신호 희소성과 예측 불확실성: 사회적 자원배분에 대한 함의

요약

샤프캇 파라비, 패트릭 J. 파울러, 산메이 다스 연구진이 2026년 8월 4일 arXiv(cs.CY)에 머신러닝 모델의 정확도가 인구집단별로 유의하게 다른 경우처럼, 예측 불확실성이 인구집단별로 체계적으로 다를 때 희소한 사회적 자원 배분에 무슨 일이 벌어지는지를 다루는 논문을 공개했다. 저자들은 이질적 예측 불확실성을 반영한 새로운 희소자원배분 수학모델을 정식화하고 배분 메커니즘과 실현되는 인구집단 수준 편익에 대한 함의를 분석한다. 이들은 자원이 매우 부족한 경우 한계편익최대화(MMB) 우선순위 배정 방식이 기저 초기상태가 동일하더라도 예측 불확실성이 더 낮은 개인을 우대하지만, 자원이 풍부해지면 이 우선순위가 뒤바뀌어 불확실성이 더 높은 개인을 표적으로 삼게 된다는 것을 발견한다. 이 논문은 PISA 교육평가 데이터셋을 활용해 이런 함의를 예시화하며, 지역적 정의(local justice) 이론에 따른 공교육 자원배분·의료 트리아지·노숙인지원과 관련이 있다. 저자들은 '미래에 대한 예측 불확실성만을 근거로 한 사람에게 다른 사람보다 자원을 우선 배분하는 것이 정의로운가'라는 새로운 윤리적 딜레마를 제기하며, MMB와 취약계층우선 우선순위 배정 방식 모두에서 효율 손실을 평가해 모든 자원 수준에서, 특히 저자원 환경에서 손실이 나타남을 확인한다.