선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구는 위에서 지적한 연구 및 서비스가 가지고 있는 한계점을 극복하기 위한 방안으로, 공간통계분석기법을 이용하여 LBSNS 데이터를 대상으로 정치, 경제, IT 분야에서 이슈가 되고 있는 사안에 대한 발언에 영향력을 가지는 유력자를 공간적으로 탐색, 활용하는 방안을 제시하는 것을 목적으로 한다.
- 본 연구는 LBSNS를 포함하는 다양한 소셜 미디어의 사회문화적 영향력에 대한 막연하고 추상적인 연구의 한계를 극복하고, 나날이 발전하는 소셜 미디어 환경 하에서 새로운 방식으로 등장한 유력자에 대한 연구를 공간 정보의 관점에서 구체화시켰다는 점에서 의의를 가진다.
- 본 연구에서는 공간통계분석기법을 이용하여 LBSNS 데이터를 대상으로 사회문화적으로 이슈가 되고 있는 키워드에 대한 발언에 영향력을 가지는 유력자를 공간적으로 탐색, 활용하는 방안을 제시하고자 하였다. 이를 위해 서울시를 대상으로 한 달 간 168,040건의 LBSNS 데이터를 수집하였으며, 기존의 뉴스 분류 체계를 차용하여 ‘정치’, ‘경제’, ‘IT’를 연구 대상 범주로 설정하고, 데이터 수집 기간 동안 이슈가 되었던 키워 드들을 범주별로 분류하였다.
- Yoo and Kim(2013)의 트위터 검색 네트워크 분석에 대한 연구에서는 트윗 작성자의 팔로어 수와 그 트윗이 리트윗될 때 리트윗하는 사용자들의 팔로어 수의 합을 이용하여 노출도를 산정하고 있으며, 이는 팔로어 유력자의 개념과 리트윗 유력자의 개념을 모두 고려한 것이다. 본 연구에서는 이러한 기존 노출 도에 해당 트윗이 즐겨찾기로 지정된 횟수를 추가적으로 더해줌으로써 영향력 있는 트윗의 노출도를 가중하는 효과와 함께 노출도의 장기적인 영향까지 고려하고자 하였다. 노출도는 식 (1)과 같이 계산할 수 있으며, 0 이상의 정숫값을 가진다.
- 본 장에서는 범주별 키워드에 대한 행정 동별 유력지수를 산출하고, 이들 중 상위 5%에 해당하는 지역들의 공간적인 분포 특성을 탐색해 보고자 하였다. 그 결과, 서울시의 423개 행정동 중에서 정치범주에서 총 50개, 경제범주에서 총 46개, IT범주에서는 총 54개의 행정 동이 각각 유력지역으로 추출되었다.
- 따라서 유력자의 공간적 탐색에 있어 이에 대한 고려가 필요하다고 보았다. 이에 본연구에서는 유력지수(Influential Index, II)라는 개념을 제안하였다. 유력지수란 각 키워드에 대해 행정동별로 산출된 노출도와 해당 노출도의 공간적 의존성의 정도를 가중치로 하여 나타낸 값을 곱하여 구해지는 수치로, 키워드가 2개 이상일 경우 이들의 가중 합이 유력 지수가 된다.
제안 방법
- 각 범주별 키워드에 대해 행정동별 유력지수를 산출하고, 이를 바탕으로 상위 5%의 값을 가지는 유력지역을 추출하여 공간적인 분포 특성을 살펴보았다.
- 결과적으로 정치범주에서 ‘국정원’, ‘민주당’, ‘박근혜’, 경제범주에서 ‘세금’, ‘전월세’, ‘4대강’ IT 분야에서 ‘페이스북’, ‘아이폰’, ‘블로그’를 핫이슈 키워드로 선정하였다(Table 2).
