문화 다양성과 집단 행동을 동시에 잡는다

초록

유럽인 13,000명의 과학적 신념 데이터를 고차원으로 분석한 결과, 의견 간 상관관계가 초계층적(ultrametric) 구조를 만든다는 사실을 발견했다. 이 구조를 실제 모델에 적용하면, 온라인처럼 장거리 연결이 가능할 때 짧은 시간에 급격한 의견 동조가 일어나지만, 장기적으로는 서로 다른 계층에 갇힌 집단 간의 문화적 수렴이 억제돼 문화 다양성이 유지된다. 즉, 실증적 문화 공간은 짧은 기간의 집단 행동과 긴 기간의 문화 다양성을 동시에 최적화한다.

상세 분석

본 연구는 먼저 유럽연합이 실시한 대규모 설문조사(Europometer)에서 1,3000명의 응답자를 161개의 질문에 대해 다차원 벡터(𝑣ᵢ)로 변환하였다. 각 질문에 대한 답변을 0‒1 사이의 정규화된 거리 dᵏᵢⱼ 로 정의하고, 전체 벡터 간 거리를 dᵢⱼ 로 측정하였다. 무작위(Uniform Random)와 질문별 답변을 섞은(Shuffled) 두 종류의 대조군을 만들고, 실제 데이터와 비교하였다.

주목할 점은 실제 데이터에서 질문 간 거리 상관계수 ρₖₗ가 강한 양의 상관을 보이며, 이는 “공통된 의견을 가진 사람은 다른 의견에서도 일치할 가능성이 높다”는 ‘likes‑attract’ 현상과 일맥상통한다. 반면 무작위와 섞은 데이터는 상관이 거의 없었다. 이러한 상관관계는 단순한 동질성(homophily)이나 사회적 연결이 아니라, 개인 내부의 의견 구조가 서로 얽혀 있음을 의미한다.

거리 분포를 살펴보면, 실제 데이터는 평균 거리가 섞은 데이터와 동일하지만 분산이 두 배에 달한다. 이는 동일 평균을 유지하면서도 매우 가까운 쌍과 매우 먼 쌍이 동시에 존재한다는 뜻이다. 이를 계층적 군집화(average‑linkage)로 시각화하면, 실제 데이터는 뚜렷한 서브브랜치가 중첩된 덴드로그램을 형성한다. 이러한 구조는 초계층성(ultrametricity)이라 불리며, 두 개체 사이의 첫 번째 분기 높이가 원래 거리 dᵢⱼ 와 거의 일치한다는 특성을 가진다. 반면 섞은·무작위 데이터는 계층이 거의 없으며, 덴드로그램이 원거리 정보를 왜곡한다.

초계층 구조는 사회적·문화적 네트워크에 두 가지 중요한 영향을 미친다. 첫째, 거리 임계값 ω(=confidence threshold) 를 기준으로 문화 그래프를 만들면, ω가 작을 때는 같은 브랜치 내에서만 연결이 형성돼 지역적(로컬) 연결 밀도 f(ω) 가 높다. 둘째, ω가 증가해도 서로 다른 브랜치 간 연결이 거의 생기지 않으므로, 전체 네트워크의 최대 연결 성분 크기 s(ω) 가 제한된다. 즉, 동일 ω 에서 실제 데이터는 섞은 데이터보다 높은 로컬 연결성을 보이지만, 글로벌(전역) 연결성은 급격히 제한된다.

이러한 초계층성을 Axelrod 모델과 bounded‑confidence 모델에 적용해 시뮬레이션을 수행하였다. 온라인 환경을 모사해 모든 개체가 거리 기준만으로 상호작용할 수 있게 하면, 초계층 구조가 존재할 경우 ω 가 중간값일 때 급격한 대칭 파괴(symmetry‑breaking) 현상이 나타나 대규모 의견 동조가 발생한다. 반면 전통적인 무작위 초기조건에서는 동일 ω 에서 동조가 거의 일어나지 않는다.

장기적으로는 동일 모델에 문화적 수렴(convergence) 과정을 두고, 초계층 구조가 있으면 서로 다른 서브트리 간의 상호작용이 차단돼 문화적 다양성이 유지된다. 즉, 문화적 수렴은 각 서브그룹 내부에만 제한되고, 전체 집단은 다원성을 보인다. 이는 “온라인 장거리 연결이 동조를 촉진하면서도 다양성을 보존한다”는 역설적인 결과를 설명한다.

결론적으로, 실증적 문화 공간이 보여주는 초계층적 조직은 (1) 짧은 시간에 사회적 영향이 강해질수록 집단 행동을 촉진하고, (2) 장기적으로는 문화적 흐름을 서브그룹에 국한시켜 다양성을 보호한다는 두 가지 역할을 동시에 수행한다. 이는 기존 모델이 가정한 무작위 초기조건이 과소평가한 중요한 메커니즘이며, 실제 사회·온라인 플랫폼 설계 시 ‘적절한 신뢰 임계값’과 ‘초계층적 의견 구조’를 고려해야 함을 시사한다.