유용한 정보 더 보기---------------클릭
인센스톡
[인사이트]라이프스타일에 대한 정보와 소식을 공유하는 블로그(명상, 심리, 라이프해킹, 인문학, 마인드셋, 성공마인드)
incensetalk.com
유용한 정보 더 보기--------------클릭
WATCHING [ Invisible structure ]
A sanctuary for balance, healing, and inner peace 🌿 Welcome to The Coach, a channel dedicated to meditation, mindfulness, and incense rituals that help you slow down, reset, and reconnect with yourself. Here, we share timeless wisdom and modern practice
www.youtube.com
알고리즘이 만드는 생각의 감옥
취향이라는 미명 하에 우리가 보는 세상을 가두는 필터 버블(Filter Bubble)의 구조
우리는 하루에도 수십 번 스마트폰을 확인합니다.
뉴스를 읽고, 유튜브를 보고, SNS 피드를 넘깁니다.
그런데 어느 순간 이상한 경험을 하게 됩니다.
비슷한 뉴스
비슷한 의견
비슷한 영상
마치 세상이 한 방향으로만 흐르는 것처럼 보입니다.
하지만 질문을 하나 던져볼 필요가 있습니다.
우리는 정말 같은 세상을 보고 있는 걸까요?
어쩌면 우리가 보고 있는 세계는
알고리즘이 편집한 현실일지도 모릅니다.
이 글에서는 우리가 무심코 사용하는 플랫폼 뒤에서 작동하는
필터 버블(Filter Bubble)의 구조를 살펴보겠습니다.
1. 우리는 왜 같은 생각만 보게 될까
유튜브에서 어떤 영상을 하나 클릭합니다.
그다음 추천 영상은 대부분 이렇게 바뀝니다.
- 같은 주제 영상
- 비슷한 의견 영상
- 같은 성향 콘텐츠
처음에는 단순한 우연처럼 보입니다.
하지만 몇 번 더 클릭하고 시청하다 보면 패턴이 보이기 시작합니다.
어느 순간 추천 목록에는
처음 클릭했던 주제와 거의 같은 콘텐츠들만 가득하게 됩니다.
SNS에서도 비슷한 일이 벌어집니다.
좋아요를 누른 게시물
오래 머문 글
댓글을 단 콘텐츠
이 모든 행동은 플랫폼에게 중요한 신호가 됩니다.
플랫폼은 이 데이터를 분석해
다음과 같은 질문을 끊임없이 합니다.
“이 사용자가 다음에 무엇을 클릭할까?”
“어떤 콘텐츠를 보여주면 더 오래 머물까?”
결국 알고리즘은
사용자가 좋아할 가능성이 높은 정보만 계속 추천하기 시작합니다.
문제는 이 과정에서
정보의 다양성이 점점 줄어든다는 점입니다.
예를 들어 정치 뉴스 하나를 클릭했다고 가정해 보겠습니다.
처음에는 다양한 관점의 뉴스가 보이지만
몇 번의 클릭 이후에는 특정 방향의 콘텐츠가 점점 많아집니다.
결국 우리는 이렇게 느끼게 됩니다.
“요즘 뉴스는 다 이런 이야기뿐이네.”
하지만 실제로는
뉴스가 한 방향으로 바뀐 것이 아니라
알고리즘이 특정 방향의 뉴스만 보여주고 있을 가능성이 높습니다.
이 현상은 심리학에서 말하는
확증 편향(Confirmation Bias)과도 깊은 관련이 있습니다.
사람은 본능적으로
자신의 생각을 확인해 주는 정보를 더 편하게 느낍니다.
반대로
자신의 의견과 충돌하는 정보는
무의식적으로 피하려는 경향이 있습니다.
플랫폼 알고리즘은 바로 이 점을 이용합니다.
사용자가 좋아하는 콘텐츠를 보여주면
클릭 확률이 높아지고
체류 시간이 늘어나며
광고 수익이 증가하기 때문입니다.
그래서 알고리즘은 자연스럽게
사용자의 기존 생각을 강화하는 방향으로 작동합니다.
결과적으로 사용자는
다른 의견을 접할 기회가 점점 줄어들고
자신의 생각이 사회의 ‘일반적인 의견’이라고 느끼게 됩니다.
하지만 현실에서는
다른 사람들도 각자의 알고리즘 속에서
완전히 다른 정보 환경을 경험하고 있을 가능성이 큽니다.
같은 나라에 살고
같은 시대를 살고 있지만
사람들은 서로 다른 뉴스
서로 다른 이야기
서로 다른 현실을 보고 있을지도 모릅니다.
그래서 오늘날 우리는 종종 이런 말을 듣게 됩니다.
“왜 저 사람들은 저렇게 생각할까?”
어쩌면 그 이유는 단순합니다.
우리가 서로 다른 세상을 보고 있기 때문입니다.
그리고 그 세상은
알고리즘이 조용히 만들어 놓은 정보의 벽 안에 있을지도 모릅니다.
2. 필터 버블(Filter Bubble)이란 무엇인가
필터 버블(Filter Bubble)이라는 개념은
2011년 인터넷 활동가이자 저널리스트인 엘리 파리저(Eli Pariser)가 처음 제시했습니다.
그는 한 가지 흥미로운 실험을 소개했습니다.
두 사람이 같은 시간에 같은 검색어를 입력합니다.
예를 들어 “이집트 혁명”이라는 단어를 검색했다고 가정해 보겠습니다.
그런데 놀랍게도
두 사람의 검색 결과는 서로 달랐습니다.
어떤 사람에게는 정치 뉴스가 먼저 보였고
다른 사람에게는 여행 정보나 문화 뉴스가 먼저 나타났습니다.
같은 검색어를 입력했는데
완전히 다른 정보 세계가 펼쳐진 것입니다.
그 이유는 단순합니다.
검색 엔진이 사용자의 과거 행동을 분석해
개인 맞춤형 결과를 보여주고 있었기 때문입니다.
이 현상을 엘리 파리저는 이렇게 설명했습니다.
“우리는 보이지 않는 정보의 거품 속에 살고 있다.”
바로 이것이 필터 버블(Filter Bubble)입니다.
필터 버블은 말 그대로
정보가 걸러진 채 제공되는 환경을 의미합니다.
인터넷 플랫폼은 사용자의 취향과 행동 데이터를 분석한 뒤
그 사람에게 맞는 정보만 선별해서 보여줍니다.
이 과정에서 알고리즘은 수많은 정보를 걸러냅니다.
