대규모 언어 모델(LLM)의 급격한 발전은 사용자와 AI 시스템 간의 복잡한 양방향 기대를 생성하지만, 이러한 기대는 제대로 이해되지 않고 있습니다. 본 연구는 주요 모델 전환 시 이러한 기대를 분석하기 위해 "상호적 갈망(mutual wanting)"이라는 개념을 도입합니다. 주요 AI 포럼의 사용자 댓글 분석과 여러 OpenAI 모델에 대한 통제된 실험을 통해 인간-AI 상호 작용에서 양방향 욕구 역학의 첫 번째 대규모 경험적 검증을 제공합니다. 사용자의 거의 절반이 의인화된 언어를 사용하고, 신뢰가 배신 언어를 훨씬 초과하며, 사용자는 뚜렷한 "상호적 갈망" 유형으로 분류됨을 발견했습니다. 주요 모델 릴리스 후 기대 위반 패턴을 측정하고 기대-현실 격차를 정량화합니다. 이중 알고리즘 토픽 모델링 및 다차원 특징 추출을 포함한 고급 NLP 기술을 사용하여 사전 예방적인 사용자 경험 관리 및 AI 시스템 설계를 위한 실용적인 응용 프로그램을 갖춘 상호적 갈망 정렬 프레임워크(M-WAF)를 개발합니다.