- 또한 유력자 정보의 공간적 탐색 과정으로써 각 키워드에 대한 행정동별 노출도를 산출하고, 이를 바탕으로 노출도의 공간적 의존성을 가중치로 고려한 유력지수의 개념을 도출하여 실험에 적용하였다. 그리고 상위의 유력지수를 보이는 지역을 유력지역으로 추출하여 이들의 공간적인 분포 특성을 분석하였으며, 키워드별로 추출된 유력지역들의 공간 적인 분포 패턴 간의 상관성을 분석하였다.
- 또한 기존의 뉴스 분류 체계를 차용하여 ‘정치’, ‘경제’, ‘IT’를 연구 대상 범주로 설정하고, 데이터 수집 기간 동안 사회적으로 이슈가 되었던 키워드들을 각 범주별로 분류하였다.
- 이를 위해 서울시를 대상으로 한 달 간 168,040건의 LBSNS 데이터를 수집하였으며, 기존의 뉴스 분류 체계를 차용하여 ‘정치’, ‘경제’, ‘IT’를 연구 대상 범주로 설정하고, 데이터 수집 기간 동안 이슈가 되었던 키워 드들을 범주별로 분류하였다. 또한 유력자 정보의 공간적 탐색 과정으로써 각 키워드에 대한 행정동별 노출도를 산출하고, 이를 바탕으로 노출도의 공간적 의존성을 가중치로 고려한 유력지수의 개념을 도출하여 실험에 적용하였다. 그리고 상위의 유력지수를 보이는 지역을 유력지역으로 추출하여 이들의 공간적인 분포 특성을 분석하였으며, 키워드별로 추출된 유력지역들의 공간 적인 분포 패턴 간의 상관성을 분석하였다.
- 범주별 키워드에 대해 추출한 유력지역들의 공간적 분포 패턴을 대상으로 공간 상관성 분석을 실시하였다. 그 결과, 동일 범주 내의 키워드 간 공간적 상관계수는 모두 0.
- 둘째, 유력자 파악에 있어 행정동별로 산출된 노출도의 공간적 의존성(spatial dependence)을 가중치로 고려하기 위해 Local Moran’s I를 이용하여 유력지수(influential index)를 도출하였다. 셋째, 상위의 유력지수를 보이는 지역을 유력지역(influential area)으로 추출하여 이들의 공간적인 분포 특성을 분석하였다. 넷째, Spatial Lag Pearson’s r을 이용하여 키워드별로 다양하게 추출된 유력지역들의 공간적인 분포 패턴 간의 상관성(correlation)을 분석하였다(Fig.
- 이를 위해 서울시를 대상으로 한 달 간 168,040건의 LBSNS 데이터를 수집하였으며, 기존의 뉴스 분류 체계를 차용하여 ‘정치’, ‘경제’, ‘IT’를 연구 대상 범주로 설정하고, 데이터 수집 기간 동안 이슈가 되었던 키워 드들을 범주별로 분류하였다.
- 유력자 정보의 공간적 탐색 과정은 크게 4단계로 구성되며 내용은 다음과 같다. 첫째, 특정 키워드에 대한 유력자를 파악하기 위한 노출도(exposure index)를 도출하고, 이에 대해 서울시 행정동을 기준으로 공간결합(spatial join)연산을 실시함으로써 각 키워드에 대한 행정동별 노출도를 산출하였다. 둘째, 유력자 파악에 있어 행정동별로 산출된 노출도의 공간적 의존성(spatial dependence)을 가중치로 고려하기 위해 Local Moran’s I를 이용하여 유력지수(influential index)를 도출하였다.
- 특정 키워드를 포함하는 발언에 대한 유력자의 공간적 분포를 파악하기 위해 노출도가 부여된 트윗을 서울시의 423개 행정동에 대해 공간결합연산을 실시하였다. 이때 하나의 행정동에 여러 개의 트윗이 포함되는 경우, 해당되는 노출도 간의 단순 합을 통해 이를 속성으로 부여하였다.
