가중중위수 메커니즘으로 보는 의견 역학의 새로운 기반

본 논문은 사회 시스템 내 의견 형성 메커니즘을 이해하기 위한 미시 기반 모델링에 새로운 전환점을 제시한다. 기존의 대부분 의견 역학 모델은 DeGroot식 가중평균 업데이트를 기본 가정으로 삼아 왔으며, 이는 개인이 타인의 의견에 대해 ‘거리만큼’ 끌린다는 비현실적인 전제를 내포한다. 이러한 전제는 네트워크가 충분히 연결돼 있을 경우 거의 반드시 전체 합의를 도출하게 만들며, 실제 사회에서 관찰되는 의견 분극, 소수 의견의 지속, 다중 선택형 의사결정 등 복합 현상을 설명하는 데 한계가 있다. 저자들은 이 문제를 인지 부조화 이론에 기반한 새로운 메커니즘, 즉 ‘가중중위수(Weighted‑Median)’ 메커니즘을 제안한다. 인지 부조화는 개인이 타인과 의견이 불일치할 때 불편함을 느끼고 이를 최소화하려는 심리적 동기를 의미한다. 이를 수학적으로 표현하면 개인 i의 부조화 비용은 \(u_i(x_i, x_{-i}) = \sum_{j:w_{ij}>0} w_{ij} |x_i - x_j|^{\alpha}\) 로 정의된다. 여기서 \(\alpha\)는 거리와 매력도의 결합 정도를 조절하는 파라미터이다. \(\alpha = 2\) 일 때는 기존 DeGroot 모델과 동일하게 거리와 매력이 정비례한다. 반면 \(\alpha = 1\) 로 설정하면 거리와 매력도가 독립적으로 작용하게 되며, 비용 최소화 문제는 ‘가중중위수’를 찾는 문제와 동치가 된다. 즉, 개인은 자신에게 영향을 주는 이들의 의견을 가중치에 따라 정렬한 뒤, 누적 가중치가 0.5를 초과하지 않는 가장 가까운 의견을 선택한다. 모델은 다음과 같이 정의된다. n명의 개인이 존재하고, 인플루언스 행렬 \(W = (w_{ij})\) 가 주어진다. 각 시간 단계마다 무작위로 선택된 개인 i는 현재 전체 의견 벡터 \(x(t)\)와 자신의 행 \(w_i\)를 이용해 가중중위수 \(Med_i(x(t);W)\) 를 계산하고, 이를 새로운 의견 \(x_i(t+1)\) 로 채택한다. 가중중위수는 의견이 순서형(ordered)이라면 언제든 정의 가능하므로, 연속적인 실수값이 필요 없는 다중 선택형(예: 정책 순위, 선거 후보 순위) 상황에도 적용할 수 있다. 이론적 분석에서는 가중중위수 메커니즘이 기존 평균 기반 모델과 달리 ‘거리와 매력도가 결합되지 않는다’는 점을 강조한다. 따라서 먼 의견이 과도하게 끌어당기는 현상이 사라지고, 네트워크 구조와 초기 의견 분포에 따라 다양한 장기 행동(합의, 클러스터링, 극단 의견의 지속 등)이 나타난다. 특히, (1) 네트워크 규모가 커지거나 클러스터형 구조일수록 전체 합의 확률이 감소한다는 예측은 실제 대규모 온라인 커뮤니티에서 관찰되는 의견 분열 현상을 설명한다. (2) 극단 의견 보유자는 네트워크 주변부에 위치하고, 이들 간에 작은 지역 클러스터를 형성한다는 결과는 트위터와 같은 소셜 미디어 데이터에서 확인된 ‘극단 파벌’ 현상과 일치한다. (3) 별도 파라미터 튜닝 없이도 다양한 의견 분포(정규형, 양극형, 다극형)를 자연스럽게 재현한다는 점은 모델의 범용성을 강조한다. 실증 검증을 위해 저자들은 6명의 피험자가 30개의 ‘점 개수 추정’ 과제를 3라운드에 걸쳐 수행한 온라인 실험 데이터를 활용한다. 