국방 M&S에서 인간 행동 모델링
1. 개요
국방 분야의 모델링 및 시뮬레이션(M&S, Modeling and Simulation)에서 인간 행동 모델링(Human Behavior Modeling, HBM)은 가장 도전적이면서도 핵심적인 연구 영역으로 자리잡고 있다. 현대 전장 환경에서 무기체계의 성능만큼이나 중요한 것이 바로 그 무기를 운용하는 인간의 의사결정과 행동이다. 인간 행동 모델링은 군사 시뮬레이션에서 개별 전투원의 인지 과정, 의사결정 메커니즘, 팀 역학, 그리고 조직적 행동을 컴퓨터 기반으로 표현하는 기술을 의미한다.
미국 국방부는 1990년대부터 인간 행동 표현(Human Behavior Representation, HBR)에 대한 체계적인 연구를 시작했으며, 이는 훈련 시뮬레이션의 사실성 향상, 무기체계 획득 분석의 정확도 제고, 그리고 작전 계획 검증의 신뢰성 확보라는 세 가지 핵심 목표를 달성하기 위함이었다. 국립과학원(National Research Council)의 1998년 보고서 "Modeling Human and Organizational Behavior: Application to Military Simulations"는 이 분야의 초석이 되었으며, 이후 ACT-R(Adaptive Control of Thought-Rational), SOAR(State, Operator And Result), EPIC(Executive Process Interactive Control) 등 다양한 인지 아키텍처가 국방 시뮬레이션에 적용되었다.
인간 행동 모델링의 필요성은 다음과 같은 핵심 요구사항에서 비롯된다. 첫째, 대규모 합동 훈련에서 모든 적군 역할을 실제 인원으로 구성하는 것은 비용과 인력 측면에서 비효율적이다. 둘째, 무기체계 성능 분석 시 인간 운용자의 역량과 한계를 고려하지 않으면 실전과 동떨어진 결과가 도출된다. 셋째, 미래 전장 환경에서 인간-기계 협업(Human-Machine Teaming)이 증가함에 따라 인간과 자율시스템 간의 상호작용을 정확히 모델링할 필요성이 대두되고 있다.
인간 행동 모델링의 핵심 영역
- 개인 수준: 지각, 주의, 기억, 학습, 의사결정, 행동 실행
- 팀 수준: 협력, 통신, 역할 분담, 상황 공유
- 조직 수준: 지휘통제 구조, 표준운영절차, 교리 적용
2. 인간 행동 모델링의 개념과 발전 역사
2.1 인간 행동 모델링의 정의
인간 행동 모델링(Human Behavior Modeling)은 컴퓨터 시뮬레이션 환경에서 인간의 인지적, 정서적, 사회적 과정을 수학적 또는 계산적 방법으로 표현하는 기술이다. 국방 분야에서는 이를 흔히 인간 행동 표현(Human Behavior Representation, HBR)이라고도 부르며, 컴퓨터 생성 병력(Computer Generated Forces, CGF)의 핵심 구성요소로 활용된다.
미국 육군의 정의에 따르면, CGF는 "군사 시뮬레이션에서 탱크, 병사, 전투기 등의 군사 유닛을 표현하는 자율적 또는 반자율적 개체"를 의미한다. 이러한 CGF가 현실적으로 작동하려면 인간과 유사한 의사결정 능력과 행동 패턴을 갖추어야 하며, 이것이 바로 인간 행동 모델링의 핵심 역할이다.
