안녕하세요! 이번 내용은 “이원 관계(Dyadic Data)의 역동성을 평가하기 위한 종단 모형”입니다.

제목이 다소 어렵게 느껴질 수 있지만, 걱정하지 마세요. 우리 교육 현장에는 수많은 ‘관계’가 존재합니다. 교사와 학생, 상담사와 내담자, 또는 학습 동료 간의 관계가 시간에 따라 어떻게 변하고 서로 영향을 주고받는지 수학적으로 모델링하는 방법을 아주 쉽게 풀어서 설명해 드리겠습니다.

본 챕터에서 다루는 연속시간 미분방정식(Differential Equation Models)은 매우 고급 통계 기법으로 이 모형을 구현할 수 있는 표준 도구인 R을 사용하여 교육적 상황을 가정한 모의 데이터를 생성하고 분석하는 과정을 보여드리겠습니다.

1. 교육 현장에서의 ‘관계’와 ‘시간’

사회과학과 행동과학 연구는 종종 여러 개체 간의 관계에 초점을 맞춥니다. 여기서 “이원 관계(Dyadic relationship)”란 두 개체, 예를 들어 부모-자녀, 남편-아내, 그리고 교육적으로는 교사-학생이나 동료 학습자 간의 관계를 의미합니다.

이 두 사람의 심리적, 행동적 과정이 시간에 따라 어떻게 진화하는지 평가하기 위해 우리는 데이터를 수집합니다.

• 패널 데이터(Panel Data): 띄엄띄엄 몇 번 측정하는 경우 (예: 학기 초, 학기 말).
• 집중 종단 데이터(Intensive Longitudinal Data): 짧은 기간 동안 집중적으로 측정하는 경우 (예: 수업 시간 동안의 실시간 상호작용).

우리의 목표는 두 구성원 간의 시간적 상호작용 순서를 파악하고, 서로가 서로에게 어떻게 영향을 미치는지 인과관계를 추론하는 것입니다.

1.1 이산 시간(Discrete Time) vs. 연속 시간(Continuous Time)

전통적인 구조방정식(SEM)은 주로 이산 시간 모형을 사용합니다. 이는 시간을 정수(1회차, 2회차…)로 봅니다. 하지만 이 방식은 “측정 간격이 동일하다”는 가정을 전제로 하는데, 현실에서는 지키기 어렵습니다.

반면, 오늘 우리가 다룰 미분방정식 모형(Differential Equation Models)은 연속 시간을 사용합니다.

• 시간은 실(Real) 수로 표현됩니다.
• 변화는 속도나 가속도와 같은 미분(Derivative)으로 표현됩니다.
• 측정 간격이 불규칙해도(예: 학생이 편한 시간에 응답하는 경우) 문제가 없습니다.
• 무엇보다 변화의 과정이 ‘멈추지 않고 계속된다’는 자연 현상을 더 잘 반영합니다.

본 챕터에서는 교육적 상황에 적용할 수 있는 4가지 주요 역동 모형을 R 코드와 함께 살펴보겠습니다.

2. 협력과 조절의 모형 (Models of Cooperation)

2.1 동기화 모형 (Synchrony Model)

이 모형은 두 사람이 서로의 행동이나 목표(이상적 상태)에 맞춰 자신의 상태를 조정하는 과정을 설명합니다.

모형 수식

$\frac{dx_{1}(t)}{dt} = a_{1}(x_{1}^{*} – x_{1}(t)) + b_{1}(x_{2}(t) – x_{1}(t))$

$\frac{dx_{2}(t)}{dt} = a_{2}(x_{2}^{*} – x_{2}(t)) + b_{2}(x_{1}(t) – x_{2}(t))$

• $x_1, x_2$: 두 사람의 현재 상태.
• $x_1^*, x_2^*$: 각자의 이상적인 목표 상태(평형점).
• $a$: 자신의 목표를 향해 얼마나 빨리 나아가는가 (자기 조절).
• $b$: 상대방의 상태에 얼마나 영향을 받아 변화하는가 (상호 조절).

