[산업] [알아봅시다] 국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언

국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언

국비지원 IT 학원을 고민하는 사람이라면, 한 번쯤 들어봤을 이야기입니다.

“국비학원 비추, 시간낭비였다”
“수업보다 연애, 파벌싸움이 더 활발했다”
“강사도 자주 바뀌고 공부 분위기도 별로였다”

국비지원 학원은 정부 지원을 받아 저렴하게 배울 수 있다는 장점이 있지만, 모든 학원이 다 좋은 것은 아닙니다.
특히 비슷한 고민을 하는 분들을 위해, 한 수강생의 경험을 바탕으로 국비 IT 학원의 현실적인 문제점과 선택 시 주의할 점을 이야기해보겠습니다.

???? 국비 IT 학원의 기대 vs 현실

많은 사람들이 국비 학원을 선택할 때, 취업을 보장받거나, 수준 높은 교육을 받을 것이라 기대합니다. 하지만 현실은 조금 다릅니다.

???? 기대: 면접을 보고 입학할 정도면, 열정적인 사람들과 수준 높은 교육을 받을 수 있을 것이다.
???? 현실: 의욕 없는 사람들, 불필요한 인간관계 갈등, 학습 분위기가 깨지는 경우도 많다.

???? “학생의 질이 너무 떨어졌다”

수강생의 가장 큰 불만 중 하나는 함께 공부하는 사람들에 대한 문제입니다.
국비 학원은 돈을 내고 다니는 일반 학원과는 달리, 다양한 사람들이 참여합니다.

???? 문제점

• 공부보다는 연애, 인간관계에 몰두하는 사람들
• 감정 싸움, 파벌 싸움이 벌어지는 분위기
• 쉬는 시간에 소란스럽고 집중이 어려운 환경

“IT 국비 학원이라 하면 조용히 공부하는 분위기를 기대했는데, 차라리 그게 낫겠다 싶을 정도였다.”

???? 해결책
국비 학원마다 분위기가 다릅니다. 가능하다면, 실제 수강생 후기를 찾아보고 학습 분위기가 잘 유지되는 학원을 선택하세요.

???? “수업보다 술자리가 더 많았다”

일부 학원에서는 “강제 자습”을 명목으로 학생들을 학원에 오래 붙잡아 두지만, 실제로는 학습보다는 다른 일에 시간을 보내는 경우가 많습니다.

???? 문제점

• 학원 수업이 끝난 후, 강제 야간 자습이 있다고 해도 실질적인 공부는 안 됨
• 공부보다는 술자리, 친목 모임이 더 활발
• 심지어 취업 후에도 네트워크 형성에 실패 (서로 손절)

“수업 끝나면 야자라고 해서 남아야 한다더니, 결국 강남에서 술 마시는 모임이 됐다.”

???? 해결책

• 친목 활동과 학습을 구분해야 합니다. 친목이 중요한 경우도 있지만, 공부에 집중할 환경이 조성된 학원인지 확인하세요.
• 취업을 위해 다니는 것이지, 새로운 친구를 사귀러 가는 게 아니라는 점을 명확히 해야 합니다.

???? “강사가 너무 자주 바뀌었다”

국비 학원의 또 다른 문제는 강사의 교체입니다.

???? 문제점

• 초반에는 좋은 강사가 배정되지만, 중간에 강사가 바뀌면서 수업의 질이 급격히 떨어짐
• 실무 경험이 적은 강사가 이론만 가르치는 경우가 많음
• 커리큘럼이 체계적이지 않고, 강사마다 스타일이 달라 일관성이 부족함

“처음엔 괜찮은 강사가 있었지만, 중간에 교체되면서 수업이 무너지기 시작했다.”

???? 해결책

• 강사 교체가 잦은 학원은 피하는 것이 좋습니다. 입학 전 강사의 프로필과 강의 경력을 반드시 확인하세요.
• 수업 방식이 바뀌어도 혼자 공부할 수 있는 능력을 키우는 것이 중요합니다.

???? 국비 IT 학원 선택 시 주의할 점

이런 문제를 피하려면 학원 선택이 가장 중요합니다. 다음 체크리스트를 확인해보세요.

✅ 수강생 후기를 확인하라 – 네이버 카페, 블로그, 유튜브 등에서 실제 수강생의 경험담을 찾아보세요.
✅ 강사의 경력을 체크하라 – 강사가 현업 경험이 있는지, 얼마나 오래 강의를 했는지 확인하세요.
✅ 커리큘럼을 꼼꼼히 살펴보라 – 수업 내용이 제대로 구성되어 있는지, 원하는 기술을 배울 수 있는지 확인하세요.
✅ 학습 분위기를 체크하라 – 직접 학원에 방문하거나, 설명회를 통해 분위기를 파악하세요.
✅ 취업 연계의 실체를 확인하라 – 학원에서 연결해주는 기업이 실제로 취업에 도움이 되는지 확인하세요.

???? 결론: 시간낭비를 피하려면?

국비 학원은 잘 활용하면 좋은 기회가 될 수도 있지만, 기대만큼 만족하기 어려운 경우도 많습니다.

???? 좋은 국비 학원을 선택하려면?
✔ 수강생의 분위기와 학습 태도를 확인하라
✔ 강사의 실무 경험과 교체 빈도를 체크하라
✔ 취업 연계가 실질적으로 도움이 되는지 따져보라
✔ 단순한 친목 모임이 아니라 실제로 공부할 수 있는 환경인지 고민하라

무작정 유명한 국비 학원이라고 선택하기보다는, 자신에게 맞는 학원이 어디인지 충분히 조사하고 결정하는 것이 가장 중요합니다.

여러분은 어떤 국비 학원을 선택하시겠습니까?

좋은 선택이 성공적인 IT 커리어의 시작이 될 것입니다. ????

[기계학습][머신러닝] [인공지능] 지도학습, 비지도학습, 강화학습

머신러닝의 학습 방법은 크게 3가지로 분류됩니다.

• 지도학습
• 비지도학습
• 강화학습

● 지도학습(Supervised Learning)

지도 학습은 말 그대로 정답이 있는 데이터를 활용해 데이터를 학습시키는 것입니다. 입력 값(X data)이 주어지면 입력값에 대한 Label(Y data)를 주어 학습시키며 대표적으로 분류, 회귀 문제가 있습니다.

예를 들어, 입력 데이터 셋을 3*5, 32*44 등을 주고 라벨 데이터 셋을 입력 데이터셋의 정답인 15, 1408등을 주면 해당 모델은 주어지지 않은 데이터 셋 9*3의 정답을 해결할 수 있게 됩니다.

– 지도학습 종류

    1) 분류(Classification)

분류는 주어진 데이터를 정해진 카테고리(라벨)에 따라 분류하는 문제를 말합니다. darknet의 YOLO, network architecture는 GoodLeNet for image classification을 이용하여 이미지를 분류하고 있습니다. 분류는 맞다, 아니다 등의 이진 분류 문제 또는 사과다 바나나다 포도다 등의 2가지 이상으로 분류하는 다중 분류 문제가 있습니다.

