Earticle

이 연구에서는 필터버블 현상의 주요 요인인 추천 알고리즘의 정치적 편향성(추천 알고리즘이 이용자가 선호하는 정치 성향의 영상을 제한적으로 제공하는 것)과, 이용자들의 선택적 노출(이용자가 자신이 선호하는 정치 성향의 영상을 자발적으로 선택하는 것)을 실증적으로 검증하고자 하였다. 이를 위해 새로운 유튜브 계정 2개를 개설하여 각각의 계정을 보수/진보 계정으로 일주일 동안 훈련시켰고, 각 계정에서 추천받은 영상들은 이틀 간격으로 수집하였다. 텍스트 마이닝(Text Mining) 방법을 통해 보수 계정에서는 보수 성향의 영상이 더욱 추천되는지, 진보 계정에서는 진보 성향의 영상이 더욱 추천되는지를 알아보았다. 또한 각각의 계정에서 정치적으로 편향된 주제들이 다뤄지고 있는지를 관찰하였다. 설문조사를 통해 유튜브로 정치 및 뉴스 영상을 소비하는 이용자들에게 보수/진보 계정에서 6일째에 추천된 영상 리스트를 제공하여 이용자들이 선택적 노출을 보이는지를 알아보았다. 연구결과, 시간이 지날수록 보수 계정에서는 보수 성향의 영상과 채널이 더욱 추천되고, 진보 계정에서는 진보 성향의 영상과 채널이 더욱 추천되었으며, 보수 계정과 진보 계정에서 추천된 영상들은 대부분 정치적으로 편향된 주제를 다루고 있는 것으로 나타났다. 응답자들의 약 77%는 자신이 선호하는 정치 성향의 영상에 선택적으로 노출되어 보이는 것으로 나타났다.

This study empirically confirmed 'the political bias of the YouTube recommendation algorithm' and 'the selective exposure of user' to verify the Filter Bubble phenomenon of YouTube. For the experiment, two new YouTube accounts were opened and each account was trained simultaneously in a conservative and a liberal account for a week, and the "Recommended" videos were collected from each account every two days. Subsequently, through the text mining method, the goal of the research was to investigate whether conservative videos are more recommended in a righties account or lefties videos are more recommended in a lefties account. And then, this study examined if users who consumed political news videos via YouTube showed "selective exposure" received selected information according to their political orientation through a survey. As a result of the Text Mining, conservative videos are more recommended in the righties account, and liberal videos are more recommended in the lefties account. Additionally, most of the videos recommended in the righties/lefties account dealt with politically biased topics, and the topics covered in each account showed markedly definitive differences. And about 77% of the respondents showed selective exposure.

최근 소셜미디어로 접하는 정보 증가로 알고리즘 기반 추천 형식은 사용자 정보에 기반하여 선별적으로 정보를 제공하는데, 이러한 알고리즘은 자주 에코챔버(Echo Chamber)에 의한 필터버블(FilterBuble) 효과를 일으킨다. 에코챔버는 밀폐된 시스템 안에서만 이루어지는 의사소통으로 인해 신념이 증폭되거나 강화되는 현상을 의미하고 필터버블은 정보 제공자가 이용자의 관심사에 맞춰 맞춤형 정보를 제공하여 이용자는 필터링된 정보만 접하게 되는 현상을 의미한다. 본 연구의 목적은 이러한 에코챔버에 의한 필터버블 현상을 개선하는 방안으로 정보를 효율적으로 선별하는 방법을 제시하는 것이다. 연구 진행 방법은 유튜브, 페이스북, 그리고 아마존에서 사용되는 추천 알고리즘을 분석하였다. 본 연구에서는 추천 알고리즘으로 생기는 문제점에 대해서 소셜미디어 사용자의 비판적 사고능력 훈련이나 자기보존법칙에 따른 객관적 윤리 기준 강화 등의 인문학적 해결 방안과 모델 기반 협력 필터링이나 교차적 추천 방식의 기술적 해결 방안을 제시하였다. 결과적으로 추천 알고리즘은 지속적 기술 보완과 새로운 기법 개발을 위한 노력이 이루어져야 하며, 소셜미디어를 대하는 사용자는 비판적 사고 훈련과 정치적 의사소통 교육을 통해 인지부조화를 이겨내고 확증편향에 빠지지 않도록 하는 인문학적 노력이 병행되어야 한다.

