📄 social_science

Computational History and Heritage: New Enquiries Through Synthesis

이 논문은 모델링, 시뮬레이션, 머신러닝을 포함한 계산적 방법론이 방대한 다차원적 데이터셋을 합성하여 전통적인 역사 분석을 초월하는 데 필수적이며, 이를 통해 학자들이 과거의 환경을 체계적으로 재구성하고, 가설을 검증하며, 복잡한 사회문화적 역동성을 탐구함으로써 인류사의 더욱 총체적인 서사를 밝혀낼 수 있게 한다고 주장한다.

원저자: Eugene Ch'ng, Simon See, Ka Chun Cheung, Ping Shu Ho

게시일 2026-07-20

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Eugene Ch'ng, Simon See, Ka Chun Cheung, Ping Shu Ho

원본 논문은 CC BY 4.0 (https://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 수천 년 전 일어난 미스터리를 풀려는 탐정이라고 상상해 보십시오. 과거의 탐정들은 모든 일기, 편지, 석판을 하나하나 직접 읽으며 자신의 두뇌를 이용해 이야기를 재구성해야 했습니다. 이것이 과거에 역사와 유산 연구가 작동하던 방식이었습니다. 신중하고, 느리며, 인간이 읽거나 기억할 수 있는 양에 제한을 받는 방식이었죠. 그러다 컴퓨터가 등장했습니다. 처음에는 단순히 책을 스캔하여 화면에서 읽을 수 있게 하는 것처럼, 이 오래된 것들의 디지털 사본을 만드는 데 컴퓨터를 사용했습니다. 이것이 "디지털(Digital)" 시대였습니다. 이는 기록을 보존하고 더 많은 사람이 볼 수 있게 해 주었지만, 기본적으로는 화려한 도서관에 불과했습니다.

이제 우리는 "계산적 역사 및 유산(Computational History and Heritage)"이라 불리는 새로운 단계에 진입하고 있습니다. 이 접근 방식을 단순한 도서관이 아니라, 거대하고 매우 똑똑한 시뮬레이터라고 생각해 보십시오. 단순히 이야기를 읽는 대신, 이 새로운 접근 방식은 강력한 수학과 인공지능을 사용하여 과거의 모델을 구축합니다. 이는 고대 토양의 꽃가루, 깨진 항아리의 모양, 잊혀진 편지의 단어와 같은 수백만 개의 작은 단서들을 가져와서 인간의 눈으로는 결코 찾아낼 수 없는 패턴을 발견하기 위해 이들을 한데 모읍니다. 이것은 마치 수백만 개의 흩어진 퍼즐 조각을 가져와 로봇이 즉각적으로 끼워 맞춰, 당신이 존재조차 몰랐던 그림을 드러내는 것과 같습니다. 이것이 중요한 이유는 우리가 조상들에 대해 "만약 ~했다면 어땠을까"라는 질문을 던질 수 있게 해주며, 문명이 왜 흥하거나 쇠퇴했는지에 대한 아이디어를 이전에는 불가능했던 방식으로 테스트할 수 있게 해주기 때문입니다.

논문: 과거를 바라보는 새로운 방법

유진 청(Eugene Ch'ng)과 그의 팀이 작성한 이 논문은 기본적으로 이 새로운 영역의 지도와 같습니다. 그들은 역사와 유산 분야가 정확히 어디로 향하고 있는지 보고 싶어 했습니다. 이를 위해 그들은 단순히 추측하지 않았습니다. 그들은 대규모 데이터 사냥을 떠났습니다. 그들은 구글 스콜라(Google Scholar)에서 22,000개 이상의 연구 논문 제목을 확보했고, 특수한 종류의 AI를 사용하여 이 논문들이 실제로 무엇에 대해 이야기하고 있는지 그룹화했습니다. 그들은 이 논문 제목들을 거대한 직소 퍼즐처럼 취급하여, 어떤 주제가 빠르게 성장하고 있고 어떤 주제가 그대로 머물러 있는지 확인하기 위해 함께 나타나는 단어의 클러스터를 찾았습니다.

큰 발견: 두 가지 속도의 성장

저자들은 매우 흥-미로운 사실을 발견했습니다. 이 분야는 두 가지 다른 속도로 움직이고 있다는 점입니다.

한쪽에는 **고고학 및 유산(Archaeology and Heritage)**이 있습니다. 이들은 이 분야의 "닻" 역할을 합니다. 이들은 앞을 향해 질주하고 있습니다! 논문에 따르면 이 분야의 연구는 연간 5.2%에서 5.6%의 속도로 성장하고 있습니다. 이는 물리학이나 화학 같은 다른 "경학(hard sciences)"만큼이나, 혹은 그보다 더 빠른 속도입니다. 왜일까요? 이 분야는 컴퓨터를 사용하여 3D 모델을 구축하고, 고대 유적을 스캔하며, 과거에 사람들이 어떻게 이동했는지 시뮬레이션하는 데 탁월하기 때문입니다. 그들은 물리적 객체를 테스트하고 가지고 놀 수 있는 디지털 트윈으로 바꾸고 있습니다.

