[논문 Review] 24. ClueCart

게임의 내러티브를 파고들고 싶은 유저를 위한 Creativity Support Tool

Abstract

최근 게임에서 유행하는 Indexical Storytelling(지시적 스토리텔링) 에 대한 문제를 다룬다.

이 방식은 창의적 해석과 팬 커뮤니티의 활발한 토론을 촉진하지만, 단편적이고 비선형적인 단서 구조 때문에 스토리 해석과 조직화가 어렵다는 문제가 있다.

이를 해결하기 위해 연구진은 다음 세 가지 단계를 수행했다.

서사 단서의 계층적 분류체계(hierarchical taxonomy) 를 제안하고,
이를 기반으로 ClueCart라는 창의적 스토리 해석 지원 도구(Creativity Support Tool, CST)를 설계했으며,
Miro를 베이스라인으로 한 40명 규모의 실험을 통해 ClueCart가 단서 조직 및 회상 효율을 유의미하게 향상시킴을 검증했다.

결과적으로 ClueCart는 창작자들이 단서를 보다 체계적으로 관리하고 스토리 해석 과정을 개선하도록 돕는다는 점에서 실질적인 도움을 제공한다.

1. Introduction

많은 인기 게임들은 단순히 스토리를 전달만 하는 것이 아니라, 유저가 게임 스토리를 해석하고 분석하는 해설자로서의 역할을 하며 깊이있게 몰이할 수 있게끔 한다.

이를 위해 Indexical Storytelling 기법을 활용하게 되는데, 이 기법은 게임 세계 속의 오브젝트나 환경 요소를 단서로 삼아, 플레이어가 사건이나 이야기를 스스로 추론하고 재구성하게 만든다.

Indexical Storytelling : 플레이어가 대사(dialogue)나 문장(text)으로 스토리를 듣는 게 아니라, 공간·환경 속에 남겨진 단서들(발자국, 피자국, 벽에 쓴 글씨, 사물이 부서진 흔적 등)

“이 방엔 피 묻은 자국이 있다” → “아마 누군가 다쳤거나 죽었구나” → “여기엔 위험이 있구나” 이런 흐름

예시: BioShock

“Happy New Year 1959”란 간판이 깨어진 상태로 남아 있는 장면이 있는데 → “한때 번성하던 도시였고, 지금은 폭력·타락 상태다”란 해석이 가능

전통적인 내러티브 방식(컷씬, 대사, 텍스트)보다 플레이어의 탐색·해석 행위를 더 강조
스토리를 단지 받는 것이 아니라, 플레이어가 발견하고 재구성하는 경험
게임 설계 측면에서, 플레이어의 몰입감과 발견의 즐거움을 크게 증가시키는 장치가 됨

그러나 서사 단서의 양이 방대하고, 환경이나 아이템 설명 등 다양한 형태로 존재하는 단서들이 너무 많기에 창작자 입장에서는 체계적으로 정리하기 어렵다.

또한 이야기의 구조가 fragmented 되어있기에, 각 단서를 하나의 일관된 이야기로 엮기 위해서는 창작자의 많은 노력과 해석력이 요구된다.

현재의 게임 내러티브 연구는 주로 게임 디자이너의 관점에서 서사 요소를 분류한다.

디자이너들은 일관되고 몰입감 있는 내러티브를 만들기 위해 구조와 전개(진행성) 에 초점을 맞춤
해석을 시도하는 창작자들은 이야기를 다양한 관점에서 제시하여 청중의 흥미를 유도하고, 비선형적이며 해석적인 방식으로 서사 요소를 탐구

디자이너 중심의 분류 체계(designer-centric classification) 는 이러한 탐구적이고 해석적인 특성을 지원하지 못하기 때문에, 창작자들이 단서를 조직하고 서로 연결해 하나의 포괄적인 이해를 형성하기 위해서는 많은 수작업과 노력이 필요하게 된다.

이러한 어려움을 해결하기 위해, 현재의 HCI연구는 주로 창의성 지원 도구 (Creativity Support Tools, CST) 의 효과성에 초점을 맞추고 있다.

스토리라인
타임라인
스토리텔링 시각화
개념지도 (concept map) : 메모나 요약 작업에 효과적
- 사용자가 문서나 원본 자료에서 핵심 개념, 계층 구조를 파악하도록 도움

이 도구들은 이야기 창작과정에서 주로 활용되며 스토리 분석과 창의적 사고를 촉진하는 역할을 하지만 선형적인 해석 과정에는 적합하지 않으며, 새로운 이야기를 창작하는 데 초점이 맞춰져 있지, 기존의 서사 단서를 해석하는 용도로 설계된 것은 아니다.

즉, 스토리 분석과 창의적 사고를 지원하고 서사 단서를 효율적으로 조직하고 해석할 수 있는 새로운 도구가 필요하다는 것이다.

• RQ1: 어떤 서사 단서의 분류체계(taxonomy)가 해석 창작자들에게 가장 적합한가?
• RQ2: 창작자들은 제안된 도구(proposed tool)와 어떻게 상호작용하는가?
• RQ3: 제안된 도구는 창작자들의 해석 과정의 효율성을 어느 정도 향상시키는가?

2. Background and Related Work

2.1. Background

Game Story Interpretations

영상과 커뮤니티 토론을 통한 게임 스토리 해석은 플레이어의 몰입과 참여를 크게 향상시킨다.

