알고리즘 피드 통제 기반 이용자 주체성 측정 실험

1. 서론

본 연구는 소셜미디어 시대의 알고리즘적 개입과 정치적 양극화 현상에 대한 학문적 발전을 배경으로 한다.

이 분야의 지적 발전은 수용자가 정치적 정보에 어떻게 노출되는지를 다루는 전통적인 미디어 환경 연구에서 출발하여, 소셜미디어 시대의 알고리즘적 개입을 측정하는 방향으로 진화해 왔다. 기록된 문헌에 따르면, 2001년을 전후한 초기 연구는 대중 매체가 대인 관계망보다 오히려 이질적인 정치적 견해에 더 많이 노출시킨다는 점을 확인하며 '선택적 노출(selective exposure)'이라는 핵심 문제의식을 정립했다 [1]. 당시 연구의 초점은 알고리즘이 아닌 매체의 형식과 수용자의 정보 선택 능력에 맞추어져 있었으며, 이 시기의 발견은 이후 정보 환경이 개인화되었을 때 발생할 수 있는 부작용을 예측하는 이론적 기반이 되었다.

2007년부터 2016년 사이, 미디어 환경이 인터넷과 소셜미디어로 급격히 전환되면서 분야의 질문 방식과 방법론에 중대한 변화가 일어났다. 연구자들은 인터넷 뉴스 이용자들 사이에서 동기가 부여된 선택적 노출과 온라인 '에코체임버(echo chambers)' 현상이 어떻게 나타나는지 주목하기 시작했고 [2], 소셜미디어 맥락에서 정치적 양극화(Political Polarization)를 새롭게 개념화했다 [3]. 이 시기의 결정적인 전환점은 인접 분야에서 범죄 조직 연결망 등을 측정하기 위해 발전해 온 소셜 네트워크 분석(Social Network Analysis) 기법 [4]이 정치학 및 커뮤니케이션 연구에 도입된 것이다. 이를 통해 대규모 소셜미디어 네트워크에서 나타나는 '이념적 동질성(ideological homophily)'을 정량적으로 관찰하는 것이 가능해졌으며, 정치적으로 극단적이거나 보수적인 성향을 가진 사용자들이 자신과 유사한 견해를 가진 사람들과 더 강하게 결속한다는 점이 입증되었다 [5].

그러나 이 시기에는 에코체임버 현상의 보편성에 의문을 제기하는 연구 흐름도 함께 등장하며 학문적 논의가 확장되었다. 오프라인 네트워크 구조나 정치적 토론 습관에 따라 소셜미디어 사용자들은 여전히 반대되거나 혼합된 정치적 견해에 노출되며, 이념적 동질성이 지배적인 상황에서도 정치적 불일치가 지속된다는 점이 밝혀졌다 [6]. 이는 소셜미디어가 무조건적으로 이념적 단절을 초래한다는 단순한 가정을 넘어, 플랫폼 내의 정보 흐름과 사용자 상호작용을 더 복잡한 시각에서 분석하게 만드는 계기가 되었다.

2017년 이후부터 현재에 이르는 기간 동안, 이 분야는 데이터 추적과 실험 방법론의 비약적인 발전을 바탕으로 알고리즘 자체의 인과적 효과를 규명하는 데 집중하고 있다. 이전 시기까지는 사용자의 자발적인 네트워크 형성(팔로우 등)에 따른 구조적 관찰이 주를 이루었으나, 점차 뉴스 구독을 무작위로 통제하는 대규모 현장 실험이 도입되었다. 이러한 실험을 통해 반대 성향의 뉴스에 노출될 경우 상대 정당에 대한 부정적 태도가 감소할 수 있음에도 불구하고, 소셜미디어 알고리즘이 그러한 반대 성향 게시물의 노출을 인위적으로 제한함으로써 결과적으로 양극화를 심화시킨다는 인과적 사슬이 확인되었다 [7]. 또한, 알고리즘이 사용자의 자존감 등 심리적 요인과 연동하여 정보 출처 단서를 개인화(personalization)함으로써 '필터 버블(filter bubble)'을 형성하는 경로가 규명되었다 [8].

