2026-1 SEMESTER · WEEK 5

관찰의 이론 의존성

Theory-Ladenness of Observation

순수한 관찰의 신화 붕괴와 데이터 해석의 본질

관찰의 본질적 한계와 해석틀

1. 지난주 복습: 칼 포퍼의 반증주의

과학적 진보의 메커니즘

칼 포퍼는 과학이 귀납적 검증이 아닌, 대담한 가설 설정과 혹독한 반증의 통과를 통해 발전한다고 주장했습니다.

포퍼 논리의 핵심 전제:

"어떤 이론이 틀렸음을 증명하려면, 그 이론을 시험할 명확하고 객관적인 '관찰 사실(데이터)'이 존재해야 한다."

이론 A VS 관찰 데이터 C

관찰 C가 이론 A와 모순되면
이론 A는 기각(반증)된다.

1) 포퍼, K. (1994). 과학적 발견의 논리 (박우석 역). 고려원. (원저출판 1959) Popper, K. R. (1959). The logic of scientific discovery. Hutchinson.

치명적인 의문 제기

만약 관찰 데이터 C 자체가
어떤 편견도 없는 '순수하고 객관적인 사실'이 아니라면?

심판관 역할을 해야 할 '관찰'이 이미 다른 주관적 이론이나 배경지식에 오염되어 있다면, 우리는 결코 객관적으로 이론을 반증할 수 없게 됩니다.

이번 주 학습 목표

관찰의 이론 의존성 이해

경험주의적 '순수한 관찰'의 신화를 비판하고, 핸슨(N.R. Hanson)의 관찰의 이론 의존성 개념을 철학적으로 설명할 수 있다.

데이터 해석: 인간 vs AI

배경지식을 활용하는 인간의 의미론적 해석과, 훈련 데이터 및 알고리즘에 의존하는 AI의 통계적 해석의 차이를 비교 분석한다.

초등 과학교육 적용

학생들의 오개념(미니 패러다임)이 관찰 결과에 미치는 영향을 파악하고, 구성주의적 관점의 올바른 발문과 지도 방안을 설계한다.

2. 순수한 관찰의 신화 (The Myth of Pure Observation)

전통적 경험주의의 믿음

인간의 눈은 완벽하게 객관적인 카메라 렌즈와 같다.
외부 세계의 정보는 어떠한 왜곡이나 가공, 선입견 없이 망막을 통해 뇌로 고스란히 전달된다.
따라서, 정상적인 시력을 가진 두 사람이 같은 물체를 본다면 반드시 똑같은 것을 관찰해야만 한다.¹⁾

정말 그럴까요?

우리의 감각 기관은 백지(Tabula Rasa) 상태일까요?

1) 차머스, A. F. (2013). 과학이란 무엇인가? (신중섭, 이상원 역). 서광사. (원저출판 1976) Chalmers, A. F. (2013). What is this thing called science?. Hackett Publishing Company.

3. N. R. 핸슨 (Norwood Russell Hanson)

Wikipedia(Fair Use)

Norwood Russell Hanson

(1924–1967)

"관찰은 이론 의존적이다."

"보는 것(Seeing)은 단순히 안구에 빛이 맺히는 물리적 과정이 아니다. 배경지식, 경험, 그리고 이론이 깊게 개입되는 인지적 과정이다."¹⁾

우리는 세상의 사물을 날것 그대로 보는 것이 아닙니다.
우리가 이미 머릿속에 가지고 있는 지식과 편견의 안경을 통해서만 대상을 해석하여 관찰합니다. (Theory-Ladenness of Observation)

1) 핸슨, N. R. (2007). 과학적 발견의 패턴 (송진웅, 조숙경 역). 사이언스북스. (원저출판 1958) Hanson, N. R. (1958). Patterns of discovery: An inquiry into the conceptual foundations of science. Cambridge University Press.

시각적 게슈탈트: 오리-토끼 애매도형

Fliegende Blätter (1892) / Public Domain

이 그림은 무엇으로 보이나요?

오리

왼쪽이 부리

토끼

왼쪽이 귀

물리적 잉크의 형태(망막에 맺힌 상)는 완벽하게 동일합니다. 하지만 당신의 인지적 초점에 따라 뇌는 이를 전혀 다른 대상(오리 또는 토끼)으로 '해석'하여 관찰합니다.¹⁾

1) 비트겐슈타인, L. (2019). 철학적 탐구 (이영철 역). 책세상. (원저출판 1953) Wittgenstein, L. (1953). Philosophical investigations. Macmillan.

