[ 6부 ] 정보의 족보를 묻다: '출처 추적'과 '교차 검증' 습관

📢 프롤로그: 신뢰 재건축의 첫 단추, 정보를 의심하는 습관

정보의 홍수 속에서 진실과 거짓의 경계가 무너진 지금, 개인과 사회의 신뢰 시스템은 심각한 위협에 놓여 있습니다.

이 혼란을 극복하고 신뢰의 가치를 재정립하기 위한 핵심은, 더 이상 수동적인 정보 소비자로 머물러서는 안 된다는 점입니다.

우리는 스스로를 보호하고 더 나아가 '신뢰를 적극적으로 생산하는 주체'로 거듭나야 합니다.

이 근본적인 변화를 위한 가장 기본적인 훈련이 바로 정보의 출처를 묻고(추적), 사실을 대조하는(교차 검증) 습관입니다.

 

이 보고서는 2025년 최신 정보 환경, 즉 AI와 딥페이크⁶가 보편화된 시대에 속지 않기 위해 일상에서 즉시 적용할 수 있는 두 가지 핵심 훈련법을 심층적으로 제시합니다.

이 훈련은 단순한 기술 습득을 넘어, 정보에 대한 개인의 인지적 방어벽을 구축하고, 구조화된 사고방식을 내재화하는 데 초점을 맞춥니다.

---

1장. 💡 가짜 정보 시대를 관통하는 첫 번째 무기: 확증 편향¹ 해체 훈련

모든 기술적 검증 훈련에 앞서, 우리는 정보에 접근하는 개인의 태도와 인지적 편향부터 점검해야 합니다.

가장 위험한 위협은 외부가 아닌 내부에 존재합니다.

1.1. 내부자 위협, 확증 편향¹을 경계하라

확증 편향¹은 개인이 자신의 기존 믿음이나 가설을 지지하는 증거만 선택적으로 찾고 해석하며, 반대되는 정보는 무시하거나 폄하하는 경향을 말합니다.

이 편향은 결과적으로 왜곡된 결론을 초래하며, 신뢰할 수 없는 정보가 확산되는 근본적인 원인이 됩니다.

확인 편향: 연구에서 이를 식별하고 예방하는 방법 - Mind the Graph 블로그

2025년 디지털 전환(DX) 환경에서 기업들이 AI가 야기하는 보안 위험에 대비하여 내부자 위협에 대한 교육 프로그램을 강화해야 하는 것처럼, 개인 역시 자신의 인지 시스템에 존재하는 내부자 위협을 최우선적으로 해결해야 합니다.

AI 에이전트로 변화하는 2025년 DX 전망 | 인사이트리포트 | 삼성SDS

1.2. 악마의 변호사 (레드 팀²) 전략 도입

확증 편향¹을 극복하기 위한 가장 실용적인 행동 전략은 정보를 수용하기 직전에 강력한 자기 의심을 도입하는 것입니다.

전문가들은 스스로에게 “내가 혹시나 내 생각을 지지하는 증거만 찾고 있는 건 아닐까”라고 질문하는 습관이 모든 편향을 차단하는 출발점이라고 강조합니다.

 

이러한 인지적 방어 시스템을 체계화하는 것이 바로 악마의 변호사 또는 레드 팀² 전략입니다.

이 훈련은 단순히 비판적인 시각을 갖는 것을 넘어섭니다.

1. 반대 가설 설정: 내가 접한 정보의 주장과 정반대되는 가설을 의도적으로 설정합니다.
   
   
2. 반대 근거 탐색: 그 반대 가설을 지지하는 논리와 근거를 적극적으로 찾아봅니다.

💡 실습 과정: '악마의 변호사' 시뮬레이션

상황 가정: 당신은 기후 변화로 인해 '전기차 의무화 정책(Policy E)'이 반드시 필요하다고 믿는 기사를 접했습니다.

• Step 1: 초기 주장 확인 (확증 편향¹의 대상 식별): 주장: "Policy E는 기후 재앙을 막기 위한 유일한 길이다."
  
  
• Step 2: 레드 팀² 가설 설정 (의도적인 반대 논리 도입): 반대 가설: "Policy E가 기후 변화 해결에 비효율적일 수 있으며, 다른 부작용(예: 전력 인프라 부담, 광물 자원 고갈)이 더 클 것이다."
  
