A Safety-First Machine Learning Framework for Precision Public Health: Segmenting Vaccine Hesitancy Among Iranian Adults

당신이 온 도시의 사람들이 특정 종류의 모자를 쓰도록 하는 것과 같은 새로운 규칙에 동의하게 만들려고 노력한다고 상상해 보세요. 만약 당신이 확성기를 들고 똑같은 메시지를 큰 소리로 모든 사람에게 외친다면, 어떤 사람들은 귀를 기울이겠지만 다른 이들은 짜증을 내거나 자신의 자유가 위협받는다고 느껴서, 자신의 주장을 관철하기 위해 일부러 모자를 거꾸로 써버릴지도 모릅니다. 이것은 공중 보건 분야에서 관계자들이 백신 접종을 권장하기 위해 '일률적인(one-size-fits-all)' 방식을 사용할 때 발생하는 현상과 비슷합니다. 때로는 너무 강하게 밀어붙이는 것이 사람들을 고집스럽게 만들 수 있는데, 과학자들은 이를 '심리적 저항(psychological reactance)'이라고 부릅니다.

이를 해결하기 위해, '정밀 공중 보건(Precision Public Health)'이라는 분야는 확성기보다는 숙련된 재단사처럼 행동하려고 노력하고 있습니다. 모든 사람에게 똑같은 것을 외치는 대신, 이들은 누가 이미 백신 접종에 찬성하는지, 누가 망설이고 있는지, 그리고 누가 강력하게 반대하는지를 파악하여 적절한 사람에게 적절한 메시지를 보내고자 합니다. 이 논문은 우리가 어떻게 컴퓨터를 사용하여 이러한 맞춤형 전략을 수행할 수 있는지, 특히 이란의 성인들을 대상으로 하는 방법에 대해 깊이 있게 다룹니다. 이 연구는 우리가 사람들이 사는 곳이나 나이와 같은 간단한 사실들을 통해 그들의 백신에 대한 태도를 추측할 수 있는지, 그리고 실수로 잘못된 사람을 불쾌하게 만들지 않으면서 안전하게 수행할 수 있는지를 묻습니다.

---

디지털 트리아지 간호사 (The Digital Triage Nurse)

이 연구에서 연구진은 백신 태도에 대한 '디지털 트리아지 간호사' 역할을 하도록 설계된 특별한 컴퓨터 프레임워크를 구축했습니다. 그들은 단순히 누가 백신을 맞을지 추측하는 것에 그치지 않고, 457명의 이란 성인을 세 가지 뚜렷한 그룹으로 분류하고자 했습니다: 수용 그룹(준비가 된 사람들), 유보 그룹(확신이 없어 대화가 필요한 사람들), 그리고 저항 그룹(현재 반대하는 사람들)입니다.

그들이 사용한 데이터를 단서들의 집합이라고 생각해 보세요. 사람들에게 직접 "백신이 두려우신가요?"라고 묻는 대신(이는 방어적인 태도를 유발할 수 있습니다), 컴퓨터는 그들의 연령, 직업, 그리고 가장 중요한 **거주 지역(Province of Residence)**과 같은 객관적인 단서들을 살펴보았습니다. 이는 마치 누군가에게 좋아하는 아이스크림 맛을 직접 묻는 대신, 그 사람이 해안 마을에 사는지(아마도 솔티 캐러멜을 좋아할 것임) 아니면 산골 마을에 사는지(아마도 민트 초코를 선호할 것임)를 보고 추측하는 것과 같습니다.

"안전 우선" 규칙

이 논문의 가장 흥럽고 영리한 부분은 바로 이것입니다. 연구진은 컴퓨터가 완벽하지 않다는 점을 알고 있었습니다. 때때로 단서들이 혼란스러울 수 있고, 컴퓨터가 그 사람이 어느 그룹에 속하는지 확신하지 못할 수도 있습니다. 많은 컴퓨터 프로그램에서는 기계가 어찌 됐든 추측을 강요받으며, 이는 실수를 초р히게 할 수 있습니다.

