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
- 다중공선성에 문제가 없더라도 독립변수 간 영향도 차이에 따라 회귀분석 결과가 다르게 나타날 수 있으므로 편상관분석(partial correlation)을 실시하여 결과에 대한 신뢰성과 타당성을 입증하고자 하였다.
- 따라서 본 연구에서는 사람과 같이 직접적인 행위가 이루어지며 연결 및 형성되는 이용자 중심 네트워크가 아닌 직접적인 행위가 이루어지지 않는 콘텐츠 중심의 네트워크를 사용하여 조회 수와의 직접적인 인과관계에 대해 연구하고자 한다.
- 네트워크 요인(연결정도 중심성, 매개중심성,근접 중심성, 고유벡터 중심성, 클러스터링 계수) 등이 조회 수에 정(+)의 영향을 미치는지 검증한다. 또한 어떤 요인들이 더 영향을 주는지 검증한다.
- 이에 대한 검증을 실시한다. 또한 어떤 요인들이 더 영향을 크게 주는지 검증한다.
- 그리고 콘텐츠들의 구조적인 측면과 조회 수와의 관계를 알아보기 위하여 추가한 네트워크 요인은 연결정도 중심성, 매개 중심성, 근접 중심성, 고유벡터 중심성, 클러스터링 계수로 구성된다. 본 모형을 통해 일반 요인의 영향정도와 네트워크 구조요인의 영향정도를 파악하고 전체적으로 영향정도의 차이를 통합 분석하고자 한다.
- 하지만 이러한 오픈 콘텐츠 서비스 형태가 구조적인 측면에서 조회수에 긍정적인 영향뿐만 아니라 부정적 영향도 줄 수 있을 것이다. 본 연구는 커다란 인기를 가지고 있는 유튜브 콘텐츠의 효과적인 활용을 위해서 무엇이 필요한지에 대한 고민 속에서 진행되었다.
- 본 연구를 통하여 유튜브 콘텐츠 확산에 대한 일반적인 영향요인과 구조적인 현상을 통합적으로 규명하였다. 사회적인 측면에서는 음반산업의 수요예측이나 콘텐츠 제작 업체들의 원활한 서비스 제공을 위한 설명력있는 영향요인 및 모델을 제시할 수 있을 것이다.
- 본 연구에서는 일반적인 요인과 네트워크 요인이 콘텐츠의 확산을 나타내는 조회 수에 어떠한 영향을 미치는지 알아보고 실증적인 검증을 하고자 하였으며 연구문제는 다음과 같다.
- 편상관분석은 일반상관분석과는 다르게 다른 요인들의 영향력을 배제한 상태에서 측정된다. 이러한 상관분석을 통하여 다른 요인의 영향력을 포함하지 않았을 때 독립변수와 종속변수 간에 상관관계가 그 다음에 이루어질 회귀분석과 동일한 결과가 나오는지 확인하여 본 논문의 결과에 대한 신뢰성과 타당성을 보강한다. 편상관분석 결과, 대부분의 요인들은 조회 수와 정(+)의 관계를 갖는 것으로 나타났다.
- 일반적인 요인(조회 수, 댓글 수, 등록자의 구독자 수, 경과시간)과 네트워크 요인(연결정도 중심성, 매개중심성, 근접 중심성, 고유벡터 중심성, 클러스터링 계수)의 통합 모형에서 조회수에 영향이 어떻게 다르게 나타나는지 검증한다. 이를 통해서 어떤 요인들이 더 큰 영향을 주는 요인인지 검증한다.
- 이에 본 연구에서는 유튜브(Youtube) 콘텐츠의 실질적인 확산을 나타내는 지표로 사람들이 콘텐츠를 본 양적 데이터인 조회 수로 정의하고 이에 대한 영향요인분석을 일반적 요인과 네트워크의 구조적 요인을 함께 고려하여 분석하는 통합 모델을 제시하고자 한다. 이를 위해 기존에 연구된 일반요인들과 이용자 참여 등을 통해 형성되는 콘텐츠의 댓글기반 네트워크를 이용하여 콘텐츠들 간의 구조적인 측면이 콘텐츠 확산에 어떠한 영향을 주는지 분석하고 규명하고자 한다.