또한 Miro와 같은 디지털 화이트보드는 복잡한 내러티브의 시각화가 필수적인 창의적 분야에서 협업적 브레인스토밍과 스토리 매핑을 지원하기 위해 널리 활용된다. 창작자들은 파편화된 내러티브를 대표하는 스크린샷, 노트, 다이어그램을 수작업으로 배치하여, 자신의 해석을 분석하고 전달하기 위한 임시 구조를 만들 때 종종 이러한 도구에 의존한다.

그러나 현대 게임에서 스토리 파편의 복잡성과 양이 증가함에 따라, 이러한 도구들은 게임 스토리 분석의 증가하는 복잡성을 다루는 데 어려움을 겪기도 한다. 본 연구는 게임 스토리 단서의 자동 조직화와 검색을 위한 분류체계를 제안·통합함으로써 이러한 도구를 한 단계 발전시킨다.

Indexical Storytelling

비디오게임을 기계적 시스템(ludology) 으로 이해해야 하는가, 아니면 서사 매체(narratology) 로 이해해야 하는가를 두고 이어져 온 학문적 논의 외에도, 최근 연구들은 상호작용적 내러티브(interactive narrative) 형태에 주목하고 있다.

Ludology (루돌로지): 게임은 ‘시스템’이다
- 게임은 규칙, 상호작용, 메커니즘으로 이루어진 시스템
  - 게임의 본질은 스토리가 아니라 플레이 그 자체
- 이 관점에서는 게임을 “플레이어가 규칙 속에서 목표를 달성하기 위해 전략을 세우는 시뮬레이션 구조”로 본다.
- “이 시스템이 어떤 상호작용을 유도하는가?” / “플레이어의 선택은 어떻게 제약되는가?”를 연구
Narratology (내러톨로지): 게임은 ‘이야기 매체’다
- 게임의 규칙보다 이야기의 구조, 감정, 상징, 서사적 경험이 더 중요
- "이야기의 감정적 곡선이 플레이어에게 어떻게 전달되는가?”/“선택이 서사에 어떤 의미를 더하는가?”

그중 주목할 만한 형태가 바로 지시적 스토리텔링(indexical storytelling) 으로, 찰스 퍼스(Charles Peirce) 의 언어철학에 기반한 기호학적 관점(semiotic perspective) 을 적용해 제안하였다.

이러한 방식을 사용하는 게임에서 플레이어는 단순히 스토리를 수동적으로 소비하는 존재가 아니다.
플레이어는 물리적 오브젝트, 환경적 단서, 과거 플레이어의 흔적 등 다양한 요소를 해석하여 하나의 일관된 이야기를 구성해나간다. 이러한 방식의 내러티브는 폭넓은 해석의 여지를 남기며, 플레이어가 창작자로서 자신만의 시각과 분석을 커뮤니티 내에서 공유하도록 동기를 부여한다.

본 연구(ClueCart)는 이러한 지시적 스토리텔링 개념에 기반하여, 스토리 해석자(story interpreter) 들이 이 형태의 스토리텔링을 어떻게 이해하고 분류하는지를 탐구함으로써, 비디오게임 속 서사 경험과 몰입감을 한층 강화하고자 한다.

2.2 Game Narrative Elements Classifcation

게임 내러티브 요소의 분류에 관한 연구는 컷신(cut-scene), 대화(dialogue), 텍스트(text), 내레이션(voice-over narration), 서사적 아티팩트(narrative artifacts), 환경(environment) 등 다양한 요소를 포함하며, 여러 접근 방식을 통해 이루어져 왔다.
이러한 요소들은 게임 스토리의 기초 구성 요소로, 플레이어가 이야기를 어떻게 경험하고 인식하는지를 결정짓는 핵심 요소이다.

대부분의 연구는 게임 스토리 디자이너의 관점에서 내러티브 요소를 분류한다.

Huaxin Wei. 2010. Embedded narrative in game design.

삽입된 서사(embedded narrative) 와 주 서사(main narrative) 의 관계를 기준으로,
- 요소를 수평적(horizontal), 수직적(vertical), 그리고 양식적(modal) 임베딩으로 분류
문학 이론을 적용해서 내러티브 요소를 상황, 인물, 형식으로 분류한 경우도 있음

일부 연구는 상호작용적 내러티브 요소에 초점을 맞춘다.

상호작용성(interactivity) 과 전통적 특성(traditional aspects) 을 기준으로 분류
수동적(passive), 능동적 결절형(actively nodal), 동적(dynamic) 범주 분류

그러나 기존 연구들은 대체로 디자이너 중심(designer-centric) 의 시각을 반영한다.
즉, 디자이너가 내러티브 요소를 어떻게 구조화하고 제시하는가에 초점을 맞추고 있으며, 플레이어가 창작자(creator) 로서 다양한 서사 단편을 엮어 관객과 소통하기 위해 수행하는 해석적 과정을 간과하고 있다.

본 연구는 이러한 격차를 해소하기 위해, 지시적 스토리텔링(indexical storytelling) 의 단서를 해석하는 데 초점을 맞춘 새로운 서사 단서 분류체계를 제안한다.이 분류체계는 복잡한 게임 내 서사를 이해하고 분석하기 위한 새로운 관점을 제공한다.

2.3 Creativity Support Tools

HCI연구에서 창의성 지원 도구(Creativity Support Tools, CSTs) 는 아이디어를 생성·조직·정제(refine) 하는 새로운 방식을 제공함으로써 창의적 활동을 향상시키는 것을 목표로 한다.

