Results

결과: 판단, 그림, 의의

보고서 발표 전 초안 v0.9 기준입니다. 모든 수치는 가상 인물의 합성 응답에서 나온 진단값입니다.

합성 응답(진단) — 아래 판단은 보고서 요약문의 핵심 판단 6개입니다. 모든 수치는 가상 인물의 합성 응답에서 나온 공식 판정 이전의 탐색·내부 진단이며, 국민 여론이나 모집단 추정치가 아닙니다. 판단의 상태: 초안(발표 전) → 확정 또는 개정.

핵심 판단 6개

미래상 문안에서 비어 있는 것은 새 주제가 아니라 비용 부담, AI 판단의 설명 책임, 일자리 이동이라는 실행 조건이다. 초안

수용 조건의 주제 언급 3,907건 중 2,347건은 미래상이 이미 다루는 주제이고, 가장 많은 요구인 요금 전가 우려(869명), AI 판단의 설명·검증 조건(653명), 일자리 대체 우려(400명)는 어느 미래상 문장에도 대응 표현이 없음
요금 전가 우려는 레드팀 20명 중 19명, 전력 원탁 7석 중 6석(인간 감사 전 잠정)에서도 나오고, 청년의 월드카페 우려와 소외 장면에서도 비용·소득이 가장 많음. 같은 모델·설문에서 나온 합성 창구들은 서로 독립된 반복이 아님
요금 전가 우려는 874문장 중 1문장만 문항 문구를 되풀이했으나 제시문 노출의 영향은 배제하지 못하며, 수용 조건 전체로는 47.4%가 문항 문구를 되풀이함

출처 D-25 D-22 · 보고서 제7장 제2절, 제5장 제7절, 부록 K · 실험 자유서술 코딩: 수용 조건·우려와 미래상 대응, 극단·취약 페르소나 레드팀, 합성 원탁회의 (2탁자 × 7석 × 4라운드)

합성 페르소나는 방향과 집계 순위는 반복하지만, 워크숍 참여 청년에 비해 의견의 폭이 좁고 구조적 비관에 쏠리며, 토론을 거쳐 드러나는 우려는 한 번짜리 응답으로 만들지 못한다. 초안

미래상 순위는 같은 모델 계열 757명의 세 차례와 8개 AI 모델(같은 200명, 순위 일치도 .941)에서 유지됨
같은 인물의 신뢰 점수(반복 일치도 .309)와 모델 간 개인 답(일치율 49.6~65.7%)은 재현되지 않고, 사람 응답과의 주제 차이는 세 차례 반복해도 줄지 않음
문항별 표준편차가 참여 청년(25명, 자기선택) .89, 합성 청년 .43이고, '수도권-지방 격차는 좁혀지지 않음'에 합성 청년 전원이 동의할 때 참여 청년은 52%만 동의함
첫 일자리가 사라져 경험을 쌓을 수 없는 경로는 같은 개방형 문항에서 참여 청년 4%, 합성 청년 4.5%로 둘 다 드물었고, 워크숍 토론에서 드러남

출처 D-5 D-7 D-39 · 보고서 제4장, 제5장 제8절, 제6장 제2·4절 · 실험 반복 일치도 (같은 모델 계열 757명), 모델 다양성 암(M-arm): 8개 AI 모델, 청년워크숍 대조: 참여 청년 25명 대 합성 청년 224명

목표는 지지하면서 구체 수단에는 반대하는 조합이 같은 인물 안에 공존한다. 초안

①지능강국을 지지하면서 AI 최종판단 위임(F01)에 반대한 페르소나 112명
②초장수를 지지하면서 기대수명 140세 국가목표(F03)에 반대한 페르소나 982명
F01·F03은 세 차례 모두 반대만 나와 선호의 분포로 읽을 수 없으며, 모델 규범·문항 강도·실제 선호 가운데 무엇인지 사람 조사로 가려야 함

출처 D-3 · 보고서 제5장 제4절 · 실험 본조사: 1,000명 × 190문항 × 3회

합성 페르소나의 소외 점수와 요구의 종류는 연령보다 학력을 따라 갈린다. 초안

고령층의 높은 소외 점수(+.335)는 다른 특성을 함께 고려하면 +.034로 줄고, 학력 차이는 세 차례를 합친 반복 분석에서도 같은 방향으로 남음
대학원 쪽은 AI 판단 설명 조건 87.5%, 중졸 이하 쪽은 요금 전가 우려 93.7%와 ①지능강국 유보 80.1%로 요구의 종류가 다름
AI 모델이 재생산한 사회경제적 고정관념일 수 있어 실제 시민의 장벽과 사람 조사로 구분해야 함

출처 D-9 D-25 · 보고서 제5장 제5·6절, 제7장 제2절 · 실험 본조사: 1,000명 × 190문항 × 3회, 자유서술 코딩: 수용 조건·우려와 미래상 대응

