Algorithmic Anatomy for a Sociological Exploration

디지털 데이터의 증가와 인공지능의 발전은 데이터의 본질뿐만 아니라 사회 메커니즘을 이해하는 방식에도 커다란 변화를 가져왔다. 기계 학습은 전통적인 통계 분석에 기반한 전통적 사회학적 접근과 중요한 차이를 가진다. 기계학습은 정밀화를 추구하고, 사회학은 일반화를 지향한다. 데이터에 최적화된 알고리즘이 사회학자에게 사회 메커니즘에 대한 즉각적인 설명을 제공하지 않지만, 훈련된 알고리즘의 해부학은 사회 메커니즘을 드러내는 새로운 방법으로 활용될 수 있다. 본 연구는 통계 분석과 머신러닝 기반 분석 패러다임의 접합 지대를 탐색하고자 한다. 사회학의 일반화는 특정 경계를 전제로 한다. 사회학의 주요 관심사는 단일 알고리즘이 개인의 행동을 예측하는 것에 있지 않다. 사회학적 탐색을 위한 머신러닝은 어떻게 다른 사회 그룹에 따라 예측 설명력을 가지는 지표가 다르게 작용하는지를 해부하는 것에 있다. 최종 알고리즘이 높은 정확도로 종속 변수를 예측하더라도, 사회학의 초점은 각 설명 변수가 다양한 사회집단에 대해 어떻게 다르게 작용하는가를 조망한다. 단순히 높은 예측 정확도를 확보하는 것을 넘어서, 핵심적인 설명 변수의 기여도가 다른 사회 집단 간에 어떻게 상이하게 작용하는지를 설명할 수 있어야 한다. 거시적 수준에서 훈련된 알고리즘에 사용된 설명 변수가 다양한 사회 그룹들에 따라 어떻게 다르게 기여하는지를 심층적으로 밝혀냄으로써, 우리는 역설적으로 숨겨진 사회 구조의 실질적 작동기제를 포착할 수 있다.