ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos

나무집을 짓거나 까다로운 수학 퍼즐을 푸는 영상을 보기 위해 자리에 앉는다고 상상해 보십시오. 제작자는 친근하고 익숙한 목소리로 당신에게 팁과 이야기를 나누며 직접 말을 겁니다. 그러다 흐름이 끊기지 않은 채, 갑자기 특정 브랜드의 접착제나 새로운 앱을 언급하며 왜 그것이 작업에 완벽한 도구인지 설명합니다. 많은 어린이와 청소년들에게 이러한 엔터테인먼트와 판매의 매끄러운 결합은 알아차리기 어렵습니다. 시끄러운 로고송과 함께 프로그램을 중단시키는 전통적인 TV 광고와 달리, 이러한 종류의 광고는 콘텐츠 자체 안에 숨어 있습니다. 영상의 나머지 부분과 똑같이 보이고 들리기 때문에, 어린 시청자들은 자신이 무언가를 팔리고 있다는 사실을 깨닫지 못하는 경우가 많습니다. 이러한 혼란은 단순한 사소한 불편함이 아닙니다. 이는 법적, 윤리적 문제입니다. 많은 지역의 법률은 누군가가 제품을 홍보하기 위해 대가를 받았다면, 반드시 관객에게 이를 명확히 알려야 한다고 규정하고 있습니다. 하지만 방대하고 혼란스러운 온라인 영상의 세계에서, 이러한 경고 문구는 빠져 있거나, 긴 설명란에 묻혀 있거나, 아이들이 이해하기에는 너무 미묘한 언어로 작성되어 있는 경우가 많습니다.

연구자들은 이러한 영상들을 모니터링하는 현재의 시스템이 충분하지 않다는 점을 오랫동안 우려해 왔습니다. 이 시스템들은 주로 크리에이터가 유료 파트너십을 진행할 때 추가해야 하는 비디오 플랫폼 자체의 라벨에 의존합니다. 그러나 새로운 연구에 따르면, 이러한 라벨에만 의존하는 것은 엄청난 수의 상업적 메시지를 놓치게 될 것임을 시사합니다. 문제의 실제 규모를 파악하기 위해 네덜란드 대학의 연구팀은 새로운 데이터 분석 방법을 만들었습니다. 그들은 컴퓨터 과학자들이 숨겨진 판매 제안을 식별하고 무엇이 잘못되었는지 파악할 수 있는지 확인하기 위해 일종의 조직적인 도전 과제인 '공유 태스크(shared task)'를 구축했습니다. 목표는 단순히 광고를 찾는 것이 아니라, 무엇을 팔고 있는지, 그리고 청소년을 보호하기 위해 설계된 규칙을 위반하고 있는지 이해하는 것이었습니다.

연구팀은 먼저 방대한 양의 영상 클립을 수집했습니다. 그들은 인터넷의 모든 영상을 본 것이 아니라, '스폰서블록(SponsorBlock)'이라는 특정 도구에 집중했습니다. 이는 일반 시청자들이 영상 내의 스폰서십 구간의 정확한 시작과 끝 지점을 표시하여 다른 사람들이 건너뛸 수 있도록 하는 커뮤니티 기반 프로젝트입니다. 연구진은 사용자가 제출한 마커를 출발점으로 삼았는데, 이는 인간 시청자가 건너뛰어야 할 필요성을 느꼈다면 그것이 상업적 메시지일 가능성이 높다는 것을 알고 있었기 때문입니다. 그들은 십 대들에게 인기 있는 거의 천 개의 채널에서 3,360개의 구간을 수집했습니다. 각 구간에 대해 그들은 사용 가능한 모든 정보, 즉 클립에서 말하는 단어, 영상 제목, 채널 이름, 그리고 크리에이터가 설명란에 넣은 링크를 수집했습니다. 심지어 그 링크를 따라가 실제 제품이 판매되는 웹사이트까지 확인했습니다. 이를 통해 컴퓨터 시스템이 짧은 대본을 살펴보거나, 영상의 세부 정보 및 제품 페이지를 더 깊이 파고들어 판단을 내릴 수 있는 풍부한 데이터셋이 만들어졌습니다.

