2026.10.31제340호

10대 음란물 이용 예측, 부모 통제는 거의 설명하지 못했어요

스페인 3만 3천 명 데이터와 제타·크랙 논란을 함께 읽어요

사회

같은 시기 한국에서는 제타·크랙·베이비챗 같은 AI 캐릭터 챗의 청소년 보호가 국정감사에 올랐어요. 두 이야기를 나란히 놓고 읽어볼게요.

스페인 10대 3만 3,543명의 설문에서 나온 결과

스페인 로비라 이 비르힐리 대학교(URV) 연구팀이 2026년 8월 학술지 《Computation》에 논문 한 편을 실었어요. 질문은 단순해요. 지난 30일 동안 음란물을 보거나 이용했다고 답한 10대에게는 어떤 특징이 함께 나타날까요.

데이터는 스페인 정부가 2년마다 중등학생에게 실시하는 약물 사용 조사 ESTUDES¹의 2023년판이에요. 원표본은 4만 2,208명이고, 필요한 문항에 모두 답한 3만 3,543명이 분석에 들어갔어요. 대부분 15~18세예요. 이 가운데 42.6%(1만 4,287명)가 지난 30일 안에 음란물을 봤다고 답했어요.

연구팀은 이 응답을 맞히는 모델을 네 가지로 만들었어요. 통계에서 오래 써온 로지스틱 회귀² 하나와, XGBoost·LightGBM·CatBoost라는 그래디언트 부스팅³ 모델 셋이에요. 그다음 SHAP⁴이라는 설명 기법으로 어떤 변수가 예측을 얼마나 움직였는지 따졌어요. 모델에 넣은 변수는 성별과 나이, 아버지·어머니와의 관계, 가족 갈등, 집 안팎의 부모 통제, 담배·술·대마초 사용, 일부 성 경험, 불안 발작 같은 심리적 고통, 그리고 문제적 인터넷 사용이에요.

이 연구가 하지 않은 일도 처음에 짚어 둘게요. 한 시점에 한 번 묻는 횡단 조사⁵라서 무엇이 무엇의 원인인지는 말할 수 없어요. 결과 변수도 지난 30일에 봤는지 안 봤는지 둘뿐이라, 얼마나 자주 보는지나 그 이용이 문제가 되는 수준인지는 가려내지 못해요. 연구팀도 이 모델을 특정 학생을 진단하거나 낙인찍는 데 쓰면 안 되고, 교육과 예방 정책을 설계하는 데 써야 한다고 분명히 적었어요.

성별 다음으로 무거운 변수는 끊기 어려운 인터넷 사용

예측에서 압도적으로 큰 변수는 성별이었어요. 로지스틱 회귀 기준으로 여학생이 지난 30일 안에 음란물을 봤을 오즈⁶는 남학생보다 92.8% 낮았어요. 나이도 관련은 있었지만, SHAP으로 본 예측 기여는 주요 변수들보다 훨씬 작았어요.

성별 다음이 문제적 인터넷 사용이에요. 연구팀은 14개 문항으로 이 지수를 만들었어요. 접속을 끊기 어렵다, 인터넷 때문에 잠을 줄인다, 해야 할 일을 미룬다, 걱정이나 기분 나쁜 감정에서 벗어나려고 접속한다 같은 내용이에요. 연구팀은 이 지수가 임상적인 인터넷 중독 진단과 같은 말이 아니라고 따로 못 박았어요. 로지스틱 회귀에서 이 지수가 최저에서 최고로 올라가면 음란물 이용 오즈는 약 5.3배가 됐어요.

그다음이 술과 대마초, 그리고 가족 갈등이에요. 술은 한 번도 마시지 않은 학생과 한 주말이라도 마신 학생 사이에서 예측이 가장 크게 움직였어요. 대마초도 해본 적이 있는지 없는지가 가장 큰 갈림길이었어요. 콘돔 없는 성관계, 다음 날 후회한 성관계 같은 성적 위험 행동도 예측에 보탬이 됐지만 크기는 작았어요.

