이 연구는 두 그룹의 요리사들이 같은 '공정함'이라는 요리를 만들 때, 어떤 재료를 쓰고 어떤 방식으로 요리하는지 비교했습니다.
1. 소프트웨어 공학자 (SW 엔지니어) 들의 방식: "정확한 저울과 숫자"
소프트웨어 공학자들은 공정함을 계산기나 저울로 재는 것이라고 생각합니다.
핵심 생각: "A 그룹과 B 그룹에게 똑같은 양의 음식을 줬다면, 우리는 공정하게 요리했다!"
방법: 그들은 수학적 공식과 통계를 믿습니다. 예를 들어, "남자와 여자, 혹은 흑인과 백인이 채용될 확률이 50 대 50 으로 정확히 같아야 한다"는 식의 숫자를 만듭니다.
장점: 누가 공정하지 않은지 숫자로 바로 확인할 수 있고, 시스템이 제대로 작동하는지 테스트하기 쉽습니다.
한계: 숫자만 보면 안 보이는 문제가 생깁니다.
예시: 두 사람에게 똑같은 양의 음식을 줬지만, 한 사람은 이미 배가 불러서 필요 없었고, 다른 사람은 굶주려서 죽을 뻔했다면? 숫자상으로는 '공정'하지만, 현실에서는 불공정할 수 있습니다.
이 방식은 "왜 이런 불평등이 생겼는지"라는 깊은 역사나 사회적 이유를 무시하고, 단순히 결과만 맞추려 합니다.
2. 인문사회과학자들의 방식: "역사와 권력의 맥락"
인문사회과학자들은 공정함을 사회적 관계와 역사 속에서 바라봅니다.
핵심 생각: "음식을 나누기 전에, 왜 한 사람은 배가 고픈지, 또 누가 음식을 독점해 왔는지 그 역사와 배경을 봐야 한다!"
방법: 그들은 단순히 숫자를 맞추는 게 아니라, 권력 관계, 차별의 역사, 사회적 구조를 분석합니다. "이 기술이 약자를 더 억압하지는 않는가?", "누가 이 기술을 통제하는가?"를 질문합니다.
장점: 기술이 사회에 미치는 진짜 영향을 파악하고, 근본적인 불평등을 해결하려는 시도를 합니다.
한계: "공정함"을 숫자로 딱 잘라 측정하기 어렵고, 해결책이 복잡하고 시간이 많이 걸립니다.
🚨 실수한 요리사들의 이야기 (실제 사례)
논문의 저자들은 이런 비유를 들며 두 관점의 차이를 지적합니다.
리우데자네이루의 우버 기사 사건
우버 알고리즘이 기사들을 '가장 효율적인 길'로 보냈는데, 그곳은 실제로는 무장 밀집단 (마피아) 이 지배하는 위험한 지역이었습니다.
소프트웨어 공학자 관점: "알고리즘이 모든 기사에게 똑같은 경로를 제시했으니, 경로 분배는 **공정 (Fair)**합니다." (숫자만 보면 맞음)
인문사회과학자 관점: "아니, 그 알고리즘은 그 지역의 치안 상황과 사회적 폭력을 전혀 고려하지 않았잖아! 기술을 만든 사람들이 그 지역의 현실을 무시했으니, 이건 불공정해!" (맥락을 보면 틀림)
이처럼 소프트웨어 공학자들은 **"결과가 균등한가?"**에 집중하지만, 인문사회과학자들은 **"그 결과가 만들어지기까지의 과정과 배경이 정당한가?"**를 묻습니다.
💡 결론: 두 관점을 섞어야 진짜 '공정함'이 나온다
이 논문은 "소프트웨어 공학자의 숫자 감각"과 "인문사회과학자의 통찰력"을 합쳐야만 진정한 공정한 기술을 만들 수 있다고 주장합니다.
현재의 문제: 우리는 너무 많은 '숫자'와 '테스트'에만 의존합니다. 마치 "요리 재료의 무게만 정확히 재면 맛도 좋은 거야"라고 믿는 것과 같습니다. 하지만 요리 (기술) 는 사람 (사회) 이 먹는 것이니까요.
제안:
숫자만 믿지 않기: 알고리즘이 공평한지 볼 때, 그 기술이 쓰이는 사회의 역사와 권력 관계를 함께 봐야 합니다.
다양한 목소리 듣기: 기술을 만드는 사람뿐만 아니라, 그 기술의 영향을 받는 사람들 (특히 소수자) 의 이야기를 설계 과정에 포함해야 합니다.
