피험자간설계 (Between-subjects Design)
쉽게 풀면
새로운 학습 앱의 효과를 알아본다고 해봅시다. 방법 1은 학생 100명을 50명씩 두 그룹으로 나눠서, A그룹은 앱을 쓰게 하고 B그룹은 기존 방식대로 공부하게 한 뒤 성적을 비교하는 것입니다. 이렇게 "각 사람이 딱 한 가지 조건만 경험"하고, 그 사람들 간의 차이를 비교하는 방식이 피험자간설계입니다. 반대로 같은 학생 100명 모두에게 앱도 써보게 하고 기존 방식도 써보게 해서 그 사람 안에서 전후를 비교한다면 이는 반복측정설계(피험자내설계)가 됩니다. 피험자간설계는 한 조건이 다른 조건에 영향을 주는 "이월 효과"를 막을 수 있지만, 그만큼 더 많은 참여자가 필요합니다.
왜 중요한가
피험자간설계는 심리학, 교육학, 마케팅, 인간-컴퓨터 상호작용(HCI) 등 사람을 대상으로 한 실험 연구 전반에서 가장 널리 쓰이는 기본 설계 중 하나입니다. 무작위 배정을 전제로 하면 인과관계를 비교적 명확하게 주장할 수 있어, 개입(intervention)이나 처치의 효과를 검증하는 논문에서 핵심 방법론으로 자주 등장합니다. 또한 반복측정설계가 불가능하거나 부적절한 상황(한 번 개입을 경험하면 되돌릴 수 없는 경우, 학습 효과나 피로 효과가 우려되는 경우)에서 대안으로 선택되기 때문에, 연구설계를 다루는 논문에서는 피험자간설계와 피험자내설계 중 무엇을 택했는지, 그 이유는 무엇인지가 방법론 절의 중요한 서술 대상이 됩니다.
어떤 절차인가
참여자를 서로 다른 집단에 나누고 각 집단이 한 조건만 경험하게 한 뒤, 집단 간 결과를 비교합니다. 인과 추론을 위해 집단 배정은 보통 무작위 배정으로 합니다.
- 조건(독립변수 수준)을 정하고 종속변수를 정의합니다.
- 필요한 표본 크기를 사전 검정력 분석으로 계산합니다.
- 참여자를 무작위로 조건에 배정하고, 배정 후 집단 간 사전 특성이 비슷한지 확인합니다.
- 집단 평균을 독립표본 t검정(2집단)이나 일원배치 분산분석(3집단 이상)으로 비교합니다.
언제 쓰고 무엇을 얻나
한 조건을 경험하면 다음 조건에 영향이 남는 경우(학습, 지루함, 피로 같은 순서 효과), 처치를 되돌릴 수 없는 경우, 한 사람이 모든 조건에 참여하기 어려운 경우에 쓰입니다. 같은 사람 안에서 비교하는 피험자내설계는 개인차 변량을 오차에서 덜어내 적은 사람으로도 추론할 수 있지만, 피험자간설계는 개인차가 오차에 그대로 들어가 더 많은 참여자가 필요합니다.
작은 예(계산). 중간 크기의 효과(d = 0.5)를 양측 α = .05, 검정력 .80으로 검출하려면 독립표본 t검정 기준 집단당 64명(총 128명)이 필요합니다. 같은 효과를 같은 사람이 두 조건을 모두 경험하는 설계로 검정하면 두 측정의 상관 r에 따라 필요 인원이 달라집니다(dz = d/√(2(1−r))).
| 설계 | r | 필요 인원 |
|---|---|---|
| 피험자간 | — | 집단당 64명(총 128명) |
| 피험자내 | 0 | 65명 |
| 피험자내 | .5 | 34명 |
| 피험자내 | .8 | 15명 |
상관이 높을수록 피험자내설계가 크게 유리하지만, 이월효과를 통제해야 하는 대가가 따릅니다.
논문에는 이렇게 적는다
참여자 128명을 실험집단과 통제집단에 무작위로 배정하였다(집단당 64명; 가상의 값). 집단 간 사전 연령에는 유의한 차이가 없었다.
