확증 편향, 왜 반대 자료를 보고도 판단이 그대로일까?
확증 편향은 정보를 '안 보는' 문제보다 '본 뒤에도 가볍게 다루는' 문제로 측정되는 경우가 많다. 2025년 시선추적 실험과 MEG(뇌자도) 연구 모두 반대 증거를 접하는 순간과 그것을 판단에 반영하는 순간이 다르다는 것을 보여준다. 그래서 습관 설계의 초점도 '노출했는가'가 아니라 '반영 여부를 기록했는가'로 옮기는 편이 실용적이다.
- 눈 깜빡임 빈도는 기존 믿음과 불일치하는 문구에서 유의하게 증가했다(참가자 52명, 관찰값 1,705개).출처
- MEG 연구에서 시각·두정 피질은 반대 증거도 대체로 정확히 표상했지만, 최종 판단에서는 기존 선택과 일치하는 증거가 더 큰 영향력을 가졌다.출처
- 신뢰재 시장 실험에서는 소비자의 확증 편향이 크고 전문가가 그 기대를 감지할 수 있는 조건에서, 추천이 소비자 기대 쪽으로 기울 수 있었다.출처
- LLM 코드 검토 실험에서는 "버그 없음" 전제를 주면 취약점 탐지율이 모델·조건에 따라 16~93%포인트 낮아졌다.출처
- 기록 단위를 '노출 여부'와 '판단 반영 정도'로 나누는 것이 재설계의 출발점이 될 수 있다.
흔한 함정은 이것이다. 이미 결론이 서 있는 상태에서 반대 자료를 한 번 읽고 "검토는 했다"고 느끼는 것. 실제로는 눈이 그 문장을 지나갔을 뿐, 판단의 가중치에는 거의 반영되지 않았을 수 있다. 읽은 시간이나 클릭 여부만으로는 이 차이를 구분하기 어렵다.
읽는 동안 몸은 이미 신호를 보내고 있을까?
읽는 동안의 신체 반응은 생각보다 먼저 편향의 흔적을 남길 수 있다. 2025년 시선추적 실험에서는 참가자 52명이 자신의 기존 태도와 일치하거나 불일치하는 소셜미디어 문구를 읽었고, 총 1,705개의 관찰값이 분석됐다. 불일치하는 문구를 읽을 때는 눈 깜빡임 빈도가 유의하게 증가했고, 일치하는 문구에서는 오히려 감소하는 패턴이 나타났다.출처
이 실험의 자극은 찬성·반대 정서와 참가자의 기존 태도 일치·불일치 조건으로 구성됐고, 특정 문구 순서나 자극 유형의 영향을 줄이기 위해 균형화됐다. 눈 깜빡임은 단순한 생리 반응처럼 보이지만, 여기서는 '정보 처리 중 저항이 발생하는 지점'을 포착하는 행동 지표로 쓰였다는 점이 흥미롭다. 즉, 확증 편향은 읽기 전 선택(무엇을 클릭하는가)뿐 아니라 읽는 중의 처리 방식에서도 드러날 수 있다는 뜻이다.
리뷰나 피드백을 쓸 때 이 구조를 빌려올 수 있다. 반대 의견을 읽을 때 "속도가 느려졌는지", "다시 읽었는지" 같은 작은 신호를 메모해 두면, 나중에 "그때 정말 검토했는가"를 돌아볼 단서가 된다. 이것이 거창한 심리 측정 도구 없이도 할 수 있는 가장 작은 단위의 실험이다.
본 증거와 반영된 증거는 정말 같은 증거일까?
본 증거와 반영된 증거는 종종 다르다. 2025년 Nature Communications 계열 연구는 심리물리 실험과 MEG를 결합해, 참가자들이 이전 선택과 일치하거나 불일치하는 증거를 어떻게 처리하는지 추적했다. 그 결과 시각·두정 피질 단계에서는 양쪽 증거 모두 대체로 정확하게 표상됐다. 문제는 그다음 단계였다. 후속 판단을 만들 때는 기존 선택과 일치하는 증거가 더 큰 영향력을 행사했다.출처
이 결과는 "반대 자료를 못 봤다"는 변명을 무력화한다. 뇌는 반대 증거를 비교적 정확히 받아들였지만, 그것을 최종 결론에 쓸 때는 가중치를 낮춘 것이다. 그래서 리뷰 글이나 의사결정 기록을 쓸 때는 '노출'과 '판단 반영'을 같은 항목으로 뭉치지 않는 것이 좋다. "반대 자료를 읽었다"와 "그 자료 때문에 결론이 바뀌었다"는 전혀 다른 기록이어야 한다.
| 단계 | 측정된 것 | 결과 |
|---|---|---|
| 증거를 보는 단계 | 시각·두정 피질 표상 | 일치·불일치 증거 모두 대체로 정확 |
| 증거를 판단에 쓰는 단계 | 최종 선택에 미친 영향력 | 기존 선택과 일치하는 증거가 더 크게 반영 |
전문가의 조언도 내가 원하는 답으로 휘어질 수 있을까?