2.2 역사적 발전 과정
인간 행동 모델링의 역사는 1970년대 인지과학의 태동과 함께 시작되었다. Allen Newell과 Herbert Simon이 개발한 초기 인지 모델들은 문제 해결과 추론 과정을 형식화하는 데 집중했으며, 이는 이후 군사 시뮬레이션에 적용되는 인지 아키텍처의 기반이 되었다.
| 시대 | 주요 발전 | 군사 적용 | 핵심 성과 |
|---|---|---|---|
| 1970년대 | 초기 인지 모델 개발 | 제한적 실험 단계 | Production System 개념 정립 |
| 1980년대 | SOAR, ACT-R 아키텍처 등장 | 조종사 행동 모델 연구 | 범용 인지 아키텍처 확립 |
| 1990년대 | NDM/RPD 연구, TacAir-Soar 개발 | 대규모 전투 시뮬레이션 적용 | 실전적 의사결정 모델 검증 |
| 2000년대 | OneSAF, HSCB 모델링 | 비정규전, 민간인 행동 모델링 | 사회문화적 요소 통합 |
| 2010년대 | AI/ML 기반 행동 모델 | 적응형 훈련 시스템 | 학습 기반 행동 생성 |
| 2020년대 | LLM-인지아키텍처 통합 | STE, AI 기반 OPFOR | 실시간 적응형 시나리오 |
2.3 군사 시뮬레이션의 유형과 HBR 요구사항
미국 국방부는 시뮬레이션을 Live(실기동 훈련), Virtual(가상 시뮬레이터), Constructive(구성 시뮬레이션)의 세 가지 유형으로 분류한다. 각 유형별로 인간 행동 모델링의 요구사항이 다르게 나타난다.
훈련 시뮬레이션에서는 교관과 훈련생이 개인 또는 팀 교육을 위해 시뮬레이션을 사용한다. 이 경우 적군의 사실적인 행동 표현이 핵심이며, 예측 가능하지 않으면서도 현실적인 위협을 제공해야 한다.
임무 리허설 시뮬레이션에서는 작전 부대원들이 특정 임무 수행을 준비하기 위해 시뮬레이션을 활용한다. 이 경우 실제 지형과 예상 적 행동의 정확한 재현이 중요하다.
분석 시뮬레이션에서는 대안적 무기체계, 인력 소요, 교리, 전술을 평가하기 위해 시뮬레이션을 운용한다. 인간 성능의 정확한 파라미터화와 변이성(variability) 표현이 핵심이다.
3. 주요 인지 아키텍처
3.1 ACT-R (Adaptive Control of Thought-Rational)
ACT-R은 카네기 멜론 대학교의 John Anderson이 개발한 인지 아키텍처로, 인간 인지의 통합 이론을 제공한다. ACT-R은 지각, 기억, 목표 설정, 행동 실행을 포괄하는 마음의 통합 모델을 제시하며, 합성 에이전트의 학습과 훈련 개발에 핵심적인 역할을 해왔다.
ACT-R의 핵심 특징은 하이브리드 인지 시스템으로서 기호적(symbolic) 처리와 하위기호적(subsymbolic) 처리를 모두 수용한다는 점이다. 이 아키텍처는 선언적 기억(declarative memory), 절차적 기억(procedural memory), 지각-운동 모듈, 패턴 매칭 모듈, 그리고 버퍼 시스템으로 구성된다.
군사 분야에서 ACT-R은 주로 조종사의 상황인식 모델링, 지휘관의 의사결정 과정 시뮬레이션, 그리고 인간-시스템 인터페이스 평가에 활용되어 왔다. 특히 카네기 멜론 대학교의 연구진은 ACT-R을 활용하여 "지휘관의 상황인식(Situation Awareness of Commanders)" 모델을 개발했으며, 이 모델은 OneSAF Testbed Baseline(OTB)과 연동하여 복잡한 전투 상황에서 지휘관의 인지 작업을 시뮬레이션했다.
3.2 SOAR (State, Operator And Result)
SOAR는 미시간 대학교에서 개발된 인지 아키텍처로, ACT-R과 함께 가장 널리 연구되고 적용되는 시스템이다. SOAR는 기호적 입력 데이터를 처리하며, 절차적 기억, 일화적 기억, 의미적 기억(장기 기억)과 작업 기억(단기 기억)을 통합한다.
