초성 힌트는 어디까지 좁혀줄까

사용자가 어렵다고 느끼는 이유는 하나가 아닙니다. 단어를 몰라서일 수도 있고, 알고 있지만 바로 떠올리지 못해서일 수도 있으며, 같은 초성의 후보가 여럿이라서일 수도 있습니다. 현재 사이트에는 사람별 정답률과 풀이 시간이 축적되어 있지 않으므로 이 원인을 섞어 “어려운 문제”라고 단정하면 안 됩니다.

그래서 첫 지표를 초성 충돌로 정했습니다. 같은 주제 안에서 똑같은 초성 문자열을 공유하는 정답이 둘 이상이면, 초성만으로는 정답이 하나로 결정되지 않습니다. 두 번째 지표는 답 글자 수입니다. 길이는 난이도 그 자체가 아니지만 입력 부담과 화면 가독성, 후보 제약의 크기를 함께 점검할 수 있는 객관적 값입니다.

세 번째 지표는 힌트 거리입니다. 해시태그 하나 또는 여러 개를 공개했을 때 같은 태그 조건을 만족하는 후보가 몇 개 남는지를 셌습니다. 후보가 한 개만 남으면 힌트는 정답과 매우 가깝고, 여러 개가 남으면 사용자가 마지막 추리를 해야 합니다. 이 정의는 정답률을 대신하지 않지만 힌트가 너무 멀거나 가까운지를 설계 차원에서 비교하게 해줍니다.

동물 100문제는 서로 다른 초성 묶음이 97개였습니다. 같은 초성을 공유하는 정답은 6개로, ㄱㄹ의 고래와 기린, ㅂㅈ의 박쥐와 백조, ㅇㅇ의 악어와 여우였습니다. 이 여섯 문제에서는 사용자가 초성을 정확히 읽어도 정답 후보가 둘 남습니다.

음식 100문제도 서로 다른 초성 묶음이 97개였습니다. 겹치는 세 쌍은 ㄱㅂ의 김밥과 갈비, ㅍㅈ의 피자와 파전, ㅋㄱㅅ의 칼국수와 콩국수입니다. 현재 로직은 같은 초성의 다른 등록 답을 입력하면 바로 오답으로 닫지 않고 재도전 기회를 주므로, 데이터 충돌을 어느 정도 배려하고 있습니다.

전체 200문제 중 188개는 초성만 놓고 보면 데이터셋 안에서 유일하고 12개는 두 후보가 남습니다. 충돌 문항이 많지는 않지만 체감 품질에는 중요합니다. 사용자가 “가능한 답을 맞게 썼는데 틀렸다고 했다”고 느끼는 순간 퀴즈의 신뢰가 크게 떨어지기 때문입니다. 충돌 쌍은 일반 문제와 같은 방식으로 다루기보다 첫 오답에 짧은 방향 힌트를 자동 제공하는 편이 자연스럽습니다.

동물 정답의 평균 길이는 2.89자였고 가장 짧은 답은 1자, 가장 긴 답은 9자였습니다. 음식 정답의 평균 길이는 3.13자였고 범위는 2자에서 6자였습니다. 동물 주제가 더 넓은 길이 범위를 가져 짧은 초성과 매우 긴 초성이 한 세트 안에 함께 등장합니다.

긴 단어가 항상 더 어렵지는 않습니다. 초성 자리가 많으면 후보를 좁히기 쉬울 수 있지만, 낯선 종 이름이라면 단어 자체를 모를 가능성도 커집니다. 반대로 곰처럼 한 글자인 답은 익숙하지만 초성 정보량이 매우 작습니다. 길이만으로 난이도 점수를 만들지 않은 이유입니다.

운영 관점에서는 길이를 정답률 예측값이 아니라 세트 구성 기준으로 쓰는 편이 좋습니다. 20문제 한 세트에 한 글자 답, 긴 희귀어, 충돌 초성이 한꺼번에 몰리지 않도록 분산하고, 이후 실제 오답률과 힌트 사용률이 쌓이면 그때 길이와 성과의 관계를 검증할 수 있습니다. 먼저 측정 가능한 구조를 기록하고, 체감 난이도는 행동 데이터로 확인해야 합니다.

