필터버블은 개인화 알고리즘에 의해 이용자에게 노출되는 정보의 범위가 축소된다고 설명하는 개념입니다. 다만 2015년 이후에 이루어진 대규모 자료(large-scale study)의 분석결과에 따르면, 노출을 제한하는 원인이 알고리즘보다 이용자 자신의 선택에서 비롯된 것으로 나타났습니다. 미디어커뮤니케이션학의 뉴스 노출 연구와 마케팅의 추천 수용 연구가 이 쟁점을 기반으로 활발하게 이루어지고 있습니다.

이 글의 순서 11개 항목

필터버블 개념의 등장 배경
필터버블 개념의 구성
키페이퍼(key paper)
최신 해외 연구 5편
필터버블을 활용할 수 있는 연구영역
필터버블로 접근할 때에 유의해야 할 점
자주 묻는 질문 (FAQ)
참고문헌

필터버블(filter bubble)은 알고리즘 기반의 개인화 추천 시스템이 이용자를 편향된 정보 환경 속에 체계적으로 고립시키는 현상을 탐색하기 위한 개념입니다(Pariser, 2011).

이 개념에 따르면 검색 기록이나 클릭 로그, 방문 이력 등 이용자의 과거 행동 데이터를 기반으로 작동하는 개인화 알고리즘이 콘텐츠를 선별하고 여과하는 과정에서, 이용자는 자신의 관심사와 선호도에 부합하는 정보에만 집중적으로 노출됩니다. 이 알고리즘적 여과(algorithmic filtration)는 이용자가 이질적이거나 상반된 관점을 접할 기회를 원천적으로 차단함으로써 접근할 수 있는 정보의 스펙트럼을 축소시키고, 기존의 신념을 일방적으로 강화하는 확증 편향(confirmation bias)을 심화시킵니다.

특히 필터버블은 이용자가 자신의 성향에 맞는 집단과 교류하며 유사한 의견을 증폭시키는 ‘에코챔버(echo chamber)’ 현상과는 달리, 플랫폼의 알고리즘 매개에 의해 수동적으로 정보의 고립이 구조화된다는 점에서 미디어와 사회인지 연구 영역에서 분석을 위한 프레임워크로 주목을 받고 있습니다.

필터버블 개념의 등장 배경

2009년 12월 구글(Google)이 모든 이용자를 대상으로 검색 결과의 개인화를 적용함에 따라, 동일한 검색어에 대해서도 이용자마다 서로 다른 결과가 노출되기 시작하였습니다. 시민단체 MoveOn.org의 활동가였던 Eli Pariser는 이 변화를 웹 환경의 주요한 전환점으로 인식하였습니다(Pariser, 2011).

필터버블의 개념은 Pariser 자신의 경험을 바탕으로 구체화되었습니다. 그는 정치적인 성향이 다른 사람들과 교류하기 위해 보수적인 성향을 가지는 지인들의 페이스북 계정을 등록하였으나, 어느 시점부터는 이들의 게시물이 뉴스피드에서 노출되지 않고 있다는 것을 알게 되었습니다. 이는 플랫폼의 알고리즘이 그의 과거 클릭 기록을 근거로 특정한 성향의 게시물을 선별하고 제외한 결과였습니다.

검색 엔진에서도 이와 유사한 현상이 나타나는지 탐색하기 위해, Pariser는 2011년 TED 강연에서 지인들에게 구글 검색어로 ‘Egypt’를 입력하도록 요청한 일화를 소개하였습니다. 그 결과 한 이용자의 화면 상단에는 당시에 벌어졌던 이집트 혁명에 관한 정보가 노출된 반면, 다른 이용자의 화면에는 정보가 나타나지 않았습니다.

Pariser가 문제로 지적한 점은 이러한 정보 선별의 과정이 이용자는 인식하지 못한다는 점이었습니다. 당시 구글의 엔지니어가 검색 결과를 조정하기 위해 57개의 신호를 활용한다고 언급한 사례는 이를 뒷받침합니다(Pariser, 2011). 다만 필터버블에 관한 그의 주장은 대중서와 강연을 통해 먼저 제시되었으며, 이에 대한 검증은 그 이후의 학술 연구 영역에서 본격적으로 이루어졌습니다.