때로는 '만들지 않기'도 공정함: 어떤 기술은 아무리 공평하게 만들려고 해도, 근본적으로 해를 끼칠 수 있습니다. 그런 기술은 아예 만들지 않는 것이 가장 큰 '공정함'일 수 있습니다.
한 줄 요약:
"공정함은 단순히 **결과를 똑같이 나누는 것 (숫자)**이 아니라, **누가 왜 그 결과에 처하게 되었는지 (역사와 맥락)**를 이해하고 함께 해결해 나가는 과정입니다."
이 연구는 기술 개발자들이 코드를 짤 때, 단순히 "오류가 없는가?"를 묻는 것을 넘어, "이 기술이 사회를 더 공정하게 만드는가?"를 함께 고민하길 바라고 있습니다.
논문 개요
이 연구는 소프트웨어 공학 (Software Engineering) 과 인문과학 (Human Sciences) 분야에서 '공정성 (Fairness)'이 어떻게 정의되고 접근되는지를 비교 분석하여, 알고리즘 공정성 연구의 한계를 파악하고 학제 간 통찰을 도출하는 것을 목적으로 합니다.
1. 문제 제기 (Problem)
배경: 디지털 기술이 의료, 공공 안전, 교육 등 사회적 영역에 깊이 관여함에 따라 소프트웨어 공학은 '알고리즘 공정성'을 주요 윤리적·정치적 과제로 인식하게 되었습니다.
핵심 문제: 현재 소프트웨어 공학 분야에서는 공정성을 주로 **형식적 (formal) 이고 통계적 (statistical)**인 개념으로 정의하여 측정 가능한 속성으로 취급합니다. 이는 결과의 분포에 초점을 맞추지만, 기술이 설계되고 배포되는 사회적 관계, 제도적 맥락, 권력 역학을 추상화하여 배제하는 경향이 있습니다.
대조적 관점: 반면, 인문사회과학 (사회학, 법학, 철학 등) 은 공정성을 역사적, 구조적 불평등 및 권력 관계에 기반한 **맥락 의존적 (context-dependent)**인 사회적 가치로 봅니다.
연구 필요성: 두 분야의 관점 간 격차 (disciplinary gap) 를 해소하지 않으면, 기술적 해결책만으로는 알고리즘이 야기하는 광범위한 사회기술적 (socio-technical) 영향을 충분히 해결할 수 없습니다.
2. 연구 방법론 (Methodology)
이 연구는 두 가지 보완적인 검토 방법을 사용하여 70 편의 논문을 분석했습니다.
소프트웨어 공학 분야:체계적 3 차 검토 (Systematic Tertiary Review) 수행.
대상: 2017 년부터 2025 년까지 발표된 소프트웨어 공학 분야의 체계적 문헌 검토 (Secondary studies) 45 편.
목적: 공정성의 정의, 운영화, 평가 기준, 한계를 매핑.
인문사회과학 분야:신속 검토 (Rapid Review) 수행.
대상: 2016 년부터 2025 년까지 발표된 인문사회과학 분야 논문 25 편.
목적: 기술적 프레임워크를 넘어선 공정성의 개념적, 사회적 측면을 포착.
분석 프레임워크: 두 분야 모두 동일한 연구 질문 (RQ) 을 기반으로 데이터를 추출하고 비교 분석했습니다.
RQ1: 공정성의 정의 및 개념화
RQ2: 공정성 평가에 사용되는 지표 (Metrics) 와 기준 (소프트웨어 공학 중심)
RQ3: 공정성과 관련된 사회적 이점
RQ4: 공정성을 촉진하기 위한 접근법 및 방법론
RQ5: 공정성 달성을 위한 한계와 과제
3. 주요 연구 결과 (Key Results)
가. 정의 및 개념화 (Definition & Conceptualization)
소프트웨어 공학: 공정성을 측정 가능한 시스템 속성으로 정의. 주로 AI/ML 시스템의 최종 결정에서 편향이나 차별이 없는 '결과 분포 (distribution of results)'의 부재로 간주. 수학적, 통계적 속성으로 형식화 (Formalization) 하는 경향이 강함.
인문과학: 공정성을 **사회정치적이고 역사적으로 자리 잡은 구성체 (sociopolitical and historically situated construct)**로 정의. 권력 관계, 구조적 불평등, 제도적 인프라와 밀접하게 연결됨. 단순한 결과의 분배가 아닌, 기술이 권력을 어떻게 재구성하는지에 초점.
나. 평가 지표 (Metrics)
소프트웨어 공학: 이진 분류기 평가 지표를 기반으로 한 통계적 지표가 주류.
주요 지표: 그룹 공정성 (Group Fairness), 개인 공정성 (Individual Fairness), 인과적 공정성 (Causal Fairness), 인구 통계학적 균형 (Demographic Parity), 동등한 기회 (Equal Opportunity) 등.