합성 응답은 사람보다 좁은 의제로 답하며, 청년워크숍 참여자 25명의 답에서도 같은 방향의 누락이 보인다. 초안

18개 주제 가운데 반도체·에너지를 뺀 16개를 사람보다 덜 언급하고, 가장 큰 차이는 경제·성장·경쟁력(−72.8%p)임
격차·불평등 언급률이 워크숍 참여 청년 88%, 대국민 20~30대 53%, 합성 청년 16%이고, 참여 청년의 주제 구성은 합성 청년보다 사람 20~30대에 더 가까움
응답 길이, 표현 방식, 표본 선택, 주제 분류 사전의 영향이 남아 있어 언급 차이 전체를 가치관 차이로 설명할 수 없음

출처 D-6 D-39 · 보고서 제6장 제2·4절 · 실험 대국민 온라인 설문 개방형 대조, 청년워크숍 대조: 참여 청년 25명 대 합성 청년 224명

개방형 응답의 주제별 언급률: 사람 vs 합성 페르소나(공통 연령·성별층)

⑥포용의 높은 수용은 혜택이 실제로 닿는다는 확신이나 정부 착수 1순위를 뜻하지 않는다. 초안

⑥포용은 수용도 1위(4.72)이고 반복해도 안정적(.820)이나, 극단·취약 페르소나 20명은 수용도 4.87과 함께 소외 3.75·불안 3.95도 높음
참여 청년은 격차·불평등을 개방형 답의 88%에서 언급했으며, 이는 포용을 독립 목표보다 공통 조건으로 다룰 근거 후보임

출처 D-22 D-39 D-10 · 보고서 제5장 제2·7절, 제6장 제4절 · 실험 극단·취약 페르소나 레드팀, 청년워크숍 대조: 참여 청년 25명 대 합성 청년 224명

미래상별 6축 평균

미래상	기대	체감성	소외	불안	신뢰	수용도
①지능강국	3.70	2.59	3.84	4.93	2.00	2.77
②초장수	4.95	3.19	3.90	3.53	2.07	3.49
③에너지	4.59	2.46	4.60	3.80	2.61	3.94
④생활권 확장	3.49	3.02	3.80	4.06	2.28	3.16
⑤룰메이커	3.67	2.31	4.05	4.05	2.03	3.30
⑥포용	4.15	3.55	3.46	3.65	2.01	4.72

미래상별 수용성 6축 평균 (3차 응답 1,000명, 1~5점) · 출처 D-1 · 굵은 색은 축별 최댓값. 수용도는 단계적 도입, 구체적 생활 변화 수용, 추세 대비 미래상 지지를 합친 복합 점수이며 일반 지지로 읽지 않습니다. 신뢰는 반복 일치도가 낮아(.309) 수준보다 응답을 바꾸는 조건을 찾는 질문으로 씁니다.

그림 48장 (보고서 장별)

캡션과 해설은 그림 목록(figures_manifest.json)에서 가져옵니다. 그림을 누르면 크게 보입니다.

제4장 · 2 제5장 · 9 제6장 · 6 제7장 · 2 부록 I · 그림 부록 · 29

제4장 반복 일치도 2장

fig_03 · 4.2 축별 결과 · 본문**문항별 응답 다양성과 3회 동일 응답 비율**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
가로축은 1,000명 응답이 얼마나 여러 값으로 흩어졌는지(엔트로피, 0이면 전원 같은 답), 세로축은 757명이 3회 모두 같은 값을 고른 비율임.
분홍 원은 6축 구성 문항, 초록 삼각형은 그 밖의 수치 문항임.
*알 수 있는 것*
6축 구성 문항은 평균적으로 셀의 73.0%가 3회 모두 같은 값이었고, 응답 다양성은 평균 0.72비트로 최대치(2.32비트)의 3분의 1 수준임.
왼쪽 위에 몰린 문항은 거의 모두가 같은 답을 반복한 경우로, 높은 반복 일치가 '응답이 한두 값으로 쏠린 결과'일 수 있음을 보여줌.
주의
같은 답의 반복은 안정성이 아니라 생성 모델의 응답 쏠림일 수도 있어, ICC와 함께 읽어야 함.

제5장 분석 결과 9장

fig_42 · 5.7 극단·취약 페르소나 레드팀 · 본문**레드팀 수용 조건 유형별 순서 표현 분포**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
수용 조건 180문장을 유형별로 나누고, 문장 속 순서 표현(선행·동시·단계)의 분포를 보임. 한 문장에 여러 표현이 있으면 선행 > 동시 > 단계 순으로 하나만 셈.
*알 수 있는 것*
수용 조건은 도입 전에 갖출 일(전환 경로·비용 사전 공개)과 도입과 함께 갖출 일(곁에서 돕는 사람·이행 점검)을 구분해 적음.
주의
순서 표현은 규칙 사전으로 판정한 것이며, 인용 예시는 가상 인물의 합성 응답임.

fig_34 · 5.8 AI 모델에 따른 차이 · 본문**응답 모델별 점수 치우침: 미래상 × 축(기준 모델: Claude Opus, 같은 방식 실행, 200명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
칸의 숫자는 같은 200명을 해당 모델이 응답했을 때 기준 모델(Claude Opus, 같은 방식 실행)보다 평균 몇 점 높게(+, 초록)·낮게(−, 분홍) 답했는지임(1~5점 척도).
*알 수 있는 것*
Grok 추론형이 가장 크게 치우침(②초장수·신뢰 +1.77점 등).
본조사 3차(Opus)는 대부분 ±0.2점 이내로 기준과 가까움.
신뢰 축은 여러 모델에서 기준보다 높게 나오는 경향이 공통으로 보임.
주의
기준 모델(Claude Opus)도 하나의 모델일 뿐이므로 '정답과의 차이'가 아니라 '모델 간 차이'임.

