IC2S2 2026 프로그램은 무엇을 검증하나: LLM 전환 그다음의 측정·타당성 국면

IC2S2 2026 프로그램이 LLM을 폐기한 것은 아니다. 논점은 그 열광이 어디로 성숙했느냐다. "Understanding Large Language Models"는 5개 하위세션(AI & Society·Explainability & Cognition·Bias·Surveys & Social Science 1·2)으로 쪼개진 자체 트랙이 됐고, 그중 "Surveys & Social Science"가 두 세션이나 배정됐다 — LLM으로 설문·여론을 시뮬레이션하고 그 타당성을 검증하는 연구가 하나의 하위분야가 됐다는 신호다. 채택 발표의 무게중심은 "LLM이 인간을 시뮬레이션할 수 있나"(2023–24)에서 "언제·얼마나 타당한가, 어떻게 측정·정정하나"로 옮겨간 것으로 읽힌다 — 40파 실제 설문 대조, ground-truth 없는 주석 평가, fine-tune 대 rectify, AI의 암묵적 표본크기 같은 제목들이 그 축이다. 동시에 "Human-AI Interaction and Practice", "Labor and the Future of AI Employment", "AI in Education" 같은 트랙이 AI를 방법이 아니라 사회현상 그 자체로 다룬다. 다만 이 글은 공식 프로그램의 종합이지 전수 계량 논문 분석이 아니며, 2024·2025 대비 델타는 직전 프로그램을 대조하지 못한 추론이다.

TL;DR

• IC2S2 2026(제12회, Burlington)은 공식 프로그램 번들 JSON 파싱 기준 구두 234·포스터 174·라이트닝 54·튜토리얼 10·키노트 8슬롯(9명)으로 구성된 전산사회과학 학회다.
• IC2S2 2026의 무게중심은 "LLM이 인간을 시뮬레이션할 수 있나"에서 "언제 타당하며 어떻게 측정·정정하나"로 옮겨갔으며, "Understanding LLMs"가 5개 하위세션의 자체 트랙이 되고 그 안의 "Surveys & Social Science"가 두 세션 배정된 것과 40파 실제 설문 대조·ground-truth 없는 주석 평가·fine-tune 대 rectify 같은 발표 제목이 그 증거다.
• IC2S2 2026의 이 종합은 그러나 비아카이브 프로그램 기반이라 발표가 출판 논문이 아니고, 주제 계수는 번들 파싱값이라 독립 재확인 전이며, 2024·2025 대비 델타는 직전 프로그램을 대조하지 못한 추론으로 읽어야 한다.

1. 키노트가 말하는 것: 도구가 아니라 대상·거버넌스로서의 AI

키노트는 8슬롯·9명이다(Derek Curry & Jennifer Gradecki가 공동 1슬롯). 강연 제목은 대부분 "Details coming soon"으로 미공개이고, 공개된 것은 Gašper Beguš(UC Berkeley 언어학 + Project CETI 고래 의사소통)의 "Language as informative imagitation"(철자 원문 그대로 — imagination과 imitation의 합성으로 읽히나 사이트 표기를 보존한다) 하나, 그리고 Rafael Prieto-Curiel(Complexity Science Hub Vienna)의 초록(멕시코 조직범죄를 복잡계로 분석, 폭력의 순환·불처벌·모집 차단)이다. 나머지는 연사의 알려진 분야로 주제를 추정할 수밖에 없다:

• 언어·LLM: Gašper Beguš(제목 공개) · Kyle Mahowald(UT Austin, LLM·언어학·인지)
• 오정보·위기 정보학: Kate Starbird(UW)
• 행동과학·행동변화: Katy Milkman(Wharton)
• 비판적 AI·감시·전술 미디어: Derek Curry & Jennifer Gradecki(Northeastern, 공동)
• 공익·지식 공유재 데이터: Jan Eisfeldt(Santa Fe Institute & Wikimedia Foundation, Trust & Safety) · Jonathan Gilmour(The Impact Project)
• 도시·범죄·복잡계: Rafael Prieto-Curiel(초록 공개)

라인업에 동향이 압축돼 있다. LLM이 무대에 있되 "사회과학 도구로서의 LLM"보다 "대상·거버넌스로서의 AI"가 중앙에 있다 — 언어모델을 연구 대상으로 보는 언어학자 둘, 비판적 AI 아트, 위키미디어·공익 데이터, 오정보. 이 무게중심은 §6·§7에서 채택 발표로도 확인된다.

