Most people do not choose what news they see. Algorithms do. Facebook, Google News, TikTok, YouTube, and X each deploy recommendation systems that select, rank, and surface content based on predicted user engagement. These systems are extraordinarily effective at their primary objective—keeping users on the platform—but the secondary consequences for information diversity and democratic deliberation are the subject of intense academic and public debate.

Eli Pariser coined the term "filter bubble" in 2011 to describe the personalized information environment created by algorithmic curation. The concern is straightforward: if algorithms show users content similar to what they have previously engaged with, users will be progressively enclosed in self-reinforcing information environments that narrow their exposure to diverse perspectives. The counter-argument is equally straightforward: algorithms also introduce serendipity, exposing users to content they would never have actively sought. Fifteen years later, the empirical evidence is more nuanced than either position admits.

Simulating Filter Bubbles with LLM Agents

Sukiennik, Wang, and Zeng (2025) introduce a methodologically innovative approach: using large language model (LLM) agents to simulate user behavior on short-video recommender systems and observe whether filter bubbles form. The simulation approach bypasses the observational limitations of studying real users (whose behavior is influenced by countless unmeasured variables) by creating controlled agents with defined preferences and measuring how recommendation algorithms respond.

The results demonstrate that filter bubbles do form in simulated environments, but their formation depends on the interaction between algorithm design and user behavior patterns. Agents that passively consume recommended content develop narrower information diets than agents that actively seek diverse content. This finding suggests that filter bubbles are co-produced by algorithms and users—neither is solely responsible—but the algorithm's role is to amplify existing behavioral tendencies rather than create them from scratch.

AI-Driven Curation and Media Diversity

Mariia (2025) examines how AI-driven content curation shapes media diversity across Facebook, YouTube, and TikTok. The paper analyzes the structural incentives embedded in recommendation algorithms: engagement-optimized systems systematically favor emotionally charged, sensational, and polarizing content because such content generates more clicks, shares, and watch time.

The consequence for media diversity is not simply that users see less variety but that certain types of content are structurally disadvantaged. Nuanced policy analysis, balanced reporting, and content that challenges users' existing beliefs generate lower engagement metrics and therefore receive less algorithmic promotion. The diversity loss is content-type specific: algorithms do not reduce the number of sources but reduce the ideological and tonal range of content that reaches users.

User-Centered Interventions

Jiang, Sun, and Fu (2025) take a design-oriented approach, investigating how "algorithmic affordances"—interface features that make users aware of and able to control algorithmic recommendations—can restrain filter bubble formation. Rather than modifying the algorithm itself, the intervention modifies the user's relationship with the algorithm.

The study demonstrates that providing users with tools to visualize their information diet, adjust recommendation parameters, and actively request diverse content leads to measurably more balanced information consumption and decreased attitude extremity. This user-centered approach is significant because it avoids the paternalism of algorithmic modifications (deciding for users what they should see) while addressing the information diversity deficit. The limitation is adoption: users must choose to use these tools, and the users most enclosed in filter bubbles may be least motivated to do so.

Scale-Dependent Diversity Effects

Shakespeare, Chareyron, and Roth (2025) complicate the filter bubble narrative with a finding from online music consumption: the effect of algorithmic curation on diversity depends on the scale at which diversity is measured. At the individual level, algorithmic recommendations may narrow consumption. At the population level, the same algorithms may increase aggregate diversity by enabling niche content to find its audience.

This scale-dependent finding is critical for policy discussions. Evaluating algorithmic curation solely at the individual level overstates the homogenization effect; evaluating it solely at the population level understates the individual-level narrowing. The appropriate metric depends on the normative concern: if the worry is that individual citizens lack exposure to diverse political perspectives, individual-level measurement is appropriate; if the worry is that minority voices cannot find audiences, population-level measurement matters more.

Filter Bubble Formation Factors

What To Watch

The most consequential development is the deployment of LLMs as recommendation engines themselves—replacing traditional collaborative filtering with language-model-based content matching. Early implementations (such as TikTok's increasingly sophisticated recommendation and Google's AI-powered search overviews) raise the stakes: LLM-based recommendations may create more sophisticated filter bubbles that are harder to detect and resist because they understand semantic meaning rather than just behavioral patterns. The regulatory response, particularly the EU's Digital Services Act requiring algorithmic transparency, will test whether legal mandates can meaningfully reshape the incentive structure of engagement-optimized platforms.