예를 들어 어떤 사용자가
- 경제 뉴스에 자주 반응하고
- 특정 정치 성향 콘텐츠를 클릭하고
- 특정 유튜브 채널을 자주 시청한다면
알고리즘은 그 사람을 이렇게 판단합니다.
“이 사용자는 이런 콘텐츠를 좋아하는 사람이다.”
그 순간부터 플랫폼은
그와 비슷한 콘텐츠를 계속 추천하기 시작합니다.
겉으로 보면 매우 편리한 시스템처럼 보입니다.
사용자는 자신이 관심 있는 정보를 빠르게 찾을 수 있고
플랫폼은 사용자 경험을 개선할 수 있습니다.
하지만 이 시스템에는 한 가지 중요한 문제가 있습니다.
우리가 보지 못하는 정보가 점점 많아진다는 점입니다.
알고리즘은 우리가 좋아할 가능성이 높은 정보만 보여주기 때문에
그와 다른 관점의 정보는 점점 화면에서 사라집니다.
이렇게 되면 사용자는
자신의 취향과 비슷한 정보만 접하게 됩니다.
결국 인터넷은
원래 기대했던 것처럼 다양한 정보를 제공하는 공간이 아니라
사용자마다 다른 정보 환경을 만들어 주는 공간이 됩니다.
문제는 이 환경이 대부분 보이지 않는다는 점입니다.
우리는 알고리즘이 정보를 걸러내고 있다는 사실을 잘 인식하지 못합니다.
그래서 이렇게 느끼게 됩니다.
“인터넷에는 이런 의견이 대부분이네.”
하지만 실제로는
그 의견이 전체 여론일 수도 있고
단지 알고리즘이 보여준 정보일 수도 있습니다.
오늘날 필터 버블은 거의 모든 디지털 플랫폼에서 작동하고 있습니다.
대표적인 사례를 보면 다음과 같습니다.
- 구글 검색 : 개인화된 검색 결과 제공
- 유튜브 : 시청 기록 기반 영상 추천
- 페이스북 : 관심 기반 뉴스피드 구성
- 틱톡 : 시청 시간 기반 초개인화 추천
- 온라인 쇼핑몰 : 구매 기록 기반 상품 추천
이 시스템은 모두 같은 목표를 가지고 있습니다.
사용자가 플랫폼을 떠나지 않게 만드는 것
사용자가 오래 머물수록
- 광고 노출이 증가하고
- 플랫폼 수익이 늘어나기 때문입니다.
그래서 알고리즘은
정보의 균형보다
사용자의 관심을 붙잡는 방향으로 작동합니다.
그 결과 우리는 점점 더
자신의 취향에 맞는 정보만 접하게 되고
다른 관점은 점점 더 보이지 않게 됩니다.
이렇게 만들어진 정보 환경을
바로 필터 버블(Filter Bubble)이라고 부릅니다.
그리고 이 구조는 오늘날
인터넷과 SNS 시대의 중요한 특징 중 하나가 되었습니다.
어쩌면 우리는
거대한 정보의 바닷속에 있는 것이 아니라
각자 다른 정보의 거품 속에서
세상을 바라보고 있는 것인지도 모릅니다.
3. 알고리즘은 어떻게 우리의 취향을 학습하는가
많은 사람들은 이렇게 생각합니다.
“알고리즘이 내 취향을 어떻게 알지?”
하지만 우리가 인터넷에서 하는 대부분의 행동은
사실상 데이터 신호로 기록됩니다.
우리가 무심코 하는 작은 행동 하나하나가
플랫폼에게는 중요한 정보가 됩니다.
예를 들어 유튜브를 생각해 보겠습니다.
사용자가 어떤 영상을 클릭하면
알고리즘은 단순히 “클릭했다”는 사실만 보는 것이 아닙니다.
그 뒤에 이어지는 행동까지 함께 분석합니다.
예를 들어 다음과 같은 데이터가 수집됩니다.
- 어떤 영상을 클릭했는가
- 영상을 몇 초 동안 시청했는가
- 끝까지 시청했는가
- 좋아요를 눌렀는가
- 댓글을 남겼는가
- 영상을 공유했는가
- 다음에 어떤 영상을 클릭했는가
이 모든 행동은 하나의 패턴을 만듭니다.
플랫폼은 이 패턴을 통해
사용자의 관심사를 추정합니다.
예를 들어 어떤 사용자가
- 경제 뉴스 영상을 자주 보고
- 투자 관련 콘텐츠를 끝까지 시청하고
- 관련 영상에 좋아요를 누른다면
알고리즘은 이렇게 판단합니다.
“이 사용자는 경제 콘텐츠에 관심이 많다.”
이때부터 추천 시스템은
경제 관련 콘텐츠의 노출 비중을 점점 높이기 시작합니다.
이 과정은 한 번으로 끝나는 것이 아닙니다.
알고리즘은 계속해서 데이터를 수집하고
사용자의 취향을 업데이트합니다.
이것을 머신러닝 기반 추천 시스템이라고 합니다.
쉽게 말해 알고리즘은
사용자의 행동을 통해 계속 배우는 시스템입니다.
행동 데이터가 만드는 사용자 프로파일
플랫폼이 수집한 데이터는 단순한 기록이 아닙니다.
이 데이터는 하나의 사용자 프로파일(User Profile)을 만듭니다.
사용자 프로파일에는 다음과 같은 정보가 포함됩니다.
- 연령대 추정
- 관심 분야
- 소비 성향
- 정치 성향
- 콘텐츠 취향
예를 들어 알고리즘은 이렇게 판단할 수 있습니다.
“이 사용자는 30대 남성이며
경제 콘텐츠와 사회 이슈에 관심이 높고
정치 뉴스 소비 빈도가 높은 사용자다.”
이렇게 만들어진 프로파일은
추천 알고리즘의 기준이 됩니다.
추천 알고리즘의 핵심 기준: 클릭 확률
많은 사람들이 알고리즘이
“좋은 콘텐츠”를 추천한다고 생각합니다.
하지만 실제 기준은 조금 다릅니다.
추천 알고리즘의 가장 중요한 목표는
사용자가 클릭할 확률이 높은 콘텐츠를 찾는 것
입니다.
왜냐하면 클릭이 많을수록
- 체류 시간이 늘어나고
- 광고 노출이 증가하며
- 플랫폼 수익이 늘어나기 때문입니다.
그래서 알고리즘은 보통 다음과 같은 질문을 합니다.