- 배정 방법(난수표, 소프트웨어 등)과 눈가림 여부를 적습니다.
- 사전 검정력 분석의 가정(효과크기, α, 검정력)과 최종 분석 인원을 구분해 적습니다.
- 집단별 탈락 인원과 사유를 제시합니다. 탈락이 조건에 따라 달랐다면 편향 가능성을 논의합니다.
- 무작위 배정이 사전 차이를 완전히 없애는 것은 아니므로, 사전 특성 비교 결과도 함께 보고합니다.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
이 문장은 같은 사람이 두 조건을 모두 겪은 것이 아니라, 애초에 서로 다른 사람들이 각각 다른 조건에 배정되었고 그 결과를 집단끼리 비교했다는 뜻입니다.
HCI 연구에서 흔히 볼 수 있는 문장으로, 여러 인터페이스를 비교할 때 같은 사람이 모든 조건을 경험하면 먼저 써본 인터페이스의 학습이 다음 인터페이스 평가에 영향을 줄 수 있다는 우려 때문에 피험자간설계를 선택했다는 논리를 보여줍니다.
마케팅·소비자행동 연구의 전형적인 예문으로, 서로 다른 응답자 집단에 각기 다른 메시지 프레임을 보여준 뒤 집단 간 반응 차이를 비교하는 방식을 설명합니다.
조금 더 깊게 보면
피험자간설계 논문을 읽을 때는 집단 간 비교에 어떤 통계 검정이 쓰였는지 함께 살펴보는 것이 도움이 됩니다. 두 집단 비교에는 흔히 독립표본 t검정이, 세 집단 이상에는 일원배치 분산분석(one-way ANOVA)이 쓰이며, 여러 요인을 동시에 다루는 경우 요인설계와 결합되어 다원배치 분산분석으로 확장되기도 합니다. 또한 무작위 배정이 실제로 집단 간 사전 특성을 균형 있게 만들었는지 확인하기 위해 조작점검(manipulation check)이나 사전 동질성 검증 결과를 함께 보고하는 경우가 많으므로, 이런 부분이 논문에 포함되어 있는지 살펴보면 설계의 엄밀성을 가늠할 수 있습니다. 표본 크기와 관련해서는 집단마다 별도의 참여자가 필요하다는 특성 때문에, 반복측정설계에 비해 요구되는 검정력(power) 확보를 위한 전체 표본 수가 대체로 더 커지는 경향이 있습니다.
주의할 점
피험자간설계는 집단마다 서로 다른 사람들이 배정되므로, 개인차(원래 실력 차이, 성격 차이 등)가 결과에 섞여 들어갈 위험이 반복측정설계보다 큽니다. 이를 줄이기 위해 무작위 배정이나 사전 특성 통제가 중요하며, 표본 크기도 충분히 확보해야 합니다.
헷갈리기 쉬운 용어
누가 어떤 조건을 겪는지가 다릅니다.
| 용어 | 참여자가 겪는 조건 | 주된 장단점 |
|---|---|---|
| 피험자간설계 | 한 사람이 한 조건 | 이월효과가 없으나 개인차가 섞이고 인원이 더 필요 |
| 피험자내설계 | 한 사람이 모든 조건 | 인원이 적게 들지만 순서·이월효과를 통제해야 함 |
| 반복측정설계 | 같은 사람을 여러 번 측정 | 피험자내설계와 같은 맥락에서 쓰임 |
| 요인설계 | 둘 이상의 요인 조합 | 각 요인을 피험자간·피험자내로 정할 수 있음 |
피험자간설계는 “집단을 나눈다”는 점이 핵심이며, 무작위 배정은 그 집단을 만드는 방법입니다.
참고 문헌
- Charness, G., Gneezy, U., & Kuhn, M. A. (2012). Experimental methods: Between-subject and within-subject design. Journal of Economic Behavior & Organization, 81(1), 1–8.
- Campbell, D. T., & Stanley, J. C. (1963). Experimental and Quasi-Experimental Designs for Research. Rand McNally.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.