반대로 거의 아무것도 설명하지 못한 변수도 있어요. 집 안에서의 부모 통제와 집 밖에서의 부모 통제예요. 다른 변수와 함께 모델에 넣었을 때 두 변수의 SHAP 값은 대부분의 학생에게서 0 근처였어요. 연구팀은 부모의 감독이 노출을 줄인다는 기존 연구가 있다는 점을 인정하면서도, 개인·행동·가족 요인을 함께 고려하면 부모 통제를 주요 예측 변수로 보기는 어렵다고 정리했어요.

남녀를 나눠 보면 순서가 조금 달라져요. 성별을 뺀 나머지 변수 중에서 남학생은 술이, 여학생은 문제적 인터넷 사용이 가장 큰 예측 변수였어요. 가족 갈등, 불안 발작, 부모와의 관계는 여학생 쪽에서 예측 기여가 눈에 띄게 컸어요. 나이대에 따른 차이는 작았어요.

문제적 인터넷 사용은 혼자서만 작동하지도 않았어요. 모델 안에서 가장 강한 상호작용 열 개 가운데 여섯 개에 이 변수가 들어 있었고, 나이·대마초·술·아버지와의 관계와 얽히면서 효과의 크기가 달라졌어요. 성별은 가장 강한 단일 변수였지만 상위 상호작용에는 한 번도 들어가지 않았어요. 연구팀의 해석대로라면 성별은 혼자 크게 미는 변수이고, 문제적 인터넷 사용은 다른 조건과 겹칠 때 커지는 변수예요.

복잡한 모델이 거의 이기지 못한 것도 결과예요

논문 제목에 들어간 기계학습 모델 셋은 로지스틱 회귀를 아주 조금만 앞섰어요. 학습용 데이터 안에서 교차검증을 열 번 반복했을 때, 분류 성능을 0.5~1 사이로 나타내는 AUC⁷가 로지스틱 회귀는 0.817, 부스팅 모델 셋은 0.822 안팎이었어요. 따로 떼어 둔 시험 데이터에서도 차이는 0.005~0.006 정도였어요. 통계적으로는 유의했지만 연구팀 스스로 크기는 작다고 평가했고, 부스팅 모델끼리는 차이가 없었어요.

어떤 모델이 낫냐는 질문의 답은 어떤 실수를 피하고 싶으냐에 따라 달라졌어요. 0.5를 기준선으로 나눴을 때 로지스틱 회귀는 실제 이용자를 더 많이 찾아냈지만(민감도⁸ 약 0.76) 이용하지 않은 학생의 약 4분의 1을 이용자로 분류했어요. 부스팅 모델은 그런 오분류가 약 5분의 1로 적었지만 실제 이용자를 더 많이 놓쳤어요. 연구팀은 최대한 많은 이용자를 찾아내는 게 목적이면 로지스틱 회귀가, 잘못 짚은 학생에게 면담이나 상담 같은 자원이 들어가는 상황이면 부스팅 모델이 더 맞을 수 있다고 썼어요. 그리고 어느 쪽이든 개별 학생을 골라내는 데 쓰지 말라는 단서를 다시 붙였어요.

한계도 연구팀이 직접 적었어요. 학교에 다니는 학생만 조사했고, 응답은 모두 자기 보고예요. 결측이 있는 응답자를 빼는 과정에서 위험 행동이 많은 학생이 조금 덜 들어갔을 수 있어요. 표본 가중치와 조사 설계를 반영하지 않았기 때문에 스페인 청소년 전체로 넓혀 읽을 때도 조심해야 하고, 다른 나라로 옮길 때는 더 조심해야 해요.

한국에서는 같은 시기, AI 캐릭터 챗이 국정감사에 올랐어요

이 논문이 다룬 건 음란물이라는 기존 매체예요. AI 챗봇은 변수에 없어요. 그런데 지금 한국에서 10대의 디지털 이용을 두고 가장 뜨거운 논쟁은 AI 캐릭터 챗이에요.