SOAR의 군사 적용에서 가장 대표적인 사례는 TacAir-Soar 프로젝트이다. 이 프로젝트의 목표는 대규모 전투 시뮬레이션에서 실제 조종사와 함께 참여할 수 있는 다수의 시뮬레이션 조종사를 생성하는 것이었다. TacAir-Soar는 다음과 같은 인상적인 성과를 달성했다.
- 시뮬레이션 임무 시작 시 브리핑을 받고 자율적으로 목표를 달성
- 다양한 유형의 임무 수행 능력
- 제한적이지만 자연어를 사용한 관제소 및 다른 조종사와의 통신
- 성공 기준: 모델이 실제 조종사처럼 행동하여 시뮬레이션 참가자에게 신뢰할 수 있는 경험 제공
SOAR는 지능형 개별 훈련, 행동적 인간 모델, 몰입형 군사 시뮬레이션, 다중 로봇 플랫폼의 자율 제어, 드론의 임무 재계획, 그리고 비디오 게임 등 다양한 분야에 성공적으로 적용되었다.
3.3 ACT-R과 SOAR의 비교
| 비교 항목 | ACT-R | SOAR |
|---|---|---|
| 개발 기관 | Carnegie Mellon University | University of Michigan |
| 주요 목적 | 인간 인지 모델링 | 범용 AI 에이전트 개발 |
| 인지 모델 | 하이브리드 (기호+하위기호) | 순수 기호적 처리 |
| 기억 구조 | 선언적/절차적 분리 | 절차적/일화적/의미적 통합 |
| 학습 메커니즘 | 활성화 기반 학습 | 청킹(Chunking) 기반 학습 |
| 군사 적용 강점 | 인간 성능 예측, 인터페이스 평가 | 복잡한 임무 계획, 자율 에이전트 |
| 대표 군사 프로젝트 | 지휘관 상황인식 모델 | TacAir-Soar |
| 최신 발전 | LLM과의 하이브리드 통합 | 자연어-기호 규칙 변환 |
3.4 기타 인지 아키텍처
EPIC (Executive Process Interactive Control)은 미시간 대학교에서 개발된 아키텍처로, 특히 지각-운동 처리와 다중 과제 수행에 초점을 맞춘다. 군사 분야에서는 조종사의 조종석 작업 분석과 인간-기계 인터페이스 설계에 활용된다.
4CAPS (4 Cortical Areas in Parallel System)는 뇌의 병렬 처리 구조를 모방한 아키텍처로, 작업 기억 용량 제한과 인지 부하를 모델링하는 데 특화되어 있다. 스트레스 상황에서의 인간 성능 저하를 예측하는 데 유용하다.
4. 의사결정 모델
4.1 자연주의적 의사결정(Naturalistic Decision Making, NDM)
자연주의적 의사결정(NDM)은 1989년에 도입된 연구 패러다임으로, 복잡한 실제 환경에서 경험 많은 실무자들이 어떻게 의사결정을 내리는지를 연구한다. NDM 연구는 미 육군연구소(Army Research Institute)의 주도로 시작되었으며, 높은 위험, 시간 압박, 동적 변화, 중대한 결과를 수반하는 환경에서의 의사결정에 초점을 맞춘다.
NDM 접근법은 군사 교리 개선, 의사결정 요구사항에 초점을 맞춘 훈련, 그리고 의사결정과 관련 인지 기능을 지원하는 정보기술 개발에 활용되어 왔다. 특히 NDM 프레임워크는 미 육군의 야전교범(Field Manual) FM 101-5에 직관적 의사결정 개념을 통합하는 데 영향을 미쳤다.
4.2 인식-주도 의사결정(Recognition-Primed Decision Making, RPD)
RPD 모델은 NDM 운동의 핵심 발전으로, Gary Klein이 1993년에 개발했다. 이 모델은 시간 압박 속에서 어려운 문제에 대해 개인이 어떻게 의사결정을 내리는지를 설명한다. 초기에 이 모델은 비정형적 화재 진압 상황에서 현장 지휘관들의 개인적 경험을 심층 인터뷰하여 개발되었다.
