"내 알고리즘을 망치지 마": Meme Sharing에서 Phatic Communication과 Algorithmic Contagion

배경 및 소개

최근 소셜미디어에서 밈을 주고받는 방식이 단순한 재미 공유를 넘어 관계를 유지하는 중요한 상호작용으로 주목받고 있습니다. 특히 Instagram 같은 알고리즘 기반 플랫폼에서는 공개 피드보다 DM을 통해 밈을 나누는 일이 활발한데요. 이때 사용자는 이를 친밀감을 확인하는 가벼운 대화로 받아들이는 동시에, 이런 상호작용이 추천 알고리즘에 영향을 줄 수 있다고도 생각합니다. 즉, 관계를 다지는 행위와 알고리즘을 통제하려는 욕구가 한 공간에서 충돌하는 셈입니다. 이 연구는 바로 그 긴장을 다루고 있는데요. 플랫폼의 실제 추천 메커니즘을 검증하기보다, 사용자가 DM 밈 교환을 어떻게 해석하고 그 믿음이 어떤 대응과 무력감을 낳는지에 초점을 맞췄습니다. 이는 일상적 커뮤니케이션이 추천 인프라와 얼마나 얽혀 있는지를 보여준다는 점에서 의미가 있습니다.

주요 내용

연구진은 한국의 Instagram 사용자 21명을 대상으로 반구조화 인터뷰를 진행했습니다. 참가자들은 최근 일주일 동안 DM으로 밈을 최소 세 번 이상 주고받은 성인들이었고, 인터뷰에서는 밈을 주고받는 경험과 그 이후 피드 추천에 대한 인식, 그리고 이를 조절하려는 시도를 함께 물었습니다. 분석은 근거이론 방식으로 이루어졌는데요. 사용자가 실제로 무엇을 알고리즘 사실로 받아들이는지보다, 어떤 식으로 ‘그럴 것 같다’는 민간 이론을 구성하는지에 집중했습니다. 이런 접근은 기술의 실제 작동보다 사용자의 해석 체계가 행동을 어떻게 바꾸는지 보여준다는 점에서 흥미롭습니다.

먼저 참가자들은 DM 밈 교환을 정보 전달보다 관계 유지에 가까운 실천으로 이해했습니다. 연구에서는 이를 수신자 친화적 밈과 비친화적 밈으로 나눴는데요. 친화적인 밈은 이전 대화 맥락과 맞닿아 있거나, 상대의 취향과 잘 맞거나, 가벼운 농담으로 받아들여질 수 있는 경우였습니다. 반대로 맥락이 없거나 취향과 어긋나거나, 불쾌감이나 불안을 주는 밈은 비친화적으로 인식됐습니다. 즉 같은 밈이라도 누구에게, 어떤 맥락으로 오느냐에 따라 관계를 확인하는 신호가 되기도 하고 부담이 되기도 한다는 점이 드러났습니다. 이는 밈이 단순 콘텐츠가 아니라 관계의 온도를 조절하는 사회적 단서라는 점에서 중요합니다.

이후 사용자는 이런 DM 상호작용이 추천에도 연결된다고 믿었습니다. 친화적인 밈을 받은 경우에는 관련 취향이 더 잘 반영돼 피드가 넓어지는 ‘확장된 탐색’으로 해석했는데요. 반대로 불친화적인 밈을 받으면 원치 않는 콘텐츠가 피드로 번져 들어오는 ‘알고리즘 오염’처럼 느꼈습니다. 참가자들은 링크 열기, 끝까지 시청하기, 저장하기, 좋아요 누르기 같은 행동이 추천 신호가 된다고 생각했고, 그래서 DM 하나가 피드 전체를 바꿔버릴 수 있다고 여겼습니다. 여기서 핵심은 실제 시스템이 아니라 사용자의 체감인데요. 작은 상호작용이 과장된 파급 효과로 해석되면서, 개인은 알고리즘을 ‘망칠까 봐’ 조심하게 됩니다.

하지만 통제는 쉽지 않았습니다. ‘관심 없음’ 같은 피드백은 효과가 불확실하다고 느껴졌고, 차단하거나 대화를 떠나는 행동은 관계를 해칠 수 있어 부담이 컸습니다. 밈 자체도 일시적이고 가벼운 콘텐츠로 여겨져, 굳이 세밀하게 관리할 가치가 낮다고 보는 경우가 많았습니다. 결국 많은 참가자들은 원치 않는 밈을 계속 보면서도 어느 정도는 감수하는 쪽을 택했는데요. 이는 사용자가 기술적으로는 선택지를 가지고 있어도, 관계적 규범과 낮은 효능감 때문에 실제로는 무력해질 수 있음을 보여줍니다. 개인적으로는 이 지점이 HCI에서 자주 간과되는 부분이라고 생각합니다. 통제 기능의 존재보다, 그 기능을 쓸 수 있게 만드는 사회적 비용이 더 중요할 수 있기 때문입니다.

결론 및 시사점

이 연구는 DM 밈 교환을 단순한 콘텐츠 공유가 아니라, 관계 유지와 알고리즘 인식이 맞물린 복합적 실천으로 재해석합니다. 사용자는 밈을 주고받으며 친밀감을 확인하지만, 동시에 그 교환이 추천 시스템에 흔적을 남긴다고 믿고 조심하게 되는데요. 그 결과 친화적인 상호작용은 탐색 확장으로, 불친화적인 상호작용은 피드 오염으로 경험됩니다. 이런 인식은 실제 메커니즘과 다를 수 있지만, 사용자의 행동과 감정에는 분명한 영향을 줍니다. 따라서 플랫폼 설계는 단순히 추천 정확도를 높이는 데 그치지 않고, 관계를 해치지 않으면서도 사용자가 알고리즘 영향을 조절할 수 있게 해야 한다는 점에서 의미가 있습니다.

연구는 세 가지 설계 방향을 제안합니다. 첫째, 특정 대화나 보낸 사람 단위로 추천 학습을 끌 수 있는 관계 친화적 제어입니다. 둘째, DM과 추천의 연결을 설명하는 투명한 안내인데요. 다만 개인정보나 관계 정보를 과하게 드러내지 않는 방식이어야 합니다. 셋째, 사용자가 개입하지 않아도 DM 신호의 가중치를 보수적으로 낮추는 학습 방식입니다. 이는 무심코 발생하는 알고리즘 오염을 줄이는 데 도움이 될 수 있습니다. 다만 표본이 한국의 젊은 성인과 Instagram 사용자에 한정돼 있어 일반화에는 한계가 있습니다. 그럼에도 이 연구는 사적인 소통이 추천 인프라와 얼마나 쉽게 얽히는지 보여주며, 앞으로의 투명성 설계와 관계 중심 제어를 고민하게 만든다는 점에서 충분히 시사적입니다.