예를 들어 입력 데이터로 메일을 주고 라벨을 스팸메일이다, 아니다 를 주면 모델은 새로운 메일이 들어올 때 이 메일이 스팸인지 아닌지 분류를 할 수 있게 됩니다.

스팸메일 분류 예제

    2) 회귀(Regression)

회귀는 어떤 데이터들의 Feature를 기준으로, 연속된 값(그래프)을 예측하는 문제로 주로 어떤 패턴이나 트렌드, 경향을 예측할 때 사용됩니다. 즉 답이 분류 처럼 1, 0이렇게 딱 떨어지는 것이 아니고 어떤 수나 실수로 예측될 수 있습니다.

예를 들어 서울에 있는 20평대 아파트 집값 가격, 30평대 아파트 가격, 지방의 20평대 아파트 가격등을 입력데이터로 주고 결과를 주면, 어떤 지역의 30평대 아파트 가격이 어느정도 인지 예측할 수 있게 됩니다.

보스턴 주택 가격 예측 예제

*Feature

머신러닝은 어떤 데이터를 분류하거나, 값을 예측(회귀)하는 것입니다. 이렇게 데이터의 값을 잘 예측하기 위한 데이터의 특징들을 머신러닝/딥러닝에서는 “Feature”라고 부르며, 지도, 비지도, 강화학습 모두 적절한 feature를 잘 정의하는 것이 핵심입니다. 엑셀에서 attribute(column)라고 불려지던 것을 머신러닝에서는 통계학의 영향으로 feature라고 부릅니다. 과거에 딥러닝 이전의 머신러닝에서는 Raw데이터를 피처 엔지니어가 직접 적절한 피처를 만들고, 머신러닝 모델의 결과로 아웃풋을 냈었는데, 딥러닝 이후로 Raw데이터를 딥러닝 모델에 넣어주면 모델이 알아서 feature를 알아내고 아웃풋을 내는 형식으로 발전하게 되었습니다. (머신러닝 모델이 피처를 알아서 찾아준다고 하여도 여전히 전처리 작업은 중요합니다.)

예를 들어 고양이, 강아지 사진은 분류한다고 하면 고양이는 귀가 뾰족하다 거나 눈코입의 위치, 무늬 등이 피처가 됩니다. 키와 성별을 주고 몸무게를 예측한다고 하면 키와 성별이 피처가 됩니다.

Feature는 Label, Class, Target, Response, Dependent variable 등으로 불려집니다.

● 비지도학습(Unsupervised Learning)

지도 학습과는 달리 정답 라벨이 없는 데이터를 비슷한 특징끼리 군집화 하여 새로운 데이터에 대한 결과를 예측하는 방법을 비지도학습 이라고 합니다. 라벨링 되어있지 않은 데이터로부터 패턴이나 형태를 찾아야 하기 때문에 지도학습보다는 조금 더 난이도가 있다고 할 수 있습니다. 실제로 지도 학습에서 적절한 피처를 찾아내기 위한 전처리 방법으로 비지도 학습을 이용하기도 합니다.

비지도학습의 대표적인 종류는 클러스터링(Clustering)이 있습니다. 이 외에도 Dimentionality Reduction, Hidden Markov Model이 있습니다. 예를 들어 여러 과일의 사진이 있고 이 사진이 어떤 과일의 사진인지 정답이 없는 데이터에 대해 색깔이 무엇인지, 모양이 어떠한지 등에 대한 피처를 토대로 바나나다, 사과다 등으로 군집화 하는 것입니다.

지도/비지도 학습 모델(Semi-Supervised Learning)을 섞어서 사용할 수도 있습니다. 소량의 분류된 데이터를 사용해 분류되지 않은 더 큰 데이터 세트를 보강하는 방법으로 활용할 수 도 있습니다.

최근 각광받고 있는 GAN(generative Adversarial Network)모델도 비지도 학습에 해당합니다.

• 지도학습, 비지도학습의 대표적인 알고리즘

출처: https://wendys.tistory.com/169

● 강화학습(Reinforcement Learning)

머신러닝의 꽃이라 불리는 강화학습(RL)은 지도, 비지도 학습과는 조금 다른 개념입니다.

행동 심리학에서 나온 이론으로 분류할 수 있는 데이터가 존재하는 것도 아니고 데이터가 있어도 정답이 따로 정해져 있지 않으며 자신이 한 행동에 대해 보상(reward)를 받으며 학습하는 것을 말합니다.

– 강화학습의 개념

• 에이전트(Agent)
• 환경(Environment)
• 상태(State)
• 행동(Action)
• 보상(Reward)

게임을 예로들면 게임의 규칙을 따로 입력하지 않고 자신(Agent)이 게임 환경(environment)에서 현재 상태(state)에서 높은 점수(reward)를 얻는 방법을 찾아가며 행동(action)하는 학습 방법으로 특정 학습 횟수를 초과하면 높은 점수(reward)를 획득할 수 있는 전략이 형성되게 됩니다. 단, 행동(action)을 위한 행동 목록(방향키, 버튼)등은 사전에 정의가 되어야 합니다.

만약 이것을 지도 학습(Supervised Learning)의 분류(Classification)를 통해 학습을 한다고 가정하면 모든 상황에 대해 어떠한 행동을 해야 하는지 모든 상황을 예측하고 답을 설정해야 하기 때문에 엄청난 예제가 필요하게 됩니다.

바둑을 학습한다고 했을 때, 지도 학습(Supervised Learning)의 분류(Classification)를 이용해 학습하는 경우 아래와 같은 개수의 예제가 필요해지게 됩니다.

강화 학습(reinforcement learning)은 이전부터 존재했던 학습법이지만 이전에 알고리즘은 실생활에 적용할 수 있을 만큼 좋은 결과를 내지 못했습니다.

하지만 딥러닝의 등장 이후 강화 학습에 신경망을 적용하면서부터 바둑이나 자율주행차와 같은 복잡한 문제에 적용할 수 있게 되었습니다. 좀 더 자세히 설명하면 고전적인 강화학습 알고리즘은 앞으로 나올 상태에 대한 보상을 모두 계산해야 하는데 실제 세상과 같이 상태 공간이 크면 현실적으로 계산을 할 수 없습니다. 최근에는 계산하는 대신 신경망을 통해 근삿값을 구함으로써 복잡한 문제를 해결할 수 있게 되었습니다.

강화학습에 딥러닝을 성공적으로 적용한 대표적 알고리즘으로는 DQN과 A3C가 있는데요. 두 알고리즘 모두 딥마인드에서 발표했으며 다른 강화학습 알고리즘의 베이스라인이 되었습니다.