RPD 모델의 핵심 특징은 다음과 같다:
- 직관적 패턴 인식과 정신적 시뮬레이션의 결합
- 다중 단서와 높은 상관관계를 갖는 패턴 매칭
- 학습과 전문성 의존: 전문가는 모든 옵션을 분석하지 않고 실행 가능한 행동 방침을 선택
- 불확실성, 시간 압박, 스트레스 하에서의 의사결정
연구에 따르면 현장 지휘관의 80-90%가 RPD 전략을 활용했으며, 다수의 옵션을 비교하기보다 과거 경험에 의존하여 신속한 결정을 내렸다. 미군은 전장 의사결정 상황의 훈련과 분석에 RPD 모델을 사용하고 있으며, 스웨덴 육군과 같은 다른 국가 군대에서도 RPD 모델의 적용이 전술적 의사결정 효율성을 개선하는 것으로 나타났다.
4.3 OODA 루프와 AI 통합
OODA(Observe, Orient, Decide, Act) 루프는 John Boyd가 개발한 의사결정 프레임워크로, 군사 의사결정의 기본 모델로 널리 사용된다. 최근 AI 기술의 발전으로 OODA 루프의 각 단계에 AI 도구가 통합되고 있다.
특히 "결정(Decide)" 단계는 전통적으로 지휘관의 경험, 상황인식, 작전 의도에 의존했으나, AI 통합으로 인해 시뮬레이션, 분석, 워게이밍 시스템과 같은 AI 도구가 이 과정을 지원하게 되었다. 이러한 도구들은 더 넓은 범위의 시나리오를 더 짧은 시간에 평가하고, 위험을 정량화하며, 가능한 결과를 시각화하고, 인지 부하를 줄이면서 의사결정 속도를 향상시킬 수 있다.
| 의사결정 모델 | 핵심 개념 | 적용 환경 | 군사 활용 사례 |
|---|---|---|---|
| NDM | 실제 환경에서의 경험 기반 의사결정 | 고위험, 시간 압박, 동적 상황 | 교리 개발, 훈련 설계 |
| RPD | 패턴 인식 + 정신적 시뮬레이션 | 제한된 시간과 정보 | 전장 의사결정 훈련 |
| OODA Loop | 순환적 관찰-판단-결정-행동 | 적응적 경쟁 환경 | 지휘통제 시스템 |
| MDMP | 체계적 군사 의사결정 절차 | 충분한 시간과 자원 | 작전 계획 수립 |
| Sensor-Shooter | 문화/인지/생리 상태 통합 | 불확실성과 강도 높은 상황 | 전투원 행동 시뮬레이션 |
5. 미국의 인간 행동 모델링 적용 사례
5.1 OneSAF (One Semi-Automated Forces)
OneSAF는 미 육군이 사용하는 분산 컴퓨터 시뮬레이션으로, CGF와 SAF(Semi-Automated Forces) 응용 프로그램을 모두 지원한다. 개체 수준 시뮬레이션으로서 개별 병사, 플랫폼, 유닛, 그리고 행동을 표현하며, 미 육군의 여단급 이하 구성 시뮬레이션과 가상 시뮬레이터를 광범위하게 지원한다.
OneSAF Objective System(OOS)의 가장 독특한 측면 중 하나는 행동 모델이다. 행동 모델 기능은 사용자가 필요에 따라 자체 행동을 개발할 수 있도록 설계되었으며, OOS 개발팀은 유닛이나 개체가 정상 임무에서 수행해야 할 가장 가능성 높은 과제를 대표하는 51개의 명령 가능한 복합 행동 세트를 생성했다.
그러나 OneSAF를 포함한 현재의 CGF 시스템들은 복잡한 인간 행동을 충분히 모델링하지 못하는 한계가 있다. 개체들이 정적 스크립트에 의해 지배되어 예측 가능하게 행동하며, 예기치 않은 사건에 대응하지 못한다. 또한 스크립팅은 가능한 행동을 포착하는 데 시간이 많이 걸리고 번거로운 방식이다.
