[논문]소셜미디어 분석기반 재난안전 감성모델 연구

최선화

doi:10.14346/jkosos.2016.31.6.113

문제 정의

본 논문에서 제시한 재난안전 분야의 감성모델은 국민의 전체적인 감성의 분위기를 정량화하고 이것이 재난안전 사고, 피해 등에 따라 어떻게 변화하는지를 파악하는 데에 목적이 있다. 감성지수의 활용 타당성을 검토하기 위해 국민안전처에서 매월 발표하는 국민안 전체감도 조사결과와 비교해 보았다.
5가지 감성은 부정감성을 세분화한 것으로 재난에 대한 긍정감성을 더 세분화할 필요가 있다. 본 논문에서는 기존 소셜빅보드의 감성 중 긍정감성을 세분화하고 전체적인 국민 감성을 파악하기 위해 러셀의 정서 모델을 참고하여 8개의 대표감성 모델링 방법과 각 감성별 감성지수를 정량화하는 방법을 제시한다. 이를 통해 전반적인 국민 감성을 모니터링하고, 재난 발생 시 국민 정서 변동량을 정량적으로 확인할 수 있을 것이다.
이 시스템을 활용하여 재난관리에 대한 국민적 수요, 행동패턴, 감성 등을 파악하여 재난안전 정책을 지원하고자 한다. 본 논문에서는 소셜빅보드의 감성유형 모델링과 감성지수 정량화 기법을 소개하고자 한다.
본 논문에서는 실시간 소셜미디어 재난 모니터링 시스템인 소셜빅보드의 감성유형 모델링과 감성지수 정량화 기법을 제시하였다.
1과 같이 수집시스템과 분석시스템으로 구분되며, 한국어 처리를 위한 자연어처리 엔진과 텍스트 마이닝 엔진을 기반기술로 구성하고 있다. 이 시스템을 활용하여 재난관리에 대한 국민적 수요, 행동패턴, 감성 등을 파악하여 재난안전 정책을 지원하고자 한다. 본 논문에서는 소셜빅보드의 감성유형 모델링과 감성지수 정량화 기법을 소개하고자 한다.

