🔬 physics

Understanding friendship formation with explainable machine learning

이 논문은 설명 가능한 기계학습 (EBM) 을 활용하여 3,395 명 학생들의 사회적 관계 형성 메커니즘을 분석한 결과, 국소적 네트워크 구조가 관계 형성의 주된 동인이지만 약하고 구조적으로 덜 통합된 관계에서는 개인적 특성이 일부 역할을 한다는 계층적 관점을 제시합니다.

원저자: María Pereda

게시일 2026-03-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: María Pereda

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

이 논문은 "우리가 친구를 사귀거나 원수 될 때, 그건 내 성격 때문일까, 아니면 주변 환경 때문일까?" 라는 오래된 질문에 대해 인공지능 (AI) 을 이용해 답을 찾은 연구입니다.

연구팀은 3,395 명의 고등학생 데이터를 분석하기 위해 **'설명 가능한 머신러닝 (EBM)'**이라는 특별한 도구를 사용했습니다. 이 도구는 단순히 "정답을 맞히는 것"을 넘어, **"왜 그 정답을 냈는지 그 이유를 인간이 이해할 수 있게 설명"**해줍니다.

이 복잡한 연구를 일상적인 비유로 쉽게 풀어보겠습니다.

🍎 핵심 비유: "친구 사귀기"는 어떤 게임일까?

이 연구를 한 마디로 요약하면 다음과 같습니다.
"친구 관계의 99% 는 '주변의 분위기 (삼각형 구조)'가 결정하지만, 아주 드문 경우 (0.24%) 에만 '내 성격'이 결정권을 잡는다."

1. 주역은 '삼각형의 힘' (Triadic Influence)

연구에서 가장 큰 발견은 **'삼각형의 힘'**이 압도적으로 중요하다는 것입니다.

비유: imagine (상상해 보세요) 학교 복도에 A, B, C 세 명이 있다고 칩시다.
- A 가 B 를 좋아하고, B 가 C 를 좋아하면, A 는 C 를 좋아할 가능성이 매우 높습니다. (A-B-C 연결)
- 반대로 A 가 B 를 싫어하고, B 가 C 를 좋아하면, A 는 C 를 싫어하게 됩니다.
연구 결과: 이 'A-B-C' 같은 **간접적인 연결고리 (삼각형 구조)**가 얼마나 잘 맞춰져 있는지가 친구 관계를 예측하는 데 가장 큰 영향을 미쳤습니다.
의미: 우리가 친구를 사귈 때, "내가 이 사람을 좋아하니까"보다는 **"우리 공통의 친구가 이 사람을 좋아하니까"**라는 주변 환경의 압력이 훨씬 강력하게 작용한다는 뜻입니다.

2. 소수의 예외: '내 성격'이 승부수를 띄우는 순간

그렇다면 내 성격 (친절함, 논리적 사고력, 성별 등) 은 전혀 중요하지 않을까요? 아닙니다. 아주 작은 부분에서 중요합니다.

비유: 대부분의 사람들은 '주변 분위기'라는 거대한 파도에 휩쓸려 결정됩니다. 하지만 **파도가 거의 없는 고요한 바다 (구조적 연결이 없는 관계)**에서는, 배를 움직이는 것은 오직 **선장 (내 성격)**의 의지뿐입니다.
연구 결과: 전체 관계 중 **0.24% (약 145 건)**만이 내 성격이 결정하는 '주도권'을 잡았습니다.
- 이 관계들은 보통 새로 생긴 친구 관계이거나, 약한 유대감을 가진 경우였습니다.
- 특히 **부정적인 관계 (원수, 싫어함)**일 때, 구조적 연결이 없으면 "내가 이 사람을 싫어하니까"라는 개인적인 이유가 더 크게 작용했습니다.

3. 흥미로운 반전: "아무도 연결되지 않은 관계"는 왜 생길까?

이전 연구들은 "주변에 연결고리가 없으면, 두 사람의 성격이 맞아서 친구가 된다"고 생각했습니다. 하지만 이 연구는 정반대의 결론을 내렸습니다.

비유: 만약 A 와 B 사이에 공통 친구가 전혀 없다면 (A-B-C 연결이 없음), AI 는 "아, 이 두 사람은 아무런 연결고리도 없다는 사실 자체"를 보고 관계를 예측합니다.
결론: "내 성격이 좋아서 친구가 됐다"가 아니라, **"주변의 구조적 뒷받침이 전혀 없어서 (삼각형이 없어서) 관계가 약하거나 부정적이다"**라는 신호로 해석됩니다. 즉, 연결고리가 없는 것 자체가 중요한 정보인 셈입니다.