5.2 합성훈련환경(Synthetic Training Environment, STE)
STE는 미 육군의 전체 훈련 패러다임을 혁신하는 프로그램으로, 실기동, 가상, 구성, 게이밍 도메인을 통합하여 현대전의 복잡성을 재현하는 생태계를 구축하고 있다. STE는 특히 병사의 치명성과 생존성을 향상시키기 위해 실기동 훈련의 효율성과 사실성을 높이고, 지형 친숙화를 구축하며, 임무 반복을 제공하고, 전투를 시뮬레이션하는 데 중점을 둔다.
2024년 초, 제1기갑사단 병사들이 텍사스 포트 카바조스에서 새로운 가상 합성 훈련 환경을 테스트했다. 에이브럼스 전차, 스트라이커, 브래들리 전투차량을 통상 야외에서 운용하던 병사들이 실내에서 새로운 가상 시스템을 테스트한 것이다. 또한 2024년 1월 루이지애나 포트 존슨의 합동준비훈련센터(JRTC)에서 STE LTS의 운용 시연 동안, 병사들은 합성 클레이모어 지뢰, 박격포, 수류탄, 스팅어 무기 시스템으로 훈련하여 실사격 무기를 정확히 재현하는지 확인했다.
STE의 AI 기반 인간 행동 시뮬레이션 역량은 다음과 같은 특징을 갖는다:
- 적군 행동 시뮬레이션
- 병사 행동 모니터링
- 실시간 훈련 조정
- 대규모 통제 인력 없이 효율적이고 반응적인 훈련 가능
2030년경을 가정한 대표적인 시나리오에서, 교관은 시뮬레이션의 보병 유닛이 "AI"였다고 설명한다. 이러한 역량들은 2025 회계연도에 조달되어 2026 회계연도부터 전투훈련센터에 배치될 예정이다.
5.3 HSCB (Human, Social, Cultural, and Behavioral) 모델링
HSCB 모델링은 비정규전, 대반란작전, 대테러작전, 안정화작전에서 민간인과 사회 집단의 행동을 모델링하는 분야이다. PMESII(Political, Military, Economic, Social, Information, Infrastructure) 변수와 결합하여 복잡한 사회적 역학을 시뮬레이션한다.
위기 대응 커뮤니티는 사회의 복잡한 힘을 포함하는 정치적, 경제적, 사회문화적 환경에 대한 총체적 이해에 기반한 M&S 접근법의 필요성을 인식하고 있다. 이 영역의 정확한 모델링에서 비롯되는 이해는 위기 계획 및 평가 동안 향상된 의사결정과 지휘통제로 이어질 수 있다.
HSCB 연구에서는 PMFserv라는 소프트웨어를 사용하여 에이전트의 지각을 운영하고 생리, 성격/가치 체계를 실행하여 피로, 배고픔, 부상, 스트레스 요인, 불만, 긴장 축적, 소문 및 언어 행위의 영향, 감정, 그리고 다양한 집단적 및 개인적 행동 결정을 결정한다.
5.4 최신 AI-인지 아키텍처 통합 연구
2024-2025년의 최신 연구에서는 대규모 언어 모델(LLM)과 전통적 인지 아키텍처의 통합이 주목받고 있다. ACT-R에서 추출한 인지 추적 임베딩을 LLM과 통합하는 하이브리드 및 뉴로-심볼릭 학습 접근법은 순수 딥러닝 모델에서 특징적으로 나타나는 환각(hallucination)과 근거 부족을 완화하면서 기반이 있고 설명 가능한 의사결정을 개선한다.
SOAR와 관련해서는 자연어를 생성적 기호 규칙으로 변환하는 연구가 진행 중이다. 연구자들은 필수적인 SOAR 구문, 의미론, 그리고 최적의 "시드" 규칙으로 풍부해진 동적으로 업데이트되는 사례 풀을 제공하는 지식 베이스를 구축하고 있다. 생성기는 자연어를 기호 규칙으로 변환하고, 이 규칙은 SOAR 환경에서 즉시 실행되어 실행 기반 피드백을 제공한다.
