16년 차 HR, 사회심리학을 만나다
사회심리학 연구를 통해 돌아본 데이터와 이론의 간극 좁히기
조직 안에서 감정을 다룬다는 건 점점 더 중요한 과제가 되고 있다. 단지 “분위기”나 “공기”로 여겨졌던 정서적 흐름이, 이제는 데이터를 통해 추적되고 분석되는 시대다. 특히 감성 분석이나 정서 분석처럼 구성원의 언어를 지표화하려는 시도들은 HR 실무에서도 낯설지 않게 접할 수 있다. 문제는, 이처럼 정서를 수치화하는 기술이 실제 의미 있는 해석으로 이어지기까지의 간극을 어떻게 메울 수 있을까 하는 점이다.
이번에 살펴본 사회심리학 연구는 그런 고민에 대해 흥미로운 방법론적 제안을 던진다. BLM(Black Lives Matter)이라고 하는 사회적 이슈에 대한 지역 정서를 트위터 데이터를 통해 측정하고, 그것이 해당 지역 주민들의 건강 지표와 어떤 상관관계를 갖는지를 분석한다는 기존의 사회과학 접근과는 조금은 다른 방식으로 다가왔고, 그 점이 참신하게 느껴졌다. 다만 분석 작업을 직접 진행하지 않은 입장에서 비교적 객관적인 시선으로 연구의 흐름을 따라가다 보니, 몇몇 해석의 연결 고리가 조금은 느슨하다는 인상을 받기도 했다. 인과관계를 단정하기엔 설명되지 않은 여백이 남아 있다는 생각이 들었고, 그 여백을 통해 그동안 내가 프로젝트라는 이름으로 해왔던 접근 방식들을 되돌아보게 했다.
나 역시 조직 내 정서 흐름을 감성 분석이라는 방법으로 읽어내려 학습하고 시도해 온 입장에서, 이 연구를 보며 ‘그동안 내가 놓친 건 무엇이었을까?’라는 질문을 스스로 던져보게 되었다. 특히 정서가 맥락 속에서 생성되고 해석되는 존재임을 생각하면, 단순히 데이터만으로 그것을 해석해 온 방식에는 기존의 조직 맥락에서 진행되어 온 무수한 연구들을 통해 검증된 이론적 기반이나 해석의 틀에는 턱없이 부족했을 수도 있겠다 하는 생각이 든다. 어쩌면 내가 감지해 낸 정서의 흐름들도, 해석자의 관점이나 조직의 맥락에 따라 전혀 다른 의미로 읽힐 수 있었을 것이다.
이번 연구를 읽으며 스스로의 작업을 돌아보게 되었고, 동시에 앞으로 감성 분석을 조직 안에서 어떻게 더 잘 활용할 수 있을지에 대한 고민도 함께 하게 되었다. 감정이라는 것을 수치로 표현하는 시도는 여전히 유효하고 의미 있지만, 그 수치가 어떤 맥락 속에서 나왔고 어떻게 해석되어야 하는지를 함께 고민하지 않으면 결과를 받아들이는 데 한계가 생긴다. 심리학 이론이나 조직 내 상호작용에 대한 이해, 그리고 필요에 따라 질적 연구 방식과의 결합이 그런 맥락을 보완해 줄 수 있을 것이다. 이런 고민은 HR에서도 마찬가지로 중요하게 다가온다. 구성원의 감정을 분석하는 건 단지 데이터를 얻는 데서 끝나는 게 아니라, 그 감정이 무엇을 말하고 있는지를 이해하고 조직의 흐름 속에서 해석하는 일이기 때문이다. 결국 감성 분석이라는 기술적 접근보다 더욱 중요한 것은 조직을 사람의 관점에서 이해하려는 노력이다.
Exposure to anti-Black Lives Matter movement and obesity of the Black population
Park, H. J., Francisco, S. C., Pang, M. R., Peng, L., & Chi, G. (2023). Exposure to anti-Black Lives Matter movement and obesity of the Black population. Social Science & Medicine, 316, 114265.
1. 이 연구를 3줄로 요약하면?
