2011년 Eli Pariser가 “필터 버블”이라는 개념을 처음 제시했을 때 알고리즘 개인화는 주로 검색엔진 문제로 이해됐다. 10년이 지난 지금 알고리즘은 검색뿐 아니라 소셜피드, 뉴스 앱, 유튜브 추천, 팟캐스트 플랫폼까지 뉴스와 정보가 유통되는 모든 경로에 들어와 있다. 사람들이 무엇을 알게 되는지가 알고리즘 설계자의 판단에 의해 결정되는 구조다.
알고리즘은 어떻게 콘텐츠를 선택하는가
대부분의 플랫폼 알고리즘은 참여(engagement)를 핵심 최적화 지표로 쓴다. 좋아요, 댓글, 공유, 체류 시간이 많을수록 더 많은 사람에게 노출된다. 이 구조에서 감정적 반응을 강하게 일으키는 콘텐츠가 유리하다. Meta의 내부 연구 자료(2021년 Frances Haugen이 공개)에 따르면 Facebook은 분노를 유발하는 게시물이 다른 유형보다 5배 더 많이 공유된다는 걸 알고 있었고, 이 특성이 알고리즘 설계에 반영되어 있었다.
참여 기반 알고리즘은 확증 편향과 결합하면 증폭 효과를 낸다. 사용자가 특정 정치적 성향의 콘텐츠를 반복적으로 소비하면 알고리즘은 그 성향에 맞는 콘텐츠를 더 많이 보여준다. 이 과정에서 반대 관점의 정보는 자연스럽게 줄어든다. 구조적으로 특정 세계관만 보이는 환경이 만들어진다. 이 과정에서 사용자가 능동적으로 다른 관점을 찾지 않는 한, 알고리즘은 기존 믿음을 강화하는 방향으로만 작동한다. 소셜미디어에서 정보를 판별하는 실제 기준은 소셜미디어 뉴스 검증 기준에서 다루고 있다. 소셜미디어에서 실제로 콘텐츠를 판별하는 기준은 소셜미디어 뉴스 검증 기준에서 다루고 있다.
필터 버블은 실제로 얼마나 강한가
필터 버블의 실제 강도에 대해서는 연구자들 사이에서 의견이 엇갈린다. 2023년 사이언스에 발표된 Meta 공동 연구에서는 Facebook 알고리즘을 일시적으로 끄고 연대순 피드로 바꿔도 사용자의 정치적 지식이나 태도에 유의미한 변화가 없었다. 연구자들은 알고리즘보다 사용자의 능동적인 친구·미디어 선택이 더 큰 영향을 미친다고 봤다.
반면 유튜브 알고리즘에 관한 연구는 다른 방향을 가리킨다. 2019년 Ribeiro 등의 연구는 유튜브 추천 알고리즘이 온건한 콘텐츠에서 시작해서 점진적으로 더 극단적인 콘텐츠로 사용자를 이동시키는 경향을 보여줬다. 이를 “래빗홀 효과”라고 한다. 플랫폼마다, 콘텐츠 유형마다 알고리즘 영향력의 강도와 방향이 다르다는 게 현재까지의 연구 결론이다. 유튜브는 2019년 이후 극단주의 콘텐츠에 대한 추천 제한 정책을 도입했다고 밝혔지만, 독립적인 연구자의 검증은 여전히 제한적이다. 플랫폼 팩트체킹 현황은 Poynter IFCN이 지속적으로 추적하고 있다.
뉴스룸이 알고리즘에 의존하면 생기는 문제
언론사 입장에서도 알고리즘 의존은 편집 독립성 문제를 만든다. 플랫폼 알고리즘이 선호하는 형식과 주제가 뉴스룸의 취재 방향을 결정하기 시작하면, 공익적 가치가 있지만 클릭이 적은 보도는 줄어든다. 2016년 Facebook이 알고리즘을 변경해서 뉴스 콘텐츠 노출을 줄였을 때 일부 언론사의 소셜 트래픽이 40% 이상 감소했다. 단일 플랫폼에 트래픽을 의존하는 구조의 취약성이 드러난 사례다. 이 변경으로 일부 동남아 언론사는 사실상 운영을 중단했다. 수익 모델 전체가 Facebook 트래픽에 묶여 있었기 때문이다.
