💻 computer science

You See It, They Don't: An Exploratory Study of User-to-User Variation in Instagram Comments

이 탐색적 연구는 인스타그램의 새로운 AI 기반 댓글 순위 시스템이 뉴스 게시물보다 비뉴스 게시물에서 가시적 댓글의 변이가 적음을 드러냈으며, 이러한 차이는 성별, 정치적 성향 또는 위치와 같은 사용자 속성보다 게시물 지표에 의해 더 크게 좌우됨을 보여줍니다.

원저자: Brahmani Nutakki, Manon Lilott Kempermann, Ingmar Weber

게시일 2026-05-01

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Brahmani Nutakki, Manon Lilott Kempermann, Ingmar Weber

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

인스타그램을 거대하고 북적이는 광장으로 상상해 보세요. 수년 동안 그 광장에 서 있던 모든 사람은 동일한 게시판만 보았습니다: 게시물의 최상단 댓글은 모든 사람에게 동일했으며, 마치 가장 큰 목소리들의 고정된 목록과 같았습니다.

하지만 2025 년 3 월, 시장 (메타) 은 새로운 보이지 않는 AI 사서관을 설치했습니다. 이 사서는 단순히 동일한 목록을 보여주는 것이 아니라, 당신이 누구인지에 기반하여 최상단 댓글의 '개인화된' 목록을 큐레이션합니다. 우려는 이러했습니다: "만약 사서가 보수주의자에게는 한 세트의 댓글을, 진보주의자에게는 완전히 다른 세트의 댓글을 보여준다면, 우리는 서로의 목소리를 듣지 못하게 되고 별도의 현실에서 살게 될까요?"

이 논문은 그 사서가 실제로 그렇게 하고 있는지 확인하기 위한 소규모 실험입니다.

실험: 네 명의 '유령' 쇼핑객

이를 테스트하기 위해 연구자들은 네 개의 '소크 퍼펫' 계정 (실제 사람처럼 행동하는 가짜 사용자 프로필) 을 만들었습니다. 연구자들은 이 유령들에게 구체적인 성격을 부여했습니다:

여성 민주당원
여성 공화당원
남성 민주당원
남성 공화당원

또한 이 유령들을 뉴욕과 텍사스라는 두 가지 다른 '위치' (VPN 이라는 디지털 터널을 사용하여) 로 보내 지리적 요인이 그들이 보는 내용에 변화를 주는지 확인했습니다.

그런 다음 이 유령들을 200 개의 다른 게시물 (뉴스 계정 100 개 [CNN 또는 폭스 뉴스 등] 와 고양이 애호가나 스포츠 팬과 같은 재미있는 비뉴스 계정 100 개) 을 살펴보도록 보냈습니다. 그들은 질문했습니다: "이 네 가지 다른 유령이 동일한 게시물을 볼 때, 서로 다른 최상단 댓글을 보게 될까요?"

놀라운 결과

연구자들은 특히 뉴스 게시물에서 유령들이 매우 다른 목록을 볼 것이라고 예상했습니다. AI 가 사용자의 정치적 견해에 맞춰 댓글을 적극적으로 분류할 것이라고 생각했습니다.

대신, 그들은 정반대를 발견했습니다:

'유령' 효과는 미미했습니다: 평균적으로 네 가지 다른 유령은 88% 의 경우 동일한 최상단 댓글을 보았습니다. 오직 약 **12%**의 댓글만이 누가 보는지에 따라 변경되었습니다.
뉴스는 재미있는 콘텐츠보다 더 안정적입니다: 놀랍게도, 뉴스 게시물의 댓글은 고양이 음식과 같은 재미있는 게시물의 댓글보다 변경될 가능성이 더 낮았습니다. AI 는 엔터테인먼트보다 뉴스에 대해 더 일관된 목록을 보여주는 듯했습니다.
당신은 누구인지보다 게시물이 더 중요합니다: 연구자들은 사용자의 성별이나 정치적 성향이 차이의 주된 원인일 것이라고 생각했습니다. 그들은 틀렸습니다. 가장 큰 요인은 실제로 게시물의 인기 (계정의 팔로워 수) 와 이미 달린 댓글 수였습니다.
- 비유: 인기 있는 레스토랑을 상상해 보세요. 당신이 채식주의자든 육식주의자든, 레스토랑이 붐비고 모두가 같은 요리를 주문한다면 웨이터가 보여주는 메뉴는 동일해 보입니다. '군중' (댓글 수) 이 개인의 취향보다 더 중요합니다.
목록은 같아도 순서는 바뀝니다: 댓글 목록은 대부분 동일했지만, 그들이 나타나는 순서는 매우 달랐습니다.
- 비유: 재생 목록을 상상해 보세요. 모두 동일한 10 곡의 노래를 듣지만, 민주당원에게는 첫 번째 노래가 발라드이고 공화당원에게는 첫 번째 노래가 록 찬가일 수 있습니다. 콘텐츠는 존재하지만, 강조점이 이동한 것입니다.