이러한 도구들은 스토리 분석과 창의적 사고에 널리 활용되며, 스토리텔링, 타임라인 시각화, 스토리라인 시각화등 다양한 형태로 존재한다. 또한, 이야기 창작 과정을 직접 지원하기 위한 도구들도 포함된다.

Tang et al. : 강화학습을 이용해 스토리라인 레이아웃을 최적화하여, 창작자가 플롯 구조를 더 효율적으로 분석
Time-Splines : 타임라인 시각화 도구로, 창작자가 시간적 스토리 흐름을 reflection하며 분석하도록 돕는다.
StoryKit : 텍스트, 이미지, 사운드를 통합해 스토리텔링의 표현력을 강화함으로써 몰입감 있는 창작 경험을 제공

하지만, 이러한 발전에도 불구하고 기존의 스토리 분석 및 창작 도구들은 ‘새로운 이야기 생성’에 초점이 맞춰져 있으며,
복잡한 게임 스토리텔링에서 흔히 나타나는 단편화된 서사 조각(fragmented narrative clues) 의 해석과 재구성을 지원하지는 않는다.
즉, 창작자가 다양한 단서 조각을 모아 일관된 이야기(coherent story) 로 엮어내는 과정에서 겪는 어려움을 해결하지 못한다.

concept map 역시 창의성을 자극하기 위한 또 다른 유형의 도구인데, photo story 제작에서 개념지도 계획을 활용해 창의성을 향상시킬 수 있다고 가정하며, concept map를 통해 조직화 능력을 훈련하면 창작 결과물의 질이 개선된다고 실험했다.

선행 논문 : Improving user confdence in concept maps: Exploring data driven explanations

RQ1. 데이터 기반 설명(Data-Driven Explanation, DDE) 이 사용자의 신뢰도와 설명 능력(Confidence) 에 어떤 영향을 미치는가?
RQ2.두 가지 레이아웃 방식 —
- Reductive (감축형) : 차원 축소 기반 (Isomap → IsoMatch)
- Constructive (구축형) : 군집 기반 (Agglomerative Clustering → UPGMA)
  — 이 사용자 신뢰에 미치는 차이는?

참가자 10명, 시나리오 기반 심층 인터뷰 진행
세 단계 인터뷰:
1. 콘셉트 맵만 제시 (설명 없음)
2. 데이터 기반 설명(DDE) 추가
3. 다른 방식의 DDE 제시
각 DDE는 시각적, 인터랙티브, 데이터 기반으로 설계되어 사용자가 직접 탐색 가능
인터뷰를 전사·코딩해 정성 분석으로 주제와 감정 경향 분석
- 여기서 말하는 코딩은 인터뷰 내용에서 의미 단위를 식별해 코드(code) 라는 꼬리표(label)를 붙이는 과정
  → 프로그래밍의 코드가 아니라, 인터뷰 데이터를 분석하기 위한 분류·해석 과정임

본 논문에서는 concept map 의 구조적 강점을 단서 분류(clue classification) 와 사용자 상호작용(interaction) 에 결합하는 새로운 접근법을 제시했다.

3. Methodology

게임 내러티브 해석을 대중과 공유한 경험이 있는 콘텐츠 창작자 14명을 대상으로 한 형성 평가로 구성

형성 평가 : 프로그램, 제품, 또는 학습 과정의 개발 초기나 진행 중에 개선을 목적으로 수행되는 연구 또는 평가

3.1 Literature Review and Application Survey

2.2절의 문헌 조사와 더불어, Youtube, Reddit, Steam Community와 같은 영상 플랫폼 및 주요 온라인 포럼에 대해서 분석을 수한 결과, 대부분의 이용자는 다음 세 가지 주제를 중심으로 의견을 표현하고 있었다.

의사결정이 게임의 플롯 전개에 어떤 영향을 미치는가
캐릭터 간 관계
캐릭터가 상호작용을 통해 어떻게 퍼스널리티를 드러내고 성장하는가

이후에는 다양한 서사 구조를 가진 게임을 폭넓게 검토하여 추가 분석 대상으로 선정했다.

30개 이상의 유명 게임을 비교하며 각 게임의 내러티브 기법을 대조한 결과, 총 9가지 서사 표현 유형이 도출되었다.

Relatively Straightforward (직선형 서사)
Visual-Driven (비주얼 중심)
Text-Driven (텍스트 중심)
Non-Linear (비선형)
Fragmented (파편형)
Lore-Rich (세계관 중심)
Environmental Storytelling (환경적 단서 중심)
Branching (분기형)
Emergent Narrative (자발적/상호작용적 서사)

고전적 내러티브 이론 중 하나인 서사 기능 분석(narrative function analysis) 을 적용하여, 각 게임의 스토리를 플롯, 캐릭터, 배경의 세 가지 기본 요소로 분류했다. 이후 연구 시스템에 맞춘 분류 프레임워크를 설계하고, 특히 스토리나 포럼 토론에서 분석 대상으로 삼을 스토리 구간이나 캐릭터 전개 부분을 명확히 정의하였다.

다음 단계에서는 LDA 기반의 의미 분석 기법을 사용하여 리뷰 데이터를 주제별로 모델링하고, 빈도 - 중심성을 기준으로 코딩 프레임워크를 생성했다.

