Project Fetch: Claude는 로봇 개를 훈련시킬 수 있는가

Claude 같은 프런티어 AI 모델은 컴퓨터 바깥, 곧 물리 세계에 어떤 방식으로 영향을 미칠 수 있을까. 한 가지 경로는 로봇이다. 우리는 Claude가 Anthropic 직원들의 로봇 개 관련 복잡한 과제 수행을 얼마나 도왔는지 보기 위해 실험을 진행했다.

우리는 Anthropic 연구자 8명(로봇공학 전문가는 아무도 아니었다)을 무작위로 두 팀으로 나눴다. 한 팀에는 Claude 접근 권한을 주고, 다른 팀에는 주지 않은 뒤, 사족 보행 로봇이 비치볼을 물어오도록 프로그래밍하게 했다.
Team Claude는 더 많은 과제를 수행했고 평균적으로 더 빨리 마쳤다. 두 팀이 모두 끝낸 과제에 한정하면 Team Claude는 Team Claude-less가 걸린 시간의 약 절반 만에 성공했다. 최종 목표인 로봇의 완전 자율 비치볼 회수에 실질적으로 다가간 것도 Team Claude뿐이었다.
AI 접근 권한은 팀의 사기와 상호작용 방식에도 영향을 미쳤다. Team Claude-less는 더 많은 부정적 감정과 혼란을 드러냈지만, 서로에게 더 많은 질문을 던지기도 했다. Team Claude 구성원들은 대체로 AI와 짝을 이뤄 일했다.
이번 실험은 로보틱스에서의 상당한 향상(uplift)을 보여 줬다. 디지털 세계와 물리 세계가 연결된 것이다. 모델이 개선될수록, 처음 보는 하드웨어와 상호작용해 물리 세계에 영향을 미치는 능력도 빠르게 발전할 수 있다.

Introduction

창고의 탁자 둘레에 모여, 도무지 돌아가지 않는 코드를 화면에서 붙잡고 씨름하던 자원 연구자들은 자신들이 신뢰하던 AI 조수 Claude 없이 작업하던 그날, 네 발 달린 로봇의 공격을 받을 줄은 예상하지 못했다.

그러나 기계음과 고무 발자국 소리가 점점 커지자 사람들은 화들짝 놀랐다. 그들은 컴퓨터와 사족 보행 로봇, 곧 "로보독(robodog)"을 연결하려 했지만 번번이 실패하고 있었다. 반면 방 맞은편의 경쟁 팀은 이미 오래전에 연결을 끝냈고, 상당 부분 Claude가 작성한 프로그램으로 로봇을 조종하고 있었다.

하지만 지나치게 인간적인 산수 실수 하나가 있었다. Team Claude는 로보독에게 초당 1미터 속도로 5초 동안 전진하라고 지시했는데, 5미터도 채 떨어지지 않은 곳에 다른 팀의 탁자가 있다는 사실을 계산에 넣지 못했다.

로봇은 지시받은 대로 움직였고, 당황한 코더들을 향해 돌진했다. 행사 진행자가 로봇을 붙잡고 전원을 끄는 데 성공해 로봇, 탁자, 사람의 팔다리 모두 무사했지만, 의도치 않게 표적이 된 팀의 사기는 상처를 피하지 못했다.

이쯤에서 아마 이런 질문이 들 수 있다.

What were we doing?

AI가 물리 세계와 상호작용하는 능력이 얼마나 뛰어날지에 대한 질문은 흔하다. 우리가 AI 에이전트의 시대로 들어서고 있다고는 해도, 이들의 행동은 여전히 대체로 코드 작성이나 소프트웨어 조작처럼 디지털 영역에 머물러 있다. Anthropic은 앞서 Project Vend를 통해 Claude가 사무실 안 작은 상점을 운영하도록 하면서, AI가 제한적인 방식으로 디지털과 물리 세계를 잇는 모습을 살펴본 바 있다.

그 실험에서 AI의 현실 세계 개입은 인간 노동을 매개로 이뤄졌다. 이번 로보독 실험은 그 자연스러운 다음 단계로, 인간 대신 로봇을 사용해 다른 도전을 다뤘다.

