소셜 네트워크를 통한 사회적 지위 예측 대학 직업 지역 사례 연구

초록

본 논문은 중국 마이크로블로그인 Sina Weibo의 팔로우 관계를 이용해 개인의 사회적 지위를 추정하고, 이를 대학, 직업, 지역이라는 실제 사회적 집단의 ‘그룹 지위’와 연결한다. 검증된 사용자 프로필을 기반으로 회원 정보를 전파하는 지도 학습 기반 확산 알고리즘을 설계하고, 네트워크 구조에서 도출한 개인 지위 점수를 집단별 평균으로 변환한다. 3.4백만 명의 사용자 데이터를 실험에 적용해 대학 명성, 직업 위계, 지역 경제 수준과 높은 상관관계를 확인했으며, 온라인 인기와 현실 지위가 불일치하는 사례도 논의한다.

상세 분석

이 연구는 사회적 지위를 측정하기 위한 전통적 지표(학력, 직업, 소득)와 달리 온라인 네트워크 구조를 활용한다는 점에서 혁신적이다. 먼저 저자들은 Sina Weibo에서 2‑hop 팔로우 그래프를 구축해 3.4 백만 노드와 475 백만 방향성 엣지를 확보했으며, 검증된 사용자 8.7 %를 대상으로 대학, 직업, 지역 정보를 수집했다. 회원 정보가 결여된 다수 사용자를 대상으로 ‘동질성(homophily)’ 가정에 기반한 지도 학습 확산 모델을 제안한다. 여기서 각 엣지는 11개의 구조적 특성(팔로워·팔로잉 수, 친구 수, PageRank, 역PageRank, 공통 친구 수 등)으로 표현되며, 로지스틱 형태의 가중치 함수 f(u,v)=1/(1+exp(−X_uv·w)) 로 학습된다. 학습 과정은 알려진 회원을 시드와 타깃으로 나누고, 타깃의 추정 오류를 최소화하도록 w를 최적화하는 반복 절차이며, L2 정규화 항을 포함해 과적합을 방지한다.

개인 지위 점수 P_u는 네트워크 중심성 지표(예: 팔로워 수, PageRank)와 확산된 회원 확률을 결합해 산출한다. 이후 동일 그룹에 속한 사용자들의 P_u 평균을 그룹 지위 π_i 로 정의함으로써 대학, 직업, 지역별 ‘사회적 위계’를 정량화한다. 실험에서는 π_i와 기존 사회학적 지표(대학 순위, Ganzeboom‑Treiman 직업 위계, 지역 GDP 등) 사이의 피어슨 상관계수를 계산했으며, 대부분 0.6 ~ 0.8 수준의 높은 양의 상관을 보였다. 특히 대학 그룹에서는 온라인 팔로워 구조가 실제 대학 명성 순위와 일치하는 경우가 많았지만, 일부 유명 연예인·인플루언서는 팔로워 수는 높지만 실제 사회적 지위와는 불일치하는 현상이 관찰되었다.

한계점으로는 프로필 위조·불완전성, 검증 사용자 중심의 샘플링 편향, 그리고 ‘인기’와 ‘지위’의 개념적 차이를 들었다. 또한 직업 그룹을 ISCO 1단계(9개 대분류)로만 축소함으로써 세부 직업 간 차이를 포착하지 못했다는 점도 언급된다. 향후 연구에서는 콘텐츠 기반 신호(텍스트, 해시태그)와 시간적 동태를 결합해 보다 정교한 지위 모델을 구축하고, 다국가·다문화 데이터에 적용해 일반화 가능성을 검증할 필요가 있다.