제6장 인간 자료와의 대조 6장

fig_32 · 6.2 개방형 주제 언급 비교 · 본문**개방형 문항별 사람·페르소나 응답 판별 정확도(AUC)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
막대는 문항별로 응답이 사람 것인지 페르소나 것인지 맞히는 정확도(AUC, 0.5=우연, 1=완벽)임. 세로선은 95% 구간임.
빗금 회색은 글자 수·형식만, 분홍은 단어·표현만, 초록은 둘 다 쓴 모형임.
*알 수 있는 것*
7개 문항 모두 단어·표현을 쓰면 AUC가 0.9997 이상으로 거의 완벽하게 구분됨.
글자 수·형식만 써도 0.962~0.993임.
주의
사람 표본은 온라인 자기선택 표본이며, 구분이 쉽다는 것은 합성 응답의 문체가 사람과 뚜렷이 다르다는 뜻임.

fig_48 · 6.4.3 월드카페와 '2045 청년의 하루'에 드러난 배제 경로 · 본문**월드카페 진술의 질문 구성과 배제 경로**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
월드카페 결과 161행을 규칙 코딩해 미래상별 질문 구성(왼쪽)과, 우려 방향 79행에 붙은 배제 경로(오른쪽)를 보임. 한 행에 여러 경로가 붙을 수 있음.
*알 수 있는 것*
청년이 직접 만든 소외 장면에서도 비용이 가장 많이 나오며, 기술을 못 쓰는 것보다 데이터·AI 판정으로 밀려나는 장면이 새로 나타남.
주의
공동 산출물을 규칙 코딩한 것이라 행 수는 참가자 수나 독립된 의견 수가 아님.

제7장 미래상 반영과 전략 과제 2장

부록 I · 그림 부록 29장

fig_02 · 부록 I-1. 반복 일치도 · 부록**6축 구성 문항별 반복 일치도(Krippendorff α, 757명×3회)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
막대 하나가 문항 하나이며, 높을수록 3회 응답이 서로 일치함. 세로선은 95% 구간임.
문항은 소속 축별로 묶었으며 축마다 색을 번갈아 칠함(초록·분홍).
*알 수 있는 것*
축 구성 55문항의 일치도 중앙값은 0.412(최소 −0.002, 최대 0.771)임.
신뢰 축 문항들이 전반적으로 가장 낮아 축 단위 ICC의 불안정 판정과 방향이 같음.
주의
문항 하나의 일치도는 응답 범주가 몇 개 값에 몰려 있으면 낮게 나올 수 있어 문항 품질의 직접 증거가 아님.

fig_04 · 부록 I-1. 반복 일치도 · 부록**2차와 3차 응답의 축 점수 절대 일치(Bland–Altman, 757명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
점 하나가 페르소나 한 명임. 가로축은 두 차 평균 점수, 세로축은 3차에서 2차를 뺀 값임(보이기 위해 점을 아주 조금 흩뜨림).
분홍 실선은 평균 차이(차수 간 치우침), 검은 파선은 개인별 차이가 95% 들어가는 범위임.
*알 수 있는 것*
평균 치우침은 모든 축에서 0.1점 미만임(예: 수용도 −0.076, 체감성 −0.062).
개인 차이의 95% 범위는 체감성이 −0.58~+0.46점으로 가장 넓고, 기대는 −0.24~+0.26점으로 가장 좁음.
주의
축 점수가 1~5점이지만 실제 분포 폭이 좁아(표준편차 0.14~0.38) 0.3점 차이도 상대적으로 큰 변동임.

fig_05 · 부록 I-2. 문항 구조(요인분석) · 부록**요인 수 판단(평행분석, 55문항, 500명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
실제 자료의 고유값(설명하는 정보량)이 무작위 자료의 상위 95% 선보다 위에 있는 만큼을 의미 있는 요인 수로 봄.
초록은 주성분 기준, 분홍은 공통요인 기준이며 세로 점선이 각 기준이 제안하는 개수임.
*알 수 있는 것*
주성분 기준은 6개(설계한 축 수와 같음), 공통요인 기준은 15개를 제안해 두 기준이 크게 엇갈림.
첫 번째 성분이 전체 정보의 23%를 설명함.
주의
두 기준이 다르면 요인 수 결정 자체가 불확실하며, 이 결과가 6축 구조를 확인한 것은 아님.