가장 최근에는 플랫폼이 제공하는 데이터에만 의존하던 한계를 극복하고, 플랫폼 독립적인 실시간 피드 재정렬 기법이나 거대 언어 모델(LLM)을 활용해 알고리즘의 효과를 직접 조작하고 측정하는 방향으로 연구의 최전선이 이동했다 [9]. 연구 대상 역시 전통적인 텍스트 기반 소셜미디어를 넘어 쇼트폼 비디오 플랫폼의 알고리즘 메커니즘 [10]과 새로운 분산형 소셜 네트워크의 토폴로지 분석 [11]으로 확장되었다. 또한 사용자들이 단순히 알고리즘의 수동적 객체가 아니라, 알고리즘 작동 방식에 대한 '민속 이론(folk theories)'을 바탕으로 맞춤형 큐레이션에 저항하거나 체념하는 복합적인 상호작용 주체라는 점이 새롭게 조명되며 [12], 알고리즘 기술과 사회문화적 실천이 교차하는 지점으로 분야가 도달해 있다.

2. 이론적 배경 및 주요 개념

본 연구를 수행하기 위해 요구되는 핵심 개념과 분야의 작동 방식은 다음과 같다.

주요 개념

분야의 작동 방식

이 분야는 주로 컴퓨터 과학, 커뮤니케이션학, 그리고 정치학이 교차하는 지점에서 작동하며, 거대한 사용자 행동 데이터와 네트워크 구조를 결합하는 방식을 취한다. 주요 데이터 소스로는 Facebook, X(과거 Twitter), Bluesky와 같은 소셜 네트워크 서비스의 사용자 활동(팔로우, 리포스트, 좋아요 등) 로그와 뉴스 소비 링크가 활용된다 [11]. 최근에는 TikTok이나 Douyin과 같은 숏폼 비디오 플랫폼으로 분석 대상이 확장되어 콘텐츠 푸시(push)와 상호작용 간의 결합 메커니즘을 다루기도 한다 [10].

방법론적으로는 단순히 관찰된 상호작용을 분석하는 것을 넘어, 인과관계를 규명하기 위한 대규모 현장 실험(Field Experiments)이 핵심 기법으로 자리 잡았다. 연구자들은 참가자들에게 특정 성향의 뉴스 매체 구독을 무작위로 할당하여 알고리즘의 노출 제한 효과를 추적하거나 [7], 나아가 플랫폼 독립적인 방법을 구축하여 대형 언어 모델(LLM)로 참가자의 피드를 실시간으로 재정렬함으로써 알고리즘 큐레이션이 정서적 양극화에 미치는 영향을 직접 조작하고 측정한다 [9]. 구조적 분석을 위해서는 실시간 스트리밍 그래프 내에서 지역 커뮤니티를 추적하는 동적 알고리즘 연구 [15]와 같은 컴퓨터 과학의 방법론을 차용하며, 사용자 인식을 심층적으로 이해하기 위해 설문조사, 심층 인터뷰, 일기 작성 기법을 결합한 혼합 연구 방법론(Mixed methods)도 활발히 활용하는 커뮤니티가 존재한다 [12, 14].

학술적 고려사항

3. 연구 문제 및 선행 연구 검토

이러한 배경을 바탕으로 본 연구가 주목하는 핵심 연구 문제와 이를 둘러싼 선행 문헌들의 논의는 다음과 같다.