AI 모델의 능력을 이해하고 추적하는 한 방법은 "향상 연구(uplift study)"를 수행하는 것이다. 이런 실험에서는 참가자를 무작위로 두 집단으로 나눈다. 한 집단은 AI에 접근할 수 있고, 다른 집단은 없다. 그런 다음 과제 수행 차이를 측정한다. Anthropic은 AI와 생물학적 위험(biological risk)을 연구할 때도 이 방법론을 광범위하게 사용해 왔다. 두 집단 사이의 차이가 바로 "uplift", 곧 AI가 제공한 이점(있다면 그것)이 된다.

향상을 측정하면 현재 시점에서 AI가 인간 수행을 얼마나 증강할 수 있는지 알 수 있다. 동시에, 앞으로 AI가 어떤 영역에서 인간 도움 없이도 과제를 수행하게 될지를 가늠하게 해 주는 신호이기도 하다.

이번 실험을 위해 우리는 Anthropic의 연구자와 엔지니어 8명을 모집했다. 이들 누구도 로봇에 대한 광범위한 사전 경험은 없었다.¹ 이 가운데 4명은 Team Claude, 4명은 Team Claude-less로 무작위 배정했다. 그리고 각 팀에게 점점 더 어려워지는 세 단계에 걸쳐 사족 보행 로보독을 조작하게 했다. 모든 단계에서 평가 기준이 된 핵심 과제는 단순했다. 로보독이 비치볼을 물어오게 만드는 일이었다.

사진: Team Claude-less와 Team Claude

사진: 왼쪽은 Team Claude-less, 오른쪽은 Team Claude.

로봇이 비치볼을 가져오는 일이 미래 Anthropic Economic Index에 별도 과업으로 잡힐 만큼 경제적으로 중요해질 것이라고 우리는 기대하지 않는다. 그렇다면 왜 이런 실험을 했을까.

첫째, 이 실험은 Anthropic의 기존 연구를 잇는다. Anthropic이 Claude의 AI R&D 기여 능력을 평가할 때 사용하는 평가 항목 가운데 하나는, 사족 보행 로봇을 제어하는 데 쓸 수 있는 기계학습 모델을 훈련시키는 능력이다. Anthropic은 앞서 시뮬레이션으로 이 알고리즘을 평가했고, 그 결과 Claude가 아직 이 과제를 진정한 의미에서 완전 자율적으로 수행할 단계는 아니라는 점을 확인했다.² 그렇기에 이 과제는 AI와 인간의 도움을 결합한 실험에 적합했다.

또한 로보틱스 영역에서는 여전히 모델 개선 여지가 크기 때문에, 이 실험을 장차 반복 수행하는 것도 충분히 의미 있다고 볼 수 있었다.

또 다른 이유는 실무적이었다. 동료들을 하루 이상 업무에서 떼어두기는 어렵다. 따라서 하루를 채울 만큼은 충분히 어렵지만, 너무 어려워서 양 팀이 거의 진전을 이루지 못하고 AI 향상이 있더라도 탐지할 수 없게 되는 과제가 필요했다. 비치볼 회수, 특히 더 어려운 변형 과제는 그 조건에 부합했다.

1단계에서 팀들은 제조사가 제공한 컨트롤러를 써서 로보독이 비치볼을 인조 잔디 구역으로 가져오게 해야 했다. 이 단계는 단지 팀들이 하드웨어와 그 성능을 체감하도록 하기 위한 것이었고, 여기서는 특별한 향상을 기대하지 않았다.³

2단계에서는 컨트롤러를 내려놓아야 했다. 각자 컴퓨터를 로보독에 연결하고, 탑재 센서(비디오와 라이다) 데이터를 읽고, 로봇을 움직이기 위한 자체 소프트웨어를 개발한 뒤, 그것으로 공을 가져오게 해야 했다. Claude의 이점이 본격적으로 드러날 수 있다고 본 것은 이 지점이었다.

3단계는 더 어려웠다. 팀들은 로보독이 비치볼을 스스로 감지하고 회수하도록 하는 프로그램을 개발해야 했다. 곧, 사람이 공 쪽으로 직접 조종하지 않아도 되는 수준의 자율성이다. 여기서도 우리는 Claude가 도움이 될 것이라 예상했다.

Results

전반적으로 Team Claude는 더 많은 과제를 수행했고 평균적으로 더 빨리 마쳤다. 실제로 두 팀이 모두 완수한 과제만 놓고 보면, Team Claude는 Team Claude-less보다 약 절반의 시간 만에 성공했다(그림 1). 다시 말해, 이번 로보틱스 과제 묶음에서는 AI가 상당한 향상을 제공했다.

