2010년 이후
글로벌 선거 영향력 공식
소셜미디어 시대 선거 결과 결정 요인의 가중치 재구성 연구
The Global Election Influence Formula After 2010
A Study on the Weight Restructuring of Electoral Outcome Determinants in the Social Media Era
본 논문은 하나의 핵심 명제를 제시한다: 2010년 소셜미디어가 정치 커뮤니케이션에 전면적으로 개입한 이후, 전 세계 민주 선거의 결과 결정 요인에 근본적인 가중치 재구성이 발생했다. 전통적 선거정치학 모델에서 가장 높은 가중치를 차지하던 “정치 실적”과 “선거자금” 두 변수는 “후보자 개인의 소셜미디어 영향력”에 의해 추월당했으며, 후자가 선거 승패를 결정하는 가장 높은 가중치의 단일 변수가 되었다.
본 논문은 2024년 미국 대통령 선거, 2025년 위스콘신주 대법원 선거, 2025년 뉴욕시장 선거, 2026년 헝가리 의회 선거 등 다수 사례의 자금 효율 가중 분석과, Nature에 게재된 X 플랫폼 알고리즘 현장 실험 데이터 및 PNAS에 게재된 Meta 비활성화 실험 데이터를 통해 4차원 선거 영향력 공식을 구축했다. 이 공식은 선거 결과를 소셜 영향력, 경제·민생 체감도, 선거자금 효율 가중치, 전통적 정치 실적의 가중 조합으로 모델링하며, 소셜 영향력의 가중치 비중은 비대통령 선거에서 약 40~50%, 대통령 선거에서 약 25~35%를 차지한다.
키워드: 소셜미디어 영향력 · 선거 결과 예측 · 선거자금 효율 · 알고리즘 정치 편향 · 정보 폭격 · 허위 소셜 영향력
1. 서론: 전복된 선거의 법칙
2024년 11월, Kamala Harris의 선거 캠프는 약 20억 달러를 지출했다—인류 역사상 가장 비싼 대통령 선거 운동이었다. 그녀의 선거위원회가 직접 모금한 금액은 약 11억 5,000만 달러이며, 외부 슈퍼PAC이 추가로 약 8억 5,000만 달러를 지출했다[1]. 광고 지출에서 약 3:1 비율로 Donald Trump를 압도했다[2]. 그러나 그녀는 졌다.
2025년 6월, Zohran Mamdani—33세의 뉴욕주 의원—는 800만 달러 미만의 선거자금으로 전 주지사 Andrew Cuomo와 그의 억만장자 슈퍼PAC 텔레비전 광고 폭격을 물리치고 뉴욕시장에 당선되었다[3].
2026년 4월 12일—본 논문 발표 하루 전—Péter Magyar가 53.6% 대 37.8%의 압도적 격차로 16년간 집권해온 Viktor Orbán을 꺾고 헝가리 의회 초다수 의석을 획득했다[4]. Magyar가 단 2년 만에 무(無)에서 창설한 정당이, 헝가리의 전체 전통 미디어를 장악하고, 국가기관의 전면적 지원을 받으며, Trump의 직접 지지와 러시아 정보기관의 소셜미디어 개입을 확보한 Orbán 정권을 격파한 것이다[5].
이들 사례는 하나의 자연 실험군을 구성한다: 서로 다른 국가, 서로 다른 제도, 서로 다른 정치 진영이지만, 승패를 체계적으로 설명할 수 있는 유일한 변수는 후보자의 개인 소셜미디어 영향력이다.
2. 이론적 프레임워크: 4차원 선거 영향력 모델
2.1 전통 모델의 한계
전통적 선거 연구는 선거 지출을 가장 핵심적인 예측 변수로 취급해왔다. OpenSecrets 데이터에 따르면 2020년 선거에서 가장 많은 돈을 쓴 하원 후보의 89.1%, 상원 후보의 69.7%가 승리했다[6]. 그러나 이 상관관계는 핵심적인 인과 방향 문제를 은폐한다. 2010년 이후 소셜미디어의 개입은 이 관계를 더욱 해체했다—후보자는 “모금 → 광고 구매 → 유권자 접촉” 사슬을 우회하여 소셜 플랫폼을 통해 비용 제로로 수백만 유권자에게 직접 도달할 수 있게 되었다.
