공간공존 데이터, 얼굴대면 접촉을 대체할 수 있을까

초록

본 연구는 RFID 기반의 고해상도 얼굴대면 접촉 데이터와 저해상도 공존(코-프레즌스) 데이터를 동일 인구에 대해 동시에 수집한 여러 실험 환경을 활용한다. 코-프레즌스 네트워크는 구조적으로 얼굴대면 네트워크와 유사한 통계적 특성을 보이지만, 정의상 훨씬 밀도가 높다. 저자들은 코-프레즌스 신호를 세 가지 단순 다운샘플링 방법으로 추출해 ‘대리 접촉 네트워크’를 생성하고, 실제 얼굴대면 네트워크와 비교한다. 결과는 대리 네트워크가 일부 전역 특성(예: 그룹 간 연결 비율)과 시간적 분포를 재현하지만, 핵심 노드 식별 및 전염병 시뮬레이션에서는 상황에 따라 성능 차이가 크다는 점을 보여준다. 연구는 코-프레즌스 데이터만으로는 정확한 접촉 구조를 완전히 복원하기 어렵지만, 상황에 맞는 샘플링 전략을 적용하면 제한된 정보로도 유용한 추정이 가능함을 시사한다.

상세 분석

이 논문은 사회적 상호작용을 측정하는 최신 센서 기술이 제공하는 두 종류의 데이터, 즉 1.5 m 이내의 직접적인 얼굴대면 접촉을 기록하는 고해상도 RFID 데이터와, 동일 센서가 전송하는 신호를 수신하는 리더기들의 위치 정보를 기반으로 정의되는 저해상도 코-프레즌스 데이터를 동시에 활용한다. 데이터는 병원, 사무실, 초·중·고등학교, 학술회의 등 다섯 가지 서로 다른 사회적 맥락에서 수집되었으며, 각 데이터셋은 2주에서 1주까지 다양한 기간을 포괄한다. 저자들은 먼저 코-프레즌스 네트워크와 얼굴대면 네트워크의 구조적·통계적 특성을 비교한다. 두 네트워크 모두 이벤트 지속시간, 인터이벤트 시간, 링크 가중치(누적 접촉 시간) 등에서 비슷한 멱법칙 형태의 분포를 보이지만, 코-프레즌스는 정의상 더 넓은 공간을 포함하므로 평균 차수와 클러스터링 계수가 현저히 높다. 특히, 그룹(부서·학급·역할) 간 연결 비율을 나타내는 접촉 행렬은 코-프레즌스와 실제 접촉 사이에 높은 코사인 유사도(0.7~0.97)를 보여, 큰 규모의 집단 구조는 코-프레즌스만으로도 어느 정도 파악 가능함을 시사한다.

그러나 개별 노드의 중심성(예: 베트위니스, 페이지랭크)과 같은 미세 구조는 코-프레즌스만으로는 정확히 재현되지 않는다. 이를 보완하기 위해 저자들은 세 가지 다운샘플링 기법을 제안한다. (1) 코-프레즌스 리스트에서 무작위로 시간‑인스턴스를 선택하고, 해당 리스트 내에서 무작위 쌍을 추출하는 방법, (2) 각 코-프레즌스 이벤트의 지속시간을 고려해 가중치를 부여한 후 샘플링하는 방법, (3) 전체 코-프레즌스 이벤트를 균등하게 나누어 일정 비율만 보존하는 방법이다. 각 방법은 전체 접촉 시간 T_c 를 목표 총량으로 설정하고, 100번 이상의 시뮬레이션을 통해 평균 네트워크 특성을 평가한다.

샘플링 결과는 데이터셋마다 차이를 보인다. 예를 들어, 병원(LH10)에서는 샘플링 2가 평균 차수와 클러스터링을 실제 접촉과 가장 가깝게 맞추었으며, 고등학교(Thiers13)에서는 샘플링 1이 중심성 순위 재현에 가장 효율적이었다. 하지만 모든 경우에 공통적으로 관찰된 점은, 샘플링된 네트워크가 전염병 확산 시뮬레이션(SIR 모델)에서 실제 접촉 기반 결과와 완전히 일치하지는 않는다는 것이다. 특히, 감염성 파라미터가 높은 경우(전염성 강한 질병)에는 코-프레즌스 기반 샘플링이 감염 규모를 과대평가하거나 과소평가하는 경향이 있었다.

마지막으로, 감염 억제 전략(예: 고중심성 노드 격리)의 효율성을 평가했을 때, 코-프레즌스 샘플링만으로는 최적의 격리 대상자를 정확히 식별하기 어려웠다. 일부 상황에서는 샘플링 3가 가장 근접한 결과를 보였지만, 전반적으로는 실제 얼굴대면 데이터에 기반한 전략이 우수했다.

이러한 결과는 코-프레즌스 데이터가 대규모 인구에서 저비용으로 수집 가능하다는 장점에도 불구하고, 정확한 접촉 네트워크 복원을 위해서는 상황에 맞는 샘플링 설계와 추가적인 보정이 필요함을 강조한다. 특히, 연구 목적이 전염병 모델링처럼 미세한 전파 역학을 다룰 경우, 코-프레즌스만으로는 한계가 명확히 드러난다.