사회네트워크의 가시적 동질성 방법론적 함정과 해결책

초록

본 논문은 사회 네트워크가 일반적으로 양의 차수 상관(동질성)을 보인다는 기존 인식을 재검토한다. 그룹 기반으로 네트워크를 구축할 경우 관측된 동질성이 편향될 수 있음을 실증적으로 보여주며, 충분한 관찰 횟수와 대안적 데이터 수집·분석 방법을 제시한다.

상세 분석

이 연구는 네트워크 과학에서 핵심적인 지표인 차수 상관(assortativity)을 사회·비사회 네트워크에 적용한 기존 문헌을 체계적으로 검토한다. 먼저, 사회 네트워크가 일반적으로 양의 assortativity를 보인다는 가설이 대부분 ‘그룹 기반’ 데이터 수집에 의존하고 있음을 지적한다. 그룹 기반 방법은 개인이 동일한 집단에 속한다는 전제 하에 모든 구성원을 완전 연결된 서브그래프(클리크)로 모델링한다. 이러한 방식은 실제로는 무작위로 선택된 개인들 사이에 존재하지 않을 수 있는 다수의 연결을 인위적으로 생성한다. 결과적으로, 높은 차수를 가진 노드가 서로 많이 연결되는 현상이 과대평가되어 양의 assortativity가 나타난다.

논문은 시뮬레이션을 통해 ‘센서스 횟수(census number)’가 충분히 크지 않을 경우 이 편향이 심화된다는 점을 실증한다. 관측 횟수가 적을수록 그룹 내 연결이 과도하게 강조되어 전체 네트워크의 차수 분포와 상관관계가 왜곡된다. 반면, 관측 횟수를 늘리면 그룹 간 연결이 점차 드러나며, 실제 assortativity는 중립에 가깝거나 심지어 음의 값을 보이는 경우가 많다.

비사회 네트워크(예: 기술·생물학적 네트워크)와 비교했을 때, 사회 네트워크가 본질적으로 더 동질적이라는 결론은 데이터 수집 방법론의 차이에서 비롯된다는 중요한 통찰을 제공한다. 저자는 이러한 방법론적 함정을 극복하기 위한 구체적 해결책을 제시한다. 첫째, 개인 기반(sociometric) 데이터 수집을 확대하여 직접적인 연결 정보를 확보한다. 둘째, 시간에 따라 반복적인 관찰을 수행해 동적 네트워크 특성을 반영한다. 셋째, 무작위화(null model)와 재표본화(bootstrapping) 기법을 도입해 관측된 assortativity가 통계적으로 유의한지 검증한다. 넷째, 그룹 기반 데이터를 사용할 경우, 그룹 크기와 구성원의 차수 분포를 보정하는 가중치 조정 방법을 적용한다.

이러한 접근법은 사회 네트워크 분석의 정확성을 크게 향상시킬 뿐만 아니라, 네트워크 과학 전반에 걸쳐 데이터 수집·해석 단계에서 발생할 수 있는 구조적 편향을 최소화한다는 점에서 학제간 협력의 필요성을 강조한다.