대상 데이터
- 기존 언론사들이 뉴스 게재 시 사용하고 있는 보편적인 분류 체계를 참고로 하여, 그중에서 ‘정치’, ‘경제’, ‘IT’를 실험 대상 범주로 설정하였다. 그리고 국내 주요 포털사 중 네이버와 네이트에서 순위별로 제공하는 뉴스 기사를 기준으로 데이터 수집 기간 동안 이슈가 되었던 키워드들을 범주별로 각각 10개 이상씩 추출하였다. 그리고 이를 수집한 데이터에 대입하여 추출된 키워드를 포함하는 트윗의 개수가 30개 이상인 것만을 추려내었다.
- 그리고 국내 주요 포털사 중 네이버와 네이트에서 순위별로 제공하는 뉴스 기사를 기준으로 데이터 수집 기간 동안 이슈가 되었던 키워드들을 범주별로 각각 10개 이상씩 추출하였다. 그리고 이를 수집한 데이터에 대입하여 추출된 키워드를 포함하는 트윗의 개수가 30개 이상인 것만을 추려내었다. 결과적으로 정치범주에서 ‘국정원’, ‘민주당’, ‘박근혜’, 경제범주에서 ‘세금’, ‘전월세’, ‘4대강’ IT 분야에서 ‘페이스북’, ‘아이폰’, ‘블로그’를 핫이슈 키워드로 선정하였다(Table 2).
- 기존 언론사들이 뉴스 게재 시 사용하고 있는 보편적인 분류 체계를 참고로 하여, 그중에서 ‘정치’, ‘경제’, ‘IT’를 실험 대상 범주로 설정하였다.
- 본 연구의 대상이 되는 공간적 범위는 서울특별시 전역으로, 분석 단위는 서울시의 423개 행정동이며, 시간적 범위는 2013년 8월 5일부터 9월 5일까지이다. 현재 상용되고 있는 다양한 LBSNS 중 트위터(Twitter)4)를 분석 대상 데이터로 사용하였으며, 해당 기간 동안 총 168,040건의 지오태깅된 트위터 메시지(tweet, 트윗5))를 수집하였다.
-
1.1 지오태깅된 트윗
트위터에서 제공하는 OpenAPI(Open Application Programming Interface)를 이용하여 서울시 전역을 대상으로 2013년 8월 5일부터 9월 5일까지 한 달 동안 168,040건의 지오태깅된 트위터 메시지를 수집하였으며, 분석 단위는 서울시의 423개 행정동으로 설정하였다
. OpenAPI에서 제공하고 있는 속성 정보 중 본 연구 에서 사용한 필드는 id, contributors, created_at, text, coordinates, favorite_count, retweet_count, followers_ count이다(Table 1). - 본 연구의 대상이 되는 공간적 범위는 서울특별시 전역으로, 분석 단위는 서울시의 423개 행정동이며, 시간적 범위는 2013년 8월 5일부터 9월 5일까지이다. 현재 상용되고 있는 다양한 LBSNS 중 트위터(Twitter)4)를 분석 대상 데이터로 사용하였으며, 해당 기간 동안 총 168,040건의 지오태깅된 트위터 메시지(tweet, 트윗5))를 수집하였다. 또한 기존의 뉴스 분류 체계를 차용하여 ‘정치’, ‘경제’, ‘IT’를 연구 대상 범주로 설정하고, 데이터 수집 기간 동안 사회적으로 이슈가 되었던 키워드들을 각 범주별로 분류하였다.
데이터처리
- 넷째, Spatial Lag Pearson’s r을 이용하여 키워드별로 다양하게 추출된 유력지역들의 공간적인 분포 패턴 간의 상관성(correlation)을 분석하였다(Fig. 1).
- 둘째, 유력자 파악에 있어 행정동별로 산출된 노출도의 공간적 의존성(spatial dependence)을 가중치로 고려하기 위해 Local Moran’s I를 이용하여 유력지수(influential index)를 도출하였다.
