Legislative Vote Outcome Prediction Using Temporal Approval Patterns

분주한 입법부의 회랑에서, 수백 명의 선출직 공직자들이 수많은 제안의 운명을 결정하기 위해 모여듭니다. 어떤 법안은 기존 규칙에 대한 사소한 조정인 반면, 어떤 법안은 한 국가의 미래를 재편할 수 있는 전면적인 변화를 담고 있습니다. 이러한 투표의 결과를 예측하는 것은 매우 어렵기로 유명하며, 특히 정치적 동맹이 모래처럼 끊임없이 변하는 다당제 시스템에서는 더욱 그렇습니다. 단순한 예/아니오 질문과 달리, 입법 투표는 복잡한 협상, 최근의 정치적 모멘텀, 그리고 정당 지도자들의 숨겨진 영향력이 결합된 결과물입니다. 수십 년 동안 정치학자들은 이러한 행태를 파악하기 위해 노력해 왔으며, 종종 개별 정치인이 어떻게 투표하는지에 집중하거나 법안의 텍스트 자체를 분석해 왔습니다. 그러나 더 실질적인 과제가 남아 있습니다. 즉, 최종 투표가 이루어지기도 전에 특정 제안이 통과될지 아니면 부결될지를 예측할 수 있는가 하는 점입니다. 이 질문은 어떤 제안이 즉각적인 관심을 기울여야 하며, 어떤 것이 위원회에서 조용히 사장될 가능성이 높은지 알아야 하는 기자, 감시 단체, 그리고 시민들에게 매우 중요합니다.

브라질과 핀란드의 연구진은 이 질문에 답하기 위한 새로운 방법을 개발했으며, 브라질 하원을 대상으로 연구를 진행했습니다. 모든 513명의 의원이 어떻게 투표할지 추측하는 대신, 그들은 제안을 둘러싼 더 넓은 패턴을 살펴보는 시스템을 구축했습니다. 그들은 2003년부터 2024년까지 20년에 걸친 약 9,000건의 투표 세션을 분석했습니다. 그들의 접근 방식은 단순하지만 강력한 아이디어에 기반합니다. 바로 제안의 이력과 그 배후에 있는 사람들의 최근 성공 여부가 미래를 결정하는 열쇠라는 점입니다. 특정 정당이 최근에 자신의 아이디어를 얼마나 자주 승인받았는지, 얼마나 많은 사람이 제안에 서명했는지, 그리고 정부가 공식적으로 이를 지지하는지 여부를 추적함으로써, 연구진은 높은 정확도로 최종 결과를 예측할 수 있는 모델을 만들었습니다.

연구진은 이 시스템을 VOTE-RAP라고 부릅니다. 이 시스템은 투표가 일어나기 직전에 얻을 수 있는 구체적이고 실시간적인 단서들을 수집하여 작동합니다. 핵심 단서 중 하나인 '정부 방향성(government orientation)'은 행정부가 특정 법안을 승인할지 혹은 거부할지를 공식적으로 권고했는지 여부를 기록합니다. 또 다른 단서인 '정당 인기(party-popularity)'는 특정 정당이 아주 최근에 자신들의 제안을 통과시키는 데 얼마나 성공적이었는지를 측정합니다. 만약 어떤 정당이 최근에 투표에서 승리해 왔다면, 그 정당의 새로운 제안은 성공할 가능성이 높습니다. 또한 이 시스템은 여러 차 번 투표에 부쳐진 제안들에 대한 '역사적 승인율'을 살펴보고, 법안 뒤에 있는 저자(발의자)의 수를 세며, 제안자가 이례적으로 많은 경우를 주목합니다. 이 모든 정보는 데이터 과학에서 흔히 발생하는 오류인 '누수(leakage)', 즉 모델이 과거의 예측을 위해 미래의 정보를 실수로 사용하는 문제를 방지하면서 결합됩니다.