전문가의 조언 역시 소비자의 기대 쪽으로 휘어질 여지가 있다. 2025년 신뢰재(소비자가 즉시 검증하기 어려운 서비스) 시장을 다룬 이론·실험 연구에서는, 소비자의 확증 편향이 크고 전문가가 그 기대를 감지할 수 있는 조건에서, 전문가가 추천을 소비자의 기대에 맞춰 조정하는 경향이 나타났다. 그 결과 실제로는 최적이 아닌 추천이 나올 수 있었다.출처
이 패턴은 전문가가 소비자의 기대를 감지할 수 있고, 소비자가 이미 선호하는 설명을 강하게 믿는 조건에서 특히 강화됐다. 의료·수리·법률처럼 제공자가 정보 우위를 갖는 상황을 떠올리면 이해하기 쉽다. 다만 이 연구 자체가 특정 의료 제품이나 진료 결과를 검증한 것은 아니라는 점은 분명히 짚어둘 필요가 있다. 이 사례는 '전문가가 나쁘다'는 뜻이 아니라, 소비자가 먼저 결론을 강하게 드러낼수록 조언의 중립성이 흔들릴 여지가 커진다는 구조를 보여주는 쪽에 가깝다.
AI는 사람과 다르게 편향 없이 판단할까?
AI가 사람보다 중립적일 것이라는 기대는 오해에 가깝다. 2025년 LLM 코드 보안 실험에서는 GPT-4o-mini, Claude 3.5 Haiku, Gemini 2.0 Flash, DeepSeek V3 네 모델에 취약점이 있는 코드와 패치 쌍을 평가하게 했다. 코드를 "버그가 없다"고 미리 제시하면, 취약점 탐지율이 모델과 조건에 따라 16~93%포인트까지 낮아졌다. "버그 없음" 프레이밍에서 거짓 음성 편향의 효과크기는 모델별로 0.52~2.42로 중간~매우 큰 수준이었고, 거짓 양성 편향의 효과크기는 0.05~0.32로 상대적으로 작았다.출처
이 사례의 기록 단위는 '코드 취약점-패치 쌍 1개 × 프롬프트 프레이밍 조건 1개 × 모델 1개'다. 사용자가 "이미 안전한 코드"라고 전제한 뒤 검토를 요청하면, 모델이 반증을 찾는 방향보다 전제를 확인하는 방향으로 판정을 이동시킬 수 있다는 것을 보여준다. 2026년 발표된 또 다른 통제 실험도 LLM이 질문에 포함된 전제를 되받아 강화하는 경향을 CLEF JOKER·EXIST 데이터셋 기반으로 보고했다.출처
다만 이 결과들은 사람의 임상·소비자 행동을 직접 측정한 것이 아니라 모델 응답을 측정한 것이다. 인간 사례와 나란히 두고 참고할 수는 있지만, "사람도 똑같이 행동한다"고 바로 일반화하면 안 된다. 확증 편향의 개인차도 작지 않다. 2026년 공개된 한 2차 요약 자료에서는 91개 연구·약 8,000명 규모를 합친 분석에서 평균 효과크기가 d=0.38로 제시됐는데, 이 수치는 원 메타분석을 추가로 확인하는 편이 안전하다는 점도 함께 적어둔다.출처
확증 편향을 어떻게 작게 기록하고 재설계할까?
재설계의 핵심은 "믿지 말자"가 아니라 "기록 단위를 쪼개자"다. 아래 템플릿을 하루 한 번, 짧은 의사결정 하나에만 적용해보는 것으로 시작할 수 있다.
- 트리거: "이미 내린 결론" 문장을 그대로 적는다(예: "이 방법이 맞다").
- 환경: 소셜미디어 피드인지, 전문가 상담인지, 코드 리뷰인지 적는다.
- 최소 단위: 문장 1개, 증거 1개, 판단 1회로 쪼갠다.
- 관찰값: 읽은 시간, 다시 읽었는지, 반대 증거를 클릭했는지 적는다.
- 결과: 반대 증거를 봤는가, 봤다면 최종 판단이 조금이라도 바뀌었는가를 따로 적는다.
이 기록은 효과를 보장하지 않는다. 다만 "검토했다"는 느낌과 "실제로 반영했다"는 사실 사이의 간격을 눈에 보이게 만든다. 작은 실험으로는, 다음에 반대 의견을 접할 때 그 의견을 읽은 직후 한 문장으로 "이 증거 때문에 바뀐 것은 무엇인가"를 적어보는 정도면 충분하다.
핵심 정리
- 확증 편향은 반대 정보를 전혀 접하지 않는 현상만이 아니라, 같은 정보를 접한 뒤에도 기존 선택과 맞는 증거에 더 큰 가중치를 주는 행동으로 측정될 수 있다.출처
- 눈 깜빡임 같은 생리 지표도 불일치 정보 처리 중 변화를 보였다(52명, 관찰값 1,705개).출처
- 전문가-소비자 관계에서도 확증 편향이 클 때 추천이 기대에 맞춰 조정될 여지가 있다.출처
- LLM도 전제 프레이밍에 따라 탐지율이 크게 달라질 수 있지만, 이는 모델 응답이지 사람 행동의 직접 증거는 아니다.
- 재설계는 '노출 여부'와 '판단 반영 정도'를 분리해 기록하는 것에서 시작할 수 있다.