fig_06 · 부록 I-2. 문항 구조(요인분석) · 부록**문항–요인 적재 구조: 6개 요인(설계 축 수, 500명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행은 문항(왼쪽에 설계상 소속 축 표시), 열은 자료에서 추출한 요인임. 칸 색이 진할수록 그 문항이 해당 요인과 강하게 묶임(초록=같은 방향, 분홍=반대 방향).
절댓값 .30 이상 칸에만 숫자를 적음.
*알 수 있는 것*
설계 축과 1:1로 대응하는 요인에 떨어진 문항은 34.5%에 그치고, 25.5%는 두 요인 이상에 걸침.
소외 문항은 체감성과 같은 요인(요인2)에 반대 방향으로 묶이는 등 축이 설계대로 분리되지 않음.
주의
응답이 몇 개 값에 몰린 상태의 요인분석이라 결과 자체가 불안정하며, 인간 척도의 타당성 근거가 아님.

fig_07 · 부록 I-2. 문항 구조(요인분석) · 부록**문항–요인 적재 구조: 15개 요인(평행분석 제안 수, 500명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
그림 읽는 법은 6개 요인 그림과 같음. 요인을 15개로 늘렸을 때의 결과임.
*알 수 있는 것*
설계 축과 1:1 대응 요인에 떨어진 문항 비율은 21.8%로 6개 요인일 때보다 더 낮음.
요인이 대체로 문항 2~3개씩의 작은 묶음으로 쪼개짐.
주의
요인 수를 늘려도 설계 축이 드러나지 않았다는 진단 정보이며, 새 축 체계를 제안하는 근거가 아님.

fig_08 · 부록 I-2. 문항 구조(요인분석) · 부록**6축 확인적 요인모형의 축 간 상관(부적격 해, 참고)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
칸의 숫자는 6축을 미리 정한 모형에서 추정한 두 축 사이의 상관임(초록=함께 오름, 분홍=반대로 움직임).
상관은 원래 −1~1 사이여야 하는데 −1.03 같은 값이 있어 모형 해가 '부적격'임.
*알 수 있는 것*
불안–수용도(−1.03), 기대–불안(−1.00), 기대–수용도(0.99)처럼 사실상 구분되지 않는 축 쌍이 나타남.
재표집 200회 중 적격 해는 0회여서 이 값으로는 어떤 추론도 하지 않음.
주의
부적격 해의 값은 투명성 목적으로만 제시하며, 축이 중복된다는 증거로 인용하지 않아야 함.

fig_12 · 부록 I-3. 반응면(두 축 조합) · 부록**두 축 조합에 따른 예측 수용도 반응표면(3차, 1,000명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
바닥의 두 축(예: 기대·신뢰) 값 조합에서 모형이 예측한 종합 수용도를 곡면 높이로 그림. 실제 응답이 있는 범위 안만 표시함.
제목의 설명력(R²)은 모형이 수용도 차이를 설명하는 비율, 괄호 안은 곡면(2차) 항을 넣어 추가된 몫임.
*알 수 있는 것*
네 조합 모두 설명력은 0.46~0.51이지만 대부분이 직선 관계에서 나오며, 곡면 항 추가분은 0.009 이하임.
통계 기준을 통과한 반응표면 모형 7건 중 반복 일치도 게이트까지 통과해 본문 판정에 오른 것은 0건임.
주의
같은 설문 안에서 동시에 측정한 점수끼리의 관계라 인과 구조로 읽으면 안 됨.

fig_13 · 부록 I-3. 반응면(두 축 조합) · 부록**연령별 반응표면 비교(등고선)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행은 두 축 조합, 열은 연령 집단임. 등고선 색이 진할수록 예측 수용도가 높음. 같은 행 안에서는 색 눈금이 같아 집단끼리 비교할 수 있음.
각 집단에서 실제 응답이 있는 범위만 칠했으므로, 칠해진 모양 차이는 집단별 응답 분포 차이이기도 함.
*알 수 있는 것*
연령에 따라 등고선 방향이 달라 보이는 판이 있으나, 집단 간 계수 차이를 보정한 검정에서는 모두 유의 기준을 넘지 못함(보정 p 최소 .267).
연령 조절 모형 일부는 통계 기준을 통과했지만 쓰인 축이 조건부·불안정이라 본문 판정에서 제외됨.
주의
집단 간 겹치는 응답 범위가 좁으면 표면 차이는 외삽에 가까우며, 탐색 결과로만 다룸.

fig_14 · 부록 I-3. 반응면(두 축 조합) · 부록**수도권 거주별 반응표면 비교(등고선)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행은 두 축 조합, 열은 수도권 거주 집단임. 등고선 색이 진할수록 예측 수용도가 높음. 같은 행 안에서는 색 눈금이 같아 집단끼리 비교할 수 있음.
각 집단에서 실제 응답이 있는 범위만 칠했으므로, 칠해진 모양 차이는 집단별 응답 분포 차이이기도 함.
*알 수 있는 것*
수도권 거주에 따라 등고선 방향이 달라 보이는 판이 있으나, 집단 간 계수 차이를 보정한 검정에서는 모두 유의 기준을 넘지 못함(보정 p 최소 .163).
수도권 거주를 조절변수로 넣은 모형은 통계 기준을 통과하지 못함(보정 p 최소 .781).
주의
집단 간 겹치는 응답 범위가 좁으면 표면 차이는 외삽에 가까우며, 탐색 결과로만 다룸.

