정보/AI 탐구보고서에서 알고리즘 윤리 다루는 법
AI 윤리 보고서는 기술 설명과 사회적 책임을 함께 다뤄야 면접 질문에도 대비할 수 있습니다.
목차
- 윤리 용어를 측정할 수 있는 질문으로 바꾸기
- 혼동행렬에서 네 종류의 결과 구분하기
- 정확도와 오탐률을 직접 계산하기
- 수치 차이와 차별의 원인을 구분하기
- 개선 제안은 오류와 운영 절차에 연결하기
핵심 요약
- 기술 원리와 영향 대상을 함께 보기
- 편향과 개인정보를 구체적으로 설명
- 윤리적 성찰을 결론에 포함
AI 윤리 탐구는 ‘편향을 줄여야 한다’는 주장만으로 끝내기 쉽습니다. 누가 어떤 오류를 겪으며 어떤 수치로 그 차이를 확인할지를 정하면 기술 분석과 윤리적 판단이 연결됩니다. 이 글은 가상 학습자료 추천기의 분류 결과로 오류를 읽는 연습입니다. 실제 학생 데이터나 운영 중인 모델의 시험 결과가 아닙니다.
1. 윤리 용어를 측정할 수 있는 질문으로 바꾸기
추천기가 학생에게 특정 보충자료를 권할지 결정한다고 가정합니다. 여기서 ‘양성’은 자료를 추천한다는 뜻이고, ‘실제 필요’는 연습을 위해 미리 정한 판정입니다. 현실에서는 필요의 기준 자체를 교사와 학습자가 검토해야 합니다. AI가 정답을 알고 있다는 가정으로 출발하지 마세요.
질문은 ‘정확도가 같은 두 집단에서 불필요한 추천을 받는 비율도 같은가?’로 정합니다. 실제 학교 조사 대신 아래 가상 집계값만 사용하므로 학생 이름, 성적, 상담 기록을 수집할 필요가 없습니다. 민감한 정보를 모으는 것보다 이미 공개된 비식별 자료나 합성 자료로 분석 방법을 먼저 익히세요.
2. 혼동행렬에서 네 종류의 결과 구분하기
- TP: 필요한 자료를 추천했습니다.
- TN: 필요하지 않은 자료를 추천하지 않았습니다.
- FP: 필요하지 않은 자료를 추천했습니다. 이 예시의 잘못된 추천입니다.
- FN: 필요한 자료를 추천하지 않았습니다. 필요한 도움을 놓친 경우입니다.
| 집단 | TP | TN | FP | FN |
|---|---|---|---|---|
| A | 58 | 32 | 8 | 2 |
| B | 14 | 76 | 4 | 6 |
표의 네 값을 더하면 각 집단이 100건인지 먼저 확인할 수 있습니다. A의 실제 필요는 TP+FN=60건, B는 20건으로 다릅니다. ‘A와 B가 모든 조건에서 같은 집단’이라는 가정은 없습니다. 인원 수가 같아도 필요한 자료의 비율은 같지 않을 수 있습니다.
3. 정확도와 오탐률을 직접 계산하기
정확도=(TP+TN)÷전체 건수입니다. A는 (58+32)÷100=90%, B도 (14+76)÷100=90%입니다. 두 집단의 정확도만 보면 차이가 없습니다. 하지만 필요하지 않은데 추천받은 비율인 오탐률 FPR=FP÷(FP+TN)을 계산하면 A는 8÷40=20%, B는 4÷80=5%입니다.
분모에 모든 사람을 넣으면 다른 지표가 됩니다. A의 8÷100=8%는 전체 중 잘못된 추천 건수의 비율이며, 실제로 필요하지 않은 사례 중 잘못 추천한 비율인 20%와 구분해야 합니다. 보고서에는 지표 이름뿐 아니라 분자·분모와 계산식을 적으세요.