이 연구는 미국 특정 지역의 'Black Lives Matter(BLM)' 운동에 대한 부정적인 정서 노출과 해당 지역 흑인 인구의 건강 결과 사이의 연관성을 조사한다. 2014년부터 2016년까지의 트위터 데이터를 머신러닝으로 분석하여 지역별 반(反) BLM 입장을 측정하고, 2017년 건강 데이터와 비교했다. 그 결과, 지역 사회의 반(反) BLM 입장이 높은 지역에 거주하는 흑인일수록 체질량지수(BMI)와 비만 유병률이 더 높은 것으로 나타난다.
2. 저자는 왜 이 연구를 진행했는가?
BLM 운동이 확산되면서 'All Lives Matter' 등 반대 운동도 함께 등장했으며, 이는 흑인들에게 인종 관련 스트레스 요인(race-related stressor)으로 작용할 수 있다. 기존 연구들은 인종 차별 인식이 흑인의 건강에 부정적인 영향을 미친다는 것을 보여줬지만, BLM과 같은 특정 '인종 관련 사회 문제'에 대한 부정적 입장에 노출되는 것 역시 건강 악화(특히 BMI 및 비만)와 관련이 있는지는 명확하지 않았다. 저자들은 이 연구를 통해 이러한 사회적 정서가 소수 집단의 건강에 미치는 영향을 규명하고자 한다.
3. 이 연구에서 중요하게 다뤄진 개념은?
Black Lives Matter (BLM) 운동
반(反) BLM 반대 운동 (예: All Lives Matter, White Lives Matter, Blue Lives Matter)
인종 관련 스트레스 요인 (Race-related stressors)
체질량지수 (Body Mass Index, BMI) 및 비만 (Obesity)
머신러닝 (Machine learning): 트윗의 입장을 분류하기 위해 사용한다.
트위터 (Twitter) / 빅데이터 (Big data): 사회적 정서를 측정하는 도구이다.
4. 저자는 어떤 방법을 사용했는가?
연구진은 2014년부터 2016년까지 #BLM, #ALM, #WLM, #BlueLM 해시태그가 포함된 위치 정보가 기록된 트윗(총 51,020개)을 수집했다. 이후 머신러닝 알고리즘(특히 Naïve Bayes 모델)을 사용해 각 트윗의 입장을 'BLM에 반대'하는 입장과 '반대하지 않는'(지지 또는 중립) 입장으로 분류했다.
이렇게 분류된 데이터를 MMSA(대도시 또는 소도시 통계 지역) 수준에서 집계하여 지역별 '부정적 입장 비율'을 계산했다. 이 측정치를 76개 MMSA에 거주하는 흑인 참가자 20,530명의 2017년 BRFSS SMART 건강 데이터(BMI 및 비만 상태)와 비교 분석했다. 분석 시 개인 및 지역 수준의 변수들(인종차별 측정치, 2014년 기준 BMI 등)을 통제하는 GEE(일반화 추정 방정식) 모델을 사용했다.
5. 연구의 결과는?
주요 분석 결과, 지역의 반(反) BLM 입장 비율이 높은 곳에 사는 흑인일수록 BMI가 더 높고 비만일 확률이 더 높은 것으로 나타났다. 이러한 연관성은 개인적 요인, 지역적 요인, 다른 인종차별 측정치(예: 암묵적 인종차별), 경찰 폭력 비율, 그리고 2014년의 기준선 BMI를 모두 통제한 후에도 통계적으로 유의미하게 유지되었다. 또한, 반(反) BLM 입장은 해당 지역의 암묵적 인종차별(implicit racism) 수준과 긍정적인 상관관계를 보였다. 이는 인종 관련 문제에 대한 부정적인 사회적 정서가 소수 집단의 건강 결과에 해로운 영향을 미칠 수 있음을 시사한다.
1. 서론 (Introduction)
1.1. Black Lives Matter 운동 (Black Lives Matter movement)
BLM 운동은 2013년 비무장 흑인 십 대 트레이본 마틴(Trayvon Martin)을 살해한 조지 짐머만의 무죄 평결 이후 시작되었다. 이 운동은 2014년 마이클 브라운(Michael Brown) 총격 사건 당시 소셜 미디어에서 #BlackLivesMatter 해시태그와 함께 큰 동력을 얻었다.
BLM 운동이 성장하면서 다음과 같은 반대 운동(counter-movements)이 등장했다.