핵심 연구 문제

폭넓게 보고된 사실

소셜 미디어 환경에서 알고리즘을 통한 개인화된 콘텐츠 배포가 이념적 동질성을 지닌 정보 환경을 조성하며 정치적 양극화와 상관관계를 가진다는 점은 문헌 전반에서 폭넓게 보고되어 있다 [10, 18]. 이용자들은 자신이 선호하는 이념적 성향과 일치하는 콘텐츠에 빈번하게 노출되며, 이로 인해 에코 체임버(echo chambers)와 필터 버블(filter bubbles) 현상이 광범위하게 발생한다 [19, 20]. 이러한 폐쇄적 소통 구조는 알고리즘의 콘텐츠 개인화, 이용자의 확증 편향 및 선택적 노출(selective exposure), 그리고 네트워크의 동질성(homophily)이 상호작용하여 형성되며, 결과적으로 사회적 응집력을 저해하는 기제로 작용한다 [21]. 또한, 이용자가 자신의 태도에 부합하는 정치적 정보를 적극적으로 탐색하는 행위는 상대 정치 집단에 대한 분노를 증가시키는 등 정서적 양극화(affective polarization)를 일관되게 심화시키는 것으로 확인되었다 [22].

대립하는 입장의 근거

입장 A — 알고리즘 필터버블 강조론

이 입장은 플랫폼의 추천 알고리즘이 이용자의 의도와 무관하게 편향된 정보를 지속적으로 주입하여 양극화를 능동적으로 주도한다고 주장한다. 주류 숏폼 비디오 플랫폼을 실증적으로 분석한 연구는 알고리즘이 정보의 흐름을 필터링하고 증폭시킴으로써 극단적 의견의 확산과 관점 노출을 결정하는 주된 동력임을 입증한다 [10]. 트위터(Twitter) 이용자를 대상으로 한 혼합 방법론 연구 역시 필터 버블에 대한 노출과 정치적 양극화의 심화 사이에 유의미한 상관관계가 있음을 보여준다 [18].

알고리즘 자체가 갈등을 조장하는 구조적 문제에 기인한다는 시각도 존재한다. 플랫폼의 알고리즘 시스템이 사회 내 분열을 악화시키고 민주적 가치에 도전하는 편향을 지니고 있으며 [16], 분쟁 환경에서 플랫폼이 오히려 폭력을 유발할 수 있는 분열적 발언에 보상을 제공하도록 설계되어 있다는 점을 제안하는 문헌도 보고된다 [23]. 더 나아가, 다수의 플랫폼을 분석한 체계적 문헌 고찰이 보고하는 바에 따르면 참여(engagement)를 최적화하도록 설계된 추천 아키텍처는 플랫폼을 불문하고 일관되게 정치적으로 동질적인 정보 환경을 생성하는 결과를 낳는다 [24].

입장 B — 이용자 선택적 접촉론

반면, 이 입장은 알고리즘의 기술적 개입보다 이용자의 자발적 선택과 기존 신념에 따른 정보 소비 심리가 양극화의 근본 원인이라고 반론한다. 소셜 미디어 이용자들은 단순히 알고리즘에 이끌리는 것이 아니라, 인간의 주체성(human agency)을 바탕으로 동질적인 콘텐츠를 자발적으로 선택하며 이 과정이 양극화를 강화한다 [19]. 예컨대, 인도네시아의 코로나19 관련 소셜 미디어 데이터를 분석한 연구는 이용자들이 특정 정치적 선호도에 따라 자신과 동일한 성향의 정보만을 수용하고 반대 정보는 적극적으로 무시하는 선택적 노출을 통해 양극화 그룹을 형성함을 시사했다 [25].

이러한 선택적 노출은 이용자의 정치적 관여도에 따라 다르게 나타나는데, 투표 의향과 같은 강한 정치적 몰입도는 뉴스 클릭 결정 시 전형적인 확증 편향을 유발하는 것으로 확인되었다 [26]. 특히 탈중앙화 소셜 네트워크인 블루스카이(Bluesky)를 분석한 연구는 이용자들이 맞춤형 알고리즘 피드의 활용을 제한적으로만 채택함에도 불구하고, 팔로우나 좋아요와 같은 자발적 상호작용 네트워크 자체가 고도로 군집화되고 이념적으로 동질적인 구조를 형성한다는 점을 밝혀냈다 [11]. 또한, 반대되는 정치적 견해에 노출되었을 때의 반응 역시 알고리즘 노출 자체보다 해당 게시물을 올린 사람과의 사회적 유대(tie strength) 강도에 따라 대응 방식이 결정된다는 점이 확인되었다 [27].