6. 한국에의 시사점
6.1 기술 도입 및 개발 방향
한국 국방 M&S 분야에서 인간 행동 모델링은 아직 초기 단계에 있다. 미국의 30년 이상 축적된 연구와 실무 경험을 참조하여 다음과 같은 방향으로 발전해야 한다.
첫째, 인지 아키텍처 기반 기술 확보가 필요하다. ACT-R과 SOAR는 오픈소스로 공개되어 있어 한국 연구기관에서도 활용 가능하다. 그러나 이러한 아키텍처를 한국군의 특수한 요구사항에 맞게 수정하고 확장하는 역량이 필요하다. 특히 한국어 기반 자연어 처리와의 통합, 한국군 교리에 맞는 의사결정 규칙 개발이 중요하다.
둘째, 훈련 시뮬레이션의 사실성을 높여야 한다. 현재 한국군의 많은 구성 시뮬레이션에서 적군은 단순한 스크립트 기반으로 행동한다. 이는 훈련의 효과를 제한한다. 미국의 STE 프로그램처럼 AI 기반의 적응형 적군 행동 모델을 도입하여 예측 불가능하고 현실적인 훈련 환경을 구축해야 한다.
셋째, 분석 시뮬레이션에서 인간 요소 고려를 강화해야 한다. 무기체계 소요 분석 시 무기의 물리적 성능만 고려하는 것은 불완전하다. 운용자의 훈련 수준, 피로, 스트레스, 상황인식 능력 등 인간 성능 변수를 시뮬레이션에 통합해야 실전적인 분석 결과를 얻을 수 있다.
6.2 인력 양성 방안
인간 행동 모델링은 인지과학, 심리학, 컴퓨터과학, 군사학이 융합된 학제적 분야이다. 한국에서는 이러한 융합 인재가 부족한 실정이다. 미국 국립과학원의 권고처럼, 학제간 팀을 구성하여 인간 행동 표현을 개발하는 체계적인 방법론을 채택해야 한다.
구체적인 인력 양성 방안으로는 국방과학연구소(ADD)와 한국국방연구원(KIDA)에 인간 행동 모델링 전문 연구팀 구성, 대학과의 산학협력을 통한 석박사 과정 개설, 미국 및 NATO M&S CoE와의 인력 교류 프로그램 운영, 그리고 군 내부의 M&S 전문인력에 대한 인지과학 교육 강화 등이 있다.
6.3 표준화 및 상호운용성
한미연합훈련과 다국적군 훈련에서 인간 행동 모델의 상호운용성은 필수적이다. NATO의 MSDL(Military Scenario Definition Language) 표준, IEEE HLA 1516 표준 등 국제 표준을 준수하면서 인간 행동 모델을 개발해야 한다.
특히 IEEE 1516-2025 (HLA 4)는 2025년 2월에 승인되어 8월에 발표되었으며, 향상된 보안, 확장성, 클라우드 및 컨테이너 준비성, 전체 수명주기 지원을 제공한다. 한국군의 차세대 M&S 체계는 이러한 최신 표준을 반영해야 한다.
6.4 연구개발 투자 우선순위
제한된 자원 하에서 효과적인 연구개발을 위해 다음과 같은 우선순위 설정이 필요하다:
- 1단계 (단기, 1-2년): 기존 오픈소스 인지 아키텍처(ACT-R, SOAR) 활용 역량 확보, 파일럿 프로젝트 수행
- 2단계 (중기, 3-5년): 한국군 교리 기반 의사결정 모델 개발, 훈련 시뮬레이션 적용
- 3단계 (장기, 5-10년): AI 기반 적응형 행동 모델 개발, 다영역작전 환경 통합
6.5 법제도적 고려사항
인간 행동 모델링은 개인정보 보호, AI 윤리, 자율무기체계 규제 등과 관련된 법제도적 이슈를 수반한다. 특히 실제 군인의 행동 데이터를 수집하여 모델을 개발할 때 개인정보 보호 규정을 준수해야 하며, AI 기반 의사결정 모델의 책임 소재에 대한 명확한 지침이 필요하다.