- 이 사용자가 이 영상을 클릭할 확률은 얼마나 될까
- 이 콘텐츠를 끝까지 볼 가능성은 얼마나 될까
- 이 게시물에 반응할 가능성은 얼마나 될까
이 확률을 계산한 뒤
가장 높은 콘텐츠부터 추천 목록에 올립니다.
취향은 점점 강화된다
문제는 이 시스템이 시간이 지날수록
사용자의 취향을 점점 더 강화한다는 점입니다.
예를 들어 어떤 사람이 정치 콘텐츠를 몇 번 클릭하면
추천 목록에는 정치 영상이 점점 많아집니다.
그 영상들을 다시 클릭하면
알고리즘은 이렇게 판단합니다.
“이 사용자는 정치 콘텐츠를 좋아한다.”
그러면 정치 콘텐츠 추천이 더 늘어납니다.
이 과정이 반복되면
추천 목록은 점점 한쪽 방향으로 기울게 됩니다.
결국 사용자는 이렇게 느끼게 됩니다.
“요즘 유튜브에는 이런 콘텐츠가 많네.”
하지만 실제로는
유튜브 전체 콘텐츠가 바뀐 것이 아니라
추천 알고리즘이 특정 콘텐츠만 보여주고 있는 것일 가능성이 큽니다.
알고리즘은 개인보다 집단을 더 잘 안다
흥미로운 점은
알고리즘이 개인 데이터만 사용하는 것이 아니라는 것입니다.
플랫폼은 수억 명의 사용자 데이터를 함께 분석합니다.
예를 들어 이런 방식입니다.
“이 영상을 좋아한 사람들은
다음 영상도 좋아했다.”
이 데이터를 기반으로
새로운 추천이 만들어집니다.
이를 협업 필터링(Collaborative Filtering)이라고 합니다.
쉽게 말해
“나와 비슷한 사람들의 행동을 기반으로
콘텐츠를 추천하는 방식”입니다.
그래서 어떤 영상을 하나 클릭하면
전혀 예상하지 못했던 영상이 추천되기도 합니다.
그 이유는
나와 비슷한 행동을 한 사람들이 그 영상을 봤기 때문입니다.
알고리즘은 취향을 반영할까, 만들어낼까
여기서 한 가지 흥미로운 질문이 생깁니다.
알고리즘은 단순히
사용자의 취향을 반영하는 것일까요
아니면
사용자의 취향을 만들어내는 것일까요
처음에는 취향을 반영하는 것처럼 보입니다.
하지만 시간이 지날수록
추천 시스템은 특정 콘텐츠를 반복적으로 노출합니다.
그 결과 사용자는
점점 특정 콘텐츠에 익숙해지고
그 콘텐츠를 더 많이 소비하게 됩니다.
결국 알고리즘은 단순한 추천 시스템이 아니라
사용자의 정보 환경을 설계하는 시스템이 됩니다.
그리고 이 과정이 계속 반복되면
우리는 점점 더
자신의 취향과 비슷한 정보 속에서만
세상을 바라보게 됩니다.
4. 필터 버블이 만들어지는 4단계 구조
필터 버블은 단순히 “추천이 반복되는 현상”이 아닙니다.
그 뒤에는 매우 체계적인 데이터 분석 과정이 존재합니다.
대부분의 디지털 플랫폼은 비슷한 방식으로 사용자 데이터를 분석하고
그 결과를 바탕으로 정보 환경을 구성합니다.
이 과정은 크게 네 단계로 이루어집니다.
이 구조를 이해하면
우리가 왜 특정 정보만 보게 되는지 훨씬 분명하게 보이기 시작합니다.
1단계 : 행동 데이터 수집
모든 것은 사용자의 행동 기록에서 시작됩니다.
인터넷 플랫폼은 우리가 생각하는 것보다 훨씬 많은 데이터를 수집합니다.
예를 들어 다음과 같은 행동들이 모두 데이터가 됩니다.
- 어떤 글을 클릭했는지
- 어떤 영상을 시청했는지
- 얼마나 오래 머물렀는지
- 어떤 게시물에 좋아요를 눌렀는지
- 어떤 글에 댓글을 남겼는지
- 어떤 콘텐츠를 공유했는지
이러한 데이터는 단순한 기록이 아니라
사용자의 관심을 보여주는 중요한 신호가 됩니다.
예를 들어 어떤 사람이 특정 주제의 영상에서
오랫동안 머물렀다면
알고리즘은 이렇게 판단합니다.
“이 사용자는 이 주제에 관심이 있다.”
이처럼 우리가 무심코 하는 행동 하나하나가
알고리즘에게는 취향을 분석할 수 있는 단서가 됩니다.
2단계 : 취향 프로파일 생성
데이터가 충분히 쌓이면
플랫폼은 사용자를 하나의 취향 프로파일로 정리합니다.
이 과정은 보통 인공지능과 머신러닝 기술을 통해 이루어집니다.
알고리즘은 수집된 데이터를 분석하여
사용자를 여러 특성으로 분류합니다.
예를 들어
- 관심 분야
- 소비 패턴
- 정치 성향
- 콘텐츠 취향
- 정보 소비 습관
이런 방식으로 사용자 특성이 정리됩니다.
예를 들어 알고리즘은 이렇게 판단할 수 있습니다.
“이 사용자는 경제 콘텐츠에 관심이 많고
사회 이슈 관련 뉴스 소비 빈도가 높다.”
이렇게 만들어진 프로파일은
추천 알고리즘의 핵심 기준이 됩니다.
3단계 : 유사 콘텐츠 추천
사용자의 취향이 분석되면
플랫폼은 다음 단계로 넘어갑니다.
바로 유사 콘텐츠 추천입니다.
이 단계에서 알고리즘은 다음 질문을 합니다.
“이 사용자가 다음에 무엇을 클릭할 가능성이 가장 높은가?”
이를 계산하기 위해
알고리즘은 두 가지 데이터를 함께 분석합니다.
첫 번째는 사용자 개인 데이터입니다.
예를 들어
- 최근 시청한 영상
- 클릭한 기사
- 검색 기록
두 번째는 다른 사용자들의 행동 데이터입니다.
예를 들어
“이 영상을 본 사람들은
다음에 어떤 영상을 시청했는가?”
이 데이터를 함께 분석해
가장 클릭 가능성이 높은 콘텐츠를 추천합니다.
이 과정을 통해 추천 목록은 점점
특정 방향의 콘텐츠로 집중되기 시작합니다.
