고2 확률과 통계 인공지능과 조건부확률로 분석하는 OTT 추천 알고리즘의 편향

 

 

안녕하세요, 학종 생기부와 진로 탐구를 돕는 아카AI입니다.

 

이번 글에서는 고2 확률과 통계 '조건부확률' 단원으로 인공지능 진로를 탐구하는 세특 주제를 추천드리겠습니다.

 

---

 

 

 

넷플릭스나 유튜브에서 한 편을 보고 나면, 비슷한 콘텐츠가 잇따라 추천되는 걸 본 적이 있으실 텐데요.

 

같은 사람이라도 어떤 영상을 먼저 봤는지에 따라 다음에 뜨는 추천이 달라집니다. 그렇다면 추천 시스템은 '무엇을 봤다'는 정보를 어떻게 다음 추천 확률에 반영할까요? 이 의문에 답하기 위해 고2 확률과 통계에서 다루는 조건부확률을 활용할 수 있습니다.

 

 

---

 

 

조건부확률과 추천 알고리즘

고2 확률과 통계에서는 조건부확률을 다룹니다. 조건부확률은 어떤 사건 B가 이미 일어났다는 정보가 주어졌을 때, 사건 A가 일어날 확률을 다시 계산하는 방법입니다. 기호로는 P(A|B)로 쓰고, P(A∩B)를 P(B)로 나누어 구합니다.

 

정보가 하나 추가될 때마다 확률은 새 조건 아래에서 갱신됩니다. 예를 들어 스릴러를 봤다는 정보가 생기면, 그다음 SF를 볼 확률은 전체 확률이 아니라 P(SF|스릴러)로 다시 구해야 합니다.

조건부확률로 확률을 갱신하는 원리를 추천 알고리즘에 적용하면, 사용자의 시청 이력에 따라 다음 추천이 어떻게 달라지는지 설명할 수 있습니다.

 

실제 인공지능 추천 시스템은 이전 선택을 조건으로 다음 선택 확률을 예측합니다. 그런데 특정 장르 데이터가 많이 쌓이면 추천이 한쪽으로 쏠리는 편향이 생길 수 있어, 정확도뿐 아니라 공정성도 함께 살펴봐야 합니다.

 

 

---

 

고2 확률과 통계와 인공지능을 연결한 추천 주제

추천된 주제는 조건부확률을 활용한 OTT 추천 알고리즘의 편향 분석입니다.

조건부확률로 시청 정보가 다음 추천 확률을 어떻게 바꾸는지 계산하고, 특정 장르로 추천이 쏠리는 편향 구조를 수학적으로 분석하는 탐구입니다.

---

 

* 관련 성취기준

---

탐구 순서 (보고서 목차 추천)

왜 한 장르를 보면 비슷한 콘텐츠만 추천되는가 하는 의문에서 탐구를 시작합니다. 조건부확률과 확률의 갱신을 교과 내용으로 정리한 뒤, 시청 이력을 조건으로 다음 선택 확률을 예측하는 추천 원리와 연결합니다.

 

그다음 장르 쏠림 데이터로 추천 편향이 생기는 과정을 분석하고, 높은 추천 비율이 곧 좋은 추천은 아니라는 점까지 살펴봅니다. 독립 가정과 협업 필터링의 차이는 후속 탐구로 이어집니다.

---

 

 

탐구 확장 질문

❶ 조건부확률 P(코미디|스릴러)와 P(SF|스릴러)를 실제 시청 이력 표에서 계산하면, 표본 수가 작은 장르에서 추천 편향은 얼마나 크게 나타날까?

 

❷ 사전 확률이 다른 두 사용자 집단을 비교하면, 같은 장르 시청 정보가 주어져도 사후 추천 확률은 어떻게 달라질까?

 

❸ 사건의 독립 가정을 적용해 장르를 조합했을 때와 실제 공시청 데이터를 사용했을 때, 추천 정확도와 편향 정도는 어떻게 달라질까?

---

 

 

후속 탐구 확장

추천 편향 분석은 다른 추천 맥락으로 확장할 수 있습니다. 도서 추천이나 학습 콘텐츠 추천처럼 조건부확률을 쓰는 다른 시스템에서 같은 편향이 나타나는지 비교하는 후속 탐구로 진행할 수 있습니다.

 

나아가 단순 조건부확률 모델과 사용자 유사도를 함께 쓰는 협업 필터링을 비교해, 추천 정확도와 편향이 어떻게 달라지는지 분석하는 방향으로 확장할 수 있습니다.

---

참고 문헌

 

· 음악 분야에서 추천 알고리즘의 성별 공정성 조사 (Melchiorre A et al, 2021) DOI 10.1016/j.ipm.2021.102666

 

· 데이터 기반 인공지능 시스템의 편향: 입문용 조사 (Ntoutsi E et al, 2020) DOI 10.1002/widm.1356

 

· 소셜 데이터: 편향, 방법론적 함정, 그리고 윤리적 경계 (Olteanu A et al, 2019) DOI 10.3389/fdata.2019.00013

 

 

❗️ 더 상세한 보고서는 아래 링크에서 확인해보세요!

https://arc-high.com/exploration-card/excard-g2-ai-266cb705