  
• Step 3: 반대 증거 탐색 (편향되지 않은 정보 검색): 검색어: "전기차 의무화 정책 단점," "전기차 배터리 폐기 문제," "전력망 부하 증가 전문가 의견"
  
  
• 결과: 검색을 통해 초기 주장을 지지하지 않는 전문적인 근거나 데이터를 의도적으로 수집합니다. 이 과정을 통해 왜곡된 결론을 피할 수 있는 균형 잡힌 시각을 확보합니다.

---

2장. 🕵️‍♀️ 정보의 족보를 캐는 기술: 출처 추적 훈련

출처 추적은 이제 단순한 URL 확인을 넘어, 정보의 디지털 권위와 미디어 포렌식 능력을 요구합니다.

2.1. 디지털 포렌식³적 접근: 정보의 '지문 특징점' 추적

정보의 원문을 추적하는 행위는 과학 수사관이 범죄 현장에서 채취한 지문 특징점을 분석하여 원본 인적 사항을 확인하는 과정과 같습니다.

 

정보 소비자는 기사나 문서를 하나의 '증거물'로 보고, 그 안에 담긴 고유한 특징점을 역추적해야 합니다.

• 인용된 데이터와 그래프:
  기사에 사용된 통계 수치나 데이터 시각화 자료가 있다면, 해당 자료의 원천 보고서(Primary Source)를 검색하여 인용이 정확한지, 맥락이 왜곡되지 않았는지 확인합니다.
  
  
• 핵심 문구와 고유 명사 역추적:
  기사의 가장 독특한 문구나 주장을 복사하여 검색 엔진에 붙여넣어, 해당 내용의 최초 발행 시점과 원본 발행 기관을 확인합니다.

💡 실습 과정: 핵심 문구 지문 추적

상황 가정: 당신은 "2025년 4분기, 인플레이션율이 8.5%를 기록하며 '역대급 고금리 시대'를 맞았다"는 헤드라인을 보았습니다.

• Step 1: 핵심 특징점 추출 (검증해야 할 수치 식별): 특징점: '8.5%', '2025년 4분기 인플레이션율'
  
  
• Step 2: 원천 자료 검색 (역추적): 검색어: "인플레이션율 8.5%" "2025년 4분기" + 통계청 또는 한국은행
  
  
• Step 3: 맥락 검증: 결과 확인: 만약 8.5%가 '특정 식료품 품목'의 일시적 상승률이었고, 전체 소비자 물가 지수(CPI)는 3.0%였다면, 기사는 특정 데이터 포인트를 과도하게 대표하여 왜곡된 결론을 유도한 것입니다.

2.2. 훈련 1: 웹사이트의 신용 등급, '도메인 권위 (DR/DA)'⁴를 측정하라

우리는 웹사이트가 오랜 시간 동안 축적해 온 '신뢰 자본(Accumulated Trust Capital)'을 객관적으로 측정하는 훈련이 필요합니다.

• 도메인 권위 (DR/DA)⁴ 확인: Ahrefs나 Semrush와 같은 SEO 분석 도구를 사용하여 웹사이트의 도메인 강도와 권위를 정량적으로 측정할 수 있습니다.
  높은 도메인 권위⁴ 점수는 해당 웹사이트가 신뢰할 수 있고, 해당 분야에서 권위가 있다는 것을 나타냅니다.
  이는 백링크를 기반으로 측정되므로, 해당 정보가 얼마나 널리 인정받고 있는지를 보여주는 객관적인 지표가 됩니다.
  
  
• 트래픽 순위 검증: SimilarWeb과 같은 도구를 사용하여 해당 웹사이트의 글로벌 및 국내 트래픽 순위를 확인합니다.

웹사이트 권위 검사기: 도메인의 "권위" 확인

백링크 체커: 어떤 웹사이트든 누가 링크하는지 무료로 알아보세요

도메인 점수가 왜 중요할까? 웹사이트 순위 측정 도구 4가지

 

💡 실습 과정: 디지털 권위 측정

상황 가정: 당신은 "A 투자 리서치"라는 웹사이트에서 투자를 권유하는 정보를 접했습니다.

• Step 1: DR/DA⁴ 확인 (웹사이트의 '신뢰 자본' 정량화): Ahrefs 또는 Semrush 도구에 해당 URL을 입력하여 도메인 권위 (DR/DA)⁴ 확인.
  