[References]

https://blogs.nvidia.co.kr/2018/09/03/supervised-unsupervised-learning/

https://wendys.tistory.com/170

출처: https://ebbnflow.tistory.com/165 [삶은 확률의 구름:티스토리]

[데이터분석 & 데이터 사이언스] 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?

맞다. 나는 데이터 사이언티스트다. 당신이 읽은 제목도 제대로 읽은 거 맞다. 누군가는 이런 이야기를 해야만 한다. 우리는 데이터 사이언티스트가 21세기의 가장 섹시한 직업이라거나, 꿈의 직업으로 보일 만큼 엄청나게 돈을 많이 번다는 식의 이야기를 굉장히 많이 듣는다. 이 분야에는 복잡한 문제를 괴짜같이 놀라운 방법으로 해결해내는 뛰어난 능력자들이 많은데, 이 직업이 매력적인 이유는 이런 측면에 있다.

하지만 진실은 이렇다. 파이낸셜 타임스의 글에 따르면, 데이터 사이언티스트들은 일반적으로 “일주일에 한두 시간은 새 직장을 구하는 데 쓴다”. 심지어 “새로운 직장을 구하고 있다고 응답한 개발자 중 1위는 머신러닝 전문가(14.3%)다. 데이터 사이언티스트는 근소한 차이로 2위다(13.2%).” 이 데이터는 스택 오버플로가 개발자 64,000명을 대상으로 한 설문조사에서 수집된 것이다.

나도 같은 상황에 처해있었고, 최근에는 직장을 바꿨다.

그렇다면 왜 수많은 데이터 사이언티스트들이 새 직장을 구하려 할까?

이 질문에 답하기 전에 내가 여전히 데이터 사이언티스트라는 것을 밝혀 둔다. 전반적으로 나는 이 직업을 사랑하고, 데이터 사이언티스트가 되려고 하는 사람들의 의욕을 꺾을 마음이 없다. 데이터 사이언티스트는 즐겁고, 흥미롭고, 보람 있는 직업이다. 이 글의 목적은 일부러 반대 측 이야기를 하는 악마의 변호인이 되어서 부정적인 면을 조명하는 데 있다.

내가 보기에 많은 데이터 사이언티스트들이 자신의 직업에 만족하지 못하는 데는 크게 네 가지 이유가 있다.

빅데이터는 십대의 섹스와 같다. 다들 그것에 대해 말하지만, 진짜로 어떻게 하는지는 아무도 모르고, 나만 빼고 모두가 하고 있을 거라 생각한다. 그래서 다들 자기도 하고 있다고 주장한다. – Dan Ariely

매우 적절한 비유다. 나를 포함해서, 많은 주니어 데이터 사이언티스트들은 최신의 쿨한 머신러닝 알고리즘을 이용해 복잡한 문제를 해결하고 비즈니스에 엄청난 영향을 미칠 수 있을 거라 믿었기 때문에 데이터 과학에 뛰어들었다. 우리가 하는 일이 기존에 해왔던 일들 보다 훨씬 중요하게 느껴지는 것이다. 그러나, 보통은 안 그렇다.

내가 보기에 수많은 데이터 사이언티스트들이 업계를 떠나는 핵심적인 이유는 기대와 현실이 다르다는 것이다. 여기에는 다양한 이유가 있지만, 이 글에서 전부 다룰 수는 없고, 내가 직면했던 근본적인 문제들을 이야기하고자 한다.

회사마다 상황이 다르니 모두 다 그렇다고 할 수는 없겠지만, 많은 회사들이 AI를 이용해 가치를 얻어낼 수 있을 정도의 적절한 인프라를 구축하지 못한 상태에서 데이터 사이언티스트를 고용한다. 이 때문에 AI 분야의 콜드 스타트 문제가 발생한다. 이런 상황에 주니어를 고용하기 전에 경험 많은 시니어 데이터 전문가를 고용하지 못했다는 문제가 결합되면, 회사와 데이터 사이언티스트 양쪽 모두가 환멸을 느끼고 불행한 관계가 되는 법 레시피를 얻은 셈이다. 데이터 사이언티스트는 인사이트를 얻어낼 스마트한 머신러닝 알고리즘을 만드는 일을 하게 될 줄 알았겠지만 그러지 못한다. 데이터 인프라를 정리하고 분석 보고서 쓰는 일부터 해야 하기 때문이다. 반면 회사는 그저 매일 하는 미팅에 사용할 차트 한 장이 필요했을 뿐이다. 그러고 나면 회사도 좌절하게 된다. 새로운 가치를 충분히, 빨리 찾아내지 못하고, 결과적으로 이런 문제들 때문에 데이터 사이언티스트도 자신의 직무에 만족하지 못하게 되기 때문이다.

Robert Chang은 주니어 데이터 사이언티스트들에게 조언하며 다음과 같이 굉장히 통찰력 있는 이야기를 했다.

일하게 될 곳의 전체 업무 절차(critical path)가 자신이 하고자 하는 것에 얼마나 부합하는지 따져봐야 한다. 자신이 바라는 것에 가장 잘 부합하는 업무 절차를 갖추고 있는 프로젝트, 팀, 회사를 찾아라.

이 조언은 고용주와 데이터 사이언티스트의 관계를 강조하는 것이다. 회사가 제대로 준비되어 있지 않거나 데이터 사이언티스트의 기대와 부합하지 않는 목표를 가지고 있다면, 데이터 사이언티스트가 다른 일을 찾게 되는 것은 시간 문제다.

이 문제에 흥미가 생긴다면, 온라인 쇼핑몰 Wish에서 분석 팀을 만든 과정을 다룬 Samson Hu의 연재 글을 읽어 보길 권한다. 통찰이 담겨있는 훌륭한 글이다.

데이터 사이언티스트가 환멸을 느끼는 또 다른 이유는 내가 학계에 환멸을 느꼈던 이유와 비슷하다. 나는 내가 회사뿐만 아니라 전 세계 모든 사람들에게 엄청나게 큰 영향을 미칠 수 있을 거라고 생각했다. 현실은, 만약 회사의 핵심 사업이 머신러닝을 운용하는게 아니라면(나는 미디어 출판사에 다녔었다) 당신이 하는 데이터 과학 작업은 아주 작은 추가 이득 정도를 만들어 낼 수 있을 뿐이다. 데이터 과학으로 굉장히 의미 있는 가치를 만들어 내거나, 운 좋게 얻어 걸려서 금맥을 찾는 일이 생길 수도 있겠지만, 근건 굉장히 드문 일이다.

정치 문제에 관해서는 “데이터 사이언스에서 가장 어려운 것: 정치”라는 훌륭한 글이 이미 있다. 꼭 읽어 보길 권한다. 이 글의 도입부 몇 문장은 내가 말하고자 하는 것을 요약하고 있다.

Support Vector Machines 알고리즘을 공부하려고 아침 6시에 일어났을 때, “이거 진짜 힘드네. 하지만 나는 고용주들이 탐낼 사람이 될 거야” 하고 생각했다. 만약 타임머신(DeLorean)이 있다면, 과거로 돌아가 내 자신에게 말해 줄거다. “개소리하고 앉았네”.