이론/모형
- 이때 노출도의 공간적 의존성을 고려하기 위해 국지적 공간 의존성 지수 중 하나인 Local Moran’s I를 사용하였다.
- 이를 위해 이변량 공간 상관성 측도인 Spatial Lag Pearson’s r을 이용하였으며, 각 키워드에 대한 유력지수 값을 변량으로 활용하여 식 (5)와 같이 공간적 상관 계수(Spatial Correlation Coefficient, SCC)를 구할 수있다.
성능/효과
- 이때 하나의 행정동에 여러 개의 트윗이 포함되는 경우, 해당되는 노출도 간의 단순 합을 통해 이를 속성으로 부여하였다. 결과적으로 노출도의 값이 높게 산출된 지역은 해당 키워드에 대한 발언에 영향력을 가지는 유력자가 다수 분포하고 있음을 의미한다.
- 경제범주의 두 번째 키워드인 ‘전월세’의 경우 ‘세금’과 마찬가지로 서초구 서초3동의 유력지수가 가장 높게 나타났으며 공간적으로 살펴본 결과, 영등포구에 해당하는 여의동, 영등포동, 당산2동이 높은 유력지수를 보이면서 지리적으로 서로 인접하고 있는 것을 확인할 수 있었다.
- 경제범주의 세 번째 키워드인 ‘4대강’에 대한 유력지역은 마포구 합정동인 것으로 나타났다.
- 경제범주의 첫 번째 키워드인 ‘세금’에 대한 유력지역을 추출한 결과, 가장 영향력 있는 지역은 서초구 서초3동인 것으로 나타났다.
- 범주별 키워드에 대해 추출한 유력지역들의 공간적 분포 패턴을 대상으로 공간 상관성 분석을 실시하였다. 그 결과, 동일 범주 내의 키워드 간 공간적 상관계수는 모두 0.3 이상의 값을 가지므로 범주 내에서는 키워드 간의 공간적인 분포 패턴이 유사하다는 결론을 내릴 수있다. 특히 정치 및 경제범주에서 대체적으로 공간적 상관계수가 높게 나왔는데, 그중에서도 경제범주의 키워드 ‘세금’과 ‘4대강’의 상관계수가 0.
- 본 장에서는 범주별 키워드에 대한 행정 동별 유력지수를 산출하고, 이들 중 상위 5%에 해당하는 지역들의 공간적인 분포 특성을 탐색해 보고자 하였다. 그 결과, 서울시의 423개 행정동 중에서 정치범주에서 총 50개, 경제범주에서 총 46개, IT범주에서는 총 54개의 행정 동이 각각 유력지역으로 추출되었다. 또한 각 범주별로 세 개의 키워드를 중첩 분석하여 교차되는 지역을 탐색한 결과, 정치범주는 3개 지역, 경제범주는 4개 지역, IT범주는 0개 지역이 도출되었다.
- 그 결과, 서울시의 423개 행정동 중에서 정치범주에서 총 50개, 경제범주에서 총 46개, IT범주에서는 총 54개의 행정 동이 각각 유력지역으로 추출되었다. 또한 각 범주별로 세 개의 키워드를 중첩 분석하여 교차되는 지역을 탐색한 결과, 정치범주는 3개 지역, 경제범주는 4개 지역, IT범주는 0개 지역이 도출되었다. 따라서 범주별 키워드에 대한 공간적 분포 패턴은 경제범주가 가장 유사하고, IT범주가 가장 상이하다는 것을 짐작해 볼 수 있다.