3.2 Participants and Data

온라인 소셜 플랫폼을 통해 총 14명의 스토리 해석 창작자 모집
- 여성 6명, 남성 8명, 연령대는 18세에서 34세

참가자들에게 사전에 분류된 게임 단서(pre-classified game clues) 를 제공하지 않는 대신 여러 게임 목록을 제시하고,
그들 스스로 워크숍 전에 하나를 선택해 직접 플레이하도록 요청했다. 모든 참가자들은 자신이 선택한 게임을 최소 4시간 이상 플레이해야 했으며, 그 과정에서 서사 관련 단서 를 최소 20개 이상 수집하도록 요구되었다.

이 네 가지 게임은 모두 플레이어가 스스로 단서를 모아 이야기를 구성하도록 유도하는 구조를 지녔지만, 각각의 서사 전달 방식은 서로 달랐다.

Ori and the Blind Forest : 감동적 컷신과 아름다운 배경을 통한 스토리 전달
- 시각 중심적 내러티브 / 직선적 내러티브
Hades : 플레이어가 여러 번 게임을 반복할수록 등장인물 간의 대화와 관계가 진화하면서 이야기가 전개
- 텍스트 중심적 내러티브 / 선형적 내러티브
Hollow Knight : 탐험과 발견을 통해 이야기를 스스로 구성
- 환경적 스토리텔링, 암시적인 대사, 숨겨진 설정
- 비선형적 내러티브
Elden Ring : 파편화된 스토리 (환경단서, 아이템 설명) & NPC의 짧은 대사를 통해 서서히 드러남

3.4 워크샵

워크숍은 소개–해석–피드백의 세 단계로 진행되었다.

소개 : 워크숍 구조, 스토리 해석 예시 설명
- 워크숍의 배경(background)
- 목표(objectives)
- 단서 수집 방법(clue collection instructions)
- 게임 스토리 해석 예시(examples of game story interpretations)
해석 : 참가자들은 자신이 모은 서사 단서를 ① 플롯 분석, ② 캐릭터 관계, ③ 캐릭터 묘사의 세 관점에서 분석
피드백 : 각 참가자가 2분 발표로 자신의 해석을 공유하고, 이어서 15분 반구조화 1:1 인터뷰를 진행
- 모든 워크숍 종료 후 인터뷰를 실시하여, 참가자들이 서로의 접근법을 관찰·비교한 뒤 논의를 풍성하게 만들었다.
- (1) 단서 분류 전략, (2) 해석 관점 선호, (3) 분류·해석을 위한 바람직한 도구 기능

3.5 Data Analysis

인터뷰 녹음과 참가자 스케치를 체계적으로 분석해 결과의 철저함과 타당성을 확보했으며, 연구원 두 명이 깊이 관여했다.

모든 인터뷰 녹음 후 Otter.ai로 자동 전사한 뒤 억양·쉼표 등 뉘앙스까지 포함해 수동 검수
연구자가 독립적으로 예비 코딩을 수행해 코드 후보를 정의·도출한 뒤, 상호 논의를 통해 통합 코딩 프레임워크를 합의·정립하고 광범위하게 적용
이후 각자 코드를 잠재적 주제로 군집화하고, 논의를 통해 주제를 명확·일관되게 정제
스케치 : 참가자들이 워크숍 중 Miro나 종이에 직접 시각적으로 구성한 이야기 해석 결과물
- 자신이 수집한 게임 단서들을 “이건 캐릭터, 이건 사건, 이건 세계관” 식으로 도식화하거나 메모한 그림 형태의 자료
스케치에도 동일한 절차를 적용했다. 두 연구자가 독립 코딩으로 핵심 시각 요소와 패턴을 식별하고, 논의·조정을 거쳐 일관된 테마 세트를 도출했다.
이후 교차 참조 분석(cross-referencing)으로 인터뷰에서 나온 테마와 스케치로부터 도출된 테마를 비교하여, 시각 요소가 참가자의 구술 내용과 어떻게 부합·확장되는지 점검했다.

3.6 Findings

연구팀은 참가자들이 경험한 여섯 가지 주요 어려움을 세 가지 영역으로 구분했다:

단서 분류 및 조직화(Clue Classification and Organization)
단서 이해(Clue Understanding)
스토리 해석(Story Interpretation)

1) 단서 분류 및 조직화 (Clue Classification and Organization)

참가자 전원은 “게임 스토리를 해석하기 위해서는 먼저 단서를 분류하고 정리하는 과정이 필수적이다”는 점에 동의했다.
하지만 실제로는 이 단계를 체계적으로 유지하는 데 큰 어려움을 겪고 있었다.

문제 C1: 단서의 양이 많고, 수집이 점진적으로 이루어지기 때문에 구조적 분류 체계를 유지하기 어렵다.
→ 단서가 조금일 때는 별문제가 없지만, 양이 많아지면 정리하지 않은 데이터가 빠르게 관리 불가능한 수준이 된다.

문제 C2: 현재의 단서 정리 방식은 주로 시간 순에 의존하는데, 이는 비선형적 탐색 구조와 맞지 않는다.
결과적으로 이야기의 논리적 구조를 반영하지 못해 해석 효율이 떨어짐.

“Ori and the Blind Forest를 플레이할 때 같은 장소를 두 번 방문했어요. 한 번은 메인 스토리 중, 또 한 번은 탐험 때문에요. 그런데 시간순으로 정리하면 두 방문이 섞여버려서 그 지역 단서만 집중해서 보기가 어려워요.
이런 경우엔 위치별로 정리하는 게 훨씬 효율적이에요.”

