인기 많은 사람이 여론을 살린다? 알고리즘이 다양성을 만드는 반직관적 조건 (arXiv:2610.21610)

밤에 피드를 넘기다 보면 두 종류의 사람을 만난다. 이미 아는 친구, 그리고 플랫폼이 건네준 낯선 계정이다. 전자는 내 사회망 안에 있고, 후자는 어디서 왔는지 모를 추천의 결과다. 2026년 10월 15일 arXiv에 올라온 논문 <Popularity-driven interactions in multilayer bounded-confidence opinion dynamics>(arXiv:2610.21610)는 이 두 종류의 접촉이 여론의 뭉침에 어떤 영향을 주는지를 계산 모형으로 따진다. 저자는 Senne De Bruyn과 Luis Enrique Correa Rocha다.

사회망 위에 얹힌 또 하나의 층

논문이 쓰는 도구는 '경계 신뢰(bounded confidence)' 모형이다. 사람마다 의견을 하나의 숫자로 들고 있고, 두 사람은 의견 차이가 일정 문턱 안에 들어올 때만 서로의 의견을 조금씩 당긴다. 문턱 밖의 사람은 아예 대화 상대로 인정되지 않는다. 이 규칙만으로도 집단은 몇 개의 의견 덩어리로 갈라지는데, 이것이 여론 양극화의 가장 단순한 기계적 설명이 된다.

이 논문의 새로움은 층을 하나 더 얹는다는 데 있다. 아래층은 친구·동료로 이루어진 사회망이고, 위층은 모든 사람이 모든 사람과 연결된 '탐색층(explore layer)'이다. 탐색층은 플랫폼 전체에 노출되는 콘텐츠, 즉 사회망 바깥에서 우연히 마주치는 사람들을 뜻한다. 모형의 질문은 단순하다. 이 우연한 접촉이 늘어나면 여론은 더 섞일까, 더 갈라질까.

첫 번째 반전: 낯선 사람을 만나면 의견이 줄어든다

직관은 이렇게 말한다. 다른 세계의 사람을 많이 만나면 시야가 넓어지고 의견은 다양해질 것이다. 논문의 계산은 정반대를 내놓는다. 탐색층에서 무작위로 상대를 고르면 사회망 안의 서로 다른 이웃들이 같은 외부인을 통해 연결되고, 그 결과 의견의 섞임(mixing)이 커지면서 전체 의견 다양성은 오히려 줄어든다. 저자들은 이 효과가 기존 사회망의 영향력까지 약화시킨다고 보고한다.

필터 버블 개념도. 알고리즘이 어떤 뉴스를 보여줄지 고르는 구조를 두 개의 거품으로 표현했다. — Tomwsulcer, CC0 (Wikimedia Commons)

왜 그럴까. 경계 신뢰 모형에서 의견은 문턱 안의 상대에게만 끌린다. 무작위 탐색은 서로 멀리 떨어진 의견들을 한 사람에게 동시에 연결해 주고, 그 사람은 양쪽 모두에게 조금씩 끌리면서 중간값으로 이동한다. 중간값이 늘어나면 극단에 남는 사람이 줄어든다. 다양성은 '여러 의견이 공존하는 정도'인데, 모두가 조금씩 중앙으로 걸어오면 그 지표는 떨어진다. 논문은 이 현상을 탐색층의 동질화 효과라고 부른다.

여기서 독자가 걸리는 지점이 하나 있다. 우리가 사는 플랫폼의 탐색층은 무작위가 아니다. 대부분의 추천은 인기와 반응을 기준으로 정렬된다. 그래서 논문은 다음 단계로 인기라는 변수를 모형 안에 집어넣는다.

두 번째 반전: 인기 편향이 다양성을 되살린다

저자들은 상대를 고를 때 시간에 따라 변하는 '인기 점수(popularity score)'로 가중치를 주는 방식을 도입한다. 한 번 선택된 사람은 다시 선택될 확률이 높아지는, 부익부 구조다. 흔히 비판받는 바로 그 메커니즘이다. 그런데 모형 안에서 이 편향은 탐색층의 동질화 효과를 약화시켰다. 탐색 접촉이 소수의 인기 사용자에게 집중되면서, 무작위 탐색이 만들어내던 중앙 수렴이 덜 일어나고 의견 다양성이 다시 올라간다.

해석은 이렇다. 모두가 같은 소수를 보게 되면, 그 소수는 다수의 의견을 중간으로 끌어당기는 대신 각자의 이웃과만 상호작용한다. 탐색층이 '전 국민이 함께 쓰는 광장'에서 '몇 개의 큰 방송국'으로 바뀌는 셈이다. 방송국은 시청자를 섞지 않는다. 그래서 사회망 안의 지역적 의견 구조가 보존되고, 전체적으로는 다양한 의견 덩어리가 남는다.

다만 이 효과의 크기는 아래층 사회망의 구조에 달려 있다고 논문은 밝힌다. 사회망이 촘촘한지, 허브가 있는지에 따라 탐색층이 하는 일이 달라진다. 같은 알고리즘이라도 누구의 사회망에 얹히느냐에 따라 결과가 갈린다는 뜻이다.