연구진은 컴퓨터 시스템이 수행할 세 가지 구체적인 작업을 설정했습니다. 첫째, 시스템은 어떤 종류의 제안이 이루어지고 있는지 결정해야 했습니다. 크리에이터가 장난감 같은 물리적 물건을 파는 것인지, 게임 같은 디지털 서비스인지, 아니면 완전히 다른 것인지 판단하는 것입니다. 둘째, 시스템은 제품을 분류해야 했습니다. 음식, 패션, 건강 정보, 혹은 도박과 같이 위험한 것인지 분류하는 것입니다. 마지막으로, 가장 중요한 것은 시스템이 법적 감시자 역할을 해야 한다는 것이었습니다. 시스템은 너무 좋게 들리는 주장, "이것은 광고입니다"라고 명확히 밝히지 못한 경우, 또는 아이에게 지금 당장 무언가를 사라고 직접적으로 압박하는 경우와 같은 잠재적인 문제를 포착해야 했습니다. 연구진은 팀들이 얼마나 많은 정보를 사용할지 선택할 수 있도록 과제를 설계했습니다. 어떤 시스템은 저렴하고 얻기 쉬운 대본만을 읽을 수도 있고, 다른 시스템은 연결된 웹사이트를 크롤링할 수도 있는데, 이는 훨씬 더 비용이 많이 들고 시간이 오래 걸리는 작업입니다. 이를 통해 연구진은 더 많은 데이터를 수집하는 추가적인 노력이 실제로 더 나은 결과로 이어지는지를 확인할 수 있었습니다.

연구팀이 수집한 데이터를 분석했을 때, 놀라운 현실이 드러났습니다. 수집된 영상의 거의 절반에 가까운 45.5%가 비디오 플랫폼에서 제공하는 공식적인 "유료 프로모션" 라벨을 사용하지 않았습니다. 이는 만약 규제 기관이나 부모들이 오직 그 특정 라벨만을 살펴본다면, 청소년을 대상으로 한 상업적 콘텐츠의 거의 절반을 놓치게 된다는 것을 의미합니다. 또한 연구는 이러한 광고를 식별하는 작업이 컴퓨터에게 매우 어려운 과제라는 점을 밝혔습니다. 시스템들은 어떤 종류의 제품이 판매되고 있는지 파악하는 데는 꽤 능숙했지만, 법적 경고 사항을 식별하는 데는 상당한 어려움을 겪었습니다. 컴퓨터들은 공개 사항이 충분히 명확한지, 혹은 주장이 오해의 소지가 있는지에 대해 서로 의견이 일치하지 않는 경우가 많았습니다. 이러한 불일치는 언어의 뉘앙스와 맥락, 특히 아이들을 보호하는 것과 관련된 맥락을 이해하는 것이 기계가 아직 완벽하게 해결하지 못한 복잡한 과제임을 강조합니다.

연구진은 고급 인공지능 모델을 사용하여 데이터셋의 라벨을 생성했으며, 법률 전문가들과 협력하여 규칙을 정교화했습니다. 그들은 단순히 추측한 것이 아니라, 샘플을 확인하고 컴퓨터가 생각하는 방식을 조정하며 정의를 반복적으로 개선했습니다. 예를 들어, 그들은 "직접적인 권유(direct exhortation)", 즉 아이에게 무언가를 사라고 촉구하는 행위의 정의를 좁혀서, 컴퓨터가 단순히 링크를 클릭하라는 일반적인 제안이 아니라 정말로 아이를 압박하는 언어만을 포зо하도록 했습니다. 이러한 신중한 단계에도 불구하고, 컴퓨터 모델은 여전히 실수를 범했습니다. 테스트 세트에서 두 개의 강력한 모델이 법적 경고 사항에 대해 정확히 일치하는 결과를 낸 경우는 절반 미만이었습니다. 이는 기술이 수천 개의 영상을 스캔하는 데 도움을 줄 수는 있지만, 광고가 어린 관객에게 정말로 안전한지 판단하는 데 있어 인간의 판단을 아직 대체할 수는 없음을 시사합니다.

연구는 아동 대상 콘텐츠를 모니터링하려면 단순히 공식 라벨을 찾는 것 이상의 것이 필요하다고 결론짓습니다. 콘텐츠 자체, 제공된 링크, 그리고 사용된 특정 언어에 대한 더 깊은 통찰이 요구됩니다. 연구진은 자신들의 데이터와 과제 규칙을 공개하여 다른 과학자들이 더 나은 시스템을 구축할 수 있도록 초대했습니다. 그들은 자신들의 작업이 최종적인 해결책이 아니라 연구의 시작점임을 강조했습니다. 그들이 만든 데이터셋은 특정 시점의 스냅샷이며 한계가 있습니다. 이는 누군가 이미 스폰서십을 표시한 영상만을 포함하며, 확인 당시 작동 중이었던 링크에 의존합니다. 또한 순수하게 상업적인 영상이나 십 대들의 흥미를 끄는 기준을 통과하지 못한 채널은 포함하지 않습니다. 이러한 제한에도 불구하고, 이 연구는 현재의 상황을 명확하게 보여줍니다. 즉, 방대한 양의 상업적 콘텐츠가 현재의 모니터링 시스템의 틈새로 빠져나가고 있으며, 종종 법에서 요구하는 명확한 경고 없이 이루어지고 있다는 것입니다. 앞으로 나아갈 길은 맥락을 단어만큼 잘 이해할 수 있는 도구를 구축하여, 디지털 세상이 아이들이 자신도 모르게 무언가를 팔리고 있다는 사실을 모른 채 배우고 놀 수 있는 안전한 공간으로 남을 수 있도록 하는 것입니다.