2) 단서 이해 (Clue Understanding)

참가자들은 수집한 단서의 의미를 이해하는 데에도 큰 어려움을 겪었으며, 이로 인해 스토리를 효율적으로 해석하기가 어렵다고 보고했다.

문제 C3: 단서를 이해하는 데 필요한 정신적 부담이 매우 크다.
특히 단서가 이미지·비디오 등 다양한 포맷으로 존재하기 때문에 스토리와 직접 관련된 내용을 선별하는 데 추가적인 노력이 필요했는데, 이 문제는 특히 텍스트 중심 게임에서 심각했다.

“Hades 같은 게임은 텍스트 양이 너무 많아요. 키워드만 추출하려 해도 너무 힘들고 텍스트가 너무 많아서 핵심 스토리를 파악하기가 버겁죠.”

문제 C4: 단서들 간의 관계를 직관적으로 파악하기 어렵다.
→ 참가자들은 “두 개의 아이템이나 대사가 서로 연결돼 있다는 걸 알아도, 전체 단서 속에서 그 연결고리를 추적하기 힘들다”고 지적했다.

“두 단서가 연결돼 있다는 건 알겠는데, 그걸 전부 기억하고 관리하는 게 너무 힘들어요.
특히 스토리 요소가 여기저기 흩어져 있는 게임에서는 직접 다 꿰맞춰야 해서 부담이 커요.”
“Hollow Knight나 Elden Ring 같은 게임에서는 이야기의 단서가 여러 조각으로 흩어져 있기 때문에 그걸 연결해 전체 스토리를 만들어내려면 엄청 세밀한 단서 추적이 필요해요. 시스템적인 지원이 없으면 금방 압도당하죠.”

문제 C5 : 참가자들은 수많은 단서 중 어떤 게 스토리에 중요한지 고르는 과정에서 큰 어려움을 겪었다.
단서의 양이 방대하고 수집 기간이 길다 보니 핵심 단서를 놓치는 경우가 잦았다.

“Elden Ring의 세계는 규모가 너무 크고, 단서들이 너무 미묘해서 이야기를 이어 붙이려다 보면 중요한 내용을 자주 놓쳐요.”

이 문제는 비선형적 구조(non-linear)를 가진 대규모 게임에서 두드러졌다.
즉, 서사가 여러 지역·시간·아이템에 흩어져 있어, 플레이어가 단서를 직접 수집하고 연결해야 하는 분절형 서사(fragmented narrative) 에서 효율적인 해석이 쉽지 않았던 것이다.

문제 C6 : 참가자들은 단서 해석 시 게임 외부의 정보 (역사, 신화, 문화적 배경) 를 함께 고려하는 것이
스토리 이해에 큰 도움이 된다고 말했다.

“게임 속 단서와 실제 역사나 신화, 문화적 요소 사이의 연결점을 찾으면 새로운 통찰이 생기고, 스토리를 훨씬 창의적으로 해석할 수 있어요.”

위 challenge들을 기반으로, 연구팀은 창작자가 게임 스토리를 더 효율적으로 해석할 수 있도록 돕는 5가지의 기능적 요구사항을 제안했다.

DR1. 적응적이고 사용자 맞춤형 분류 및 조직화

단서의 유형, 위치, 시간, 주제 등으로 체계적으로 분류할 수 있어야 함.
사용자가 자신만의 방식으로 정렬·필터링할 수 있도록 유연성이 필요
→ 이렇게 해야 대규모 단서 속에서도 빠르게 핵심 정보를 찾고, 인지적 부담(cognitive load)을 줄일 수 있음
(C1, C2 대응)

DR2. 단서 내용의 설명 제공

복잡하거나 낯선 단서의 내용을 빠르게 이해할 수 있도록 단서 요약, 키워드 추출, 주요 의미 해석 기능이 필요함
→ 텍스트나 이미지 중심의 단서를 효율적으로 분석할 수 있게 함
(C3 대응)

DR3. 단서 간 관계 설명 기능

각 단서가 서로 어떻게 연결되는지를 시각적으로 보여줘야 함.
“이 아이템 설명은 이전 대사와 관련 있음”, “이 장소는 이전 장면과 동일한 테마로 연결됨” 등.
→ 이를 통해 사용자가 서사 전체의 논리적 구조(logical narrative flow)를 쉽게 파악할 수 있음 (C4 대응)

DR4. 빠른 단서 검색 및 개인화된 추천

사용자가 특정 맥락이나 키워드를 입력하면 관련 단서를 신속하게 검색·추천해야 함
이를 통해 놓쳤던 연결점을 자동으로 찾아주고, 전체 스토리 해석의 완성도를 높일 수 있음 (C5 대응)

DR5. 외부 정보와의 통합 지원

역사, 신화, 문화적 맥락 등 외부 데이터를 단서와 함께 참조할 수 있어야 함.
단서가 “Sun King”이라면, 태양왕 루이 14세에 대한 짧은 정보 링크를 제공
→ 이를 통해 창작자의 해석이 더 깊이 있고 풍부한 의미를 갖게 함 (C6 대응)

4. Taxonomy (분류 체계)

RQ1: “어떤 종류의 내러티브 단서 분류 체계가 해석 창작자에게 가장 적합한가?”

이 질문에 답하기 위해, 워크숍에서 수집된 인사이트를 기반으로 2단계 계층적 분류 체계를 개발했다.

참가자들이 실제 게임 플레이 중 식별한 단서, 플레이어 인터뷰를 결합함으로써 사용자 중심이고 유연한 분류체계를 구축했다.

구축 과정은 두 단계로 나뉜다.