이것이 의미하는 것 (그리고 의미하지 않는 것)

이 논문은 AI 가 댓글의 순서를 개인화하고는 있지만, 아직은 다른 사용자들에게서 전체 댓글을 극적으로 숨기지는 않는다고 결론 내립니다. 적어도 이 특정 설정에서는 최상단 댓글에 대한 '필터 버블' 효과가 예상보다 약합니다.

그러나 저자들은 이것이 단지 '첫 번째 glimpse'일 뿐이라고 조심스럽게 말합니다.

'신입' 문제: 가짜 계정들은 새로 생성된 것이었습니다. AI 가 아직 그들을 잘 알지 못하기 때문에 '기본' 목록을 보여주는 것일 수 있습니다. 계정이 나이를 먹고 AI 가 그들에 대해 더 많이 학습함에 따라 차이는 커질 수 있습니다.
'에코 챔버' 현실: 연구자들은 뉴스 게시물에서 최상단 댓글이 어쨌든 뉴스 출처에 동의하는 경우가 많았다고 지적했습니다 (예: 우파 뉴스 사이트의 우파 댓글). 따라서 AI 가 없더라도 댓글은 이미 양극화되어 있었습니다. AI 는 단지 모든 사람에게 동일한 '합의된' 댓글을 계속 보여줄 뿐이었습니다.

결론

이 연구를 새로운 집의 온도계를 점검하는 것으로 생각하세요. 연구자들은 온도계가 어떤 사람에게는 '동결'로, 다른 사람에게는 '난방'으로 설정되어 있는지 알고 싶어 했습니다. 그들은 현재로서는 온도가 대부분 모든 사람에게 동일하다는 것 (12% 의 차이만 존재) 을 발견했지만, 팬 속도 (댓글의 순서) 는 확실히 다르다는 것을 발견했습니다.

이 논문이 이것이 최종 답변이거나 시스템이 완벽하다고 주장하지는 않습니다. 단순히 다음과 같이 말합니다: "우리가 확인한 바에 따르면, 개인화는 우리가 두려워했던 것만큼 극단적이지는 않지만, 시스템이 여전히 학습 중이므로 계속 지켜봐야 합니다."

다음은 논문 "You See It, They Don't: An Exploratory Study of User-to-User Variation in Instagram Comments(보이는 것과 보이지 않는 것: 인스타그램 댓글의 사용자 간 변이에 대한 탐색적 연구)"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

2025 년 3 월, 메타 (Meta) 는 인스타그램 사용자에게 표시되는 댓글의 순서를 결정하고 개인화하는 AI 기반 시스템을 도입했습니다 (기본 설정: "For You"). 피드 개인화가 정치적 양극화에 어떻게 기여하는지에 대한 광범위한 연구가 존재하지만, 댓글 순위 매기기가 구체적으로 사용자의 인식과 담론에 어떤 영향을 미치는지에 대한 이해에는 상당한 공백이 있습니다.

저자들은 이 새로운 시스템이 사용자의 속성 (성별, 정치적 성향, 지역) 에 따라 다른 사용자에게 표시되는 가시적 댓글에 체계적인 차이를 만들어내는지 조사합니다. 본 연구는 구체적으로 다음과 같은 질문을 던집니다:

동일한 게시물을 보는 다른 사용자들 간에 표시되는 댓글은 어느 정도 변이가 있는가?
이러한 변이는 뉴스 관련 콘텐츠 (알려진 양극화 영역) 에서 비뉴스 콘텐츠보다 더 큰가?
관찰된 변이를 사용자의 속성 (성별, 정치적 성향, 지역) 이 체계적으로 설명할 수 있는지, 아니면 다른 요인들이 더 지배적인가?