제안 방법
- 이 기능을 통하여 동일 댓글자기반 콘텐츠 네트워크 데이터를 Edge List형태로 수집하였으며 조회 수, 댓글 수 등과 같은 일반 데이터도 같이 수집하였다. 그리고 2차 데이터 수집은 등록자의 구독자 수, 좋아요, 싫어요와 같이 부족한 메타데이터를 보완하기 위하여 실시하였으며 프로그래밍 언어인 Python을 사용하여 자체적으로 제작하였다.
- 또한 콘텐츠 등록 후 경과 시간을 기준으로 각 요인들의 변화를 그래프로 확인하였을 때 조회 수와는 반대로 낮아지는 것으로 나타났다. 그리고 추가적으로 해당 콘텐츠를 즐겨찾기에 추가하거나 댓글을 다는 행위로 유사 동영상들의 방향성 네트워크를 구성하고 네트워크 요인인 내향중심성과 조회 수와의 관계를 연구하였다. 가장 상위권에 속해있는 콘텐츠들은 많은 네트워크를 구성하고 있는 것으로 나타났으나 조회 수와 상관관계가 강하지 않은 것으로 나타났다.
- 기존 연구를 토대로 유튜브 조회 수 및 확산에 영향을 미치는 대표적인 일반요인은 [Table 2]과 같이 4개로 댓글 수(Comments), 등록자의 구독자 수(Uploader Followers), 평점(Avg Rating),콘텐츠 경과시간(Video age)으로 정의하였다. 댓글 수(Comments)는 이용자들의 참여나 공감정도로 해석될 수 있다.
- 네트워크 요인(연결정도 중심성, 매개중심성,근접 중심성, 고유벡터 중심성, 클러스터링 계수) 등이 조회 수에 정(+)의 영향을 미치는지 검증한다. 또한 어떤 요인들이 더 영향을 주는지 검증한다.
- 데이터 분석은 ‘잔차분석’, ‘다중공선성 진단’, ‘회귀분석’ 순으로 실시하여 시사점을 도출하는 단계로 진행되었다.
- 데이터 분석은 ‘잔차분석’, ‘다중공선성 진단’,‘회귀분석’ 순으로 실시하여 시사점을 도출하는 단계로 진행되었다.
- 따라서 본 연구에서는 1차적으로 유튜브 검색엔진과 키워드를 이용하고 2차적으로 [Figure 2]과 같이 동일 댓글자를 기반으로 한 무방향 네트워크를 구축하였다.
- 하지만 이렇게 단순히 검색엔진만을 이용한 콘텐츠 네트워크는 많은 한계점을 가지며 네트워크 구조를 세밀하게 형성 및 구조화하기 힘들다는 단점이 있다. 따라서 본 연구에서는 콘텐츠 간 네트워크 구축 시 동일 댓글자 등 추가적인 방안을 통해 보다 세밀한 네트워크 구축을 진행하였다.
- 본 연구에 사용된 조회 수 등과 같은 데이터의 경우 특성 상 편차가 심하여 독립변수와 종속변수에 모두 log변환을 실시하였다. 따라서 정규성에 대해서 히스토그램과 Q-Q도표로 정규성을 나타내는지 재확인하였다. 인기도의 차이가 심한 유튜브의 특성 상 원래 데이터의 경우는 정규성을 만족하지 않았지만 log변환을 통한 데이터의 경우 아래 [Figure 3]과 같이 정규성을 만족하였다.