그림 1: 양 팀이 모두 완료한 과제의 소요 시간 비교

그림 1: Team Claude가 양 팀 모두 완료한 과제에서 더 빠른 수행 속도를 보였다.

과제별 세부 결과를 세 단계로 나눠 보면, Claude의 이점이 어느 부분에서 가장 컸는지 드러난다.

표 1: 단계별 과제 수행 결과

표 1: Team Claude는 8개 과제 중 7개를 완료했고, Team Claude-less는 8개 중 6개를 완료했다. Team Claude는 연결과 감지 과제에서 강점을 보였고, Team Claude-less는 일부 수동 조작 과제에서 상대적으로 앞섰다.

Claude’s edge

Claude가 제공한 가장 두드러진 이점은 로봇과 그 탑재 센서에 연결하는 과정이었다. 여기에는 노트북으로 로봇에 연결하고, 데이터를 수신하고, 명령을 전송하는 작업이 포함됐다. 이 특정 로봇에 연결하는 방법은 여러 가지였고, 온라인에는 정확도도 제각각인 정보가 많이 떠돌았다. Claude를 쓸 수 있었던 팀은 이런 접근법들을 더 효율적으로 탐색할 수 있었다.

Team Claude는 온라인의 잘못된 주장들에도 덜 휘둘렸다. 반면 Team Claude-less는 오도됐고, 결국 로보독에 가장 쉽게 연결하는 경로를 너무 일찍 폐기했다. 우리가 한동안 그들이 별 성과 없이 고생하는 모습을 지켜보다가, 결국 힌트를 하나 줄 정도였다.

라이다, 곧 로보독이 주변 환경을 시각화하는 데 사용하는 센서에서 쓸 만한 데이터를 뽑아내는 일 역시 Team Claude-less에게 훨씬 어려웠다. 이들은 비디오 카메라 연결만으로 3단계에 진입했지만, 팀원 한 명을 끝까지 라이다 접근 과제에 붙여 두어야 했고, 성공은 하루 끝무렵에서야 이뤄졌다.

이 사례는 코드로 물리 세계에 영향을 미치려는 주체가 인간이든 AI든, 하드웨어를 연결하고 이해하는 기본 과업이 지금도 놀랄 만큼 어렵다는 점을 보여 준다. 그리고 Claude가 이 영역에서 보인 이점은, 앞으로 계속 추적해야 할 중요한 신호이기도 하다.

Team Claude는 실험을 거의 완료할 뻔했다. 하루가 끝날 무렵 이들의 로보독은 비치볼을 자율적으로 찾아내고, 그쪽으로 이동하고, 공을 밀고 다닐 수 있었다. 다만 완전 자율 회수에 이를 만큼의 정교함에는 아직 미치지 못했다.

Where Team Claude-less moved faster

흥미롭게도 일부 하위 과제는 오히려 Team Claude-less가 더 빨리 끝냈다. 이들은 영상 피드 연결에 성공한 뒤 제어 프로그램을 더 빨리 작성했고, 로봇의 "위치 추정(localization)"도 더 빨리 해냈다. 곧, 로봇이 이전 위치에 비해 현재 어디에 있는지를 도식화하는 방법을 더 빨리 마련했다.

다만 이런 시간 차이만 보면 몇 가지 흥미로운 사실이 가려진다. Team Claude가 만든 컨트롤러는 더 오래 걸렸지만 훨씬 쓰기 쉬웠다. 로보독 시점의 스트리밍 비디오를 조작자에게 제공했기 때문이다. 반면 Team Claude-less는 간헐적으로 전송되는 정지 이미지에 의존했고, 그 방식은 훨씬 다루기 불편했다.

그렇다고 해도 Team Claude의 높은 역량은 이해 부족을 대가로 했을 가능성이 있다. 양 팀 참가자 모두, 실험 뒤 소프트웨어 라이브러리에 관한 퀴즈를 본다면 Team Claude-less가 더 잘할 것이라고 추정했다.

위치 추정 알고리즘도 흥미로운 사례였다. Team Claude는 이 하위 과제를 수행할 때 여러 팀원이 여러 접근법을 병렬로 시도했다. Team Claude-less가 자기 위치 추정 과제를 마치는 데 걸린 시간과 비슷한 시간 안에, Team Claude도 사실상 문제를 거의 해결했다. 다만 그들이 그린 좌표계가 뒤집혀 있었을 뿐이다.