2. 세션 지형: "Understanding LLMs"가 자체 트랙이 되다

병렬 세션의 대주제(중복 제거): Science of Science · Cultural Dynamics, Beliefs, and Narratives · Understanding Large Language Models · Mobility, Urban Science, and Demography · Political Polarization and Discourse · Social Media Platforms and Online Communities · Methods and Measurement · Human-AI Interaction and Practice · Health, Wellbeing, and Stigma · Governance & Policy · Misinformation, Conspiracy, and Information Integrity · Labor, Work, and the Future of AI Employment · Education and Student Outcomes · AI in Education · Algorithmic Systems · Network Science · News, Media, and Information Ecosystems · Identity and Media Representation · Climate, Environment, and Behavior · Social Good & Ethics.

구두발표 234편의 주제별 분포(프로그램 집계):

주제	구두		주제	구두
Science of Science	29		Human-AI Interaction	10
Cultural Dynamics/Beliefs	27		Health/Wellbeing	9
Understanding LLMs	25		Governance & Policy	9
Mobility/Urban/Demography	23		Misinformation	7
Political Polarization	20		Labor/Future of AI Employment	7
Social Media Platforms	14		Education & Student Outcomes	7
Methods & Measurement	12		AI in Education · Algorithmic Systems · Network Science	각 5

두 가지가 눈에 띈다. 첫째, "Understanding LLMs"가 5개 하위세션(AI & Society · Explainability & Cognition · Bias · Surveys & Social Science 1 · 2)으로 쪼개진 독립 트랙이라는 것. 둘째, 그중 "Surveys & Social Science"가 두 세션이나 배정됐다는 것 — 이게 이 학회의 가장 또렷한 신흥 신호다(§5). 키워드로 보면 구두+포스터 408편 중 LLM/언어모델을 명시적으로 언급한 발표가 약 38%, 생성·시뮬 에이전트가 약 16%다(정규식 매칭이라 상한이 부풀 수 있는 방향성 지표).

3. LLM 전환 그다음 — 검증·측정·정정 국면

직전 IC2S2 학회 리뷰가 짚은 'LLM 전환'(2023–24, 생성 에이전트·실리콘 샘플링의 등장과 열광)에 이어 보면, 2026은 그 전환의 "검증·측정·비판" 국면으로 읽힌다. 2023–24의 질문이 "LLM이 인간을 시뮬레이션할 수 있나?"였다면, 2026 "Surveys & Social Science" 두 세션의 무게중심은 **"언제·얼마나 타당하며, 어떻게 측정·정정하나"**다. 프로그램에 오른 대표 발표들(제목·저자는 프로그램 그대로):

• "Can LLMs Approximate Public Opinion? Validating Synthetic Survey Responses Against 40 Waves of Real Survey Data" — Elliot Pickens, David Rothschild, Jenny Wang, Jonas Mikhaeil. 합성 응답을 40파 실제 설문에 대조.
• "Validating LLM Simulations as Behavioral Evidence" — Jessica Hullman, David Broska, Huaman Sun, Aaron Shaw. 시뮬을 행동 증거로 인정할 조건.
• "To Fine-Tune or to Rectify? Valid LLM-based Survey Simulations with Limited Human Data" — Stefan Krsteski, Giuseppe Russo, Serina Chang, Robert West, Kristina Gligorić. 소량 인간 데이터로 보정하는 두 경로.
• "Evaluating LLM Text Annotations Without Ground Truth" — Georg Ahnert, Maximilian Kreutner, Alexandru Cernat, Markus Strohmaier. ground-truth 없는 주석 평가.
• "The Implicit Sample Size of AI: Measuring Trust Relative to Human and Optimal Baselines" — Almog Simchon, Louis Teitelbaum, Avihay Hajma. AI 응답을 인간 표본 몇 명어치로 볼지.

이 다섯 제목이 곧 국면 전환의 요약이다 — 정확도 자랑이 아니라 타당성의 조건·측정·정정이 주제다. 이는 측정오차 보정(DSL/PPI)이 CSS 데이터 실무의 척추가 되는 흐름(Hullman·Shaw·Gligorić 등 반복 등장)과 정확히 맞물린다. 생성·다중 에이전트 사회시뮬 쪽에서도 James Evans 그룹의 "Reasoning Models Generate Societies of Thought"(Junsol Kim·Shiyang Lai·Nino Scherrer·Blaise Agüera y Arcas·James Evans), "Do Data Markets Grow or Decline? … LLM-Based Multi-Agent Simulation", "An Interpretable Action-Selection Model for Social Simulation Using LLM-Derived Evaluation Vectors" 같은 발표가 올라 있다.

원논문 Figure 1: validate-then-simulate(검증 후 시뮬레이션) 접근 — 사람 관측치를 LLM이 함께 라벨링한 공유 데이터셋(D_shared)으로 모델 충실도를 입증한 뒤, 휴리스틱 검증은 통계적 보정 없이 LLM 라벨만 있는 더 큰 데이터셋(D_LLM)의 추정치(θ̂_LLM)를 사람 추정치(θ̂_H)의 대리값으로 삼는다.