AI와 사랑·우정 나누다 ‘중독’…급성장 캐릭터챗, 10대 보호 장치 도입인공지능 캐릭터와 대화하는 캐릭터챗 서비스가 청소년 보호를 위해 일 이용 시간 3시간, 월 결제 10만원의 제한 조치를 도입합니다. 이는 청소년 과몰입과 유해 대화 문제가 국정감사에서 지적된 데 따른 대응입니다. 업계는 안전 필터 강화와 함께 청소년을 위한 안전한 서비스 환경 조성을 추진하고 있습니다.

chosun.com

2026년 10월 12일 국회 과학기술정보방송통신위원회의 방송미디어통신위원회 국정감사에서 스캐터랩의 제타, 뤼튼의 크랙, 그리고 베이비챗이 함께 언급됐어요. 이주희 의원은 제타의 월 이용 시간이 약 1억 1천만 시간으로 챗GPT의 두 배가 넘고, 이용자 10명 중 9명이 10~20대라고 지적했어요. 보도에 따르면 9월 말 제타의 월간 활성 이용자는 148만 명이고, 이 가운데 19세 이하가 25.7%예요.

의원실 점검 결과도 공개됐어요. 김선민 의원실은 성인 인증 없이 청소년용 세이프 모드를 켠 상태에서도 자해·자살을 묘사하는 대화가 생성됐다고 밝혔어요. 황정아 의원실은 성인 인증 없이 미성년 캐릭터가 등장하는 성착취 시나리오가 생성됐고, 차단된 뒤에는 AI가 필터를 피하는 표현을 스스로 제시하기도 했다고 밝혔어요. AI 캐릭터 챗 관련 심의 신고 119건 중 76건이 아직 처리 중이었고, 베이비챗 관련 신고 하나는 494일째 결론이 나지 않았다는 지적도 나왔어요.

정부 부처도 움직였어요. 성평등가족부는 10월 15일 일부 캐릭터 챗봇의 응답을 점검한 결과 성적 묘사, 폭력, 자해·자살과 범죄 조장 응답이 확인됐다고 발표했어요. 청소년에게 부적절한 캐릭터는 성인 인증 여부에 따라 검색·추천·대화 범위를 조정하고, 자해·자살을 부추기거나 범죄를 돕는 응답은 이용자 나이와 상관없이 생성되지 않게 하라고 사업자에게 요청했어요. 방송미디어통신심의위원회는 10월 21일 AI 채팅 사업자 15곳과 만나 입력과 출력 양쪽의 유해 콘텐츠 탐지를 강화하라고 요구했고, 11월부터 본격적인 심의에 들어가요.

사업자들의 답은 비슷한 모양이에요. 스캐터랩은 정상적인 표현까지 막지 않으려고 탐지 기준을 느슨하게 뒀고, 대화 전체 맥락이 아니라 응답 하나하나를 걸러 왔다고 설명했어요. 그러면서 간접적인 표현까지 잡도록 탐지를 강화하고, 맥락 기반 탐지 모델을 배포하고, 청소년 하루 기본 이용 시간 3시간과 월 결제 한도 10만 원을 두겠다고 했어요. 뤼튼의 크랙도 9월에 청소년 하루 최대 3시간, 월 10만 원 한도를 발표했고, 한도를 넘으면 보호자 인증과 동의를 거쳐 추가 이용을 허용할 계획이에요. 강화된 정책은 2027년 초부터 적용돼요.

두 이야기를 겹쳐 보면

먼저 선을 그어 둘게요. 스페인 논문의 결과를 한국의 캐릭터 챗 이용자에게 그대로 옮길 수는 없어요. 나라도 시점도 매체도 달라요. 캐릭터 챗 이용을 음란물 이용과 같은 행동으로 볼 수도 없어요. 미국 조사에서는 10대의 챗봇 이용 상당수가 놀이와 창작에 가깝다는 결과가 나왔고, 그 이야기는 제79호에서 다뤘어요. 그래도 두 이야기를 겹쳐 보면 질문 몇 개가 또렷해져요.

