CCTV 관제센터에 신입 요원이 첫 출근합니다. 앞에는 16개 화면이 있고, 편의점·주차장·골목을 동시에 감시해야 합니다.
그런데 한 화면에 집중하면 다른 화면을 놓치고, 8시간 근무 중 화면이 서서히 바뀌어도 알아차리지 못합니다. 심지어 화면 한가운데 침입자가 지나가도 50%는 못 봅니다. 왜 사람의 눈은 이렇게 한계가 있을까요?
지금부터 이 관제요원의 하루를 따라가며, 어디를 봐야 하고, 왜 놓치고, 어떻게 하면 덜 놓치는지 알아보겠습니다.
"여러분 CCTV 관제센터 가보신 적 있으세요? 화면이 16개 이상 있는데, 한 사람이 이걸 다 봐야 합니다. 근데 실제로 침입자가 지나가도 절반은 못 봅니다. 오늘 이 관제요원의 눈으로 들어가 보겠습니다."
"먼저, 사람의 주의력이 어떤 종류가 있고 어떤 한계가 있는지부터 알아보겠습니다."
- Selective Attention = 선택적 주의. 여러 정보 중 하나만 골라서 보는 것. 관제센터에서 특정 화면 하나에 집중하는 것.
- Divided Attention = 분할 주의. 여러 화면을 동시에 보려는 것. 넓은 빔의 손전등.
- Focused Attention = 초점 주의. 방해물을 차단하고 한 곳에 집중. 좁은 빔의 손전등.
- Sustained Attention = 지속적 주의. 오랜 시간 경계를 유지하는 것. 배터리 용량.
- Attentional Narrowing = 주의 협착. 과도한 집중 시 시야가 좁아지는 현상.
손전등 아이콘 4개를 차례로 가리키며 → "이 네 가지가 관제요원이 화면을 보는 네 가지 방식입니다. 왼쪽 위부터 시계 방향으로 보시면..."
"미국 자동차 사고 사망자의 50% 이상이 운전자 주의 산만 때문입니다. 관제센터 요원도 마찬가지예요. 화면 하나에 집중하면 나머지를 놓치고, 여러 개를 보려면 다 흐릿해집니다. 이 4가지 주의력 모드를 이해하는 게 출발점입니다."
주의력이 4가지 모드가 있다면, 관제요원이 실제로 하는 '시각적 선택 주의' 과제에는 어떤 것들이 있을까?
- Supervisory Control = 감독 통제. 여러 화면을 돌아가며 확인하는 업무. 관제요원의 핵심 업무.
- Noticing = 알아차림. 예기치 않은 변화를 감지하는 것. 화면에서 갑자기 사람이 나타나는 걸 알아채는 것.
- Visual Search = 시각 탐색. 특정 목표물을 찾는 것. 전 슬라이드(Visual Search Dynamics)에서 다룬 내용.
6개 박스를 위→아래 순서로 가리키며 → "오늘은 이 중에서 2번 감독 통제와 3번 알아차림을 집중적으로 다룹니다"
"관제요원이 하는 일을 정리하면 크게 6가지입니다. 지난번에 '시각 탐색'을 다뤘고, 오늘은 '감독 통제'와 '알아차림'에 집중합니다. 화면을 어떤 순서로 돌아보느냐, 그리고 갑자기 생긴 변화를 어떻게 알아채느냐의 문제입니다."
감독 통제가 뭔지 알겠는데, 관제요원이 화면을 볼 때 실제로 눈은 어떻게 움직이나?
- AOI (Area of Interest) = 관심 영역. 작업에 필요한 정보가 있는 물리적 위치. 관제센터의 각 화면 = 각각의 AOI.
- Fixation = 고정. 눈이 한 곳에 머무는 것. 최대 초당 3회.
- Dwell = 체류. 한 AOI에 시선이 머무는 시간. 기본 1/3초, 정보 밀도 높으면 더 길어짐.