하지만 이 팀은 '안전 밸브(Safety Valve)'를 추가했습니다. 그들은 다음과 같은 규칙을 설정했습니다: 만약 컴퓨터가 자신의 추측에 충분한 확신이 없다면, 추측하지 말 것. 대신, 해당 인원을 자동으로 '유보 그룹'으로 분류하도록 했습니다. 왜일까요? 공중 보건의 세계에서는, 불확실한 사람을 단순히 친근한 대화가 필요한 사람(유보 경로)으로 취급하는 것이, 그를 '저항 그룹'으로 잘못 분류하여 화를 돋우는 메시지를 보내는 것보다 훨씬 안전하기 때문입니다.

연구진은 이 안전 규칙이 게임 체인저였다는 것을 발견했습니다. 연구 대상자의 약 **20%**가 컴퓨터에게 너무 혼란스러워 안전 밸브가 작동하여 '유보 그룹'으로 분류되었습니다. 이는 컴퓨터가 위험한 실수를 피함으로써, 아무도 실수로 강압적인 메시지를 받지 않도록 보장했음을 의미합니다.

컴퓨터가 실제로 찾아낸 것들

컴퓨터 모델은 완벽한 정확도를 달성하지는 못했습니다—약 **47.28%**의 분류 정확도를 보였습니다. 이 수치가 낮게 들릴 수도 있지만, 이는 무작위로 추측했을 때(33.33%의 정확도)보다 42% 향상된 수치였습니다. 더 중요한 것은, 컴퓨터가 몇 가지 놀라운 패턴을 밝혀냈다는 점입니다:

1. 지역이 가장 중요하다: 누군가의 태도를 예측하는 데 있어 가장 큰 단서는 소득이나 성별이 아니라 그들이 어디에 사느냐였습니다. 동아제르바이잔(East Azerbaijan)이나 이스파한(Isfahan) 같은 주에 사는 사람들은 다른 지역 사람들과 매우 다른 신뢰도를 보였습니다. 이는 건강 시스템에 대한 신뢰가 도시의 각 동네마다 분위기가 다르듯, 매우 지역적임을 시사합니다.
2. 연령은 필터다: 젊은 층(18~34세)은 '저항 그룹'이나 '유보 그룹'에 속할 가능성이 더 높았습니다. 논문은 이것이 젊은 사람들이 고령층보다 백신의 신체적 부작ка를 더 강하게 느낄 수 있기 때문에 더 신중해질 수 있음을 시사합니다.
3. 개인적 상실: 흥미롭게도, 가족이 코로나19로 사망한 경험이 있는 사람들은 '수용 그룹'에 속할 가능성이 더 높았습니다. 실제 삶의 비극이 과학을 신뢰하게 만드는 강력한 동기로 작용한 것으로 보입니다.

시사점

이 논문은 우리에게 똑같은 메시지를 모두에게 퍼부어서는 안 된다고 결론짓습니다. '안전 우선' 접근 방식을 사용함으로써, 보건 당국은 연령과 위치 같은 단순한 데이터를 활용해 누가 부드러운 격려를 필요로 하는지, 누가 상세한 설명이 필요한지, 그리고 누가 존중을 담은 대화를 필요로 하는지를 식별할 수 있습니다.

연구진은 자신들의 모델이 마법의 수정구슬은 아니며, 인간이 더 나은 결정을 내릴 수 있도록 돕는 도구라고 인정합니다. 까다로운 사례들에 대해 컴퓨터가 "잘 모르겠습니다, 사람과 대화하게 해주세요"라고 말하게 함으로써, 이 프레임워크는 목표가 단순히 '맞히는 것'이 아니라 '친절하고 효과적인 것'임을 보장합니다. 이는 혼란스러운 군중을 각자가 안전함과 정보를 얻었다고 느낄 수 있도록 정확히 필요한 도움을 받는 개개인의 집단으로 바꾸는 청사진입니다.