All Lives Matter (ALM): 모든 인종의 생명을 옹호하며, 인종을 초월하여 '사람'이 중요하다는 '색맹 이데올로기(color-blind ideology)'를 반영한다. 이는 제도적 불의를 가리고 경찰 폭력 논의에서 인종의 중요성을 축소시킨다는 비판을 받는다.
White Lives Matter (WLM): BLM에 명시적으로 반대하며 백인의 특권을 지지하고, 흑인에 대한 부정적 고정관념을 강조한다.
Blue Lives Matter (BlueLM): 법 집행(경찰)의 중요성과 긍정적 영향을 강조하며, 이는 경찰 폭력의 심각성을 경시하는 역할을 한다.
이러한 반(反) BLM 운동들은 BLM에 대한 부정적인 입장을 특징으로 하며, 이 네 가지 운동(BLM 및 3개의 반대 운동)을 함께 연구하는 것은 소수자에 대한 차별적 신념과 의견을 포착하는 데 가장 적절할 수 있다.
1.2. 흑인에게 인종 관련 스트레스 요인으로서의 BLM 반대 운동 (Counter-movements to BLM as race-related stressors for Blacks)
BLM에 반대하는 입장에 노출되는 것은 흑인들에게 현저한 '인종 관련 스트레스 요인(race-related stressor)'이 될 수 있다.
이러한 스트레스 요인은 두 가지 위협으로 작용한다.
신체적 위협 (Physical threat): 반대 운동은 경찰 폭력으로부터 흑인을 보호하려는 노력을 약화시키므로, 내집단(ingroup)의 신체적 안전에 대한 위협으로 이어진다. 실제 반대 운동 시위대는 종종 남부연합기나 총기를 소지하여 신체적 위협을 가하기도 한다. 경찰의 부당한 대우를 간접적으로 경험하는 것만으로도 흑인의 건강에 부정적인 영향을 미칠 수 있다.
상징적 위협 (Symbolic threat): BLM 담론의 주요 축 중 하나는 흑인 문화 표현을 지지하는 것인데, 반대 운동은 흑인 문화와 정체성의 표현을 억압한다. 흑인들은 이를 외집단(outgroups)이 내집단 문화를 무시하는 상징적 위협으로 인식할 수 있다. 또한, 자신들의 정체성을 표현할 권리가 제한된다는 '집단적 자율성(collective autonomy)의 제한'을 경험하게 되며, 이는 심리적 안녕(well-being)에 부정적 영향을 줄 수 있다.
1.3. 인종차별 인식과 건강 (Perception of racism and health)
인종 관련 스트레스 요인은 소수 집단의 부정적인 건강 결과와 관련이 있다. 이러한 스트레스 요인이 건강을 변화시키는 핵심 경로 중 하나는 스트레스에 반응하여 코르티솔(cortisol) 호르몬을 분비하는 시상하부-뇌하수체-부신(HPA) 축의 활성화이다. 코르티솔은 지방 저장을 증가시키는 것과 관련이 있어 비만, 당뇨병, 심혈관 질환으로 이어질 수 있다.
인종 관련 스트레스 요인을 인식하는 것은 비만에 영향을 미칠 수 있다.
흑인 여성을 대상으로 한 종단 연구에서는 일상적 및 평생의 차별 인식이 체중 증가와 긍정적인 연관성을 보였다.
흑인 남성을 대상으로 한 횡단 연구에서는 평생의 차별 인식이 비만일 확률 증가와 관련이 있었다.
경찰 폭력을 간접적으로 경험하는 것(vicariously experiencing)이 여성의 흑백 간 허리둘레 격차를 설명한다는 연구도 있다.
따라서 흑인들의 경우, BLM에 대한 부정적인 입장에 노출되는 것이 더 높은 BMI 및 비만 상태와 연관될 수 있다.
1.4. BLM에 대한 입장 포착 (Capturing stances on BLM)
인종 관련 주제에 대한 입장은 자기 보고(self-reported) 측정을 통해서는 정확하게 포착되지 않을 수 있다. 사람들은 '사회적 바람직성 편향(social desirability bias)'으로 인해 호의적인 태도를 보고할 수 있기 때문이다. 또한, BLM에 대한 논의 자체가 회피될 수 있어, 흑인들이 인식하는 반대 입장이 과소 보고될 수 있다.
