💬 NLP

Mapping the City Through the Lens of Language Models

이 논문은 언어 모델이 40가지 지표에 걸쳐 익명화된 도시 프로필을 평가함으로써 어떻게 '평범한' 도시를 암묵적으로 가정하는지를 실증적으로 추적하며, 전형성과 바람직함이 종종 일치하는 더 크고, 더 빠르게 성장하며, 인프라 밀도가 더 높은 도시 형태를 향한 공유된 편향을 드러낸다.

원저자: Wanqi Liu, Rong Zhao, Zhizhou Sha, Qinyu Cui, Yecheng Zhang

게시일 2026-08-05

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Wanqi Liu, Rong Zhao, Zhizhou Sha, Qinyu Cui, Yecheng Zhang

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

당신이 거의 모든 인터넷 정보를 읽은 초지능 로봇이 쓴 책들로 가득 찬, 거대하고 투명한 도서관으로 걸어 들어간다고 상상해 보세요. 이 로봇은 '언어 모델'이라 불리는 일종의 AI로, 문장에서 다음에 올 단어를 예측하는 존재입니다. 하지만 까다로운 점이 있습니다. 사람들이 가끔 "도시에 대해 말해줘"와 같이 모호한 질문을 던질 때가 있다는 것입니다. 로봇은 당신이 정확히 어떤 도시를 의미하는지 알지 못합니다. 산속의 작은 마을인가요? 사막에 펼쳐진 거대 메트로폴리스인가요? 아니면 역사적인 유럽의 마을인가요? 이에 답하기 위해 로봇은 자신이 배운 것을 바탕으로 추측을 해야 합니다. 로봇은 자신의 디지털 모자에서 '기본값(default)'이 되는 도시를 하나 꺼냅니다. 그렇다면 그 '기본' 도시는 실제로 어떤 모습일까요? 로봇은 뉴욕 같은 도시를 상상할까요, 아니면 일반적인 만화 속 마을 같은 곳을 상상할까요? 이것은 매우 중요합니다. 왜냐하면 로봇의 '평균적인' 도시가 잘못되어 있다면, 건축가나 계획가, 혹은 우리 세상이 어떻게 돌아가는지 이해하려는 사람들에게 나쁜 조언을 줄 수 있기 때문입니다. 이는 마치 진짜 피자를 맛본 적 없는 요리사가 '완벽한 피자'는 그저 치즈와 빵 한 접시라고 결정해 버려, 소스와 도우를 무시하는 것과 같습니다.

이 논문은 저자들이 이름조차 언급하지 않고 로봇의 뇌 속에 있는 그 '기본 도시'가 정확히 어떤 모습인지 밝혀내려는 탐정 이야기와 같습니다. 저자들은 로봇에게 "전형적인 도시가 무엇인가?"라고 묻지 않았습니다. 그렇게 물으면 로봇이 가장 좋아하는 단어들로 가득 찬, 무질서하고 시적인 답변이 돌아올 것이기 때문입니다. 대신 그들은 영리한 게임을 했습니다. 그들은 전 세계 수천 개의 실제 도시로부터 인구 규모, 인구수, 도로 수, 녹지 면적 등과 같은 실제 데이터를 가져왔지만, 그 데이터에서 이름과 위치 정보는 모두 지워버렸습니다. 그들은 이 실제 도시들을 이름 대신 숫자로 된 ID 카드, 즉 익명의 '프로필'로 만들었습니다. 그런 다음, 이 ID 카드들을 열 가지 버전의 언어 모델들에게 보여주며 "이것이 당신에게 얼마나 '도시'처럼 보이는지 1점에서 7점 사이의 척도로 점수를 매겨보세요"라고 요청했습니다.

결과는 매우 흥미로웠습니다. 로봇들은 무작위의 도시를 선택하지 않았습니다. 그들은 특정 유형의 도시를 일관되게 '가장 전형적인 것'으로 꼽았습니다. 로봇의 마음속에 있는 '기본 도시'는 놀라울 정도로 구체적입니다. 그곳은 인구가 많고(약 50만 명), 건물 면적이 넓으며(약 21제곱킬러미터), 포장된 도로와 기반 시설이 많은 곳입니다. 그것은 조용하고 한적한 마을이 아닙니다. 북적이고 밀도가 높으며 성장하는 곳입니다. 사실, 로봇은 '전형적인' 도시가 지구상의 평균적인 도시보다 훨씬 더 크고 발달한 곳이라고 생각합니다. 이 설명에 부합하는 대부분의 실제 도시들은 유럽과 북미에 있었던 반면, 아프리카와 아시아 일부 지역의 많은 도시는 규모가 작거나 다른 방식으로 성장하고 있다는 이유만으로 로봇들에 의해 '덜 전형적인' 것으로 평가되었습니다.