4. "Seeing that" vs "Seeing as"

핸슨은 관찰의 행위를 인지철학적으로 철저히 구분했습니다.¹⁾

Seeing ~that

(물리적 시각 / ~라는 것을 봄)

망막에 특정한 형태, 색상, 명암의 패턴이 물리적으로 맺히는 감각 현상.
(카메라 렌즈가 하는 역할)

과학적 관찰의 본질

Seeing ~as

(해석적 인지 / ~로서 봄)

들어온 감각 데이터를 자신의 배경지식(이론)을 동원해 특정한 의미를 지닌 사물이나 현상으로 해석해 내는 행위.

1) 핸슨, N. R. (2007). 과학적 발견의 패턴 (송진웅 역). 틔움. (원저출판 1958) Hanson, N. R. (1958). Patterns of discovery. Cambridge University Press.

5. 과학사 속 사고실험: 티코와 케플러

티코 브라헤 (Tycho Brahe)

천동설 (지구 중심설) 지지자

"우주의 중심은 내가 발 딛고 있는 지구이며, 태양과 행성들이 지구를 돌고 있다."

VS

요하네스 케플러 (J. Kepler)

지동설 (태양 중심설) 지지자

"우주의 중심은 태양이며, 지구는 스스로 자전하면서 태양 주위를 돌고 있다."

새벽 언덕 위에서의 관찰

Photo and Share CC / CC BY 2.0

두 천문학자가 이른 새벽, 같은 언덕에 서서
동쪽 하늘에서 태양이 떠오르는 장면을 함께 지켜보고 있습니다.

핸슨의 철학적 질문

"이 두 사람은 망막에 맺힌 완전히 똑같은 그림을 통해,
정말로 동일한 현상을 관찰하고 있는 것일까요?"¹⁾

1) 핸슨, N. R. (2007). 과학적 발견의 패턴 (송진웅 역). 틔움. (원저출판 1958) Hanson, N. R. (1958). Patterns of discovery: An inquiry into the conceptual foundations of science. Cambridge University Press.

상이한 지식이 낳은 상이한 관찰

티코 브라헤의 관찰

"저기 봐! 거대한 태양이 솟아오르고 있어!"

지구가 고정되어 있다는 '천동설 이론'의 렌즈를 통해 관찰하므로, 태양 자체가 공간을 가르고 위로 이동하는 것으로 인지합니다.

케플러의 관찰

"저기 봐! 우리가 발 딛고 있는 지평선이 태양을 향해 내려가고 있어!"

지구가 회전한다는 '지동설 이론'의 렌즈를 장착하고 있으므로, 고정된 태양을 향해 지구가 회전하여 지평선이 이동하는 것으로 인지합니다.

결론: Seeing that(망막의 물리적 상)은 100% 동일하지만,
Seeing as(이론적 틀에 의해 해석된 최종 관찰)는 180도 다릅니다.

6. 관찰의 오류인가, 이론의 오류인가?

뒤엠-콰인 논제 (Duhem-Quine Thesis)

과학 이론은 단독으로 검증되거나 반증되지 않습니다.
하나의 예측을 이끌어내기 위해서는 핵심 가설뿐만 아니라 관찰 도구의 원리, 배경지식 등 수많은 '보조 가설들의 그물망(Web of belief)'이 필요합니다.¹⁾

관찰 데이터가 예측과 어긋나 반증 위기에 처했을 때:

우리가 세운 핵심 가설(이론)이 틀린 것인가?
아니면 관찰에 개입된 보조 가설(현미경의 렌즈 굴절 이론 등)이 틀린 것인가?

1) 콰인, W. V. O. (2000). 경험주의의 두 독단. 박정석 (편), 현대 분석철학 선집 (pp. 150-185). 서울: 철학과현실사. (원저출판 1953) Quine, W. V. O. (1951). Two dogmas of empiricism. The Philosophical Review, 60(1), 20-43.

7. 과학 기기 = 얼어붙은 이론 (Frozen Theory)

현대 과학자들은 맨눈으로 세상을 관찰하지 않습니다.
망원경, 가속기, MRI 등 복잡한 기기를 거칩니다.

전자현미경 관찰의 진실

우리가 모니터로 보는 '세포의 사진'은 세포 그 자체가 아닙니다.
전자의 파동성, 굴절, 전자기학이라는 무수한 물리학 이론들이 데이터에 덧입혀져 컴퓨터가 렌더링해 낸 '해석된 결과물'입니다.¹⁾

Dr. Fred Murphy, Sylvia Whitfield, USCDCP / Pixnio

1) 차머스, A. F. (2013). 과학이란 무엇인가? (신중섭, 이상원 역). 서광사. (원저출판 1976) Chalmers, A. F. (1976). What is this thing called science?. University of Queensland Press.

