필터 버블
더 많은 작업
- Filter bubble; 필터 버블
- 개인화 알고리즘이 이용자가 좋아할 정보만 골라 보여 주면서 생긴다고 여겨지는 정보의 거품
필터 버블(filter bubble)은 검색 엔진, 소셜 미디어 피드, 추천 시스템이 이용자의 클릭·검색·위치 기록을 바탕으로 정보를 골라 보여 주는 바람에, 이용자가 자기 생각과 맞는 정보에만 둘러싸이고 다른 관점에서 멀어진다는 가설이다. 인터넷 활동가 엘리 패리저(Eli Pariser)가 2011년 책 《The Filter Bubble》에서 이름 붙였다.[1]
패리저는 알고리즘이 보이지 않게 편집하는 웹이 시민적 토론을 약화시키고 사람들을 선전과 조작에 취약하게 만든다고 경고했다. 이 말은 2016년 미국 대선과 브렉시트 이후 가짜 뉴스·정치 양극화 논의에서 널리 쓰였다. 반면 대규모 실증 연구들은 알고리즘 개인화가 정보 다양성을 줄이는 정도가 생각보다 작고, 편향은 이용자 자신의 선택에서 더 크게 나온다는 결과를 거듭 내놓았다. 그래서 오늘날 필터 버블은 확립된 사실이라기보다 검증 중인 가설로 다뤄진다.
패리저는 미국 진보 성향 시민단체 무브온(MoveOn)에서 일한 활동가다. 그는 2011년 3월 TED 강연 〈Beware online "filter bubbles"〉에서 이 개념을 알렸다.[2] 강연에서 그는 진보 성향인 자신의 페이스북 피드에서 보수 성향 친구들의 글이 어느 순간 사라졌다는 경험, 친구 두 명이 구글에서 "Egypt"를 검색했는데 한쪽 결과에만 당시 진행 중이던 이집트 혁명 소식이 두드러졌다는 사례를 든 것으로 알려져 있다. 개인 입맛에 맞춘 정보를 정크푸드에 빗댄 것도 이 강연이다.
같은 해 펭귄 출판사에서 나온 책에서 패리저는 개인화가 이용자를 파악하고, 그에 맞는 콘텐츠를 주고, 더 잘 맞도록 조정하는 세 단계로 이뤄진다고 설명한 것으로 알려져 있다. 책은 한국에서 같은 해 《생각 조종자들》(알키, 2011)로 번역됐다.[3]
비슷한 걱정은 그 전에도 있었다. 마셜 반 알스타인(Marshall Van Alstyne)과 에릭 브리뇰프슨(Erik Brynjolfsson)은 인터넷이 지구촌이 아니라 관심사별로 쪼개진 '사이버 발칸'이 될 수 있다는 문제를 모형으로 분석했고,[4] 법학자 캐스 선스타인(Cass Sunstein)은 2001년 《Republic.com》에서 자기가 고른 뉴스만 받아 보는 '데일리 미'(Daily Me)가 민주주의 토론을 해칠 수 있다고 썼다.[5]
필터 버블 가설이 상정하는 고리는 다음과 같다.
- 수집: 플랫폼이 클릭, 체류 시간, 좋아요, 검색어, 위치, 기기 정보, 쿠키 같은 행동 데이터를 모은다.
- 예측: 협업 필터링이나 콘텐츠 기반 필터링, 기계 학습 모델이 이용자가 반응할 콘텐츠를 예측한다.
- 노출: 예측 점수가 높은 콘텐츠가 피드와 검색 결과 위쪽에 놓이고, 나머지는 보이지 않거나 아래로 밀린다.
- 강화: 이용자가 노출된 것에 다시 반응하면 그 데이터가 모델을 더 좁은 방향으로 학습시킨다.
패리저가 강조한 문제는 이 과정이 보이지 않는다는 점이다. 신문 편집자는 무엇을 1면에 실을지 판단하는 기준과 책임이 있지만, 알고리즘의 선택은 이용자가 알기 어렵고 윤리적 판단도 하지 않는다.
| 구분 | 필터 버블 | 에코 챔버 |
|---|---|---|
| 주로 누가 고르나 | 알고리즘(사전 선택된 개인화) | 이용자 자신과 집단(스스로 고른 개인화) |
| 이용자의 역할 | 수동적. 걸러졌다는 사실을 모를 수 있다 | 능동적. 비슷한 사람과 매체를 찾아간다 |
| 핵심 결과 | 반대 정보에 노출되지 않음 | 반대 정보를 불신하고 내부 신념이 증폭됨 |
| 대표 논자 | 엘리 패리저(2011) | 캐슬린 홀 제이미슨·조지프 카펠라(2008), 캐스 선스타인 |
이 구분은 프레데릭 주이더빈 보르게시우스(Frederik Zuiderveen Borgesius) 등이 2016년 정리한 '스스로 고른 개인화'(self-selected personalisation)와 '미리 고른 개인화'(pre-selected personalisation)에 대응한다.[6] 실제 플랫폼에서는 두 과정이 맞물려 있어 연구에서 떼어 내기가 어렵다.
