우리는 알고리즘을 선택하는가, 알고리즘에게 선택당하는가
개인이 시청한 영상 하나는 비슷한 주제의 추천 영상으로 이어진다. 이러한 알고리즘은 내가 능동적으로 선택한 것일까, 알고리즘에 의한 수동적인 선택일까. 사람들에겐 각자 자신만의 영상 추천 알고리즘이 있다. 이들을 자신의 취향에 따라 직접 선택한 영상이라 생각할 수 있으나 실제로는 그렇지만은 않다. 대표적으로 단 한 번도 직접 검색하지 않은 인터넷 밈이 어느 순간 모두에게 익숙해져 유행으로 자리 잡는 것이 그 예시다.

각종 유행도 SNS 알고리즘의 동일화로 인해 누구나 당연히 알고 있다고 자연스럽게 받아들이며, ‘어쩌다’ 알게 됐는지 의문을 제기하지 않는다. 이런 유행 알고리즘도 마찬가지로 자신의 선택으로 만들어진 결과가 아닐 수 있다.

필터 버블(filter bubble): 보이는 것이 점점 작아질 때
필터 버블이란 이용자들이 자신의 신념에 맞는 정보를 반복적으로 접하며 자신이 믿는 세계가 유일한 진실이라고 확신하게 되는 현상이다. 인간의 뇌는 새로운 정보를 받아들일 때 기존 정보와 일치하면 쉽게 수용하지만, 일치하지 않는다면 거부·왜곡하는 경향이 있다.

필터 버블은 이러한 뇌의 특성을 기반으로 작동한다. 개인의 과거 데이터를 기반으로 한 알고리즘은 개인의 기존 데이터와 일치하는 정보만을 지속적으로 노출시킨다. 그 결과 사람들은 인식의 불편함을 느끼지 못하고 스스로가 옳다고 확신하게 된다. 이는 곧 비판적 사고에도 부정적인 영향을 미친다.

협업 필터링: 취향 획일화 문제
협업 필터링이란 이용자들의 사용 형태, 소비 기록 등 정보를 분석하여 이용자가 선호하는 정보를 예측하는 방법이다. 협업 필터링은 사용자 기반 협업 필터링과 아이템 기반 협업 필터링으로 나뉜다. 협업 필터링은 많은 사용자로부터 얻은 정보이기에 대상이 많아질수록 추천 결과의 정확도가 높아진다. 같은 나이대·성별을 가진 집단 안에서 유행이 시작되는 것이 바로 이 원리다.

이러한 시스템으로 취향이 유사하다고 판단한 컴퓨터는 알고리즘을 통해 같은 내용을 비슷한 특성을 가진 사람들에게 상품, 영상 등을 추천하여 유행을 만든다. 하지만 이러한 장점에 반해, 취향의 획일화 문제가 발생하기도 한다. 이는 무리 속 다양성 존중을 저해하며 동조로 이어진다. 무리 속 동조는 잘못된 지식, 정치, 윤리관 등을 일으킬 수 있으며 사회 내 집단의 양극화를 심화할 수 있다.

알고리즘 없이 선택하기
알고리즘의 편협성을 자가 진단할 방법이 있다. 예를 들어 유튜브를 로그아웃한 상태에서 메인화면을 켰을 때 기존 자신의 계정 메인화면과 로그아웃 상태 화면이 얼마나 다른지 비교해 보는 방법이다. 차이가 극명할수록 단단한 필터 버블 속에 있는 것이다.

현재 우리가 살고 있는 AI 알고리즘 시대는 비판적 사고의 중요성이 크다. 비판적 사고는 옳고 그름을 따지는 것에서만 그치지 않고, 삶의 주체를 유지할 수 있는 능력이다. 현명하게 알고리즘을 사용하기 위해서는 비판적 사고를 기르는 연습이 필요하다.

최인영 수습기자 choiiy0128@naver.com

[참고]
https://terms.naver.com/entry.naver?docId=864348&cid=50373&categoryId=50373
https://cwn.kr/article/179564493864511
https://www.psychiatricnews.net/news/articleView.html?idxno=36198