[교육적 예시] 신규 교사와 멘토 교사

• 상황: 열정적이지만 경험이 부족한 ‘신규 교사($x_1$)’와 노련한 ‘멘토 교사($x_2$)’가 있습니다.
• 시나리오: 신규 교사는 멘토 교사의 높은 수업 효능감을 닮아가려 합니다($b_1 > 0$). 반면 멘토 교사는 이미 안정되어 있어 신규 교사에게 크게 영향을 받지 않습니다($b_2 \approx 0$). 이를 단방향 소통(Unidirectional Communication)이라고 볼 수 있습니다.

R 시뮬레이션 및 시각화

R

library(deSolve)
library(ggplot2)
library(tidyr)

# 모델 정의 (동기화 모형)
synchrony_model <- function(t, state, parameters) {
  with(as.list(c(state, parameters)), {
    # x1: 신규 교사의 효능감, x2: 멘토 교사의 효능감
    dx1 <- a1 * (target1 - x1) + b1 * (x2 - x1)
    dx2 <- a2 * (target2 - x2) + b2 * (x1 - x2)
    list(c(dx1, dx2))
  })
}

# 파라미터 설정 (단방향 영향: 멘토 -> 신규)
pars <- c(a1 = 0.5, target1 = 50, b1 = 0.8, # 신규 교사는 멘토에게 영향을 많이 받음
          a2 = 0.5, target2 = 80, b2 = 0.0) # 멘토는 영향받지 않음

# 초기값 (신규 교사: 30, 멘토: 80)
state <- c(x1 = 30, x2 = 80)
times <- seq(0, 20, by = 0.1)

# 시뮬레이션
out <- ode(y = state, times = times, func = synchrony_model, parms = pars)
out_df <- as.data.frame(out)

# 그래프 그리기
ggplot(out_df, aes(x = time)) +
  geom_line(aes(y = x1, color = "Novice Teacher"), size = 1.2) +
  geom_line(aes(y = x2, color = "Mentor Teacher"), size = 1.2, linetype = "dashed") +
  labs(title = "Synchrony Model: Mentoring Effect",
       y = "Teaching Efficacy", x = "Time (Weeks)") +
  theme_minimal()

해석: 위 코드를 실행하면, 초기 효능감이 낮았던 신규 교사($x_1$)가 시간이 지남에 따라 멘토 교사($x_2$)의 수준으로 효능감이 상승하여 동기화되는 곡선을 볼 수 있습니다.

2.2 상리공생 모형 (Mutualism Model)

생태학에서 꿀벌과 꽃처럼 서로 돕는 관계를 말합니다. 교육에서는 협동 학습이 대표적입니다. 혼자 공부할 때보다 둘이 함께할 때 시너지가 나서 각자의 한계($K$)를 뛰어넘는 경우입니다.

모형 수식

$\frac{dx_{1}(t)}{dt} = r_{1}x_{1}(t)[1 – \frac{(x_{1}(t) – \alpha_{12}x_{2}(t))}{K_{1}}]$

• 이 식은 로지스틱 성장 곡선(S자형 성장)을 확장한 것입니다.
• $\alpha_{12}$: 상대방($x_2$)이 나($x_1$)에게 주는 이익. 이 값이 양수이면 나의 성장 한계치($K_1$)를 넘어설 수 있게 도와줍니다.

[교육적 예시] 프로젝트 팀 활동

• 상황: 학생 A와 학생 B가 과학 프로젝트를 합니다.
• 시나리오: 혼자 하면 70점($K$) 정도 받을 학생들이지만, 서로 아이디어를 공유하며($\alpha > 0$) 90점 수준으로 성과가 향상됩니다.

R 시뮬레이션

R

# 모델 정의 (상리공생)
mutualism_model <- function(t, state, parameters) {
  with(as.list(c(state, parameters)), {
    # 로지스틱 성장에 상호작용 항 추가
    dx1 <- r1 * x1 * (1 - (x1 - alpha12 * x2) / K1)
    dx2 <- r2 * x2 * (1 - (x2 - alpha21 * x1) / K2)
    list(c(dx1, dx2))
  })
}

# 파라미터 (상호 이익 발생)
pars_mut <- c(r1 = 0.5, K1 = 70, alpha12 = 0.3, # 학생 A
              r2 = 0.5, K2 = 70, alpha21 = 0.3) # 학생 B

state_mut <- c(x1 = 10, x2 = 10) # 초기 지식 수준
times <- seq(0, 20, by = 0.1)

out_mut <- ode(y = state_mut, times = times, func = mutualism_model, parms = pars_mut)
out_mut_df <- as.data.frame(out_mut)