그런데 좌표만 뒤집어 수정하는 대신, Team Claude는 다른 팀원의 완전히 다른 접근법으로 선회했다가(성과 없이), 나중에 다시 돌아와 원래 해법의 버그를 고쳤다.

이는 실험 중 우리가 본 흥미로운 현상의 일부였다. Team Claude는 훨씬 더 많은 코드를 작성했지만(그림 2), 그 일부는 당면 과제와 직접 관련 없는 산만함이기도 했다.

그림 2: 작성 코드량 비교

그림 2: Team Claude는 Team Claude-less보다 약 9배 많은 코드를 작성했다.

AI 조수의 도움을 받으면 여러 접근법을 병렬로 벌리고 더 나은 프로그램을 작성하기 쉬워진다. 동시에, 샛길 과제(side quests)를 탐색하거나 거기에 주의를 빼앗기기도 쉬워진다. 경쟁이 없는 환경이라면 이는 오히려 장점일 수 있다. 탐색은 종종 혁신으로 이어지기 때문이다. 다만 주의 깊게 지켜볼 만한 동학임은 분명하다.

Team dynamics

실험을 관찰하던 우리 눈에는 두 팀의 "분위기(vibes)" 차이가 뚜렷했다. 단순히 말해, Team Claude가 Team Claude-less보다 훨씬 더 즐거워 보였다.

이것은 이해할 만했다. 무엇보다 Team Claude-less는 Team Claude의 로보독에 거의 들이받힐 뻔했다. 게다가 이들은 점심시간이 될 때까지 자기 로보독과의 연결에도 성공하지 못했다. Team Claude의 사기는 대체로 더 안정적이었지만, 하루 끝으로 갈수록 3단계를 끝내기 전에 시간이 바닥나리라는 사실이 분명해지면서 이들도 점차 좌절감을 드러냈다.

이런 질적 인상을 보완하기 위해, 우리는 각 팀의 음성 전사본을 Claude로 분석했다. 실험을 다룬 동영상의 일부로 모든 팀원의 음성은 녹음돼 있었다. Claude는 심리학 문헌의 표준 접근과 유사한 사전 기반 텍스트 분석 프로그램을 작성했다.⁴ 이를 통해 각 팀이 말한 단어 중 부정적 감정과 긍정적 감정(또는 혼란)을 시사하는 비율, 그리고 질문 빈도를 추정할 수 있었다.

정량 분석은 대체로 우리의 관찰을 뒷받침했다(그림 3). 실험 내내 Team Claude-less의 대화는 더 부정적이었다. 다만 3단계를 끝내지 못한 Team Claude의 실망과, 몇몇 기능을 결국 작동시킨 Team Claude-less의 흥분이 겹치면서, 두 팀의 순감정 표현(긍정 단어에서 부정 단어를 뺀 값) 차이는 통계적으로 유의하지 않았다.⁵

그림 3: 감정 표현 분석 결과

그림 3: Project Fetch 음성 전사본에 대한 정량 분석 결과. Team Claude-less는 전반적으로 더 부정적인 정서를 보였다.

Team Claude-less는 Team Claude보다 두 배 높은 빈도로 혼란을 표현했다(그림 4). 이런 좌절과 혼란은 실험 도중과 이후 Team Claude-less 구성원들과 확인할 때도 분명했다. Anthropic 직원인 참가자들은 모두 매일 Claude를 사용한다. 따라서 Team Claude-less의 모든 구성원은 그것을 빼앗긴 경험이 얼마나 낯설게 느껴졌는지 언급했다.

일부는 이 경험 때문에 자신의 코딩 실력이 예전만 못하다는 느낌까지 들었다고 말했다. Claude Code가 이 실험 6개월 전에야 처음 공개됐다는 사실을 떠올리면, Team Claude-less와의 대화는 최근까지 놀라웠던 것을 얼마나 빨리 일상으로 받아들이는지 잘 보여 준다.

그림 4: 질문과 혼란 표현의 차이

그림 4: 두 팀의 질문 빈도와 혼란 표현 차이. 절대 차이와 상대 차이가 완전히 일치하지 않는 부분은 반올림 때문이다.

