📈 economics

Information, entropy and the paradox of choice: A model for understanding human choice behavior

이 논문은 상대 엔트로피와 유효 정보에 기반한 정량적 프레임워크를 통해 '선택의 역설'을 설명하며, 적절한 선택지가 유효 정보를 극대화하는 반면 과도한 대안은 인지적 불확실성을 유발하기 때문에 만족도가 선택지 크기에 대해 역 U자형 곡선을 따른다는 것을 입증한다.

원저자: Mojtaba Madadi Asl, Kamal Hajian, Saeideh Ramezani Akbarabadi, Rouzbeh Torabi, Mehdi Sadeghi

게시일 2026-07-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mojtaba Madadi Asl, Kamal Hajian, Saeideh Ramezani Akbarabadi, Rouzbeh Torabi, Mehdi Sadeghi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

너무 많은 선택의 과학

당신이 거대한 도서관에 서 있다고 상상해 보세요. 만약 선반에 책이 단 한 권뿐이라면, 당신에게는 선택권이 전혀 없습니다. 만약 백 권의 책이 있다면, 당신은 가장 좋아하는 책을 고를 수 있습니다. 하지만 만약 백만 권의 책이 있다면 어떨까요? 갑자기, 엄청난 양의 선택지 때문에 당신은 마비되거나, 불안해지거나, 혹은 결국 무엇을 고르더라도 그냥 불만족스러워질 수도 있습니다. 이러한 느낌을 "선택의 과부하" 또는 "선택의 역설"이라고 하며, 이는 심리학자와 경제학자들이 수년간 연구해 온 현상입니다. 이는 선택지가 있는 것이 일반적으로는 좋지만, 너무 많은 선택지는 오히려 역효과를 내어 우리가 내린 결정에 대한 만족도를 떨어뜨릴 수 있음을 시사합니다.

왜 이런 일이 발생하는지 이해하기 위해, 과학자들은 종종 두 가지 큰 개념인 **정보(information)**와 **엔트로피(entropy)**를 살펴봅니다. "정보"를 당신이 원하는 것에 대해 가진 명확함이라고 생각해 보세요. 당신이 어떤 책을 사랑하는지 정확히 알고 있다면, 당신은 높은 정보를 가지고 있는 것입니다. "엔트로피"는 혼돈이나 혼란을 뜻하는 멋진 단어입니다. 만약 당신이 완전히 갈피를 못 잡고 있고 모든 책이 똑같아 보인다면, 당신의 혼란(엔트로피)은 최대치에 달합니다. 이란과 터키의 기관 연구진들이 작성한 이 논문은 이러한 개념들과 우리의 행복감 사이의 수학적 가교를 구축하고자 합니다. 그들은 질문합니다. "우리가 선택할 때 느끼는 '정신적 명확함'을 측정할 수 있는가, 그리고 그 명확함이 왜 어떤 선택에는 기분이 좋고 어떤 선택에는 최악인지를 설명해 주는가?"

논문의 핵심 아이디어: 선택의 골디락스 존(Goldilocks Zone)

연구진은 **유효 정보(effective information)**라고 부르는 개념을 사용하여 의사결정을 바라보는 새로운 방식을 제안합니다. 당신의 뇌가 미스터리를 풀려는 탐정이라고 상상해 보세요. "유효 정보"는 당신의 뇌가 사건을 해결하기 위해 성공적으로 수집한 유용한 단서의 양입니다. 만약 용의자가 매우 적다면(작은 선택 집합), 범인을 찾기는 쉽지만 진짜 범인을 놓쳤을까 봐 걱정될 수 있습니다. 만약 용의자가 수백만 명이라면(거대한 선택 집합), 단서들은 흐릿해지고 당신의 뇌는 압도되어 무작위로 추측하기 시작합니다.

이 논문은 선택에 대한 우리의 만족도가 우리의 선호도가 완전한 혼란 상태로부터 얼마나 두드러지게 나타나는지에 달려 있다고 제안합니다. 완전히 혼란스러울 때, 모든 옵션은 동일하게 느껴지며(주사위를 던지는 것처럼), 이때 당신의 만족도는 낮습니다. 반면 강한 선호도를 가지고 있다면, 하나의 옵션이 다른 옵션들보다 훨씬 더 가능성 있게 느껴지며, 이때 당신의 만족도는 높습니다. 연구진은 이를 테스트하기 위해 컴퓨터 모델을 구축했습니다. 그들은 몇 개에서 수십 개에 이르는 옵션 세트 중에서 선택하는 사람을 시뮬레이션했습니다. 그들은 옵션의 수가 늘어남에 따라, 자신이 가장 좋아하는 항목을 나머지 항목들과 구별해내는 사람의 능력이 결국 한계에 부딪힌다는 것을 발견했습니다.