Nguyen et al.(2014)은 MovieLens의 장기 이용 기록을 분석해서 필터 버블이라는 개념을 처음으로 검증하였습니다. 이들의 분석에 따르면 추천 시스템을 이용한 사람들이 소비하는 콘텐츠의 범위는 시간이 흐를수록 축소되었으나, 시스템의 추천을 적극적으로 수용한 이용자들에게서 나타나는 축소의 정도는 오히려 더 작았습니다.

2015년에는 페이스북 소속 연구자들이 1,010만 명의 이용자 데이터를 분석한 결과를 학술지 Science에 발표하였습니다(Bakshy et al., 2015). 이들 연구자는 이용자의 정보 노출을 제한하는 요인으로 알고리즘에 의한 순위화보다는 이용자 스스로의 선택이 더 크게 작용한다고 보고하였습니다. Flaxman et al.(2016) 역시 5만 명의 웹 열람 기록을 분석하고 유사한 결론에 도달하였습니다. 이는 알고리즘이 고립을 주도한다는 Pariser의 주장과는 상반되는 증거였습니다.

Zuiderveen Borgesius et al.(2016)은 이들의 논쟁을 개념의 분리로 접근하였습니다. 연구자들은 플랫폼의 알고리즘이 정보를 선별하는 사전선택 개인화(pre-selected personalization)와 이용자가 스스로 정보를 선별하는 자기선택 개인화(self-selected personalization)로 구분하였습니다. 다만, 현재로서는 알고리즘에 의한 필터버블 현상을 우려할 만한 근거가 충분하지 않다고 결론지었습니다. 따라서 연구자는 필터버블을 기정사실화된 전제가 아니라, 수집된 데이터를 통해 입증해야 할 가설로 설정하고 접근하여야 합니다.

필터버블 개념의 구성

필터버블을 연구모형으로 전환하면 네 개의 구성개념을 식별할 수 있습니다.

사전선택 개인화: 이용자의 개입이나 선택이 없이 알고리즘이 콘텐츠를 선별하는 방식입니다(Zuiderveen Borgesius et al., 2016).
자기선택 개인화: 이용자가 자신과 동질적인 내용을 스스로 선별하는 방식입니다.
노출 다양성(exposure diversity): 이용자에게 노출되는 관점과 출처의 범위를 가리킵니다.
태도 극화(attitude polarization): 이용자의 기존 태도가 한쪽 방향으로 강화되는 정도를 뜻합니다.

필터버블을 나타내는 개념모형은 두 종류의 개인화가 노출의 다양성을 축소시키고, 이렇게 축소된 다양성이 태도 극화를 형성한다는 경로를 보여줍니다. Bakshy et al.(2015)은 이 경로를 친구 관계의 동질성, 뉴스피드의 순위화, 그리고 이용자의 클릭이라는 세 단계로 나누어 분석하였습니다. 예를 들어서, 분석 대상자가 맺고 있는 친구 관계 중에서 반대 진영에 속한 비율은 평균 20%를 넘었으나, 알고리즘의 순위화가 반대 진영의 콘텐츠를 감소시킨 정도는 진보 성향 이용자에게서 8%, 보수 성향 이용자에게서 5%에 그쳤습니다. 반면 이용자가 직접 선택하는 클릭 단계에서의 감소 폭은 이보다 더 크게 나타났습니다.

나아가, 변수를 측정하는 방식에 따라 연구의 결론이 달라진다는 점도 보고되었습니다. Shakespeare et al.(2025)은 다양성을 콘텐츠의 새로움으로 측정할 때와 의미 공간의 분산으로 측정할 때 서로 다른 결론이 나타난다고 지적하였습니다. 그리고 Jiang et al.(2025)이 수행한 실험에서는 알고리즘 리터러시(algorithmic literacy)가 높은 이용자일수록 태도의 극단화가 완화되는 것으로 확인되었습니다. 따라서 연구자는 다양성을 측정하는 방식과 관련 조절변수를 연구모형의 설계 단계에서부터 고려해야 합니다.

필터버블의 모형 그림. 사전선택 개인화와 자기선택 개인화가 노출 다양성을 경유해서 태도 극화를 형성하며, 알고리즘 리터러시가 노출 다양성과 태도 극화의 관계를 조절한다.

