공감 정책 구현을 위한 다목적 최적화와 게임 기반 여론 수집

초록

본 논문은 정책 옵션과 목표 평가 사이의 사전 모델을 활용해 시민이 직접 선호 옵션을 제시하기 어려운 상황에서, 목표 중요도 순위를 통해 선호를 추론하는 방법을 제시한다. 사회관계망 서비스(SNS) 텍스트 분석과 군중 참여 게임을 결합한 ‘게임‑포‑크라우드’ 접근법으로, 다목적 최적화 문제를 정의하고 공공 의견 모델의 부재를 블랙박스 방식으로 보완한다.

상세 분석

CONSENSUS 프로젝트는 정책 설계 과정에서 “시민이 직접 정책 대안을 선택하도록 요구하는 것은 현실적으로 비현실적”이라는 전제를 바탕으로, 정책 목표(objective)들의 상대적 중요도를 평가하도록 유도한다. 여기서 핵심은 정책 옵션과 각 목표에 대한 정량적 평가값이 사전에 모델링(시뮬레이션, 경제·환경·사회 지표 등)되어 있다는 점이다. 이러한 매핑이 존재하면, 시민이 제시한 목표 중요도 순위는 다목적 최적화 문제의 가중치 벡터로 해석될 수 있다. 즉, 다목적 함수 f(x)=∑w_i·g_i(x) 에서 w_i는 시민이 부여한 가중치이며, x는 정책 변수(예: 세율, 배출량 제한 등)이다.

논문은 두 가지 데이터 수집 경로를 제안한다. 첫 번째는 SNS와 뉴스 댓글 등 비구조화 텍스트에서 목표에 대한 언급 빈도·감성·연관성을 추출해 암묵적 가중치를 추정하는 ‘텍스트 기반 추론’이다. 자연어 처리 파이프라인(토큰화→주제 모델링→감성 분석→연관 규칙)과 베이지안 네트워크를 결합해 목표 간 상호작용을 모델링한다. 두 번째는 ‘게임‑포‑크라우드’라 명명된 인터랙티브 게임을 설계해 참가자에게 목표 중요도 순위를 직접 입력하도록 한다. 게임 메커니즘은 선택 편향을 최소화하기 위해 다중 라운드, 무작위 목표 페어링, 보상 설계(점수·리더보드)를 포함한다.

기술적 난점으로는 (1) 목표 가중치와 정책 옵션 사이의 비선형 매핑을 정확히 모델링하기 위한 시뮬레이션 정확도, (2) SNS 데이터의 대표성 부족과 자동화된 감성 분석의 오류, (3) 게임 참여자의 인구통계학적 편향 및 전략적 행동, (4) 다목적 최적화에서 파레토 프론트 탐색 비용이 급증하는 점을 들 수 있다. 이를 해결하기 위해 논문은 (가) 메타모델링(서로 다른 시뮬레이션 결과를 회귀·Gaussian Process로 근사)으로 연산량을 감소시키고, (나) 샘플링 가중치를 적용해 SNS 데이터의 층화 표본을 구성하며, (다) 게임 설계 단계에서 ‘인센티브 균형’과 ‘전략적 무작위성’을 도입해 진정한 선호를 끌어낸다.

또한, 블랙박스 접근법이라는 점에서 정책 입안자는 결과 해석에 주의해야 한다. 가중치 추정이 정확하더라도, 정책 옵션 자체가 모델링 오류를 내포하면 최적해가 실제 사회적 수용성과 괴리될 위험이 있다. 따라서 논문은 결과 검증 단계에서 ‘시뮬레이션-실험-피드백’ 루프를 제시한다. 시민 설문, 현장 파일럿, 그리고 정책 시행 후 모니터링 데이터를 순환시켜 모델 파라미터를 지속적으로 업데이트한다.

전반적으로 이 연구는 정책 설계에 사회적 선호를 정량화하는 새로운 프레임워크를 제공한다. 다목적 최적화와 군중 참여 게임을 결합함으로써, 기존의 ‘전문가‑주도’ 모델링 한계를 넘어 시민 중심의 정책 옵션 탐색이 가능해진다. 향후 연구는 목표 간 상호의존성을 동적 그래프 모델로 확장하고, 게임 내 실시간 피드백을 활용한 적응형 가중치 추정 알고리즘을 개발하는 방향으로 진행될 전망이다.