Due to the recent increase in information encountered on social media, algorithm-based recommendation formats selectively provide information based on user information, which often causes a filter bubble effect by an Echo Chamber. Eco-chamber refers to a phenomenon in which beliefs are amplified or strengthened by communication only in an enclosed system, and filter bubbles refer to a phenomenon in which information providers provide customized information according to users' interests, and users encounter only filtered information. The purpose of this study is to propose a method of efficiently selecting information as a way to improve the filter bubble phenomenon by such an echo chamber. The research progress method analyzed recommended algorithms used on YouTube, Facebook and Amazon. In this study, humanities solutions such as training critical thinking skills of social media users and strengthening objective ethical standards according to self-preservation laws, and technical solutions of model-based cooperative filtering or cross-recommendation methods were presented. As a result, recommended algorithms should continue to supplement technology and develop new techniques, and humanities should make efforts to overcome cognitive dissonance and prevent users from falling into confirmation bias through critical thinking training and political communication education.

본 연구는 2025년 제21대 대통령 선거 상황에서 유튜브 추천 알고리즘이 정 치적 필터버블과 에코챔버 형성에 미치는 영향을 분석하였다. 진보･보수･중도 성향 6개 키워드를 기반으로 483개 채널과 10,740개 추천 관계를 수집･네트워 크 분석한 결과, 전체 구조는 낮은 밀도와 허브 중심성을 보였으며 추천이 소수 대형 채널에 집중되는 경향이 뚜렷했다. 추천 깊이가 깊어질수록 채널 수와 표 면적 다양성은 증가했으나 정보 집중도는 오히려 상승하여 동일 성향 채널로의 쏠림이 심화되었다. 정치 성향별로는 진보 네트워크의 응집성과 폐쇄성이 가장 높게 나타났으며, 반복 추천과 상호 연결을 통해 에코챔버 구조로 강화될 수 있 음을 확인하였다. ERGM 분석에서는 정치 성향 일치, 구독자 수 및 영상 수 등 이 추천 연결 형성에 유의하게 작용하여 알고리즘이 정치적으로 동질적인 정보 환경을 고착화할 수 있음을 시사한다. 이러한 결과를 통해 선거 시기 정보 다양 성 확보와 정치적 양극화 완화를 위해 추천 편향을 감시･완화하는 정책적 장치 와 플랫폼의 투명성 제고가 필요함을 제언한다.

This study examined how YouTube’s recommendation algorithm shaped political filter bubbles and echo chambers during the 2025 June 3 presidential election in South Korea. Using six keywords across progressive, conservative, and centrist orientations, we analyzed 483 channels and 10,740 recommendation links. The network showed low density but strong hub centrality, with recommendations concentrated on a few large channels. Greater recommendation depth increased apparent diversity but also raised the Gini coefficient, intensifying ideological clustering. Progressive networks had the highest cohesion and closure, indicating stronger filter bubble tendencies, often reinforced into echo chambers through repeated and reciprocal recommendations. ERGM analysis confirmed that political alignment, subscriber count, video volume, and traditional media affiliation significantly influenced link formation. Findings highlight the need for policy and platform-level measures to monitor and reduce recommendation bias, ensuring diversity and mitigating polarization during elections.