논쟁의 기반 연구

이 논쟁의 기저에는 소셜 미디어에서의 가짜 뉴스와 필터 버블이 이념적 양극화에 미치는 영향을 이론적으로 정립한 초기 논의가 자리 잡고 있다. 소셜 미디어가 이용자를 반대 이념적 뉴스 콘텐츠로부터 단절시킨다는 가정은 알고리즘 큐레이션과 개인화 시스템에 대한 이론적 프레임워크가 제시되면서 본격적으로 학계의 주요 의제로 부상했다 [28].

이와 함께 에코 체임버 현상이 디지털 커뮤니케이션 환경에서 어떻게 형성되고 사회적 응집력을 약화시키는지에 대한 다학제적 개념화가 논쟁의 틀을 제공했다 [20]. 흥미롭게도, 가상으로 조성된 의견 기후(opinion climates)가 이용자의 정보 처리와 선택에 미치는 영향을 탐구한 연구는, 정치적 환경의 일치 여부보다는 이용자의 정치적 사회 정체성(political social identity)이 관용과 의견 강도를 결정하는 핵심 요인임을 시사함으로써 알고리즘 대 이용자 심리라는 대립 구도를 심화시켰다 [29].

인접 논쟁 및 증거

정치적 양극화 현상과 인접한 분야의 연구들은 이용자가 알고리즘 환경에서 수동적인 객체에 머물지 않는다는 점을 유추할 수 있는 증거를 제공한다. 중국 소셜 미디어 알고리즘이 유학생의 문화적 정체성에 미치는 영향을 분석한 인접 연구에 따르면, 이용자들은 알고리즘이 큐레이션한 콘텐츠를 수동적으로 수용하지 않고 능동적으로 의미를 구성하며 선택적으로 참여(selective participation)하는 구조화된 상호작용을 수행한다 [30].

또한, 다른 맥락의 온라인 정치 뉴스 수용자 행동을 관찰한 인접 연구에 따르면, 당파적 선택적 노출이 팽배하다는 통념과 달리 실제 뉴스 수용자들은 소수의 유명 미디어 사이트에 집중적으로 몰리며 이념적으로 매우 다양하게 혼합된 수용자 층을 형성한다는 점이 입증되었다 [31]. 이는 이념적 단절이 뚜렷하다는 이른바 '레드/블루 분열'의 강도에 의문을 제기하는 결과로, 알고리즘 필터 버블의 절대적 고립 효과에 대한 반론적 근거로 차용될 수 있다. 디지털 리터러시라는 인접 영역에서는, 알고리즘에 기반한 동질적 정보 노출의 위험성을 완화하기 위해 도서관과 같은 기관을 통한 신뢰할 수 있는 출처 확인 및 정보 리터러시 교육이 유효한 대응책이 됨을 입증하여 알고리즘 효과가 외부 개입으로 통제될 수 있음을 보여준다 [32].

상충 및 불일치하는 발견

제시된 문헌들은 알고리즘의 효과와 이용자의 반응성 측면에서 명확히 불일치하는 결과를 포함하고 있다. 가장 두드러진 모순은 플랫폼별 알고리즘 아키텍처의 차이에서 발생한다. 숏폼 플랫폼의 극단화 메커니즘이 알고리즘 종류에 따라 상이한 양극화 영향을 미친다는 실증적 결과가 있으며 [10], 체계적 문헌 고찰이 보고하는 바에 따르면 틱톡(TikTok)은 계량화가 가능한 비대칭적 당파적 노출을, 유튜브(YouTube)는 참여 기반의 콘텐츠 표류(drift)를, 트위터(Twitter)는 알고리즘보다는 이용자 행동에 더 기인하는 효과를 내는 등 필터 버블의 강도가 플랫폼마다 크게 다르다 [24].