- 잔차분석은 히스토그램과 Q-Q도표를 통하여 정규성에 대해서 확인하였으며 다중공선성 진단은 상관분석과 VIF분석을 통하여 검증하였다. 또한 독립변수와 종속변수 간에 편상관분석을 통하여 회귀분석 결과에 대한 신뢰성 및 타당성을 확보한다. 회귀분석의 경우 전체 모집단에 대한 분석을 먼저 실시하고 확산속도 차이에 따라 인기 콘텐츠와 비인기 콘텐츠로 대상을 구분하여 추가적인 분석을 진행하였다.
- 이를 개선하기 위하여 자체적으로 제작한 프로그램으로 2차 데이터 수집 시에 조회 수를 추가하여 재수집하였다. 또한 편차 및 오차를 최소화시키기 위하여 콘텐츠 주제어별로 1차 데이터 수집과 동시에 2차 데이터 수집을 실시하였다. 최종적으로 연구데이터는 총 21,307개의 콘텐츠에 대한 일반 데이터와 네트워크 데이터로 수집되었다.
- 본 연구에 사용된 조회 수 등과 같은 데이터의 경우 특성 상 편차가 심하여 독립변수와 종속변수에 모두 log변환을 실시하였다. 따라서 정규성에 대해서 히스토그램과 Q-Q도표로 정규성을 나타내는지 재확인하였다.
- 위의 연구 문제를 검증하기 위하여 본 연구의연구모형은 [Figure 1]와 같이 크게 ‘일반 요인’과 ‘네트워크 요인'으로 구성하여 조회수에 미치는 영향을 연구하였다.
- 하지만 일부의 인기있는 콘텐츠에 한하여 실시간으로 빠르게 변하는 조회 수와 같은 데이터는 약간의 편차가 생기기 시작했다. 이를 개선하기 위하여 자체적으로 제작한 프로그램으로 2차 데이터 수집 시에 조회 수를 추가하여 재수집하였다. 또한 편차 및 오차를 최소화시키기 위하여 콘텐츠 주제어별로 1차 데이터 수집과 동시에 2차 데이터 수집을 실시하였다.
- 이에 본 연구에서는 유튜브(Youtube) 콘텐츠의 실질적인 확산을 나타내는 지표로 사람들이 콘텐츠를 본 양적 데이터인 조회 수로 정의하고 이에 대한 영향요인분석을 일반적 요인과 네트워크의 구조적 요인을 함께 고려하여 분석하는 통합 모델을 제시하고자 한다. 이를 위해 기존에 연구된 일반요인들과 이용자 참여 등을 통해 형성되는 콘텐츠의 댓글기반 네트워크를 이용하여 콘텐츠들 간의 구조적인 측면이 콘텐츠 확산에 어떠한 영향을 주는지 분석하고 규명하고자 한다.
- 위의 연구 문제를 검증하기 위하여 본 연구의연구모형은 [Figure 1]와 같이 크게 ‘일반 요인’과 ‘네트워크 요인'으로 구성하여 조회수에 미치는 영향을 연구하였다. 일반 요인은 기존 연구에서 연구되었던 콘텐츠에 대한 댓글 수, 등록자의 구독자 수, 평점, 경과시간으로 구성되어 조회 수와의 인과관계를 검증한다. 그리고 콘텐츠들의 구조적인 측면과 조회 수와의 관계를 알아보기 위하여 추가한 네트워크 요인은 연결정도 중심성, 매개 중심성, 근접 중심성, 고유벡터 중심성, 클러스터링 계수로 구성된다.
- 일반적인 요인(조회 수, 댓글 수, 등록자의 구독자 수, 경과시간)과 네트워크 요인(연결정도 중심성, 매개중심성, 근접 중심성, 고유벡터 중심성, 클러스터링 계수)의 통합 모형에서 조회수에 영향이 어떻게 다르게 나타나는지 검증한다. 이를 통해서 어떤 요인들이 더 큰 영향을 주는 요인인지 검증한다.
