검색 엔진 개인화는 사용자 만족을 높일 수 있으나 정보 격차를 초래할 수 있다. 이 주제에 관한 선행 연구들은 맥락을 인지하는 데이터 수집의 부재, URL 수준의 피상적 분석, 인간에 의존하는 주석 등과 같은 한계를 지닌다. 본 연구는 이러한 문제를 AWS Lambda 기반 동시 데이터 수집과 LLM이 생성한 페르소나 기반 콘텐츠 분석을 통해 해결하는 검색 엔진에서의 정보 불균형을 분석하기 위한 프레임워크 FAIR-SE를 제안한다. 우리는 네 가지 사용자 맥락(검색 기록, 지리적 위치, 언어 선호, 접속 환경)에서 검색 결과를 수집하고, 네 가지 분석 관점(정치적 성향, 주제별 입장, 주관성, 편향)을 통해 이를 분석하였다. 9개의 논쟁적 주제에 대해 전 세계적으로 널리 사용되는 두 개의 검색 엔진에서 수행한 실험은 벤치마크 정확도, 페르소나 일관성, 그리고 다양한 주제에 걸친 실제 담론 양상을 반영하는 FAIR-SE의 효능을 보여준다. 우리의 통계 분석은 서로 구별되는 검색 엔진의 특성을 도출하였으며, 지역별 검색 결과의 격차를 다룬 사례 연구에서 유의미한 정보 격차가 존재함을 입증한다. 본 연구의 코드와 데이터셋은 다음에서 공개되어 있다: https://github.com/bigbases/FAIR-SE.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.