기본 콘텐츠로 건너뛰기

SNS 서비스의 타임라인 편하신가요?

우리가 너무 익숙해져서 사용하는데 전혀 문제가 없다고 생각되는 SNS 서비스의 타임라인을 제 맘대로 해석하고 뒷다마를 까보도록 하겠습니다.

아래는 페이스북 앱입니다.


페이스북, 트위터, 구글 플러스와 같은 대부분의 SNS 서비스들의 앱에서 새로운 글을 확인하기 위해서는 화면을 위에서 위에서 아래로 긁어야 합니다. 아래 그림처럼 말이죠..


즉, 새로운 글들이 화면 위에 생성되는 방식으로 구성되어 있습니다.


그런데 이렇게 새로운 글을 확인하기 위해서 화면을 위에서 아래로 긁다보면 아래와 같이 긴 글을 확인하기 위해서는 해당 글의 처음 부분까지 화면을 이동했다가 다시 글을 읽기 위해 화면을 위로 올렸다가 다시 새로운 글을 읽기 위해 화면을 위에서 아래로 긁어야 됩니다.


요즘은 모바일 단말들의 화면이 커지기도 했고, 워낙 이런 방식에 사람들이 익숙해져서 불편함을 느끼지 못하는건지 이에 관해 말씀하시는 분을 거의 본적이 없는 것 같습니다.

하지만 구글 플러스처럼 텀블러와 같은 미니 블로그에 맞먹는 글을 쓸 수 있는 서비스들은 작은 화면의 단말로 타임라인을 볼 때 위아래로 수도 없이 왔다 갔다 하면서 새로운 글을 보아야 합니다.

그러고보니 대부분의 앱들은 자신이 이전에 읽었던 위치를 기억하지 않고 무조건 최상단으로 출력되어서 타임라인에서 새로운 글을 읽기 위해서는 화면을 아래로 이동해야 하기 때문에 불편함을 느끼지 못하는 걸까요?

하지만 분명 Tweetdeck 처럼 사용자가 이전에 읽었던 위치를 기억하는 앱이 있습니다. 그런 앱을 사용하는 사람들은 새로운 긁을 읽기 위해서는 화면을 위로 이동시켜야 합니다.

화면을 위로 이동시키게 되면 우리는 글을 아래에서부터 위로 읽게 됩니다. 전 이게 부자연스럽다고 생각합니다.

우리가 어떤 문장을 작성할 때는 위에서 아래로 작성합니다.

글을 읽을 때도 위에서 아래로 읽습니다.

그래서 제가 생각할 때는 이런 부류의 앱들이 사용자가 이전에 읽었던 위치를 기억하고 새로운 글은 화면 아래 쪽으로 갱신되도록 하는게 더 편하지 않을까? 라는 생각입니다.

왜 SNS 서비스들은 새로운 글이 최상단에서 출력되도록 설계되었던 걸까요?

화면이 큰 데스크탑이나 노트북이라면 크게 불편을 느끼지 못할 수도 있지만 화면이 작은 모바일 단말에서는 저의 경우에는 확실히 불편합니다.

특히 이전에 읽었던 글의 위치기 기억되지 않기 때문에 위 아래로 수도 없이 긁어대야 하는 불편함도 큽니다.

이런 것이 기술적으로 엄청나게 어려운 것일까요?

여러분들의 생각은 어떠신가요?

댓글

이 블로그의 인기 게시물

'자동화 편향'과 '대중적 불신' 을 고려한 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...

확률을 다루는 AI 시대, 시스템의 상호작용 능력과 사용 품질을 어떻게 측정할 것인가?

 20년 넘게 소프트웨어 품질과 테스팅, 그리고 UX를 다루어 오면서 최근처럼 "측정(Measurement)"이 모호해진 시기가 없었던 것 같습니다. 과거의 정적인 시스템은 '클릭 몇 번으로 목표 과업을 완료했는가(성공률)', '화면이 직관적인가'처럼 사용성(Usability)의 측정 공식이 비교적 명확했습니다. 하지만 입력값은 물론 출력값마저 매번 달라지는 생성형 AI 시대에, 도대체 "AI 제품의 UX가 좋다"는 것은 어떻게 정량화하고 평가해야 할까요? UX 리서치 및 측정 분야의 권위자인 Jeff Sauro와 Jim Lewis가 MeasuringU에 올린 "Measuring the UX of AI"는 이 매듭을 풀 수 있는 아주 실질적이고 구조적인 힌트를 제공합니다. (출처: MeasuringU - Measuring the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD ) 아티클에서는 기존 소프트웨어 사용성 평가의 표준 틀이었던 SUS(System Usability Scale)나 SUPR-Q 같은 지표만으로는 AI 시스템의 UX를 완벽히 담아낼 수 없다고 말합니다. AI 시스템은 단순한 수동적 도구가 아니라 "스스로 판단하고 결과를 생성하는 자율적인 주체(Agent)"에 가깝기 때문입니다. 따라서 AI 제품의 UX를 측정할 때는 일반적인 지표 외에 다음과 같은 AI 특화 요소들이 반드시 함께 측정되어야 합니다. 정확성과 신뢰성 (Accuracy & Trust): AI가 내놓은 답이 얼마나 정확한가? 그리고 사용자가 그 결과물을 믿고 실제 업무에 활용할 수 있는가? (환각 현상 감지) 투명성과 설명 가능성 (Transparency & Explainability): AI가 왜 이런 결론을 내렸는지 사용자가 이해할 수 있도록 과정을 보여주는가? 제어 가능성 (Controllability): AI가 잘못된 방향...

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...