📊 연구가 밝혀낸 3 가지 핵심 교훈

구조가 지배한다 (99%): 대부분의 친구 관계는 "우리가 누구와 아는 사이인가?"라는 주변의 네트워크 구조가 결정합니다. 내 성격은 그보다 훨씬 덜 중요합니다.
약한 관계일수록 성격이 중요하다 (1%): 관계가 아직 깊어지지 않았거나, 부정적인 감정일 때만 내 성격 (친절함 등) 이 결정적인 역할을 합니다.
안정적인 관계는 '균형'을 이룬다: 구조적으로 잘 연결된 친구 관계는 '친구 - 친구 - 친구'처럼 서로가 서로를 인정하는 균형 잡힌 상태인 경우가 많습니다. 반면, 내 성격으로만 결정된 관계는 불균형하고 불안정합니다.

💡 결론: 우리는 어떻게 친구를 사귀는가?

이 연구는 친구 사귀기가 "내 성격 vs 주변 환경" 중 하나를 선택하는 문제가 아니라고 말합니다.

"우리는 처음에는 내 성격으로 친구를 사귀지만 (약한 관계), 시간이 지나고 주변 친구들이 그 관계를 연결해 주면 (삼각형 구조), 그 관계는 더 단단하고 긍정적인 친구 관계로 자리 잡는다."

즉, 주변의 구조가 관계를 단단하게 만드는 주역이고, 내 성격은 그 관계가 시작될 때나, 혹은 관계가 흔들릴 때만 잠시 등장하는 조연 역할을 한다는 것입니다.

이 연구는 복잡한 인공지능 기술을 이용해 인간관계의 숨겨진 규칙을 찾아냈다는 점에서 매우 의미 있습니다. 마치 **"우리가 친구를 사귈 때, 사실은 우리 마음보다 '주변의 소문'과 '공통의 친구'가 더 큰 힘을 발휘한다"**는 사실을 과학적으로 증명해 준 셈입니다.

논문 요약: 설명 가능한 머신러닝을 통한 우정 형성 이해

1. 연구 배경 및 문제 정의 (Problem)

사회적 네트워크에서 개인 간의 유대 (친구 또는 적대 관계) 가 형성되는 메커니즘은 오랫동안 논쟁의 대상이었습니다. 주요 쟁점은 **"우정이 개인의 내재적 특성 (성격, 성별, 인지적 성향 등) 에 의해 주로 결정되는가, 아니면 사회적 환경과 국소적 네트워크 구조 (삼각형 관계 등) 에 의해 결정되는가"**입니다.
기존 연구 [1] 에서는 '삼각형 영향력 (Triadic Influence)'이라는 구조적 지표가 개인 특성을 포함한 모델보다 관계의 부호 (양/음) 를 예측하는 데 더 우수함을 보였습니다. 그러나 구조적 경로가 없는 경우 (고립된 연결) 에는 개인 특성이 예측에 기여할 수 있다는 가설이 제기되었습니다. 본 연구는 이러한 가설을 재검토하고, 어떤 요인 (개인적 vs 구조적) 이 특정 연결의 형성을 주도하는지를 해석 가능한 머신러닝 기법을 통해 규명하는 것을 목표로 합니다.

2. 방법론 (Methodology)

데이터셋:
- 스페인 내 13 개 중학교의 3,395 명 학생들 간의 자기 보고식 부호화된 (Signed) 사회적 관계 데이터 사용.
- 관계 등급: -2(매우 나쁨) ~ +2(매우 좋음). 이진 분류를 위해 '친구'(+2) 와 '적대/싫어함'(-2, -1) 으로 재분류.
- 개인 특성 (Features): 성별, 인지적 성찰 (CRT 점수), 친사회성 (Prosociality).
- 구조적 지표: '삼각형 영향력 (Triadic Influence, $I_{ij}$ )' - 두 학생 간의 2 단계 방향성 경로 ( $\sum_k w_{ik}w_{kj}$ ) 의 합. 이는 간접적인 사회적 맥락을 포착합니다.
모델링 접근:
- 모델 비교: TensorFlow/PyTorch 신경망, XGBoost, 그리고 **설명 가능한 부스팅 머신 (Explainable Boosting Machine, EBM)**을 비교 평가.
- EBM 선택 이유: EBM 은 일반화 가법 모델 (GAM) 의 확장으로, 높은 예측 정확도를 유지하면서도 각 특징의 기여도를 투명하게 해석할 수 있음.
- 학습 전략: 계층적 중첩 교차 검증 (Nested Cross-Validation) 사용. 클래스 불균형 해결을 위해 훈련 단계에서만 랜덤 오버샘플링 (Random OverSampling) 적용.
- 평가 지표: 불균형 데이터 특성을 고려한 균형 정확도 (Balanced Accuracy).
해석 기법:
- 전역 중요도 (Global Importance): 각 특징이 모델의 로그-오즈 (log-odds) 에 기여하는 평균 절대값으로 특징의 전반적 영향력 순위 결정.
- 의존성 플롯 (Dependence Plots): 각 특징 값이 예측 확률에 미치는 비선형적, 단조적 영향을 시각화.
- 국소 설명 (Local Explanation): 개별 연결 (Link) 에 대해 어떤 특징 (개인 vs 구조) 이 예측을 주도하는지 (Dominance) 분석.