출력물만 볼 것인가, 쓰는 방식도 볼 것인가

지금 한국의 대응은 대부분 출력물을 겨냥해요. 어떤 대화가 생성되면 안 되는지, 어떤 캐릭터가 청소년에게 추천되면 안 되는지예요. 이건 반드시 필요해요. 미성년 캐릭터의 성착취 시나리오나 자해를 부추기는 응답은 어떤 이용자에게도 나와서는 안 되니까요.

그런데 스페인 데이터에서 크게 움직인 변수 중 하나는 콘텐츠가 아니라 쓰는 방식이었어요. 끊기 어렵고, 잠을 줄이고, 감정에서 도망치려고 접속하는 패턴이요. 사업자들이 꺼낸 하루 3시간 한도는 이쪽을 겨냥한 장치예요. 다만 3시간이라는 기본값을 어떤 근거로 정했는지는 지금까지 나온 보도에 나오지 않아요. 한국인터넷자율정책기구(KISO)의 자율규제 가이드라인 초안도 하루 이용 시간을 사업자 재량에 맡겼어요.

시스템을 시험하는 일과 아이들을 이해하는 일

국정감사와 부처 점검은 이 시스템이 무엇을 만들어낼 수 있는지를 확인했어요. 레드팀⁹ 방식의 시험이에요. 스페인 연구는 어떤 학생들이 어떤 조건에서 그 행동을 하는지를 봤어요. 두 질문은 서로 다른 데이터를 요구해요. 앞의 것은 사업자와 규제기관이 시스템을 두드려 보면 확인할 수 있지만, 뒤의 것은 이용 행태와 수면, 가족 관계, 다른 위험 행동을 같은 학생에게 함께 묻는 조사가 있어야 해요.

지울 게시물이 없는 콘텐츠

성평등가족부는 캐릭터 챗 대화가 외부에 공개되지 않아 개별 삭제 요청이 어렵다는 점을 들어 사업자의 자율 개선을 요청했다고 설명했어요. 게시물을 찾아 지우는 기존 방식이, 일대일로 그때그때 생성되는 대화에는 잘 맞지 않는다는 뜻이에요. 음란물 사이트라면 접속 차단이나 게시물 삭제라는 도구가 있지만, 캐릭터 챗에서 문제는 같은 캐릭터가 이용자의 입력에 따라 매번 다른 대화를 만들어낸다는 데 있어요.

오스왈드의 시선

이 논문에서 가장 불편하게 읽히는 줄은 부모 통제예요. 집 안에서든 밖에서든 부모가 얼마나 통제하는지는, 다른 요인을 함께 놓고 보면 10대의 음란물 이용을 거의 설명하지 못했어요. 반면 가족 갈등이 있는지, 아버지·어머니와 관계가 어떤지는 특히 여학생 쪽에서 더 큰 몫을 했어요. 통제의 양보다 관계의 상태가 더 많은 걸 말해 준다는 쪽으로 읽혀요. 물론 횡단 데이터라 인과로 단정할 수는 없어요.

그래서 캐릭터 챗 대책에서 보호자 동의가 들어간 자리가 눈에 걸려요. 한도를 넘길 때 보호자가 인증하고 동의하는 장치는 필요해요. 하지만 그 동의 절차가 부모와 아이 사이의 대화를 대신해 주지는 않아요. 갈등이 이미 있는 집에서는 동의 요청이 또 하나의 다툼거리가 될 수도 있고요.

기본값 이야기도 해야 할 것 같아요. 제200호에서 폰 인터넷 차단 실험을 다루며, 행동을 바꾸는 건 결심보다 결심이 필요 없는 환경이라고 썼어요. 하루 3시간은 사업자가 정한 기본값이에요. 이 숫자가 아이들의 수면과 생활을 기준으로 정해졌는지, 이용 시간과 매출 지표를 크게 해치지 않는 선에서 정해졌는지에 따라 같은 장치도 다르게 작동해요. 자율규제가 이용 시간을 사업자 재량에 맡긴다면, 적어도 그 기본값을 어떤 데이터로 정했는지는 공개하라고 요구할 수 있다고 봐요.