2. 방법론

본 연구는 다양한 사용자 프로필을 시뮬레이션하기 위해 "소켓 퍼펫 (sock-puppet)" 계정을 활용한 소규모 탐색적 감사를 수행했습니다.

A. 데이터 수집 파이프라인

소켓 퍼펫 계정: 4 개의 새로운 계정을 다음과 같은 고유한 페르소나로 생성했습니다:
- 여성 민주당원
- 여성 공화당원
- 남성 민주당원
- 남성 공화당원
- 설정: 생년월일은 통일하고, username 은 무의미한 문자열로, 바이오는 비워두었습니다. 정치적 성향은 각 정당의 특정 정치인을 수동으로 팔로우함으로써 추론되었습니다. 팔로우 행동의 효과를 격리하기 위해 좋아요/공유 등 다른 상호작용은 수행하지 않았습니다.
대상 계정:
- 10 개 뉴스 계정: 미디어 바이어스/팩트 체크 (Media Bias/Fact Check) 평점을 활용하여 정치적 스펙트럼 (좌파에서 우파) 전반에 걸쳐 선정되었습니다.
- 10 개 비뉴스 계정: 스포츠, 엔터테인먼트, 음식, 반려동물 등의 틈새 시장에서 선정되었습니다.
- 통제: 뉴스 그룹과 비뉴스 그룹 간의 팔로워 수를 대략적으로 일치시켜 변이를 줄였습니다.
게시물: 20 개 계정 각각의 최근 10 개 게시물을 선정했습니다. 댓글 수가 "포화 (stabilized)"되었음을 보장하기 위해 게시물은 최소 24 시간 이상 경과된 것만 포함했습니다.
수집 과정:
- 스크롤 없이 각 게시물의 최상단 표시 댓글을 수집하기 위해 Selenium 크롤러를 사용했습니다.
- 위치: 위치 효과를 테스트하기 위해 두 개의 서로 다른 VPN 엔드포인트 (뉴욕, 텍사스) 에서 데이터를 수집했습니다.
- 총 크롤링 횟수: 8 회 (4 개 계정 × 2 개 위치).
- 범위: 게시물당 상위 10 개 텍스트 기반 댓글을 분석했습니다.
- 데이터셋 크기: 총 200 개의 게시물로, 중복 제거 후 뉴스 계정에서 약 980 개의 고유 댓글과 비뉴스 계정에서 약 1,037 개의 고유 댓글이 생성되었습니다.

B. 분석 접근법

기술적 분석: 각 게시물에 대해 크롤링 쌍 간의 변이 비율 ( $V(p)/T(p)$ ) 을 계산했습니다. 이는 수집된 총 댓글로 정규화된 대칭 차분 (한 크롤링에는 나타나고 다른 크롤링에는 나타나지 않는 댓글) 을 측정합니다.
게시물 수준 회귀: 변이를 모델링하기 위해 베이지안 일반화 선형 혼합 모델 (Beta-Binomial) 을 적합시켰습니다.
- 결과: 게시물당 변이 비율.
- 고정 효과: 위치, 성별, 정치적 성향 (비교된 쌍에서 유도됨), 댓글 수, 팔로워 수, 계정 유형 (뉴스 vs 비뉴스).
- 무작위 효과: 게시물 ID (반복 관측을 고려하기 위함).
댓글 수준 회귀: 베이지안 베르누이 (로지스틱) 모델을 사용하여 개별 댓글의 감정 (지지, 반대, 중립) 이 두 크롤링 중 하나에서 누락될지 여부를 예측하는지 분석했습니다.

3. 주요 결과

A. 전체적인 변이는 낮음

개인화가 높은 분열을 초래할 것이라는 가설과 달리, 본 연구는 다른 사용자 크롤링 간에 표시되는 댓글의 약 12% 만 변이가 있음을 발견했습니다.

B. 뉴스 vs 비뉴스 변이

반직관적 발견: 뉴스 게시물의 댓글이 비뉴스 게시물의 댓글보다 변이가 더 적게 나타났습니다 (예상 변이 평균: 뉴스 0.06, 비뉴스 0.17).
이는 알고리즘이 뉴스 콘텐츠에 대해 표시하는 내용에 있어 더 일관적임을 시사하며, 이는 더 강력한 참여 신호나 다른 순위 매기기 휴리스틱 때문일 수 있습니다.