교차 노출(cross-cutting exposure)의 효과에 대해서도 결과가 엇갈린다. 이질적인 정치적 견해에 우연히 노출되는 것이 당파적 감정을 누그러뜨릴 것이라는 기대와 달리, 실증 연구는 이러한 교차 노출이 정치적 반대파에 대한 분노를 완화하지 못하며 오히려 태도적 혜택이 없음을 증명한다 [22]. 동시에 다른 연구는 교차 의견에 대한 반응이 노출 자체가 아니라 메시지 발화자와의 사회적 유대가 약한지(숨기기, 친구 끊기) 강한지(공개 댓글, 비공개 메시지)에 따라 완전히 다르게 나타난다고 보고하여 [27], 정보의 이념적 속성보다 사회적 맥락이 결과를 좌우함을 보여준다. 아울러 정치적 의견의 일치도가 강력한 효과를 낼 것이라는 일반적 가설과 달리, 특정 실험에서는 정치적 일치성(congruence)의 효과가 매우 제한적이라는 점을 시사하는 결과도 존재한다 [29].

기존 증거의 한계

현재 집적된 증거들의 가장 구체적인 한계는 알고리즘 추천이라는 '기술적 원인'과 선택적 노출이라는 '인간적 원인'을 인과적으로 엄격히 분리하여 측정하지 못한다는 데 있다. 다수의 연구가 설문조사를 통한 자가 보고 수치나 특정 플랫폼 내의 인터뷰, 콘텐츠 내용 분석에 의존하고 있어 이용자의 심리적 인식이 실제 알고리즘의 물리적 작용에 의해 발생한 것인지 검증하기 어렵다 [18, 19, 27, 30].

또한 이용자들의 실제 온라인 행동을 추적하기 위해 디지털 흔적(digital trace) 또는 미터링 데이터(metered data)를 설문과 결합하려는 시도들이 보고된 바 있으나, 기기 간 추적의 불완전성과 개념의 측정(operationalization) 측면에서 타당성을 확보하는 데 중대한 방법론적 난관이 존재함이 구체적으로 지적된다 [33]. 나아가 2019년 이후의 실증적 증거들이 매우 파편화되어 있고 개별 소셜 미디어 플랫폼의 특수한 구조에 종속되어 있어, 이를 대중적 담론에서 과장하여 일반화하는 경향이 있다는 점 역시 주요한 증거 한계로 남는다 [24].

미해결 과제

제시된 문헌을 바탕으로 할 때, 알고리즘 필터 버블이 이용자의 기존 이념적 선호도와 독립적으로 작용하여 양극화를 인위적으로 창출해 내는가라는 인과관계의 선후 문제는 여전히 미해결 상태로 남아 있다. 이용자들이 블루스카이와 같은 환경에서 알고리즘 개입 없이도 고도의 이념적 군집을 자발적으로 형성한다는 사실 [11]과, 추천 알고리즘이 정보 확산을 주도한다는 실증 [10] 사이에서 무엇이 양극화 네트워크 형성의 1차적 동인인지 문헌은 확정하지 못하고 있다.

또한, 텍스트 중심 플랫폼(트위터 등)과 숏폼 비디오 플랫폼(틱톡 등) 간에 알고리즘이 필터 버블을 형성하는 강도와 기제가 구체적으로 어떻게 달라지는지에 대한 통합된 기술적 규명 역시 개별 플랫폼 분석의 파편화로 인해 완전히 해소되지 않았다 [10, 24].

향후 연구의 중요성

이러한 미해결 과제는 플랫폼 규제 및 민주적 공론장 복원을 위한 정책 설계에 결정적인 영향을 미치기 때문에 추가적인 연구 가치가 높다. 만약 양극화가 알고리즘 추천 시스템에 의해 주로 유도되는 것이라면, 콘텐츠 추천 아키텍처의 투명성을 강화하고 알고리즘 구조를 최적화하는 플랫폼 거버넌스 [10]가 가장 효과적인 개입이 될 것이다.

