질문을 많이 한다는 사실이 곧 관계의 권력이나 마음의 크기를 뜻하지는 않습니다. 질문의 종류와 상대가 대화에 기여하는 다른 방식도 함께 보세요.
무엇을 셀지 먼저 정하기
메시지 수와 글자 수는 다릅니다. 가상 예시에서 “응 / 좋아 / 몇 시?”를 세 번 나눠 보낸 사람과 한 메시지로 보낸 사람은 같은 내용을 말했지만 메시지 개수는 다릅니다. 무엇을 비교했는지 쓰지 않은 지분율은 해석하기 어렵습니다.
질문이 아닌 참여 찾기
한 사람이 질문하고 다른 사람이 긴 경험담을 이야기할 수도 있습니다. 상대의 설명, 공감, 구체적인 제안도 표시해 보세요. 질문의 수가 적다는 이유로 모든 기여를 없는 것으로 취급하면 대화의 실제 모습을 놓칠 수 있습니다.
이 도구의 전처리가 미치는 영향
연속된 같은 사람의 메시지는 합쳐집니다. 따라서 원본 메시지 수와 AI에 전달되는 줄 수는 다를 수 있습니다. 서비스는 대화 지분율을 별도로 계산하지 않으므로, 결과의 숫자는 원본과 정의를 확인하기 전에는 측정값이 아닙니다.
역할을 나누는 요청
약속을 정하는 역할이 부담이라면 “다음 약속은 날짜 두 개만 먼저 제안해 줄래?”처럼 행동을 요청해 보세요. 이후 실제로 분담이 바뀌었는지 살펴보는 것이 한 번의 결과 카드로 관계 전체를 평가하는 것보다 구체적입니다.
메시지 개수와 대화 기여가 다른 예
가상 대화: “가: 토요일에 볼까? / 가: 두 시 어때? / 가: 역 앞은? / 나: 두 시 좋아. 역 앞 카페는 예약할게.” 보낸 말풍선은 가 3개, 나 1개입니다. 이것만 보면 가의 비중은 3/4이지만, 나는 시간 확인과 예약이라는 두 행동을 제시했습니다. 말풍선 수가 관심이나 노력의 비율은 아닙니다.
전처리 후에는 분모도 바뀝니다
같은 사람의 연속 발언을 합치면 가의 세 문장은 한 줄이 되고 나도 한 줄이 됩니다. 이제 발화 줄 수는 1 대 1입니다. 원문 말풍선 수, 합친 발화 수, 문자 수는 서로 다른 단위입니다. 도구는 이 중 어느 비율도 별도 통계로 제공하지 않습니다. 예시에 표시된 85%를 업로드한 파일의 측정값으로 읽으면 안 됩니다.
질문 역할을 구분해 기록하기
위 대화를 ‘제안: 가’, ‘시간 확인: 나’, ‘장소 질문: 가’, ‘예약 실행 제안: 나’로 나누어 보면 서로 다른 기여가 보입니다. 다음에는 누가 질문을 많이 했는지보다 답이 필요한 질문이 해결됐는지, 맡은 행동이 합의됐는지를 확인해 보세요. 실제 예약 완료 여부는 이 텍스트만으로 알 수 없습니다.
역할이 부담스러울 때 바꿀 한 가지
장소를 늘 고르는 일이 부담이라면 “다음에는 네가 장소 두 곳만 추천해 줄래?”라고 범위를 정할 수 있습니다. 막연히 ‘대화 지분을 반반으로 맞추자’고 요구하는 것보다 상대가 할 일을 이해하기 쉽습니다. 이 예시는 읽기 연습이며 실제 이용자의 행동 통계가 아닙니다.