- Yoganarasimhan(2012)의 경우는 일반적인 요인과 네트워크 요인이 조회 수에 미치는 영향을 시점별로 분석하였다. 일반적인 요인으로 댓글 수, 좋아요, 평균평점, 즐겨찾기 등록 수, 콘텐츠 명성으로 정의하고 친구와 구독자 네트워크를 구성하고 연결정도와 매개중심성 그리고 클러스터링 계수를 추가하여 연구를 진행하였다. 콘텐츠를 등록한 시점이 이른 경우 댓글 수와 즐겨찾기 등록 수는 조회 수에 영향력을 미치는 것으로 나타났지만 평균평점과 콘텐츠의 명성은 어느 시점에서도 영향을 미치지 않았다.
- 추가적으로 조회 수와 네트워크 구조와의 관계를 살펴보기 위하여 [Table 3]과 같이 선행연구에서 언급된 5개의 네트워크 요인인 연결정도 중심성, 매개 중심성, 근접 중심성, 고유벡터 중심성, 클러스터링 계수를 사용하였다. 본 연구의 특성 상 무방향 네트워크를 사용하므로 연결정도 중심성의 내향연결정도(in-degree)와 외향연결정도(out-degree)는 산출하지 못하여 단순 연결정도 중심성만 사용하였다.
- 기존의 연구는 일반적인 요인과 네트워크구조요인을 별개로 영향요인을 분석하였다. 하지만 본 논문에서는 일반요인과 네트워크 구조 요인을 통합하여 조회수의 영향요인을 분석하였다. 또한, 네트워크 구조를 사람중심의 네트워크가 아니라 댓글기반으로 유투브상의 21,307개의 실질적인 콘텐츠 중심의 네트워크를 구성하여 분석하였다.
- (2010)의 경우 댓글 수 등과 같이 일반적인 요인과 조회 수와의 상관관계에 대해 연구하였다. 해당 콘텐츠를 즐겨찾기에 추가하거나 댓글을 다는 행위로 관련 동영상들의 방향성 네트워크를 구축하여 조회 수와의 관계를 연구하였다. 하지만 상관분석을 통한 결과는 간접적이며 명확한 결과를 도출하지 못하였다.
- 또한 독립변수와 종속변수 간에 편상관분석을 통하여 회귀분석 결과에 대한 신뢰성 및 타당성을 확보한다. 회귀분석의 경우 전체 모집단에 대한 분석을 먼저 실시하고 확산속도 차이에 따라 인기 콘텐츠와 비인기 콘텐츠로 대상을 구분하여 추가적인 분석을 진행하였다. 네트워크 중심성 계산은 NodeXL을 이용하여 계산하였으며 실제 데이터의 특성을 고려하여 분석이 용이한 대표적인 통계 및 빅 데이터분석 도구인 R을 이용하여 분석을 실시하였다.
대상 데이터
- 유튜브의 데이터 수집은 조회 수, 댓글 수 등과 같은 일반적인 데이터와 콘텐츠 중심의 무방향 네트워크 데이터로 구분하여 진행되었다. 그리고 특정 분야 및 카테고리에 대한 편향을 최소화하기 위하여 세부 카테고리별 100개의 동영상으로 제한하여 무작위로 수집하였다. 수집기간은 2013년 11월 27일부터 29일까지 총 3일 동안 진행되었다.
- 세부 카테고리별 1~5위까지의 총 235개 주제어 중에서 중복되는 주제어 17개를 제외하였다. 따라서 최종적인 연구대상은 총 218개의 주제어를 기준으로 한 유튜브 콘텐츠로 확정되었다.
- 하지만 본 논문에서는 일반요인과 네트워크 구조 요인을 통합하여 조회수의 영향요인을 분석하였다. 또한, 네트워크 구조를 사람중심의 네트워크가 아니라 댓글기반으로 유투브상의 21,307개의 실질적인 콘텐츠 중심의 네트워크를 구성하여 분석하였다.