반대로 인간의 인지적 확증 편향과 자발적 네트워크 형성이 핵심 요인이라면, 미디어 리터러시 교육 [18, 32]이나 정치적 관용을 촉진하는 사회심리학적 개입이 알고리즘 설계 변경보다 우선순위가 되어야 한다. 디지털 매체 소비와 정서적 양극화가 직접적으로 맞물려 있는 현대 사회에서 [22], 인과적 책임을 정밀하게 분리해 내는 연구는 사회적 분열을 막기 위한 실효성 있는 대응책 마련의 핵심적인 전제 조건이다.

4. 연구 목적 및 제안하는 연구 방향

선행 연구의 한계와 미해결 과제를 바탕으로 본 연구가 도출한 연구 공백과 목적은 다음과 같다.

5. 연구 질문 및 가설

앞서 제시한 연구 목적을 달성하기 위해 다음과 같은 연구 질문과 가설, 이론적 프레임워크를 설정하였다.

연구 질문

개인화 추천 알고리즘을 비개인화 무작위 추출 피드로 대체했을 때, 이용자의 자발적 선택적 접촉 행태는 단기적으로 정치적 정보 고립 기제를 활성화하고 양극화 수준을 증폭시키는가?

가설

이론적 프레임워크

이 연구는 소셜 미디어 환경에서의 필터 버블(Filter Bubble) 이론과 선택적 접촉(Selective Exposure) 이론 간의 인과적 선후 관계 논쟁에 기반을 둔다.

필터 버블을 강조하는 입장은 소셜 미디어의 알고리즘 큐레이션이 이용자를 편향된 정보에 고립시키고 극단화하는 능동적 주체임을 지적한다 [18, 20]. 반면, 일부 문헌이 시사하는 바와 같이 개인화 알고리즘보다 앞서 작용하는 인간의 자발적 동기와 인지적 심리가 이념적 양극화를 주도한다는 선택적 접촉 관점도 팽팽히 맞선다 [28, 34, 35]. 더 나아가, 정치적 양극화의 성격을 두고 피드 재배치가 정서적 양극화를 완화할 수 있다는 모형이 제안되기도 하지만 [9], 알고리즘이 순수한 정책적 신념(이념적 양극화)에 미치는 파급력에 대해서는 한계가 제기된다 [36]. 본 설계는 위 이론들이 예측하는 현상(알고리즘 유도 vs. 이용자 자발성)을 설계 단계에서 인위적으로 분리(Decoupling)하여 각각의 독립적 기여도를 실증한다.

6. 연구 방법론 및 분석 계획

설정된 연구 질문과 가설을 검증하기 위한 구체적인 연구 설계 및 방법론은 다음과 같다.

핵심 가정

현실성 검증

방법론적 미해결 과제

변수

조작적 정의

(도구 부재 시 구축 계획: 감정 온도계 도구는 기존 정치학 설문에서 통용되나, 본 실험용 가상 소셜 미디어 플랫폼 내부 UI와 이질감 없이 결합되는 인앱(in-app) 형태의 팝업 설문 모듈로 재설계하여, 실험 참가자들이 외부 사이트 이동 없이 응답하도록 예비 실험을 통해 파일럿 테스트를 수행한다.)

데이터

1. 참가자 모집 및 사전 동의 획득.

2. 사전 설문조사: 인구통계학적 정보, 베이스라인 정치 성향, 정서적/이념적 양극화 사전 점수 측정.

3. 실험 개입 (가상 플랫폼 이용): 참가자를 개인화 알고리즘 피드(조건 A) 또는 비개인화 무작위 추출 피드(조건 B)에 맹검 무작위 배정.

4. 이용자 행태 데이터 실시간 수집 (사전 정의된 특정 횟수의 콘텐츠 노출 및 상호작용 달성 시점까지 진행).