연구진이 이 시스템을 테스트했을 때, 결과는 놀라웠습니다. 모델을 과거 데이터로 학습시키고 미래를 예측하게 한 엄격한 테스트에서, 이 모델은 투표 세션의 결과를 약 93%의 확률로 정확히 식별해 냈습니다. 더 중요한 점은, 대부분의 법안이 통과되는 이 입법부의 특성상 예측하기 어려운 과제인 '부결될 제안'을 포착하는 데 매우 뛰어났다는 것입니다. 이 시스템은 표준적인 예측 정확도 척도에서 0.908의 점수를 기록하며, 정부의 권고 사항만을 살펴보는 더 단순한 방법들을 크게 앞질렀습니다. 이러한 성공은 최근의 정치적 사건의 모멘텀과 제안의 구조적 세부 사항이 기존 생각보다 훨씬 더 예측력이 높다는 것을 시사합니다.

연구진은 또한 최근 몇 년간 사용되어 온, 개별 의원들이 어떻게 투표했는지에 대한 상세한 기록에 의존하는 더 복잡한 접근 방식을 테스트했습니다. 연구진은 이 방법이 개별 행동을 이해하는 데는 유용하지만, 제안의 전체적인 결과를 예측하는 데는 완전히 실패한다는 것을 발견했습니다. 이 복잡한 모델을 전체 범위의 제안에 적용했을 때, 모델은 무작위 추측보다 나은 성과를 내지 못했습니다. 이는 상세한 투표 기록이 전체 제안 중 극히 일부에 대해서만 존재하기 때문이며, 그 작은 집단에서 발견된 패턴이 나머지 제안에는 적용되지 않았기 때문입니다. 이 발견은 모든 의원의 투표 내용을 아는 것이 최종 결과를 예측하는 데 필수적이라는 생각을 반박하며, 대신 더 넓은 제도적 신호들이 충분하다는 것을 보여줍니다.

이 연구를 특히 가치 있게 만드는 것은 그 투명성입니다. 이 시스템은 설명할 수 없는 신비로운 '블랙박스' 알고리즘에 의존하지 않습니다. 대신, 누구나 검사할 수 있는 명확하고 이해 가능한 요소들을 사용합니다. 가장 중요한 요인은 정부의 공식 입장으로 밝혀졌으며, 그 뒤를 이어 법안을 발의한 그룹의 규모와 발의 정당의 최근 인기가 뒤를 이었습니다. 모델이 눈에 보이는 신호들을 기반으로 구축되었기 때문에, 기자들과 감시자들은 왜 특정 예측이 나왔는지 정확히 이해할 수 있습니다. 만약 시스템이 어떤 법안이 실패할 것이라고 예측한다면, 그것은 정부가 반대하거나 혹은 발의한 정당이 최근 투표에서 패배해 왔기 때문일 것입니다. 이러한 명확성은 이해관계자들이 자신들의 노력을 우선순위에 두어, 가장 논쟁적이거나 혹은 조용히 사라질 가능성이 높은 제안들에 집중할 수 있게 해줍니다.

연구진은 또한 정치의 변화하는 성격을 반영하여 시스템의 정확도가 시간에 따라 변한다는 점을 관찰했습니다. 어떤 해에는 모델이 매우 정확했던 반면, 어떤 해에는 정치적 재편이나 예상치 못한 사건들로 인해 성능이 떨어지기도 했습니다. 이러한 변동은 결함이 아니라, 정치적 지형이 유동적임을 인정하는 현실적인 특징입니다. 연구진은 모델이 미래를 예측하기 위해 오직 과거만을 보게 하는 엄격한 타임라인을 사용하여, 결과가 '정답지를 미리 엿보는' 인위적인 시나리오가 아니라 실제 세상에서 일어날 법한 일을 반영하도록 보장했습니다.

궁극적으로, 이 연구는 복잡한 입법 세계를 항해하기 위한 실질적인 도구를 제공합니다. 이는 정부의 권고, 최근 정당의 성공, 그리고 제안의 지지 폭과 같은 올바른 신호에 집중함으로써, 높은 신뢰도로 입법 결과를 예측하는 것이 가능하다는 것을 입증합니다. 이 연구는 개별 투표는 복잡할지라도, 집단적인 결과는 제도적 모멘텀에 의해 움직이는 뚜렷한 패턴을 따르는 경우가 많다는 것을 확인시켜 줍니다. 브라질 하원을 지켜보는 이들에게, 이는 이제 최종 집계가 나오기 전 투표의 향방을 볼 수 있는 방법이 생겼음을 의미하며, 민주적 과정에 대한 더 명확한 창을 제공합니다.