  
• Step 2: 결과 해석 (권위 점수와 신뢰도 연결): 결과: 만약 DR이 100점 만점에 5점 미만이라면, 해당 웹사이트는 다른 권위 있는 기관으로부터 인용된 이력이 거의 없고 신뢰 자본이 낮으므로 정보의 신뢰도를 매우 낮게 평가해야 합니다.

2.3. 훈련 2: 발행 주체의 투명성 검증

• WHOIS⁵ 조회:
  WHOIS⁵ 데이터베이스는 도메인 이름에 대한 정보를 제공하는 공개 데이터베이스입니다.
  누구나 이 데이터베이스를 통해 도메인 소유자 및 연락처 정보를 확인할 수 있습니다.
  만약 등록자 연락처 정보가 비공개(Privacy Protected)로 설정되어 있다면, 발행 주체가 투명성을 확보하려는 의지가 부족하다고 판단하고 신뢰도에 대한 의문을 제기해야 합니다.
  
  
• 발행자의 이력 조사: 콘텐츠를 만든 개인이나 조직의 과거 기록, 정치적 성향, 그리고 재정적/상업적 이해관계를 조사합니다.

WHOIS를 통해 도메인 소유자가 누구인지 확인하는 방법 - Shopify 대한민국

 

2.4. 훈련 3: 2025년 최신 방어: AI 생성 콘텐츠의 족보 추적

• AI 위험 식별 능력 강화:
  개인은 IT 및 AI 보안 위험 식별 능력 향상을 위한 자기 교육을 지속적으로 강화해야 합니다.
  이는 AI가 만든 정보의 특징을 이해하고, 그것이 어디서 왔는지 추적하는 능력을 의미합니다.
  
  
• 딥페이크⁶ 및 변조 미디어 진위 확인:
  생성형 AI를 악용한 음성 범죄나 영상 딥페이크⁶에 대응하기 위해 AI 딥페이크⁶ 탐지 및 화자인증 솔루션이 등장하고 있습니다.
  일반 사용자도 미디어 콘텐츠의 비정상적인 요소에 민감해져야 합니다.

AI 에이전트로 변화하는 2025년 DX 전망 | 인사이트리포트 | 삼성SDS

 

💡 사건 사례: AI 악용 음성 범죄와 탐지 기술 (2025년 10월)

2025년 10월에는 생성형 AI를 악용하여 가족이나 지인을 사칭한 음성 범죄(보이스 피싱) 사건이 심각한 위협으로 부상했습니다.

이에 대한 대응책으로, 국내외 보안 기업들은 AI 딥페이크⁶ 탐지 기술을 화자인증 솔루션과 결합하여, 실시간으로 통화 대상의 목소리가 AI에 의해 변조되었는지 여부를 확인하는 시스템을 상용화했습니다.
이는 개인의 '귀'만으로는 딥페이크⁶를 식별할 수 없는 시대가 도래했음을 보여주며, 기술적 검증 도구와 함께 인지적 민감도를 높여야 함을 시사합니다.

 

출처 추적 5단계 체크리스트:

1. 원본 확인 (Primary Source):
   뉴스의 최초 발행 기관/저자를 찾고, 기사 원문 및 인용된 자료의 원천 확인 (디지털 포렌식³ 개념 적용).
   
   
2. 도메인 권위 측정:
   URL/도메인 권위 (DR/DA)⁴ 확인 도구(Ahrefs, Semrush 등)를 활용하여 웹사이트의 객관적 신뢰도 평가.
   
   
3. 발행 주체 투명성:
   WHOIS⁵ 조회를 통해 도메인 등록자 정보를 확인하고, 연락처 정보가 비공개인지 점검.
   
   
4. 기술적 조작 여부:
   미디어 콘텐츠(사진, 영상, 음성)에 대해 역검색 및 딥페이크⁶ 탐지 도구를 활용하여 변조 가능성 확인.
   
   
5. 배경/의도 파악: 콘텐츠를 발행한 주체의 과거 기록, 정치적 성향, 상업적 이해관계를 조사하여 왜 이 정보를 만들었는지 파악.

---

3장. ✅ 진실의 필터를 통과시키다: 교차 검증 훈련

교차 검증은 단순히 여러 출처를 비교하는 것이 아니라, 구조화되고 시스템화된 절차를 내재화하는 훈련입니다.

