인문사회과학에서 기계학습의 필요성과 활용 방향
주요 내용 미리보기
인문사회과학에서 기계학습은 비정형 자료 처리, 예측과 설명의 결합, 이질적 효과 탐색, LLM 활용 등의 방법론적 보완재로서 활용 범위가 빠르게 확대
STM·word embedding·causal forest·컴퓨터 비전·LLM 등 다양한 기법이 텍스트·이미지·공간 자료를 사회과학적 변수로 전환하는 구체적 사례들로 그 효용이 입증
기계학습 적용 시에는 측정 타당도, 표본 편향, 예측 목표의 규범적 적절성, 재현성, 윤리성에 대한 체계적 검증이 반드시 병행되어야 함
1. 들어가며
인문사회과학에서 기계학습(machine learning)은 대규모 비정형 자료를 측정하고, 예측 가능성의 한계를 검증하며, 이질적 효과와 숨은 패턴을 발견하게 해주는 방법론적 보완재입니다.
인문사회과학에서 기계학습이 필요한 이유는,
첫째, 디지털 텍스트·이미지·음성·네트워크·행동 로그처럼 기존 설문·면접·통계표로 다루기 어려운 자료가 연구의 핵심 자료가 되었기 때문입니다.
둘째, 담론, 정서, 문화적 의미, 도시환경, 사회적 지위, 정치 성향 같은 추상적 개념을 대규모 자료로부터 측정 변수로 변환할 수 있기 때문입니다.
셋째, 사회현상에 대한 ‘설명’뿐 아니라 얼마나 ‘예측’ 가능한지가 중요한 연구문제가 되었기 때문입니다.
넷째, 평균 효과만이 아니라 집단·맥락별 이질적 효과를 탐색할 수 있기 때문입니다. [Molina, M., & Garip, F (2019)]
마지막으로, 최근에는 대규모 언어모델(LLM)이 텍스트 코딩, 가설 생성, 실험 설계, 시뮬레이션, 문헌 탐색 등의 보조 도구로 활용되고 있습니다.
아울러 기계학습을 사용할 때에는 측정 타당도, 표본 편향, 재현성, 해석 가능성, 공정성, 윤리성을 함께 검증해야 한다는 논의도 활발하게 이루어지고 있습니다. 특히 사회과학 자료는 사람과 제도, 권력관계 등이 포함된 자료이므로, 단순 정확도보다 “무엇을 예측했는가”, “그 예측값이 어떤 사회적 대리변수인가”와 같은 문제가 중요합니다. [Lazer, D. M., Pentland, A., Wa... (2020)]