4단계 : 확증 편향 강화
필터 버블이 완성되는 마지막 단계는
확증 편향의 강화입니다.
확증 편향은 심리학에서 자주 언급되는 개념입니다.
사람은 본능적으로
자신의 생각을 지지하는 정보를 더 편하게 받아들이고
반대되는 정보는 불편하게 느끼는 경향이 있습니다.
알고리즘은 이 심리를 이용합니다.
사용자가 특정 의견을 담은 콘텐츠를 클릭하면
비슷한 의견의 콘텐츠가 계속 추천됩니다.
사용자는 그 콘텐츠들을 다시 소비합니다.
이 과정이 반복되면
사용자는 점점 이런 느낌을 받게 됩니다.
“다들 이렇게 생각하는 것 같네.”
하지만 실제로는
알고리즘이 비슷한 정보만 보여주고 있을 가능성이 높습니다.
결국 사용자는 점점 더
자신의 생각과 비슷한 정보 속에서 살아가게 됩니다.
이렇게 만들어진 정보 환경이 바로
필터 버블(Filter Bubble)입니다.
보이지 않는 정보의 벽
이 네 단계가 반복되면
사용자는 점점 더 특정 정보 환경 속에 머물게 됩니다.
그리고 이 환경은 대부분 눈에 보이지 않습니다.
우리는 단지 인터넷을 사용하고 있다고 느끼지만
실제로는 알고리즘이 만든 정보 구조 안에서
세상을 바라보고 있을 가능성이 큽니다.
같은 플랫폼을 사용하고
같은 시대를 살고 있지만
사람들은 서로 다른 뉴스
서로 다른 이야기
서로 다른 현실을 보고 있을지도 모릅니다.
어쩌면 오늘날의 인터넷은
정보의 바다가 아니라
각자 다른 정보의 거품 속에서
세상을 바라보는 공간일지도 모릅니다.
6. 필터 버블이 사회에 미치는 영향
필터 버블은 단순히 인터넷 사용 경험의 문제가 아닙니다.
처음에는 개인의 정보 소비 방식처럼 보이지만
시간이 지나면 이 현상은 사회 전체의 구조에도 영향을 미치기 시작합니다.
왜냐하면 사람들의 생각은
대부분 접하는 정보에 의해 형성되기 때문입니다.
우리가 어떤 뉴스를 보고
어떤 이야기를 듣고
어떤 관점을 접하느냐에 따라
세상을 바라보는 방식은 크게 달라집니다.
그런데 만약 사람들이 서로 다른 정보 환경 속에서 살아간다면
사회는 어떤 모습으로 변할까요?
필터 버블이 강화될수록
다음과 같은 변화가 나타날 가능성이 높습니다.
1. 정치 양극화의 심화
필터 버블이 가장 크게 영향을 미치는 영역 중 하나는 정치입니다.
정치 콘텐츠는 감정적인 반응을 유도하기 쉽고
사용자의 참여를 끌어내기 좋은 콘텐츠입니다.
그래서 SNS 알고리즘은 종종
강한 의견을 가진 정치 콘텐츠를 더 많이 노출합니다.
예를 들어 어떤 사람이 특정 정치 성향의 콘텐츠를 몇 번 클릭하면
알고리즘은 비슷한 콘텐츠를 계속 추천합니다.
이 과정이 반복되면
사용자는 점점 한쪽 의견만 접하게 됩니다.
그 결과 사람들은 이렇게 생각하기 시작합니다.
“대부분의 사람들이 이렇게 생각하는 것 같다.”
하지만 실제로는
다른 사람들도 각자의 알고리즘 속에서
완전히 다른 정보 환경을 경험하고 있을 가능성이 큽니다.
이렇게 되면 사회는 점점
서로 다른 현실을 믿는 집단들로 나뉘게 됩니다.
2. 가짜 뉴스의 확산
필터 버블 환경에서는
가짜 뉴스가 더 빠르게 퍼질 가능성이 높습니다.
그 이유는 비교적 단순합니다.
가짜 뉴스는 보통
- 강한 감정을 자극하고
- 분노를 유발하며
- 빠른 반응을 이끌어냅니다.
그리고 알고리즘은 이런 콘텐츠를
높은 참여율의 신호로 해석합니다.
결과적으로 자극적인 정보일수록
더 많은 사람에게 노출될 가능성이 높아집니다.
특히 특정 집단이 이미 믿고 있는 이야기와
비슷한 방향의 정보라면
사람들은 그 내용을 더 쉽게 받아들이게 됩니다.
이렇게 되면 사실 여부와 관계없이
정보가 빠르게 확산될 수 있습니다.
3. 사회 갈등의 확대
필터 버블은 사회 갈등을 확대시키는 역할도 합니다.
왜냐하면 사람들은 점점
자신과 다른 의견을 접할 기회를 잃게 되기 때문입니다.
예전에는 다양한 미디어를 통해
여러 관점을 접할 수 있었습니다.
하지만 오늘날에는
개인화된 알고리즘이
각자 다른 정보 환경을 만들어 줍니다.
그 결과 사람들은
- 자신의 의견이 당연하다고 느끼고
- 다른 의견을 이해하기 어려워집니다.
결국 서로 다른 집단 사이의
대화와 이해가 점점 어려워집니다.
4. 극단적 의견의 강화
알고리즘은 사용자의 관심을 끌 수 있는 콘텐츠를 선호합니다.
그런데 보통 중간적인 의견보다 극단적인 의견이 더 주목을 받습니다.
예를 들어
차분한 분석 콘텐츠보다
강한 주장과 자극적인 표현이 담긴 콘텐츠가
더 많은 클릭과 반응을 얻는 경우가 많습니다.
알고리즘은 이런 데이터를 바탕으로
비슷한 콘텐츠를 더 많이 추천합니다.
이 과정이 반복되면
정보 환경은 점점 더 극단적인 방향으로 이동할 가능성이 있습니다.
5. 정보 다양성의 감소
인터넷이 처음 등장했을 때
많은 사람들은 이렇게 기대했습니다.
“이제 누구나 다양한 정보를 자유롭게 접할 수 있을 것이다.”
하지만 개인화 알고리즘이 발전하면서
정보 환경은 오히려 더 개인 맞춤형으로 변했습니다.
겉으로 보면 선택지가 많아 보이지만
실제로 사용자가 접하는 정보는
점점 더 제한적인 범위 안에서 반복되는 경우가 많습니다.