3.1. 훈련 4: LLM⁷의 지혜를 빌려 '사실 분리' 훈련

인공지능이 텍스트의 사실 여부를 확인하는 방식처럼, 우리는 정보를 검증 가능한 단위로 분리해야 합니다.

대규모 언어 모델 (LLM)⁷의 진위 확인 기법 중, 정보를 분리하여 검증 질문과 답변을 수행하는 Factored 방식은 초기 질문과 답변을 동시에 수행하는 방식보다 높은 성능을 보입니다.

프롬프팅으로 사실 확인하기(Fact Verification)

 

마찬가지로, 인간도 접한 정보를 다음 세 가지로 분리하여 검증의 효율을 높여야 합니다.

1. 주요 주장(Main Claim)
   
   
2. 핵심 데이터(Key Data)
   
   
3. 인용 출처(Cited Source)

분리된 각 핵심 사실에 대해 AI 시스템이 그러하듯, 정확성을 조사하는 질문을 스스로 생성해야 합니다.

사실확인 AI  |  Gemini API Developer Competition  |  Google AI for Developers

 

💡 실습 과정: 사실 분리 및 질문 생성

상황 가정: 당신은 "신기술 Z 는 5년 안에 시장 점유율을 70%까지 높일 것이며, 이 기술의 개발사는 정부 W 의 전폭적인 지원을 받고 있다"는 주장을 접했습니다.

• Step 1: 사실 진술 분리 (검증 단위를 명확히 함):
  • Fact A (핵심 데이터): "신기술 Z 는 시장 점유율 70%를 달성할 것이다."
    
    
  • Fact B (주요 주장): "기술 개발사는 정부 W 의 전폭적 지원을 받고 있다."
• Step 2: 검증 질문 생성 (정확성 조사 지점 설정):
  • Fact A 질문: "70%라는 수치는 어떤 연구기관에서 예측했으며, 그 근거는 무엇인가?"
    
    
  • Fact B 질문: "정부 W 가 해당 개발사에 제공한 지원의 구체적인 액수는 무엇이며, 이는 다른 분야 지원과 비교해 '전폭적'이라고 할 수 있는가?"

3.2. 훈련 5: 구조적 검증: '삼각 검증'을 'K-Fold'⁸처럼 활용하기

 

현대의 정보 환경에서는 최소 세 개의 출처를 비교하는 삼각 검증(Triangulation)이 필수적입니다.

이 삼각 검증은 기계 학습 모델의 K-Fold 교차 검증⁸ 개념을 차용하여 체계화할 수 있습니다.

K-Fold 교차 검증⁸은 전체 데이터 세트를 여러 폴드(Fold)로 나누어 순차적으로 검증 세트로 활용함으로써 데이터의 편향성을 줄이고 일반화 성능을 평가합니다.

[ML] 교차검증(Cross Validation)

정보 검증에서도 이와 같이 출처의 다양성을 확보하여 단일 출처의 편향성을 극복해야 합니다.

 

삼각 검증 구성 요소 ( 최소 K ≥ 3 ):

• Fold 1 (주류 기관): 공신력 있는 주류 언론사나 1차 학술 기관.
  
  
• Fold 2 (전문 기관): 해당 분야를 전문적으로 다루는 정부 부처, 연구소, 국제 기구 등.
  
  
• Fold 3 (대안 관점): 앞선 두 출처와 다른 관점을 제시할 가능성이 있는 권위 있는 기관.

세 출처를 통해 검증을 완료한 후, 단순히 일치하는지를 넘어 가장 권위 있는 출처에 무게를 두어 결과를 종합적으로 판단해야 합니다.

이 과정은 K-Fold⁸의 성능 평가 결과를 평균하여 최종 결과를 도출하는 것과 유사합니다.

💡 실습 과정: K-Fold⁸ 삼각 검증

상황 가정: Fact B ("기술 개발사는 정부 W 의 전폭적인 지원을 받고 있다")를 검증해야 합니다.