필터 버블은 직관적으로 그럴듯하지만, 측정하면 효과가 작게 나오는 경우가 많다. 주요 연구는 다음과 같다.
| 연구 | 대상과 방법 | 결과 |
|---|---|---|
| 박시 외(Bakshy, Messing & Adamic), 2015, 《Science》 | 미국 페이스북 이용자 1,010만 명의 뉴스 공유·노출·클릭 | 이념이 다른 콘텐츠 노출을 줄인 것은 알고리즘 순위보다 이용자 자신의 선택(친구 구성, 클릭) 쪽이 컸다.[7] |
| 플랙스먼 외(Flaxman, Goel & Rao), 2016 | 정기적으로 온라인 뉴스를 읽는 미국 이용자 5만 명의 브라우징 기록 | 소셜 미디어와 검색은 개인 간 이념 거리를 키우는 동시에 반대 진영 매체 노출도 늘렸다. 온라인 뉴스 소비 대부분은 즐겨 찾는 주류 언론 홈페이지 직접 방문이었고, 효과 크기는 작았다.[8] |
| 박셀 외(Boxell, Gentzkow & Shapiro), 2017, 《PNAS》 | 미국 성인 양극화 지수를 연령대별로 비교 | 인터넷과 소셜 미디어를 가장 덜 쓰는 65세 이상에서 양극화가 가장 크게 늘었다. 인터넷이 최근 양극화 증가에서 차지하는 몫은 작다.[9] |
| 게스 외(Guess et al.), 2023, 《Science》 | 2020년 미국 대선 기간, 페이스북·인스타그램 피드를 동의한 이용자에게 3개월간 시간순으로 바꿈 | 플랫폼 이용 시간과 노출 콘텐츠는 크게 바뀌었지만 쟁점 양극화, 정서적 양극화, 정치 지식에는 유의한 변화가 없었다.[10] |
| 곤살레스바일론 외(González-Bailón et al.), 2023, 《Science》 | 미국 페이스북 이용자 2억 800만 명의 정치 뉴스 노출 집계 | 이념적 분리는 높았고 볼 수 있는 뉴스, 실제로 본 뉴스, 반응한 뉴스로 갈수록 커졌다. 보수 쪽에만 소비되는 영역이 따로 있었고, 팩트체크로 확인된 허위 정보 대부분이 그 영역에 있었다.[11] |
| 류 외(Liu et al.), 2025, 《PNAS》 | 유튜브와 비슷한 실험용 플랫폼, 참가자 약 9,000명, 실제 유튜브 영상과 추천을 조작해 필터 버블·토끼굴 상황을 만듦 | 추천을 한쪽으로 기울이면 시청 선택은 따라갔지만 정책 태도 변화는 거의 없었다. 연구진은 알고리즘이 양극화를 일으킨다는 주장의 입증 책임이 넘어갔다고 봤다. 단기 실험이라는 한계가 있다.[12] |
유튜브 추천이 이용자를 점점 극단적인 영상으로 끌고 간다는 '토끼굴'(rabbit hole) 주장도 필터 버블 논쟁의 한 갈래다.