결국 사용자는
- 자신이 관심 있는 정보
- 자신이 이미 알고 있는 이야기
- 자신이 동의하는 의견
만 계속 접하게 됩니다.
그 결과 정보의 다양성은 점점 줄어들게 됩니다.
서로 다른 현실 속에서 살아가는 사회
필터 버블이 강화될수록
사람들은 점점 서로 다른 정보 세계 속에서 살아가게 됩니다.
같은 사건을 보고도
사람마다 전혀 다른 해석을 하게 됩니다.
어떤 사람에게는 중요한 뉴스가
다른 사람에게는 전혀 보이지 않을 수도 있습니다.
이렇게 되면 사회는 하나의 공통된 현실을 공유하기 어려워집니다.
어쩌면 오늘날 우리가 경험하는 많은 갈등은
단순한 의견 차이가 아니라
서로 다른 정보 환경에서 살아온 결과일지도 모릅니다.
그리고 그 환경 뒤에는
보이지 않게 작동하는 알고리즘이 있을 가능성이 큽니다.
7. 우리는 정말 자유롭게 생각하고 있는가
우리는 흔히 이렇게 말합니다.
“나는 스스로 생각한다.”
“나는 내 판단으로 정보를 선택한다.”
인터넷은 개인에게 엄청난 정보 접근성을 제공했고
많은 사람들은 그 덕분에 더 자유롭게 생각할 수 있다고 믿습니다.
하지만 여기서 한 가지 질문을 던져볼 필요가 있습니다.
우리는 정말 스스로 정보를 선택하고 있는 것일까요?
아니면
이미 선택된 정보 속에서 생각하고 있는 것일까요?
생각이 만들어지는 과정을 조금만 천천히 살펴보면
흥미로운 구조가 보입니다.
보통 인간의 생각은 다음과 같은 과정을 거쳐 형성됩니다.
정보 노출
→ 정보 해석
→ 의견 형성
사람들은 종종 마지막 단계인 의견 형성에만 집중합니다.
하지만 실제로 더 중요한 것은
첫 번째 단계인 정보 노출입니다.
왜냐하면 사람은
접하지 않은 정보에 대해 생각할 수 없기 때문입니다.
어떤 사람이 특정 뉴스만 접한다면
그 사람의 생각은 그 뉴스의 범위 안에서 만들어질 가능성이 큽니다.
반대로 다른 사람이 전혀 다른 정보 환경 속에서 살아간다면
그 사람의 생각 역시 전혀 다른 방향으로 형성될 수 있습니다.
여기서 알고리즘의 역할이 등장합니다.
오늘날 대부분의 온라인 플랫폼은
사용자가 어떤 정보를 보게 될지
일정 부분 자동으로 결정합니다.
유튜브의 추천 영상
SNS의 뉴스피드
검색 엔진의 결과 목록
이 모든 것들은
알고리즘의 계산을 통해 배열됩니다.
물론 우리는 직접 검색을 하기도 하고
다양한 콘텐츠를 선택할 수도 있습니다.
하지만 현실에서 많은 사람들은
추천 콘텐츠를 통해 정보를 소비합니다.
그리고 추천 알고리즘은
사용자의 과거 행동 데이터를 기반으로 작동합니다.
즉 알고리즘은
우리가 이전에 좋아했던 콘텐츠와 비슷한 정보를
계속 보여주는 방식으로 작동합니다.
이 과정이 반복되면
정보 환경은 점점 더 특정 방향으로 좁아질 수 있습니다.
그 결과 우리는
자신의 생각이 스스로 만들어진 것이라고 느끼지만
실제로는
이미 선택된 정보 환경 속에서 생각하고 있을 가능성도 있습니다.
물론 이것이
개인의 자유로운 사고가 완전히 사라졌다는 의미는 아닙니다.
사람은 여전히 새로운 정보를 찾을 수 있고
다른 관점을 접할 수 있으며
자신의 의견을 바꿀 수도 있습니다.
하지만 중요한 점은
정보 환경이 생각의 출발점이 된다는 사실입니다.
그리고 오늘날 그 정보 환경의 상당 부분은
알고리즘에 의해 구성됩니다.
이 사실을 인식하는 순간
우리는 조금 다른 질문을 던지게 됩니다.
“나는 어떤 정보를 보고 있는가?”
그리고 더 중요한 질문도 등장합니다.
“나는 어떤 정보를 보지 못하고 있는가?”
인터넷은 우리에게 방대한 정보를 제공하는 공간입니다.
하지만 동시에
보이지 않는 방식으로 정보를 걸러내는 공간이기도 합니다.
어쩌면 우리는 완전히 자유로운 정보 세계 속에 있는 것이 아니라
알고리즘이 조용히 설계한 정보 환경 속에서
생각을 만들어 가고 있는지도 모릅니다.
그래서 오늘날 정보 사회에서
가장 중요한 능력 중 하나는
많은 정보를 소비하는 능력이 아니라
어떤 정보가 선택되고
어떤 정보가 보이지 않는지를
인식하는 능력일지도 모릅니다.
그리고 그 질문은 결국
다시 처음으로 돌아옵니다.
우리는 정말 자유롭게 생각하고 있는 것일까요?
아니면
이미 선택된 정보 속에서
자유롭게 생각한다고 믿고 있는 것일까요?
8. 필터 버블에서 벗어나는 방법
필터 버블의 존재를 이해했다고 해서
그 영향에서 완전히 벗어나는 것은 쉽지 않습니다.
왜냐하면 오늘날 우리가 사용하는 대부분의 플랫폼은
개인화 알고리즘을 기반으로 작동하기 때문입니다.
검색 엔진, SNS, 동영상 플랫폼, 쇼핑몰까지
거의 모든 서비스가 사용자 데이터를 기반으로 콘텐츠를 추천합니다.
즉 우리는 이미
알고리즘이 구성한 정보 환경 속에서 생활하고 있는 셈입니다.
그렇다면 우리는 이 구조 속에서
어떤 방식으로 더 넓은 정보를 접할 수 있을까요?
완전히 벗어나는 것은 어렵지만
몇 가지 방법을 통해 정보 환경을 조금 더 확장할 수 있습니다.
1. 의도적으로 다른 관점의 정보를 접하기
사람은 자연스럽게
자신의 생각과 비슷한 정보를 선호합니다.
이것은 인간의 본능적인 심리입니다.
하지만 알고리즘 환경에서는
이 경향이 더욱 강화될 수 있습니다.
그래서 때로는 의도적으로
다른 관점의 정보를 찾아보는 습관이 필요합니다.
