같은 노래 48곡, 세계가 바뀌면 1등 곡도 바뀔까?
히트곡은 좋은 곡이니까 떴다고 생각하기 쉽습니다. 그렇다면 같은 노래들을 서로 모르는 여러 세계에 똑같이 내놓으면, 어느 세계에서나 같은 곡이 1등을 해야겠지요. 그런데 사람들이 "지금 많이 받은 곡" 순위표를 보고 고르기 시작하면 이야기가 달라집니다. 같은 48곡, 같은 규칙, 다른 우연뿐인 8개의 세계를 나란히 돌려 보세요. 처음 몇 사람의 우연한 선택이 순위표에 오르고, 순위표가 다시 사람들을 끌어당깁니다.
모델은 이렇게 움직입니다
- 곡은 48곡이고 곡 번호가 곧 실력 순위입니다(1번 곡이 가장 좋은 곡). 실력은 "들어 본 사람이 마음에 들어 다운로드할 확률"로 정했습니다. 기본값에서 1번 곡은 90%, 2번 곡은 75%, 10번 곡은 54%, 48번 곡은 20%입니다.
- 듣는 사람이 한 명씩 찾아와 곡 하나를 눌러 들어 보고, 마음에 들면 다운로드합니다. 남의 선택을 보는 정도만큼의 사람은 그 세계의 다운로드 순위표를 보고 누릅니다. 순위표 위쪽일수록 더 자주 눌러 보고(1위는 2위보다 두 배, 3위보다 세 배), 나머지 사람은 순위를 보지 않고 아무 곡이나 똑같은 확률로 누릅니다.
- 세계 8개는 곡도 규칙도 같고 우연(난수)만 다릅니다. 처음에는 모든 곡이 0회라서 순위표는 세계마다 무작위 순서로 시작합니다. 다운로드 수가 같으면 먼저 그 자리에 있던 곡이 위에 남습니다.
- 슬라이더는 남의 선택을 보는 정도(0%면 모두 혼자 고름), 곡끼리 실력 차이(1번 곡과 48번 곡이 마음에 들 확률), 한 세계에 찾아오는 듣는 사람 수입니다.
직접 돌려보기
① 같은 48곡, 8개의 세계
칸 하나가 세계 하나이고, 그 세계의 다운로드 순위표 위쪽 5곡을 보여 줍니다. 막대 길이는 다운로드 수입니다. 금색은 실력이 가장 좋은 1번 곡, 파랑은 진할수록 실력이 좋은 곡입니다. 1등이 2등을 넉넉히 앞서면 "1등 · 실력 ○위" 이름표가 붙어, 그 세계의 1등이 실제로 몇 번째로 좋은 곡인지 알려 줍니다.
② 곡의 실력과 다운로드 수
가로는 곡 번호(왼쪽일수록 좋은 곡), 세로는 지금까지의 다운로드 수입니다. 한 곡마다 세계 8개의 점이 나란히 찍히고, 금색 큰 점은 그 세계의 지금 1등 곡입니다. 회색 점선은 아무도 순위표를 보지 않을 때 기대되는 수입니다. 순위표를 많이 볼수록 같은 곡의 점들이 위아래로 넓게 흩어집니다.
③ 1등 곡은 몇 가지로 갈릴까
듣는 사람이 늘어나는 동안, 빨강은 8개 세계의 1등 곡이 서로 몇 가지인지, 금색은 1번 곡이 1등인 세계가 몇 곳인지입니다. 1가지면 모든 세계가 같은 곡을 1등으로 뽑은 것이고, 8가지면 세계마다 1등이 모두 다른 것입니다.
④ 남의 선택을 보는 정도별 비교 (세계 160개씩 집계)
지금 설정의 실력 차이와 듣는 사람 수로, 남의 선택을 보는 정도마다 세계 160개를 끝까지 돌린 평균입니다. 금색은 1번 곡이 1등이 된 세계의 비율, 파랑은 1등 곡이 전체 다운로드에서 가져간 몫입니다.