자동차 대시보드 이미지 → 앞유리(AOI 1)와 속도계(AOI 2)를 번갈아 보는 것이 감독 통제의 기본 원리. 관제센터에서는 이 AOI가 16개 이상.
대시보드 이미지의 앞유리와 계기판을 번갈아 가리키며 → "이렇게 두 곳을 왔다 갔다 하는 게 감독 통제의 기본입니다. 관제센터에서는 이게 16개 화면이 되는 거죠"
"우리 눈은 초당 3번 정도 고정할 수 있고, 한 번 볼 때 최소 1/3초가 걸립니다. 관제센터 화면이 16개면 한 바퀴 도는 데만 5초 넘게 걸리는 거예요. 그 5초 동안 다른 화면에서 뭔가 벌어지면? 놓칩니다."
16개 화면을 전부 볼 수 없다면, 어떤 화면을 먼저 봐야 할까? 그 우선순위를 정하는 기준이 있나?
- SEEV = Salience + Effort + Expectancy + Value. 어디를 볼지 예측하는 모델. 이번 슬라이드는 S와 E만.
- Salience (S, 현저성) = 눈에 확 띄는 정도. 깜빡이는 화면, 빨간 경고등. 관제센터에서 경보 알림이 현저성.
- Effort (E, 노력) = 시선을 옮기는 물리적 비용. 바로 옆 화면 vs 뒤돌아봐야 하는 화면.
경광등 아이콘 가리키며 → "이게 현저성입니다. 알람이 울리면 저절로 눈이 갑니다." 그다음 오른쪽 → "가까운 화면은 눈만 굴리면 되지만, 먼 화면은 고개를 돌려야 해서 노력이 큽니다."
"관제센터에서 빨간 경보가 깜빡이면, 우리 눈은 의지와 상관없이 그쪽으로 갑니다. 이게 현저성이에요. 그리고 바로 옆 화면은 눈만 굴리면 되지만, 뒤쪽 화면은 의자를 돌려야 하죠. 이게 노력입니다. 이 두 가지가 '상향식' — 환경이 강제로 주의를 끄는 요인이에요."
노력(E)이 중요하다면, 화면 거리에 따라 노력이 얼마나 달라지나? 단순히 멀수록 비례해서 힘든 걸까?
- IAE (Information Access Effort) = 정보 접근 노력. 다른 AOI로 시선을 옮기는 데 드는 신체적 비용.
- Foveal (0°~4°) = 안구 영역. 눈만 살짝 움직이면 되는 범위. 비용 거의 0.
- Eye field (~20°) = 안구 운동 영역. 눈동자만 돌리면 닿는 범위. 약간의 비용.
- Head field (20°~30°) = 머리 영역. 목을 돌려야 하는 범위. 비용이 급격히 올라감.
- Full body (90°+) = 전신 회전 영역. 몸을 돌려야 하는 범위. 비용 극도로 높아 사람이 기피함.
X축 = 시각도(Visual Angle), 두 AOI 사이 각도. Y축 = IAE, 접근 노력. 핵심: 곡선이 20°~30° 이후 급격히 올라감. 비선형(계단식)이라 멀수록 기하급수적으로 힘들어짐. 관제센터에서 뒤쪽 화면을 거의 안 보는 이유.
그래프 곡선의 급등 구간(20°~30°)을 가리키며 → "여기가 '목 돌리기 장벽'입니다. 이 장벽 때문에 관제요원은 정면 화면만 주로 봅니다." 교재 그래프의 Foveal/Eye field/Head field 구간도 가리키기.
"관제센터 화면이 정면에 8개, 옆에 4개, 뒤에 4개 있다고 합시다. 이 그래프를 보면 정면 화면은 눈만 돌리면 되니까 비용이 거의 없어요. 그런데 옆 화면은 고개를 돌려야 하고, 뒤 화면은 의자를 돌려야 합니다. 비용이 갑자기 확 올라가요. 그래서 사람은 본능적으로 뒤쪽 화면을 안 봅니다. 이걸 '노력 보존 성향'이라고 해요."