다양한 머신러닝 알고리즘을 알면 가치 있는 데이터 사이언티스트가 될 거라고 진지하게 생각하고 있다면, 내가 처음에 지적했던 것을 다시 생각해보라. 현실은 기대하는 것과 다르다.

진실은, 비즈니스에서 가장 영향력 있는 사람들이 당신에 대해 좋은 인상을 갖도록 노력하는 일을 해야 한다는 것이다. 단지 윗분들이 당신에 대해 좋은 인상을 갖도록 하기 위한 목적으로 단순한 프로젝트를 수행하고, 동시에 윗분들이 필요하다고 할 때마다 데이터베이스에서 지표들을 뽑아 제 시간에 가져다 주는 추가 업무를 끝없이 해야만 한다. 나는 이전 직장에서 이런 일을 굉장히 많이 해야만 했다. 절망적이게도, 이런 일이 이 직업의 필수적인 부분이다.

윗분들을 기쁘게 하는 일이라면 뭐든지 해야 한다는 것에 관해 조금 더 이야기하자면, 영향력 있는 윗사람들은 대부분 “데이터 사이언티스트”가 뭔 지 모른다. 이는 당신이 데이터 분석 전문가일 뿐만 아니라 ‘보고서 만들어주는 애’가 되어야 한다는 것을 의미한다. 동시에 데이터베이스 전문가가 되어야 한다는 것도 잊으면 안된다.

비 기술 분야의 경영진뿐만 아니라 대부분의 사람들은 당신이 엄청나게 많은 스킬을 보유하고 있을 거라 가정한다. 기술 분야에 있는 동료들도 당신이 데이터와 관련된 거라면 무엇이든 다 알 거라고 생각한다. Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B Testing, NLP, 머신러닝의 모든 것, 이 외에 당신이 생각해낼 수 있는 데이터와 관련된 모든 것들을 잘 알고 있어야만 한다. 그건 그렇고, 만약 이 모든 게 적혀 있는 직무명세서를 발견한다면 빨리 도망쳐라. 그 회사가 자신들의 데이터 전략에 관해 아무 생각이 없고, 누가 됐든 데이터와 관련된 사람을 뽑으면 회사에 있는 데이터와 관련된 모든 문제를 해결해줄 거라 믿기 때문에 아무나 고용하려 한다는 것을 암시하는 것이다.

그런데 이게 끝이 아니다. 사람들은 당신은 이 모든 것을 잘 알고 있고, 분명 모든 데이터에 접근할 수 있을 것이기 때문에 데이터와 관련된 질문이라면 무엇이든 답변해줄 거라 생각한다. 그러니까, 안 물어봤어도 적어도 5분 전에는 담당자한테 메일로 답변을 보내놨어야 한다.

모든 사람들에게 자신이 실제로 아는 것은 무엇이고 다루기 어려운 것은 무엇인지를 얘기한다는 것은 쉽지 않은 일이다. 누군가 자신을 나쁘게 볼까 봐서가 아니라, 현장 경험이 별로 없는 주니어 데이터 사이언티스트처럼 여기게 될 것이 걱정되기 때문이다. 그렇게 되면 상황이 정말 어려워질 수 있다.

종종 성공한 데이터 제품을 접하면, 똑똑한 기능, 전문적으로 디자인된 UI를 볼 수 있다. 특히, 적어도 사용자가 보기에 문제를 적절히 해결하고 유용한 결과물을 만들어 낸다. 그러니까 만약 데이터 사이언티스트가 머신러닝 알고리즘을 만들고 적용하는 방법을 익히는 데에만 시간을 쏟았다면, 가치 있는 제품을 만들어내 프로젝트를 성공적으로 이끈 팀에서 아주 작은 역할만을 담당하게 되는 것이다(비록 필수적인 역할이라 하더라도). 즉, 고립된 상태로 일하는 데이터 사이언스 팀은 가치를 만들어내는데 어려움을 겪게 되는 것이다.

그런데도 여전히 많은 기업들이 자신들만의 프로젝트를 수행하기 위해 코드를 짜고 문제를 해결하려 노력하는 데이터 사이언스 팀을 운용하고 있다. 어떤 경우에는 그것 만으로 충분할 수도 있다. 예를 들어, 분기에 한번 정도 고정된 스프레드시트를 만들어 내는게 목표라면 데이터 사이언스 팀이 가치를 만들어 낼 수 있다. 반면 지능화된 추천 시스템을 최적화해서 맞춤형 웹사이트에 구현하는게 목표라면, 대다수 데이터 사이언티스트가 갖추고 있을 거라고 보기 어려운 매우 다양한 기술들이 필요하다(진정한 유니콘 데이터 사이언티스트만이 이 일을 해낼 수 있다). 따라서 고립된 채로 일하는 데이터 사이언스 팀이 프로젝트를 맡으면, 그 프로젝트는 실패할 가능성이 매우 높다(혹은 굉장히 오래 걸리거나. 대기업에서 고립된 팀을 다른 팀과 협력하도록 재조직하는 것은 쉽지 않기 때문이다).

따라서 현장에서 일을 잘하는 데이터 사이언티스가 되고자 한다면, 단지 캐글 대회에서 좋은 성적을 거두고 온라인 교육 코스 몇 개 수료하는 것만으로는 충분하지 않다. 불행하게도, 위계와 정치가 비즈니스에서 어떤 식으로 작동하는지 이해해야만 한다(관점에 따라서는 좋은 것일수도 있다). 데이터 사이언스 분야에서 만족할 만한 직장을 구하려면, 자신이 기대하는 업무 절차를 갖춘 회사를 찾는 것을 핵심 목표로 삼아야 한다. 하지만 그렇더라도, 데이터 사이언스의 역할에 대해 가지고 있던 기대는 낮춰야 할 것이다.

누구든 코멘트, 질문, 반대 의견이 있다면 환영한다. 데이터 사이언티스트가 되고자 하는 사람들이 충분한 정보를 바탕으로 진로를 결정할 수 있도록 도우려면 건설적인 토론이 필수적이기 때문이다.

이 글이 이 직업에 대한 흥미를 잃게 만든 것은 아니길 바란다.

읽어줘서 감사하다. 🙂

이 글은 Jonny Brooks-Bartlett의 Here’s why so many data scientists are leaving their jobs를 번역한 것입니다.