이 결과가 말하는 것, 말하지 않는 것
말하는 것:
- 혼자 고르면 어느 세계에서나 같은 곡이 1등이지만, 남의 선택을 많이 볼수록 세계마다 1등이 달라져요. 가장 좋은 곡의 1등 비율이 94%에서 25%로 떨어졌어요(순위표 보는 사람 0%→60%).
- 처음 몇 사람의 우연한 선택이 순위표 위로 올라가면, 위에 있다는 이유로 더 자주 눌리고 다시 더 올라가요. 그래서 쏠림(1등 곡의 몫 4.7% → 19.4%)과 예측 불가가 함께 커져요.
- 그렇다면 좋은 곡이 1등 하려면? 이 모델에선 남의 선택을 덜 볼수록(0%면 94%, 10%면 66%), 실력 차가 클수록(6%→30%) 잘 이겼어요. 순위표를 볼 땐 듣는 사람 수는 거의 소용없었어요.
상세 설명
말하는 것: 기본 설정(48곡, 듣는 사람 10,000명, 1번 곡 90%·48번 곡 20%)에서 세계 800개를 돌려 보니, 아무도 순위표를 보지 않을 때(0%)는 1번 곡이 94%의 세계에서 1등을 했고 8개 세계의 1등 곡은 평균 1.4가지였습니다. 1등 곡이 가져간 몫은 4.7%, 쏠림 정도(지니 계수)는 0.22였습니다. 남의 선택을 보는 정도를 10%로만 올려도 1번 곡의 1등 비율은 66%로 떨어졌고, 60%에서는 25%, 100%에서는 20%였습니다. 같은 60%에서 8개 세계의 1등 곡은 평균 5.8가지, 1등 곡의 실력 순위는 평균 5.4위(가장 낮게는 25위)였고, 1등 곡의 몫은 19.4%, 지니 계수는 0.54로 커졌습니다. 즉 남의 선택을 볼수록 쏠림과 예측 불가가 함께 커졌습니다. 페이지를 열면 처음 보이는 실험(시드 1, 60%)에서는 1번 곡이 8곳 중 3곳에서 1등이었고 1등 곡은 실력 1·3·5·7·9위의 5가지였으며, 같은 시드로 0%에 두면 8곳 모두 1번 곡이 1등이었습니다. 듣는 사람을 2,000명에서 20,000명으로 늘리면 혼자 고를 때(0%) 1번 곡의 1등 비율은 60%에서 100%로 올랐지만, 60%에서는 23%에서 28%로 거의 그대로였습니다. 곡끼리 실력 차이를 90% 대 60%로 좁히면 60%에서 1번 곡의 1등 비율은 6%, 1등 곡의 실력 순위는 평균 19.5위였고, 90% 대 10%로 넓히면 30%, 4.3위였습니다.
말하지 않는 것:
- 실제 음악 차트를 재현한 게 아니에요. 사람마다 다른 취향, 친구 추천·방송·알고리즘처럼 곡을 만나는 다른 길은 이 모델에 없고, 숫자는 모두 이 프로젝트가 정한 예시예요.
- 어떤 노래가 더 좋은 노래인지 가리는 모델이 아니에요. '실력'은 마음에 들 확률이라는 숫자 하나로 정해 둔 것이고, 모델은 인기가 어떻게 만들어지고 갈리는지만 보여 줘요.
- 히트곡이 '운일 뿐'이라는 뜻도 아니에요. 이 모델에서도 실력이 낮은 곡은 1등을 거의 못 했어요. 현실에서 확인하려면 같은 곡들을 서로 모르는 집단에 내놓고 비교해 봐야 해요.
