온라인 소셜 미디어에서 개인 주의력 감소 모델링

초록

본 논문은 Reddit Change My View 서브레딧의 데이터를 활용해, 사용자가 여러 댓글 입력에 직면했을 때 주의력이 어떻게 시간에 따라 감소하는지를 설명하는 간단한 수학 모델을 제시한다. 모델은 상호작용의 총 지속시간만이 주의력 감소를 결정하고, 입력의 수나 사용자의 활동량은 영향을 주지 않음을 분석적으로 증명한다. 실증 검증을 통해 모델이 실제 데이터와 높은 일치도를 보임을 확인한다.

상세 분석

이 연구는 개인 수준의 주의력 역학을 정량화하려는 최초의 시도 중 하나로, 기존의 거시적 트렌드(예: 해시태그 확산, 정보 캐스케이드)와는 달리 미시적 상호작용을 모델링한다. 저자들은 스레드 내 댓글 수 n(t)와 스레드 지속시간 T를 기본 변수로 설정하고, 각 사용자의 총 댓글 수 η를 활동량으로 정의한다. ‘적합도’ ρ는 활동량에 대한 함수 ρ∼η^ω (ω>0) 로 가정하여, 활동량이 클수록 보상을 받을 확률이 높아진다. 보상 확률 p_r(η)는 (1)식에서 제시된 바와 같이 전체 보상률 n₀와 평균 ⟨η^{ω+1}⟩ 에 의해 정규화된다.

주요 분석은 두 단계로 진행된다. 첫째, 댓글 생성 패턴을 지수 감쇠 n(t)=A exp(−λt/T) 로 가정하고, 이때 보상 발생 확률이 시간에 무관하게 일정함을 보인다. 이를 통해 보상된 댓글 수 n* 는 전체 댓글 수 N에 대한 이항분포를 따르게 된다. 둘째, 스레드 지속시간 T가 파워‑러프 P(T)∝T^{−δ} (δ>2) 로 분포한다는 가정 하에, 보상이 발생하는 날 t* 의 확률 P(t*)는 작은 t에서는 상수, 큰 t에서는 t*^{−δ} 의 꼬리를 가진다. 이 결과는 수치 시뮬레이션과 실험 데이터 모두에서 확인되었다.

데이터 검증 단계에서는 2013‑2023년 사이에 수집된 CMV 스레드 V=102,296 개, 댓글 C≈6.5 백만, 사용자 U≈428 천 명을 이용한다. 각 스레드의 실제 댓글 흐름 n_i(t) 을 전역 시계열 N(t) 으로 집계한 뒤, 스레드별 정규화 \tilde n_i(t) 을 정의해 모델에 입력한다. 이렇게 하면 P(t*) 가 스레드 크기 N_i 와 사용자 활동 η에 독립적임을 수식(5‑6)으로 증명한다.

또한 ‘인터‑보상’ 역학을 탐색하기 위해 보상을 받은 사용자들의 적합도 ρ와 보상 간격 τ(일) 및 m(댓글 수)를 분석한다. 적합도 ρ는 베이지안 추정으로 후방분포 P(ρ|η) 를 구해 모델에 반영했으며, 실험 결과와 모델이 모두 P(η*)∝η*^{−γ_ρ} (γ_ρ≈2.1)와 P(τ)∝τ^{−γ_t} (γ_t≈2.3) 형태의 파워‑러프를 보인다. 마지막으로 댓글 간격 m에 대해서는 스트레치드 exponential P(m)∝exp(−(m/κ)^β) (β≈0.5) 형태가 일치한다.

전체적으로 이 논문은 ‘총 상호작용 지속시간’이라는 단일 매개변수가 개인 주의력 감소를 지배한다는 강력한 결론을 제시한다. 모델은 매우 단순함에도 불구하고 실제 온라인 토론 환경에서 관측되는 복잡한 보상 패턴을 재현하며, 개인‑레벨 주의력 연구와 플랫폼 설계에 새로운 정량적 도구를 제공한다.