각 문항에는 해시태그가 세 개씩 있고, 화면에서는 해시태그 힌트를 누르면 세 개를 한꺼번에 보여줍니다. 세 태그의 조합을 기준으로 데이터셋을 다시 검색했더니 동물 100문제와 음식 100문제 모두 후보가 정확히 하나만 남았습니다. 즉 현재 태그 힌트는 모든 문항에서 의미상 정답 식별표에 매우 가깝습니다.

태그 하나만 가장 유리하게 골라 공개한다고 가정하면 평균 후보 수는 동물 1.12개, 음식 1.21개였습니다. 두 개를 함께 쓰면 두 주제 모두 평균 1.00개였습니다. 태그가 대체로 구체적이고 세 태그 묶음은 전부 고유하므로, “조금 도와주는 힌트”보다는 “정답을 거의 확인하는 힌트”로 작동할 가능성이 큽니다.

이미지 힌트도 정답 이미지를 흐림 처리해 보여주는 강한 단서입니다. 흐림의 체감 강도는 이미지별로 달라 숫자로 같은 선상에 놓을 수 없지만, 사용자는 현재 두 힌트 중 어느 것을 먼저 열어도 후보를 크게 줄일 수 있습니다. 힌트를 쓴 횟수만 세기보다 어떤 힌트를 어떤 순서로 썼는지 따로 기록해야 실제 힌트 설계를 개선할 수 있습니다.

현재 데이터에는 해시태그 세 개 외에도 각 정답을 설명하는 한 문장 단서가 들어 있습니다. 그러나 플레이 화면의 상시 Tip은 정답별 단서가 아니라 공통 팁 순환입니다. 정답별 단서를 중간 거리 힌트로 활용하면 “아무것도 모르겠다”와 “태그를 보고 바로 알겠다” 사이에 한 단계를 만들 수 있습니다.

예를 들어 ㅇㅇ만 보고 악어와 여우가 모두 떠오른다면 “풍성한 꼬리” 같은 태그 하나는 거의 답을 확정합니다. 그보다 먼저 “육지에서 사는 동물”처럼 후보군을 줄이되 답을 말하지 않는 단서를 보여주고, 그래도 막힐 때 구체 태그나 흐린 이미지를 여는 식이 더 단계적입니다. 모든 문항에 같은 힌트 순서를 강요하기보다 충돌 여부와 단어 친숙도를 함께 고려해야 합니다.

측정도 단계별이어야 합니다. 초성만 맞힌 비율, 정답별 문장 단서 뒤의 정답률, 태그 뒤의 정답률, 이미지 뒤의 정답률을 분리하면 어떤 문항의 초성이 어려운지와 어떤 힌트가 지나치게 가까운지를 구분할 수 있습니다. 개인을 추적할 필요 없이 문항별 집계만으로도 충분히 개선 자료가 됩니다.

세상에 드문 동물 이름을 많이 넣는다고 퀴즈가 자동으로 가치 있어지지는 않습니다. 사용자가 틀린 뒤에도 “왜 이 답인지” 이해할 수 있어야 지식이 남습니다. 정답 이미지, 종을 구별하는 특징, 비슷한 초성 후보와의 차이를 짧게 설명하면 한 문항이 단순 맞히기에서 작은 학습 카드로 바뀝니다.

특히 충돌 여섯 쌍은 좋은 출발점입니다. 고래와 기린처럼 전혀 다른 후보가 같은 초성을 갖는 경우, 정답 공개 뒤 두 단어를 함께 보여주며 초성만으로는 구분할 수 없었다는 사실을 알려줄 수 있습니다. 오답을 사용자의 실수로만 처리하지 않고 데이터의 애매함까지 설명하는 태도가 사이트의 신뢰를 높입니다.

이 글의 계산은 구조적 진단의 첫 단계입니다. 다음에는 문항별 시도 수, 첫 입력 정답률, 재도전 성공률, 힌트 종류별 사용률을 익명 집계해 구조 지표와 비교해야 합니다. 그때 비로소 “길어서 어렵다”, “희귀해서 어렵다”, “힌트가 너무 가깝다” 같은 가설을 실제 행동으로 검증할 수 있습니다.