① 귀납적 분류 (Inductive Categorization)

연구자들은 단서와 인터뷰 데이터를 모두 오픈 코딩하여, 참가자들이 직접 제시한 단서 분류 방식을 토대로 넓은 주제 그룹을 도출했고 참가자들의 접근 방식에서 세 가지 주요 테마가 나타났다:
1. Character (인물 관련)
2. Location (장소 관련)
3. Achievement (성과·진행 관련)
두 연구자는 데이터를 독립적으로 코딩한 후, 서로의 코드를 비교·논의하여 통합된 코딩 프레임워크를 만들었다.

1단계	오픈 코딩 (Open Coding)	데이터를 해체하고, 반복되는 개념에 라벨을 붙임
2단계	축 코딩 (Axial Coding)	서로 관련된 코드들을 묶어서 상위 범주(category)로 통합
3단계	선택 코딩 (Selective Coding)	핵심 주제(core theme)를 중심으로 모든 범주를 하나의 스토리로 통합

② 연역적 세분화 (Deductive Specification)

그다음 단계에서, 각 테마 안에 포함되는 구체적 서사 요소를 연역적으로 식별했다.
각 요소는 스토리 진행, 감정 전달, 맥락 제공 중 어떤 역할을 하는지에 따라 구분되었다.
최종적으로 여섯 가지 핵심 서사 단서 유형이 도출되었다:
- Cut-scene (컷신)
- Related Character (관련 인물)
- Environment (환경적 요소)
- Artifact (유물·오브젝트)
- Text (텍스트)
- Dialogue (대화)

1단계 (상위 테마)	창작자들이 게임 단서를 분류할 때 사용하는 공통적인 분류 방식	Character / Location / Achievement	플레이어가 단서를 해석할 때 주로 인식하는 세 가지 범주
2단계 (세부 단서)	각 단서가 게임 내에서 갖는 6가지 고유 속성을 정의	Cut-scene / Related Character / Environment / Artifact / Text / Dialogue	실제 스토리 진행에 기여하는 개별 단서 유형

4.1 분류(Classification)

게임 스토리를 해석할 때, 창작자들은 보통 자신의 플레이 경험을 회고적으로 정리하며 단서를 분류한다.
분석 결과, 참가자들의 분류 습관을 정의하는 세 가지 핵심 축(key dimensions) 이 도출되었다

Character (인물 중심 분류)
- 게임에서 ‘캐릭터'는 플레이어가 조작하는 캐릭터와 NPC 모두를 포함
- 단서를 캐릭터 기준으로 분류하는 것은 인물 묘사와 인물 간 관계를 추적하는 데 핵심적
- 이 방식은 캐릭터의 성장 과정, 상호작용, 서사 내 역할을 분석하기 쉽게 해주며, 인물 간 묘사의 일관성을 유지하고 서사의 통합적 분석을 가능하게 함
Location (장소 중심)
- ‘장소’는 게임 세계 내의 특정 지역을 의미하며, 각 지역은 고유한 스토리라인이나 사건과 연관되어 있음
- 단서를 장소별로 분류하면 지리적 일관성을 유지할 수 있고, 각 환경에서 서사가 어떻게 전개되는지 분석 가능
- 배경과 스토리 전개 간의 관계를 밝혀낼 수 있음
Achievement (성과·진행 중심)
- 게임 내의 주요 이벤트, 도전 과제, 이정표(milestone) 에 연결된 메타 목표
- 단서를 성과 기준으로 분류하는 것은 특히 중요한 플롯 전환점과 연결될 때 유용
- 스토리의 진행 흐름을 시각화하고, 플레이어의 행동을 통해 어떻게 서사적 요소가 해금되는가를 분석하는 데 도움을 줌

4.2 요소(Elements)

참가자들이 게임 내에서 수집한 단서는 각각 서사 구조에 독특하게 기여하는 여섯 가지 기본 속성을 가지고 있었다

Cut-scene (컷신)
- 플레이어의 조작이 일시적으로 중단되는 비상호작용적 시퀀스
- 주요 플롯 전개와 감정 표현을 담당
- 영화적 연출을 통해 스토리를 전달
Related Character (연관 인물)
- 게임 내 특정 속성과 연결된 인물로, 플레이어와의 상호작용을 통해 서사를 진전시키는 존재
- 퀘스트를 제공하거나, 핵심 단서를 드러냄
- 대화나 행동을 통해 플레이어의 여정을 인도하거나 방해
Environment (환경)
- 게임의 분위기, 감정, 몰입감을 결정짓는 서사적 도구
- 건축 양식, 흔적, 빛과 색 등의 시각적 요소
- 이러한 비언어적 서사 단서로 플레이어의 몰입을 강화하고, 스토리의 맥락을 직관적으로 보여줌
Artifact (유물 / 오브젝트)
- 유물은 게임 세계의 역사나 신화적 배경을 담은 탐색 가능한 오브젝트
- 직접 플롯과 연결된 핵심 아이템 혹은 세계를 풍성하게 만드는 보조 정보(배경 텍스트 등) 일수도 있음
- 서사적 맥락을 심화
- 탐험에 대한 보상으로 세계에 대한 더 깊은 이해 제공
Text (텍스트)
- 이야기 전달과 세계관 구축의 주요 수단
- 플레이어는 이를 통해 배경 지식, 인물의 내면, 역사적 정보 등을 자유로운 속도로 탐색할 수 있음
Dialogue (대화)
- 캐릭터의 성격, 동기, 감정 드러냄
- 서사를 동적으로 전개하는 핵심 구성 요소
- 선택지에 따라 스토리의 방향이 달라지는 서사적 에이전시를 경험

5. ClueCart

도출된 디자인 요구사항과 분류 체계를 바탕으로, 게임 서사를 해석하고 이해하는 과정에서 창작자(creator)를 지원하는 ClueCart를 설계했다.