- 이에 대한 공간적 분포를 살펴보면, 유력지역은 주로 한강 이남 지역에 분포하고 있으며, 그중에서도 강남구에 속하는 행정동(대치2동, 개포1동, 개포2동, 압구정동)이 4개로 가장 많았다. 또한 강남구에 속하면서 상위 유력지수 값을 가지는 지역들과 인접하고 있는 성동구 성수1가1 동과 서초구 내곡동 및 양재2동의 유력지수 역시 높게 나타났다(Table 4, Fig. 3(a)).
- 먼저, 정치범주 키워드 중 ‘국정원’에 대해 유력지수가 가장 높은 지역, 즉 가장 영향력 있는 지역을 추출한 결과, 중구 명동이 가장 높은 값을 보였다.
- 4274 로, 다른 범주의 키워드 간 상관계수 중 가장 높은 수치를 보였다. 반면, 정치범주와 IT범주의 키워드 간 상관 계수는 평균 0.18, 경제범주와 IT범주의 키워드 간 상관도 지수는 평균 0.15로, 이들 범주 간 키워드들은 대체적으로 낮은 공간적 상관성을 갖는다는 것을 알 수있다. 특히 정치범주의 ‘민주당’과 IT범주의 ‘블로그’ 간의 상관계수는 0.
- 위의 값을 공간적으로 살펴본 결과, 키워드 ‘페이스북’에 대해 높은 유력지수를 보이는 행정동들이 마포구(용강동, 서교동, 서강동, 상암동, 성산2동) 및 송파구 (오륜동, 오금동, 삼전동, 문정1동) 지역에 주로 밀집되어 분포하고 있는 것을 알 수 있었으며, 앞서 분석한 정치 및 경제범주에 속하는 키워드들과는 다소 상이한 분포 패턴을 보이고 있음을 확인할 수 있었다(Table 10, Fig. 3(g)).
- 경제범주의 세 번째 키워드인 ‘4대강’에 대한 유력지역은 마포구 합정동인 것으로 나타났다. 위의 내용에 대한 공간적인 분포를 살펴본 결과, 강남구(압구정동, 청담동)와 성동구(성수1가1동, 옥수동) 지역에 유력 행정동이 지리적으로 인접하며 집중적으로 분포하고 있었고, 서초구(서초3동, 서초4동, 방배4동) 역시 3개의 행정동이 서로 인접한 상태로 밀집 분포하고 있었다 (Table 9, Fig. 3(f)).
- 위의 내용을 공간적으로 살펴본 결과, 키워드 ‘아이폰’에 대한 유력자는 서울의 도심지에 해당하는 중구(명동, 소공동) 및 종로구(종로1·2·3·4가동, 사직동)와 강남구(압구정동, 신사동, 논현 1동, 삼성 1동, 대치4동) 지역에 주로 분포하고 있는 것을 확인할 수 있었다(Table 11, Fig. 3(h)).
- IT범주의 세 번째 키워드인 ‘블로그’의 유력지역은 서대문구 신촌동인 것으로 나타났다. 이를 공간적 분포를 통해 살펴 본 결과, 지리적으로 인접 관계에 위치한 서대문구 연희동 및 신촌동과 마포구 연남동 지역의 유력지수가 높게 나타났으며, 전체적으로는 서울시 전역에 다소 산발적으로 분포하고 있는 것을 확인할 수 있었다(Table 12, Fig. 3(i)).
- 이에 대한 공간적 분포를 보면 서울시의 도심에 해당하는 종로구(숭인1동, 청운효자동, 종로1·2·3·4가동) 및 중구(명동, 소공동, 을 지로동)와 서초구(양재1동, 서초3동, 서초4동) 지역에 높은 값들이 다소 밀집되어 분포하고 있는 것을 확인할수 있었다(Table 6, Fig. 3(c)).
- 정치범주의 두 번째 키워드인 ‘민주당’의 경우 중구 회현동의 유력지수가 가장 높게 나타났으며, 이를 공간적으로 살펴보면, 서울의 경제적 중심지에 해당하는 중구, 용산구, 영등포구에 높은 유력지수를 보이는 행정동이 주로 분포하고 있는 것을 확인할 수 있다.