다른 한쪽에는 "정체된" 영역이 있습니다. 바로 사학(Historiography)(기본적으로 우리가 역사를 어떻게 쓰고 이해하는지를 연구하는 학문)입니다. 논문은 우리가 과거의 '물건'(건물이나 도구 등)을 재구성하는 데는 매우 뛰어나졌지만, 그 뒤에 숨겨진 '이야기'와 '아이디어'를 계산적으로 이해하는 데는 전혀 나아지지 못하고 있음을 보여줍니다. 이러한 이론적 주제의 성장률은 정체되어 있거나 심지어 약간 마이너스 성장을 보입니다. 저자들은 이것이 컴퓨터에게 벽돌 담장을 인식시키는 것보다 인간의 감정, 복잡한 원인, 그리고 역사의 복잡한 "왜"를 이해하도록 가르치는 것이 훨씬 더 어렵기 때문이라고 제안합니다.

이 접근 방식의 정의 (그리고 아닌 것)

이 논문은 "계산적 역사"가 무엇이 아닌지를 매우 명확하게 밝히고 있습니다. 그것은 당신을 위해 사실을 찾아주는 화려한 검색 엔진이 아닙니다. 그것은 단지 숨겨진 숫자를 찾기 위해 데이터를 파헤치는 것도 아닙니다. 그리고 결코 단순히 많은 오래된 책을 더 빨리 읽는 것도 아닙니다.

대신, 저자들은 이를 **합성(synthesis)**이라고 정의합니다. 수백만 개의 작고 알록달록한 타일(테세라)이 들어있는 상자를 상상해 보십시오. 그 자체로는 그저 무작위적인 색의 조각들일 뿐입니다. 하지만 컴퓨터를 사용하여 이들을 한꺼번에 배치하면, 아름다운 모자이크 그림이 나타납니다. 그 그림이 바로 "새로운 지식"입니다. 컴퓨터는 기후 기록, 고대 뼈의 DNA, 오래된 텍스트와 같은 다양한 유형의 데이터를 혼합하여, 이전에는 보이지 않았던 숨겨진 규칙과 연결고리를 드러냅니다.

도구들

논문은 **딥 러닝(Deep Learning)**과 3D 재구성(3D reconstruction) 같은 새로운 도구들 덕분에 마법이 일어나고 있음을 강조합니다.

3D 재구성: 그들은 우리가 카메라와 수학을 사용하여 유적의 3D 모델을 구축하던 방식에 대해 이야기합니다. 이제 "가우시안 스플래팅(Gaussian Splatting)"과 같은 새로운 AI 도구들은 컴퓨터를 혼란스럽게 했던 빛나거나 매끄러운 표면 위에서도 더 빠르고 더 상세하게 이러한 모델을 구축할 수 있습니다.
딥 러닝: 이것은 배후에 있는 두뇌 역할을 합니다. 이는 컴퓨터가 방대한 양의 데이터로부터 "학습"하여 패턴을 포착할 수 있게 해줍니다. 예를 들어, 컴퓨터는 수천 개의 고대 텍스트를 살펴보고 언어가 시간이 지남에 따라 어떻게 변했는지 파악하거나, 가뭄에 대해 도시 전체가 어떻게 반응했을지 시뮬레이션할 수 있습니다.

우리가 채워야 할 간극

이 논문의 가장 중요한 시사점은 우리가 채워야 할 간극이 있다는 것입니다. 우리는 현재 과거의 증거를 재구성하는 데(물리적인 것들)는 매우 뛰어나지만, 여ยัง 역사를 쓰는 데(이야기와 설명)는 여전히 어려움을 겪고 있습니다.

저자들은 미래가 단순히 더 나은 3D 모델을 만들거나 더 많은 데이터를 찾는 것에 있지 않다고 제안합니다. 그것은 합성에 있습니다. 우리는 물리적 데이터(유적 등)를 추상적 데이터(아이디어 및 사회적 규칙 등)와 결합하여 완전한 그림을 만들어내야 합니다. 그들은 일단 우리가 이 일을 할 수 있게 되면, 단순히 오래된 질문에 답하는 것을 넘어, 우리가 이전에 생각지도 못했던 새로운 질문들을 던질 수 있게 될 것이라고 믿습니다.

요약하자면, 이 논문은 우리가 엔진(디지털 도구와 데이터)은 성공적으로 구축했지만, 이제 다음 단계의 인간 이야기 이해로 우리를 데려가기 위한 운전자(새로운 사고방식)를 구축해야 한다고 주장합니다. 우리는 단순히 과거를 바라보는 것에서 과거를 시뮬레이션하고 이해하는 것으로 나아가고 있습니다.