"Sanders & Houtmans(1985)의 원래 실험 설계에 대해 교수님께서 보충해주실 겁니다."
환경(현저성+노력)이 '상향식'으로 주의를 끈다면, 관제요원 본인의 판단이나 경험은 영향을 안 미치나?
- Expectancy (E, 기대) = 변화가 자주 일어날 것으로 예상하는 정도. 관제요원이 "저 골목은 밤에 사건이 잦다"고 아는 것.
- Value (V, 가치) = 그 정보가 업무에 얼마나 중요한지. 금은방 화면 vs 빈 주차장 화면.
- Expected Value = 기대 × 가치. 이 두 가지를 곱한 것이 해당 AOI의 우선순위.
뇌 이미지 좌우의 Expectancy와 Value 박스를 각각 가리키며 → "기대는 '얼마나 자주 변하나', 가치는 '변하면 얼마나 중요하나'입니다." 하단 공식 가리키며 → "이 둘을 곱한 게 기대 가치입니다."
"베테랑 관제요원은 '저 골목은 금요일 밤에 사건이 잦아'라고 알고 있어요. 이게 기대입니다. 그리고 '저건 금은방 앞이니까 중요해' — 이게 가치예요. 기대 곱하기 가치, 이게 '하향식' 요인입니다. 경험과 판단이 어디를 먼저 볼지를 결정하는 거죠."
S, E, E, V를 다 합치면 관제요원의 최적 순찰 루트를 예측할 수 있나?
- SEEV 가산적 모델 = S+E+E+V 네 요인을 합산하여 각 AOI의 시선 배분을 예측하는 모델.
- Periods of Neglect = 무시 기간. 가치(V)가 높아도 노력(E)이 너무 크거나 기대(E)가 낮으면 안 보는 시간이 생기는 현상.
왼쪽 "SEEV 가산적 스캐닝 모델" 박스 → "네 요인을 합쳐서 최적 스캔 패턴을 계산합니다." 가운데 "무시 기간" 박스 → "이게 핵심 문제입니다. 가치가 높아도 노력이 크면 안 보게 돼요." 오른쪽 "디스플레이 설계 가이드라인" → "설계자가 이걸 알면 화면 배치를 최적화할 수 있습니다."
"SEEV 모델을 다 합치면 관제요원이 어디를 봐야 하는지 예측할 수 있어요. 운전, 비행, 수술 환경 전부 적용됩니다. 근데 문제가 있어요. '무시 기간'이라는 게 생깁니다. 가치가 높은 화면이라도 너무 멀거나 변화가 드물면 한참 동안 안 보게 돼요. 이 빈틈에서 사고가 납니다."
"무시 기간" 동안 화면이 바뀌면 어떻게 될까? 관제요원이 정말로 변화를 놓칠까?
- Change Blindness (변화맹) = 시각적 과도기에 의해 마스킹되면 명백한 환경 변화를 눈치채지 못하는 현상.
- Masking (마스킹) = 변화를 감추는 시각적 방해. 깜빡임, 화면 전환, 물리적 차단 등.
- Saccade (안구 급속 운동) = 눈이 빠르게 이동할 때 시각 정보가 차단되는 순간. 자연적 마스킹 원인.
흐름도: 정상 시야(과도기 존재) → 시각적 방해(마스킹) → 변화맹 발생. 핵심은 "과도기가 차단되면" 변화를 인지할 수 없다는 것.
왼쪽 "변화맹 정의" 박스의 핵심 문장 가리키며 → "자연스러운 과도기가 마스킹되면 명백한 변화도 못 봅니다." 오른쪽 4대 시각적 방해 가리키며 → "이 네 가지가 마스킹의 원인입니다."