- 히베이루(Ribeiro) 등은 2020년 349개 채널, 영상 33만여 개, 댓글 7,200만여 개를 분석해 온건한 대안 우파 채널에서 극우 채널로 이용자가 옮겨 가는 흐름을 확인했다. 다만 추천 알고리즘상 극우 영상은 채널 추천으로만 닿을 수 있었다.[13]
- 호세인마르디(Hosseinmardi) 등은 2016~2019년 미국인 30만여 명의 실제 웹 이용 기록을 분석해, 극우 콘텐츠 소비가 유튜브 추천 때문에 체계적으로 생긴다는 증거를 찾지 못했다. 정치 콘텐츠 소비는 웹 전체에 걸친 개인의 선호를 반영했다.[14]
- 브라운(Brown) 등의 감사 연구는 이용자가 약한 이념적 에코 챔버에 있지만 주로 이용자 행동 때문이고, 추천은 지금 보는 것과 비슷한 영상을 이어 붙이는 '콘텐츠 토끼굴'을 만들지만 점점 극단으로 가는 급진화 경로는 확인되지 않았다고 보고했다. 추천을 오래 따라갈수록 이념 범위가 좁아지고 다소 보수 쪽으로 기우는 경향은 있었다.[15]
주이더빈 보르게시우스 등은 2016년 문헌 검토에서 당시로서는 필터 버블을 걱정할 만한 실증 근거가 부족하다고 결론 내렸다.[16] 옥스퍼드 대학교 로이터 저널리즘 연구소의 2022년 문헌 검토도 대부분의 사람은 여러 매체에서 뉴스를 접하고, 검색·소셜 미디어·뉴스 수집 서비스는 오히려 약간 더 폭넓은 뉴스 이용으로 이어진다고 정리했다. 이는 필터 버블 가설과 반대 방향이다. 다만 소수의 강한 당파적 이용자는 스스로 에코 챔버를 고른다고 덧붙였다.[17] 미디어 학자 악셀 브룬스(Axel Bruns)는 2019년 책 《Are Filter Bubbles Real?》에서 필터 버블이라는 은유가 문제의 원인을 기술에 돌려 더 깊은 사회적·정치적 양극화를 가린다고 주장했다.[18]
- 페이스북은 2015년 자사 연구진의 연구(박시 외)로 알고리즘보다 이용자 선택의 영향이 크다고 발표했다. 플랫폼 내부 데이터로 한 연구라 외부에서 같은 분석을 반복할 수 없다는 한계가 있다.
- 2020년 미국 대선 연구(게스 외, 곤살레스바일론 외)는 메타가 외부 학자와 협업해 데이터를 연 사례로, 피드 알고리즘을 바꿔도 단기 태도 변화는 거의 없다는 결과를 냈다.
- 검색 엔진 중에는 개인화를 하지 않는다는 점을 내세우는 곳도 있다.
- 브라우저 확장이나 뉴스 앱 중에는 이용자의 뉴스 소비가 한쪽으로 치우쳤을 때 알려 주거나 반대 관점 기사를 섞어 보여 주는 것이 있다.
한국어로는 '필터 버블'과 붙여 쓴 '필터버블'이 거의 같은 빈도로 쓰인다. 패리저의 책이 2011년 《생각 조종자들》로 번역된 뒤 개념이 소개됐고, 2017년 무렵부터 포털 뉴스 추천과 유튜브 알고리즘을 다루는 기사에서 흔히 쓰인다.[19][20][21][22]
한국에서 필터 버블 논쟁의 중심은 네이버 뉴스였다. 네이버는 2017년 2월 AI 뉴스 추천 시스템 AiRS(에어스)를 도입했다. 협업 필터링으로 관심사가 비슷한 이용자가 많이 본 기사를 추천하고, 기사 품질 평가를 함께 반영하는 방식이다. 2019년 4월에는 모바일 첫 화면에서 사람이 고르던 뉴스 편집을 없애고 AiRS 추천과 언론사 편집으로 대체했다.[23] 네이버가 꾸린 외부 전문가 '뉴스 알고리즘 검토위원회'는 2018년 11월 AiRS가 기존 관심사와 다른 분야 기사도 추천해 필터 버블을 최소화하는 장치를 두고 있다고 발표했다.[24] 2022년 1월 2차 검토위원회는 특정 이념을 우대하는 설계나 임의 편집은 없다고 하면서도, 같은 주제 기사가 대량으로 몰리면 사회 수준에서 장기적인 필터 버블 효과가 생길 수 있고 심층 기사와 지역 언론이 불리하다고 지적했다.[25]
유튜브의 영향도 자주 거론된다. 세계일보는 2022년 신년 기획에서 한국언론진흥재단 자료를 인용해 한국의 유튜브 뉴스 이용률이 44%로 조사 대상국 평균(29%)보다 높다고 전하며, 정치 성향에 따라 온라인 공간이 갈라지는 문제를 필터 버블로 설명했다.[26]
- 정의의 모호함: 필터 버블을 검증 가능한 형태로 정의한 연구가 드물어, 분야마다 다른 것을 재고 있다는 지적이 있다.
- 수동적 이용자 가정: 콘텐츠를 고를 때는 능동적인 사람이 알고리즘 추천 앞에서는 완전히 수동적으로 바뀐다고 가정하는 것이 모순이라는 비판이 있다.
- 미국 중심: 주요 연구가 양당제인 미국에 몰려 있어 다당제나 다른 미디어 환경에 그대로 옮기기 어렵다.