한계: 민감한 속성을 무시하거나 (Unawareness), 결과의 통계적 균형을 맞추는 데 집중하여 차별의 근본 원인을 다루지 못함.
인문과학: 정량적 지표보다는 질적, 규범적 기준을 강조. 법적 가이드라인, 제도적 거버넌스, 윤리적 원칙을 평가 기준으로 삼음.
다. 사회적 이점 (Social Benefits)
소프트웨어 공학: 편향/차별 완화, 시스템 신뢰도 및 신뢰성 향상, 법적 준수 (Compliance) 를 주요 이점으로 강조.
인문과학:구조적 불의의 감소, 민주적 참여 및 집단적 주체성 회복, 소수 집단의 지식에 대한 공정한 인정, 기존 권력 역학의 교란 (Disruption) 을 강조.
라. 접근법 및 방법론 (Approaches)
소프트웨어 공학:기술적 개입 중심.
알고리즘/모델 조작 (전처리, 학습 중, 후처리), 데이터 수집 및 조작, 공정성 툴킷 (Fairness Toolkits), 인간 - 루프 (Human-in-the-loop) 설계, 감사 (Auditing).
인문과학:사회적·참여적 접근 중심.
시스템 설계에 다양한 관점 (페미니즘, 탈식민주의 등) 통합, 교차적 불평등 구조 분석, 법적 프레임워크 활용, 투명성 및 책임성 강화, 참여적 설계, 윤리적 거절 (Ethical Refusal, 즉 특정 기술의 개발 자체를 거부하는 것).
마. 한계와 과제 (Limitations & Challenges)
소프트웨어 공학: 맥락의 부재, 지표 간 상충 (Trade-off), 데이터 프라이버시 문제, 성능과 공정성 간의 균형 문제, 블랙박스 모델의 해석 불가능성.
인문과학: AI 실무자들이 사회기술적 복잡성을 기술적 문제로 축소하는 경향, 기술이 오히려 기존 불평등 구조를 재생산함, 투명성 및 책임성 공백, 포괄적인 규제 부재.
4. 주요 기여 (Key Contributions)
학제 간 비교 분석: 소프트웨어 공학의 '측정 가능한 속성'으로서의 공정성과 인문과학의 '사회정치적 가치'로서의 공정성을 체계적으로 비교하여 두 분야의 관점 차이를 명확히 규명했습니다.
기술적 접근의 한계 지적: 공정성을 단순히 통계적 최적화 문제로만 접근할 때 발생하는 문제 (구조적 불평등의 은폐, 맥락의 상실) 를 비판적으로 분석했습니다.
통합적 관점 제시: Table 10 에서 제시된 바와 같이, 공정성을 '사회기술적 실천 (Socio-technical practice)'으로 재개념화할 것을 제안합니다. 이는 측정 가능한 엄격함과 맥락적·윤리적 인식을 결합한 접근을 요구합니다.
5. 의의 및 시사점 (Significance)
연구 방향성 전환: 공정성 연구가 고정된 시스템 속성에서 벗어나, 사람, 데이터, 제도가 얽힌 네트워크 내에서 어떻게 '생산'되는지에 초점을 맞춰야 함을 시사합니다.
실무적 함의: 개발자와 조직은 알고리즘 결정이 사용자의 실제 삶 (지리, 안전, 불평등 등) 과 어떻게 상호작용하는지 고려해야 합니다. 공정성은 단순한 감사나 지표를 넘어, 지속적인 협상, 책임, 성찰의 과정으로 접근해야 합니다.
윤리적 거절의 필요성: 일부 기술 (예: 감시 시스템) 은 설계 단계에서 공정하게 만들 수 없으므로, 개발 자체를 거부하는 '윤리적 거절'이 필요한 경우도 있음을 강조합니다.
미래 작업: 본 연구는 문헌 분석에 그쳤으므로, 향후 소프트웨어 실무자들의 경험을 수집하여 문헌, 실무, 사회과학의 3 자 비교 연구를 통해 더 구체적인 가이드라인을 제시할 예정입니다.
결론
이 논문은 소프트웨어 공학이 공정성을 기술적 문제로만 축소하지 않고, 인문과학의 통찰을 받아들여 맥락, 권력, 구조적 불평등을 고려한 포괄적인 접근을 취해야 함을 강력히 주장합니다. 기술적 해결책만으로는 사회적 불의를 해결할 수 없으며, 공정성은 기술 시스템과 사회 현실을 연결하는 '위치 잡힌 실천 (situated practice)'으로 이해되어야 합니다.