2.2 4차원 모델의 제안
M = 선거자금 효율 가중치 | P = 전통적 정치 실적 | ε = 랜덤 교란항
계층별 가중치 추정
PNAS 비활성화 실험과 다중 사례 비교의 종합 분석에 기반하여, 본 논문은 계층별 가중치 추정을 제시한다—대통령 선거와 비대통령 선거에서 각 변수의 가중치에 유의미한 차이가 존재한다[7]:
| 변수 | 대통령 선거 | 중간·지방 선거 | 설명 |
|---|---|---|---|
| α (소셜 영향력) | 0.25~0.35 | 0.40~0.50 | 대통령 선거는 정보 포화도가 높아 소셜의 한계 효과가 감소; 지방 선거는 정보 부족으로 소셜 영향력의 결정력이 더 강함 |
| β (경제·민생) | 0.30~0.35 | 0.20~0.25 | 대통령 선거에서 유권자는 경제 실적으로 집권당을 “심판”; 지방 선거에서는 경제 이슈가 후보자의 개인화된 서사에 가려짐 |
| γ (선거자금) | 0.10~0.15 | 0.10~0.15 | 양 유형 선거에서 효율 가중 후 자금 가중치가 비교적 안정적 |
| δ (정치 실적) | 0.10~0.15 | 0.05~0.10 | 정치 실적은 대통령 선거에서 일정한 설명력을 유지하나, 지방 선거에서는 소셜 서사에 거의 대체됨 |
이 계층별 설계는 PNAS 대규모 비활성화 실험의 핵심 발견에 대응한다: 2020년 대통령 선거 6주 전 Facebook과 Instagram을 비활성화한 것이 유권자의 정치적 태도에 미친 영향은 “정확히 0에 가까웠다”[8]. 스탠퍼드의 Gentzkow는 다음과 같이 설명했다: 대통령 선거에서 사람들의 정치 이슈에 대한 인식은 이미 충분히 형성되어 있어 소셜미디어의 한계 효과가 작지만, 다른 선거에서는 소셜미디어가 더 큰 영향력을 가질 수 있다[9]. 본 논문의 계층별 가중치는 정확히 이 통찰에 기반한다.
2.3 소셜 영향력(S)의 조작적 정의
S는 세 개의 측정 가능한 하위 차원으로 분해된다:
| 하위 차원 | 정의 | 측정 지표 | 대표 사례 |
|---|---|---|---|
| S₁ 후보자 원생 영향력 | 후보자 개인 소셜미디어의 전파력 | 크로스 플랫폼 인터랙션 비율(인터랙션/팔로워), 콘텐츠 2차 전파율, 유기적 도달 횟수 | Trump, Mamdani, Magyar |
| S₂ 플랫폼 알고리즘 통제력 | 플랫폼 추천 메커니즘에 대한 통제 능력 | 알고리즘 추천 피드 내 정치 콘텐츠 비율 변화, CUSUM 변환점 검출 | Musk의 X 플랫폼 조정 |
| S₃ 언드미디어 가치 | 화제 창출을 통해 얻는 무료 미디어 노출 | 후보자 관련 뉴스 보도량, 미디어 언급 횟수, 등가 광고 가치(EAV) | Trump의 논쟁적 발언 |
헝가리 선거 감시 기관 20k는 2026년 선거에서 S₁의 실제 측정 사례를 제공했다: 크로스 플랫폼(Facebook, TikTok, Instagram) 인터랙션 비교를 통해, Magyar 게시물의 인터랙션 양은 Orbán의 2배에 달했다[10]. 이 측정 방법은 S₁ 조작화의 참고 기준으로 활용될 수 있다.
핵심 구분: 진정한 소셜 영향력 vs 허위 소셜 영향력
S₁은 후보자의 진정한, 원생적 소셜 영향력만을 측정한다. 외부에서 구매한 허위 영향력(봇 계정, AI 생성 허위 동영상, 국가 수준의 정보 조작 등)은 실증적으로 무효한 것으로 입증되었다. 2026년 헝가리 선거가 가장 충분한 증거를 제공한다: 러시아 Storm-1516 부대는 17개의 AI 생성 TikTok 채널을 배치하고, 허위 AI 처형 동영상을 제작하며, Matryoshka 봇 네트워크를 통해 대규모 반Magyar 허위정보를 유포했다—그러나 이 모든 작전은 Magyar가 16%p의 거대한 격차로 승리하는 것을 막지 못했다[11]. 마찬가지로, Fidesz와 그 대리 조직의 소셜미디어 광고 지출은 전체 야당 합산의 2.5배에 달했지만[12], 돈으로 산 노출은 후보자의 진정한 인터랙션이 만들어내는 신뢰를 복제할 수 없었다.