예를 들어
- 다른 정치 성향의 뉴스 보기
- 해외 언론 기사 읽기
- 다양한 전문가 의견 비교하기
이러한 행동은
정보 환경의 폭을 넓히는 데 도움이 됩니다.
2. 추천 콘텐츠만 소비하지 않기
많은 사람들이 정보를 소비할 때
플랫폼이 추천하는 콘텐츠를 중심으로 이용합니다.
예를 들어
- 유튜브 추천 영상
- SNS 피드
- 포털 메인 뉴스
이 콘텐츠들은 대부분
알고리즘이 선택한 정보입니다.
그래서 가끔은 추천 목록을 벗어나
직접 검색을 통해 정보를 찾아보는 습관이 필요합니다.
직접 탐색하는 행동은
정보 소비의 다양성을 높이는 데 도움이 됩니다.
3. 알고리즘 기록 관리하기
대부분의 플랫폼은
사용자의 행동 데이터를 기록합니다.
예를 들어
- 검색 기록
- 시청 기록
- 클릭 기록
이 데이터는 추천 알고리즘의 기준이 됩니다.
그래서 가끔은
- 시청 기록 삭제
- 검색 기록 초기화
- 추천 콘텐츠 숨김
같은 기능을 활용해
알고리즘을 부분적으로 리셋할 수도 있습니다.
이 방법은 추천 콘텐츠의 패턴을 바꾸는 데 도움이 될 수 있습니다.
4. 다양한 정보 채널 활용하기
한 가지 플랫폼에만 의존하면
정보 환경이 제한될 가능성이 높습니다.
예를 들어 어떤 사람이
- 특정 SNS
- 특정 뉴스 포털
- 특정 유튜브 채널
만 이용한다면
그 사람의 정보 환경은 점점 좁아질 수 있습니다.
그래서 다양한 채널을 활용하는 것이 중요합니다.
예를 들어
- 해외 뉴스 매체
- 독립 언론
- 학술 자료
- 다양한 전문가 채널
이처럼 여러 출처의 정보를 비교하면
정보의 균형을 유지하는 데 도움이 됩니다.
5. 알고리즘의 존재를 인식하기
필터 버블에서 벗어나는 가장 중요한 방법은
사실 아주 단순합니다.
알고리즘이 존재한다는 사실을 인식하는 것입니다.
많은 사람들은 자신이 보는 정보가
객관적인 현실이라고 생각합니다.
하지만 온라인 플랫폼에서 제공되는 정보는
대부분 알고리즘의 선택을 거친 결과입니다.
이 사실을 인식하는 순간
우리는 정보를 바라보는 태도가 달라질 수 있습니다.
어떤 뉴스를 보더라도
이런 질문을 던질 수 있기 때문입니다.
“왜 이 정보가 내 화면에 나타났을까?”
“다른 사람들은 어떤 정보를 보고 있을까?”
이 질문은
정보를 더 비판적으로 바라보게 만듭니다.
완전히 벗어날 수는 없지만
현실적으로 말하면
필터 버블에서 완전히 벗어나는 것은 어렵습니다.
왜냐하면 개인화 알고리즘은
오늘날 인터넷 서비스의 핵심 구조이기 때문입니다.
하지만 중요한 점은
정보 환경을 스스로 확장하려는 노력입니다.
인터넷은 매우 넓은 정보 공간입니다.
그러나 우리가 실제로 보는 정보는
그 공간의 아주 작은 일부일 수도 있습니다.
그래서 때로는
추천 알고리즘이 보여주는 정보 바깥으로
한 걸음 나가 보는 것이 필요합니다.
어쩌면 그 순간 우리는
지금까지 보지 못했던
전혀 다른 세계의 이야기를 발견하게 될지도 모릅니다.
3 검색 엔진 다양화
예
- DuckDuckGo
- Brave
4 해외 미디어 구독
다른 나라 뉴스는
시각을 넓혀 줍니다.
5 직접 탐색하는 습관
추천 콘텐츠 대신
직접 검색하는 습관이 중요합니다.
9. AI 시대 필터 버블은 더 강해질까
인터넷 초기에는
많은 사람들이 이렇게 기대했습니다.
“이제 누구나 다양한 정보를 자유롭게 접할 수 있을 것이다.”
실제로 인터넷은 엄청난 양의 정보를
누구에게나 열어 주었습니다.
하지만 시간이 지나면서
인터넷의 구조는 조금 다른 방향으로 발전했습니다.
정보는 계속 늘어났지만
사람들이 실제로 접하는 정보는
알고리즘이 선택한 일부 콘텐츠로 점점 집중되기 시작했습니다.
그리고 이제 우리는
또 하나의 큰 변화를 앞두고 있습니다.
바로 AI 기반 추천 시스템의 시대입니다.
개인화 알고리즘의 진화
과거의 추천 알고리즘은 비교적 단순했습니다.
예를 들어
- 같은 카테고리 콘텐츠 추천
- 비슷한 키워드 기반 추천
- 인기 콘텐츠 중심 노출
하지만 최근 등장한 AI 추천 시스템은
훨씬 더 정교하게 작동합니다.
AI는 단순히 사용자가 무엇을 클릭했는지만 보는 것이 아니라
다양한 데이터를 동시에 분석합니다.
예를 들어
- 시청 시간
- 콘텐츠 시청 패턴
- 댓글 반응
- 콘텐츠 소비 속도
- 다른 사용자와의 행동 유사성
이 데이터를 기반으로
사용자에게 맞는 콘텐츠를 더욱 정확하게 예측합니다.
그 결과 추천 알고리즘은
점점 더 개인 맞춤형 정보 환경을 만들게 됩니다.
초개인화 콘텐츠의 등장
AI 기술이 발전하면서
정보 추천은 이제 단순한 추천을 넘어
초개인화(Hyper-Personalization) 단계로 이동하고 있습니다.
예를 들어 틱톡(TikTok)과 같은 플랫폼은
사용자가 몇 초 동안 머문 영상까지 분석하여
추천 시스템을 조정합니다.
어떤 영상에서 3초 더 머물렀는지
어떤 장면에서 스크롤을 멈췄는지까지
데이터로 기록됩니다.
그 결과 추천 시스템은
사용자가 어떤 콘텐츠에 반응할지
매우 높은 정확도로 예측할 수 있게 됩니다.
이 시스템은 사용자 경험을 개선하는 장점이 있지만
동시에 한 가지 중요한 질문을 남깁니다.