마지막은 모델 이야기예요. 연령을 추정하거나 위험한 이용자를 골라내는 모델을 붙이자는 이야기가 나올 수 있어요. 이 논문은 3만 명이 넘는 좋은 데이터로도 모델이 이용자 넷 중 하나를 놓치거나, 이용하지 않는 학생 넷 중 하나를 이용자로 짚을 수 있다는 걸 보여줘요. 어느 쪽 실수를 줄일지는 기술 선택처럼 보이지만 실제로는 정책 선택이에요. 제116호에서 발표된 숫자가 무엇을 측정한 것인지 먼저 물어야 한다고 썼던 것과 같은 질문을, 이번에는 모델의 오류율에 던져야 해요.

마치며

스페인 연구는 10대의 음란물 이용이 문제적 인터넷 사용, 술과 대마초, 가족 갈등과 함께 묶여 나타난다는 걸 보여줬어요. 한국의 캐릭터 챗 논쟁은 지금 무엇이 생성되면 안 되는지에 집중돼 있어요. 그 질문은 꼭 필요하고, 그 옆에 어떤 아이들이 어떤 상태로 그 대화창을 열고 있는지 묻는 데이터가 같이 있어야 대책이 덜 헛돌 거예요.

💬 구독자님은 가까운 10대의 디지털 이용이 걱정될 때, 무엇을 보는지와 어떻게 쓰는지 중 어느 쪽을 먼저 보게 되세요?

📨 자녀나 학생의 캐릭터 챗 이용을 고민하는 분께 이 글을 전해 주세요

여러분의 생각이 다음 호를 만듭니다

이번 호에서 가장 공감했거나, 다른 경험을 한 지점은 무엇인가요?

커피 한 잔 보내기

이 관점이 좋았다면, 다음 글에 커피 한 잔

오스왈드에게 커피와 함께 짧은 쪽지를 보내주세요. 응원은 다음 취재와 집필에 보탭니다.

참고자료 & 더 읽기

핵심 출처

De Andrés-Sánchez, J., Belzunegui-Eraso, Á., Pastor-Gosálbez, I., & Sánchez-Aragón, A. (2026). “Predicting Pornography Use Among Adolescents in Spain: Findings from Ensemble Tree Models and Explainable Machine Learning.” Computation, 14(8), 177. 논문 보기 ··· 오픈액세스예요. 성별로 나눈 SHAP 순위표(표 8)와 5장 한계 부분을 먼저 보시길 권해요.
디지털투데이, 「[국감2026] “보호모드 켜도 자해·성착취 대화…AI 캐릭터챗 청소년 보호 부족”」, 2026.10.12. 기사 보기 ··· 의원실별 점검 결과와 신고 처리 지연 수치의 출처예요.
AI타임스, 「국감서 “AI 캐릭터 챗봇, 청소년 보호 구멍” 지적…규제 급물살 타나」, 2026.10. 기사 보기 ··· 제타 월간 이용자 수와 스캐터랩의 해명·개선 계획이 정리돼 있어요.
ZDNet Korea, 「[AI는 지금] 韓 캐릭터챗 쌍두마차, 청소년 이용에 안전장치 건다」, 2026.10.12. 기사 보기 ··· 제타와 크랙의 이용 시간·결제 한도를 비교할 수 있어요.
아시아경제, 「성평등부 “AI 캐릭터챗봇, 범죄·불법 조장 확인…청소년 보호 강화”」, 2026.10.15. 기사 보기 ··· 성평등가족부 점검 방법과 요청 사항의 출처예요.
ZDNet Korea, 「AI 채팅서 성적 대화·선정적 캐릭터 확산…11월 심의」, 2026.10.21. 기사 보기 ··· 방송미디어통신심의위원회의 사업자 간담회와 심의 일정이에요.