각 라운드에서 피험자는 다른 사람들의 답을 익명으로 확인하고, 자신의 답을 수정한다. 이 실험은 인플루언스 네트워크가 완전 그래프이며 가중치가 균등하다는 점에서 외부 요인을 최소화한다. 저자들은 6가지 가설(H1~H6)을 설정해, 순수 중위수, 평균, 그리고 각각에 관성(자기 의견 유지)·편견(초기 의견 고정) 파라미터를 추가한 형태를 비교한다. 결과는 중위수 기반 예측(H1)이 평균 기반 예측(H2)보다 평균 오류율이 46% 낮으며, 관성·편견을 포함한 변형(H3~H6)에서도 중위수 모델이 일관적으로 우수함을 보여준다. 이는 가중중위수 메커니즘이 실제 인간의 사회적 판단 과정과 높은 일치성을 가진다는 강력한 증거가 된다. 시뮬레이션 연구에서는 다양한 네트워크 토폴로지(랜덤, 스몰월드, 계층형)와 초기 의견 분포를 설정해 장기 행동을 탐색한다. 주요 발견은 다음과 같다. 첫째, 네트워크가 밀집하거나 규모가 클수록 전체 합의 확률이 급격히 감소한다. 둘째, 초기에 극단 의견을 가진 노드가 주변부에 위치하면, 이들은 서로 가까운 이웃과만 상호작용해 소규모 클러스터를 형성하고, 전체 네트워크에 큰 영향을 미치지 않는다. 셋째, 가중중위수 메커니즘은 파라미터 없이도 ‘양극화’(두 개의 큰 클러스터)와 ‘다극화’(여러 작은 클러스터) 현상을 동시에 재현한다. 이러한 현상은 기존 평균 기반 모델이 추가적인 비선형 함수나 거리 제한(예: bounded confidence) 없이는 설명하기 어려운 부분이다. 논문은 또한 기존 모델들의 한계를 비판한다. Abelson 모델은 거리 의존 가중치를 도입하지만 여전히 평균 기반 구조를 유지해 합의 경향이 강하다. Friedkin‑Johnsen 모델은 초기 의견에 대한 고정성을 추가해 불일치를 유지하지만, 파라미터 선택에 크게 의존한다. Bounded confidence 모델은 임계값을 설정해 의견 간 상호작용을 차단하지만, 임계값 자체가 비현실적인 가정이다. 반면 가중중위수 메커니즘은 ‘가중치와 순서만’ 있으면 정의 가능하고, 추가 파라미터 없이도 다양한 현상을 포착한다. 마지막으로 논문은 몇 가지 한계와 향후 연구 방향을 제시한다. 현재 모델은 순차적(랜덤) 업데이트를 전제로 하며, 동시 업데이트 상황에서의 수렴 특성은 아직 분석되지 않았다. 또한 가중치가 정적이라고 가정했는데, 실제 사회에서는 신뢰도, 친밀도 등에 따라 동적으로 변할 수 있다. \(\alpha\neq1\) 일 때의 부조화 최소화 문제는 가중중위수와는 다른 형태의 업데이트(예: 가중평균, 파워 평균)로 이어질 수 있으며, 이 경우의 동역학도 흥미로운 연구 대상이다. 마지막으로, 실험 설계에서 보다 다양한 주제(정치, 경제, 문화)와 다중 선택형 옵션을 포함시켜, 가중중위수 메커니즘이 실제 정책 의사결정 과정에 어떻게 적용될 수 있는지 검증할 필요가 있다. 요약하면, 이 논문은 의견 역학 분야에 ‘가중중위수’라는 새로운 미시 기반을 제시함으로써, 기존 평균 기반 모델이 갖는 비현실적 가정들을 제거하고, 실증적·시뮬레이션적 증거를 통해 보다 현실적인 사회 현상 설명이 가능함을 입증한다. 이는 사회 네트워크 과학, 행동 경제학, 정치학 등 다양한 분야에서 향후 모델링 작업에 중요한 참고점이 될 것이다.