온라인 상호작용, 얼마나 예측 가능한가

초록

본 연구는 두 개의 대규모 소셜 미디어 데이터베이스를 활용해 개인 및 그룹 행동의 시간적 전개에서 발생하는 상호 정보 엔트로피를 측정한다. 결과는 사용자의 상호작용 시퀀스가 강한 결정론적 요소를 가지고 있음을 보여주며, 특히 사용자가 혼자 행동할 때 예측 가능성이 높고, 그룹 활동에서는 불확실성이 증가한다는 점을 밝혀낸다.

상세 분석

본 논문은 온라인 인간 행동을 정량적으로 분석하기 위해 정보 이론적 접근을 채택하였다. 핵심 지표는 ‘엔트로피율(entropy rate)’과 ‘상호 정보(mutual information)’이며, 이는 시계열 데이터가 얼마나 예측 가능한지를 수치화한다. 두 개의 데이터셋—예를 들어, 트위터의 팔로우·리트윗 로그와 페이스북의 포스트·댓글 기록—을 수집하고, 각 사용자의 행동을 시간 순서대로 이산 상태 시퀀스로 변환하였다. 이후 마코프 체인 모델을 기반으로 1차, 2차, 3차 전이 확률을 추정하고, 실제 시퀀스와 무작위(균등) 시퀀스 사이의 엔트로피 차이를 계산한다.

실험 결과, 전체 사용자 집단의 평균 엔트로피율은 완전 무작위 시퀀스 대비 약 30% 낮았다. 이는 행동이 완전히 랜덤이 아니라 일정한 규칙성—예를 들어, 특정 시간대에 활동이 집중되거나, 특정 주제에 대한 반복적인 반응—을 가지고 있음을 의미한다. 특히, ‘개인 행동’(자신의 피드에 글을 올리거나, 직접 메시지를 보내는 경우)과 ‘그룹 행동’(그룹 채팅, 이벤트 참여 등)을 구분했을 때, 개인 행동의 엔트로피율이 더 낮아 예측 가능성이 높았다. 이는 개인이 자신의 일정이나 선호에 따라 행동을 조절하는 반면, 그룹 상황에서는 타인의 행동, 외부 자극, 사회적 규범 등에 의해 변동성이 커지기 때문이다.

또한, 상호 정보 분석을 통해 사용자가 이전에 수행한 행동이 이후 행동에 미치는 영향을 정량화하였다. 개인 행동에서는 이전 행동과의 상호 정보가 평균 0.45 비트로, 그룹 행동에서는 0.28 비트에 불과했다. 이는 개인 행동이 과거 패턴에 더 강하게 의존한다는 것을 시사한다.

논문은 기존 모델—예를 들어, 완전 무작위 가정이나 단순 포아송 프로세스—이 온라인 상호작용을 과소평가한다는 점을 비판한다. 대신, 엔트로피 기반 모델이 실제 데이터와 잘 맞으며, 예측 알고리즘(예: LSTM, 변형 마코프 모델)의 성능 향상에 활용될 수 있음을 제시한다. 한계점으로는 데이터셋이 특정 플랫폼에 국한되어 있어 일반화에 주의가 필요하고, 개인 정보 보호를 위한 데이터 익명화 과정이 일부 행동 패턴을 왜곡할 가능성이 있다는 점을 언급한다.

결론적으로, 온라인 상호작용은 완전한 무작위가 아니며, 특히 개인이 독립적으로 행동할 때 높은 결정론적 구조를 보인다. 이러한 통찰은 맞춤형 추천 시스템, 사용자 행동 예측, 그리고 소셜 플랫폼 설계에 실질적인 가치를 제공한다.