본 연구는 유튜브 동영상 플랫폼이 개인화 추천시스템을 통하여 제공하는 추천동영상 서비스 로 인하여 발생하는 정보다양성 감소로 인한 필터버블 현상과 프라이버시 염려에도 불구하고 추 천동영상을 지속적으로 이용하고자 하는 프라이버시 역설 현상에 초점을 맞추어 이러한 현상이 발생하는지, 그리고 20대와 50대의 두 집단을 대상으로 어떠한 차이가 존재하는지를 실증분석을 통해 확인하고자 하였다. 실증분석 결과를 정리하면 다음과 같다. 첫째, 정보다양성 감소에도 불 구하고 추천동영상을 지속적으로 이용할 것인지 분석한 결과, 추천동영상의 유용성이 존재할 경 우 정보다양성 감소에도 불구하고 지속이용의도는 강하게 나타남을 확인하였다. 둘째, 추천동영 상의 유용성을 전제할 경우, 프라이버시 염려에도 불구하고 추천동영상을 지속적으로 이용하고 자 하는 프라이버시 역설 현상이 나타나는지를 분석한 결과 20대와 50대를 모두 포함한 설문대 상 전체를 대상으로 프라이버시 역설 현상이 나타나지 않는 것으로 나타났다. 다만, 20대와 50 대를 나누어 각각 살펴본 경우에는 다른 결과가 나타났음을 확인하였다. 셋째, 프라이버시 역설현상이 20대와 50대에 어떤 차이를 보이는지 분석한 결과, 20대의 경우 프라이버시 역설 현상이 나타나지 않았으나 50대의 경우에는 프라이버시 역설 현상이 나타나는 것을 확인하였다.

This study tires to find filter bubble and privacy paradox phenomenon when users are watching recommended videos provided by Youtube platform. For this purpose, the relationship among reduced information diversity, filter bubble and intention to use during using recommended videos in Youtube platform are empirically analyzed. Especially whether generation gap between twenties and fifties exists is also analyzed. According to the research results, some important implications are found. First, the relationship between reduced information diversity and continuous use of recommended videos is tested. These two concepts have strong positive relationship according to the research result. Second, the relationship between privacy concern and continuous use of recommended videos are tested in order to find privacy paradox. According to the research result, privacy paradox doesn’t exist in whole group, but generation gap between twenties and fifties are found to exist. Third, inter-generational differences in the privacy paradox are analyzed. According to the research result, older generation(50’s) shows privacy paradox phenomenon but younger generation(20’s) doesn’t show.

본 연구는 러시아-우크라이나 전쟁(2022)의 특징인 유튜브 등 SNS 추천알고리즘 필터버블 강화현상과 하이브리 드 전쟁의 승패 요인에 관한 연구이다. 이 전쟁은 하이브리드전으로 규명되며, SNS 추천알고리즘 기반 뉴미디어의 활용 은 정치적 레버리지를 넘어서 전쟁의 승부를 결정짓는 요소로 부상하고 있다. 이로 인해, 필터버블 현상이 시청자들에게 노출되는 정보의 제한을 가져온다는 확증편향의 사전적 의미를 넘어서고 있다. 우크라이나 젤렌스키 대통령이 키예프에 서 항전을 독려한 유튜브 동영상의 경우 702만의 조회 수를 기록했지만, 푸틴의 연설은 80만에 그친 것은 추천알고리즘 이 푸틴의 연설을 노출하지 않았다는 방증이다. 이러한 SNS 추천알고리즘의 노출 전쟁은 미국(유튜브, 트위터, 페이스 북)과 중국(틱톡) 빅테크 기업의 알고리즘 전쟁으로 발전되는 경향을 보인다. 미국기업의 영향으로 우크라이나는 국제적 인 지원을 받을 수 있게 되었고, 러시아는 중국기업의 영향으로 푸틴의 지지율이 80 프로가 넘는 상반된 결과가 도출되 고 있다. 이러한 알고리즘 권력화는 ’필터버블‘에 의해 여론의 확증편향에 기반을 두고 있기에 이 왜곡 현상에 대한 새로 운 가이드라인 설정을 이른 시일 안에 제시해야 한다는 정당성이 이번 러시아-우크라이나 전쟁을 통해서 주목받고 있다.