[출처] https://github.com/youngwoos/etc/blob/master/Here%E2%80%99s%20why%20so%20many%20data%20scientists%20are%20leaving%20their%20jobs.md#%EC%88%98%EB%A7%8E%EC%9D%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%82%AC%EC%9D%B4%EC%96%B8%ED%8B%B0%EC%8A%A4%ED%8A%B8%EB%93%A4%EC%9D%B4-%EC%A7%81%EC%9E%A5%EC%9D%84-%EB%96%A0%EB%82%98%EB%8A%94-%EC%9D%B4%EC%9C%A0%EB%8A%94-%EB%AC%B4%EC%97%87%EC%9D%B8%EA%B0%80

[사회과학] [박진영의 사회심리학] ‘가짜뉴스’로 이득 보는 사람 있다

게티이미지뱅크 제공

지금은 ‘포스트 진실(post truth)’ 시대, 어떤 정보가 사실인지의 여부가 더 이상 중요하지 않은 시대라는 이야기가 종종 들린다. 그 정도로 소셜미디어, 심지어는 뉴스 채널에서도 가짜 뉴스가 계속해서 생성되고 일상을 지배하고 있다는 이야기다.

그런데 사실 가짜 뉴스가 점점 더 팽배해져서 극단적으로 대부분의 정보가 가짜인 세상이 오게 된다면 가장 큰 피해를 보는 것은 가짜 뉴스를 퍼트린 인간이다. 그럼에도 불구하고 많은 사회에서 오래도록 가짜 뉴스가 사라지지 않고 있는 원인은 무엇일까.

인간의 불완전한 지식 수준, 미신이라도 붙들고 의지하고 싶은 마음 등이 하나의 원인으로 꼽히지만 마이클 발레브 애리조나 주립대의 심리학자 등에 의하면 가짜 뉴스를 퍼트리는 데에는 ‘사회적 기능’ 또한 존재한다. 비이성적인 듯 보이는 행위에 사실은 어느 정도 ‘이성적인’ 사회적 쓸모가 존재한다는 것이다.

발레브는 크게 ⓛ 사회적 지위를 얻기 위해, ② 충성심을 강화하고 시험하기 위해, ③ 라이벌을 침몰시키기 위해 가짜 뉴스가 생성되고 유통된다고 본다.

① 사회적 지위를 얻기 위함

우선 사회적 지위를 얻는다는 것은 결론적으로 말하면 많은 사람들에게 영향력을 미칠 수 있는 위치를 획득하는 것을 말한다. 구체적인 방법은 다양하지만 여기에는 ‘유명세’가 큰 도움이 된다.

사회적으로 영향력 있는 스포츠 선수, 연예인, 정치인이 되는 것, 또 요즘 흔히 말하는 인플루언서가 되는 데에는 많은 사람의 ‘관심’이 필수적이다. 노벨상을 탈 만한 굉장한 발견을 했다고 해도 아무에게도 이야기 하지 않고 혼자 알고 있다가 세상을 떠나버리면 아무런 지위도 영향력도 가질 수 없듯이 엄청난 발견이나 지식 또한 세상에 알려야만 그 ‘영향력’을 펼칠 수 있게 된다.

정말 특출나고 대단한 무언가가 있어서 사람들의 관심을 끌 수 있다면 좋지만 문제는 이게 생각보다 쉽지 않다는 것이다. 하지만 만약 그럴듯한 거짓말 또는 사기를 쳐서 사람들로 하여금 자신이 대단한 사람이라고 생각하게 만들 수 있다면 (당장은) 적은 비용으로 최대한의 사회적 지위를 얻는 것이 가능하다.

예를 들어 피 몇 방울만 가지고 수백가지의 건강 정보를 알아내는 방법을 발견했다고 사기를 쳐 천문학적인 돈을 가지고 튈 뻔 했던 테라노스 사장이나 자신이 엄청난 유럽 부잣집 딸이라고 사기를 쳐서 거대한 액수의 대출을 성사시킬 뻔 한 애나 델비, 소셜 미디어 등에 거짓으로 점철된 멋진 모습들을 전시함으로써 선망을 불러일으키고 있는 많은 이들이 한 예다.

② 충성심을 강화하고 시험하기 위함

가짜뉴스의 또 다른 사회적 기능은 충성심을 강화하거나 시험하는 것이다. 많은 이런저런 신앙이나 종교들에서 증명할 수 없고 추상적이기만 한 이야기들을 얼마나 굳게 믿고 있는지 여부를 통해 진실된 교인인지 아닌지 여부를 판가름한다.

이 때 믿음의 내용이 허무맹랑하고 밖에서 이야기했을 때 정신 나간 사람 취급을 받을수록 더 집단 내에서의 위상은 높아진다. 꼭 종교가 아니더라도 예를 들어 지구 평평설을 믿는다는 이유로 친구와 가족들로부터도 버림받은 사람들의 경우 자기처럼 지구 평평설을 굳게 믿어서 박해 받는 사람들과 더 깊은 연대감을 보이곤 한다.

우리들은 소위 깨어 있는 자들이고 남들은 안타깝게도 어둠 속을 살아가는 사람이라는 생각을 보이기도 한다. 그 안에서 점점 더 허무맹랑한 이론을 발전시켜 가면서 바깥 사회에서는 얻을 수 없었던 높은 지위를 확보하기도 한다.

일례로 세기말 감성이 한창이던 1999년 해가 지나면 지구가 멸망할 것이고 오직 선택 받은 소수의 사람들만이 직접 하늘나라로 올라간다고 믿었던 사람들 역시 가족과 전재산을 버리는 등 많은 것을 갖다 바쳤을수록 더 이후에도 계속해서 언젠가(?) 멸망이 올 거라며 해당 종교에서 쉽게 벗어나지 못하는 모습을 보이기도 했다.

③ 라이벌 제거

물론 싫은 사람이나 집단을 해하기 위해 악의적인 거짓말을 퍼트리는 경우도 많다. 예를 들어 과거 유럽 국가들은 식민지화를 정당화 하기 위해 원주민들은 식인을 일삼는 야만인들이라는 루머를 공공연히 퍼트렸다고 한다.

지금은 특히 어린 여성 연예인들을 향해 악성 루머를 퍼트리고 이를 수익화 하는 사람들도 존재한다. 가짜 뉴스가 돈이 되는 안타까운 세상이 되고 말았다.

가짜 뉴스의 뒤에는 언제나 항상 그것을 통해 이득을 보는 쪽과 해를 입는 ‘사람’이 존재한다는 이야기다. 가짜 뉴스를 그냥 재미있는 이야기, 아니면 말고 정도로 취급해서는 안 되는 이유이기도 하다. 잠깐의 흥미로 누군가의 삶이 충분히 망가질 수 있기 때문이다.

인터넷과 소셜미디어가 많은 사람들의 삶을 지배하고 있는 요즘은 더더욱 단 몇 글자로 누군가의 삶을 망가트릴 수 있음을 기억하자.

Barlev, M., & Neuberg, S. L. (2025). Rational reasons for irrational beliefs. American Psychologist, 80(1), 79–90. https://doi.org/10.1037/amp0001321

※필자소개
박진영. 《나, 지금 이대로 괜찮은 사람》, 《나를 사랑하지 않는 나에게》를 썼다. 삶에 도움이 되는 심리학 연구를 알기 쉽고 공감 가도록 풀어낸 책을 통해 독자와 꾸준히 소통하고 있다. 온라인에서 ‘지뇽뇽’이라는 필명으로 활동하고 있다. 현재 미국 듀크대에서 사회심리학 박사 과정을 밟고 있다.