fig_15 · 부록 I-3. 반응면(두 축 조합) · 부록**성별 반응표면 비교(등고선)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행은 두 축 조합, 열은 성별 집단임. 등고선 색이 진할수록 예측 수용도가 높음. 같은 행 안에서는 색 눈금이 같아 집단끼리 비교할 수 있음.
각 집단에서 실제 응답이 있는 범위만 칠했으므로, 칠해진 모양 차이는 집단별 응답 분포 차이이기도 함.
*알 수 있는 것*
성별에 따라 등고선 방향이 달라 보이는 판이 있으나, 집단 간 계수 차이를 보정한 검정에서는 모두 유의 기준을 넘지 못함(보정 p 최소 .516).
성별을 조절변수로 넣은 모형은 통계 기준을 통과하지 못함(보정 p 최소 .764).
주의
집단 간 겹치는 응답 범위가 좁으면 표면 차이는 외삽에 가까우며, 탐색 결과로만 다룸.

fig_17 · 부록 I-4. 유형화 · 부록**군집 수(k) 선택 지표(6축, 3차 1,000명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
왼쪽은 군집이 서로 잘 떨어지는 정도(실루엣, 높을수록 좋음), 가운데는 정보기준(BIC, 낮을수록 선호; 기준마다 0~1로 환산), 오른쪽은 재표집 재현도와 갭 통계임.
*알 수 있는 것*
실루엣은 k=2에서 0.339로 가장 높고 k가 늘수록 낮아짐.
BIC 기준별 최적 k는 3~8로 서로 엇갈림.
주의
k=2가 후보 중 가장 나은 분할일 뿐, 뚜렷이 구분되는 유형이 존재한다는 증거는 아님.

fig_18 · 부록 I-4. 유형화 · 부록**6축 점수로 나눈 두 집단의 축별 특성(k=2)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
세로축은 전체 평균을 0으로 한 표준점수임. 0보다 위면 그 축이 평균보다 높은 집단임.
*알 수 있는 것*
집단 2(474명, 47%)는 기대·체감성·신뢰·수용도가 높고 소외·불안이 낮으며, 집단 1(526명, 53%)은 정반대 모습임.
즉 두 집단은 '전반적 긍정–부정' 한 축의 양 끝에 가까움.
주의
같은 페르소나를 다른 차 응답으로 배정하면 일치도가 낮아(그림 20 참조) 개인의 고정된 유형으로 보기 어려움.

fig_19 · 부록 I-4. 유형화 · 부록**6개 집단으로 강제로 나눈 경우의 축별 특성(k=6, 비교용)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
읽는 법은 k=2 그림과 같음. 사전 연구의 6유형 가설과 비교하려고 6개로 강제로 나눈 결과임.
*알 수 있는 것*
군집 분리도(실루엣)는 0.213으로 '구조 약함' 기준(0.25)보다 낮고, 가장 작은 집단은 7%임.
주의
사전 연구의 6유형과 같은 사람이 없어 직접 대조할 수 없으므로 유형 재현의 증거가 아님.

fig_20 · 부록 I-4. 유형화 · 부록**같은 페르소나의 응답 차수 간 집단 유지 비율(757명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행은 3차에 배정된 집단, 열은 같은 페르소나를 2차(왼쪽)·1차(오른쪽) 응답으로 배정한 집단이며, 칸은 행 안의 비율임.
ARI는 두 배정이 우연 이상으로 일치하는 정도(1=완전 일치, 0=우연)임.
*알 수 있는 것*
같은 집단에 남는 비율은 73~86%지만, 우연 일치를 뺀 일치도(ARI)는 0.345(2차)·0.357(1차)로 낮음.
주의
1차는 모델 구성이 달라 순수한 시간 재현성이 아님.

fig_23 · 부록 I-5. 집단차(인구 특성의 예측 기여) · 부록**종합 수용도 예측에 대한 인구 특성별 기여도**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
막대는 머신러닝 모형이 종합 수용도를 예측할 때 각 특성이 평균적으로 얼마나 기여했는지(SHAP 평균 절댓값, 수용도 점수 단위)임.
*알 수 있는 것*
학력(0.045)이 가장 크고, 연령(0.022)·가구형태(0.020)·전공계열(0.020)이 뒤따름.
이 비선형 모형의 예측력(R² 0.202)은 단순 선형 모형(0.207)보다 나아지지 않았음.
주의
예측 기여도는 인과효과가 아니며, 서로 얽힌 특성(연령·학력·직업 등)의 개별 기여는 나누어 해석하기 어려움.

fig_25 · 부록 I-5. 집단차(인구 특성의 예측 기여) · 부록**학력 수준별 예측 기여(원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림을 그대로 사용해 영문 표기가 남아 있음: education_ord=학력(0 무학 … 6 대학원), SHAP=예측 기여, acc_overall=종합 수용도, lgbm_demo=인구 특성 모형.
점 하나가 페르소나 한 명이며, 위로 갈수록 해당 학력이 예측 수용도를 높이는 쪽임.
*알 수 있는 것*
학력이 높을수록 예측 기여가 단조롭게 커짐(최저 구간 평균 −0.078 → 대학원 +0.090).
주의
원본 제목의 '[diag]'와 영문 표기는 진단 산출물 표시이며, 인과효과가 아님.