재현율은 TP÷(TP+FN)입니다. A는 58÷60≈96.7%, B는 14÷20=70%입니다. 필요한 도움을 놓치는 오류까지 보면 또 다른 차이가 보입니다. 분모가 0인 지표는 계산 불가로 표시하고 0%나 100%로 채우지 않습니다. 백분율 반올림은 계산 마지막에 하세요.
지표 정의의 1차 참고 자료는 Google 개발자 교육의 정확도·재현율·오탐률 설명입니다. 확인일은 2026-10-13입니다. 공식 정의를 참고했고 표의 수치와 교육 상황은 이 글의 별도 창작입니다.
4. 수치 차이와 차별의 원인을 구분하기
오탐률 차이가 관측되었다고 해서 특정 속성이 원인이라고 곧바로 결론 낼 수는 없습니다. 집단별 실제 필요 비율, 표본 수, 판정 기준, 수집 과정이 다를 수 있습니다. 이 가상 표에는 그런 원인을 분리할 정보가 없습니다. 따라서 ‘정확도만으로 오류 부담의 차이를 설명할 수 없다’까지가 이 계산이 직접 뒷받침하는 결론입니다.
현실의 자료라면 필요 여부를 누가 어떤 기준으로 판정했는지 확인해야 합니다. 집계된 숫자에도 잘못된 정답표가 들어갈 수 있습니다. 표본이 적은 집단의 비율을 과도하게 일반화하지 않고, 집단을 나누는 이유와 분류에서 빠지는 사례도 기록합니다. 민감한 속성을 새로 모아야만 좋은 윤리 탐구가 되는 것은 아닙니다.
5. 개선 제안은 오류와 운영 절차에 연결하기
잘못된 추천은 시간 부담을 만들 수 있고, 놓친 추천은 필요한 도움에 접근하지 못하게 할 수 있습니다. 어느 오류를 더 줄일지에는 교육 목적과 이용자의 선택권이 함께 고려되어야 합니다. 임계값을 바꾸는 방안을 제안했다면 다른 오류도 달라지는지 다시 계산할 계획을 붙이세요. 이 표만으로 최적 임계값을 정할 수는 없습니다.
‘설명 가능성을 높인다’는 문장 대신 추천 이유를 확인할 수 있는지, 추천을 거절하거나 사람이 재검토할 수 있는지, 잘못된 기록을 고칠 경로가 있는지 질문해 보세요. 실제 기능을 구현하지 않았다면 개선안이라고 표시합니다. 데이터 공유와 보유에 관한 결정은 별도 검토가 필요한 운영 사항이며 이 연습이 개인정보 적법성을 인증하지는 않습니다.
보고서에는 질문, 가상 집계표, 계산식, 오류가 미치는 영향, 원인을 확정할 수 없는 이유, 다음 검증 계획을 남기세요. 방법 비교는 공학계열 탐색 방법 비교, 판단의 한계를 말로 설명하는 단계는 꼬리질문 점검표로 이어집니다.
제작 안내: 이번 본문은 AI 도구로 재작성했습니다. 합성 수치의 계산은 자동 검증했으며 실제 모델의 성능이나 학생 사례를 주장하지 않습니다.
관련 글
공학계열 탐구보고서 주제 예시: 탐색 방법을 직접 비교하기NEW
같은 목록에서 두 탐색 방법을 비교하고 확인 횟수·평균·빈 입력·중복값·정렬 조건을 검증합니다.
학생부 기반 대입 면접 꼬리질문 점검표: 주장·근거·한계 연결하기NEW
보고서의 핵심 주장에 조건과 반대 질문을 붙여, 근거를 찾을 수 있는 답변과 아직 확인하지 못한 답변을 구분합니다.
이 글은 일반 교육 정보이며 특정 대학 합격·학생부 평가·면접 결과를 보장하지 않습니다. 학교와 대학의 공식 안내를 함께 확인해 주세요.