무의식적 선호를 드러내는 반영 시각화와 언어화

본 논문은 개인이 스스로 인식하지 못하는 무의식적 선호를 자각하고, 이를 타인에게 전달할 수 있도록 돕는 새로운 방법론을 제시한다. 서론에서는 인간의 선호가 의사결정과 행동에 핵심적인 역할을 함에도 불구하고, 무의식적 요소는 기존 마케팅·소비자 연구에서 충분히 포착되지 못하고 있음을 지적한다. 기존의 컨조인트 분석, 베이지안 모델, 잠재 클래스 모델 등은 명시적 변수와 가설 검증에 초점을 맞추지만, 숨겨진 요인을 발견하는 데는 한계가 있다. 따라서 인지과학의 ‘반영(reflection)’과 ‘구성적 지각(constructive perception)’ 개념을 차용해 시각화와 언어화를 결합한 절차를 설계한다. 방법론은 크게 세 부분으로 구성된다. 첫째, ‘선호 다이어그램(preference diagram)’은 피험자와 예술 작품을 노드로 하는 무방향 그래프이며, 주요 클러스터(c_PRM), 보조 클러스터(c_SCN), 각각의 게이트웨이 작품(GTW|PRM, GTW|SCN), 그리고 스위치 노드(SWT)로 구성된다. 주요 클러스터는 피험자가 가장 강하게 선호하는 작품군, 보조 클러스터는 가장 약하게 선호하는 작품군을 의미한다. 게이트웨이 작품은 해당 클러스터에 진입하는 대표 작품이며, 스위치 노드는 두 클러스터 사이를 연결해 선호 전이가 일어날 가능성을 시각적으로 표시한다. 둘째, 시각화 알고리즘은 설문 응답 데이터를 D={d_l} 로 정의하고, 각 d_l은 피험자 식별자와 선호 작품 집합을 ⊕ 연산으로 결합한다. 작품 간 유사도는 Jaccard 계수를 사용해 계산하고, 이를 기반으로 k‑medoids 클러스터링을 수행한다. 클러스터 수 |c|는 사용자가 조정 가능하며, 클러스터가 세분화될수록 다이어그램은 더 정교해진다. 클러스터 내에서 각 작품의 중심(메디오이드)을 찾고, 작품 간 유사도 J를 이용해 링크를 그린다. 이후 각 피험자에 대해 W(n_PID, n_j) 를 계산해 선호 강도를 정량화하고, 가장 큰 W 값을 갖는 클러스터를 주요 클러스터, 가장 작은 값을 갖는 클러스터를 보조 클러스터로 지정한다. 게이트웨이 작품은 해당 클러스터 내에서 W가 최대인 작품을 선택한다. 마지막으로 스위치 노드를 삽입해 두 클러스터를 연결하고, 스프링 모델을 적용해 그래프 레이아웃을 자동으로 정돈한다. 셋째, 반영 과정은 UML 시퀀스 다이어그램을 차용해 사전(prior), 본(main), 사후(posterior) 단계로 나눈다. 조직자는 8개의 질문(Q1‑Q8)을 포함한 설문을 배포하고, Q1의 응답을 바탕으로 다이어그램을 생성한다. 본 단계에서는 두 차례에 걸친 그룹 토론을 진행한다. 첫 번째 토론에서는 피험자들이 자신의 선호와 타인의 선호를 자유롭게 이야기하도록 유도하고, 두 번째 토론에서는 Q2‑Q4를 중심으로 무의식적 선호를 탐색한다. 토론 중에 피험자들은 스위치 노드와 게이트웨이 작품을 언급하며, 약한 선호(보조 클러스터)에 대한 인식을 명시적으로 언어화한다. 사후 단계에서는 조직자가 토론 내용을 정리하고, 피험자들에게 피드백을 제공한다. 실험은 대학생을 대상으로 진행되었으며, 각 피험자는 10개의 예술 작품 중 자신이 선호하는 작품을 선택하도록 요청받았다. 수집된 데이터는 위의 알고리즘을 통해 다이어그램으로 시각화되었고, 그룹 토론을 통해 피험자들은 자신의 무의식적 선호를 인식하고 이를 언어로 표현하였다. 실험 결과는 두 가지 주요 교훈을 도출한다. 첫째, 약한 선호(보조 클러스터)일수록 토론을 통한 언어화가 활발히 일어나며, 이는 강한 선호가 이미 의식 수준에 존재해 추가적인 반영이 필요 없기 때문이다. 둘째, 시각화 단계에서 클러스터 수와 스위치 노드의 가시성을 조절함으로써 개인별 인지 부하를 최소화하고, 그룹 내 상호 이해를 촉진할 수 있었다. 논의에서는 본 방법이 기존 통계·모델 기반 접근법과 차별화되는 점을 강조한다. 무의식적 요인을 시각적·언어적 형태로 전환함으로써, 설계자·마케터·교육자 등이 대상자의 내면적 선호를 보다 직관적으로 파악하고, 맞춤형 전략을 수립할 수 있다. 한계점으로는 피험자 수가 제한적이며, 예술 작품이라는 특수 도메인에 국한된 점을 들며, 향후 다양한 분야(예: 제품 선택, 서비스 이용)와 대규모 데이터에 대한 적용 가능성을 검증할 필요가 있다. 결론적으로, 본 연구는 반영, 시각화, 언어화라는 세 축을 결합한 프레임워크를 통해 무의식적 선호를 드러내고, 이를 효과적으로 공유하는 방법을 제시한다. 이는 인간‑컴퓨터 상호작용, 디자인 리서치, 마케팅 전략 등 다양한 분야에 적용될 잠재력을 가지고 있다.