통계학에서 객관성과 주관성을 넘어: 투명성·합의·다중 관점의 새로운 패러다임

본 논문은 통계학 분야에서 오랫동안 사용되어 온 “객관성(objectivity)”과 “주관성(subjectivity)”이라는 이분법적 용어가 실제 연구 실천에 혼란과 불필요한 논쟁을 야기한다는 점을 지적한다. 저자들은 이 두 개념을 각각 보다 구체적이고 실천 가능한 속성 집합으로 재구성한다. 객관성은 “투명성(transparency)”, “합의(consensus)”, “공정성(impartiality)”, “관측 현실과의 일치(correspondence to observable reality)” 네 가지 속성으로 대체한다. 투명성은 데이터, 모델, 가정, 분석 절차 등을 모두 명시하고 외부 검증이 가능하도록 하는 것을 의미한다. 이는 과학적 주장에 대한 외부 검토와 재현성을 촉진한다. 합의는 동일한 연구 공동체 내에서 논리적·경험적 근거를 공유함으로써 개인적 편견을 최소화하고, 연구 결과에 대한 신뢰를 구축한다. 공정성은 다양한 이해관계자와 관점을 동등하게 고려하여 특정 가설이나 방법론에 편향되지 않도록 하는 태도이며, 이는 특히 다학제 연구에서 중요하다. 마지막으로 관측 현실과의 일치는 통계적 추론이 실제 측정 가능한 현상과 연결될 때 비로소 과학적 객관성을 확보한다는 철학적 입장을 반영한다. 주관성은 “다중 관점 인식(multiple perspectives)”과 “맥락 의존성(context dependence)”이라는 두 축으로 재정의된다. 통계 모델링은 언제나 연구자의 배경지식, 연구 목표, 데이터 특성 등에 의해 영향을 받으며, 이러한 주관적 요소를 숨기지 말고 명시적으로 드러내야 한다는 것이 핵심 주장이다. 베이지안 사전분포, 정규화 파라미터, 변수 선택 등 자동화가 어려운 의사결정 단계에서 다중 관점을 명시하고 정당화하는 과정이 필수적이다. 저자들은 이러한 재정의가 ‘객관성 vs. 주관성’이라는 대립 구도를 해소하고, 두 속성이 상호 보완적으로 작동하도록 만든다고 주장한다. 논문은 세 가지 실제 사례를 통해 제안된 프레임워크의 적용 가능성을 보여준다. 첫 번째 사례는 약물학 분야에서 계층적 인구 모델을 구축할 때, 사전 지식(예: 약동학 파라미터)과 임상 데이터의 투명한 통합을 통해 모델의 투명성 및 합의를 확보한 사례이다. 두 번째 사례는 선거 여론 조사에서 옵트인 설문조사의 편향을 다중 관점으로 조정하는 절차를 제시한다. 여기서는 응답자 선택 편향을 보정하기 위해 외부 인구통계 정보를 활용하고, 보정 과정과 가정들을 투명하게 보고함으로써 공정성과 합의를 달성한다. 세 번째 사례는 사회경제적 계층화 연구에서 변수 선택과 군집 분석을 맥락에 맞게 조정하는 과정을 다룬다. 연구자는 경제적 지표와 사회적 지표를 동시에 고려하고, 각 변수의 선택 이유와 군집 해석을 명시함으로써 다중 관점 인식과 맥락 의존성을 구현한다. 각 사례는 제안된 속성들이 구체적 분석 단계에 어떻게 적용되는지를 보여주며, 특히 투명한 사전 설정과 합의를 통한 결과 재현성이 향상됨을 강조한다. 저자들은 베이지안 방법론을 예로 들어, 사전 분포가 ‘주관적’이라고 일컬어지는 것이 실제로는 투명성, 합의, 공정성, 현실 일치라는 네 가지 객관적 속성을 동시에 만족시킬 수 있음을 설명한다. 결론적으로, 논문은 통계학에서 ‘객관성’과 ‘주관성’이라는 전통적 라벨을 버리고, 보다 구체적이고 측정 가능한 속성들로 대체함으로써 연구 설계·보고·해석 전 과정에서 책임성과 신뢰성을 높일 수 있음을 설득력 있게 제시한다. 이러한 접근은 통계적 방법론에 대한 철학적 논쟁을 넘어 실제 데이터 분석 실무에 직접적인 가이드라인을 제공한다는 점에서 학문적·실무적 의의를 가진다.