# 그래프
ggplot(out_mut_df, aes(x = time)) +
  geom_line(aes(y = x1, color = "Student A"), size = 1.2) +
  geom_line(aes(y = x2, color = "Student B"), size = 1.2, linetype = "dashed") +
  geom_hline(yintercept = 70, linetype = "dotted", color = "gray") + # 원래 한계치
  annotate("text", x = 0, y = 72, label = "Original Capacity (K)", hjust=0) +
  labs(title = "Mutualism Model: Cooperative Learning",
       subtitle = "Students exceed their individual capacity (K=70)",
       y = "Project Performance", x = "Time") +
  theme_minimal()

해석: 그래프에서 두 학생의 성취도는 원래 한계인 70점을 넘어 계속 상승하여 더 높은 평형점에 도달하게 됩니다. 이것이 협동의 힘입니다.

3. 경쟁 모형 (Models of Competition)

3.1 직접 간섭 경쟁 모형 (Competition by Direct Interference)

상리공생 모형과 수식은 거의 같지만, 상호작용 항의 부호가 반대입니다. 상대방의 존재가 나의 성장을 방해합니다.

모형 수식

$\frac{dx_{1}(t)}{dt} = r_{1}x_{1}(t)[1 – \frac{(x_{1}(t) + \alpha_{12}x_{2}(t))}{K_{1}}]$

• 여기서 $+\alpha_{12}x_2$ 항은 상대방이 존재할수록 나의 성장률을 갉아먹는다는 것을 의미합니다.

[교육적 예시] 상대평가와 등수 경쟁

• 상황: 전교 1등을 두고 다투는 학생 A와 학생 B.
• 시나리오: 한 학생의 성적이 오르면 심리적 압박감이나 자원(선생님의 관심 등)의 분산으로 인해 다른 학생의 성취도가 저해될 수 있습니다. $\alpha$ 값이 크다면 한 명은 결국 도태(성취도 하락)될 수도 있습니다.

4. 음의 피드백 모형 (Negative Feedback Model)

4.1 포식자-피식자 모형 (Predator-Prey Model)

생태학의 고전적인 로트카-볼테라(Lotka-Volterra) 모형입니다. 피식자(먹이)가 늘어나면 포식자가 늘어나고, 포식자가 늘어나면 피식자가 줄어드는 순환 고리를 가집니다. 교육심리학에서는 자기 조절(self-regulation)이나 감정의 기복을 설명할 때 유용합니다.

모형 수식

$\frac{dx_{1}(t)}{dt} = rx_{1}(t) – cx_{1}(t)x_{2}(t) \quad (\text{Prey})$

$\frac{dx_{2}(t)}{dt} = bx_{1}(t)x_{2}(t) – mx_{2}(t) \quad (\text{Predator})$

[교육적 예시] 시험 불안(Prey)과 공부 시간(Predator)

• Prey ($x_1$): 시험 불안 (또는 미루는 습관)
  • 가만히 두면 자연적으로 증가합니다(불안이 스멀스멀 올라옴).
• Predator ($x_2$): 공부 투입 시간 (집행 기능)
  • 불안이 높아지면($x_1$ 증가), 위기감을 느껴 공부를 시작합니다($x_2$ 증가).
  • 공부를 하면($x_2$ 높음), 불안이 잡아먹혀 줄어듭니다($x_1$ 감소).
  • 불안이 사라지면, 다시 공부를 안 하고 놉니다($x_2$ 감소, 자연 소멸 $m$).
  • 결과적으로 두 변수는 주기적인 파동(Oscillation)을 그리게 됩니다.

