내발적 동기 vs 외발적 동기: 무엇이 더 지속적인가?

내발적 동기와 외발적 동기의 구별은 동기의 원천 또는 기원에 근거하고 있습니다. 내발적인 동기부여는 개인의 내부로부터 오고 있으며 개인은 즐거움, 호기심, 충실감으로부터 활동에 종사하고 있습니다. 그것은 사람들이 자신을 위해 활동을 추구할 때 일어납니다. 그것은 감정적인 요인 때문일지도 모릅니다 감정적인 요인 때문일지도 모릅니다 감정적인 요인에 의한 것입니까 감정적인 요인에 의한 것입니까 인지적인 요인에 의한 것인지 감정적인 요인에 의한 것일지도 모릅니다. 내발적 동기의 예로는 점심시간에 농구를 즐겨서라는 이유만으로 농구를 하는 사람을 들 수 있습니다. 외발적인 동기부여는 보수, 벌, 타인으로부터의 인식 등의 외발적인 요인에서 발생합니다. 이는 사람들이 활동 자체가 아니라 활동의 효과나 결과에 관심이 있기 때문에 활동에 참여할 때 발생합니다. 예를 들어 부모에게 벌을 받을까 봐 학생이 숙제를 할 경우 외발적인 동기부여에 책임이 있습니다. 내발적인 동기 부여는 외발적인 동기 부여보다 높게 평가되는 경우가 종종 있습니다. 그것은 진정한 열정, 창의성, 목적의식, 개인의 자율성과 관련되어 있습니다. 그것은 또한 더 강한 약속과 지속성을 수반하는 경향이 있습니다. 내발적 동기부여는 인지적, 사회적, 신체적 발달의 중요한 요소입니다. 내발적 동기부여의 정도는 자율감이나 타인으로부터의 긍정적인 피드백 등 다양한 조건에 의해 영향을 받습니다. 교육 분야에서는 내발적인 동기부여는 질 높은 학습을 가져오는 경향이 있습니다. 그러나 외발적인 동기부여에는 몇 가지 이점도 있습니다. 그것은 사람들이 자연스럽게 관심을 갖거나 즐기지 않는 유용한 일이나 필요한 일에 종사하는 동기부여를 제공할 수 있습니다. 일부 이론가들은 내발적 동기와 외발적 동기의 차이를 명확한 이분법이 아닌 스펙트럼으로 이해하고 있습니다. 이는 자율적인 활동일수록 내발적인 동기부여와 관련이 있다는 생각과 관련이 있습니다. 행동은 내발적인 동기에 의해서만 외발적인 동기에 의해서만 또는 양쪽의 조합에 의해서만 동기 부여될 수 있습니다. 후자의 경우 그 사람이 행동에 관여하는 데는 내적인 이유와 외적인 이유가 모두 있습니다. 양쪽이 존재하는 경우는 서로 대립할 가능성이 있습니다. 예를 들어 높은 금전적 보상과 같은 강한 외발적 동기의 존재는 내발적 동기를 감소시킬 수 있습니다. 이로 인해 외부에서 보상을 받지 못할 경우 개인이 활동에 참여할 가능성이 낮아질 수 있습니다. 그러나 반드시 그렇다고는 할 수 없으며, 적절한 상황 하에서는 내발적인 동기부여와 외발적인 동기부여의 효과가 조합되어 퍼포먼스가 향상됩니다.

계산모델

1990년대 초 슈미트 후버에 의해 인공적 호기심을 실현하기 위한 영향력 있는 초기 계산 접근법은 그 후 '창조성, 즐거움, 내발적 동기의 공식 이론'으로 발전했습니다. 내발적 동기 부여는 종종 계산 강화 학습의 틀에서 연구됩니다. 여기서 에이전트의 행동을 촉구하는 보상은 외발적인 것이 아니라 내발적인 것이므로 환경에서 배울 필요가 있습니다. 강화 학습은 보상의 생성 방법에 대해서는 불가지론입니다. 에이전트는 액션과 환경에 의해 제공되는 보상 분배에서 정책을 학습합니다. 이 계획에서 내발적 동기 부여에 대한 각 접근법은 기본적으로 에이전트의 보상 함수를 생성하는 다른 방법입니다. 본질적으로 동기 부여된 인공적인 에이전트는 호기심이나 탐구와 비슷한 행동을 보입니다. 인공 지능과 로봇 공학에 대한 탐색은 강화 학습 모델에서 널리 연구되고 있습니다. 일반적으로 에이전트가 가능한 한 많은 환경을 탐색하도록 장려함으로써 환경 역학에 관한 불확실성과 그 목표를 달성하는 최선의 방법을 줄입니다. 이와는 대조적으로 내발적인 동기 부여는 에이전트가 더 많은 정보를 주는 환경 측면을 먼저 탐구하고 신규성을 추구하도록 장려합니다. 최근 연구에서는 주 방문 횟수 조사와 내발적 동기 부여를 통일하여 비디오 게임 설정에서 더 빠른 학습을 보여줍니다. 심리학과 신경과학에서의 내발적 동기에 대한 연구는 1950년대 일부 심리학자들이 조작과 탐구를 위한 운동을 통해 탐구를 설명하는 것으로 시작되었는데, 이 항상적 견해는 화이트에 의해 비판받았습니다. 1960년 바레인의 또 다른 설명은 참신함과 익숙함의 최적의 균형을 추구하는 것이었습니다. 페스팅어는 세계 내부와 외부의 시각 차이를 생물이 감소할 동기를 가진 불협화음이라고 설명했습니다. 70년대 케이건은 인지 구조와 경험의 비호환성을 줄이고 싶다는 열망으로 비슷한 견해를 표명했습니다. 최적의 불일치라는 생각과는 대조적으로 Deci와 Ryan은 80년대 중반에 능력과 자기 결정에 근거한 내발적 동기를 특정했습니다.