- 정치범주의 세 번째 키워드인 ‘박근혜’에 대한 유력 지역들을 추출한 결과, 가장 영향력 있는 지역은 서초구 서초3동인 것으로 나타났다.
- 특히 정치 및 경제범주에서 대체적으로 공간적 상관계수가 높게 나왔는데, 그중에서도 경제범주의 키워드 ‘세금’과 ‘4대강’의 상관계수가 0.4671로, 이들의 공간적 분포 패턴의 상관성이 가장 높은 것을 알 수 있다(Table 13).
- 특히, 정치범주의 ‘박근혜’와 경제범주의 ‘세금’의 상관계수가 0.4274 로, 다른 범주의 키워드 간 상관계수 중 가장 높은 수치를 보였다.
- 한편 서로 다른 범주 간의 상관계수를 살펴보면, 정치범주와 경제범주의 키워드 간 상관계수는 평균 약 0.3으로 비교적 높은 상관성을 보였다. 특히, 정치범주의 ‘박근혜’와 경제범주의 ‘세금’의 상관계수가 0.
후속연구
- 특히, 지오태깅된 트윗의 양은 트위터를 통해 생성되는 전체 메시지의 약 1 ~ 2% 정도를 차지하고 있기 때문에 데이터의 절대적인 수치 부족으로 인한 한계를 갖는다. 그러나 이러한 문제점들은 사용자의 위치 이력을 바탕으로 주 활동 지역을 규정하는 연구와 앞으로 LBSNS의 시장 확대로 인한 지속적인 데이터의 증가로 극복할 수 있을 것으로 보인다.
- 그러나 Trendsmap 서비스는 소축척 레벨에서 넓은 지역에 대해서는 파악할 수 있지만 대축척 레벨에서 세부적인 지역에 대해서는 파악하기 어렵다는 단점을 가지고 있다. 또한 지도상에서 키워드에 대한 검색은 가능하지만 이에 대한 결과로서 지도를 기반으로한 키워드 시각화 화면만을 제공할 뿐 정량적이고 수치 적인 분석 기능을 제공하지는 못한다는 한계가 있었다.
- 향후에는 LBSNS상에서 특정 주제에 대한 유력자를 탐지할 때 데이터의 이동성을 고려함으로써 보다 다양한 지수를 개발하는 연구가 필요할 것으로 보인다. 또한 회귀분석을 통해 본 연구에서 도출한 유력지수와 이에 영향을 미치는 세분화된 사회적 요인들에 대한 상관 관계를 파악하고, 이에 대한 회귀모델을 도출함으로써 유력자의 공간적 분포를 예측하는 연구도 추가로 진행 되어야 할 것으로 예상된다.
- 본 연구의 한계점으로는 이동성이 강한 LBSNS의 특성상 사용자의 주 활동 반경을 특정하기 어렵다는 점과 LBSNS 데이터의 부족으로 인해 특정 개인, 또는 기관에 의해 해당 지역이 유력지역으로 추출되는 문제가 발생한다는 것이다. 특히, 지오태깅된 트윗의 양은 트위터를 통해 생성되는 전체 메시지의 약 1 ~ 2% 정도를 차지하고 있기 때문에 데이터의 절대적인 수치 부족으로 인한 한계를 갖는다.
- 향후에는 LBSNS상에서 특정 주제에 대한 유력자를 탐지할 때 데이터의 이동성을 고려함으로써 보다 다양한 지수를 개발하는 연구가 필요할 것으로 보인다. 또한 회귀분석을 통해 본 연구에서 도출한 유력지수와 이에 영향을 미치는 세분화된 사회적 요인들에 대한 상관 관계를 파악하고, 이에 대한 회귀모델을 도출함으로써 유력자의 공간적 분포를 예측하는 연구도 추가로 진행 되어야 할 것으로 예상된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.