fig_26 · 부록 I-5. 집단차(인구 특성의 예측 기여) · 부록**연령별 예측 기여(원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림(영문 표기): age=연령(세), SHAP=예측 기여. 점 하나가 페르소나 한 명임.
*알 수 있는 것*
연령이 높을수록 예측 기여가 약간 커짐(20대 중반 구간 평균 −0.013 → 70대 구간 +0.029).
주의
학력·직업 등과 얽혀 있어 연령만의 효과로 볼 수 없음.

fig_27 · 부록 I-5. 집단차(인구 특성의 예측 기여) · 부록**가구형태별 종합 수용도 예측 기여(5명 이상 범주)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
막대는 해당 가구형태 페르소나들의 평균 예측 기여이며, 오른쪽(초록)이면 수용도를 높이는 쪽, 왼쪽(분홍)이면 낮추는 쪽임. 괄호는 인원수임.
*알 수 있는 것*
배우자·자녀와 거주(+0.021)·배우자와 거주(+0.015)는 높이는 쪽, 혼자 거주(배우자 별거, −0.052)·한부모(−0.047)는 낮추는 쪽임.
주의
인원이 적은 범주(5~15명)는 값이 불안정하며, 기여 크기 자체도 수용도 척도에서 최대 약 0.05점으로 작음.

fig_24 · 부록 I-6. 예측 모델(축 점수의 예측 기여) · 부록**종합 수용도 예측에 대한 기여도(인구 특성 + 5개 축)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
읽는 법은 앞 그림과 같음. 분홍은 수용성 축 점수, 초록은 인구 특성임.
*알 수 있는 것*
기대(0.050)·체감성(0.044)·소외(0.020)가 인구 특성보다 크게 기여함.
축을 넣으면 예측력이 R² 0.594까지 높아짐.
주의
축 점수와 수용도를 같은 설문에서 동시에 측정해 서로 닮을 수밖에 없는 구조임(공통방법분산).

fig_28 · 부록 I-6. 예측 모델(축 점수의 예측 기여) · 부록**기대 점수별 예측 기여(원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림(영문 표기): 가로축=기대 축 점수, SHAP=예측 기여, lgbm_demo_axes=인구 특성+축 모형.
*알 수 있는 것*
기대 점수가 높을수록 예측 기여가 커짐(구간 평균 −0.050 → +0.108).
주의
기대와 수용도를 같은 설문에서 동시에 측정했으므로 인과 관계로 해석하지 않음.

fig_29 · 부록 I-6. 예측 모델(축 점수의 예측 기여) · 부록**체감성 점수별 예측 기여(원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림(영문 표기): 가로축=체감성 축 점수, SHAP=예측 기여.
*알 수 있는 것*
체감성 점수가 높을수록 예측 기여가 커짐(구간 평균 −0.066 → +0.083).
주의
동시 측정 점수 사이의 관계임.

fig_30 · 부록 I-6. 예측 모델(축 점수의 예측 기여) · 부록**소외 점수별 예측 기여(원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림(영문 표기): 가로축=소외 축 점수, SHAP=예측 기여.
*알 수 있는 것*
소외 점수가 높을수록 예측 기여가 작아짐(구간 평균 +0.020 → −0.031).
주의
동시 측정 점수 사이의 관계임.

fig_16 · 부록 I-7. AI 모델 비교 · 부록**응답 모델별 반응표면 계수 a1~a4와 95% 구간(같은 200명)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
행 묶음은 두 축 조합, 열은 반응표면 요약 계수 4종임. a1·a2는 두 축이 같이 오를 때의 기울기·휨, a3·a4는 두 축이 어긋날 때의 기울기·휨임.
초록은 다른 LLM이 같은 200명 페르소나로 응답한 결과, 분홍 마름모는 본조사, 회색 파선은 본조사 1,000명 추정값임.
*알 수 있는 것*
같은 페르소나라도 응답 모델에 따라 계수의 크기·부호가 크게 달라짐(예: 기대×신뢰의 a1은 GPT Terra 4.17, 기준 모델 Claude Opus −0.19).
특히 기대×불안·기대×신뢰 조합에서 모델 간 차이가 큼.
주의
모델 간 차이는 프롬프트 전달 형식 등과 섞여 있어 모델 자체의 성향으로 단정할 수 없음.

fig_21 · 부록 I-7. AI 모델 비교 · 부록**응답 모델 간 집단 배정 일치도(같은 200명, k=2)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
같은 200명 페르소나를 서로 다른 LLM이 응답했을 때, 두 모델의 집단 배정이 얼마나 일치하는지(ARI)를 칸마다 적음.
*알 수 있는 것*
본조사 기준 모델별 일치도는 −0.005~0.433 범위로, 중앙값 0.086에 그침.
본조사와 0.3 안팎 이상 일치하는 모델은 GPT Terra(0.43)·기준 모델 Claude Opus(0.33)·Sonnet(0.30)뿐임.
주의
일치도 저하가 모델별 평균 점수 이동 때문인지 개인 순서 변화 때문인지 이 그림만으로는 구분되지 않음.