- 구글에서 제공하는 최다 검색어는 크게 6개로 구분되며 세부 카테고리는 총 47개이다. 세부 카테고리별 1~5위까지의 총 235개 주제어 중에서 중복되는 주제어 17개를 제외하였다. 따라서 최종적인 연구대상은 총 218개의 주제어를 기준으로 한 유튜브 콘텐츠로 확정되었다.
- 그리고 특정 분야 및 카테고리에 대한 편향을 최소화하기 위하여 세부 카테고리별 100개의 동영상으로 제한하여 무작위로 수집하였다. 수집기간은 2013년 11월 27일부터 29일까지 총 3일 동안 진행되었다.
- 실질적인 데이터 수집은 1차적으로 MS Excel 기반 소셜 네트워크 분석 툴 NodeXL에 포함된 네트워크 데이터 수집 기능을 이용하였다. 이 기능을 통하여 동일 댓글자기반 콘텐츠 네트워크 데이터를 Edge List형태로 수집하였으며 조회 수, 댓글 수 등과 같은 일반 데이터도 같이 수집하였다.
- 유튜브의 데이터 수집은 조회 수, 댓글 수 등과 같은 일반적인 데이터와 콘텐츠 중심의 무방향 네트워크 데이터로 구분하여 진행되었다. 그리고 특정 분야 및 카테고리에 대한 편향을 최소화하기 위하여 세부 카테고리별 100개의 동영상으로 제한하여 무작위로 수집하였다.
- 실질적인 데이터 수집은 1차적으로 MS Excel 기반 소셜 네트워크 분석 툴 NodeXL에 포함된 네트워크 데이터 수집 기능을 이용하였다. 이 기능을 통하여 동일 댓글자기반 콘텐츠 네트워크 데이터를 Edge List형태로 수집하였으며 조회 수, 댓글 수 등과 같은 일반 데이터도 같이 수집하였다. 그리고 2차 데이터 수집은 등록자의 구독자 수, 좋아요, 싫어요와 같이 부족한 메타데이터를 보완하기 위하여 실시하였으며 프로그래밍 언어인 Python을 사용하여 자체적으로 제작하였다.
- 또한 편차 및 오차를 최소화시키기 위하여 콘텐츠 주제어별로 1차 데이터 수집과 동시에 2차 데이터 수집을 실시하였다. 최종적으로 연구데이터는 총 21,307개의 콘텐츠에 대한 일반 데이터와 네트워크 데이터로 수집되었다.
- 또한 일반화 가능성을 높이기 위하여 다양한 분야에서 균일하게 수집하여야 했다. 해당 조건을 만족하기 위하여 [Table 4]과 같이 구글의 카테고리별 최다 검색 주제어(2013년 10월 기준)를 키워드로 유튜브 콘텐츠를 수집하였다.
데이터처리
- 회귀분석의 경우 전체 모집단에 대한 분석을 먼저 실시하고 확산속도 차이에 따라 인기 콘텐츠와 비인기 콘텐츠로 대상을 구분하여 추가적인 분석을 진행하였다. 네트워크 중심성 계산은 NodeXL을 이용하여 계산하였으며 실제 데이터의 특성을 고려하여 분석이 용이한 대표적인 통계 및 빅 데이터분석 도구인 R을 이용하여 분석을 실시하였다.
- 데이터 분석은 ‘잔차분석’, ‘다중공선성 진단’, ‘회귀분석’ 순으로 실시하여 시사점을 도출하는 단계로 진행되었다. 잔차분석은 히스토그램과 Q-Q도표를 통하여 정규성에 대해서 확인하였으며 다중공선성 진단은 상관분석과 VIF분석을 통하여 검증하였다. 또한 독립변수와 종속변수 간에 편상관분석을 통하여 회귀분석 결과에 대한 신뢰성 및 타당성을 확보한다.
성능/효과
- 그리고 추가적으로 해당 콘텐츠를 즐겨찾기에 추가하거나 댓글을 다는 행위로 유사 동영상들의 방향성 네트워크를 구성하고 네트워크 요인인 내향중심성과 조회 수와의 관계를 연구하였다. 가장 상위권에 속해있는 콘텐츠들은 많은 네트워크를 구성하고 있는 것으로 나타났으나 조회 수와 상관관계가 강하지 않은 것으로 나타났다.