8. 뇌의 관찰 메커니즘: 베이즈 정리 쉽게 이해하기

현대 인지과학은 우리가 세상을 "있는 그대로" 보는 것이 아니라,
'내 머릿속의 기대(편견)'과 '눈에 들어온 감각 정보'를 섞어서 타협안을 만든다고 봅니다.¹⁾

이론 / 배경지식

사전 확률
(Prior : 나의 선입견)

"난 산에 있어. 어두운 산길엔 뱀이 많지! (기대감)"

눈에 들어온 물리적 데이터

우도
(Likelihood : 감각 데이터)

"길고 구불구불한 무언가의 실루엣이 망막에 맺혔다."

최종 해석 (관찰의 완료)

사후 확률
(Posterior : 최종 관찰)

"으악, 뱀이다!"
(실제론 버려진 밧줄일 뿐임)

즉, 과학에서의 베이즈 정리는 다음과 같은 쉬운 비례식으로 설명됩니다.

$ P(\text{최종 관찰(사후 확률)}) \propto P(\text{감각 데이터(우도)}) \times P(\text{나의 선입견(사전 확률)}) $

1) Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181-204.

9. 디지털 시대의 새로운 관찰자: 인공지능

오늘날 데이터를 '관찰'하고 분류하는 주체는 기계(AI)로 확장되었습니다.

인간의 데이터 해석

개인의 문화적 경험과 과학적 패러다임을 바탕으로 데이터를 '의미론적(Semantic)'으로 해석합니다.

관찰의 '이론' 의존성

AI의 데이터 해석

자신이 학습한 훈련 데이터의 통계적 분포와 알고리즘의 가중치를 바탕으로 패턴을 분류합니다.

관찰의 '데이터/알고리즘' 의존성

AI 관찰의 편향 (Data-Ladenness)

기계의 눈은 객관적인가?

컴퓨터 비전(AI)이 카메라 렌즈로 물리적 픽셀값을 수용하더라도, 이를 사물로 '인식'하는 과정에는 훈련 데이터(Training Data)가 강력한 선입견으로 작용합니다.

알고리즘 편향 (Algorithmic Bias)

예: 구글 포토가 흑인을 '고릴라'로 잘못 분류한 사고¹⁾나, 상용 안면 인식 AI가 백인-남성 위주로 학습되어 유색인종 여성을 인식하는 데 가장 취약한 현상(Gender Shades).²⁾
이는 기계 역시 백지 상태의 완벽히 객관적인 관찰자가 될 수 없음을 보여줍니다.

1) Simonite, T. (2018). When it comes to gorillas, Google Photos remains blind. Wired. 2) Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1-15.

모호한 데이터 (Ambiguous Data) 처리 방식

안개가 짙게 낀 산속 CCTV에 뭉개진 회색 픽셀(노이즈)이 찍혔을 때

인간 (Contextual)

"이곳은 보호구역이고, 겨울철 먹이를 찾는 습성을 볼 때 저 실루엣은 노루일 거야."

👉 불충분한 데이터를 맥락(Context)과 배경지식으로 능동적으로 채워 넣어 관찰함.

인공지능 (Statistical)

"픽셀 분포 일치도: 노이즈 65%, 바위 20%, 강아지 15%
→ 바위(Rock)로 최종 분류."

👉 픽셀의 통계적 패턴에 의존하므로, 맥락이 주어지지 않으면 터무니없는 환각(Hallucination)을 겪음.

10. 초등 과학 교육에의 시사점

아이들의 눈은 백지가 아니다

아이들은 과학 실험실에 텅 빈 백지 상태로 들어오지 않습니다.
일상의 경험으로 단단히 뭉친 자신만의 안경, 즉 '미니 패러다임(Mini-paradigm)' 내지는 '오개념'을 장착하고 들어옵니다.¹⁾

실험실의 비극

교사가 "비커를 똑바로 관찰해!"라고 지시해도, 학생들은 자신이 가진 '이론'에 부합하는 부분만 선택적으로 보거나 데이터를 왜곡하여 해석합니다.

1) Driver, R., Guesne, E., & Tiberghien, A. (1985). Children's ideas in science. Open University Press.

구성주의(Constructivism) 교사의 태도

아이들이 엉뚱한 관찰 결과를 내놓았을 때

전통적 객관주의 (Bad)

"네가 잘못 본 거야. 교과서에 있는 이 사진이 진짜 정답이란다."