트위터와 같은 소셜 미디어는 BLM에 대한 입장을 포착하는 대안이 될 수 있다. 트위터의 익명성은 사람들이 실생활에서 피하는 인종 관련 견해를 더 솔직하게 표현하도록 장려한다.
이전 연구들은 인터넷 검색 기록(예: Google 'N-word' 검색)이나 소셜 미디어 데이터(예: 인종 비방 트윗)를 사용하여 지역적 인종 태도를 신뢰성 있게 반영하고, 이것이 흑인 사망률이나 조산율과 같은 실제 건강 결과와 연관됨을 보여주었다. 부정적인 감정적 단어가 만연한 카운티에 사는 사람들이 심장 질환으로 사망할 확률이 더 높은 것처럼, 지역 사회의 특성은 건강에 영향을 미칠 수 있다.
따라서 BLM에 대해 더 부정적인 입장을 가진 지역에 사는 것은 흑인들의 부정적인 건강 결과로 이어질 수 있다. BLM에 대한 반대 입장은 다른 인종차별 측정치(예: 암묵적 인종차별)와 연관될 수 있지만, 기존의 지역적 인종차별에 더해 흑인에 대한 적대적인 사회 환경을 더욱 악화시킬 수 있으며, 건강에 고유한 영향을 미칠 수 있다.
1.5. 본 연구 (Current study)
이 연구의 목적은 BLM에 대한 부정적인 입장이 만연한 지역에 거주하는 흑인들이 더 높은 BMI와 비만 유병률을 보이는지 테스트하는 것이다.
연구진은 2014년부터 2016년까지 #BlackLivesMatter, #WhiteLivesMatter, #AllLivesMatter, #BlueLivesMatter 해시태그가 포함된 지오코딩(geo-coded) 트윗을 사용했다. 방대한 데이터 규모를 고려하여 머신러닝 모델을 훈련시켜 각 트윗의 '입장(stance)'을 분류했다.
단순한 '감정(sentiment)' 대신 '입장'을 분류한 이유는, 태도와 감정이 항상 일치하지 않기 때문이다. 예를 들어, "경찰 폭력에 분노하자 #BlackLivesMatter"라는 트윗은 부정적인 감정(분노)을 담고 있지만, BLM에 대해서는 지지하는 입장(태도)을 보인다.
트윗의 입장을 '반대(against)' 또는 '반대 아님(not against, 즉 지지 또는 중립)'으로 분류한 후, MMSA(대도시/소도시 통계 지역) 수준에서 'BLM 반대 트윗 비율'을 집계했다. 그리고 이 데이터가 2017년 흑인 인구의 BMI 및 비만 유병률(BRFSS 데이터)과 연관되는지 테스트했다.
BLM이 활발한 기간 동안, BLM에 대한 부정적 입장은 다른 인종 태도 측정치보다 '급성 인종 관련 입장(acute race-related stances)'을 더 잘 포착할 수 있다. 따라서 이 연구는 BLM 반대 입장이 기존의 명시적/암묵적 인종차별 측정치를 통제한 후에도 흑인의 건강 결과에 영향을 미치는지 탐구했다.
2. 연구 방법 (Methods)
2.1. 연구 모집단 (Study population)
이 연구의 모집단은 2017년 CDC의 행동위험요인 감시 시스템(BRFSS) 서베이에 참여한 MMSA(대도시 또는 소도시 통계 지역) 거주 흑인이다. BRFSS-SMART 데이터셋은 136개 MMSA의 흑인 참가자 23,215명을 포함한다. 연구진은 신뢰할 수 있는 지역 입장(stance) 측정을 위해 트윗 수가 50개 이상인 MMSA 지역만을 선별했다. 최종 분석에는 BMI 및 성별 결측치를 제외한 76개 MMSA 지역의 흑인 참가자 20,530명이 포함되었다.
2.2. 주요 측정 변수 (Primary measures)
2.2.1. BLM에 대한 입장 (Stances on BLM)
BLM에 대한 입장은 2014년부터 2016년까지 #BlackLivesMatter, #AllLivesMatter, #WhiteLivesMatter, #BlueLivesMatter 키워드 중 하나 이상을 포함한 위치 정보 태그 트윗(N=71,107)을 수집하여 평가했다.