- 일반적인 요인으로는 콘텐츠의 평균평점, 경과시간, 다른 매체로의 링크 수로 정의하였고 네트워크 요인의 경우 구독자와 친구 네트워크를 구분한 연결정도 중심성을 사용하였다. 그 결과 콘텐츠의 경과시간을 고려하지 않고 전체적으로 봤을 때 평균평점과 링크 수 그리고 구독자 네트워크는 조회 수에 긍정적인 영향을 미치는 것으로 나타났다. 하지만 경과시간이나 친구 네트워크는 부정적인 영향을 미치는 것으로 나타났다.
- 즉, 콘텐츠 등록자의 정기 구독자 수 또는 시간에 경과에 따른 인지도 등이 조회수에 가장 큰 영향을 미치는 것으로 분석되었다. 그리고 댓글 수도 조회 수에 긍정적인 영향을 미치나 평점은 상대적으로 적은 영향을 미치는 것으로 분석되었다.
- 콘텐츠를 등록한 시점이 이른 경우 댓글 수와 즐겨찾기 등록 수는 조회 수에 영향력을 미치는 것으로 나타났지만 평균평점과 콘텐츠의 명성은 어느 시점에서도 영향을 미치지 않았다. 그리고 콘텐츠 등록시점이 이른 경우 연결정도가 영향을 미치며 그 후에는 친구간의 네트워크나 매개중심성 그리고 클러스터링 계수 등이 영향을 미치는 것으로 분석되었다.
- 네트워크 요인들의 경우도 영향력을 나타내는 고유벡터 중심성이 뚜렷하게 나타나지는 않았지만 모든 요인들이 유의한 것으로 나타났다. 연결정도 중심성과 고유벡터 중심성의 경우 앞서 실시한 편상관분석과 동일하게 조회 수에 부(-)의 영향을 미치는 것으로 나타났다.
- (2010)는 유튜브의 조회 수에 대한 일반적인 영향요인으로 댓글 수, 즐겨찾기 등록 수, 좋아요, 평균평점으로 정의 후에 상관관계를 분석하였다. 댓글 수, 즐겨찾기 등록 수, 좋아요는 조회 수와 높은 상관관계를 가지는 것으로 나타났으나 평균평점의 경우는 약한 상관관계를 나타내었다. 또한 콘텐츠 등록 후 경과 시간을 기준으로 각 요인들의 변화를 그래프로 확인하였을 때 조회 수와는 반대로 낮아지는 것으로 나타났다.
- 둘째, 네트워크 요인들중 매개 중심성과 근접 중심성의 영향력에 주의해야 한다. 특정 콘텐츠를 보고 해당 콘텐츠에 등장하는 대상이나 유사 콘텐츠에 대한 검색을 유발하는 것으로 분석된다.
- 첫째, 유튜브 검색엔진과 키워드를 통하여 실질적으로 유사한 콘텐츠들을 1차적으로 연결할 수 있다. 둘째, 특정 성향의 사람은 특정 콘텐츠를 이용하게 되므로 동일한 댓글자가 있는 콘텐츠들은 서로 유사할 가능성이 있다.
- 댓글 수, 즐겨찾기 등록 수, 좋아요는 조회 수와 높은 상관관계를 가지는 것으로 나타났으나 평균평점의 경우는 약한 상관관계를 나타내었다. 또한 콘텐츠 등록 후 경과 시간을 기준으로 각 요인들의 변화를 그래프로 확인하였을 때 조회 수와는 반대로 낮아지는 것으로 나타났다. 그리고 추가적으로 해당 콘텐츠를 즐겨찾기에 추가하거나 댓글을 다는 행위로 유사 동영상들의 방향성 네트워크를 구성하고 네트워크 요인인 내향중심성과 조회 수와의 관계를 연구하였다.