5. 사후 설문조사: 플랫폼 이용 종료 직후 정서적/이념적 양극화 점수 재측정 및 디브리핑.

연구 설계

분석 계획

(1) 행동 관찰 데이터 (반복 측정된 선택적 접촉 행태) 모델

전체 모형 (Full specification)

선택적 접촉 행태에 대한 혼합효과 로지스틱 회귀분석 (Mixed-effects logistic regression):

(2) 사전-사후 태도 변화 (정서적/이념적 양극화) 모델

Robustness checks: 인구통계학적 변수(연령, 성별, 정치 관여도)를 통제 변수로 추가한 모형 비교; 결측치가 MNAR(Missing Not At Random)일 경우를 대비하여 조건 간 이탈률 차이를 통계적으로 사전 검증하고, 패턴 혼합 모형(Pattern-mixture model)을 활용한 민감도 분석을 수행한다; 클릭 수가 아닌 '실효 체류시간 누적분'을 종속 변수로 활용한 OLS 혼합 모형 재적합.

Open-science steps: 데이터 수집 전 목표 N값(통계적 검정력 분석에 의거)과 상세 분석 코드를 OSF(Open Science Framework)에 사전 등록(Pre-registration). 익명화된 최종 데이터셋은 재현을 위해 리포지토리에 공개.

7. 기대 효과 및 연구의 한계

본 연구가 성공적으로 수행될 경우의 기대 효과와 연구 설계에 내재된 한계는 다음과 같다.

기대 효과

연구의 한계

8. 실현 가능성 및 윤리적 고려사항

본 연구를 실행하기 위한 기술적 요구사항과 준수해야 할 윤리적 원칙은 다음과 같다.

실현 가능성

Overall Feasibility: 가상 플랫폼 구축과 자체 알고리즘 구현이라는 기술적 장벽이 존재하나, 오픈소스 시스템 기반의 Fallback 전략이 가능하므로 핵심 인과관계를 검증하기 위한 실험 설계 자체의 실행 가능성은 확보될 수 있다.

검증 필요 수치

이 수치들은 기획 단계에서 인공지능이 생성한 추정치 및 가정치이므로, 연구 실행 전 반드시 문헌과 파일럿 테스트를 통해 검증 및 확정되어야 합니다.

윤리적 고려사항

본 연구는 인간 대상 실험으로 구성되며, 참가자의 정치적 신념 및 정서적 태도를 측정하므로 민감 정보 수집에 따른 심의 경로를 거칠 가능성이 높다. 참가자에게는 플랫폼 이용 전 정보 수집 범위와 거부 권리가 포함된 사전 동의를 득하되, 양극화 측정이라는 직접적 목적은 실험 반응의 왜곡(Hawthorne effect)을 막기 위해 가린 상태로 진행하고, 모든 절차 종료 직후 완전한 디브리핑(Debriefing)을 실시하여 기만(Deception) 요소에 대해 설명한다.

모든 행태 추적 로그와 설문 응답은 식별 불가능한 형태(난수화된 ID)로 분리 보관되며, 데이터 보호를 위해 외부 망과 단절된 암호화 서버를 사용한다. 극단주의나 특정 정치 집단에 대한 과도한 혐오가 포함된 위해성 콘텐츠는 시드 데이터베이스 구성 시 필터링하여 참가자의 심리적 위해성을 통제한다. 특히, 시드 데이터베이스 구축 시 극단주의 선동, 노골적 혐오 발언, 허위 조작 정보에 대한 명확한 사전 배제 기준(Exclusion criteria)을 수립하여 IRB의 최소 위험 요건 충족을 입증해야 한다 [Inferred]. 이 같은 절차적 정당성을 갖춘 상세 계획서를 관할 IRB에 제출하여 승인 여부와 위해성 요건 충족 여부를 확인하는 과정이 필수적으로 선행되어야 한다.

References