이 프로젝트에서 사용자에게 다양한 관점을 지닌 뉴스들을 제공하기 위해 사용한 방법은 Sidelines 이라는 알고리즘 입니다(논문, 발표자료). 발표자료에서 제시한 예시와 함께 어떻게 알고리즘이 동작하는지 알아보도록 하겠습니다.
위 그림은 두 그룹(푸른사람들 vs. 붉은사람들)의 총 여섯 명의 사람들 이 ABCDEF 기사에 대해 '추천' 한 예시입니다. 단순 추천 수 기반(Approval voting)으로 상단에 배치할 네가지 뉴스를 골라보면 B,A,D,F 가 골라지게 되는데, 이 결과는 푸른 사람들이 추천한 뉴스로 편향 된 것이라 볼 수 있을 것입니다. 이를 해결하기 위해 Sidelines 알고리즘은 아래와 같이 동작합니다.
먼저 가장 추천 수가 많은 뉴스였던 B 를 선택하고, 그것을 선택한 사람들을 제외 시킵니다. 그리고 나머지 사람들이 추천한 뉴스 가운데 추천 수가 많은 것을 고르게 됩니다. 그 결과 붉은 사람들이 골랐던 C 가 선택되었습니다.
이전에 선택되었던 C를 추천한 사람들을 제외한 뒤 그 중에서 추천 수가 많은 A 를 선택합니다.
같은 방식으로 이번에는 E 가 선택되었습니다. BCAE 가 선택되었고, 결과적으로 푸른 사람들의 의견만을 반영했던 단순 추천 수 방식에 비해 Sidelines 알고리즘은 붉은 사람들의 의견도 잘 반영시키고 있습니다.
사람들의 '추천' 이라는 행위 자체가 뉴스 내용의 성향을 완전히 대변해줄 수 있는 것이 아니기 때문에 뉴스의 의미적 다양성이 확보된 것이라고 단언할 수는 없지만 최소한 소수에 의해 지지받던 무엇인가가 주류로 올라올 수 있는 기회가 확보되었다는 점, 그리고 유명하기 때문에 유명해지는 현상에서 생각해볼 수 있는 의견 쏠림문제(tipping problem) 의 해결에 이바지 했다는 점은 의미가 깊은 듯 합니다.
뉴스의 의미적 다양성을 확보하기 위한 연구로 우리나라 연구자 분들이 CHI2009 에서 소개했던 NewsCube 가 있습니다. 뉴스들이 지니고 있는 성향(bias) 을 시스템이 자동으로 분석하여 비슷한 관점의 뉴스들을 묶어 보여주는 방법에 대해 다루고 있습니다.
그리고 이러한 소셜 컴퓨팅 관련 연구에 관심 있으시다면, 이 발표세션의 좌장으로 계셨던 한상기 교수님 (@steve3034) 연구들도 참고해보시기 바랍니다.
그럼 다음에 재미있는 연구와 함께 찾아뵙겠습니다 :)