- 본 연구를 통해 기존에 알려진 일반적 요인과 네트워크 요인들이 모두 조회수에 영향을 주는 인과관계를 통계적으로 재검증하였으며 통합적으로는 등록자의 구독자 수, 경과시간, 매개 중심성, 댓글 수, 근접 중심성, 클러스터링 계수, 평균 평점 순으로 조회 수에 긍정적인 영향을 미치는 것으로 분석되었다. 하지만 네트워크 요인중 연결정도 중심성과 고유벡터 중심성은 부정적 영향을 주는 것으로 분석되었다.
- 이러한 간접적인 네트워크의 구축은 실질적인 콘텐츠 이용 시 사용하는 검색엔진 및 키워드를 이용하거나 이용자들이 콘텐츠를 보고 남기는 정보들의 특정 패턴 등을 통하여 이루어진다. 본 연구와 같이 실질적인 행위가 이루어지지 않는 콘텐츠들의 구조적인 측면에 대한 연구는 콘텐츠를 중심으로 한 무방향 네트워크가 가장 적합함을 알 수 있다.
- 셋째, 하지만 네트워크 요인중 연결정도 중심성과 고유벡터 중심성이 부(-)의 영향을 준다는 점에 유의해야 한다. 즉, 너무 많은 콘텐츠와 연결성을 높일 경우 유사 콘텐츠들이 많이 존재하여 조회 수가 분산될 수 있으므로 주의해야 한다.
- 전체 모집단에 대한 회귀분석 결과 기존에 알려진 일반요인들이 댓글 수, 등록자의 구독자 수,평균 평점, 경과시간 모두 유의하고 조회 수에 정(+)의 영향을 미치는 것으로 나타났다. 영향력은 등록자의 구독자 수가 가장 높게 나타났으며 그 뒤로 경과시간, 댓글 수, 평균 평점 순으로 나타났다. 즉, 콘텐츠 등록자의 정기 구독자 수 또는 시간에 경과에 따른 인지도 등이 조회수에 가장 큰 영향을 미치는 것으로 분석되었다.
- 이와 같이 회귀분석 결과 전체적으로는 등록자의 구독자 수, 경과시간, 매개 중심성, 댓글 수,근접 중심성, 클러스터링 계수, 평균 평점 순으로 대부분의 요인들이 조회 수에 긍정적인 영향을 미치지만 연결정도 중심성과 고유벡터 중심성은 부정적 영향을 주는 것으로 분석되었다.
- 전체 모집단에 대한 회귀분석 결과 기존에 알려진 일반요인들이 댓글 수, 등록자의 구독자 수,평균 평점, 경과시간 모두 유의하고 조회 수에 정(+)의 영향을 미치는 것으로 나타났다. 영향력은 등록자의 구독자 수가 가장 높게 나타났으며 그 뒤로 경과시간, 댓글 수, 평균 평점 순으로 나타났다.
- 근접 중심성이 높은 경우는 매개중심성과 유사하지만 매개역할이 아닌 네트워크 구조적인 거리를 줄여주게 되므로 조회 수가 느는 것으로 분석된다. 즉, 일정한 양의 정보를 얻기 위하여 다수의 콘텐츠를 검색 시 검색빈도를 줄여주는 콘텐츠가 조회 수 확보에 유리한 것으로 분석된다.
- 다른 인기 콘텐츠와의 거리를 줄여주는 것이 필요하다. 즉, 콘텐츠 검색 시 검색빈도를 줄여주고 다수의 콘텐츠와 유사도를 높이는 전략이 조회 수 확보에 유리한 것으로 분석된다. 이것은 클러스터 계수의 영향분석 결과와도 일치하는 것이다.