저자들은 또한 로봇의 '전형적인' 도시에 대한 개념이 그들이 생각하는 '바람직한' 도시와 밀접하게 연결되어 있다는 것을 발견했습니다. 도시가 로봇의 이상적인 모습과 닮아 있다면, 로봇은 그곳을 살기 좋은 곳이라고 생각하기도 합니다. 이는 로봇이 단순히 존재하는 것을 묘사하는 것이 아니라, 자신이 '존재하기를 원하는' 것을 묘사하고 있음을 시사합니다. 그러나 이 연구는 이것이 완벽한 지도는 아니라는 점을 주의 깊게 밝히고 있습니다. 로봇들은 훈련 데이터에서 가장 자주 접했던 대로, 크고 현대적이며 발달한 장소에 편향되어 있습니다. 연구진이 도시의 규모와 발전 수준을 조정했을 때 지역적 차이는 줄어들었지만, 핵심적인 생각은 그대로 남았습니다. 즉, 로로봇의 '평균적인 도시'는 크고 빠르게 성장하며 잘 연결된 도시 중심지라는 점입니다.

결국, 이 논문은 우리가 AI에게 "한 도시"에 대해 물을 때, 우리가 얻는 것이 중립적인 사실이 아님을 보여줍니다. 우리는 로봇의 편향과 경험이 반영된 결과물을 얻는 것입니다. '기본 도시'는 거울과 같습니다. 이 도구들이 거대하고 현대적이며 발달한 허브들의 집합체로 세상을 상상하며, 우리 지구를 구성하는 다양하고 작은, 혹은 다르게 성장하는 도시들을 종종 간과하고 있다는 것을 보여주는 거울 말입니다. 이는 디지털 시대에도 우리의 도구에는 관점이 존재하며, 그 관점에 모든 사람이 포함되도록 만드는 것은 우리의 몫이라는 점을 상기시켜 줍니다.

기술 요약: 언어 모델의 렌즈를 통한 도시 매핑

문제 정의
언어 모델(LM)은 "도시"에 대한 미지정된 질의를 처리할 때, 도시 규모, 형태, 인프라 및 기능에 관한 명시되지 않은 가정을 의존하여 해결하는 경우가 빈번하다. 기존의 지리적 평가는 사실적 지식, 작업 성능, 또는 명명된 위치와 관련된 불균형에 초점을 맞추고 있으나, 장소의 정체성이 부재할 때 모델이 해당 범주를 대표한다고 간주하는 특정 "도시 프로필(urban profile)"을 식별해내지는 못한다. 직접적인 생성 프롬프트(예: "전형적인 도시를 설명하라")는 범주의 중심성과 언어적 스타일, 문화적 친숙성, 그리고 규범적 이상을 혼동하기 때문에 불충분하다. 본 논문은 모델이 범주 프로토타입으로서 암묵적으로 우선시하는 익명의 도시 프로필에 대한 행동적 순위인 "기본 도시(Default City)"를 경험적으로 추적할 필요성을 다룬다.

방법론
본 연구는 특정 도시에 대한 편향을 방지하기 위해 명명된 위치를 피하면서, 실제 도시 센터의 40가지 형태적 및 기능적 차원에 걸쳐 모델의 행동을 측정하는 엄격하고 감사 가능한 프레임워크를 채택한다.

데이터 기초: 저자들은 11,377개의 품질 관리된 형태적 중심점을 조화시킨 GHS Urban Centre Database (R2024A)를 활용한다. 2,000개의 프로필로 구성된 층화 확률 표본이 기본 프레임 역할을 하며, 복제를 위한 별도의 512개 프로필 샘플이 존재한다. 이 프로의들은 규모/범위/변화, 구축 형태/토지 이용, 네트워크/이동성/인프라, 생태/환경, 인구/주거/공공 생활, 경제/기능/중심성, 문화/제도/정체성의 7가지 개념적 영역에 걸쳐 매핑된다.
행동 유도: 10개의 오픈 웨이트 언어 모델 체크포인트(Qwen, Gemma, Llama, Mistral 등을 포함하여 7B에서 14B 파라미터 범위)가 각 프로필의 전형성을 평가한다. 개방형 생성 대신, 모델은 1~7점 척도에 대한 제약된 다음 토큰 확률을 제공한다. 평점은 확률 가중 합계인 $r = \sum k \cdot p(k)$ 로 계산된다.
신뢰성 및 집계: 프레임워크는 필드 순서 일치도, 응답 분산, 축약형 일치도 확인을 포함한 엄격한 신뢰성 스크리닝을 구현한다. 모델들은 계보별로 그룹화되어 의존성 구성 요소를 생성한다. 집계는 구성 요소 내에서 중앙값을 구한 후, 구성 요소 간 중앙값을 구하여 의존성 균형이 잡힌 합의를 도출하는 방식으로 이루어진다.
분석 대상: 연구는 도시 수 전형성, 거주자 가중 전형성, 지역 균형 전형성라는 세 가지 뚜렷한 추정치를 평가한다. 또한, 행동적 일관성을 테스트하기 위해 한계 지표별 판단과 40개 지표의 완전한 프로필에 대한 직접적인 평정 간을 비교한다.