정보 환경은 더 넓어질까요, 아니면 더 좁아질까요?
사람마다 다른 뉴스 세계
AI 추천 시스템이 발전할수록
사람들이 접하는 정보 환경은 더욱 달라질 가능성이 있습니다.
예를 들어 같은 사건이 발생하더라도
어떤 사람에게는
경제적 영향에 대한 뉴스가 먼저 보일 수 있습니다.
다른 사람에게는
정치적 논쟁에 대한 뉴스가 먼저 보일 수도 있습니다.
또 다른 사람에게는
해당 사건이 거의 보이지 않을 수도 있습니다.
이렇게 되면 사람들은 같은 사회에 살고 있지만
서로 다른 정보 세계 속에서 살아가게 될 가능성이 있습니다.
어떤 사람에게는 중요한 뉴스가
다른 사람에게는 존재하지 않는 뉴스가 될 수도 있습니다.
AI는 취향을 반영할까, 강화할까
AI 추천 시스템의 핵심 목표는
사용자가 좋아할 콘텐츠를 찾는 것입니다.
하지만 이 과정에서
취향은 단순히 반영되는 것에 그치지 않습니다.
추천 알고리즘은
사용자가 좋아할 가능성이 높은 콘텐츠를 반복적으로 노출합니다.
사용자는 그 콘텐츠를 더 많이 소비하게 되고
그 행동 데이터는 다시 알고리즘에 반영됩니다.
이 과정이 반복되면
사용자의 정보 환경은 점점 특정 방향으로 강화됩니다.
결국 AI는 단순히 취향을 반영하는 도구가 아니라
취향을 점점 더 강화하는 구조로 작동할 가능성이 있습니다.
정보 사회의 새로운 질문
AI 기술은 앞으로 더 발전할 것입니다.
추천 시스템은 더욱 정교해지고
개인 맞춤형 콘텐츠는 더욱 늘어날 것입니다.
이 변화는 분명 많은 편리함을 가져올 것입니다.
하지만 동시에
새로운 질문도 등장합니다.
우리는 앞으로
- 같은 뉴스를 보고 있을까요
- 같은 이야기를 듣고 있을까요
- 같은 현실을 공유하고 있을까요
어쩌면 미래의 정보 사회는
하나의 공통된 정보 환경이 아니라
수많은 개인화된 정보 세계로 나뉘게 될지도 모릅니다.
그리고 그 세계는
각자의 알고리즘이 조용히 설계하게 될 것입니다.
알고리즘 시대의 정보 감각
AI 시대에는 단순히 많은 정보를 소비하는 능력보다
정보 환경을 이해하는 능력이 더 중요해질 수 있습니다.
우리가 어떤 정보를 보고 있는지
그리고 어떤 정보를 보지 못하고 있는지
그 구조를 이해하는 것이
정보 사회에서 중요한 감각이 될 가능성이 있습니다.
어쩌면 앞으로의 시대에는
지식을 많이 가진 사람보다
정보 구조를 이해하는 사람이
더 넓은 세상을 보게 될지도 모릅니다.
10. 알고리즘은 우리가 보는 세계의 편집자일지도 모른다
인터넷은 오랫동안
“정보의 바다”라고 불려 왔습니다.
누구나 원하는 정보를 검색할 수 있고
전 세계의 뉴스와 지식을 접할 수 있으며
다양한 사람들의 생각을 만날 수 있는 공간.
많은 사람들은 인터넷이
인류 역사상 가장 열린 정보 환경을 만들었다고 말합니다.
하지만 오늘날 우리가 사용하는 인터넷은
초기의 모습과 조금 다른 구조로 변화했습니다.
정보의 양은 계속 늘어났지만
그 정보를 어떤 순서로 보여줄지를 결정하는 존재가 등장했기 때문입니다.
바로 알고리즘입니다.
보이지 않는 편집 시스템
전통적인 미디어 시대에는
뉴스 편집자가 존재했습니다.
신문과 방송은
어떤 뉴스를 먼저 보도할지
어떤 이야기를 강조할지
편집자가 결정했습니다.
그래서 사람들은 어느 정도 알고 있었습니다.
“누군가가 이 뉴스를 편집하고 있다.”
하지만 오늘날의 인터넷에서는
편집자가 눈에 보이지 않습니다.
뉴스피드
검색 결과
추천 영상
이 모든 정보는
알고리즘에 의해 자동으로 배열됩니다.
겉으로 보면
우리는 자유롭게 정보를 탐색하고 있는 것처럼 보입니다.
하지만 실제로는
알고리즘이 먼저 정보를 정렬한 뒤
그 안에서 선택하고 있을 가능성이 큽니다.
같은 세상을 보고 있는가
여기서 한 가지 중요한 질문이 등장합니다.
우리는 지금
같은 세상을 보고 있는 걸까요?
과거에는 많은 사람들이
같은 뉴스 프로그램을 보고
같은 신문을 읽었습니다.
물론 의견은 달랐지만
적어도 같은 정보를 공유하는 환경은 존재했습니다.
하지만 오늘날의 정보 환경은 조금 다릅니다.
추천 알고리즘은
각 사람에게 다른 콘텐츠를 보여줍니다.
그 결과 사람들은
- 서로 다른 뉴스
- 서로 다른 이야기
- 서로 다른 해석
속에서 세상을 바라보게 됩니다.
같은 사건이 발생하더라도
사람마다 전혀 다른 정보 환경 속에서 그 사건을 접하게 됩니다.
이렇게 되면 사회는 점점
공통된 현실을 공유하기 어려운 방향으로 이동할 수도 있습니다.
알고리즘은 단순한 기술일까
알고리즘은 본래
정보를 효율적으로 정리하기 위한 기술입니다.
인터넷에 존재하는 수많은 콘텐츠 속에서
사용자가 관심 있을 만한 정보를 빠르게 찾도록 도와주는 시스템입니다.
그래서 알고리즘 자체가
반드시 나쁜 것은 아닙니다.
오히려 오늘날의 인터넷이 작동하기 위해서는
알고리즘이 필수적이라고 말할 수도 있습니다.
하지만 중요한 것은
알고리즘이 어떤 기준으로 정보를 선택하는가입니다.
대부분의 플랫폼 알고리즘은
사용자의 관심을 오래 붙잡는 것을 목표로 합니다.
그 결과
- 자극적인 콘텐츠
- 강한 감정을 유발하는 콘텐츠
- 반복 소비가 가능한 콘텐츠
가 더 많이 노출되는 경향이 나타날 수 있습니다.