C. 변이의 원인

계정 지표 (가장 강력한 예측 변수):
- 댓글 수: 변이와 정적 상관관계가 있습니다. 댓글이 많은 게시물은 더 높은 변이를 보였습니다 (아마도 시스템이 풍부한 참여 신호를 활용하여 개인화하기 때문일 것입니다).
- 팔로워 수: 변이와 부적 상관관계가 있습니다. 팔로워 수가 적은 계정은 더 높은 변이를 보였습니다 (아마도 시스템이 관련 콘텐츠를 찾기 위해 더 많이 "탐색"해야 하기 때문일 것입니다).
사용자 속성 (약한 예측 변수):
- 성별, 정치적 성향, 지역은 미미한 효과만 미쳤습니다 (확률 척도상 몇 퍼센트 포인트 수준).
- 일부 95% 최대 밀도 구간 (HDI) 이 1 을 제외하여 통계적 유의성을 나타냈지만, 실질적 크기는 작았습니다. 사용자 속성은 어떤 댓글이 보이는지를 주도하는 주요 요인이 아니었습니다.

D. 댓글 감정

지지 댓글 (게시물 캡션과 일치하는) 은 크롤링 간에 더 일관되게 존재했습니다 (중첩되지 않을 확률이 낮음).
반대/중립 댓글은 변이가 발생할 가능성이 더 높았으며, 이는 시스템이 이견을 더 공격적이거나 일관성 없이 필터링할 수 있음을 시사합니다.

E. 순위 매기기 순서 vs 존재 여부

댓글의 존재 여부는 12% 로 거의 변이가 없었지만, 순위 매기기 순서에 대한 예비 분석은 상당한 변이를 보여주었습니다. 순위 매기기의 평균 분산 비율은 뉴스는 0.5, 비뉴스는 0.7로, 사용자들이 유사한 댓글 세트를 보지만, 그것을 보는 순서는 크게 다르다는 것을 나타냅니다.

4. 주요 기여

최초의 체계적 감사: 2025 년 3 월 AI 업데이트 이후 인스타그램의 개인화된 댓글 순위 매기기를 조사한 최초의 연구입니다.
방법론적 프레임워크: 소켓 퍼펫 계정과 베이지안 모델링을 사용하여 댓글 가시성을 수집하고 분석하는 재현 가능한 파이프라인을 제공합니다.
반직관적 통찰: 뉴스 맥락에서 개인화가 높은 분열로 이어진다는 가설에 도전하며, 사용자 인구통계학적 특성보다 계정 지표 (참여/팔로워) 가 변이의 더 강력한 예측 변수임을 발견했습니다.
데이터 및 코드 공개: 저자는 추가 연구를 지원하기 위해 수집 코드와 데이터를 공개할 것을 약속했습니다.

5. 중요성과 한계

중요성: 본 연구는 댓글 개인화가 존재하지만, 어떤 댓글이 보이는지에 대한 즉각적인 영향은 순위 매기기 순서의 영향에 비해 제한적임을 시사합니다. 이는 플랫폼 메커니즘 (계정 규모, 참여 규모) 이 현재 사용자 정체성보다 가시성을 더 주도할 수 있음을 강조하지만, 알고리즘이 사용자에 대해 더 많이 학습함에 따라 이는 진화할 수 있습니다.
한계:
- 소규모: 소켓 퍼펫 계정 4 개와 게시물 200 개만 사용되었습니다.
- 신규 계정: 소켓 퍼펫 계정은 새로 생성되었으므로 알고리즘이 이들에 대한 역사적 데이터가 제한적이어서 개인화 효과를 과소평가했을 수 있습니다.
- 도메인 특수성: 본 연구는 미국 기반 계정에 초점을 맞췄으며, 결과는 전 세계적으로 다를 수 있습니다.
- 콘텐츠 유형: 뉴스 댓글의 변이가 부족함은 선정된 뉴스 게시물의 특정 특성 (예: 계정의 편향과 일치하는 댓글) 때문일 수 있습니다.

결론

본 논문은 인스타그램의 새로운 댓글 순위 매기기 시스템이 변이를 도입하지만, 그 효과는 현재 댓글 존재 여부에 대해서는 미미하지만 댓글 순서에 대해서는 상당함을 결론지었습니다. 이러한 발견은 알고리즘이 성숙해지고 사용자 데이터가 축적됨에 따라 이러한 시스템이 온라인 담론과 양극화를 어떻게 형성할지 이해하기 위해 더 크고 종단적인 감사가 필요함을 시사합니다.