예측 중심 비평형 사회과학

초록

비평형 사회과학(NESS)은 사회 현상의 동적 변화를 연구한다. 본 논문은 예측 분석을 NESS의 핵심 활동으로 제시하고, 설명 모델과 예측 모델의 차이를 명확히 구분한다. 실제 사례 연구를 통해 기존 예측 방법이 낮은 성과를 보이는 이유는 (1) 설명 모델을 예측에 그대로 적용한 오류, (2) 예측에 유의미한 사회 동적 특징을 오해한 점, (3) 예측 표현을 실용적으로 활용하는 데 겪는 기술적 난이도 때문임을 입증한다.

상세 분석

논문은 먼저 비평형 사회과학이 전통적인 정적 분석을 넘어, 급변하는 정치·경제·안보 현상의 시간적 흐름을 포착하려는 학문적 패러다임임을 강조한다. 이 맥락에서 ‘예측 모델’과 ‘설명 모델’의 구분은 핵심적인 이론적 전제다. 설명 모델은 인과 관계를 밝히는 데 초점을 맞추며, 변수 간 구조적 관계를 가정한다. 반면 예측 모델은 미래 상태를 정확히 추정하는 데 필요한 통계적·계산적 특성을 최적화한다. 저자들은 두 모델이 동일한 데이터셋에 적용될 때, 설명 모델이 높은 설명력을 보이더라도 예측 정확도는 크게 떨어질 수 있음을 실증적으로 보여준다.

실제 사례는 사회운동의 급격한 확산을 예측하려는 시도로, 전통적인 회귀·시계열 모델과 최신 머신러닝 기반 예측 프레임워크를 비교한다. 결과는 기존 방법이 낮은 정확도를 보였지만, 이는 모델 자체의 한계라기보다 (1) 설명 모델의 변수 선택이 예측에 적합하지 않음, (2) 사회적 상호작용·네트워크 구조와 같은 동적 특성이 무시됨, (3) 데이터 전처리·특징 엔지니어링 단계에서 발생하는 정보 손실이 주요 원인임을 밝혀낸다. 특히, ‘전이 확률’과 ‘임계 질량’ 같은 비평형 현상의 핵심 메커니즘을 정량화한 특성이 예측 성능을 크게 향상시켰다.

마지막으로 논문은 예측 모델 구축 시 고려해야 할 실천적 지침을 제시한다. 첫째, 설명 모델의 인과 구조를 그대로 옮기기보다, 예측에 직접 기여하는 동적 지표를 별도로 탐색한다. 둘째, 시계열 데이터와 네트워크 데이터의 결합을 통해 다중 스케일 특성을 포착한다. 셋째, 모델 검증 단계에서 단순 정확도뿐 아니라 ‘예측 가능성( predictability)’이라는 개념을 정의하고, 불확실성 구간을 명시적으로 제시한다. 이러한 접근은 정책 입안자·안보 분석가가 급변하는 사회 현상을 사전에 대비하도록 돕는다.