이 과정에서
정보 환경은 점점 특정 방향으로 기울어질 가능성이 있습니다.
알고리즘 시대의 새로운 질문
오늘날 우리는 이전 세대와는 다른 정보 환경 속에서 살아가고 있습니다.
과거에는 정보 부족이 문제였다면
지금은 정보 선택의 구조가 중요한 문제가 되고 있습니다.
그래서 앞으로의 정보 사회에서는
단순히 많은 정보를 아는 것보다
다음과 같은 질문을 던지는 능력이 더 중요해질지도 모릅니다.
“이 정보는 왜 내 화면에 나타났을까?”
“이 뉴스는 왜 먼저 보일까?”
“나는 어떤 정보를 보지 못하고 있을까?”
이 질문은
정보를 조금 더 넓은 시각에서 바라보게 만듭니다.
우리가 다시 생각해 볼 질문
인터넷은 여전히 거대한 정보 공간입니다.
하지만 우리가 실제로 보는 정보는
그 공간의 아주 작은 일부일 수도 있습니다.
그리고 그 일부는
알고리즘에 의해 선택된 결과일 가능성이 있습니다.
그래서 오늘날 정보 사회에서
우리가 한 번쯤 생각해 볼 질문이 있습니다.
지금 내가 보고 있는 세상은
있는 그대로의 세계일까요
아니면
알고리즘이 편집해 보여주는 세계일까요
어쩌면 우리가 살아가는 정보 환경은
완전히 자유로운 공간이 아니라
보이지 않는 편집자가 존재하는 새로운 미디어 환경일지도 모릅니다.
그리고 그 편집자는
조용히 우리의 화면 뒤에서
세상을 배열하고 있을지도 모릅니다.
💬 자주 묻는 질문 (FAQ)
Q1. 필터 버블(Filter Bubble)이란 무엇인가요?
필터 버블은 알고리즘이 사용자의 관심사와 행동 데이터를 분석하여 비슷한 정보만 보여주는 현상을 의미합니다.
검색 기록, 클릭 패턴, 시청 시간 같은 데이터를 기반으로 콘텐츠가 추천되기 때문에 사용자는 점점 자신의 취향과 비슷한 정보만 접하게 되는 환경에 놓이게 됩니다.
이 개념은 2011년 인터넷 활동가 엘리 파리저(Eli Pariser)가 처음 제시했습니다.
Q2. 필터 버블과 에코 챔버(Echo Chamber)는 같은 개념인가요?
두 개념은 비슷하지만 차이가 있습니다.
필터 버블(Filter Bubble)
→ 알고리즘이 사용자 취향을 분석하여 비슷한 정보만 보여주는 현상
에코 챔버(Echo Chamber)
→ 같은 의견을 가진 사람들이 모여 서로의 생각을 반복적으로 강화하는 현상
쉽게 말하면
- 필터 버블은 기술(알고리즘)이 만드는 정보 편향
- 에코 챔버는 사람들 간의 상호작용이 만드는 의견 강화 현상입니다.
Q3. 필터 버블은 왜 문제가 될 수 있나요?
필터 버블은 정보 소비의 편리함을 제공하지만 동시에 몇 가지 문제를 만들 수 있습니다.
대표적인 문제는 다음과 같습니다.
- 정치적 양극화 심화
- 가짜 뉴스 확산
- 사회 갈등 확대
- 정보 다양성 감소
- 극단적 의견 강화
특히 SNS 환경에서는 비슷한 의견의 콘텐츠가 반복적으로 노출되기 때문에
사람들이 다른 관점을 접할 기회가 줄어들 수 있습니다.
Q4. 유튜브 알고리즘도 필터 버블을 만들 수 있나요?
가능합니다.
유튜브 추천 시스템은 다음 데이터를 기반으로 작동합니다.
- 시청 시간
- 클릭 기록
- 좋아요 및 댓글
- 구독 채널
- 시청 패턴
이 데이터를 분석해 사용자가 좋아할 가능성이 높은 콘텐츠를 추천합니다.
그 결과 특정 주제의 영상을 계속 시청하면
추천 목록이 점점 비슷한 콘텐츠로 채워질 가능성이 있습니다.
Q5. 필터 버블에서 완전히 벗어날 수 있나요?
완전히 벗어나는 것은 현실적으로 어렵습니다.
오늘날 대부분의 인터넷 플랫폼은
개인화 알고리즘을 기반으로 작동하기 때문입니다.
하지만 다음과 같은 방법을 통해 영향을 줄일 수 있습니다.
- 다양한 뉴스 매체 구독
- 다른 관점의 기사 읽기
- 추천 콘텐츠 대신 직접 검색
- 검색 기록 및 시청 기록 관리
이러한 행동은 정보 환경의 다양성을 높이는 데 도움이 됩니다.
Q6. AI 시대에는 필터 버블이 더 강해질까요?
AI 기술이 발전할수록 추천 알고리즘은 더욱 정교해질 가능성이 높습니다.
AI는 단순한 클릭 데이터뿐만 아니라
- 콘텐츠 소비 패턴
- 시청 시간
- 사용자 행동 흐름
등을 함께 분석하여 개인에게 맞는 콘텐츠를 추천합니다.
이 기술은 사용자 경험을 개선하는 장점이 있지만
동시에 정보 환경이 더 개인화되고 분리될 가능성도 있습니다.
Q7. 필터 버블은 언제 처음 등장한 개념인가요?
필터 버블이라는 개념은
2011년 인터넷 활동가 엘리 파리저(Eli Pariser)가 자신의 저서에서 처음 제시했습니다.
그는 인터넷이 정보를 넓히는 공간이 될 것이라는 기대와 달리
개인화 알고리즘이 오히려 정보 환경을 좁힐 수 있다는 문제를 제기했습니다.
이 개념은 이후 SNS와 추천 알고리즘 연구에서 중요한 주제로 다루어지고 있습니다.
유용한 정보 더 보기---------------클릭
인센스톡
[인사이트]라이프스타일에 대한 정보와 소식을 공유하는 블로그(명상, 심리, 라이프해킹, 인문학, 마인드셋, 성공마인드)
incensetalk.com
유용한 정보 더 보기--------------클릭
WATCHING [ Invisible structure ]
A sanctuary for balance, healing, and inner peace 🌿 Welcome to The Coach, a channel dedicated to meditation, mindfulness, and incense rituals that help you slow down, reset, and reconnect with yourself. Here, we share timeless wisdom and modern practice
www.youtube.com