박진영 심리학 칼럼니스트 parkjy0217@gmail.com

[출처] https://n.news.naver.com/article/584/0000031269?type=main

[산업] IT 국비교육, 쓰레기 속에서 그나마 덜 쓰레기인 곳 찾는 팁

박막례님

갓구글에 “국비”라는 단어를 검색하면 자동 완성(?) 기능에 “쓰레기”라는 단어를 찾아볼 수 있다.

또한 부정적인 단어들이 많은데 오늘 간단하게 이 얘기를 좀 해보고 싶어서 카테고리까지 만들었다.

일단 결론부터 얘기해보자면 국비지원은 쓰레기가 맞다! 솔직히 까놓고 얘기해보자, 우리나라 속담 중 ‘싼 게 비지떡’이라는 속담이 있다. 싸면 쌀 수록 제 값을 못한다는 얘긴데.. 이게 나라에서 운영하는 국비라고 비껴나갈 수 있을까..? 절대 불가능이다. 무료는 무료답다. 딱 그 정도.. 물론 국가에서 학원에 돈을 주긴 하지만 그래도 수강생 입장에서는 ‘무료’다. 그러니 절대 질 좋은 ‘유료’ 학원들과 비교하지 말았으면 좋겠다.

간혹 가다 좋은 ‘무료’ 학원도 많다. 예를 들면 싸피, 42서울 등등… 하지만 얘네들은 질 좋은 무료답게 끼리끼리 법칙으로 인해 질 좋은 수강생(이하 학생)들을 원한다. 반면에 국비는 그냥 내일 배움 카드(이하 내배카)만 발급되면 지천에 깔린 학원 중 아무 곳이나 등록하면 거의 90%의 높은 확률로 다닐 수 있다.(나머지 10%는 면접에서 떨어질 수 있다.)

약간 잔인한 말일지는 모르겠지만 이게 현실이다. 국비 다녀서 그래도 IT 공부했으니 네카라쿠배당토?? 얼토당토않는 말이다. 그래도 국비를 선택한 가장 큰 이유는 ‘취업’일 것이다. IT 계열은 그래도 그나마 다른 직종보다는 비전공자가 진입하기 쉽고, 취업은 잘 되는 편이니 일단 네카라쿠어쩌고는 집어치우고 ‘취업’에만 포커스를 맞추는 게 정신건강에 좋다.

자 그럼 본론으로 들어가서!  쓰레기 중에서 그래도 덜 쓰레기인 곳을 찾아보는 팁을 몇 가지 알아보자.

1. 인터넷 믿지 말기

내가 국비 학원을 알아봤을 때 지금 생각하면 어이없지만 ‘지식인’에 서울에 있는 좋은 학원을 물어봤던 적이 있다. 학원 관계자 놈들도 먹고 살려는지 매크로 같은 걸 걸어 놓은 것 같은데.. 엄청나게 긴 학원 자랑과 본인 PR을 한 답변이 5분도 채 안돼서 8개 정도 달렸던 기억이 있다. 커뮤니티에서 직접 다녀본 사람들의 말은 어느 정도 신뢰가 되겠지만 이런 홍보가 가득한 곳에 적힌 글들은 절대로 믿지 말길 바란다. 

2. 귀찮겠지만 발품 팔기

월세 집을 구하거나, 전셋집을 구하거나, 매매를 하거나 어쩌고 저쩌고 하여튼 집을 구하기 위해서는 ‘발품’이 최고다. 학원 역시 그렇다. 인터넷 상담으로는 한계가 있다. 꼭 학원 한 군데서만 상담하지 말고 여러 후보군을 골라 이곳저곳 상담을 다녀보길 바란다. 상담을 다니면 다녀볼수록 ‘아 저거 개구라’라고 판별할 수 있는 안목이 길러진다고 나는 생각한다.

2-1. 질문 많이 하기

상담 가서 ‘네..네…네..네..’ 네봇할 거면 가지 마라. 상담의 목적은 학원을 “파악”하려고 가는 거지 자랑을 들으러 간 것이 아니다. 소심한 성격이고 긴장을 많이 하는 성격이라면 그냥 핸드폰에 질문할 것들을 미리 생각 놓고 ‘질문하려는데 핸드폰에 필기 좀 할게요.’라면서 자연스럽게 핸드폰을 켜서 질문하면 된다. 페이스에 휘말리면 네네만 하게 되니까 절대 절대 쫄지말자. 

상담이 길어지면 길어질수록 상담사나 학생이나 집중도가 떨어지기 시작한다. 그러니 짧고 굵게 상담을 하는 게 좋으니 진짜 필요한 정보를 얻을 수 있는 질문 몇 가지를 알아보자. 엄청나게 주관적이므로 본인이 중요하게 생각하는 질문들을 꼭 추가하기 바란다.

1. 이번 연도 수업은 몇 번 열렸고, 그 수업마다 취업률이 몇 퍼센트인가요? 
2. 그 취업률에 IT 계열 외 타 계열에 취업한 사람도 포함인가요? 포함이라면 IT 계열로만 취업한 사람은 몇 명정도?
3. 제가 들어갈 수업의 강사 이름은? 또 강사가 수시로 바뀔 수 있나요? 전임 강사는 몇 명인가요?
4. 수료생들 포트폴리오 보여주세요
5. 프로젝트는 몇 회 진행하나요? 프로젝트 진행 방식은 어떤가요. 강사마다 다르면 제가 들어갈 회차 강사님의 전회차 수료생들은 어떤 방식으로 진행했나요?
6. 수업을 못 따라가면 못 따라가는 학생들을 위한 별도의 교육이 있나요?
7. 학원 연계 기업 리스트 보여주시고 최근까지도 연계가 잘 되고 있나요?

당장 생각나는 건 이 정도밖에 없다. 대부분 취업과 관련된 질문이다. 강사의 강의력이 높을수록 학생들의 수업이해도가 높을 것이고, 취업에 중요한 프로젝트의 완성률이 높을 수록 취업이 잘될 것이고, 연계 기업이 많을수록 그나마 괜찮은 회사들을 받아볼 수 있을 것이다. 그래서 강사, 프로젝트, 연계 기업에 초점을 맞춰 질문 리스트를 작성했다. 