7. 결론
인간 행동 모델링은 국방 M&S의 핵심 분야로서, 훈련의 사실성 향상, 분석의 정확도 제고, 미래 전장 대비라는 세 가지 핵심 목표를 달성하는 데 필수적이다. 미국은 1980년대부터 ACT-R, SOAR 등 인지 아키텍처를 개발하고 TacAir-Soar, OneSAF, STE 등 다양한 군사 프로그램에 적용해 왔다.
최근에는 AI와 대규모 언어 모델의 발전으로 인간 행동 모델링이 새로운 전환점을 맞이하고 있다. 전통적인 기호적 인지 아키텍처와 신경망 기반 AI의 통합, 적응형 훈련 시스템의 발전, 그리고 복잡한 사회문화적 행동의 모델링이 활발히 연구되고 있다.
한국 국방은 이러한 글로벌 추세를 면밀히 파악하고, 인지 아키텍처 기반 기술 확보, 융합 인재 양성, 국제 표준 준수, 그리고 체계적인 연구개발 투자를 통해 인간 행동 모델링 역량을 강화해야 한다. 특히 한미연합훈련과 다국적군 작전에서의 상호운용성을 고려할 때, 미국 및 NATO와의 기술 협력이 중요하다.
궁극적으로 인간 행동 모델링의 발전은 더 현실적인 훈련, 더 정확한 분석, 그리고 더 효과적인 인간-기계 협업을 가능하게 하여, 미래 전장에서 한국군의 전투력 향상에 기여할 것이다.
참고 자료
- National Research Council. (1998). Modeling Human and Organizational Behavior: Application to Military Simulations. Washington, DC: The National Academies Press. https://nap.nationalacademies.org/catalog/6173/modeling-human-and-organizational-behavior-application-to-military-simulations
- Anderson, J. R. (2018). ACT-R: A cognitive architecture for modeling cognition. ResearchGate. https://www.researchgate.net/publication/329493100_ACT-R_A_cognitive_architecture_for_modeling_cognition
- Defense Technical Information Center. (2009). OneSAF Objective System (OOS) Behavior Model Verification. ADA501563. https://apps.dtic.mil/sti/pdfs/ADA501563.pdf
- Defense Technical Information Center. (2008). Computer Generated Forces - Background, Definition and Basic Technologies. ADA485518. https://apps.dtic.mil/sti/tr/pdf/ADA485518.pdf
- Klein, G. A. (1993). A Recognition Primed Decision (RPD) Model of Rapid Decision Making. ResearchGate. https://www.researchgate.net/publication/235418838_A_Recognition_Primed_Decision_RPD_Model_of_Rapid_Decision_Making
- U.S. Army Acquisition Support Center. (2024). Synthetic Training Environment (STE). https://asc.army.mil/web/portfolio-item/synthetic-training-environment-ste/
- IEEE Computer Society. (2025). IEEE Standard 1516-2025: IEEE Standard for Modeling and Simulation (M&S) High Level Architecture (HLA)--Framework and Rules. https://ieeexplore.ieee.org/document/11004567/
- Simulation Interoperability Standards Organization. (2008). SISO-STD-007-2008 Standard for Military Scenario Definition Language (MSDL). https://cdn.ymaws.com/www.sisostandards.org/resource/resmgr/standards_products/siso-std-007-2008_msdl.pdf
- Army Science Board. (2020). Army Science Board Fiscal Year 2020 Study: Army Modeling and Simulation (M&S). https://asb.army.mil/LinkClick.aspx?fileticket=M8db7xhiVso%3D&portalid=105
- Wang, Z. et al. (2020). A Review of Naturalistic Decision-Making and Its Applications to the Future Military. IEEE Access. https://ieeexplore.ieee.org/document/9000541/
댓글
댓글 쓰기