키페이퍼(key paper)

Pariser(2011), The Filter Bubble: 필터버블이라는 용어를 처음 제시한 원문입니다. 필터버블의 개념적인 정의와 초기 사례를 다루는 모든 연구에서 예외 없이 인용하여야 하는 문헌입니다.
Nguyen et al.(2014), WWW ’14: 추천 시스템의 장기 이용 기록을 분석해서 필터버블 현상을 처음으로 검증하였습니다. 이 문헌은 노출 다양성의 변화 추이를 종단적으로 추적하려는 연구에서 설계의 근거로 인용하여야 합니다.
Bakshy et al.(2015), Science: 1,010만 명의 페이스북 이용자 데이터를 바탕으로 다양성 축소에 미치는 알고리즘의 기여와 이용자 스스로의 선택이 미치는 기여를 분석하였습니다.
Zuiderveen Borgesius et al.(2016), Internet Policy Review: 플랫폼이 주도하는 사전선택 개인화와 이용자가 주도하는 자기선택 개인화의 개념을 명확하게 구분하였습니다. 이 문헌은 연구모형에서 개인화 변수를 설정하고 조작적 정의를 설정하는 단계에서 필수적인 근거 문헌으로 인용합니다.
Guess et al.(2023), Science: 2020년 미국 대통령 선거 기간에 맞춰 이용자의 뉴스피드 순서를 의도적으로 조작한 대규모 현장 실험(field experiment)의 결과입니다. 이 문헌은 관찰 데이터에 기반한 기존 필터버블 연구들이 가지고 있는 인과 해석의 한계를 비판적으로 논의할 때 인용합니다.

필터버블을 활용할 수 있는 연구영역

미디어커뮤니케이션학, 신문방송학

뉴스 추천 알고리즘이 이용자의 정보 노출 다양성과 정치적, 이념적 극화에 미치는 영향을 탐색하는 데 적용할 수 있습니다. 필터버블 효과를 연구주제로 미디어커뮤니케이션학 석사학위를 취득한 사례를 ‘필터 버블(filter bubble)과 미디어커뮤니케이션 석사학위논문 컨설팅 후기‘에서 다루고 있습니다.

경영학, 마케팅

개인화 추천 서비스에 관한 소비자의 심리적인 인식이 서비스 몰입과 지속이용의도로 연계되는 과정을 설명하는 데 활용할 수 있습니다. 추천 시스템이 제공하는 탐색의 편의성과 유용성이 긍정적인 소비자 태도를 형성하는 과정뿐만 아니라, 선택의 고착이나 관성으로 이어지는 서로 다른 메커니즘을 분석하는 데 필터버블을 다룰 수 있습니다.

교육학, 교육공학

학습자의 알고리즘 리터러시 수준이 디지털 정보의 비판적인 수용과 타당성 판단에 미치는 영향을 분석하는 데 활용할 수 있습니다. 알고리즘에 의해 선별된 교육 콘텐츠나 온라인 정보에 노출될 때, 학습자의 역량이 편향된 정보의 습득을 완충하는 조절 효과를 평가하는 연구로 확장할 수 있습니다.

필터버블로 접근할 때에 유의해야 할 점

필터버블을 연구주제로 접근할 때에는 알고리즘의 추천에 의해서 노출된 콘텐츠와 이용자가 선택한 콘텐츠를 구분해서 측정하여야 합니다. Bakshy et al.(2015)의 분석에 따르면, 정보의 노출을 제한한 영향력은 알고리즘의 순위화 단계보다 이용자가 스스로 선택하는 클릭 단계에서 더 크게 나타났습니다. 이 두 단계를 단일한 변수로 통합하여 측정한다면, 알고리즘의 기여도를 과장해서 해석하는 오류를 범할 수 있습니다.

또한 노출 다양성을 조작적으로 정의하고 측정하는 방식을 연구 설계의 단계에서 구체적으로 명시하여야 합니다. Shakespeare et al.(2025)은 다양성을 기존에 접하지 않은 ‘새로움’으로 측정할 때와 의미 공간 내의 ‘분산’으로 측정할 때 서로 상반된 결론이 도출될 수 있음을 지적하였습니다.

마지막으로, 필터버블은 이미 검증이 완료된 이론이라기 보다는 데이터를 통해 입증해야 하는 가설에 가깝다는 점을 인식할 필요가 있습니다. Guess et al.(2023)이 수행한 대규모 현장 실험에서는 알고리즘 피드를 제거하더라도 이용자의 정치적인 태도 극화가 달라지지 않는다는 점을 확인하였습니다. 따라서 단일 시점의 횡단적 자료만으로 알고리즘의 인과적인 영향을 섣불리 단정해서는 안됩니다. 대신, 시간에 따른 변화를 추적하는 종단적 연구 설계나 알고리즘 감사 기법을 함께 고려해야 합니다.