fig_35 · 부록 I-7. AI 모델 비교 · 부록**응답 모델별 점수 치우침: 55개 축 문항(기준 모델: Claude Opus, 같은 방식 실행)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
앞 그림을 문항 단위로 풀어 본 것임. 초록은 기준보다 높게, 분홍은 낮게 응답한 문항임(숫자 생략).
*알 수 있는 것*
문항 평균 치우침 크기는 Grok 추론형이 0.529점으로 가장 크고(최대 1.77점), 본조사 3차는 0.055점으로 가장 작음.
주의
문항 수가 많아 우연히 큰 값이 나올 수 있는 탐색적 스캔임.

fig_22 · 부록 I-8. 사람 자료 대조 · 부록**개방형 응답 주제 언급 패턴의 잠재계층(5개, 사람·페르소나 공동 적합)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
선 하나가 잠재계층(주제 언급 패턴이 비슷한 응답자 묶음) 하나이며, 점은 그 계층이 각 주제를 언급할 확률임.
범례의 비율은 사람·페르소나 각각에서 그 계층이 차지하는 몫임.
*알 수 있는 것*
계층 1~3은 사실상 사람만(합 99%), 계층 4·5는 사실상 페르소나만(합 100%)으로 구성되어 두 출처가 공통 유형을 공유하지 않음.
주의
사람과 페르소나를 같은 유형 틀로 비교할 수 있다는 근거가 확보되지 않았으며, 계층 내용 해석은 보류함.

fig_31 · 부록 I-8. 사람 자료 대조 · 부록**사람·페르소나 개방형 응답 판별 곡선(ROC, 원본 그림)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
원본 그림(영문 표기): TPR=페르소나를 페르소나로 맞힌 비율, FPR=사람을 페르소나로 잘못 본 비율. 곡선이 왼쪽 위 모서리에 붙을수록 잘 구분함.
lr_len_only=글자 수·형식만, lr_content=단어·표현만, lr_content_len=둘 다(주 모형), lgbm_content_len=둘 다(비선형 모형).
*알 수 있는 것*
글자 수·형식만으로도 AUC 0.977, 단어·표현을 쓰면 1.0에 가깝게(주 모형 0.9999) 사람과 페르소나 응답이 구분됨.
주의
높은 판별력은 가치관 차이가 아니라 문체·길이·어조 차이일 수 있음.

fig_38 · 부록 I-8. 사람 자료 대조 · 부록**주제 쌍의 공동 언급 정도: 사람 vs 합성 페르소나**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
칸은 두 주제를 함께 언급한 정도(자카드 지수, 0~1)이며 두 판은 같은 색 눈금을 씀. 진할수록 함께 자주 언급됨.
*알 수 있는 것*
주제 쌍의 평균 공동 언급 정도는 사람 0.487, 페르소나 0.119로, 페르소나는 주제를 함께 묶어 말하는 경우가 적음.
페르소나는 반도체–에너지 쌍에 공동 언급이 집중됨.
주의
사람 응답은 대체로 짧지만(7개 답 중 가장 짧은 답의 길이 중앙값 사람 28자 vs 페르소나 97자) 1인당 언급 주제 수가 많아(평균 10.81개 vs 5.38개) 주제 쌍이 함께 잡히기 쉬움. 규칙사전 태그가 짧은 구어체 응답에도 키워드 하나로 붙는 구조의 영향이 섞여 있음.

fig_39 · 부록 I-8. 사람 자료 대조 · 부록**주제별 언급률 차이의 분석 경로별 민감도(8개 경로)**합성 응답(진단)
읽는 법 · 알 수 있는 것 · 주의
*읽는 법*
주제마다 분석 선택(저노력 응답 필터 여부 × 연령층 범위 × 합산 방식)을 바꾼 8가지 결과를 점으로 찍음. 큰 마름모가 주 분석임.
0보다 오른쪽이면 페르소나가 더 많이 언급, 왼쪽이면 덜 언급함. 점선 ±5%p는 의미 있는 차이의 잠정 기준임.
*알 수 있는 것*
경제·성장·경쟁력·기후·환경·반도체는 모든 경로에서 차이의 방향과 크기가 유지됨.
AI·인공지능·일자리·고용은 경로에 따라 부호가 바뀔 정도로 불안정함(필터를 빼면 차이가 0 근처로 줄어듦).
주의
저노력 필터는 형식상 양쪽에 같지만 실제로는 사람 응답만 대량 제외하므로 경로 선택이 결과를 좌우할 수 있음.