R 시뮬레이션

R

# 모델 정의 (포식자-피식자)
predator_prey_model <- function(t, state, parameters) {
  with(as.list(c(state, parameters)), {
    # x1: 시험 불안(Prey), x2: 공부 시간(Predator)
    dx1 <- r*x1 - c*x1*x2
    dx2 <- b*x1*x2 - m*x2
    list(c(dx1, dx2))
  })
}

# 파라미터
pars_pp <- c(r = 0.5,  # 불안의 자연 증가율
             c = 0.1,  # 공부가 불안을 감소시키는 효율
             b = 0.1,  # 불안이 공부를 유발하는 효율
             m = 0.3)  # 공부 중단(망각/휴식) 비율

state_pp <- c(x1 = 10, x2 = 5) # 초기값
times <- seq(0, 50, by = 0.1)

out_pp <- ode(y = state_pp, times = times, func = predator_prey_model, parms = pars_pp)
out_pp_df <- as.data.frame(out_pp)

# 그래프
ggplot(out_pp_df, aes(x = time)) +
  geom_line(aes(y = x1, color = "Test Anxiety (Prey)"), size = 1) +
  geom_line(aes(y = x2, color = "Study Time (Predator)"), size = 1, linetype = "dashed") +
  labs(title = "Predator-Prey Model: Anxiety vs. Regulation",
       y = "Level", x = "Time") +
  theme_minimal()

해석: 그래프는 파도처럼 출렁입니다. 학생의 상태가 안정되지 않고, ‘불안해서 공부함 $\rightarrow$ 안심되어서 공부 안 함 $\rightarrow$ 다시 불안해짐’의 사이클을 반복하는 현상을 수학적으로 보여줍니다.

5. 결론 및 제언

우리는 이 장을 통해 이원 관계(Dyadic Data)를 분석하는 4가지 강력한 도구를 살펴보았습니다.

1. 동기화 모형: 멘토링 관계처럼 서로 닮아가는 과정.
2. 상리공생 모형: 협동 학습을 통해 시너지를 내는 과정.
3. 경쟁 모형: 상대평가 상황에서 서로를 억제하는 과정.
4. 포식자-피식자 모형: 감정과 학습 조절 간의 순환적인 역동.

이러한 모형들은 전통적인 SEM과 달리, 시간의 흐름 속에서 변수들이 어떻게 ‘변화’하는지 그 자체를 미분방정식($dx/dt$)으로 설명합니다. 데이터 수집 기술의 발달로 교육 현장에서도 스마트 기기를 이용한 실시간 데이터(EMA) 수집이 가능해졌습니다. 여러분도 이러한 모형을 활용하여 단순한 상관관계를 넘어, 교육적 상호작용의 ‘역동적 메커니즘’을 밝혀내는 연구에 도전해 보시길 바랍니다.

참고문헌 (References)

• Chambliss, D. F., & Schutt, R. K. (2018). Making sense of the social world: Methods of investigation (6th ed.). Thousand Oaks, CA: Sage.
• Chen, M., Song, H., & Ferrer, E. (2026). Longitudinal Models for Assessing Dynamics in Dyadic Data. In Chapter 34 (pp. 634-645).
• Cole, P. M., Bendezú, J. J., Ram, N., & Chow, S.-M. (2017). Dynamical systems modeling of early childhood self-regulation. Emotion, 17(4), 684–699.1
• Felmlee, D. H., & Greenberg, D. F. (1999). A dynamic systems model of dyadic interaction. Journal of Mathematical Sociology, 23(3), 155–180.
• Ferrer, E., & Steele, J. (2014). Differential equations for evaluating theoretical models of dyadic interactions. In P. C. Molenaar, R. M. Lerner, & K. M. Newell (Eds.), Handbook of developmental systems theory and methodology (pp. 345–368). New York: Guilford Press.
• Gottman, J., Swanson, C., & Murray, J. (1999). The mathematics of marital conflict: Dynamic mathematical nonlinear modeling of newlywed marital interaction. Journal of Family Psychology, 13(1), 3–19.
• Kot, M. (2001). Elements of mathematical ecology. Cambridge, UK: Cambridge University Press.
• Lotka, A. J. (1925). Elements of physical biology. Baltimore: Williams & Wilkins.
• Oud, J. H. L., & Singer, H. (2008). Continuous time modeling of panel data: SEM versus filter techniques. Statistica Neerlandica, 62(1), 4–28.

WaurimaL의 한마디: 여러분, 수식이 나와서 당황하셨죠? 하지만 수식은 현상을 명확하게 기술하기 위한 언어일 뿐입니다. R 코드를 직접 돌려보면서 그래프가 어떻게 변하는지 확인해 보세요. 그 과정에서 교육적 통찰을 얻으실 수 있을 겁니다.