K-Fold⁸	출처 유형 (관점)	검증 결과 (예시)	편향 위험성
Fold 1	정부 W 부처 발행 보도 자료 (주류 기관)	"개발사 Z 에 총 100억 지원." (긍정적 강조)	정치적/정책적 편향 위험
Fold 2	독립적인 경제 연구소 보고서 (전문 기관)	"100억은 동종 산업 평균 지원금의 1/5 수준이며, 전폭적 지원이라고 보기 어렵다." (중립적 분석)	상대적으로 낮음 (도메인 권위⁴에 따라 가중치 높음)
Fold 3	경쟁 기술 관련 산업 협회 기사 (대안 관점/레드 팀²)	"정부의 개발사 Z 에 대한 편파적 지원 100억." (부정적 강조)	상업적/경쟁적 편향 위험
종합 판단	(평균화)	Fold 2가 가장 객관적 근거를 제시하므로, "전폭적인 지원"이라는 주장은 과장되었을 가능성이 높다고 결론 내림.

3.3. 훈련 6: 최종 판단: Factor+Revise 원칙 적용

검증의 마지막 단계는 불편함을 감수하고 사실을 수용하는 습관을 기르는 것입니다.

LLM⁷ 생성 정보의 진위를 확인할 때, 최초 답변과 검증 결과의 일치 여부를 명시적으로 확인하는 Factor+Revise 과정을 추가할 때 성능이 향상됩니다.

 

이 원칙은 인간의 검증 습관에도 적용되어야 합니다.

• 명시적 재확인(Revise):
  교차 검증 결과가 나의 초기 믿음이나 주된 결론과 충돌하는 경우, 그 결과를 무시하는 것이 아니라 명시적으로 나의 기존 결론을 수정하거나 보강해야 합니다.
  
  
• 만약 검증 결과가 나의 초기 주장에 반하는 증거를 강력하게 제시한다면, 확증 편향¹으로 인해 초래될 수 있는 왜곡된 결론을 막기 위해 사실을 받아들이는 용기가 필요합니다.

교차 검증 4단계 훈련:

1. 내부 의심(Self-Doubt):
   정보 습득 전, 스스로에게 '나의 기존 믿음에 반하는 정보도 적극적으로 찾고 있는가?' 질문하며 확증 편향¹ 초기 차단.
   
   
2. 정보 분리 및 질문 생성:
   접한 정보를 개별 '핵심 사실'로 분리하고, 각 사실에 대해 정확성을 조사하는 검증 질문을 직접 생성 (AI 팩트체커 원리 차용).
   
   
3. 삼각 검증(Triangulation):
   각 핵심 사실을 독립적이고 공신력 있는 최소 3개 이상의 외부 출처(뉴스, 학술, 정부 기관 등)와 비교 대조(K-Fold⁸ 개념 적용).
   
   
4. 결과 수정 및 재확인 (Factor+Revise): 모든 교차 검증 결과가 불일치할 경우, '악마의 변호사' 관점에서 가장 비판적인 출처에 무게를 두고 원본 결론을 명시적으로 재확인 및 수정.

---

4장. 🛡️ 습관이 신뢰를 만든다: 결론

4.1. 정보 검증 능력의 내재화

출처 추적과 교차 검증은 K-Fold 교차 검증⁸처럼, 정보를 반복적으로 검증하고 그 결과를 종합적으로 평균화하는 지속적인 자기 훈련 과정입니다.

2025년의 정보 환경에 대응하여 개인의 IT 및 AI 보안 위험 식별 능력 향상에 초점을 맞춘 지속적인 자기 교육의 필요성이 높아지고 있습니다.

4.2. 최종 메시지: 신뢰를 생산하는 주체로

가짜 정보에 속지 않는 훈련은 단지 개인을 보호하는 방어 기술을 넘어섭니다.

우리가 구조화된 사고방식을 통해 진실을 규명하고, 불편하더라도 검증된 사실을 수용하며, 이를 바탕으로 정보에 대한 신뢰도를 높이는 행위 하나하나가 곧 사회적 신뢰를 재건하는 '작은 벽돌'이 됩니다.

정보의 족보를 캐묻고 진실을 필터링하는 습관을 통해, 우리는 수동적인 대중에서 벗어나, 궁극적으로 신뢰를 적극적으로 생산하고 확산시키는 능동적인 정보 시민으로 거듭나야 합니다.

신뢰의 재건은 바로 당신의 책무이자 가장 중요한 능력입니다.

---

🚨 다음 편 예고: 7부. 진짜를 판별하는 무기: 주요 팩트체크 도구 활용법 🚨

우리는 지난 이야기들을 통해 가짜 정보가 어떻게 우리의 삶과 사회 전반의 신뢰를 파괴하는지 목격했습니다.