주요 기여

인구 조건부 공식화: 본 논문은 "지리적 범주 중심성"을 정적인 사실이 아니라 모델, 유도 작업, 그리고 참조 인구에 따라 조건화된 행동적 순위로 정의한다.
감사 가능한 다차원 프레임워크: 명명된 엔티티에 의존하지 않고 잠재적인 도시 편향을 측정하기 위해 확률적 판단, 출처 추적, 신뢰성 진단, 의존성 인식 집계 및 독립적 복제를 결합한 방법론을 도입한다.
글로벌 행동 특성화: 작업별 편향을 넘어 도시 형태에 대한 다차원적 판단을 통해, 다양한 오픈 웨이트 모델에 걸친 "기본 도시"의 초상을 경험적으로 기술하는 최초의 사례를 제공한다.

결과

기본 도시 초상: 분석 결과, 반복되는 "규모-성장-인프라" 핵심 요소가 드러났다. 모델들이 선호하는 전형적인 도시는 더 넓은 개발 면적(약 21 km²), 더 빠른 최근 인구 성장, 더 많은 매핑된 인프라, 더 높은 비주거 용량, 그리고 덜 희소한 형태를 특징으로 한다. 이러한 프로필은 각각의 글로벌 분포에서 지속적으로 81~90 백분위수에 위치한다.
지리적 친화도: 조정되지 않은 친화도는 유럽과 북미에서 가장 높고, 사하라 이남 아프리카와 중앙/남부 아시아에서 가장 낮다. 그러나 이러한 지리적 기울기는 주로 규모와 개발 구성에 의해 주도된다. 인구, 구축 면적, 밀도 및 하위 국가 HDI를 기준으로 조정했을 때 지역적 격차는 크게 줄어들지만, 유럽에 대한 잔여적 양의 편향은 남아 있다.
모델 일관성 및 변이: 10개의 체크포인트 중 9개가 상대적으로 조밀한 합의 대역(중앙값 편차 11.1–16.1%)을 형성하는 반면, DeepSeek-R1은 뚜렷한 발산을 보인다. 합의는 비주거 용량, 구축 범위, 인프라에 대해 가장 강하며, 건물 유형 관점 및 점유 기하학에 대해서는 더 약하다.
수렴 및 바람직함: 한계 판단(지표별)은 직접적인 결합 프로필 평정과 중간 정도의 일치( $\rho \approx 0.50$ )를 보이며, 이는 행동적 일관성을 시사한다. 또한, 신뢰성 있게 측정된 경우, 전형성과 바람직함은 밀접하게 일치( $\rho \approx 0.985$ )하며, 이는 모델이 무엇이 "전형적"인 것을 무엇이 "바람직한" 것과 동일시함을 나타낸다.

의의
본 논문은 모델이 무엇을 "평범한 도시"로 간주하는지에 대한 모호한 개념을 경험적으로 추적 가능하게 만든다고 주장한다. 공유되면서도 모델에 의존적인 초상을 기술함으로써, 이 프레임워크는 언어 모델이 도시 환경에 대해 갖는 암묵적 가정을 폭로한다. 저자들은 이 점수가 연구 및 감사 목적으로 설계되었음을 강조한다. 전형성은 계획 규범을 자연스럽게 만들 수 있으므로, 결과가 인간 및 지역적 근거 없이 계획 적용에 직접 사용되어서는 안 된다. 이 연구는 모델들이 더 크고, 성장하며, 인프라가 잘 갖춰진 도시를 향한 핵심적 편향을 공유하지만, 이 "기본 도시"는 모델의 학습 분포와 평가에 사용된 참조 인구에 따라 달라지는 행동적 구성물임을 확립한다.

유사한 논문