세 번째 반전: 다양성의 대가는 영구적 양극화

이야기는 여기서 끝나지 않는다. 인기 불평등이 커지면 소수의 인기 사용자가 '의견 흡인자(opinion attractor)'로 작동한다. 흡인자는 주변 의견을 자기 쪽으로 끌어당기는 사람이다. 인기 편향이 없을 때는 합의(consensus)로 수렴하던 조건에서도, 인기 불평등이 큰 모형은 양극화된 상태를 유지한다. 다양성이 늘어난 것이 아니라, 갈라진 상태가 고정된 것이다.

소셜 미디어에서 에코 체임버가 형성·증폭·안정화되는 과정을 도식화한 그림. — Carlos Diaz Ruiz, CC BY 4.0 (Wikimedia Commons)

이 대목이 논문의 가장 실용적인 경고다. 흔히 우리는 알고리즘이 사람들을 거품에 가둔다고 말한다. 이 모형은 그 비판을 조금 비튼다. 무작위 노출은 오히려 의견을 균질하게 만들고, 인기 편향은 다양성을 살리지만 그 다양성을 소수의 목소리에 묶어 둔다. 두 경우 모두 '건강한 공론장'과는 거리가 있다. 하나는 모두를 같은 중간으로 모으고, 다른 하나는 소수가 대표하는 진영으로 갈라놓는다.

경쟁 가설과 반론

첫 번째 경쟁 가설은 선택적 노출이다. 사람들은 원래 자기 의견과 맞는 정보를 고른다는 설명인데, 이 모형은 선택 주체를 사용자가 아니라 탐색층의 표집 규칙에 둔다. 즉 사용자의 심리가 아니라 플랫폼의 배분 방식이 결과를 결정한다고 본다. 이 차이는 중요하다. 사용자 심리라면 교육이나 미디어 리터러시가 답이 되지만, 배분 규칙이라면 설계를 바꿔야 한다.

두 번째 반론은 경계 신뢰 모형 자체에 대한 것이다. 문턱값 하나로 대화의 성립 여부를 정하는 단순화가 결과를 만들어낸다는 지적이다. 문턱을 크게 잡으면 애초에 양극화가 잘 생기지 않고, 작게 잡으면 거의 모든 접촉이 무시된다. 논문이 보고한 반전이 특정 문턱 구간에서만 성립하는 것인지, 아니면 넓은 범위에서 유지되는지는 모형의 세부 설정에 달려 있다.

세 번째 반론은 인기 점수의 정의다. 실제 플랫폼의 인기는 클릭·체류·공유가 뒤섞인 값이고, 알고리즘은 단순한 재선택 확률이 아니라 예상 체류 시간을 최대화하도록 학습된다. 논문의 인기 메커니즘은 그 복잡한 목적함수를 하나의 점수로 압축한 근사다. 따라서 이 결과는 실제 서비스의 예측이라기보다, 인기 집중이라는 변수 하나를 분리해 본 사고 실험으로 읽는 편이 정확하다.

논문이 스스로 인정한 한계

논문은 결과가 아래층 사회망의 구조에 의존한다고 명시한다. 이는 단일한 결론을 주장하지 않는다는 뜻이며, 동시에 현실의 어떤 네트워크에도 그대로 적용되는 보편 법칙은 아니라는 뜻이기도 하다. 사회망의 위상이 다르면 인기 편향의 효과도 달라진다.

또 하나 분명한 것은 이것이 계산 모형 연구라는 점이다. 의견은 숫자 하나로, 대화는 문턱 하나로, 인기는 점수 하나로 축약된다. 뉴스의 내용, 감정, 신뢰, 매체의 권위, 조직적 조작은 모형에 들어 있지 않다. 논문은 실제 이용자 데이터를 측정한 것이 아니므로, 여기서 나온 반전은 관측된 사회 현상의 증명이 아니라 메커니즘의 가능성에 대한 주장이다.

그럼에도 이 논문이 유용한 이유는 질문을 바꿔 놓기 때문이다. '알고리즘이 우리를 갇히게 하는가' 대신 '접촉의 배분 규칙이 어떤 조건에서 합의를 만들고 어떤 조건에서 양극화를 고정하는가'를 묻는다. 전자는 답이 정해져 있는 질문이고, 후자는 설계로 시험할 수 있는 질문이다.

독자에게 던지는 질문

당신의 피드에서 낯선 사람은 얼마나 자주 등장하는가. 그리고 그 낯선 사람은 무작위로 뽑힌 사람인가, 아니면 모두가 이미 아는 몇 명 중 하나인가. 이 논문의 모형대로라면 전자는 당신의 의견을 중간으로 데려가고, 후자는 당신을 갈라진 진영 안에 붙잡아 둔다. 둘 다 당신이 고른 결과가 아니다.

만약 플랫폼이 '다양성'을 지표로 삼는다면, 무엇을 다양하다고 세야 할까. 의견 덩어리의 개수인가, 아니면 한 사람이 접하는 관점의 폭인가. 이 논문은 그 두 지표가 서로 반대로 움직일 수 있음을 보여준다. 당신은 어느 쪽을 건강한 공론장이라고 부르겠는가.

참고 자료

Senne De Bruyn, Luis Enrique Correa Rocha, 'Popularity-driven interactions in multilayer bounded-confidence opinion dynamics', arXiv:2610.21610 (physics.pop-ph), 2026-10-15. https://arxiv.org/abs/2610.21610v1

이미지: 필터 버블 개념도 — Tomwsulcer, CC0; 에코 체임버 형성 과정 도식 — Carlos Diaz Ruiz, CC BY 4.0. 두 이미지 모두 Wikimedia Commons에서 가져왔다.