주요 발견: 연구는 만족도가 **역 U자형(inverted U-shape)**을 따른다는 것을 확인했습니다.

작은 집합: 선택지가 적어서 완벽한 짝을 놓칠 수도 있습니다. 만족도는 괜찮지만 아주 높지는 않습니다.
중간 규모의 집합: 정말 좋아하는 것을 찾기에 충분한 옵션이 있으면서도, 당신의 뇌가 여전히 비교를 감당할 수 있는 수준입니다. 이것이 만족도가 정점에 달하는 "스윗 스팟(sweet spot)"입니다.
큰 집합: 너무 많은 옵션이 있어서 뇌가 지칩니다. 당신은 모든 추가적인 옵션들을 마치 모두 동일한 것처럼 취급하기 시작하며(무작위 추측), 이로 인해 "유효 정보"가 떨어집니다. 만족도는 하락합니다.

연구진은 이것이 단순한 컴퓨터 게임이 아님을 증명하기 위해 실제 실험을 진행했습니다. 그들은 240명의 학생에게 세라믹 머그컵 사진을 보여주었습니다. 학생들을 여섯 그룹으로 나누어 각 그룹에 선택할 수 있는 머그컵의 개수를 다르게 주었습니다: 4, 8, 12, 16, 20, 또는 24개.

결과는 그들의 이론과 완벽하게 일치했습니다.

학생들이 4개의 머그컵을 가졌을 때, 그들은 다소 제한적이라고 느꼈습니다.
학생들이 12개의 머그컵을 가졌을 때, 그들은 가장 행복했습니다. 그들은 머리가 아프지 않으면서도 자신만의 완벽한 머그컵을 찾았다고 느꼈습니다.
학생들이 24개의 머그컵을 가졌을 때, 그들은 더 많은 옵션을 가졌음에도 불구하고 압도되고 혼란스러우며, 선택에 대한 만족도가 낮아졌습니다.

데이터는 머그컵의 수가 증가함에 따라 학생들이 느끼는 "압도됨"과 "혼란"이 증가했음을 보여주었습니다. 그들의 뇌는 본질적으로 추가된 머그컵들을 구별하는 것을 포기하고, 그것들을 모두 동일한 확률의 흐릿한 덩어리로 취급했습니다. 모델은 "유효 정보"(선택의 명확함)가 12개의 옵션 근처에서 정점을 찍고 다시 떨어진다는 것을 계산했습니다. 실제로 연구진이 모델의 예측값에 곡선을 맞추었을 때, 만족도가 정점에 도달하는 지점은 13.39개의 옵션으로 나왔으며, 이는 학생들이 실제로 가장 행복하다고 보고한 12개의 옵션과 매우 유사합니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

이 논문은 인간의 행복에 대한 미스터리를 영원히 풀었다고 주장하는 것이 아닙니다. 대신, "선택의 역설"은 우리 뇌가 한 번에 처리할 수 있는 정보량에 한계가 있기 때문에 발생한다는 점을 시사합니다. 그 한계를 넘어서면, 우리는 스마트하고 정보에 기반한 선택을 하는 것이 아니라 무작위적인 선택을 하기 시작하며, 이는 만족도를 떨어뜨립니다.

저자들은 이것이 일반적인 패턴임을 주의 깊게 언급합니다. 그들은 "완벽한" 선택지의 숫자가 모든 사람에게 동일하지는 않다고 제안합니다. 그것은 당신이 얼마나 똑똑한지, 시간이 얼마나 있는지, 그리고 아이템이 얼마나 복잡한지에 달려 있습니다. 예를 들어, 커피 전문가라면 초보자보다 20가지 종류의 커피를 더 잘 다룰 수 있습니다. 하지만 인구 전체를 대상으로 평균을 냈을 때, 이 연구는 더 많은 것이 항상 더 나은 것은 아니다라고 제안합니다.