데이터 전처리 과정은 스팸 활동 배제를 위한 중복 트윗 제거, 스팸 계정 영향 제한, 그리고 텍스트 정제(URL, 사용자명, 이모티콘 등 제거)를 포함했다. 이 과정을 거쳐 51,020개의 트윗이 최종 데이터셋으로 구성되었다.
머신러닝 알고리즘 훈련을 위해 5,000개의 트윗을 샘플링하여 수동 코딩을 진행했다. 분류 정확도를 높이기 위해 반(反) BLM 해시태그가 포함된 트윗은 의도적으로 과대 샘플링(over-sampled)했다. 입장은 '반대(Against)'와 '반대 아님(Not against)' (즉, 지지 또는 중립) 두 가지로 분류되었다.
수동 코딩된 데이터(훈련셋 90%, 테스트셋 10%)를 사용하여 5가지 분류 기법의 성능을 테스트했다.
어휘 기반 감정 분석 (Lexicon-based sentiment analysis)
나이브 베이즈 (Naïve Bayes, NB)
서포트 벡터 머신 (Support vector machine, SVM)
딥러닝 (CNN)
딥러닝 (LSTM)
테스트 결과, 나이브 베이즈(NB) 모델이 전체 정확도 85%를 기록했으며, 특히 이 연구의 초점인 '반대(Against)' 입장을 식별하는 리콜(Recall) 및 F1 점수에서 가장 우수한 성능을 보여 최종 모델로 선택되었다. 선택된 NB 모델을 사용하여 주석이 달리지 않은 모든 트윗의 입장을 예측했다.
최종적으로, 각 MMSA 수준에서 'BLM에 반대하는 트윗의 비율'( [반대 트윗 수 / 전체 BLM 관련 트윗 수] * 100 )을 계산하여 지역별 입장 변수를 생성했다.
2.2.2. BMI와 비만 (BMI and obesity)
BMI와 비만 여부는 2017 BRFSS SMART 데이터에서 추출했다. 참가자의 키와 몸무게 데이터를 사용하여 BMI를 계산했다. 비만(Obesity)은 BMI 30 이상인 경우 '비만(=1)', 30 미만인 경우 '비만 아님(=0)'으로 코딩된 이진 변수이다.
2.3. 통제 변수 (Control variables)
BMI와 비만에 영향을 미칠 수 있는 개인 수준 및 MMSA 수준의 공변수(covariates)들을 통제했다.
2.4. 개인 수준 통제 변수 (Individual-level control variables)
2017 BRFSS SMART 데이터에서 추출한 개인 수준 변수들은 다음과 같다.
: 연령 (Age), 성별 (Sex), 교육 수준 (Education), 소득 (Income), 의료 보험 없음 (No Insurance), 주간 알코올 소비량 (Alcohol Consumption), 흡연 상태 (Smoking Status), 신체 활동 (Physical Activity), 일일 과일 섭취 (Fruit Consumption), 일일 채소 섭취 (Vegetable Consumption), 인터넷 미사용 (No Internet)
2.4.1. MMSA 수준 통제 변수 (MMSA-level control variables)
2013-2017 미국 지역사회 조사(ACS) 5년 추정치 및 2010-2017 인구조사국 데이터에서 MMSA 수준의 사회경제적, 인구학적 변수들을 통제했다.
: 흑인 비고졸 비율 (% Blacks with Less than High School Education), 흑인 중간 가구 소득 (Blacks Median Income), 흑인 실업률 (% Blacks' Unemployment), 흑인 빈곤율 (% Blacks' Poverty), 흑인 의료 보험 미가입률 (% Blacks' Insurance Inaccessibility), 흑인 인구 이동률 (% Blacks' Migration), 인터넷 접근 불가 인구 비율 (% Internet Inaccessibility), MMSA 인구 (Population), 흑인 인구 비율 (% Black Population), 인구 밀도 (Population Density) (도시화 정도를 포착하기 위함)
2.4.2. 2014년 MMSA 수준 BMI (MMSA-level of BMI from 2014)
BLM 운동이 시작된 2014년 이후 BMI의 지역적 변화를 통제하기 위해, 2014년 BRFSS SMART 데이터에서 집계한 MMSA 수준의 흑인 평균 BMI를 통제 변수로 포함했다.