3. 주요 결과 (Key Results)

가. 삼각형 영향력의 압도적 우세 (Global Dominance)

EBM 분석 결과, **삼각형 영향력 (Triadic Influence)**이 관계 부호 예측의 가장 강력한 예측 변수임이 확인됨.
전체 데이터의 **91.47%**에서 삼각형 영향력이 예측 기여도의 50% 이상을 차지함.
반면, 개인 특성 (친사회성, CRT, 성별) 이 주도하는 경우는 전체의 **0.24%**에 불과함.
의존성 플롯 (Fig. 2) 에 따르면, 삼각형 영향력이 양수일수록 친구 관계 확률이 증가하고 음수일수록 적대 관계 확률이 증가하는 명확한 단조적 (monotonic) 관계를 보임.

나. 개인 특성이 주도하는 소수 연결의 특성 (Characterization of Individual-Dominant Links)

전체 연결 중 0.24%(145 개) 만이 개인적 특성에 의해 주도됨. 이 연결들은 다음과 같은 특징을 가짐:
- 구조적 약점: 삼각형 영향력이 주도하는 연결에 비해 간접적 구조적 경로가 적거나, 구조적 통합 (Structural Embedding) 이 약함.
- 부호의 불확실성: 개인 특성이 주도하는 연결은 **부정적 관계 (Negative Ties)**일 확률이 훨씬 높음 (35.9% vs 삼각형 주도 23.5%, 통계적 유의성 확인).
- 균형 이론 (Balance Theory): 삼각형 주도 연결은 구조적으로 균형 잡힌 삼각형 구성 (Balanced Triads) 에 더 많이 포함되는 반면, 개인 주도 연결은 균형 비율이 낮고 이질적인 분포를 보임.
- 연도별 분포: 개인 특성이 주도하는 연결은 주로 2 학년 학생들 사이에서 집중적으로 나타남. 이는 사회적 환경에 머무는 시간이 길어질수록 구조적 메커니즘이 우세해짐을 시사.

다. 구조적 경로가 없는 연결에 대한 오해의 해소

기존 연구 [1] 는 구조적 경로가 없는 경우 ( $A^2_{ij}=0$ ) 개인 특성이 예측을 설명할 것이라고 가설화함.
본 연구 결과, 구조적 경로가 0 인 모든 연결 (1,337 개) 에 대해 모델은 여전히 '삼각형 영향력' (값이 0 인 경우) 을 주요 설명 변수로 사용함.
즉, "구조적 강화의 부재" 자체가 중요한 신호로 작용하며, 이 경우에도 개인 특성이 예측을 주도하지는 않음.

4. 기여 및 의의 (Contributions & Significance)

계층적 우정 형성 모델 제시:
- 사회적 유대 형성은 단순한 '개인 vs 구조'의 이분법이 아니라, 구조적 메커니즘이 전역적으로 지배하되, 특정 약한 또는 초기 연결에서는 개인적 요인이 부각되는 계층적 (Layered) 구조임을 규명함.
- 초기/약한 연결은 개인적 성향에 더 민감하지만, 시간이 지나 구조적으로 강화되면 삼각형 폐쇄 (Triadic Closure) 와 같은 구조적 메커니즘이 지배적이 됨.
설명 가능한 머신러닝 (XAI) 의 가치 입증:
- 블랙박스 모델이 아닌 EBM 을 사용하여, 단순히 예측 정확도뿐만 아니라 "왜" 그 예측이 나왔는지에 대한 메커니즘을 규명함.
- 이를 통해 사회 네트워크 분석에서 구조적 요인과 개인적 요인의 역할을 정량적으로 분리하고, 기존 가설 (구조적 경로 부재 시 개인 특성 주도) 을 반증할 수 있었음.
사회 역학에 대한 통찰:
- 안정적인 사회적 관계 (친구) 는 구조적 균형과 밀접하게 연관되어 있는 반면, 불안정하거나 부정적인 관계는 구조적 제약이 덜한 상태에서 개인적 특성의 영향을 더 많이 받음을 발견함.

5. 결론

본 연구는 3,395 명의 학생 데이터를 기반으로, 국소적 네트워크 구조 (삼각형 영향력) 가 사회적 관계 형성의 가장 강력한 동인임을 재확인했습니다. 동시에, 구조적 제약이 약한 특정 소수 연결에서는 개인적 특성이 역할을 할 수 있음을 발견했으나, 이는 전체 네트워크의 조직 원리를 바꾸지 않는 예외적인 경우임을 규명했습니다. 이는 설명 가능한 머신러닝이 복잡한 사회 현상의 인과 메커니즘을 해명하는 데 강력한 도구임을 보여줍니다.