또한 연구진은 자신들의 모델이 단순화된 형태라는 점을 지적합니다. 모델은 우리가 압도당할 때, 추가된 옵션들을 모두 동일한 것으로 취급한다고 가정합니다. 현실에서 우리는 비싼 것을 무시하거나 가장 사진이 예쁜 것을 고르는 것과 같은 요령을 사용할 수도 있습니다. 하지만 이러한 단순화에도 불구하고, 모델은 실험에서 학생들이 느꼈던 행복과 혼란의 정확한 곡선을 성공적으로 재현해 냈습니다.

그러므로 다음에 50가지 종류의 파스타 메뉴를 보며 스트레스를 받고 있다면, 기억하세요. 그것은 당신만의 문제가 아닙니다. 당신의 뇌는 너무 많은 정보를 처리하려다 보니, 행복을 느끼는 데 필요한 "유효 정보"를 잃어가고 있는 것입니다. 때로는 작은 메뉴가 제약이 아니라, 당신이 식사를 즐길 수 있게 해주는 선물일 수 있습니다.

기술 요약: 정보, 엔트로피, 그리고 선택의 역설

문제 제기
본 논문은 선택지의 과잉이 효용의 증가가 아닌 의사결정 만족도의 저하로 이어지는 현상인 '선택의 역설(paradox of choice)' 또는 '선택 과부하(choice overload)'를 다룬다. 행동 과학적 증거는 선택 집합의 크기와 만족도 사이의 역 U자형 관계(만족도가 중간 정도의 선택지 수에서 정점을 찍고 선택지가 증가함에 따라 감소하는 현상)를 일관되까지 보여주지만, 정보 처리와 이러한 주관적 경험을 연결하는 정량적 프레임워크는 여전히 미비한 상태이다. 기존 모델들은 이익과 비용 사이의 질적인 트레이드오프에 의존하는 경우가 많으며, 선택 집합의 크기에 따른 일반적인 비단조적(non-monotonic) 의존성을 설명할 수 있는 엄밀한 정보 이론적 근기(basis)가 부족하다.

방법론
저자들은 정보 이론, 특히 **샤논 엔트로피(Shannon entropy)**와 **상대 엔트로피(relative entropy, Kullback-Leibler divergence)**를 활용한 이론적 프레임워크를 제안한다.

이론적 모델:
- 선호 표현: $N$ 개의 선택지로 구성된 선택 집합 내에서의 개인적 선호를 소프트맥스(softmax) 함수를 통해 도출된 확률 분포 $P = \{p_1, p_2, ..., p_N\}$ 로 모델링한다.
- 기준 상태(Baseline State): 모든 옵션이 동일한 확률을 갖는( $p_i = 1/N$ ) '무차별(indifference)' 상태를 정의하며, 이는 최대 샤논 엔트로피( $H_{max} = \log_2 N$ )와 최소 만족도에 해당한다.
- 유효 정보(Effective Information, $I$ ): 저자들은 선택 만족도를 유효 정보로 정의하며, 이를 관찰된 선택 분포( $P'$ )와 기준 무차별 분포( $P$ ) 사이의 상대 엔트로피로 정량화한다. 수학적으로 $I = H_{max} - H_{obs}$ 이며, 여기서 $H_{obs}$ 는 개인의 선호에 따른 관찰된 엔트로피이다.
- 최적 집합 크기( $m$ ): 모델은 개인이 효과적으로 평가할 수 있는 대안의 최대 개수를 나타내는 인지적 제약 파라미터 $m$ $m$ 을 도입한다.
  - $N \leq m$ 인 경우: 개인은 옵션 간의 차이를 식별할 수 있으므로, 비균등 분포( $H_{obs} < H_{max}$ )가 나타난다. $N$ 이 증가함에 따라 $H_{max}$ 가 $H_{obs}$ 보다 더 빠르게 성장하여 $I$ (만족도)가 상승한다.
  - $N > m$ 인 경우: 인지적 한계로 인해 완전한 평가가 불가능해진다. 모델은 처리되지 않은 옵션들( $s = N - m$ )이 동일한 확률을 할당받는 것(놓친 선택지들)으로 가정하며, 이로 인해 분포는 더욱 균등해진다. 결과적으로 $H_{obs}$ 가 $H_{max}$ 에 근접하게 되어 $I$ 가 감소한다.
- 시뮬레이션: 모델은 확률 분포를 시뮬레이션하고 유효 정보를 계산하기 위해 C++11을 사용하여 구현되었다.
행동 실험:
- 참가자: 240명의 학생을 6개 그룹( $N=4, 8, 12, 16, 20, 24$ )으로 나누었다.
- 과업: 참가자들은 다양한 디자인/색상의 세라믹 머그컵을 7점 리커트 척도로 평가하였다.
- 측정 항목:
  - 설문 1: 평점은 모델의 입력값으로 계산하기 위해 선택 확률로 변환되었다.
  - 설문 2: 4가지 리커트 척도 항목을 통해 인지된 풍요로움, 압도감, 혼란, 그리고 선택 만족도(구체적으로: "만약 내가 머그컵 하나를 산다면, 나의 첫 번째 우선순위를 선택했을 것이다")를 측정하였다.
  - 분석: 설문 응답에 대해 통계적 비교(ANOVA, t-test)를 수행하였다.