상세 설명
말하지 않는 것: 실제 음악 차트나 음원 시장을 재현한 것이 아니며, 모든 숫자는 이 프로젝트가 정한 예시입니다. 실제 사람들은 한 곡만 듣지 않고, 친구 추천·방송·광고·알고리즘 추천처럼 이 모델에 없는 길로도 곡을 만납니다. 또 이 모델의 "실력"은 들어 본 사람이 마음에 들어 할 확률이라는 하나의 숫자로 정해 둔 것일 뿐, 어떤 노래가 더 좋은 노래인지를 가리지 않습니다. 모델은 인기가 어떻게 만들어지고 갈리는지를 보여 줄 뿐 작품의 좋고 나쁨을 판단하지 않습니다. 히트곡이 "운일 뿐"이라는 뜻도 아닙니다. 이 모델에서도 실력이 낮은 곡은 1등을 거의 하지 못했습니다. 특정 곡이 앞으로 뜰지 예측하는 도구도 아닙니다.
이론적 근거와 구현 메모
- 모델의 뿌리: Salganik, Dodds, Watts (2006), "Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market", Science 311(5762): 854–856. 무명 밴드의 노래 48곡을 두고, 참가자들이 다른 사람의 다운로드 수를 볼 수 있는 여러 "세계"와 볼 수 없는 세계로 나누어 실험했습니다. 남의 선택을 볼 수 있는 세계에서 곡마다 인기가 더 크게 갈렸고(불평등), 어떤 곡이 뜰지도 세계마다 달라졌습니다(예측 불가). 이 페이지는 그 실험의 재현이 아니라, 그 발상을 빌린 이 프로젝트의 단순화된 모델입니다.
- 핵심 가정과 수식: 곡 k(1~48)가 마음에 들 확률은
p_k = 0.9 − d × ((k−1)/47)^0.4(d는 실력 차이, 기본 0.7)입니다. 한 사람은 확률 s로 순위표의 r위 곡을1/r에 비례해 누르고, 확률 1 − s로 48곡 중 하나를 똑같은 확률로 누른 뒤, 확률 p_k로 다운로드합니다. s = 0이면 곡 k의 다운로드 수 기댓값은듣는 사람 수 × p_k ÷ 48입니다(차트 ②의 회색 점선). 쏠림 정도는 곡별 다운로드 수의 지니 계수입니다. 슬라이더 "남의 선택을 보는 정도"는 s, "곡끼리 실력 차이"는 d, "듣는 사람 수"는 한 세계의 사람 수입니다. - 이 프로젝트의 단순화: 원래 실험의 참가자는 여러 곡을 듣고 여러 곡을 내려받을 수 있었지만, 이 모델에서는 한 사람이 한 곡만 들어 봅니다. 순위표를 보는 방식(1/r), 곡의 매력 값과 0.4제곱 모양, 곡 48개·세계 8개·듣는 사람 10,000명은 모두 이 프로젝트가 정한 값이고 논문의 수치가 아닙니다. 곡의 매력은 모두에게 같다고 두었고 사람마다 다른 취향은 넣지 않았습니다.
- 이론값과 시뮬레이션: 순위표를 보지 않을 때(s = 0) 세계 400개 평균 다운로드 수는 곡마다 기댓값과 최대 1.91% 차이였습니다(1번 곡 기대 188회, 48번 곡 42회). 재생 기록의 마지막 장면은 같은 시드로 한 번에 끝까지 돌린 결과와 정확히 같았습니다.
- 더 읽을거리: 위의 Salganik, Dodds, Watts (2006)와, 이 실험을 일반 독자에게 소개한 Duncan J. Watts의 책 Everything Is Obvious: Once You Know the Answer(2011)를 보세요.
- 검증은
node tools/validate-hitsong.js로 할 수 있습니다. 시뮬레이션은 시드 난수(mulberry32)를 쓰고 같은 시드면 같은 결과가 나옵니다. 세계 8개를 처음에 끝까지 돌려 두고, 재생은 그 기록을 듣는 사람 125명(기본값)마다 한 장면씩 보여 줍니다. 위 화면과 아래 그래프·숫자 카드는 재생이 도달한 시점까지만 보여 주고, 차트 ④는 미리 계산한 집계입니다. - 비슷한 발상을 쓴 유튜브 실험은 채널 200개의 구독 경쟁을 다루고, 이 페이지는 같은 곡들이 세계마다 다른 1등을 뽑는 모습에 집중합니다.