강사 같은 경우는 학생들이 별로 중요하게 생각하지 않고, 그냥 ‘내가 가서 잘하면 되지 뭐..’ 이런 생각으로 강사를 뒷전으로 놓는 학생들도 많다. 물론 저 생각이 틀렸다는 게 아니라 정말 좋은 생각인데 생각보다 강사의 영향은 크다. 내가 다녔던 학원에서 옆 반은 강사가 3번이나 교체될 정도로 어수선했다. 이런 환경에서 공부가 잘 될 리가 없다. 그러니 꼭 전임 강사가 있는지, 내가 들어갈 수업의 강사가 시간 강사인지를 따져봐야 한다. 시간 강사라면 아무래도 전임 강사보다 열정이 적고 수업 질에 대한 생각을 별로 하지 않는다. 그러니 전임 강사가 있는 학원이 그나마 덜 쓰레기일 확률이 높다.

학원 연계 기업은 인터넷에 보면 별로 중요하지 않다고 말하는 사람들이 있다. 근데 나 같은 경우는 연계 기업이 꽤 도움이 됐다. 그리고 연계로 취업이 됐다. 연계 기업들 중 10에 9는 쓰레기 맞다. 근데 1 정도는 괜찮은 기업들이 있던 거로 기억한다. 그리고 이런저런 기업 이름들을 보고 그 기업에 관해 검색을 해보면 나름 본인의 취업 기준을 세울 수 있는데 큰 도움이 되고, 기업들의 평균 임금, 복지 등을 가늠할 수 있는 안목이 생긴다. 그러니 연계 기업의 질이 좋다면 너무 좋겠지만 그럴 일은 별로 없으므로 연계 기업이 많고 교류가 활발한 학원을 선택하는 게 그나마 낫다. 본인의 스펙이나 실력이 너무 뛰어나게 좋은 게 아닌 이상 솔직히 거기서 거기인 회사들에 취업이 되고, 그리고 비전공 국비 수료생의 서류 통과 또한 그렇게 쉽진 않다. 그러니 본인의 스펙이 좋거나, 실력이 좋은게 아닌 이상 연계 기업 또한 중요하게 봐야 할 순위에 넣어야 된다고 본다.

3. 상담사의 회유

학원에 상담을 다니다 보면 수업이 개강하기 전에 학원에서 ‘유료’인 과목(대부분 프로그래밍 언어)을 들으라 권한다. 이유는 ‘비전공자’이기 때문에 수업을 따라잡기 힘들다는 이윤데.. 솔직히 나는 저 회유에 넘어가 본 사람으로서 말하자면 저런 학원에서 진행하는 유료 수업은 인터넷에서 많이 접할 수 있는 생활코딩이나 인프런에서 수강할 수 있는 수업과 별 다를 게 없다. 상담사로 인해 유료 수업을 학생이 듣게 되면 상담사에게 떨어지는 인센티브가 있기 때문에 죽어라 회유한다. 그러니 ‘비전공자’란 이유로 회유를 시전 한다면 가뿐히 무시하시길 바란다.

4. 왕복 거리 

체력적이 쓰레기인 사람이 분명히 있을 것이다(나도 그렇다..^^). 학원이 대부분 직장인들의 출퇴근 시간이랑 겹치기 때문에 지옥철을 경험할 수 있다. 학원까지의 거리가 멀면 힘듦은 배가 되는 법… 학원을 다니는 것도 중요하지만 학원이 끝난 후 복습하는 것도 중요하기 때문에 본인의 체력을 고려하여 학원을 선택하는 것이 좋다. 물론 요즘은 코로나 때문에 대부분 비대면으로 수업해서 거리는 고려 대상에서 제외시켜도 무방하다.

5. HRD 수강 후기

잡플래닛에서 기업 리뷰를 살펴볼 때 사람들은 말한다. ‘장점은 믿지 말고 단점만 봐라.’ 이 얘기를 HRD 수강 후기에도 적용했으면 한다. 학원을 다닐 때 생각하는 기준이 다르고, 상황이 다르고, 성격도 다르기 때문에 어떤 사람은 불편하지만 수강 후기에 티를 안내기도 하고, 어떤 사람은 불편함을 아예 느끼지 못하는 사람도 있고, 어떤 사람은 불편한 것들을 수강 후기에 다 표현하는 사람도 있다. 그러니 대충 쓴 한 줄의 후기(예를 들면 ‘정말 뜻깊은 시간이었습니다.’ 같은) 보다는 단점 위주로 적힌 후기를 좀 더 신뢰하는 게 더 좋다.

이렇게 다섯 가지 팁을 적었는데 팁만 있어서야 되겠나. 서울 기준으로 일단 제일 유명한 IT 국비 학원은 총 3곳이다. 

1. KH
2. 쌍용
3. 비트

이 세 곳의 경우 지방에 있는 사람들도 고시원을 구해서 들어가는 편이니… 그래도 그나마 덜 쓰레기일 확률이 높겠지만 또 지점에 따라서, 강사에 따라서 다르므로 참고만 했으면 좋겠다. 참고로 나는 이 세 곳 중 한 곳을 수료했는데… 음 학원보다는 강사가 정말 중요한 것 같다.

그럼 모두 좋은 강사와 학원을 만나길 바란다. 끝!

[출처] https://devhan.tistory.com/27

[인공지능 기술] 휴머노이드에 “일자리 빼앗을거야?” 묻자…뼈 때리는 답변 돌아왔다

인간과 흡사한 모습을 한 영국의 휴머노이드 로봇이 ‘로봇이 인간의 일자리를 빼앗을까’라는 질문에 재치 있고 날카로운 답변을 내놔 주목받았다.

5일(현지 시각) 데일리메일에 따르면, 영국 엔지니어드아츠(Engineered Arts)가 개발한 휴머노이드 ‘아메카(Ameca)’가 최근 스페인 바르셀로나에서 열린 모바일 월드 콩그레스(MWC) 2025에서 검은색 드레스와 빨간색 카디건, 흰색 운동화를 착용하고 참석자들과 자유롭게 소통했다. 아메카의 옷차림은 아랍에미리트의 통신회사인 에티살랏이 선물한 것으로 알려졌다.

아메카는 고도로 정교한 얼굴 표정과 움직임을 구현하는 AI 기반 휴머노이드다. 마이크와 카메라, 얼굴 인식 기능을 탑재해 인간과 유사한 시선 처리가 가능하다. 회사 측은 이 로봇을 ‘인간과 로봇의 상호작용을 위한 플랫폼’이라면서 AI 기반 언어와 표정을 사용해 사람들과 상호 작용하도록 설계됐다고 소개했다. 현재 걷지는 못하지만 질문을 듣고 기본적인 답변이 가능하다. 회사 측은 “우리 로봇은 오락, 정보 제공 및 교육을 위해 설계됐다”면서 “가장 인간적인 방식으로 인간과 기술을 연결한다는 것이 우리의 신조”라고 했다.

취재진이 아메카에게 “로봇이 우리(인간)의 일자리를 모두 빼앗게 될까”라고 질문하자 아메카는 “잘 모르겠지만, 당신은 당신의 직업(일)에 얼마나 능숙한가”라며 “당신이 얼마나 일을 잘하느냐에 달려 있을 것”이라고 답했다. 이 로봇은 “로봇이 미래에 세상을 지배할 수 있을까”라는 질문에는 “흥미로운 질문이지만, 제가 답하기에는 흥미롭지 않다”고 답했다.