This study is a study on the filter bubble reinforcement phenomenon of SNS recommendation algorithm such as YouTube, which is a characteristic of the Russian-Ukraine war (2022), and the victory or defeat factors of the hybrid war. This war is identified as a hybrid war, and the use of New Media based on the SNS recommendation algorithm is emerging as a factor that determines the outcome of the war beyond political leverage. For this reason, the filter bubble phenomenon goes beyond the dictionary meaning of confirmation bias that limits information exposed to viewers. A YouTube video of Ukrainian President Zelensky encouraging protests in Kyiv garnered 7.02 million views, but Putin's speech only 800,000, which is a evidence that his speech was not exposed to the recommendation algorithm. The war of these SNS recommendation algorithms tends to develop into an algorithm war between the US (YouTube, Twitter, Facebook) and China (TikTok) big tech companies. Influenced by US companies, Ukraine is now able to receive international support, and in Russia, under the influence of Chinese companies, Putin's approval rating is over 80%, resulting in conflicting results. Since this algorithmic empowerment is based on the confirmation bias of public opinion by 'filter bubble', the justification that a new guideline setting for this distortion phenomenon should be presented shortly is drawing attention through this Russia-Ukraine war.

The personalized search algorithm is a search system that analyzes the user's IP, cookies, log data, and search history to recommend the desired information. As a result, users are isolated in the information frame recommended by the algorithm. This is called 'Filter bubble' phenomenon. Most of the personalized data can be deleted or changed by the user, but data stored in the service provider's server is difficult to access. This study suggests a way to neutralize personalization by keeping on sending random query words. This is to confuse the data accumulated in the server while performing search activities with words that are not related to the user. We have analyzed the rank change of the URL while conducting the search activity with 500 random query words once using the personalized account as the experimental group. To prove the effect, we set up a new account and set it as a control. We then searched the same set of queries with these two accounts, stored the URL data, and scored the rank variation. The URLs ranked on the upper page are weighted more than the lower-ranked URLs. At the beginning of the experiment, the difference between the scores of the two accounts was insignificant. As experiments continue, the number of random query words accumulated in the server increases and results show meaningful difference.