이 문제에 대한 대응으로 직접 구독 모델(이메일 뉴스레터, 멤버십)로 이동하는 언론사가 늘고 있다. 플랫폼 알고리즘을 거치지 않고 독자와 직접 연결되는 채널이다. The Atlantic, Substack 기반 독립 저널리스트들이 이 방향으로 이동했다. 국내에서도 뉴닉, 어피티 같은 이메일 뉴스레터 매체가 플랫폼 의존 없이 독자층을 구축한 사례가 있다.
독자로서 할 수 있는 것
알고리즘 환경에서 정보 다양성을 유지하는 방법은 몇 가지다. RSS 리더를 쓰면 알고리즘 없이 선택한 매체의 최신 기사를 시간순으로 볼 수 있다. Feedly, NewsBlur 같은 서비스가 대표적이다. 특정 주제에 대해 자신과 다른 관점을 취하는 매체를 의도적으로 포함시키는 것도 필요하다. 불편하게 느껴지는 정보를 의도적으로 소비하는 습관이 알고리즘 필터를 우회하는 가장 확실한 방법이다. 플랫폼 외부에서 정보를 직접 조사하는 방법은 OSINT 조사 방법론에서 다루고 있다. 플랫폼 외부에서 정보를 직접 조사하는 방법은 OSINT 조사 방법론에서 확인할 수 있다.
검색 엔진 다변화도 방법이다. Google의 개인화 검색 결과를 끄거나(프라이버시 모드 사용), DuckDuckGo처럼 개인화를 최소화하는 엔진을 병행하면 다른 종류의 정보를 접할 수 있다. AllSides나 Ground News 같은 서비스는 동일 사건에 대한 좌우 스펙트럼의 보도를 나란히 보여줘서 관점 비교가 가능하다. Knight Foundation은 알고리즘이 뉴스 소비에 미치는 영향 연구에 지속적으로 투자하고 있으며, 관련 연구 보고서를 무료로 공개하고 있다.
미디어 리터러시 교육의 현재
핀란드는 초등학교 과정에 미디어 리터러시를 필수 과목으로 포함시킨 국가 중 하나다. 2019년 EU 디지털 미디어 리터러시 지수에서 핀란드가 최상위권에 위치한 배경 중 하나가 이 교육 체계다. 국내에서는 한국언론진흥재단이 미디어리터러시 교육 프로그램을 운영하고 있지만, 정규 교육과정 내 편입은 아직 제한적이다. 알고리즘 환경에서 정보를 비판적으로 소비하는 능력은 이제 기초 소양에 해당한다. 플랫폼이 보여주는 정보를 그대로 받아들이는 수동적 소비 방식은 조작과 오보에 가장 취약한 경로다. 디지털 권리와 알고리즘 투명성 이슈는 전자프런티어재단(EFF)이 지속적으로 추적하고 있다.
알고리즘 투명성 요구가 커지는 이유
EU의 디지털서비스법(DSA)은 월간 이용자 4500만 명 이상의 초대형 플랫폼에 알고리즘 작동 방식을 당국에 공개하도록 의무화했다. 2024년부터 본격 적용되면서 X, Meta, TikTok이 규제 대상에 포함됐다. 독립 연구자들이 플랫폼 알고리즘 데이터에 접근할 수 있는 법적 근거가 처음으로 생긴 셈이다. 이 변화가 알고리즘과 정보 유통의 관계를 보다 명확하게 밝히는 계기가 될지 주목된다. 알고리즘 투명성과 디지털 권리 이슈는 전자프런티어재단(EFF)이 지속적으로 추적하고 있다.