참가자 59
4.4 결과 분석 63
4.4.1 정량 평가 결과 63
4.4.2 정성 평가 결과 68
4.4.2.1 사례 기반 응답 비교: Actor AI vs GPT-4.1 68
4.4.2.2 전문가 인터뷰 기반 주제 분석 76
4.4.3 결과 요약 85
제 5장 논의 및 결론 86
5.1 논의 86
5.1.1 연구 주요 성과 86
5.1.2 연구 의의 90
5.1.3 한계점 및 향후 연구 방향 91
5.2 결론 92

참고 문헌 94

more
반출 Meta View 목록