필터버블은 그간 정보 다양성과 민주적 담론을 위협하는 현상으로 주로 정치·정보 맥락에서 연구되어 왔다. 그러나 알고리즘 기반 소비 환경에서는 개인화 필터링이 심미적 취향, 반복 노출, 브랜드 애착이라는 전혀 다른 논리로 작동한다. 본 연구는 온라인 패션 플랫폼을 활발히 이용하는 20대 한국 여성 소비자를 대상으로 필터버블 인식이 패션 브랜드 충성도에 미치는 영향을 검토하며, 개인화 추천 다양성 인식의 매개 역할과 디지털 리터러시의 조절 역할을 규명하고자 한다. 최근 6개월 이내에 온라인 패션 쇼핑 경험이 있는 20-29세 한국 여성 300명을 대상으로 온라인 설문조사를 실시하였으며, 수집된 자료는 확인적 요인분석(CFA)을 통해 측정 타당도를 검토한 후 SPSS 24, AMOS 18, PROCESS macro Model 58(버전 4.2)을 활용하여 가설을 검증하였다. 연구 결과, 필터버블 인식은 초기 가설과 달리 패션 브랜드 충성도에 유의한 정(+)의 직접 효과를 미치는 것으로 나타났다. 기존 매개분석에서 필터버블 인식이 개인화 추천 다양성 인식에 미치는 a-path는 유의하지 않았으나, 디지털 리터러시를 공변량으로 통제한 추가 회귀분석 결과 통계적으로 유의한 부(-)의 효과가 확인되었다(β＝-.205, p＜.001). 이는 기존의 비유의 결과가 매개효과의 부재가 아니라 디지털 리터러시 수준 간 효과 상쇄(cancellation)에 기인함을 시사한다. 디지털 리터러시는 필터버블 인식과 개인화 추천 다양성 인식 간의 관계를 조절하였다. 구체적으로, 디지털 리터러시 수준이 낮을 때 필터버블 인식은 개인화 추천 다양성 인식을 유의하게 감소시켰으나, 수준이 높을 때는 이러한 부(-)의 효과가 중화되었다. 조건부 간접효과는 디지털 리터러시가 낮은 수준과 평균 수준에서 유의하였으나, 높은 수준에서는 유의하지 않았다. 본 연구는 두 가지 이론적 기여를 한다. 첫째, 필터버블 연구를 정치·정보 영역을 넘어 소비자 행동 영역으로 확장하여, 필터버블을 소비 경험을 구성하고 브랜드 충성도를 형성하는 메커니즘으로 재개념화한다. 둘째, 필터버블 효과가 기존의 결핍 모델과는 다른 방향으로 작동할 가능성을 제시한다. 필터버블은 소비자 선택을 제약하기 보다, 반복 노출을 통한 브랜드 친숙성, 결정 피로 감소, 자아-브랜드 일치감 강화를 통해 브랜드 애착을 강화하는 경험 구조로 기능할 수 있다. 디지털 리터러시는 핵심 경계 조건으로 작용하여, 리터러시 수준이 낮은 소비자에게서 나타나는 필터버블 인식이 추천 다양성 인식을 감소시키고 이것이 다시 브랜드 충성도를 약화시키는 부정적 간접 경로를 중화하는 인지적 완충제 역할을 한다. 이러한 결과는 개인화를 브랜드 애착의 동인으로 활용하면서도 디지털 취약 계층이 추천 다양성을 충분히 인식할 수 있도록 하는 추천시스템 설계에 실무적 시사점을 제공한다.

Filter bubbles have been theorized almost exclusively as a threat to informational diversity and democratic discourse. Yet in algorithm-driven consumption environments, personalized filtering operates according to a different logic?one shaped by aesthetic preference, repeated exposure, and brand attachment rather than epistemic concern. This study investigates how filter bubble perception influences fashion brand loyalty among Korean women in their twenties who actively use online fashion platforms, with particular attention to the mediating role of perceived recommendation diversity and the moderating role of digital literacy. An online survey was conducted with 300 Korean women aged 20?29 who had engaged in online fashion shopping within the previous six months. Data were analyzed using confirmatory factor analysis (CFA) and hypothesis testing via SPSS 24, AMOS 18, and PROCESS macro Model 58 (version 4.2) with 5,000 bootstrap samples. Results reveal that filter bubble perception exerts a significant positive direct effect on brand loyalty, contrary to the initial hypothesis. Although the a-path from filter bubble perception to perceived recommendation diversity was non-significant in the original mediation analysis, an additional regression analysis controlling for digital literacy revealed a significant negative effect (β = -.205, p < .001), indicating that the apparent null effect reflects cancellation across digital literacy levels. Digital literacy moderated the relationship between filter bubble perception and perceived recommendation diversity: at low levels, filter bubble perception significantly reduced perceived recommendation diversity, whereas at high levels this negative effect was neutralized. These findings make two substantive contributions. First, this study extends filter bubble research beyond its political and informational origins into consumer behavior, repositioning the construct as a mecha nism through which consumption experience is structured and brand loyalty is formed. Second, the positive direction of filter bubble effects challenges the dominant deficit model: rather than constraining consumer choice, filter bubble may be associated with stronger brand attachment through familiarity, reduced decision fatigue, and self-brand congruity fostered by repeated exposure to aligned content. Digital literacy emerges as a key boundary condition that neutralizes the negative indirect pathway from filter bubble perception through recommendation diversity to brand loyalty among lower-literacy consumers. These results offer practical implications for fashion platforms seeking to design recommendation systems that leverage person alization while preserving perceived diversity for digitally vulnerable users.