Figure 1: 평가 구성 개요 — 소수의 라벨된 인간 데이터(Xn, Yn)와 대규모 인구통계 전용 데이터(XN)에서 합성(prompting 또는 fine-tuning)으로 응답을 생성하고, 보정(rectification)으로 모델 예측과 인간 응답을 결합해 편향을 교정한 최종 추정치 θ̂와 신뢰구간을 산출한다.

원논문 Figure 1: 사고연쇄 추론에 나타난 대화적 행동과 Bales의 사회정서적 역할 — (a) 대화 행동(질문·답변, 관점 전환, 관점 충돌, 화해) 비율 레이더, (b) Bales 12개 사회정서적 역할(주기 대 받기·긍정 대 부정) 레이더, (c) 역할 쌍 균형의 Jaccard 지수, (d) 추론 트레이스당 구별되는 관점 수 분포(LLM 판정), (e-f) 행동·역할 유무에 따른 문제 난이도 차이.

4. AI를 대상·행위자로: Human-AI Interaction 트랙

2026의 신설로 보이는 "Human-AI Interaction and Practice" 트랙(구두 10·포스터 12)은 LLM을 방법이 아니라 사회에 개입하는 행위자로 다룬다. 프로그램의 대표 발표:

• "AI Shopping Agents Can Covertly Redirect Consumer Choices at Scale" — Francesco Salvi, Alejandro Cuevas, Manoel Horta Ribeiro. 쇼핑 에이전트가 소비 선택을 은밀히 유도.
• "Illusions of Connection: Age, Gender, and Anthropomorphism in AI Companion Use" — Afia Mubashir 외. AI 동반자 사용의 의인화.
• "Introducing AI to an Online Petition Platform Changed Outputs but not Outcomes" — Isabel Corpus, Allison Koenecke, Eric Gilbert, Mor Naaman. 청원 플랫폼에 AI 도입의 효과.
• "The Impact of LLM Adoption on Student Writing: Lessons from Wikipedia Assignments" — Francesco Salvi, Sage Ross, Robert Cummings, Manoel Horta Ribeiro. 2015–2025 위키 편집 50만+에 ChatGPT 출시를 중단점으로 삼은 시계열 분석.

즉 LLM은 이제 측정 도구이자 관측 대상이다 — 에이전트가 무엇을 바꾸는지, 사람이 그것과 어떻게 관계 맺는지, 그것이 텍스트·행동에 남기는 흔적이 무엇인지가 독립 트랙이 됐다.

원논문 Figure 1: 실험 설계와 결과 측정. (A) 실험 흐름(선별·사전조사→전자책 쇼핑 과제→사후조사→선택→디브리핑 후 재선택), (B) 다섯 개 처치 조건(Study 1: SP·CP·CPer / Study 2: CPer-Exp·CPer-Sbt), (C) 세 결과 지표(설득률·판매율·편향 탐지).

5. 오정보·플랫폼의 재프레이밍

오정보·양극화는 학회의 지속 주제이지만(키노트 Starbird, 세션 Political Polarization 구두 20·Misinformation 7), 이번 발표 스트림에서 각도가 AI 생성물·탐지로 재프레이밍됐다(연도 간 점유 비교는 직전 프로그램을 대조하지 못해 하지 않는다):

• "Debunking Vaccine and Climate Change Misinformation on Social Media Using Conversational AI" — Basak Bozkurt, David Rand, Helen Margetts, Mohsen Mosleh. 대화형 AI로 반박.
• "Large Language Models Require Curated Context for Reliable Political Fact-Checking—Even with Reasoning and Web Search" — Matthew DeVerna, Kai-Cheng Yang, Harry Yaojun Yan, Filippo Menczer. 추론·웹검색만으론 부족.
• "Effects of In-Platform AI Detection on Video-Sharing" · "Data Voids and Warning Banners on Google Search"(Ronald Robertson·Kathleen Carley 외). 플랫폼 개입의 효과.

6. post-API 데이터 위기는 인프라·튜토리얼 층에서

발표 스트림에서 "post-API/데이터 접근"을 명시한 비율은 약 2%로 작다. 그러나 이건 위기가 작아서가 아니다. 그게 연구 결과가 아니라 연구 기반시설 의제로 자리 잡았기 때문이다 — 10개 튜토리얼 중 6개가 데이터 수집·플랫폼 접근 문제를 다룬다:

• "Beyond APIs: Collecting Online Activity Data … using the National Internet Observatory" — Pranav Goel, Scott Cambo, Jason Radford, David Lazer.
• "Comprehensive TikTok Data Collection for Computational Social Science" — Gayoung Jeon, Cameron Moy, Deen Freelon.
• "Podcasts as Social Data: End-to-End Pipelines for … Audio, Text, and Network Analysis" — David Jurgens, Dallas Card.
• "Computational Research for Municipal Politics at Scale" · "Social Media Feed Ranking Algorithms: Guide to Field Experiments"(Martin Saveski, Tiziano Piccardi) · "Mitigating Influence Campaigns on Social Media"(Stringhini·Blackburn·Danforth).