"관제요원이 1번 화면을 보다가 5번으로 눈을 옮기죠. 그 순간 1번 화면에서 사람이 나타나면? 못 봅니다. 눈이 움직이는 동안 시각 정보가 차단되거든요. 이걸 변화맹이라고 합니다. 우리 눈이 화면을 '사진'처럼 찍어두지 않기 때문에 생기는 현상이에요."
실험실 얘기 같은데, 현실에서도 정말 변화맹이 일어나나?
- Door 실험 = Simons & Levin(1998). 길에서 대화 중 문이 지나가는 사이에 상대방이 바뀌어도 50%가 모름.
- 2008 브라질 항공사고 = 관제 시스템 변화 미인지 → 공중 충돌. 변화맹의 치명적 사례.
왼쪽 문 실험 그림 가리키며 → "대화 중에 문이 지나가고, 상대방이 완전히 다른 사람으로 바뀝니다. 절반이 못 알아챕니다." 오른쪽 항공사고 → "실제로 관제 시스템에서도 이런 일이 벌어져서 비행기가 충돌했습니다."
"가장 유명한 실험이 '문 실험'입니다. 길에서 누군가와 대화하는데, 큰 문을 든 인부들이 사이를 지나갑니다. 그 순간 대화 상대가 완전히 다른 사람으로 바뀌어요. 놀랍게도 참가자의 절반이 못 알아챘습니다. 관제센터에서도 교대 시 인수인계하면서 화면 상태가 바뀌면 같은 일이 벌어집니다."
변화맹이 일어나는 건 알겠는데, 어떤 조건에서 더 심해지나?
- Task Load (과제 부하) = 동시에 처리해야 할 일의 양. 관제요원이 무전 받으면서 화면도 봐야 할 때.
- Low Salience (낮은 현저성) = 변화가 눈에 안 띄는 정도. 숫자가 100→99로 바뀌는 건 현저성이 낮음.
- Peripheral Eccentricity (주변부 편심도) = 고정점에서 먼 곳일수록 감지 확률 급감. 시각도가 1° 넘으면 감지율이 급격히 떨어짐.
3개 박스를 왼쪽 위(과제 부하) → 오른쪽 위(편심도) → 왼쪽 아래(현저성) 순서로 가리키며 → "이 세 가지가 겹치면 변화맹은 거의 확정입니다."
"변화맹을 악화시키는 요인은 세 가지입니다. 첫째, 관제요원이 무전 받으면서 동시에 화면을 볼 때 — 과제 부하가 올라가면 변화 감지가 떨어져요. 둘째, 변화가 너무 작으면 — 숫자가 100에서 99로 바뀌는 건 안 보입니다. 셋째, 시선 가장자리에서 변화가 일어나면 — 정면에서 1도만 벗어나도 감지율이 급감합니다."
평소 변화도 놓치는데, 만약 예상 밖의 사건이 벌어지면 어떻게 될까?
- Black Swan = 예상치 못한 극히 드문 사건. 관제센터에서 한 번도 없던 유형의 침입.
- Completed Change = 완료된 변화. 동적 과정이 아닌 이미 완료된 변화는 기억 비교가 필요해서 감지가 더 어려움.
- 변화맹 맹시 (CB Blindness) = 자신이 변화맹에 취약하다는 것을 모르는 현상. 과신.
Black Swan 이미지 가리키며 → "예상 밖 사건입니다." 가운데 "40%" 수치 가리키며 → "비행 시뮬레이션에서 예측 불가 이벤트의 변화 누락 비율이 40%입니다."
"관제센터에서 10년 동안 한 번도 강도가 없었던 골목이 있어요. 요원은 '저긴 안전해'라고 생각합니다. 기대(E)가 0에 가까워요. 그런데 실제로 강도가 발생하면? 40%가 놓칩니다. 이게 Black Swan입니다. 더 무서운 건 '변화맹 맹시' — 자기가 놓치고 있다는 것조차 모르는 거예요."
변화맹이 이렇게 위험하다면, 이걸 예측하는 모델은 없을까?