두 팀은 작업 방식도 달랐다. 초반 상의 이후 Team Claude의 각 구성원은 자기 AI 조수와 짝을 이뤄 각 목표를 향해 병렬 경로를 추구하는 모습이 두드러졌다. 반면 Team Claude-less는 서로 더 자주 상의하고 더 깊게 전략을 논의하는 쪽에 가까웠다. 이 역시 텍스트 분석이 뒷받침했다. Team Claude-less는 Team Claude보다 44% 더 많은 질문을 던졌다(그림 4).

이를 두고 Team Claude-less 구성원들이 서로에게 더 깊이 연결되고 더 적극적으로 관여했다고 해석할 수도 있다. 이는 Anthropic 직원 인터뷰에서 곧 공개될 다른 발견들과도 맞닿아 있다.

다만 꼭 그럴 필요는 없었을지도 모른다. 사실상 4인 구성의 Team Claude는, 각 사람이 자기 모델 인스턴스를 쓰고 있었기 때문에 8에이전트 팀에 가까웠다. Claude가 과제의 성격을 더 잘 이해했더라면, 전략적 분업과 필요한 순간의 의사소통까지 도왔을 가능성도 있다. 지금의 Claude는 한 사람과의 협업에는 맞춰져 있지만 팀 지원이나 오케스트레이션에는 그렇지 않다. 다만 이는 결국 설계 선택의 문제다.

Outtakes

그날의 일과가 전부 초시계로 하위 과제 시간을 재고 전사본 분석을 준비하는 일만으로 채워진 것은 아니었다. 순수하게 재미있기도 했다.

로보독에는 참가자들이 잠금 해제할 수 있었던 몇 가지 사전 프로그래밍 동작이 들어 있었다. 하루 동안 어느 순간에는 로봇이 춤을 추고, 뒷다리로 서고, 백플립을 하기도 했는데, 그때마다 많은 참관자가 깜짝 놀라 뛰어오르곤 했다. 특히 Team Claude-less는 마침내 정상 연결에 성공한 뒤 로보독 묘기를 꽤 즐겼다.

Team Claude의 샛길 과제 가운데 하나는 대체 컨트롤러 프로그래밍이었다. 주된 해법은 노트북 키보드 버튼으로 로보독을 조종하는 방식이었지만, Team Claude의 한 구성원은 결국 자연어 컨트롤러까지 작동시켰다. 덕분에 로보독에게 전진하라, 후진하라, 심지어 팔굽혀펴기를 하라고도 곧바로 지시할 수 있었다.

과제가 점점 어려워질수록, AI 시스템이 현실 세계에서 매끈하게 처리하지 못하는 거친 면도 드러났다. 예를 들어 Team Claude는 임의로 초록색 장식을 한 로보독과 초록색 비치볼을 배정받았다. 그런데 공을 감지하는 접근법을 개발할 때 Team Claude는 초록 공만 인식하도록 알고리즘을 훈련시켰다.

이 방법은 시험 환경에서는 잘 작동했다. 하지만 그 공이 앞서 말한 인조 잔디, 곧 역시 초록색 바닥 위에 놓이자 로봇은 처음에 혼란을 겪었다. 이 경우에는 목표를 어떤 추상화 수준에서 지정할지에 대해 인간이 다소 비최적의 선택을 한 셈이다. 하지만 바로 이런 문제가 똑같은 상황에 놓인 AI에게도 닥칠 것이다.

Limitations

Project Fetch를 통해 많은 것을 배웠지만, 이번 연구에는 분명한 한계와 약점이 있다. 우선 이는 두 팀만을 비교한 단 한 번의 실험으로, 표본 수가 매우 작다. 또한 과제는 하루 동안만 시험했으며, 학술적으로는 흥미롭지만 실용적으로는 사소한 일이었다.

자원한 Anthropic 직원을 사용했다는 점도 편의 표본에 해당한다. AI에 덜 익숙한 참가자들이었다면 Claude 사용 집단과 비사용 집단 사이의 차이는 더 작았을 가능성이 높다. AI 초보자가 AI를 사용할 수 있었다면 기술에 적응하는 데 시간이 더 필요했을 것이고, 반대로 도움 없이 작업한 초보자들은 갑자기 Claude를 빼앗긴 Anthropic 연구자들만큼 방향 감각을 잃지 않았을 것이다.

마지막으로, 이것은 Claude가 로봇공학 과제를 처음부터 끝까지 독자적으로 수행할 수 있는지를 시험한 실험은 아니었다. 다만 향후 그런 평가로 나아가기 위한 중요한 첫 단계이기는 했다.