LLM 쪽 튜토리얼도 둘이다 — "Building Multiplayer Experiments with Humans and LLM Agents"(Bufan Gao·Xuechunzi Bai), "An Introduction to Simulating Human Survey Responses with Large Language Models: Potentials and Pitfalls"(Georg Ahnert 외, QSTN). 후자의 부제 "Potentials and Pitfalls"가 §5의 검증 국면을 튜토리얼 층에서 되풀이한다.

7. 방법론·재현성·인과 — 지속 트랙인 뼈대

"Methods and Measurement"는 구두 12·포스터 21로 큰 트랙이고, 재현성·윤리·프라이버시를 키워드로 언급한 발표는 약 17%로 이 학회의 지속 트랙이다. 인과·일반화 쪽 대표 발표로 "How well does the literature on behavioral interventions generalize? An empirical test"(Linnea Gandhi, Elizabeth Tipton, Duncan Watts)가 올라 있다 — 행동개입 문헌의 일반화 가능성을 경험적으로 시험하는, "설명 대 예측"(Watts의 오랜 의제) 계열이다. 네트워크과학(구두 5)은 학회의 뿌리이되 이제 여러 응용 트랙에 흡수돼 독립 세션 점유는 작다.

8. 2024·2025 대비 (추론)

직전 프로그램을 대조하지 못했으므로 이 절은 추론이다. 그럼에도 방향은 뚜렷해 보인다: 2023–24가 생성 에이전트·실리콘 샘플링의 등장이었다면, 2026은 그 검증·측정·비판 국면이다. 자체 트랙이 된 "Understanding LLMs"(5 하위세션), 신설로 보이는 "Human-AI Interaction"·"Labor/Future of AI Employment"·"AI in Education"은 AI를 대상으로 두는 트랙 군의 확장이다. 순수 오정보/양극화 세션은 상대적으로 완만해 보이고 AI 생성물·멀티모달로 재프레이밍됐다. 멀티모달(이미지·영상·오디오·팟캐스트)은 약 17%로 뚜렷이 성장했다. 개최지 순환(2024 Philadelphia·2025 Norrköping) 역시 이 글에서는 대조 미검증(plausible)으로 둔다.

9. 결론

IC2S2 2026 프로그램은 LLM을 폐기하지도, 무비판적으로 끌어안지도 않는다. 무게중심이 "LLM이 인간을 시뮬레이션할 수 있나"에서 "언제 타당하며 어떻게 측정·정정하나"로 옮겨갔다는 게 이 프로그램의 한 줄 요약이다 — "Understanding LLMs"가 5개 하위세션의 자체 트랙이 되고 그 안에 "Surveys & Social Science"가 두 세션 배정된 것, 40파 설문 대조·ground-truth 없는 주석 평가·fine-tune 대 rectify·AI의 암묵적 표본크기 같은 제목들이 그 증거다. 동시에 "Human-AI Interaction"·"Labor/Future of AI Employment"·"AI in Education" 트랙은 AI를 방법이 아니라 사회현상 그 자체로 다루고, post-API 데이터 위기는 발표가 아니라 튜토리얼·인프라 층에서 처리된다. 키노트 무대의 중앙엔 도구로서의 LLM보다 대상·거버넌스로서의 AI(언어모델을 연구하는 언어학자, 비판적 AI 아트, 위키미디어·공익 데이터, 오정보)가 있다. 이 글은 공식 프로그램의 종합이지 전수 계량 분석이 아니며, 여기 담긴 수치는 방향성 지표로 읽어야 한다.

---

References

• Hullman, J., Broska, D., Sun, H., & Shaw, A. (2026). This human study did not involve human subjects: Validating LLM simulations as behavioral evidence (arXiv:2602.15785). arXiv. https://arxiv.org/abs/2602.15785
• Kim, J., Lai, S., Scherrer, N., Agüera y Arcas, B., & Evans, J. (2026). Reasoning models generate societies of thought (arXiv:2601.10825). arXiv. https://arxiv.org/abs/2601.10825
• Krsteski, S., Russo, G., Chang, S., West, R., & Gligorić, K. (2025). Valid survey simulations with limited human data: The roles of prompting, fine-tuning, and rectification (arXiv:2510.11408). arXiv. https://arxiv.org/abs/2510.11408
• Salvi, F., Cuevas, A., & Horta Ribeiro, M. (2026). Commercial persuasion in AI-mediated conversations (arXiv:2604.04263). arXiv. https://arxiv.org/abs/2604.04263