- N-SEEV = Noticeability-SEEV. SEEV 모델에 "알아차림 정도(N)"를 추가한 확장 모델.
- Noticeability (N) = 특정 변화를 알아차릴 확률. 기대(E) + 현저성(S) + 특징 조율(Tuning)로 결정.
- Tuning (특징 조율) = 작업자가 현재 주의를 기울이는 특징과 변화의 특징이 일치하는 정도.
흐름도: 왼쪽(기초 탐지력 산출 — SEEV 기반) → 가운데(3대 조절 변수: 기대, 현저성, 특징 조율) → 오른쪽(N-SEEV 산출치: 이벤트 발생~최초 안구 고정까지 지연 시간 예측). 돋보기가 N(Noticeability)을 조절하는 필터 역할.
돋보기 안의 3대 조절 변수를 가리키며 → "기대, 현저성, 특징 조율 — 이 세 가지가 알아차림을 결정합니다." 오른쪽 화살표 → "최종 출력은 '이벤트 발생 후 몇 초 만에 눈이 가느냐'입니다."
"SEEV가 '어디를 보느냐'를 예측했다면, N-SEEV는 '변화를 알아차리느냐'까지 예측합니다. 관제센터 시스템에 이걸 적용하면, 어떤 화면의 변화를 요원이 놓칠 확률이 높은지 미리 계산할 수 있어요. 그러면 위험한 화면에 알람을 추가하는 식으로 설계를 개선할 수 있죠."
"N-SEEV 모델의 수학적 공식과 검증 실험에 대해서는 교수님께서 보충해주실 겁니다."
변화맹은 "변화를 안 봐서" 놓치는 거다. 그런데 화면을 "보고 있는데도" 못 보는 경우가 있다면?
- Inattentional Blindness (무주의 맹시) = 뚜렷하게 보이는 것도, 다른 곳에 주의를 쏟고 있으면 인지하지 못하는 현상. "Look, but fail to see."
- 변화맹 vs 무주의 맹시 = 변화맹은 "안 보고 있던 곳"의 변화를 놓침. 무주의 맹시는 "보고 있는 곳"인데도 놓침. 더 무서운 현상.
왼쪽 눈 아이콘(Physical Gaze) → "눈은 화면을 향하고 있습니다." 오른쪽 과녁 아이콘(Mental Failure) → "하지만 뇌가 그 정보를 처리하지 못합니다." 아래 박스 → "이게 무주의 맹시입니다. 1도 이내에서도 40% 이상 놓칩니다."
"변화맹보다 더 무서운 게 무주의 맹시입니다. 변화맹은 '안 보고 있어서' 놓친 거예요. 그런데 무주의 맹시는 '화면을 보고 있는데도' 못 봅니다. 관제요원이 3번 화면을 쳐다보고 있는데, 화면에 침입자가 지나가도 40%가 못 봅니다. 눈은 향해 있는데 뇌가 처리를 안 하는 거예요."
정말 보고 있는데도 못 본다고? 어떤 실험으로 이걸 증명했나?
- 고릴라 실험 = Simons & Chabris(1999). 농구 패스 세기 과제 중 고릴라가 지나가도 50%+ 못 봄.
- 공유 단서 효과 = 과제 대상(농구 선수)과 이벤트(고릴라)가 비슷한 시각적 특징(같은 색 셔츠)을 공유하면 감지율이 올라감.
- 사회적 맥락 개입 = Rattan & Eberhardt(2010). 이벤트가 사회적 기대와 맞으면(흑인+범죄) 더 잘 감지. 편견이 주의에 영향.
고릴라 이미지 가리키며 → "이 유명한 실험입니다. 농구 선수 패스 세는 데 집중하면 고릴라를 절반이 못 봅니다." 오른쪽 "공유 단서 효과" 가리키며 → "검은 셔츠 팀 패스를 세면 검은 고릴라를 더 잘 발견합니다. 같은 특징을 공유하니까요."
