본 연구는 코로나-19로 인한 스트레스를 높게 지각할 때, 스트레스를 낮게 지각할 때에 비하여 응집성이 낮은 사회적 범주에 대한 속성 일반화가 강해진다는 것을 확인하기 위해 이루어졌다. 이를 위해 본 연구는 응집성이 높은 범주(수녀, 군인, 비행기승무원)와 낮은 범주(웨딩플래너, 통역사, 플로리스트)를 선정하였고, 336명의 참가자를 모집하여 범주기반 속성 일반화 과제(범주 구성원 몇몇에게 반복 관찰되는 속성이 범주 구성원 전체에서 얼마나 나타날지 추론)를 수행하게 하였으며, 이들이 지각한 코로나-19 스트레스 정도를 측정하였다. 결과적으로, 사회적 범주의 응집성이 높을 때, 낮을 때에 비하여 속성 일반화가 강해지는 효과와 코로나-19로 인한 스트레스를 높게 지각하는 사람들에게서 낮게 지각하는 사람들보다 속성 일반화가 강해지는 효과를 관찰하였다. 더하여 본 연구는 코로나-19 스트레스를 높게 지각하는 사람들은 스트레스를 낮게 지각하는 사람들에 비해, 응집성이 낮은 범주에서도 반복 관찰되는 속성을 강하게 일반화하는 경향이 있음을 확인하였다. 본 연구는 코로나-19 발생 이후 고정관념과 편견이 심화되고, 차별적 행동이 증가하는 현상의 근본에 코로나-19 스트레스와 이로 인한 속성 일반화 경향 증가라는 인지적 기제가 존재함을 보여 준다는 측면에서 중요하다.

이 논문에서는 계산 속도를 개선한 확산모형 분석 도구 SNUDM-G를 소개한다. 확산모형은 다양한 인지과제를 설명하는 데에 적용되어 왔음에도 불구하고 계산적 어려움으로 인해 사용에 제한이 있었다. 특히 확산모형 분석 도구 중 하나인 SNUDM(고성룡 등, 2020)은 확산과정을 근사할 때 2만 개의 자료를 순차적으로 생성하기 때문에 처리 속도 면에서 단점이 있다. 이러한 한계를 극복하기 위해 확산과정을 무작위걷기 방법으로 근사하는 과정에서 그래픽처리장치(GPU)를 사용할 것을 제안한다. 그래픽처리장치를 사용하면 2만 개의 자료를 병렬로 생성할 수 있기 때문에 순차처리로 자료를 생성하는 것에 비해 분석의 속도를 높일 수 있다. GPU를 사용한 SNUDM-G와 CPU를 사용한 SNUDM으로 Ratcliff 등 (2004)의 실험 1 자료를 분석하고 매개변수 복구를 한 결과 SNUDM-G가 SNUDM보다 특정 매개변수에서 다소 높은 값을 추정하였으나, 계산 속도 면에서는 큰 차이로 SNUDM-G가 SNUDM보다 더 빠르게 매개변수를 추정하였다. 이 결과는 이 도구를 이용하여 다양한 인지 과제에 대해 보다 효율적인 확산모형 분석이 가능할 것임을 보여주며, 더 나아가 앞으로 그래픽처리장치를 이용하여 다양한 인지 모형의 처리 속도를 개선할 수 있음을 시사한다.