내발적 동기 부여 학습

본질적으로 동기부여된 학습은 인공지능이나 발달로보틱스에 있어서 새로운 연구 주제이며 자원 획득 등 외부 작업의 성능을 향상하기 위해 전개할 수 있는 일반적인 기술과 행동을 학습할 수 있는 에이전트를 개발하는 것을 목적으로 하고 있습니다. 본질적으로 동기 부여된 학습은 기계에서의 자율적 평생 학습과 컴퓨터 게임 캐릭터의 개방형 학습에 대한 접근법으로 연구되고 있습니다. 특히 에이전트가 의미 있는 추상 표현을 학습할 때 두 표현 사이의 거리 개념을 사용하여 신규성을 측정할 수 있기 때문에 에이전트의 환경을 효율적으로 탐색할 수 있습니다. 특정 도메인에서의 딥러닝의 인상적인 성공에도 불구하고 분야의 많은 사람들은 일반화하는 능력이 인공지능의 근본적인 과제라고 지적하고 있습니다. 본질적으로 동기 부여된 학습은 외부에서 부과된 작업 없이 환경 구조에서 목표를 창출할 수 있다는 점에서는 유망하지만 일반화라는 동일한 과제에 직면해 있습니다. 정책이나 액션 시퀀스를 재이용하는 방법 연속적이거나 복잡한 상태의 공간을 압축하여 표현하고 학습된 현저한 기능을 유지하여 재사용하는 방법입니다.

정보 이론적 내재적 동기

행동을 추진하기 위한 예측과 신규성의 정량화는 일반적으로 정보이론 모델의 적용에 의해 가능해집니다. 여기서 에이전트의 상태와 전략은 마르코프 결정 프로세스와 정보 채널로 취급되는 지각과 행동의 사이클을 기술하는 확률 분포에 의해 나타납니다. 이러한 접근법은 뇌 기능에 대한 베이지안 접근법의 일부로서 생물학적 실현 가능성을 주장하고 있습니다. 이러한 모델의 주요 비판과 어려움은 큰 이산적 또는 연속적인 상태 공간에서 확률 분포를 계산하는 것이 어렵다는 것입니다. 그럼에도 불구하고 상당한 작업이 센서 운동 사이클 주변의 정보 흐름을 모델링하고 가장 두드러진 능동적 추론, 그러나 인포매틱스, 예측 정보, 임파워먼트를 포함한 불확실성 감소에서 파생된 사실상의 보상 함수로 이어지고 있습니다. 계산적으로 모델링 된 기타 내재적 동기에는 성취감, 소속감, 권력 동기 등이 있습니다. 이러한 동기는 성공 확률 또는 인센티브 함수로 구현될 수 있습니다. 에이전트 집단에는 달성, 소속 및 권력 동기가 다른 프로파일을 가진 개인이 포함될 수 있습니다. 집단의 다양성을 모델링하고 같은 상황에 직면했을 때 다른 개인이 다른 행동을 취하는 이유를 설명합니다. 보다 최근의 내발적 동기에 관한 계산 이론은 그러한 동기를 바탕으로 다양한 심리학적 발견을 설명하려고 합니다. 특히 이 내발적 동기의 모델은 다른 중요한 인간의 동기를 고려함으로써 단순한 달성, 소속, 권력을 넘어서고 있습니다. 심리학의 실증 데이터는 이 모델을 사용하여 계산 시뮬레이션되고 설명되었습니다.