기술 요약: 계산적 역사와 유산: 합성을 통한 새로운 탐구

1. 문제 제기

본 논문은 전통적인 인문학 연구의 근본적인 한계를 지적한다. 즉, 수천 년에 걸친 고차원적 패턴을 탐지하기 위해 방대한 다차원 데이터셋을 처리하는 데 있어 인간의 인지 능력에는 한계가 있다는 점이다. "디지털 인문학(DH)"과 "디지털 유산(Digital Heritage)" 시대는 디지털화, 접근성, 재현(예: 3D 스캐닝, 온라인 아카이브, "원격 독해")을 위한 인프라 구축에는 성공했지만, 이들은 주로 검색과 정적 분석에 머물러 있다.

저자들은 현재 이 분야가 분열을 경험하고 있다고 주장한다. 한쪽에는 고고학 및 유산과 같은 응용 학문이 물리적 증거(유적, 유물)를 재구성하기 위해 계산적 방법론을 성공적으로 통합한 사례가 있다. 다른 한쪽에는 역사의 이론적 핵심인 사학(historiography)—서사 구축, 인과관계, 인간의 행위성을 다루는 분야—가 계산적 추론의 영향을 거의 받지 않은 채 남아 있다. 본 논문은 이 분야가 단순한 사실 검색을 넘어 복잡한 사회문화적 역동성을 다루기 위해 "디지털"(재현 및 접근)에서 "계산적"(알고리즘 모델링, 시뮬레이션 및 합성) 단계로 전환해야 한다고 상정한다.

2. 방법론

이 분야의 궤적을 지도화하고 디지털에서 계산적 단계로의 전환을 검증하기 위해, 저자들은 다음과 같은 기술적 파이프라인을 사용하여 대규모 서지 분석을 수행하였다:

데이터 수집: 저자들은 컴퓨터 과학 및 유산 분야의 중요한 학제 간 연구와 "회색 문헌(grey literature)"을 놓칠 수 있는 Scopus나 Web of Science와 같은 큐레이션된 인덱스에 의존하는 대신, Google Scholar API를 활용하였다. 키워드 쌍(예: "computational history", "computational heritage", "computing archaeology")을 쿼리로 사용하여 100개의 결과 페이지를 검색하였으며, 1904년 이후 출판된 약 22,449개의 고유한 논문 제목을 수집하였다.
의미론적 임베딩 및 클러스터링:
- 논문 제목은 사전 학습된 트랜스포머 모델인 all-MiniLM-L6-v2(Sentence-BERT)를 사용하여 임베딩되었으며, 이를 통해 표면적인 키워드 매칭을 넘어 의미적 유사성을 포착하는 384차원의 밀집 벡터(dense vectors)를 생성하였다.
- K-Means 클러스터링이 $k \in \{2, \dots, 100\}$ 범위에서 수행되었다. 최적의 클러스터 수( $k=56$ )는 엘보우 방법(inertia stabilization)과 실루엣 점수를 기반으로 선택되었다.
- TF-IDF와 KeyBERT를 사용하여 인간이 해석 가능한 클러스터 레이블링을 위한 대표적인 단어(unigrams) 및 구절(bigrams)을 추출하였다.
차원 축소: 국소적 구조와 전역적 구조를 모두 보존하기 위해 UMAP을 사용하여 3D 시각화를 수행하였으며, PCA를 결정론적 베이스라인으로 사용하였다.
성장 및 영향력 지표:
- 출판 속도를 결정하기 위해 선형 회귀(Linear Regression) 기울기를 계산하였다.
- 주제 간 성장을 정규화하기 위해 **연평균 성장률(CAGR)**을 사용하였다.
- Mann-Kendall 추세 검정을 통해 단조적 추세의 통계적 유의성( $p < .05$ )을 평가하였다.
- 인용 분포를 구분하여 확립된 토대와 신흥 프런티어를 식별하기 위해 지프의 법칙(Zipf's Law) 분석을 적용하였다.

3. 주요 기여

본 논문은 다음과 같은 몇 가지 뚜렷한 기술적 및 개념적 기여를 한다:

계산적 역사와 유산의 정의: 저자들은 이 분야를 단순한 데이터 마이닝이나 사실 검색이 아니라, 복잡한 시스템을 모델링하기 위해 방대하고 다양한 데이터셋(텍스트, 물질, 환경, 유전체)을 **합성(synthesize)**하는 것으로 정의한다. 이는 전통적인 학술 연구로는 보이지 않는 깊은 패턴을 드러내는 복잡한 규칙과 구조를 발견하는 것을 포함한다.
분야의 경험적 매핑: 22,000개 이상의 제목 분석을 통해, 본 논문은 학문의 구조적 변화에 대한 최초의 정량적 증거를 제공하며, 특정 "앵커(anchor)" 학문과 "정체된" 이론적 영역을 식별한다.
"사학적 격차(Historiographical Gap)"의 식별: 본 연구는 응용 분야(고고학, 유산)가 글로벌 계산적 기준치와 일치하거나 이를 상회하는 속도로 성장하는 반면, 이론적 핵심(사학)은 통계적으로 정체되어 있음을 정량적으로 입증한다.
핵 핵심 메커니즘으로서의 합성: 논문은 "합성"을 핵심적인 인식론적 전환으로 규정한다. 저자들은 계산적 방법(특히 딥러닝 및 시뮬레이션)이 서로 다른 요소들(예: 기후 데이터, 유물, 텍스트)을 결합하여 새로운 질문을 생성하고 숨겨된 관계를 드러내는 일관된 모델을 만드는 것을 가능하게 한다고 주장하며, 이는 개별 타일들을 모아 모자이크를 완성하는 과정에 비유된다.

4. 결과

정량적 분석을 통해 다음과 같은 구체적인 결과가 도출되었다:

성장률:
- 글로벌 "계산적/컴퓨팅(Computational/Computing)" 기준치(클러스터 11)는 **5.3%**의 성장률을 보인다.
- 고고학/고고학적(Archaeological)(클러스터 4) 분야는 이 기준치와 일치하는 **5.2%**를 기록했다.
- 유산/문화유산(Heritage/Cultural Heritage)(클러스터 27)은 기준치를 상회하는 **5.6%**를 기록하며 성장 아웃라이어로 식별되었다.
- 디지털 인문학(Digital Humanities)(클러스터 21)은 **4.8%**의 성장률을 보이며 계산적 기준치보다 뒤처져 있다.
- 사학/역사(Historiography/History)(클러스터 28 및 29)는 음수 또는 미미한 성장 기울기(-0.01 ~ -0.05)를 가진 "정체된(Stagnant)" 상태로 표시되었다.
시간적 층위: 히트맵 분석(1988–2025) 결과, 고고학과 유산 분야에서 2010년경부터 강도가 높아지고 2015년 이후 가속화되는 "벽(wall)"이 나타났다. 반면, 사학과 문학 연구는 확산되어 있으나 가속화되지 않는 띠 형태를 보여, 지속성은 있으나 지수적 성장은 없음을 나타냈다.
인용 분포 (지프의 법칙): 가장 많이 인용된 키워드는 자연과학(예: 결정학 소프트웨어를 의미하는 "history shelx", "양자 정보", "클라우드 컴퓨팅")이 지배적이다. 인문학 키워드(예: "Digital History", "Museums")는 중간 세그먼트에 나타나며, 이는 해당 분야가 현재 고유한 계산적 이론을 갖기보다는 타 과학 분야의 프레임워크를 빌려오고 있음을 시사한다.
기술적 동인: 유산 및 고고학의 성장은 3D 기술(NeRFs, Gaussian Splats)과 머신러닝/딥러닝(Transformers, LLMs)의 부상과 구조적으로 연결되어 있다.

5. 의의 및 주장

본 논문은 계산적 역사와 유산이 결정적인 인식론적 전환을 나타낸다고 주장한다.

재현에서 시뮬레이션으로: 이 분야는 정적 재현과 보존의 "디지털" 시대를 넘어, 동적 모델링, 시뮬레이션 및 알고리즘적 추론의 "계산적" 시대로 나아가고 있다.
새로운 역량: 다중 양식 데이터(객체, 기념물, 기후 기록, 유전체)를 합성함으로써, 이러한 방법론은 학자들이 다음과 같은 일을 할 수 있게 한다:
- 과거의 환경과 행동을 재구성한다.
- 대안적인 시나리오를 시뮬레이션하고 경쟁하는 가설을 테스트한다.
- 문화, 환경, 그리고 행위성 사이의 상호작용을 탐구한다.
- 이전에는 형성이 불가능했던 완전히 새로운 질문을 던진다.
앞으로의 과제: 저자들은 이 분야가 물리적 재구성(고고학/유산)의 토대를 성공적으로 구축했지만, 다음의 큰 과제는 견고한 **계산적 사학(computational historiography)**을 개발하는 것이라고 결론짓는다. 목표는 과거의 증거를 계산하는 것을 넘어, 그 증거를 설명하는 서사와 이론을 계산적으로 합성함으로써, 양적 데이터와 인문학적 탐구 사이의 간극을 메우는 것이다.

본 논문은 구체적인 새로운 알고리즘이나 실험적 응용을 제안하기보다는, 분야의 성숙을 위해 데이터 수집 및 시각화를 넘어 복잡계 모델링과 이론적 합성으로 나아가야 한다는 메타 분석적 프레임워크와 촉구(call to action)를 제공한다.