2.4 선거자금 효율 가중(M)의 분해
애리조나대학교의 연구가 효율 가중의 정량적 근거를 제공했다[13]:
| 자금 출처 유형 | 효과 계수 | 상대적 효율 |
|---|---|---|
| 후보자 선거위원회 직접 지출 | 0.0381 | 1.00 (기준) |
| 정당 및 전통 PAC 지출 | 0.0166 | 0.44 |
| 슈퍼PAC 독립 지출 | 0.0137 | 0.36 |
3. 실증 검증: 통제 변수의 자연 실험
3.1 공화당 내부의 “트럼프 대조군”
가장 강력한 실증 근거는 공화당 내부에서 나온다—같은 정당, 같은 정책 강령, 유사한 기부자 네트워크에서 유일하게 체계적으로 변화하는 변수는 후보자 개인의 소셜 영향력이다.
자금: 효율 가중 후 약 8억 1,600만 달러(Harris의 14억 5,600만보다 열세)[14]
자금: 총 지출 약 5,000만 달러(상대 Crawford의 4,000만보다 많음)[16]
자금: TV 광고 투입이 상대 Taylor의 약 9분의 1에 불과[17]
3.2 민주당 진영의 거울상 검증
자금: 효율 가중 후 약 14억 5,600만 달러(Trump의 1.78배)[1]
자금: 공공 매칭 펀드 상한 도달 후 모금 중단, 총 약 800만 달러[3]
3.3 국제적 검증: 헝가리 2026년 의회 선거
Orbán: 16년간 전체 전통 미디어 장악, 국가기관 전면 지원, 소셜 광고 지출이 전체 야당 합산의 2.5배, Trump/Vance가 부다페스트까지 방문하여 직접 지지, 러시아 GRU 정보 개입[5]
NPR 평론가는 다음과 같이 지적했다: “Magyar가 직면한 모든 정치적 역풍—자금 비대칭, 국가기관과의 대결, 제한된 미디어 접근, 창설 2년밖에 안 된 정당—을 고려하면, 그가 3분의 2 다수의 압도적 승리를 거둔 것은 진정으로 전례 없는 일이다.”[18]
3.4 사례 매트릭스 요약
| 조합 | 대표 사례 | 결과 |
|---|---|---|
| 높은 소셜 + 적은 지출 | Trump 2024, Mamdani 2025, Magyar 2026 | 당선 |
| 높은 소셜 + 많은 지출 | Crawford 2025 | 대승 |
| 낮은 소셜 + 많은 지출(국가기관 포함) | Harris 2024, Schimel 2025, Orbán 2026 | 패배 |
| 낮은 소셜 + 적은 지출 | Lazar 2026 | 참패 |
4. 정보 폭격: 플랫폼 알고리즘 통제력(S₂)의 정량화
4.1 X 플랫폼 알고리즘 편향의 실험적 증거
2026년 Nature에 게재된 현장 실험이 가장 엄밀한 인과적 증거를 제공한다: 단 7주간의 알고리즘 피드 노출만으로 사용자의 정치적 태도가 보수 방향으로 유의미하게 이동했으며, 이 효과는 단방향적이었다[19]. 퀸즐랜드공과대학교의 연구는 이 편향을 추가로 정량화했다: 2024년 7월 13일 Musk가 Trump를 지지한 후, Musk 계정의 조회수는 138%, 리포스트는 238%, 좋아요는 186% 증가했다[20].
4.2 정보 폭격의 등가 광고 가치
CBS의 조사 분석에 따르면, Musk가 2024년 X 플랫폼에 게시한 약 17,000개 포스트 중 선거 관련 포스트의 평균 조회수는 930만 회에 달했다[21].