2.4.3. MMSA 수준의 흑인 대상 인종차별 및 경찰 폭력 측정치 (MMSA-level measures of racism and police brutality toward Blacks)
흑인의 건강 결과에 영향을 미칠 수 있는 다른 MMSA 수준의 인종차별 및 경찰 폭력 측정치도 통제했다.
명시적 인종차별 (Explicit Racism): '프로젝트 임플리싯(Project Implicit)' 데이터에서 흑인에 대한 감정 평가(0점 '차가움' ~ 10점 '따뜻함')를 역코딩 하여 사용했다.
암묵적 인종차별 (Implicit Racism): '프로젝트 임플리싯'의 암묵적 연관 검사(IAT) 점수를 사용했으며, 점수가 높을수록 흑인에 대한 부정적 편견이 강함을 의미한다.
경찰 폭력 (Police Brutality): 2013년부터 2017년까지 MMSA 수준에서 발생한 '경찰 연루 흑인 사망 사건 비율'(인구 10만 명당)을 사용했다.
3. 결과 (Results)
3.1. 예비 결과 (Preliminary results)
주요 변수들 간의 상관관계를 먼저 분석했다.
BLM에 대한 부정적 입장은 암묵적 인종차별(r=0.42) 및 명시적 인종차별(r=0.15)과 긍정적인 상관관계를 보였다.
명시적 인종차별과 암묵적 인종차별은 서로 높은 상관관계(r=0.56)를 보였다.
경찰 폭력 비율은 BLM에 대한 부정적 입장과 부정적인 상관관계(r=-0.25)를 나타냈다.
3.2. 주요 결과 (Main results)
MMSA 내 참가자들의 군집성을 고려하기 위해 GEE(일반화 추정 방정식) 분석을 수행했다. BMI와 비만(종속 변수) 각각에 대해 4개의 모델을 단계적으로 실행했다.
Model 1: BLM에 대한 부정적 입장만 예측 변수로 포함했다.
Model 2: 개인 및 MMSA 수준의 공변수들을 추가했다.
Model 3: 지역적 인종차별(명시적/암묵적) 및 경찰 폭력 측정치를 추가했다.
Model 4: 2014년 MMSA 수준의 평균 BMI를 추가로 통제했다.
Model 1에서 BLM 부정적 입장은 비만 확률을 유의미하게 높였고(OR=1.006, p=.033) BMI를 한계적으로 높였다(b=0.020, p=.079).
Model 2에서는 공변수를 통제한 후, BLM 부정적 입장이 BMI(b=0.028, p=.007)와 비만(OR=1.009, p < .001) 모두에 대해 유의미한 정적 연관성을 보였다.
가장 엄격하게 통제된 Model 4 (70개 MMSA, 19,984명 참가자)의 분석 결과는 다음과 같다.
모든 공변수, 2014년 기준 BMI, 지역 인종차별, 경찰 폭력 비율을 통제한 후에도, BLM에 대한 부정적 입장이 높은 지역에 거주하는 흑인들은 더 높은 BMI 수준(b=0.026, p=.003)을 보였다.
또한, 이들은 비만일 확률도 더 높았다(OR=1.008, p=.003).
암묵적 인종차별은 더 높은 BMI(b=11.519, p=.004)를 유의미하게 예측했으며, 비만 확률도 한계적으로 높였다(OR=11.627, p=.070).
경찰 폭력 비율이 높은 지역의 흑인들은 더 높은 BMI(b=0.901, p<.001)와 더 높은 비만 확률(OR=1.245, p=.002)을 보였다.
명시적 인종차별은 Model 3과 Model 4에서 BMI나 비만을 유의미하게 예측하지 못했다.
추가로, 2014년의 BMI와 비만 상태를 종속 변수로 하여 동일한 분석을 실행했을 때, 결과의 일관성이 낮고 효과 크기가 더 작았다. 이는 BLM에 대한 부정적 입장과 흑인 건강 결과가 동시에 연관되기보다는, 부정적 입장이 건강에 '하류 효과(downstream effects)'를 미칠 수 있음을 잠정적으로 뒷받침한다.