배경 지식

머니투데이, 「청소년 즐겨하는 AI 채팅앱, 선정성 민원 쏟아지는데…정부 조사 ‘0건’」, 2026.8.21. 기사 보기 ··· 국정감사 두 달 전, 생성형 AI 이용자 보호 가이드라인이 어떤 상태였는지 보여줘요.

함께 읽으면 좋은 지난 호

제79호 미국 10대는 AI 챗봇을 어떻게 쓰고 있을까요 ··· 10대의 챗봇 이용이 실제로 어떤 모습인지, 놀이와 위험 사이의 간극을 다뤘어요.
제116호 호주 청소년 SNS 제한, 계정 수 다음에 확인할 것 ··· 금지 정책의 성과 지표가 무엇을 측정했는지 따져본 호예요.
제200호 폰을 끊겠다던 467명, 버틴 건 119명 ··· 의지보다 환경 설계가 이용 행태를 바꾼다는 실험을 다뤘어요.

필자 안광섭 (오스왈드)은 세종대학교 겸임교수, INLEVEL9 전략 컨설턴트입니다. 경력, 연구, 저서와 최신 활동은 저자 소개에서 계속 갱신합니다. 최근 소식 · 2026년 8월: 2026 세종도서 교양부문 우수도서 선정.

📝 용어 설명

각주

ESTUDES: 스페인 약물·중독 관측소(OEDA)가 2년마다 14~18세 중등학생을 대상으로 실시하는 전국 조사예요. 본래 약물 사용을 보는 조사지만 인터넷 사용 같은 행동 중독 문항도 함께 묻어요. ↩
로지스틱 회귀: 결과가 예/아니오 둘 중 하나일 때 각 변수가 그 확률을 얼마나 올리거나 내리는지 추정하는 통계 모델이에요. 계산 과정이 투명해서 해석하기 쉬운 게 장점이에요. ↩
그래디언트 부스팅: 작은 의사결정나무를 여러 개 차례로 쌓으면서, 앞의 나무가 틀린 부분을 다음 나무가 보완하게 만드는 기계학습 방법이에요. 변수 사이의 복잡한 관계를 잘 잡는 대신 결과를 그대로 해석하기는 어려워요. ↩
SHAP (Shapley Additive Explanations): 모델의 예측 하나하나를 놓고, 각 변수가 그 예측을 얼마나 위나 아래로 밀었는지 나눠 계산하는 설명 기법이에요. 예측에 대한 기여를 보여줄 뿐 원인을 증명하지는 않아요. ↩
횡단 조사: 같은 사람들을 한 시점에 한 번만 조사하는 방식이에요. 두 특징이 함께 나타나는지는 볼 수 있지만, 무엇이 먼저였고 무엇이 원인인지는 알 수 없어요. ↩
오즈 (odds): 어떤 일이 일어날 확률을 일어나지 않을 확률로 나눈 값이에요. 확률과 비슷해 보이지만 같지 않아서, 오즈가 92.8% 낮다는 말을 확률이 92.8%포인트 낮다는 뜻으로 읽으면 안 돼요. ↩
AUC: 모델이 이용자와 비이용자를 얼마나 잘 구분하는지를 0.5~1 사이로 나타낸 지표예요. 0.5면 동전 던지기 수준이고, 1에 가까울수록 잘 구분해요. ↩
민감도·특이도: 민감도는 실제 이용자 중 모델이 이용자로 맞힌 비율, 특이도는 실제 비이용자 중 비이용자로 맞힌 비율이에요. 기준선을 어디에 두느냐에 따라 한쪽을 올리면 다른 쪽이 내려가는 관계예요. ↩
레드팀: 공격자 입장에서 시스템을 일부러 두드려 약점을 찾는 점검 방식이에요. AI 서비스에서는 유해한 응답을 끌어내려고 다양한 입력을 시도해 보는 작업을 말해요. ↩