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 연구에서 인용하기 전에 구체적인 연구 결과, 통계 및 주장은 원본 논문을 통해 반드시 확인해야 한다.

알고리즘 뉴스 큐레이션과 정보 다양성: 필터 버블 논쟁의 내부

대부분의 사람들은 자신이 보는 뉴스를 직접 선택하지 않는다. 알고리즘이 선택한다. Facebook, Google News, TikTok, YouTube, X는 각각 예측된 사용자 참여도를 기반으로 콘텐츠를 선별하고, 순위를 매기고, 표면에 띄우는 추천 시스템을 운영한다. 이러한 시스템은 사용자를 플랫폼에 머물게 한다는 주요 목적 달성에 있어서 매우 효과적이지만, 정보 다양성과 민주적 숙의에 미치는 부차적 결과는 학계와 대중의 치열한 논쟁 대상이 되고 있다.

Eli Pariser는 2011년 알고리즘 큐레이션이 만들어내는 개인화된 정보 환경을 묘사하기 위해 "필터 버블"이라는 용어를 만들었다. 우려의 핵심은 간단하다. 알고리즘이 사용자가 이전에 참여했던 콘텐츠와 유사한 내용을 보여준다면, 사용자는 점차 다양한 관점에 대한 노출을 좁히는 자기 강화적 정보 환경에 갇히게 된다는 것이다. 반론 역시 마찬가지로 간단하다. 알고리즘은 또한 사용자가 능동적으로 찾지 않았을 콘텐츠를 접하게 함으로써 우연성을 제공하기도 한다는 것이다. 15년이 지난 지금, 경험적 증거는 어느 쪽 입장도 인정하는 것보다 더 복잡한 양상을 보인다.

LLM 에이전트를 활용한 필터 버블 시뮬레이션

Sukiennik, Wang, Zeng(2025)은 방법론적으로 혁신적인 접근법을 제시한다. 대규모 언어 모델(LLM) 에이전트를 활용하여 숏 비디오 추천 시스템에서의 사용자 행동을 시뮬레이션하고 필터 버블이 형성되는지 관찰하는 방식이다. 이 시뮬레이션 접근법은 정의된 선호도를 가진 통제된 에이전트를 생성하고 추천 알고리즘이 이에 어떻게 반응하는지 측정함으로써, 실제 사용자를 연구할 때의 관찰적 한계(수많은 미측정 변수에 의해 행동이 영향받는)를 우회한다.

결과는 필터 버블이 시뮬레이션 환경에서 실제로 형성되지만, 그 형성은 알고리즘 설계와 사용자 행동 패턴 간의 상호작용에 달려 있음을 보여준다. 추천 콘텐츠를 수동적으로 소비하는 에이전트는 능동적으로 다양한 콘텐츠를 탐색하는 에이전트보다 더 좁은 정보 식단을 갖게 된다. 이 발견은 필터 버블이 알고리즘과 사용자에 의해 공동으로 생산됨을 시사한다. 즉, 어느 한쪽만이 단독으로 책임이 있는 것이 아니라, 알고리즘의 역할은 기존의 행동 경향을 처음부터 새로 만들어내는 것이 아니라 증폭시키는 것이다.

AI 기반 큐레이션과 미디어 다양성

Mariia(2025)는 AI 기반 콘텐츠 큐레이션이 Facebook, YouTube, TikTok 전반에 걸쳐 미디어 다양성을 어떻게 형성하는지 검토한다. 이 논문은 추천 알고리즘에 내재된 구조적 유인을 분석한다. 참여도 최적화 시스템은 더 많은 클릭, 공유, 시청 시간을 생성하기 때문에 감정적으로 자극적이고, 선정적이며, 양극화를 유발하는 콘텐츠를 체계적으로 선호한다.