4. 논의 (Discussion)
이 연구는 흑인 인구를 대상으로 BLM(Black Lives Matter)에 반대하는 지역적 입장이 비만 지표(BMI 및 비만 유병률)와 강력한 긍정적 연관성이 있음을 보여주었다. 이 연관성은 개인 및 MMSA 수준의 공변수, 지역적 인종차별 측정치, 경찰 폭력 비율, 그리고 2014년의 기준선 BMI를 모두 통제한 후에도 유의미하게 나타났다. 부정적 입장 비율이 1 표준편차(7.5%) 증가할 때마다 BMI는 0.20 증가하고 비만 가능성은 6% 증가하는 것으로 예측되었다.
이러한 결과는 BLM에 대한 반대 입장이 기존의 지역적 인종차별에 더해 흑인과 BLM 운동에 대한 적대적인 사회 환경을 악화시켰을 수 있음을 시사한다. 이 적대적인 환경은 흑인들에게 현저한 인종 관련 스트레스 요인으로 작용했을 수 있다. 특히 BLM 운동이 활발했던 기간 동안, 이러한 입장은 다른 인종차별 측정치보다 급성 인종 관련 스트레스 요인을 더 잘 포착했을 수 있다.
또한, BLM에 대한 부정적 입장은 암묵적 인종차별과는 긍정적 연관성을 보였지만, 명시적 인종차별과는 그렇지 않았다. 이는 명시적 인종차별이 사회적 바람직성 편향(social desirability bias)으로 인해 인종차별을 정확히 포착하지 못할 수 있음을 시사한다. 암묵적 인종차별 자체가 BMI 및 비만과 연관성이 있다는 결과는 인종차별이 건강 결과를 훼손할 수 있다는 과거의 연구 결과와 일치한다.
흥미롭게도, BLM에 대한 부정적 입장은 지역의 경찰 폭력 비율과 부정적인 연관성을 보였다. 이는 경찰 폭력 비율이 높은 지역의 사람들이 BLM을 더 많이 지지했을 가능성을 시사한다. 그럼에도 불구하고, BLM에 대한 반대 입장과 경찰 폭력 노출은 각각 독립적으로 흑인의 BMI 및 비만 증가를 예측했다.
4.1. 실질적 함의 (Practical implications)
연구 결과는 다음과 같은 실질적 함의를 갖는다.
첫째, 소수 집단을 위한 더 긍정적이고 덜 유해한 사회 환경을 촉진하기 위한 정책 변화와 입법이 필요하다.
둘째, 정치 지도자들의 인종 관련 문제에 대한 입장은 대중의 입장에 영향을 미칠 수 있으므로 , 정치인들은 소수 집단에 대한 지지를 표명함으로써 더 포용적인 사회 환경을 만들 수 있다.
셋째, 적대적인 사회적 정서가 소셜 미디어를 통해 확산될 수 있으므로, 소셜 미디어 플랫폼은 증오에 찬 대화를 더 잘 식별하기 위해 알고리즘을 확장하고 더 안전한 온라인 커뮤니티를 조성해야 한다.
4.2. 한계 및 향후 연구 방향 (Limitations and future directions)
이 연구는 몇 가지 한계를 가진다.
첫째, 지오코딩된 트윗 모음은 미국 인구 전체를 대표하는 표본이 아니며, 트위터 사용자는 온라인 성인의 24%에 불과하고 지오태깅 트윗은 도시 지역에 더 많다. (다만 이 연구의 표본이 도시 MMSA 거주자라는 점에서는 유용할 수 있다.)
둘째, 데이터가 종단적(longitudinal)이 아니므로 BLM 반대 입장과 건강 결과 사이의 인과관계를 추론할 수 없다.
셋째, 부정적 입장이 흑인의 건강에 영향을 미치는 정확한 경로(pathway)를 식별하지 못했다.
향후 연구는 인종 관련 문제에 대한 입장과 건강 결과 사이의 관계를 계속 탐색해야 한다.
첫째, 부정적 입장이 소수자의 웰빙에 미치는 인과 효과를 더 잘 확립하기 위해 종단적 연구를 수행할 수 있다. 예를 들어, 부정적 입장의 급격한 증가가 수면 패턴이나 정신 건강 같은 더 즉각적인 건강 결과에 미치는 영향을 조사할 수 있다.
둘째, 부정적 입장이 건강에 영향을 미치는 경로(예: 구조적 차별, 대인관계 차별, 행동적/감정적/생리적 반응)를 탐색할 수 있다.