- 데이터 접근: 플랫폼이 알고리즘과 데이터를 공개하지 않고 연구용 API를 줄이는 추세라 외부 검증이 어렵다. 이 때문에 효과가 없다는 결론도, 크다는 결론도 플랫폼이 허락한 범위에서 나온 것이라는 한계가 있다.
- 장기 효과: 몇 주~몇 달짜리 실험으로는 수년에 걸친 누적 효과를 알 수 없다는 반론이 있다.
- 개인정보: 필터 버블 논쟁은 개인화에 쓰이는 행동 데이터 수집 문제와 맞닿아 있다. 이 점은 감시 자본주의와 프라이버시 논의로 이어진다.
- ↑ Pariser, E. (2011). The Filter Bubble: What the Internet Is Hiding from You. Penguin Press. ISBN 978-1-59420-300-8
- ↑ TED, Eli Pariser, "Beware online 'filter bubbles'", 2011-03 녹화, 2011-05-02 공개
- ↑ 알라딘, 《생각 조종자들: 당신의 의사결정을 설계하는 위험한 집단》, 엘리 프레이저 지음, 이현숙·이정태 옮김, 알키, 2011년 8월
- ↑ Van Alstyne, M. & Brynjolfsson, E. (2005). Global Village or Cyber-Balkans? Modeling and Measuring the Integration of Electronic Communities. Management Science, 51(6), 851~868
- ↑ Sunstein, C. R. (2001). Republic.com. Princeton University Press
- ↑ Zuiderveen Borgesius, F. J. et al. (2016). Should we worry about filter bubbles? Internet Policy Review, 5(1)
- ↑ Bakshy, E., Messing, S. & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science, 348(6239), 1130~1132
- ↑ Flaxman, S., Goel, S. & Rao, J. M. (2016). Filter Bubbles, Echo Chambers, and Online News Consumption. Public Opinion Quarterly, 80(S1), 298~320
- ↑ Boxell, L., Gentzkow, M. & Shapiro, J. M. (2017). Greater Internet use is not associated with faster growth in political polarization among US demographic groups. PNAS, 114(40), 10612~10617
- ↑ Guess, A. M. et al. (2023). How do social media feed algorithms affect attitudes and behavior in an election campaign? Science, 381(6656), 398~404
- ↑ González-Bailón, S. et al. (2023). Asymmetric ideological segregation in exposure to political news on Facebook. Science, 381(6656), 392~398
- ↑ Liu, N. et al. (2025). Short-term exposure to filter-bubble recommendation systems has limited polarization effects: Naturalistic experiments on YouTube. PNAS, 122(8)
- ↑ Ribeiro, M. H. et al. (2020). Auditing radicalization pathways on YouTube. Proceedings of FAT* 2020, 131~141
- ↑ Hosseinmardi, H. et al. (2021). Examining the consumption of radical content on YouTube. PNAS, 118(32)
- ↑ Brown, M. A. et al. (2026). Evaluating Echo Chambers, Rabbit Holes, and Radicalization Pathways on YouTube. Political Communication
- ↑ Zuiderveen Borgesius et al. (2016)
- ↑ Arguedas, A. R., Robertson, C. T., Fletcher, R. & Nielsen, R. K. (2022). Echo chambers, filter bubbles, and polarisation: a literature review. Reuters Institute, 2022-01-19
- ↑ Bruns, A. (2019). Are Filter Bubbles Real? Polity
- ↑ 카이스트신문, "필터 버블, 개인화 서비스의 이면", 2017-09-01
- ↑ 민중의소리, "[송현주의 언론과 진실 필터 버블 터트리기", 2020-07-27]
- ↑ 한경매거진, "길어지는 집콕에 커지는 필터 버블···알고리즘에 지배 당하는 소비자들", 2021-02-15
- ↑ 지디넷코리아, "AI 알고리즘의 딜레마...'선택의 역설'vs'에코챔버'·'필터버블'", 2021-06-21
- ↑ 세계일보, "확 바뀐 네이버 뉴스, AiRS 추천 알고리즘이 뭐길래", 2019-04-08
- ↑ IT비즈뉴스, "네이버 뉴스 알고리즘 검토 위원회, 뉴스 서비스 검토 결과 발표", 2018-11-29
- ↑ 아주경제, "필터버블 '네' 임의편집 '아니오'…2차 네이버뉴스 알고리즘 검토결과", 2022-01-26
- ↑ 세계일보, "정치성향 따라 양분된 온라인 세상… '내 편' 정보만 본다", 2022-01-01