모든 공화당 계정에 대한 알고리즘의 체계적 추진을 포함하면, X 플랫폼의 기여는 30~50억 달러 등가 광고에 해당할 수 있음
Trump 캠프의 비용은 제로이며, FEC 규제 대상도 아님
4.3 허위 소셜 영향력이 실패하는 이유
그러나 모든 플랫폼 조작이 효과적인 것은 아니다. 2026년 헝가리 선거가 반대 증거를 제공한다: 러시아 Storm-1516 부대는 17개의 AI 생성 TikTok 채널을 배치하여 가짜 인물—젊은 여성, 노교수, 축구팬—을 사용해 반Magyar 메시지를 유포했다. NewsGuard는 Orbán 지지 네트워크 동영상이 누적 최소 1,000만 조회를 기록한 것으로 추정했다[22]. 그러나 Magyar는 여전히 16%p의 거대한 격차로 승리했다.
이는 S₁(진정한 원생 영향력)과 위조된 소셜 영향력의 본질적 차이를 드러낸다: 진정한 소셜 영향력은 후보자와 유권자 사이에 장기간 구축된 신뢰 관계와 감정적 연결에 기반하는 반면, 허위 영향력에는 이러한 신뢰 기반이 없다. 유권자는 외부에서 조작된 정보를 식별—또는 최소한 집단적 수준에서 “필터링”—할 수 있지만, 후보자의 진정한 인격적 매력과 서사 능력에는 진정으로 감동받는다.
4.4 Cambridge Analytica와의 세대적 비교
Christopher Wylie는 「Mindf*ck」에서 Cambridge Analytica가 8,700만 Facebook 사용자 데이터를 탈취하여 정밀 유권자 조작을 달성한 과정을 기록했다[23]. Musk는 X 플랫폼 자체를 소유함으로써 합법적으로, 대규모로 더 강력한 효과를 달성할 수 있다. 정보전의 무기는 “권총”에서 “핵무기”로 업그레이드되었지만, 규제 규칙은 여전히 “권총”을 관리하던 시대에 머물러 있다.
5. 반대 증거와의 대화: PNAS 비활성화 실험
본 논문의 핵심 명제에 대한 가장 강력한 도전은 Allcott 등이 2024년 PNAS에 발표한 대규모 비활성화 실험에서 나온다. 이 연구는 19,857명의 Facebook 사용자와 15,585명의 Instagram 사용자를 무작위로 6주간 계정 비활성화시켰다. 핵심 발견은: 비활성화가 감정적 양극화, 선거 정당성 인식, 후보자 호감도, 투표율에 미친 영향이 “정확히 0에 가까웠다”는 것이다[8].
표면적으로 이는 소셜미디어의 선거에 대한 중요성을 직접 부정하는 것처럼 보인다. 그러나 본 논문은 이 발견이 우리의 계층별 가중치 모델을 약화시키는 것이 아니라 오히려 지지한다고 주장하며, 그 근거는 다음과 같다:
첫째, 이 실험은 대통령 선거 맥락에서 수행되었다—이는 본 논문 모델에서 소셜 영향력 가중치가 가장 낮은 선거 유형(α=0.25~0.35)이다. Gentzkow 본인이 지적했다: “Facebook과 Instagram이 2020년 대선 전에 양극화를 악화시키지 않았더라도, 사람들의 신념이 그다지 뿌리 깊지 않은 다른 맥락에서는 더 큰 영향력을 가질 수 있다.”[9]
둘째, 이 실험이 측정한 것은 기존 플랫폼의 비활성화 효과이지 후보자 개인 소셜 영향력의 효과가 아니다. Facebook 비활성화가 유권자 태도에 영향을 미치지 않았더라도, Mamdani 급의 소셜미디어 네이티브 후보자의 영향력이 0이라는 의미는 아니다—이러한 영향력은 대인 전파, 오프라인 입소문, 전통 미디어의 2차 보도 등의 채널을 통해 지속적으로 발효되며, 개별 플랫폼의 비활성화로 사라지지 않는다.
셋째, Nature 2026년의 X 플랫폼 실험은 PNAS와 다른 결론을 도출했다: 알고리즘 추천이 실제로 정치적 태도를 이동시켰다[19]. 이는 플랫폼에 따라 효과가 유의미하게 다를 수 있음을 시사한다—Meta의 알고리즘은 상대적으로 중립적인 반면, Musk 주도 하의 X 플랫폼 알고리즘에는 명확한 정치적 편향이 존재한다.