5.1 Automatic Classification

ClueCart의 핵심 기능은 사전에 정의된 분류 체계에 따라 게임 단서를 자동으로 분류하는 것이다 (DR1)

이 구조화된 접근 방식은 창작자들이 게임 내 다양한 요소들 사이의 복잡한 관계를 더 체계적이고 효율적으로 분석·해석할 수 있게 해준다. 이를 위해 연구팀은 게임 내 단서를 자동으로 수집하는 모드를 개발했다.
이 모드는 플레이 중 세 가지 주요 분류 기준(① 캐릭터, ② 장소, ③ 성과)에 해당하는 단서를 자동으로 캡처한다.

다음으로 LLM을 활용해 각 단서를 여섯 가지 세부 요소로 추가 분류하고, 단서의 요약과 핵심 키워드를 자동으로 추출한다. (DR2)

Capture Function

연구팀은 창작자의 실제 플레이에 맞춰 두 가지 직관적인 방식을 제공했다:

스크린샷(Screenshot) : 단축키(Hotkey)를 눌러 단일 화면을 캡처함
→ 특정 이벤트, NPC 대화, 장소 장면 등 개별 단서를 수집할 때 유용
화면 녹화(Screen Recording) : 다른 단축키로 녹화를 시작·중지함
→ 컷신이나 연속적 플레이 장면처럼 시간 흐름이 있는 단서를 기록할 때 적합

이 두 방법을 통해, 창작자들은 플레이 중 중요한 단서를 즉시 저장하고, ClueCart 시스템은 이를 자동으로 분류·라벨링하여 데이터베이스화한다.

캡처 기능이 활성화되면, ClueCart 모드는 게임의 메인 카메라와 UI 카메라의 시야 범위에 접근하여 현재 화면에 보이는 캐릭터나 장소가 있는지를 자동으로 감지한다. 이 중 하나라도 탐지되면, 모드는 해당 게임 오브젝트의 이름을 자동으로 기록(log)하여
이후 분석 단계에서 사용할 수 있도록 저장한다.

추가로, ClueCart 모드는 Steam의 업적 시스템과도 통합되어 있다. 레이어가 인게임 업적을 달성하면,
모드가 즉시 스크린샷을 자동 캡처하고, 그 순간의 등장 캐릭터, 장소, 그리고 해당 업적 정보를 함께 기록한다.

이렇게 하면 주요 게임 이벤트나 스토리 전환점이 자동으로 문서화되어 이후 서사 해석 단계에서 활용할 수 있게 된다.

Categorizing Six Elements and Providing Descriptions

단서 분류를 고도화하기 위해, 연구팀은 이미지 해석 기능이 포함된 GPT-4o 모델을 ClueCart에 통합했다.

캡처된 시각 데이터(스크린샷, 영상 프레임 등)를 입력으로 받아 LLM이 다음과 같은 과정을 수행한다:

여섯 가지 게임 서사 요소(Elements) 로 자동 분류
→ (Cut-scene, Related Character, Environment, Artifact, Text, Dialogue)
각 단서의 요약 설명(description) 생성
핵심 키워드(keyword) 추출

이 기능은 창작자가 단서의 의미를 빠르게 이해할 수 있도록 도와 DR2 (단서 내용의 명확한 설명 제공) 을 충족시킨다.

5.2 Interface

단서 분류 및 검색(Clue Categorization and Retrieval)

좌측 영역(Classification Column) 은 수집된 단서들을 분류 체계의 1단계 기준에 따라 자동 정렬한다.
세 가지 분류 축(캐릭터, 장소, 성과)이 태그(tag) 형태로 표시되어, 사용자가 관련 단서들을 빠르게 그룹화하고 탐색할 수 있게 돕는다.
우측 영역(Recommended Elements Column) 은 단서들을 6가지 세부 요소로 재분류한다.
각 단서는 자동 생성된 설명과 키워드를 포함하며, 단서 간 관계를 시각적으로 보여주는 태그 시스템이 함께 제공된다.

그 외에도 검색 및 커스터마이징 (개인화된 추천 결과), 태그 및 키워드 편집, 정렬 기능 등의 기능을 지원한다.

7. Results

7.1 Miro 서비스와의 비교

연구팀은 세 가지 주요 항목에 대해 참가자 평가를 수집했다:

Perception (인지 평가) – 시스템 사용성, 창의성 지원 등 사용자의 전반적 인식
Features (기능 만족도) – ClueCart 고유 기능에 대한 만족도
Story Interpretation Assessment (서사 해석 평가) – 실제 스토리 해석 과정의 효율성

모든 평가는 7점 리커트 척도(Likert Scale) 로 진행
정량적 비교는 Mann-Whitney U 검정으로 수행
ClueCart와 Miro 간의 통계적 유의성 차이를 분석
정성적 피드백(인터뷰)은 귀납적 주제 분석(Inductive Thematic Analysis) 을 통해 코딩됨

System Usability
- 사용 용이성, 기능성, 학습 용이성, 사용 빈도, 사용자 자신감
Creativity Support
- 재미, 탐색성, 결과 가치 인식, 표현력, 몰입감

7.2 기능 평가

ClueCart의 기능은 세 가지 측면에서 평가되었다:

Taxonomy (분류 체계)
Functionality (기능성)
Interaction (상호작용성)

이전 평가와 달리, 이번에는 Miro와의 비교 실험이 아니라 ClueCart 자체의 기능적 완성도에 대한 기술적 평가(descriptive assessment) 로 진행되었다.