자주 묻는 질문 (FAQ)

필터버블과 에코챔버(echo-chamber)는 어떻게 다른가요?

필터버블은 알고리즘이 이용자를 대신해서 내용을 선별하는 상황을 의미합니다. 한편, 에코챔버는 이용자가 동질적인 사람과 내용을 스스로 선택하는 상황을 가리킵니다. Zuiderveen Borgesius et al.(2016)은 전자를 사전선택 개인화로, 그리고 후자를 자기선택 개인화로 명명하였습니다.

필터버블은 어떤 연구방법으로 검증하나요?

필터버블에 관한 초창기의 연구는 이용자의 열람 기록을 수집해서 노출의 다양성을 수집하는 방식을 주로 활용하였습니다(Nguyen et al., 2014; Bakshy et al., 2015). 반면 최근의 연구에서는 추천 알고리즘을 조작하는 통제 실험이나 알고리즘 감사(audit)를 활용하는 경향을 보이고 있습니다. 이 두 방법은 인과관계를 추론하는 데 있어 서로 다른 강점을 가집니다(Gong et al., 2024; Ludwig et al., 2025).

참고문헌

Bakshy, E., Messing, S., & Adamic, L. A. (2015). Exposure to ideologically diverse news and opinion on Facebook. Science, 348(6239), 1130–1132. https://doi.org/10.1126/science.aaa1160

Flaxman, S., Goel, S., & Rao, J. M. (2016). Filter bubbles, echo chambers, and online news consumption. Public Opinion Quarterly, 80(S1), 298–320. https://doi.org/10.1093/poq/nfw006

Gong, Y., Schroeder, A., Pan, B., Sundar, S. S., & Mowen, A. J. (2024). Does algorithmic filtering lead to filter bubbles in online tourist information searches? Information Technology & Tourism, 26(1), 183–217. https://doi.org/10.1007/s40558-023-00279-4

Guess, A. M., Malhotra, N., Pan, J., Barberá, P., Allcott, H., Brown, T., Crespo-Tenorio, A., Dimmery, D., Freelon, D., Gentzkow, M., González-Bailón, S., Kennedy, E., Kim, Y. M., Lazer, D., Moehler, D., Nyhan, B., Rivera, C. V., Settle, J., Thomas, D. R., … Tucker, J. A. (2023). How do social media feed algorithms affect attitudes and behavior in an election campaign? Science, 381(6656), 398–404. https://doi.org/10.1126/science.abp9364

Jiang, T., Sun, Z., & Fu, S. (2025). Restraining the formation of filter bubbles with algorithmic affordances: Toward more balanced information consumption and decreased attitude extremity. Journal of the Association for Information Science and Technology, 76(7), 989–1005. https://doi.org/10.1002/asi.24988

Ludwig, K., Müller, P., Nikolajevic, N., & Grote, A. (2025). Putting ‘filter bubble’ effects to the test: Evidence on the polarizing impact of ideology-based news recommendation from two experiments in Germany and the U.S. Information, Communication & Society, 28(13), 2321–2340. https://doi.org/10.1080/1369118X.2024.2435998

Nguyen, T. T., Hui, P.-M., Harper, F. M., Terveen, L., & Konstan, J. A. (2014). Exploring the filter bubble: The effect of using recommender systems on content diversity. In Proceedings of the 23rd International Conference on World Wide Web (pp. 677–686). ACM. https://doi.org/10.1145/2566486.2568012

Pariser, E. (2011). The filter bubble: What the Internet is hiding from you. Penguin Press.

Shakespeare, D., Chareyron, V., & Roth, C. (2025). Reframing the filter bubble through diverse scale effects in online music consumption. Scientific Reports, 15, Article 4071. https://doi.org/10.1038/s41598-024-75967-0

Tan, Y., & Yoon, S. (2025). Testing the effects of personalized recommendation service, filter bubble and big data attitude on continued use of TikTok. Asia Pacific Journal of Marketing and Logistics, 37(5), 1280–1301. https://doi.org/10.1108/APJML-06-2024-0738

Zuiderveen Borgesius, F. J., Trilling, D., Möller, J., Bodó, B., de Vreese, C. H., & Helberger, N. (2016). Should we worry about filter bubbles? Internet Policy Review, 5(1). https://doi.org/10.14763/2016.1.401

논문 팁과 전략