감사를 정말 잘 표현하는 방법에 대해서

아는 사람들은 알겠지만, 5년 전쯤에 직장인이 "넵"을 습관적으로 사용하는 이른바 "넵"병이라고 불리는 현상을 정리한 글이 한동안 화제가 되었던 적이 있다. 워낙 여기저기 공유되었던 탓에 주위 사람으로부터 여러번 들었던 것 같다.  ( 그 글은 여기서 볼 수 있다. )

얼마 전 회사 동료와 리더가 조심해야 하는 표현에 대해서 이야기 나누던 중 " 습관처럼 나가는 "좋아요" "라는 말의 위험성을 두고 대화하면서 위 글이 불현듯 내 머리를 다시 스쳐지나갔다. "좋아요", "감사합니다"와 같은 말은 "넵"만큼이나 사실 습관적으로 여기저기 쓰면서 뭐랄까, 그 단어의 본디 목적을 많이 상실한 단어들중 하나이기 때문이다. 적어도 회사에서는 말이다.

"감사합니다"는 특히 여기저기서 많이 등장한다. 심지어 메일을 쓰다 보면 두 번씩 쓰기도 한다. 왜 두번 써야 하는지 생각해볼 겨를 없이 나갈 때도 있다. 그리고 그 것을 지적하는 사람도 없다. 그렇다 보니 종종 이 단어를 듣고도 딱히 감흥이 없던 적이 한 두 번이 아니었던 것 같다. 그 때는 팀원이라서 듣고 지나갔는데 팀장을 하려고 보니 팀원들 입장에서 저 단어가 정말로 동기부여에 도움이 되는 단어일지 의문이 들었다.

6년 전쯤에 대학원에서 한 이성 친구가 나에게 악세사리에 대해서 어느 것이 이쁘냐고 물어본 적이 있다. 아내와 결혼하면서 배운 스킬( Link ) 덕에 나는 각각의 악세사리가 어떤 시점에 착용하면 이쁜지 설명해주었다. 그렇게 설명해주니 그 친구가 나한테 이런 말을 했다.

"넌 이탈리안 남성같이 디테일하구나".
unsplash

그 말을 듣고 나니 사실 그 친구가 나에게 어떠한 의도로 말을 했는지 명확하게 인지가 되서 그런지 꽤 기분이 좋았던 기억이 있다. 명확한 커뮤니케이션의 장점이라고 해야 할까?

그래서인지 그 이후에는 나는 대략 표현을 구체적으로 하는 것을 연습했고 꽤 효과는 좋았다(?).  내 기대수준과 상대방의 기대수준의 차이를 명확하게 설명해주는 편이라는 피드백을 주위 사람들에게 듣기도 했다.

여튼 각설하고, 그래서 아내에게 이런 경험을 바탕으로 물어봤다. "감사합니다"라는 앞뒤 없는 표현 대신, 정확하게 왜 감사한지 그 이유를 설명해주는 것은 어떻게 생각하는지 말이다. 뭐 예상은 했겠지만, 훨씬 더 표현이 와닿는다고 답변해주었다.

이러한 경험을 바탕으로 오늘 앞서 이야기한 동료에게 리더의 리액션이 나쁠 수 있는 것은 명확하지 않은 표현에서 비롯되는 것일 뿐, 정확하게 설명하면 리액션은 좋을 수 있다고 건네주었다.

unsplash

모든 표현이 그런 것같다. 사람들이 너무 습관적으로 쓰는 단어에 컨텍스트(Context)는 중요하다. 없다면 내 생각이 오롯이 전달되지 않을 수있다. 차라리 "감사합니다"라는 사소한 표현이라도 다시 고민해보고 정확하게 전달해보려고 노력해보자. 다른 어떤 것보다 쉬운 동기부여의 방식이 될 수도 있다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서