미디어 다양성에 대한 결과는 단순히 사용자가 더 적은 다양성을 접하게 된다는 것이 아니라, 특정 유형의 콘텐츠가 구조적으로 불이익을 받는다는 것이다. 세밀한 정책 분석, 균형 잡힌 보도, 사용자의 기존 신념에 도전하는 콘텐츠는 더 낮은 참여도 지표를 생성하여 알고리즘 추천을 덜 받게 된다. 다양성 손실은 콘텐츠 유형에 따라 다르게 나타난다. 알고리즘은 소스의 수를 줄이는 것이 아니라 사용자에게 도달하는 콘텐츠의 이념적·어조적 범위를 줄인다.

사용자 중심의 개입

Jiang, Sun, Fu(2025)는 디자인 지향적 접근법을 취하며, 사용자가 알고리즘 추천을 인식하고 통제할 수 있게 하는 인터페이스 기능인 "알고리즘 어포던스(algorithmic affordances)"가 필터 버블 형성을 어떻게 억제할 수 있는지 연구한다. 알고리즘 자체를 수정하는 대신, 이 개입은 사용자와 알고리즘의 관계를 수정한다. 이 연구는 사용자에게 자신의 정보 식단을 시각화하고, 추천 매개변수를 조정하며, 다양한 콘텐츠를 능동적으로 요청할 수 있는 도구를 제공하면 측정 가능한 수준에서 보다 균형 잡힌 정보 소비와 태도 극단성 감소로 이어진다는 점을 입증한다. 이 사용자 중심 접근법은 정보 다양성 결핍 문제를 다루면서도 알고리즘 수정의 온정주의(사용자를 대신해 무엇을 보아야 할지 결정하는 것)를 피한다는 점에서 중요하다. 다만 이 접근법의 한계는 채택률에 있다. 사용자가 이러한 도구를 스스로 선택해 사용해야 하는데, 필터 버블에 가장 깊이 갇혀 있는 사용자일수록 그렇게 할 동기가 가장 부족할 수 있다.

측정 규모에 따른 다양성 효과

Shakespeare, Chareyron, Roth(2025)는 온라인 음악 소비 연구에서 주목할 만한 발견을 통해 필터 버블 담론을 더욱 복잡하게 만든다. 바로 알고리즘 큐레이션이 다양성에 미치는 효과가 다양성을 측정하는 규모에 따라 달라진다는 것이다. 개인 수준에서는 알고리즘 추천이 소비를 좁힐 수 있다. 그러나 동일한 알고리즘이 집단 수준에서는 틈새 콘텐츠가 자신의 청중을 찾을 수 있게 함으로써 전체적인 다양성을 오히려 증가시킬 수 있다.

이 규모 의존적 발견은 정책 논의에서 매우 중요하다. 알고리즘 큐레이션을 오직 개인 수준에서만 평가하면 동질화 효과를 과대평가하게 되고, 오직 집단 수준에서만 평가하면 개인 수준의 협소화를 과소평가하게 된다. 적절한 측정 기준은 규범적 우려의 성격에 달려 있다. 만약 개별 시민이 다양한 정치적 관점에 노출되지 못한다는 점이 우려된다면 개인 수준의 측정이 적합하고, 소수의 목소리가 청중을 찾지 못한다는 점이 우려된다면 집단 수준의 측정이 더 중요하다.

필터 버블 형성 요인

주목할 동향

가장 중요한 발전은 LLM이 추천 엔진 자체로 배포되는 것, 즉 전통적인 협업 필터링이 언어 모델 기반의 콘텐츠 매칭으로 대체되는 현상이다. 초기 구현 사례(점점 정교해지는 TikTok의 추천 시스템과 Google의 AI 기반 검색 개요 등)는 그 위험성을 높이고 있다. LLM 기반 추천은 단순한 행동 패턴이 아니라 의미론적 의미를 이해하기 때문에, 탐지하고 저항하기 더 어려운 더욱 정교한 필터 버블을 생성할 수 있다. 알고리즘 투명성을 요구하는 EU의 디지털서비스법(Digital Services Act)을 비롯한 규제적 대응은, 법적 의무가 인게이지먼트 최적화 플랫폼의 인센티브 구조를 실질적으로 재편할 수 있는지를 시험하는 계기가 될 것이다.