6. 글로벌 검증: 2010년 이후의 전복적 선거
| 연도 | 국가/선거 | 핵심 특징 |
|---|---|---|
| 2011 | 튀니지/이집트 | Facebook과 Twitter가 수십 년 집권 정권의 전복을 조직 |
| 2014 | 인도(모디) | Twitter/YouTube 운영으로 선거 생태계를 변화시켜 국민회의당 격파 |
| 2016 | 미국(Trump) | 정치 경력 제로, Twitter 영향력에 의존하여 Clinton 격파 |
| 2018 | 브라질(Bolsonaro) | WhatsApp 그룹의 바이럴 전파가 전통 미디어를 우회 |
| 2019 | 우크라이나(젤렌스키) | 코미디언이 73% 득표율로 현직 대통령을 압도 |
| 2023 | 아르헨티나(밀레이) | YouTube/TikTok 경제학자가 양대 전통 정당을 격파 |
| 2025 | 미국 뉴욕(Mamdani) | 800만 달러 + 소셜미디어로 억만장자가 지원하는 전 주지사를 격파 |
| 2026 | 헝가리(Magyar) | 창설 2년 정당이 16년 집권 + 국가기관 + 러시아 개입 + Trump 지지를 격파 |
Klüver가 2025년 「Comparative Political Studies」에 발표한 연구는 이 패턴을 이론적으로 검증했다: 소셜 인플루언서는 “디지털 오피니언 리더”와 “미디어 의제 형성”이라는 이중 경로를 통해 선거에 영향을 미친다[24].
7. 심층 메커니즘: 유권자 연령 계층화와 정보 중개의 해체
7.1 소셜 영향력의 핵심 조절 변수로서의 연령
헝가리 Median 여론조사가 가장 직관적인 연령별 계층 데이터를 제공했다: 30세 미만 유권자의 67%가 Magyar의 Tisza당을 지지한 반면, Orbán의 Fidesz를 지지한 비율은 겨우 8%에 불과했다[25]. 이 거의 절대적인 세대 분열은 소셜 영향력의 유효 가중치가 유권자 연령 구조에 따라 대폭 변동함을 보여준다. 젊은 유권자가 주도하는 선거구에서 α는 0.60 이상에 달할 수 있으며, 고령 유권자가 주도하는 선거구에서는 전통적 자금(TV 광고, 우편물)의 가중치가 여전히 소셜 영향력에 근접하거나 초과할 수 있다.
Pew Research의 2024년 분석에 따르면 우파 인플루언서의 포스팅 빈도는 좌파의 약 2.5배(주당 183회 vs 72회)이지만, Trump의 Z세대 유권자 지지율은 2008년 이후 공화당 후보 중 최고 수준이었다[26]—이는 소셜 영향력이 단순히 “누가 더 많이 올리는가”가 아니라 “누구의 콘텐츠가 목표 수용자의 주의력 장벽을 관통할 수 있는가”의 문제임을 보여준다.
7.2 정보 중개의 해체와 감성 투표
2010년 이전, 선거의 정보 전달은 “중개화”되어 있었다—후보자는 TV방송국, 신문, 정당 조직을 통해서만 유권자에게 도달할 수 있었다. 정치 실적이 중요했던 이유는 중개 기관이 실적에 따라 노출을 배분했기 때문이다. 2010년 이후, 소셜미디어가 중개 독점을 깨뜨렸다. 선거를 결정하는 것은 더 이상 “당신이 무엇을 했는가”가 아니라 “유권자가 당신을 느낄 수 있는가”이다.
Facebook이 2010년 의회 선거일에 실시한 6,100만 사용자 무작위 실험은 다음을 입증했다: 친밀한 친구를 통해 전파된 정치 동원 메시지는 일반 메시지의 4배의 영향력을 가진다[27]. 소셜미디어의 핵심 우위는 바로 “친구 추천”의 신뢰 메커니즘을 모사하는 데 있다.
8. 2026년 중간선거 전망: 구조적 대결
8.1 공화당의 구조적 딜레마
공화당의 영향력 구조는 극도로 중앙집중적이다—Trump가 유일한 슈퍼 노드다. 그러나 2026년 중간선거에서 Trump는 투표용지에 없다. 435명의 하원 후보와 35명의 상원 후보가 자신의 소셜 영향력으로 싸워야 한다. Trump의 지지 효율 계수는 후보자 직접 소통의 약 3분의 1에 불과하다[13]. 공화당 RNC가 보유한 현금은 9,500만 달러로 DNC의 1,400만에 비해 압도적이지만[28], 이 자금 우위의 가중치는 겨우 10~15%다.