"고릴라 실험 아시는 분? 농구 영상에서 흰 셔츠 선수의 패스 횟수를 세는 데 집중하면, 화면 한가운데를 가로지르는 고릴라를 절반 이상이 못 봅니다. 관제센터에서 비유하면, 빨간 옷 입은 용의자를 추적하는 데 집중하면, 파란 옷 입은 침입자는 눈앞에 지나가도 못 보는 거예요."
모든 관제요원이 똑같이 놓치나? 아니면 어떤 사람은 더 잘 알아차리나?
- Residual Cognitive Capacity (잔여 인지 용량) = 주 과제를 처리하고 남는 뇌의 여유 자원. 이게 있어야 예상 밖 이벤트를 감지 가능.
- WMC (Working Memory Capacity) = 작업 기억 용량. 동시에 처리할 수 있는 정보의 양. 높을수록 고릴라를 더 잘 발견.
배터리 비유: 왼쪽 = 고용량(High Capacity, 90%) → 전문가, 과제가 자동화되어 잔여 용량 풍부. 오른쪽 = 저용량(Low Capacity, 15%) → 신입 or 과부하 상태, 잔여 용량 부족. 고릴라 목격 비율이 67% vs 낮음.
왼쪽 초록 배터리(90%) 가리키며 → "전문가는 과제가 자동화되어서 뇌에 여유가 있습니다." 오른쪽 빨간 배터리(15%) 가리키며 → "신입이거나 술 취한 상태면 뇌 여유가 없어서 놓칩니다." 오른쪽 박스 → "술 취한 상태에서 고릴라 목격률이 36%로 급감합니다."
"무주의 맹시가 모든 사람에게 똑같이 일어나지는 않습니다. 핵심은 '잔여 인지 용량'이에요. 베테랑 관제요원은 화면 감시가 몸에 배어서 뇌에 90%의 여유가 있습니다. 그래서 이상한 것이 나타나면 바로 알아채요. 하지만 첫 출근한 신입은 화면 보는 것 자체가 어려워서 뇌 여유가 15%밖에 없어요. 그래서 침입자가 눈앞에 있어도 놓칩니다."
"WMC의 신경과학적 기반과 Memmert(2006)의 실험 세부사항은 교수님께서 보충해주실 겁니다."
이제 처음에 던진 질문으로 돌아가 봅시다.
처음에 관제요원이 16개 화면을 감시하는데, 화면 한가운데 침입자가 지나가도 50%는 못 본다고 했습니다. 왜 그런지 이제 답할 수 있습니다.
- Act 1: 사람의 눈은 초당 3번밖에 화면을 못 옮기고, 먼 화면은 고개를 돌려야 해서 본능적으로 안 봅니다(SEEV). "무시 기간"이 빈틈을 만듭니다.
- Act 2: 안 보는 사이에 화면이 바뀌면 변화맹이 발생합니다. 과제 부하, 낮은 현저성, 드문 사건(Black Swan)이 겹치면 40%를 놓칩니다.
- Act 3: 더 무서운 건, 화면을 보고 있어도 다른 것에 집중하면 뇌가 처리를 안 합니다(무주의 맹시). 전문가는 잔여 인지 용량이 많아 덜 놓치지만, 신입은 취약합니다.
결국 좋은 관제 시스템은 사람의 한계를 아는 설계(SEEV) + 변화 알림(N-SEEV) + 충분한 훈련(잔여 용량 확보)의 조합입니다.
"처음에 관제요원이 왜 침입자를 놓치냐고 물었습니다. Act 1에서 — 눈이 물리적으로 한계가 있고, SEEV 공식으로 예측 가능하다는 것, Act 2에서 — 안 보는 사이에 변화맹이 생기고 드문 사건일수록 더 놓친다는 것, Act 3에서 — 보고 있어도 뇌가 처리 안 하는 무주의 맹시가 있다는 것을 배웠습니다. 결국 관제 시스템은 사람의 한계를 전제로 설계해야 합니다."