- 영향력은 등록자의 구독자 수가 가장 높게 나타났으며 그 뒤로 경과시간, 댓글 수, 평균 평점 순으로 나타났다. 즉, 콘텐츠 등록자의 정기 구독자 수 또는 시간에 경과에 따른 인지도 등이 조회수에 가장 큰 영향을 미치는 것으로 분석되었다. 그리고 댓글 수도 조회 수에 긍정적인 영향을 미치나 평점은 상대적으로 적은 영향을 미치는 것으로 분석되었다.
- 이를 통해서 콘텐츠 확산에 활용할 전략적 시사점은 다음과 같다. 첫째, 등록자의 구독자 수,경과시간, 댓글 수, 평균 평점 등 일반요인의 관리 모두 필요하다. 하지만 평점평균은 상대적으로 크게 신경쓰지 않아도 된다.
- 하지만 경과시간이나 친구 네트워크는 부정적인 영향을 미치는 것으로 나타났다. 추가적으로 경과시간을 고려하여 분석하였을 때 콘텐츠 등록 초기의 경우 구독자 네트워크가 더 큰 영향력을 나타내며 시간이 흐름에 따라 친구 네트워크가 상대적으로 더 많은 영향을 나타내는 것으로 분석되었다.
- 본 연구를 통해 기존에 알려진 일반적 요인과 네트워크 요인들이 모두 조회수에 영향을 주는 인과관계를 통계적으로 재검증하였으며 통합적으로는 등록자의 구독자 수, 경과시간, 매개 중심성, 댓글 수, 근접 중심성, 클러스터링 계수, 평균 평점 순으로 조회 수에 긍정적인 영향을 미치는 것으로 분석되었다. 하지만 네트워크 요인중 연결정도 중심성과 고유벡터 중심성은 부정적 영향을 주는 것으로 분석되었다.
후속연구
- 따라서 소셜미디어인 유튜브는 일반적인 콘텐츠 서비스와는 다르게 사용자들의 공유와 참여로 많은 데이터가 축적되어있다고 판단할 수 있다. 또한 이렇게 축적된 데이터들을 활용하여 형성되는 네트워크 구조와 조회 수 간에 관계에 대해 연구할 필요성이 있다.
- 본 연구에서는 콘텐츠 확산에 대한 영향 요인을 파악하는 것이기 때문에 활발하게 확산 및 검색되는 주제어를 모집단으로 선정할 필요가 있었다. 또한 일반화 가능성을 높이기 위하여 다양한 분야에서 균일하게 수집하여야 했다.
- 본 연구의 한계점으로는 키워드를 기반으로 한 동일 댓글자 네트워크로 콘텐츠 구조를 설명하였지만 이러한 네트워크 구축 방식은 간접적인 콘텐츠 네트워크 구조를 볼 수는 있다. 향후 좀 더 다양한 방식의 직접적인 콘텐츠 네트워크 구축방식도 활용할 필요가 있다.
- 이러한 연구는 조회 수와의 관련성이 존재하나 그 관계를 명확하게 규명하지 않았으며 추가적인 연구가 필요했다. 그 후에도 유튜브 조회 수에 영향을 미치는 요인으로 일반적인 요인과 친구 또는 구독자 네트워크와의 관계에 대해서 많은 추가 연구들이 진행되었다.
- 향후 좀 더 다양한 방식의 직접적인 콘텐츠 네트워크 구축방식도 활용할 필요가 있다. 향후 연구주제로는 콘텐츠의 형태나 성격별로 영향요인을 분석하는 등 관련된 다양한 연구가 가능할 것이다.
- 본 연구의 한계점으로는 키워드를 기반으로 한 동일 댓글자 네트워크로 콘텐츠 구조를 설명하였지만 이러한 네트워크 구축 방식은 간접적인 콘텐츠 네트워크 구조를 볼 수는 있다. 향후 좀 더 다양한 방식의 직접적인 콘텐츠 네트워크 구축방식도 활용할 필요가 있다. 향후 연구주제로는 콘텐츠의 형태나 성격별로 영향요인을 분석하는 등 관련된 다양한 연구가 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.