헝가리 선거가 다시 한번 증명했다: Trump/Vance의 외부 지지는 Orbán에게 아무런 도움이 되지 않았다. 외부 소셜 영향력의 양도 불가능성은 글로벌 적용성을 가진 법칙이다.
8.2 민주당의 분산형 우위
민주당의 영향력 구조는 “분산형 네트워크”에 더 가깝다—AOC와 Mamdani 효과에 고무된 소셜미디어 네이티브 후보자들이 그 구성원이다. Run for Something은 Mamdani 예비선거 승리 후 2주 이내에 10,000명이 등록했다고 보고했다[29].
8.3 에너지 지정학의 중첩 효과
2026년 호르무즈 해협 봉쇄로 인한 100달러 이상의 유가는 민주당 후보들에게 가장 강력한 무료 소셜미디어 탄약을 제공한다. TikTok 주유소 동영상 하나의 비용은 제로이지만, 그 선거적 영향력은 수백만 달러의 TV 광고를 초과할 수 있다.
9. 결론 및 논의
9.1 핵심 발견
첫째, 2010년 이후 글로벌 선거의 결과 결정 요인 가중치에 근본적 재구성이 발생했다. 후보자 개인의 소셜미디어 영향력이 가장 높은 가중치의 단일 변수다: 중간·지방 선거에서 약 40~50%, 대통령 선거에서 약 25~35%.
둘째, 선거자금은 출처별 효율에 따라 가중되어야 한다. 후보자 직접 지출의 효과는 슈퍼PAC의 약 2.8배다.
셋째, 플랫폼 알고리즘 통제력은 완전히 새로운 변수다. Nature 실험이 X 플랫폼 알고리즘 추천이 7주 이내에 정치적 태도를 체계적으로 이동시킬 수 있음을 확인했다.
넷째, 소셜 영향력이 결정적 변수이며, 돈은 증폭기일 뿐이다. 헝가리 사례는 이 결론을 극단까지 밀고 나갔다: 국가기관 전체와 외국 정부의 지원을 가지고도 후보자의 소셜 영향력 결핍을 보완할 수 없었다.
다섯째, 허위 소셜 영향력은 무효하다. AI 생성 콘텐츠, 봇 네트워크, 국가 수준의 정보 조작은 2026년 헝가리 선거에서 모두 실패한 것으로 입증되었다. 오직 후보자의 진정한 원생 소셜 영향력만이 선거 효과를 낸다.
9.2 이론적 기여
본 논문의 핵심 기여는 다음과 같다: (1) 대통령 선거와 비대통령 선거 간 가중치 차이를 구분하는 계층별 4차원 선거 영향력 공식을 제시하여 PNAS 비활성화 실험의 도전에 대응; (2) 소셜 영향력을 S₁ 원생 영향력, S₂ 플랫폼 알고리즘 통제력, S₃ 언드미디어 가치의 세 가지 측정 가능한 하위 차원으로 조작화; (3) 진정한 소셜 영향력과 허위 소셜 영향력을 엄밀히 구분하고 후자의 체계적 실패를 논증; (4) 선거자금 효율 가중 방법론을 실제 선거 데이터 분석에 적용.
9.3 한계
가중치 추정은 대규모 표본 회귀가 아닌 6개 사례의 비교 분석에 기반한다. 소셜 영향력의 조작적 정의에 대한 프레임워크가 제시되었으나 크로스 플랫폼 표준화 지표 체계는 여전히 개선이 필요하다. 서로 다른 선거 제도(다수제 vs 비례대표제)가 가중치에 미치는 조절 효과는 충분히 탐구되지 않았다. 공식의 선형 가중 가정은 변수 간 상호작용 효과를 과소평가할 수 있다—예를 들어 고유가는 가법이 아닌 승법 방식으로 소셜 영향력의 효과를 증폭시킬 수 있다.
9.4 향후 연구 방향
(1) 2026년 중간선거 435개 하원 선거구의 대규모 표본 데이터를 활용한 회귀 검증; (2) 플랫폼별(X, TikTok, Instagram, YouTube) 선거 영향력 차이 연구; (3) 상호작용 항을 포함한 비선형 모델 구축; (4) 플랫폼 알고리즘 통제력의 규제 프레임워크 탐색—플랫폼 알고리즘 조정이 선거자금 공시에 포함되어야 하는지, 선거 기간 중 알고리즘 매개변수를 동결해야 하는지 등.