👉 아이의 배경지식(이론)을 무시하고 물리적 시력 문제로 치부함.

구성주의적 접근 (Good)

"정말 흥미로운데? 너는 왜 그 결과가 그렇게 보인다고 생각했니?"

👉 관찰 기저에 깔린 학생의 '배경 이론'을 드러내고 메타인지를 통해 스스로 교정(개념 변화)하도록 유도.

11. 1부 이론 요약

이론 의론성 (Theory-Ladenness)

객관적이고 순수한 '날것의 관찰'은 없다. 모든 관찰 데이터는 관찰자의 배경지식과 이론적 프레임에 의해 '해석'된다.

데이터 의존성 (Data-Ladenness)

인공지능의 관찰 역시 객관적이지 않다. AI는 학습된 훈련 데이터의 편향과 알고리즘에 전적으로 의존한다.

교육적 적용 (구성주의)

아이들의 '오개념'은 오류가 아니라 세상을 관찰하는 그들만의 안경이다. 교사는 이를 인지하고 대화적 발문을 통해 스스로 안경을 바꿔쓰도록 유도해야 한다.

Break Time (10 Min)

10분 휴식 후, 2부 실무 워크숍(데이터 해석 비교)을 시작합니다.

[활동] 데이터 탐구 및 해석: 인간 vs 인공지능

VS

모호한 관찰 데이터 비교 분석

동일한 미지의 관찰 데이터를 두고,
'의미와 맥락'을 찾는 인간과 '통계적 패턴'을 찾는 AI가
어떻게 상이한 결론(Seeing as)에 도달하는지 체험합니다.

실습용 데이터 (data.html) 열기

각 조별로 배정된 데이터를 기반으로 활동을 시작하세요.

Step 1. 인간의 의미론적 추론

인간은 '맥락'을 봅니다

활동용 데이터(data.html)에서 조별로 배정된 시각화 자료를 보고 팀원들과 다음을 논의하세요.

이 데이터의 X축과 Y축은 어떤 의미일까?
점들의 분포가 왜 이런 형태를 띄고 있을까?
최종 결론: "이 데이터는 〇〇 현상을 나타낸다!"

데이터를 상상력과 이론으로 채워 넣으세요

Step 2. AI의 통계적 추론 (Vibe Coding)

기계에게 데이터를 넘겨주세요

1 화면 캡처

data.html에 표시된 점들의 분포 화면을 그대로 캡처합니다.

2 프롬프트 작성

생성형AI(ChatGPT, Gemini, Claude) 등에 캡처한 이미지를 첨부하고 아래와 같이 지시합니다.

// Prompt Example

"내가 준 이미지의 점 분포를 보고,
어떤 통계적 특징이 있는지 수학적으로 분석해봐.
그리고 이게 무슨 데이터 같아?"

AI는 당신이 본 '의미'를 찾을까요, 아니면 차가운 추세선(Trend line)만 그릴까요?

Step 3. 비교 분석 표 창출

비교 항목	인간의 해석	AI의 해석
가설 (Hypothesis)	의미론적 형상 추론 "고래를 그린 것이다", "일교차를 나타낸다"	통계적/수학적 분류 "2개의 클러스터", "선형 회귀 패턴"
관찰 기저 (Observation Basis)	망막에 맺힌 점들의 분포 + 맥락	입력된 픽셀 값/좌표
관찰 편향 (Observation Bias)	일상 경험과 배경지식에 의한 이론 의존성	가중치와 학습 데이터에 의한 알고리즘 편향

이 표의 내용을 바탕으로 과제 담벼락에 조별 결과를 제출합니다.

과제 제출 및 코워킹 피드백

[수업 중 제출]

데이터 4개 중 2개를 선정해서 "데이터 해석 비교 분석 표"를 작성한 후
조 이름, 조원 이름과 함께 과제 담벼락에 업로드해 주세요.

과제 담벼락 들어가기

교수자 강평

제출된 결과를 바탕으로 기계의 픽셀 통계와 인간의 맥락 의존성이 과학적 관찰에 미치는 영향을 최종 논의합니다.

Q & A

관찰의 이론 의존성, 베이지안 뇌, AI의 데이터 의존성에 대해
질문 있으신가요?

NEXT WEEK

과학혁명의 구조

토머스 쿤(Thomas Kuhn)의 패러다임 전환 이론을 통해,
과학적 지식은 차곡차곡 누적되는 것이 아니라
'혁명적'으로 교체됨을 배웁니다.

다음 주 실습: 오개념 교정을 위한 3단계 발문안 설계

Thank You

End of Week 5