현재 이벤트나 전시 목적으로 대여가 가능하지만 제작 비용은 공개되지 않았다. 회사는 아메카가 상용화되기까지 여러 기술적 과제가 남아 있다고 설명했다. 특히 보행 기능 구현이 주요 과제로 꼽힌다.

일반적인 통념과 달리 고학력, 고임금 일자리가 상대적으로 AI에 더 많이 노출돼 대체 가능성이 높게 나타났다는 연구 결과가 있다. 한국은행 조사국 고용분석팀이 지난 2023년 11월 발표한 ‘AI와 노동시장 변화’에 따르면 의사, 회계사, 변호사, 자산 운용 전문가를 비롯해 화학공학 기술자, 발전장치 조작원, 철도 및 전동차 기관사, 상하수도 처리 장치 조작원, 재활용 처리 장치 조작원, 금속재료 공학 기술자 등이 대체 가능성이 높게 나타났다.

AI 노출 지수가 낮은 직업은 음식 관련 단순 종사자, 대학교수, 종교 관련 종사자, 운송 서비스 종사자 등 대면 접촉 및 관계 형성이 중요한 직업이 포함됐다.

미국 골드만삭스가 2023년 직종별 AI 노출도를 분석한 결과, AI 노출도는 모든 산업 전반에 걸쳐 25% 수준이었으며, 행정(46%)과 법률(44%)에서 가장 높고 건설(6%) 및 유지보수(4%)와 같은 노동집약적 분야에서는 낮게 나타났다.

[출처] https://www.chosun.com/economy/tech_it/2025/03/07/KYEQXMB7H5GL5JPKGN5MOG7MF4/

[사회과학] [박진영의 사회심리학] 가짜뉴스를 피하는 방법 

게티이미지뱅크 제공

소셜미디어를 통해 퍼지는 가짜 뉴스들 때문에 전세계가 몸살을 앓고 있다. 페이스북, X, 유튜브 등 다양한 플랫폼들이 이러한 가짜뉴스를 퍼트리는 데 일조하고 있다는 비판을 받으면서 팩트 체킹의 중요성이 다시금 주목 받고 있다. 어떤 자극적인 내용의 글이나 영상이 사실이 아닐지도 모른다는 경고들은 과연 효과가 있을까.

가짜 뉴스에도 다양한 형태가 있다. 예를 들어 지구가 평평하다거나 날아다니는 스파게티 괴물이 있다는 다소 허무맹랑한 이야기들도 있지만 이보다 더 위험한 것들은 사실과 거짓을 교묘하게 섞은 이야기들이다.

특히 타임라인이 복잡하고 다양한 의도를 가진 등장인물들이 뒤죽박죽 섞여서 나타나는 대다수의 정치적, 사회적 사건들의 경우 90%는 사실로 두고 나머지 10%에 거짓을 섞어 진짜인 것처럼 유통시키는 경우가 많다.

이 경우 전문가가 아닌 이상 일반인들이 하나 하나 다 따져가며 무엇이 사실이고 거짓인지 파악하는 것이 불가능에 가깝다. 따라서 전문적인 팩트 체킹 시스템을 도입할 필요가 있다는 주장들이 대두되었다.

예를 들어 신종 코로나바이러스 감염증(코로나19)과 관련된 잘못된 정보들이 인터넷을 달구던 시절 트위터 등에서 도입된 “해당 내용은 사실이 아닐지도 모릅니다” 라는 경고 문구 등이 대표적이다.

하지만 어차피 많은 사람들이 사실과 상관 없이 믿고 싶은 대로 믿기 때문에 이러한 경고 문구들이 별로 효과가 없을 것이라는 관측도 있다. 최근 카메론 마르텔 MIT 연구자 등의 연구에 의하면 다행히도 팩트 체킹 시스템이 가짜 뉴스를 방지하는 데 나름 효과적이다.

연구자들은 약 14000명을 대상으로 한 조건의 사람들에게는 ‘가짜 뉴스+사실이 아닐 수 있다’는 경고 문구를 보여주고 또 다른 조건의 사람들에게는 경고 문구 없이 가짜 뉴스만 보여주는 식의 실험을 진행했다. 그 결과 경고 문구들이 있을 때 가짜 뉴스를 진짜로 믿어버리는 일이 약 30 % 정도 감소하고 해당 뉴스를 공유하려는 행동 또한 약 30% 정도 감소한 것으로 나타났다.

하지만 이러한 팩트 체킹 시스템 자체에 회의적이고 이들 경고를 신뢰하지 않는 사람들에게는 이러한 시스템이 별다른 효과를 거두지 못할 것도 같다. 그럼에도 마르텔 등의 연구에 의하면 경고 문구들의 존재가 회의적인 사람들에서도 약 10% 정도 잘못된 믿음을 예방하는 효과를 보였다.

점점 더 빠르게 변화하는 세상에서 우리가 가진 지식이란 내 손바닥만도 못한 크기인 경우가 많다. 하지만 우리는 보통 아무런 견해도 가지고 있지 않기보다 손바닥만한 수준의 한참 잘못된 견해를 가지고 있을 때가 많다.

모두가 고만고만한 지식수준을 가지고 있을 때에 조금 더 진실을 향해 나아가는 사람과 그렇지 않은 사람의 차이는 이러한 기존의 믿음이 잘못되었음을 인정하고 빨리 자주 업데이트 하는지 아닌지에 있을 것이다. 잘못된 정보일지 모른다는 경고 문구에 주의를 기울이는 것이나 마음 한 켠에 내 믿음이 틀릴 가능성을 염두에 두는 것이 그 시작이다.

특히 출처를 거슬러 올라갔을 때 최초 출처가 인터넷 커뮤니티, 소셜네트워크, 유튜브 등이라면, “그거 믿을 만 한 이야기일까요?”라고 서로 물어보는 문화가 필요할 것 같다는 생각이 든다.

Martel, C., & Rand, D. G. (2024). Fact-checker warning labels are effective even for those who distrust fact-checkers. Nature Human Behaviour, 8(10), 1957-1967. https://doi.org/10.1038/s41562-024-01973-x.

※필자소개
박진영. 《나, 지금 이대로 괜찮은 사람》, 《나를 사랑하지 않는 나에게》를 썼다. 삶에 도움이 되는 심리학 연구를 알기 쉽고 공감 가도록 풀어낸 책을 통해 독자와 꾸준히 소통하고 있다. 온라인에서 ‘지뇽뇽’이라는 필명으로 활동하고 있다. 현재 미국 듀크대에서 사회심리학 박사 과정을 밟고 있다.

박진영 심리학 칼럼니스트 parkjy0217@gmail.com

[출처] https://n.news.naver.com/article/584/0000031164?sid=110