주요 기여

만족도에 대한 정량적 지표: 본 논문은 유효 정보(무차별 상태에 대한 불확실성의 감소량)를 선택 만족도를 위한 견고하고 정량적인 지표로 도입한다.
메커니즘적 설명: 역 U자형 관계에 대한 원리적인 도출을 제공한다. 모델은 만족도가 비단조적인 이유가 더 많은 옵션을 가짐으로써 얻는 정보적 이득( $H_{max}$ 의 증가)과 인지적 비용(놓친 선택지로 인해 $H_{obs}$ 가 $H_{max}$ 에 가까워지는 현상) 사이의 균형임을 입증한다.
경험적 검증: 연구는 이론적 프레임워크를 행동 데이터와 대조하여 검증하였으며, 참가자의 평점으로부터 도출된 유효 정보가 관찰된 주관적 만족도의 역 U자형 패턴과 밀접하게 일치함을 보여준다.

결과

실험적 결과:
- 인지된 풍요로움, 압도감, 혼란은 선택 집합의 크기에 따라 단조 증가하였다.
- 선택 만족도는 집합 크기에 따라 유의미한 역 U자형 의존성을 보였다 ( $F(5, 234) = 7.13, p < 0.001$ ). 만족도는 $N=24$ 및 $N=4$ 와 비교했을 때 $N=12$ 에서 유의미하게 높았다.
모델 성능:
- 모델은 역 U자형 곡선을 성공적으로 재현하였다.
- 모델의 유효 정보 예측값에 대한 이차 함수 적합(quadratic fit) 결과 결정 계수 $R^2 = 0.947$ 을 얻었다.
- 모델은 $N^* \approx 13.39$ 에서 정점 만족도를 예측하였으며, 이는 실험적 정점인 $N=12$ 와 밀접하게 일치한다.
- 분석 결과, 선택 확률의 구조(특히 인지적 한계로 인해 큰 집합에서 나타나는 균등화 경향)가 만족도 곡선의 핵심 결정 요인임을 확인하였다.

의의 및 주장
본 논문은 주관적 만족도를 선호의 정보 구조와 직접 연결함으로써 선택의 역설에 대한 "원리적인 이론적 설명"을 제공한다고 주장한다.

이론적 가치: 질적인 트레이드오프 모델을 넘어, 만족도를 무차별 상태로부터의 차별화 능력으로 정의하는 수학적 프레임워크를 제공한다.
일반화 가능성: 이 프레임워크는 소비자 제품에서 삶의 결정에 이르기까지 다양한 영역에 적용 가능한 일반적인 메커니즘으로 제시되며, 역 U자형 형태가 이질적인 인지적 제약으로부터 발생하는 인구 집단 수준의 경향성임을 시사한다.
실무적 시사점: 저자들은 연구 결과가 의사결정 환경을 다양성을 극대화하는 방향이 아니라, 개인의 처리 능력 범위 내에서 효과적인 비교를 용이하게 하도록 정보를 구조화하는 방향으로 최적화해야 함을 시사한다고 제안한다.
한계 인정: 저자들은 모델이 최적 집합 크기( $m$ )를 동적으로 발생하는 것이 아닌 고정된 파라미터로 취급한다는 점, 다차원적 속성을 무시한 단순화된 대안 표현을 가정한다는 점, 그리고 현재 물리적 환경과 온라인 환경을 구분하지 않는다는 점 등 한계를 명시하며 모델의 제한점을 인정한다. 그들은 이 모델을 풍부한 대안이 존재하는 환경을 이해하기 위한 간결한 출발점으로 규정한다.

너무 많은 선택의 과학

논문의 핵심 아이디어: 선택의 골디락스 존(Goldilocks Zone)

이것이 의미하는 바 (그리고 의미하지 않는 것)

유사한 논문