2023년 12월 모의고사 고2 33번 문제 및 변형

2023년 12월 모의고사 고2 33번 문제 및 변형입니다. 

 

33번. 다음 빈칸에 들어갈 말로 가장 적절한 것을 고르시오.

 

Correlations are powerful because the insights they offer are relatively clear.

These insights are often covered up when we bring causality back into the picture.

For instance, a used-car dealer supplied data to statisticians to predict which of the vehicles available for purchase at an auction were likely to have problems.

A correlation analysis showed that orange-colored cars were far less likely to have defects.

Even as we read this, we already think about why it might be so: Are orange-colored car owners likely to be car enthusiasts and take better care of their vehicles?

Or, is it because orange-colored cars are more noticeable on the road and therefore less likely to be in accidents, so they’re in better condition when resold?

Quickly we are caught in a web of competing causal hypotheses.

But our attempts to illuminate things this way only make them cloudier.

Correlations exist; we can show them mathematically.

We can’t easily do the same for causal links. So we would do well to                                           . [3점]

 

① stay away from simply accepting the data as they are

② point out every phenomenon in light of cause and effect

③ apply a psychological approach to color preferences

④ admit that correlations are within the framework of causality

⑤ hold off from trying to explain the reason behind the correlations

 

 

 

[주제] 

상관관계와 인과 관계에 대한 토론

 

[해석] 

 

상관관계는 그것들이 제공하는 통찰력이 비교적 명확하기 때문에 강력하다.

이러한 통찰력은 종종 우리가 인과 관계를 그 상황으로 다시 가져올 때 가려진다.

예를 들어, 한 중고차 딜러가 경매에서 구입할 수 있는 차량들 중 어떤 차량에 문제가 발생할 가능성이 있는지를 예측하기 위한 데이터를 통계학자들에게 제공했다.

한 상관관계 분석은 주황색 차들이 결함이 있을 가능성이 훨씬 적다는 것을 보여 줬다.

심지어 우리가 이것을 읽으면서도, 우리는 이미 왜 그럴지에 대해 생각한다.

주황색 차를 소유한 사람들이 자동차 애호가여서 그들의 차량을 더 잘 관리할 가능성이 있는가?

아니면, 주황색 차들이 도로에서 더 눈에 띄고, 그래서 사고가 날 가능성이 적어 재판매될 때 그것들이 상태가 더 좋은 것이기 때문인가?

곧 우리는 경쟁적인 인과 가설의 함정에 빠진다.

하지만 이런 식으로 무언가를 설명하려는 우리의 시도는 그것들을 더 흐리게 만들 뿐이다.

상관관계는 존재하며 우리는 그것들을 수학적으로 보여 줄 수 있다.

우리는 인과 관계에 대해서는 쉽게 똑같이 할 수 없다.

따라서 우리는 상관관계의 배후에 있는 이유를 설명하려 하지 않는 것이 좋다.

 

 

[정답]

⑤ hold off from trying to explain the reason behind the correlations

 

 

Correlations are powerful because the insights they offer [is/are] relatively clear.

상관관계는 그것들이 제공하는 통찰력이 비교적 명확하기 때문에 강력하다.

 

These insights are often (cover up) covered up when we bring causality back into the picture.

이러한 통찰력은 종종 우리가 인과 관계를 그 상황으로 다시 가져올 때 가려진다.

 

For instance, a used-car dealer supplied data to statisticians [빈칸 예상] to predict which of the vehicles available for purchase at an auction were likely to have problems.

예를 들어, 한 중고차 딜러가 경매에서 구입할 수 있는 차량들 중 어떤 차량에 문제가 발생할 가능성이 있는지를 예측하기 위한 데이터를 통계학자들에게 제공했다.

 

A correlation analysis showed that orange-colored cars were far [more/less] likely to have defects.

한 상관관계 분석은 주황색 차들이 결함이 있을 가능성이 훨씬 적다는 것을 보여 줬다.

 

Even as we read this, we already think about why it might be so:

Are orange-colored car owners likely to be car enthusiasts and take better care of their vehicles?

심지어 우리가 이것을 읽으면서도, 우리는 이미 왜 그럴지에 대해 생각한다.

주황색 차를 소유한 사람들이 자동차 애호가여서 그들의 차량을 더 잘 관리할 가능성이 있는가?

 

Or, is it because orange-colored cars are more noticeable on the road and therefore [less/more] likely to be in accidents, so they’re in better condition when (resell) resold?

아니면, 주황색 차들이 도로에서 더 눈에 띄고, 그래서 사고가 날 가능성이 적어 재판매될 때 그것들이 상태가 더 좋은 것이기 때문인가?

 

Quickly we (catch) are caught in a web of competing causal hypotheses.

곧 우리는 경쟁적인 인과 가설의 함정에 빠진다.

 

[서술형 대비] But our attempts to illuminate=설명하다 things this way only make them cloudier.

하지만 이런 식으로 무언가를 설명하려는 우리의 시도는 그것들을 더 흐리게 만들 뿐이다.

 

Correlations exist; we can show them mathematically.

상관관계는 존재하며 우리는 그것들을 수학적으로 보여 줄 수 있다.

 

We can’t easily do the same for causal links.

So we would do well to [빈칸 문제] hold off from trying to explain the reason behind the correlations.

우리는 인과 관계에 대해서는 쉽게 똑같이 할 수 없다.

따라서 우리는 상관관계의 배후에 있는 이유를 설명하려 하지 않는 것이 좋다.

 

 

상관관계를 수학적으로 측정할 수 있지만, 인과관계에 대한 완벽한 이해는 어려운 문제라는 결론을 내립니다.
따라서 상관관계를 설명하려는 시도는 종종 오히려 불분명함을 증가시킬 수 있다고 경고하고 있습니다.