최근 한국에서의 유튜브 사용량은 전체 SNS 이용량 중 72%로 가장 높으며 그중 44%가 유튜브를 통해 뉴스를 이용한다고 나타났다. 또한, 언론사들이 유튜브를 통해 콘텐츠를 공유하고, 정치인들도 유튜브를 활용하여 대중과 소통하는 추세이다. 이에 따라 유튜브가 가지는 영향력은 점차 커지고 있으며, 학계에서는 유튜브를 통한 뉴스 소비에 대한 다양한 연구가 이루어지고 있다. 그중에서도, 유튜브의 추천 알고리즘이 이용자의 이념적 성향을 강화하여 이념의 양극화를 초래하는 필터 버블 현상에 대한 우려가 발생하고 있다. 본 논문은 정치 분야에서 유튜브의 필터버블 현상에 대한 우려를 제기하고, 그 해결책으로 크롬 익스텐션을 활용한 실질적인 방안을 제안한다. 이용자가 다양한 정치 성향의 영상에 노출되도록 하여 확증편향 현상을 줄이는 것을 목표로 한다. 본 논문은 보수/진보 성향의 유튜브 계정을 훈련시키고, 텍스트 마이닝을 활용해 추천 영상의 성향을 분석함으로써 필터버블 현상의 존재를 확인한다. 이후 크롬 익스텐션을 적용한 계정에서 시사/정치 분야 영상이 동일한 비율로 추천되는지를 검증한다. 본 논문의 목적은 유튜브 추천 알고리즘에 따른 필터버블 현상을 검증하고, 크롬 익스텐션을 통해 선택적 노출 현상을 감소시키는 것에 있다. 본 논문은 유튜브 필터버블 현상 해결에 대한 유용성을 입증하는 실증적 연구로 의미가 있다.

Recently, YouTube usage in Korea has reached 72% of the total SNS usage, with 44% of users utilizing YouTube for news consumption. Furthermore, media outlets are sharing content on YouTube, and politicians are using it as a means of communication with the public. As a result, the influence of YouTube is steadily growing, leading to various academic studies on news consumption through YouTube. Among them, there is growing concern about the filter bubble phenomenon, where YouTube's recommendation algorithm reinforces users' ideological tendencies, resulting in polarization. This paper raises concerns about the filter bubble phenomenon on YouTube in the field of current politics and proposes a practical solution using a Chrome extension. The objective is to reduce confirmation bias by exposing users to diverse political content. This paper trains YouTube accounts with conservative/progressive tendencies and analyzes the political inclinations of recommended videos using text mining to confirm the existence of the filter bubble phenomenon. Subsequently, it verifies whether current affairs/politics videos are recommended in equal proportions on the accounts with the applied Chrome extension. The purpose of this paper is to validate the filter bubble phenomenon caused by YouTube's recommendation algorithm and reduce selective exposure through the Chrome extension. This paper holds significance as an empirical study that demonstrates the utility of resolving the YouTube filter bubble phenomenon.

Nowadays a personalization algorithm is gaining huge attention. It gives users selective information which is helpful and interesting in a deluge of information based on their past behavior on the internet. However there is also a fatal side effect that the user can only get restricted information on restricted topics selected by the algorithm. Basically, the personalization algorithm makes users have a narrower perspective and even stronger bias because users have less chances to get views of opponent. Eli Pariser called this problem the 'filter bubble' in his book. It is important to understand exactly what a filter bubble is to solve the problem. Therefore, this paper shows how much Google's personalized search algorithm influences search result through an experiment with deep neural networks acting like users. At the beginning of the experiment, two Google accounts are newly created, not to be influenced by the Google's personalized search algorithm. Then the two pure accounts get politically biased by two methods. We periodically calculate the numerical score depending on the character of links and it shows how biased the account is. In conclusion, this paper shows the formation process of filter bubble by a personalization algorithm through the experiment.