하지만 이러한 공격에 무방비 상태로 있을 수만은 없습니다.

이제는 우리가 직접 '진짜'를 판별하는 힘을 가져야 할 때입니다.

• 7부에서는 우리가 매일 접하는 수많은 정보 속에서 가짜를 걸러낼 수 있는 구체적인 ‘무기’들을 소개합니다.
  
  
• 우리는 구글 렌즈, 역사 검색 등 쉽고 강력한 도구들을 활용해 정보의 진위와 출처를 판별하는 실제 활용법을 자세히 알아볼 것입니다.
  
  
• 정보의 홍수 속에서 더 이상 휩쓸리지 마십시오. 우리는 단순한 소비자를 넘어, 진실을 찾아내는 능동적인 탐험가가 될 것입니다.

가짜 정보에 맞설 당신의 무기를 손에 쥐여 드리겠습니다.

7부, 『진짜를 판별하는 무기: 주요 팩트체크 도구 활용법』에서 진짜와 가짜를 구별하는 지혜를 얻으십시오.

놓치지 마세요!

 

[ 5부 ] 이제 속아주지 않기로 했다면: 디지털 면역력 훈련의 시작

 

---

📚 용어 설명

1. 확증 편향 (Confirmation Bias)¹: 개인이 자신의 기존 믿음이나 가설에 부합하는 정보만을 선택적으로 찾고, 해석하며, 반대되는 정보는 무시하거나 폄하하는 심리적 경향입니다. 이는 정보의 왜곡된 수용을 초래합니다.
2. 레드 팀 (Red Team)²: 조직이나 개인이 주장을 검증할 때, 의도적으로 반대편의 입장에 서서 취약점을 찾거나 기존 주장을 반박하는 역할을 수행하는 팀 또는 전략을 의미합니다. 오류를 방지하고 객관성을 높이는 데 사용됩니다.
3. 디지털 포렌식 (Digital Forensics)³: 디지털 기기나 저장 매체에 남아 있는 정보를 수집하고 분석하여 범죄 행위의 증거를 확보하는 과학 수사 기법입니다. 정보의 원본성과 출처의 진위를 과학적으로 추적하는 데 비유됩니다.
4. 도메인 권위 (Domain Rating/Authority, DR/DA)⁴: 웹사이트의 검색 엔진 최적화(SEO) 강도와 신뢰도를 100점 만점으로 정량화한 지표입니다. 다른 권위 있는 웹사이트로부터 얼마나 많은 백링크(인용 링크)를 받았는지를 기반으로 측정되어, 해당 사이트가 가진 '디지털 권위'를 나타냅니다.
5. WHOIS⁵: 인터넷 도메인 이름 및 IP 주소 등록 정보를 확인할 수 있는 공개 데이터베이스 및 프로토콜입니다. 도메인 소유자의 이름, 연락처, 등록일을 조회하여 웹사이트 운영 주체의 투명성을 판단하는 데 활용됩니다.
6. 딥페이크 (Deepfake)⁶: 대규모 언어 모델 (LLM)⁷과 같은 딥러닝 기술을 사용하여 특정 인물의 얼굴, 음성, 행동 등을 실제처럼 정교하게 합성하거나 조작한 이미지, 영상, 음성 콘텐츠를 통칭합니다.
7. 대규모 언어 모델 (Large Language Model, LLM)⁷: 방대한 텍스트 데이터를 학습하여 인간처럼 자연스러운 언어를 이해하고 생성할 수 있는 인공지능 모델입니다. 챗봇, 번역, 요약, 그리고 사실 확인 AI 시스템 등의 핵심 기반 기술입니다.
8. K-Fold 교차 검증 (K-Fold Cross Validation)⁸: 기계 학습에서 모델의 성능을 평가하는 표준 절차 중 하나입니다. 전체 데이터 세트를 K개의 동일한 부분(Fold)으로 나누어, 이 중 하나를 검증 세트로, 나머지를 학습 세트로 사용하여 K번 반복 검증하고 그 결과를 평균하여 모델의 일반화된 성능을 도출합니다. 정보 검증에서는 다양한 관점을 대표하는 K개의 출처를 비교 대조하는 '삼각 검증'의 체계화된 방법으로 비유됩니다.