단서 분류 기능은 6.35점으로 매우 높은 수준
학습 곡선 : 체계 자체는 유용하지만, 이를 이해하고 익히는 데 시간이 필요하다고 언급
창의적 탐색 제한 : 구조적 분석에는 좋지만, 자유로운 사고를 방해한다고 느낌
게임 퀘스트 구조와의 불일치 : "게임 내 퀘스트 구조와 연동된 분류 체계”가 있다면 더 좋을 것 같다고 제안

8. Limitations and Future Work

분석 관점의 제한

이번 연구에서는 내러티브 분석을 세 가지 관점으로 나눴다:

플롯 분석(Plot Analysis)
캐릭터 관계(Character Relationships)
인물 묘사(Character Portraits)

하지만 실제 실험에서 창작자들은 이러한 구분에 강한 선호를 보이지 않았다.
즉, 사용자는 고정된 분석 프레임보다 더 유연하고 적응적인 서사 분석 방식을 원했다.
→ 향후 연구에서는 유동적이고 사용자 맞춤형 분석 프레임워크 를 탐구할 필요가 있다.

모딩(Modding) 의존성

ClueCart의 핵심 기능(자동 단서 수집)은 모드 형태로 구현되었기 때문에,
Nintendo Switch, Xbox, PlayStation 등 폐쇄형 플랫폼에서는 접근이 제한된다.
→ 향후 버전에서는 게임 엔진 자체에 단서 수집 기능을 통합하거나, 크로스 플랫폼 호환성을 강화해야 한다.

단서 관계 탐색의 수동성

참가자들은 단서 간 관계를 직접 탐색하고 연결하는 과정이 시간이 많이 걸린다고 지적했다.
→ 다음 버전에서는 자동 관계 탐지를 도입해 해석 효율을 높일 수 있다

LLM 의존성의 문제

ClueCart는 키워드 추출과 단서 요약에 LLM을 활용한다.
이 기능은 워크플로를 단순화하지만, 해석 책임이 도구로 과도하게 전가되어 사용자가 수동적인 소비자로 전락할 위험이 있다.
→ 따라서 향후 연구에서는 자동화와 사용자 통제(user control) 사이의 균형이 필요하다.

추출 강도 조절 옵션 (adjustable extraction profile)
출력 커스터마이즈 기능 (customizable output format)

이런 설정을 통해 사용자가 여전히 해석 과정의 적극적 주체로 남을 수 있다.

Taxonomy의 적응성 부족

현재의 분류 체계는 서사 분석에는 유용하지만 일부 참가자들은 학습 곡선이 있고 유연성이 부족하다고 느꼈다.
특히 상위 카테고리를 추가할 수 없는 점이 다양한 장르의 게임에 맞춰 체계를 맞추는 데 제약으로 작용했다.

짧은 튜토리얼 제공으로 초기 학습 부담 완화
카테고리 커스터마이징 기능 을 모드에 직접 통합
이로써 ClueCart는 보다 유연하고 적응적인 서사 분석을 지원하면서도, 사용자 작업량을 줄일 수 있다.
즉, 사용자가 자신만의 고차원 분류 체계(custom taxonomy) 를 만들어 서사 해석을 더욱 효율적으로 수행할 수 있게 된다.

향후 비전: 협업형 AI 서사 플랫폼으로의 확장

연구팀은 ClueCart의 다음 단계로 동적 협업형 플랫폼(dynamic collaborative platform) 으로의 진화를 제안한다.

“창작자들이 단서를 공유하고 해석을 협업하는 위키형(wiki-like) 환경으로 발전할 수 있다.”

공유 및 협업 (Collaborative Wiki System)
→ 사용자들이 서로 단서를 업로드하고, 해석을 교차 검증하며, 커뮤니티 내에서 새로운 내러티브 해석을 발전시킬 수 있다.
→ 이는 창작자-관객 간 상호작용을 시각화하고, 더욱 활발한 커뮤니티를 조성할 수 있다.
팬픽션(Fan Fiction) 창작 지원
→ 서로 다른 게임 세계관의 캐릭터를 교차 결합하거나, 여러 게임의 자산(asset)을 통합하는 크로스 유니버스 스토리텔링 기능도 제안됨.
개인화 추천 시스템(Personalization via ML)
→ 머신러닝을 통해 각 창작자의 스타일을 학습하고, 사용자별 맞춤 단서 추천 기능을 구현해 보다 창의적이고 개성적인 스토리 창작을 지원할 수 있다.

참고 문헌

저작자표시 (새창열림)

'NLP > 논문리뷰' 카테고리의 다른 글

[논문 Review] 25. Scaling Instructable Agents Across Many Simulated Worlds (0)	2025.11.25
[논문 Review] 23. Generative Agents (3)	2025.04.10
[논문 Review] 22. Evaluating Human-LM Interaction (1)	2025.03.06
[논문 Review] 21. Deepseek LLM (1)	2025.02.13
[논문 Review] 20. NV-Retriever: Improving text embedding models with effective hard-negative mining (3)	2024.12.22