반복된 것과 반복되지 않은 것 (제10장)

층	반복되거나 사람 자료와 같은 방향	반복되지 않거나 갈린 것	출처
같은 모델 계열의 반복	소외 축의 반복 일치도 .817	신뢰 축의 반복 일치도 .309	D-7
모델을 바꾼 비교	8개 모델의 미래상 순위 일치도 .941	개인 답의 일치율 49.6~65.7%	D-5
극단·취약 조건	레드팀 20명의 미래상 순위가 본조사와 같음	체감성은 여섯 미래상 모두 낮고 소외는 모두 높음	D-22
청년워크숍 대조	같은 17문항 중 11문항에서 평균의 방향이 같음	문항별 표준편차 평균 .89 대 .43, 혜택 도달 동의 92% 대 3.1%	D-39
대국민 설문 대조	주제 언급 비율 비교라 해당 없음	18개 주제 중 16개를 덜 언급(경제·성장·경쟁력 −72.8%p), 반도체·에너지만 더 언급	D-6
반복 수집의 효과	미래상 순위가 세 차례 같음	사람과의 주제 차이가 .3537, .3523, .3557로 줄지 않음	D-9 D-6

반복 일치는 합성 응답 내부의 재현 정도이며 사람 태도의 안정성이나 측정 타당성을 뜻하지 않습니다.

연구의 의의

이 연구의 가치는 합성 페르소나가 국민 의견을 대신한다는 데 있지 않고, 합성 응답에서 무엇이 반복되고 무엇이 반복되지 않는지를 측정해 사람에게 먼저 물을 질문과 순서를 좁힌 데 있다.
측정의 의미는 '합성 결과가 맞다'가 아니라 '합성 결과의 어느 부분을 어느 조건에서 얼마만큼 믿을지'를 문항·축·수준별로 구분했다는 데 있다.
설계 엄밀성은 합성 데이터의 정당성을 높이는 장치가 아니라, 합성 결과를 쓸 수 있는 범위를 좁고 분명하게 정하는 장치다.
잠정적 활용처는 사람 조사의 앞 단계에서 문항과 쟁점을 점검하는 일이며, 기존 사전검사보다 나은지는 아직 비교하지 않았다.

자주 받는 질문

Q. 데이터 신뢰도를 한 숫자로 말할 수 있나요?

아닙니다. 대안은 단일 신뢰 점수가 아니라 어느 수치가 어느 조건에서 흔들리는지 보여 주는 층별 안정성 지도입니다.

같은 자료 안에서도 소외 축은 .817, 신뢰 축은 .309로 갈립니다.
반복, 모델 교체, 조건 변경, 사람 기준, 계산 재현을 층별로 따로 보고합니다.
동일 시점·자극·문항의 사람 기준자료가 없어 인간 일치도는 판정하지 못했습니다.

Q. 서베이를 합성 페르소나로 대신할 수 있나요?

대신할 수 없습니다. 맡길 수 있는 것은 사람 서베이의 문항과 표집 후보를 미리 점검하는 일입니다.

개인 답의 모델 간 일치율이 49.6~65.7%입니다.
합성 청년의 의견 폭은 참여 청년의 절반이고 혜택 도달 문항은 방향이 반대입니다.
국민 찬성률, 대표 여론, 정책 우선순위의 정당화, 시민참여 대체, 자원배분 단독근거에는 어떤 조건에서도 쓰지 않습니다.

Q. 합성 자료는 어떤 평가를 받을 수 있나요?

평가의 대상은 '국민 의견'이 아니라 '공시된 절차로 만든 사전 탐색 자료'입니다. 절차의 공개는 필요조건이지 타당성의 충분조건이 아닙니다.

표본 추출 규칙과 시드, 문항·제시문 원문, 제시 순서 기록, 반복 횟수, 모델 구성과 민감도, 응답 점검 규칙, 입력·출력 해시, 실패 기록이 함께 공개될 때 제3자가 범위를 판단할 수 있습니다.
절차가 엄밀해도 시민참여가 주는 숙의, 책임, 포용성과 정책 정당성은 합성할 수 없습니다.

후속 연구 로드맵 (연구진 제안)

과제	내용	시점
공식 판정 완료	보완 코드로 구조·유형화·모델 비교·사람 대조 분석을 다시 계산하고, 축별 반복 일치도 정식 판정, 자유서술의 사람 이중 코딩, 원탁 인용 전수 감사를 마침	단기
사람 조사 연계	같은 문항 일부를 확률표본 사람 조사에 넣어 같은 문항·시점·자극으로 비교	단기
사람 원탁 병행	같은 두 상충 지점을 사람 원탁회의로 열고 합성 쟁점표와 비교	단기~중기
대조조건 실험	페르소나 없는 조건, 인구통계만 준 조건, 전체 서사 조건을 비교하고 기존 사전검사와 비용·발견 성과를 비교	중기
순서 효과 분리	한 차수 안에서 미래상 심층 모듈 순서를 무작위화	중기
모델 편향 점검	학력별 소외 차이와 거주지 환원이 모델의 고정관념인지 사람 자료로 구분	중기
재현 공개	공개 가능한 범위에서 표본·문항·실행 코드·해시 목록을 묶은 재현 패키지 정리	중기

UPCOMING

다가오는 행사

요즘 제가 진행하는 세미나와 컨퍼런스입니다. 궁금하시면 오세요.

BIO

그 밖의 일과 연락

강의, 컨설팅, 뉴스레터 더배러, 월간옵시디언 등 진행 중인 일 전체와 연락처는 바이오 페이지에 모아 두었습니다.

bio.cmdspace.work