Drawing Lines in Psychological Space: What K-means Clustering Reveals in Simulated and Real Psychometric Data

이 글은 간단한 언어와 일상적인 비유를 사용하여 해당 논문을 설명합니다.

핵심 아이디어: 구름 위에 선을 그리는 것

상상해 보세요. 하늘에 떠 있는 거대하고 푹신한 면화 같은 구름이 있습니다. 그것은 딱딱한 가장자리가 없는 연속적이고 매끄러운 덩어리입니다. 이제 이 구름 위에 선을 그려서 면화를 뚜렷한 '그룹'이나 '유형'으로 나누라고 요청받았다고 가정해 봅시다.

이것은 심리학 연구에서 K-평균 군집화 (K-means clustering) 알고리즘이 수행하는 작업과 정확히 같습니다. 이는 설문 응답을 바탕으로 '불안한 학생' 대 '차분한 학생'과 같은 사람들의 '유형'을 찾아내는 데 널리 사용되는 컴퓨터 도구입니다.

이 논문의 핵심 주장은 다음과 같습니다: 컴퓨터가 깔끔한 선을 그려 뚜렷한 그룹을 만들어낸다고 해서, 그 그룹들이 실제 현실에 존재한다는 뜻은 아닙니다. 구름이 원래 잘려질 의도가 없었음에도 불구하고, 컴퓨터는 매끄러운 구름을 잘게 쪼개는 데 매우 능숙합니다.

실험: 가위 테스트

연구자들은 K-평균이 실제 사람들의 '유형'을 찾아내고 있는지, 아니면 단순히 만들어내고 있는지 확인하고자 했습니다. 이를 위해 두 가지 유형의 데이터를 사용하여 일련의 테스트를 수행했습니다.

1. 가짜 데이터 (시뮬레이션): 인간 설문조사처럼 보이지만 숨겨진 그룹이 없는 컴퓨터 생성 데이터를 만들었습니다.

   • '무작위 잡음' 테스트: TV 의 정전기 같은 순수한 혼란을 생성했습니다. 심지어 여기서도 K-평균은 선을 그려 "보세요! A 그룹과 B 그룹!"이라고 주장했습니다.
   • '매끄러운 경사' 테스트: 낮은 불안에서 높은 불안으로 부드럽게 변하는 데이터를 만들었습니다. 조광기 (dimmer switch) 와 같습니다. '유형'은 없었고 매끄러운 미끄럼틀만 있었습니다. K-평균은 여전히 이 미끄럼틀을 반으로 잘라 양쪽을 서로 다른 그룹이라고 불렀습니다.
   • '실제 그룹' 테스트: 실제 뚜렷한 사람들의 섬들 (바다의 뚜렷한 섬들처럼) 이 있는 데이터를 만들었습니다. 여기서 K-평균은 완벽하게 작동하여 섬들을 찾아냈습니다.

2. 실제 데이터 (SMARVUS 데이터셋): 35 개국의 12,000 명 이상의 대학생들을 대상으로 한 방대한 실제 설문조사를 활용했습니다. 시험 불안, 부정적 평가에 대한 두려움, 창의성 불안 등에 대해 질문했습니다.

발견한 것: 유형의 환상

1. '자르는' 기계
이 논문은 K-평균이 항상 자르는 가위와 같다고 주장합니다. 많은 심리학적 특성이 실제로 작동하는 방식인 매끄럽고 연속적인 데이터 구름을 주면, 그것은 여전히 그것을 조각으로 잘라냅니다.

• 비유: 길고 매끄러운 빵 한 덩이를 상상해 보세요. 로봇에게 빵을 '두 가지 유형의 빵'으로 자르라고 요청하면, 로봇은 정중앙을 잘라냅니다. 그러면 두 개의 뚜렷한 더미가 생깁니다. 하지만 그 더미들은 다른 '유형'의 빵이 아니라, 같은 빵 덩어리의 두 반쪽일 뿐입니다. 로봇은 선을 그어 차이를 만들어낸 것입니다.

2. 안정성이 진실을 의미하지는 않음
가장 놀라운 발견 중 하나는 이러한 가짜 그룹들이 안정적이라는 것입니다. 컴퓨터 프로그램을 100 번 실행하면 거의 매번 같은 위치에 선을 그립니다.

• 비유: 안개 낀 창문에 선을 그리면, 볼 때마다 똑같이 보입니다. 하지만 안개가 실제로 두 개의 다른 세계로 나뉜 것은 아닙니다. 그것은 단지 하나의 연속적인 수증기 구름일 뿐입니다. 선이 '안정적'이라는 사실이 안개가 두 면을 가지고 있음을 증명하는 것은 아닙니다.

3. 실제 세계의 결과
실제 학생 데이터에 이를 적용했을 때, 컴퓨터는 '낮은 불안' 그룹과 '높은 불안' 그룹이라는 두 개의 명확한 그룹을 발견했습니다.

• 주의할 점: 연구자들은 이것이 두 가지 뚜렷한 '유형'의 학생이 존재한다는 증거가 아니라고 주장합니다. 이는 아마도 불안의 연속적인 스펙트럼을 기하학적으로 나누는 방식일 뿐입니다. 컴퓨터는 안개 한가운데 선을 그려, 실제로는 같은 것의 '낮은' 버전과 '높은' 버전일 뿐인 두 가지 '유형'을 만들어냈습니다.

4. '세포계수 (Cytometry)' 예외
이 논문은 한 가지 상황에서는 이 방법이 잘 작동한다는 것을 발견했습니다. 그것은 흐름 세포계수 (flow cytometry) 와 같은 생물학 실험실 테스트처럼 보이는 시뮬레이션 데이터로, 여기서 뚜렷한 세포 유형들이 실제로 분리된 덩어리로 존재합니다.

• 비유: 구슬 한 그릇과 골프공 한 그릇이 섞여 있다면, 컴퓨터는 물리적으로 뚜렷하기 때문에 쉽게 분리할 수 있습니다. 하지만 미세한 모래에서 거친 모래로 서서히 변하는 모래 한 그릇이 있다면, 컴퓨터는 그것이 하나의 연속된 더미임에도 불구하고 여전히 '미세 모래' 그룹과 '거친 모래' 그룹으로 분리하려고 시도할 것입니다.

결론: 지도를 읽는 방법

저자들은 K-평균 사용을 중단해야 한다고 말하지는 않습니다. 이는 데이터를 탐색하고 패턴을 파악하는 데 유용한 도구입니다. 그러나 연구자들이 결과를 절대적인 진실로 취급하지 않도록 경고합니다.

• 비유: K-평균을 지도를 그리는 지도 제작자로 생각하세요. 지형이 매끄러운 언덕이라면, 지도 제작자는 "이쪽은 '북쪽 경사'이고 저쪽은 '남쪽 경사'입니다"라고 선을 그을 수 있습니다. 지도는 명확하고 정리되어 보입니다. 하지만 언덕 자체는 한가운데에 딱딱한 선이 없었습니다. 지도 제작자가 단순히 지도를 더 쉽게 읽기 위해 선을 그었을 뿐입니다.

핵심 교훈:
한 연구가 "우리는 두 가지 유형의 사람을 발견했습니다"라고 말할 때, 그것은 단순히 "우리는 연속적인 사람들 그룹을 가로지르는 선을 그었습니다"라는 뜻일 수 있습니다. 그룹은 컴퓨터가 찾았다는 점에서 현실적이지만, 자연이 별도의 범주로 만들어냈다는 의미에서는 현실적이지 않을 수 있습니다. 연구자들은 기하학적 선과 자연적 경계를 혼동하지 않도록 주의해야 합니다.