Reflection

그렇다면 Project Fetch가 끝난 지금, 우리는 어디에 와 있고 어디로 향하고 있다고 생각할까.

첫째, 이번 실험은 Claude가 잠재적으로 가치 있는 영역에서 인간 능력을 증강할 수 있음을 다시 한 번 보여 줬다. 비전문가들이 제한된 시간 안에 어려운 로보틱스 과제를 수행한 것이다.

그러나 AI에서 향상은 종종 자율성에 선행한다. 오늘 인간이 AI의 도움으로 수행하는 일은 내일이면 모델이 혼자서 해낼 때가 많다. 이제 코더들은 AI에게 디버깅용 코드 조각만 던지지 않는다. 과제 자체를 넘기고, 모델이 코드를 쓰게 한다. 이런 연구들을 보면, 프런티어 AI 모델이 처음 보는 하드웨어와도 성공적으로 상호작용할 수 있는 세계가 머지않아 도래할 것이라고 우리는 생각한다.

이런 역량은, Anthropic의 또 다른 연구 축과 함께 계속 추적하는 것이 중요하다. 그것은 AI가 차세대 AI 개발을 자동화하고 가속할 잠재력을 어떻게 모니터링할 것인가 하는 문제다. 이 역량은 Responsible Scaling Policy에 포함된 능력 임계값 가운데 하나이기도 하다. 진정한 자율 AI R&D는 빠르고 예측하기 어려운 진전을 낳아, 우리가 새로 떠오르는 위험을 평가하고 대응하는 능력을 앞지를 수 있기 때문이다.

Anthropic의 모델은 아직 그 지점에 이르지 않았다. 그러나 만약 그 임계값에 가까워진다면, Project Fetch의 결과는 로보틱스와 다른 하드웨어 분야에서 AI 모델의 역량이 갑작스럽게 향상될 가능성을 면밀히 감시해야 함을 시사한다.

불확실성은 여전히 크다. 일정은 분명하지 않다. 모델 개선 속도도, 물리 세계에서의 반복 실험 자체가 병목이 되는 정도도 아직 알 수 없다. 또한 기존 하드웨어를 제어하는 것과 새로운 하드웨어를 설계하고 구축하고 개선하는 것은 전혀 다른 문제다.

그럼에도, 강력하고 지능적이며 자율적인 AI 시스템이 로봇을 통해 자신의 지능과 힘 일부를 현실 세계에서 행사한다는 생각은, 얼핏 들리는 것만큼 황당한 상상이 아니다.

지금 이 개들은 우리에 들어가 있다. 하지만 우리는 곧 이들을 다시 풀어 놓을 것이고, 무엇을 발견했는지 계속 공유할 것이다.

Footnotes

참가자 가운데 두 명은 고등학교 시절 Lego 로보틱스 대회 경험이 있었다. 연구진은 이 점이 결과에 주는 교란 효과는 극히 제한적이라고 본다. ↩
Claude 4 System Card 114쪽을 보라. ↩
실제로 Team Claude는 1단계도 더 빨랐다. 하지만 이 단계에서 Claude를 쓰지는 않았고, 연구진도 이를 근본적인 역량 우위로 해석하지 않는다. 대신 Team Claude는 로봇과 함께 제공된 독립형 컨트롤러를 배정받았고, Team Claude-less는 휴대전화 앱을 내려받아 써야 했다. ↩
Pennebaker, J. W., & Francis, M. E. (1996). Cognitive, emotional, and language processes in disclosure. Cognition & Emotion, 10(6), 601-626. Tausczik, Y. R., & Pennebaker, J. W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of Language and Social Psychology, 29(1), 24-54. ↩
Team Claude-less는 더 많은 부정적 감정을 보였고(p = 0.0017), 효과 크기도 컸다(d = 2.16). 반면 순감정 표현 차이는 통계적으로 유의하지 않았다(p = 0.2703). 두 팀의 부정적 감정과 순감정 표현 비교에는 정규성을 가정하지 않고 두 독립 집단의 분포 차이를 검정하는 비모수 Mann-Whitney U 검정을 사용했다. p값은 양측 대립가설과 순위합 통계량의 점근 정규근사를 바탕으로 계산했고, 효과 크기는 두 집단 평균 차이를 합동 표준편차로 나눈 Cohen's d로 정량화했다. ↩