제안 방법

정서심리학자인 러셀은 인간의 다양한 정서를 두 개의 축인 유쾌․불쾌, 각성․이완 차원에서 배열하였다. 28개의 정서 단어를 사람들에게 제시하여 유사성에 근거하여 평가하도록 한 결과의 통계적 분석을 통해 다양한 정서를 두개의 차원에 배열하는 정서의 2차원 모델을 제시하였다. 본 논문에서는 광범위한 국민감성 파악을 위해 인간의 다양한 감성유형을 모델링한 러셀(James A.
감성모델의 초기 감성유형은 긍정, 주의, 관망의 3가지 감성으로 분석하였다가 재난․사고의 진행 과정 및 정부의 대응에 따른 국민의 감성추이를 세밀하게 파악하기 위하여 부정감성을 세분화하고 분석을 고도화 하였다. 최종적으로는 긍정감성도 3가지로 더 세분화하고, 전체적인 국민 감성을 파악하기 위해 러셀의 정서 모델을 참고하여 8개의 대표감성을 모델링하였으며, 각 감성별 감성지수를 정량화하였다.
본 논문에서 제시한 재난안전 분야의 감성모델은 국민의 전체적인 감성의 분위기를 정량화하고 이것이 재난안전 사고, 피해 등에 따라 어떻게 변화하는지를 파악하는 데에 목적이 있다. 감성지수의 활용 타당성을 검토하기 위해 국민안전처에서 매월 발표하는 국민안 전체감도 조사결과와 비교해 보았다.
논문에서 제안한 감성지수는 두 가지 측면에서 국민 안전체감도 조사결과를 해석하는 데 활용할 수 있다. 첫째, 설문으로 측정하는 안전체감도는 설문형식이나 질문지에 따라 결과가 다를 수 있고 설문에 반영되지 않은 현상에 대한 분석은 불가능 하다.
둘째, 안전체감도 결과 분석 시 8개 감성으로 세분화된 감성지수를 활용하여 보다 상세한 감성변화를 분석할 수 있고 실제 트윗 원문 분석을 통해 해당 감성발현의 근본 원인을 해석할 수 있다. Fig.
소셜빅보드는 트위터 모니터링을 통해 재난안전에 대한 국민의 감성을 언어처리와 텍스트마이닝 과정을 통해 분석한다(Fig. 1). 소셜빅보드의 초기 감성모델은 긍정, 주의, 관망의 3가지 감성유형으로 분류하여 분석하였다.
1). 소셜빅보드의 초기 감성모델은 긍정, 주의, 관망의 3가지 감성유형으로 분류하여 분석하였다. 이는 감성의 가장 일반적인 분류로 다양한 분야에서 쉽게 활용할 수 있는 반면 긍정 또는 부정감성 내에 다양한 감성을 세부적으로 파악하기에는 한계가 있다.
이 연구는 감성분석시 일반적인 문법을 준수하지 않는 축약어 형식의 표현(‘ㅋ’)이나 이모티콘 등 다양한 방식의 감성용어를 활용하여 감성분석의 성능을 개선하였다7).
사이버공간의 감성분석을 위해서는 사이버공간에 특화한 어휘사전 구축이 필요하다는 연구도 있다. 이 연구는 소셜미디어를 통해 유발되는 사회 감성유형을 정의하는데 명확한 기준이 없는 한계를 극복하기 위해 소셜미디어 사용자간의 친밀도에 기준을 두고 감성어휘를 새롭게 정의하였고, 사회적 관계가 반영된 사이버상에 인간의 사회적 감성을 측정하는 기초자료로 활용하였다⁸⁾.
긍정과 부정 두 가지 감성만을 분석했던 기존 서비스와 달리 긍정과 부정의 양극성을 좀 더 세분화하여 17개의 분류를 적용한 감성분석 기술도 있다. 이 연구는 영어권의 감성분류와 한국의 정서분류를 기반으로 소셜미디어에서 나타나는 감성의 양상을 반영할 수 있게 감성유형을 세분화 하였다. 이러한 세부분류 감성분석을 기반으로 특정 키워드에 대한 모니터링을 해보면 긍정과 부정의 전체적인 의견분석 뿐 아니라, 긍정의견 중에서도 ‘감동’, ‘만족’ 등의 세부 감성별로 의견을 분류해 볼 수 있고, 부정의견 중에서도 ‘싫어함’인지 ‘화남’인지에 따라서 이슈가 발생했을 때 대처하는 방향이 달라 질 수 있으므로 보다 정확한 모니터링을 할 수 있는 장점이 있다⁶⁾.
이는 감성의 가장 일반적인 분류로 다양한 분야에서 쉽게 활용할 수 있는 반면 긍정 또는 부정감성 내에 다양한 감성을 세부적으로 파악하기에는 한계가 있다. 이를 개선하기 위하여 재난에 특화된 감성유형 즉, 재난의 발생부터 종료까지 다양한 국민의 감성변화를 세밀하게 파악할 수 있도록 감성유형을 다음과 같이 5개로 세분화하였다. 재난분야는 부정감성이 대부분이다.
이전 5가지 감성유형 분석에 활용한 감성키워드(2,603개)를 재검토하여 8개 감성유형에 따라 다시 분류하고, 추가적인 재난 관련 연관어, 감성키워드를 검토하여 키워드를 정제하였다. 이렇게 구축된 감성어 사전은 754개의 감성 키워드로 구성되었다.
정리하자면 소셜빅보드의 감성모델은 초기 3개 감성에서 불안, 심각, 슬픔, 불만, 긍정의 5개 감성유형을 확장하여 세밀한 감성을 파악할 수 있도록 고도화되었다. 재난관련 트위터 데이터에서 감성 키워드를 추출하여 재난발생 시 발현되는 감성 키워드 유형을 검토하고 일반 감성 표현, 감각 표현, 묘사나 평가 표현, 명사형 어절, 관형형 표현, 부사어 등의 다양한 표현을 감성 사전으로 구축하였다. 또한 재난 상황과 전혀 관련이 없는 감성 표현(‘황홀하다’, ‘세련되다’, ‘빵 터지다’ 등)이나, 중의성이 많은 단일어(‘싫다’, ‘좋다’)는 재난 감성유형에서 제외하였다⁹⁾.
전문가, 일반인, 청소년을 대상으로 전화 또는 온라인 설문을 통해 사회전반에 대해 느끼는 안전체감도를 조사하여 ‘안전하다’, ‘안전하지 않다’, ‘보통’으로 나누어 각각의 응답비율로 안전 체감도를 제시한다.
최종적으로 재난 감성모델은 8개의 대표 감성을 ‘불안(Anxiety)’, ‘유쾌(Pleasant)’, ‘행복(Happiness)’, ‘안도(Relief)’, ‘실망(Disappointment)’, ‘우울(Depression)’, ‘슬픔(Sadness)’, ‘불쾌(Sadness)’로 선정하였다(Fig. 3).
감성모델의 초기 감성유형은 긍정, 주의, 관망의 3가지 감성으로 분석하였다가 재난․사고의 진행 과정 및 정부의 대응에 따른 국민의 감성추이를 세밀하게 파악하기 위하여 부정감성을 세분화하고 분석을 고도화 하였다. 최종적으로는 긍정감성도 3가지로 더 세분화하고, 전체적인 국민 감성을 파악하기 위해 러셀의 정서 모델을 참고하여 8개의 대표감성을 모델링하였으며, 각 감성별 감성지수를 정량화하였다. 이를 통해 전반적인 국민 감성을 모니터링하고 일별 축적된 감성지수를 이용해 감성추이 분석으로 국민감성의 변동을 정량적으로 확인할 수 있다.

대상 데이터

감성도를 정량화하기 위해 2012년부터 2015년 트위터를 대상으로 하였다. 감성도 정량화 과정은 ① 감성 유형별 키워드와 키워드의 동의어, 유의어를 포함한 용어들의 일별 출현빈도를 추출한다.

이론/모형

Primary emotions developed using Russell’s emotion model.
28개의 정서 단어를 사람들에게 제시하여 유사성에 근거하여 평가하도록 한 결과의 통계적 분석을 통해 다양한 정서를 두개의 차원에 배열하는 정서의 2차원 모델을 제시하였다. 본 논문에서는 광범위한 국민감성 파악을 위해 인간의 다양한 감성유형을 모델링한 러셀(James A. Russell)의 정서 모델(Fig. 2)을 참고하였다¹⁰⁾.

성능/효과

이 경우 소셜미디어를 통해 분석한 감성지수를 활용하여 융합적으로 분석한다면 안전체감도 결과의 실마리를 찾을 수 있을 것이다. 실제 재난관련 트윗 발생과 안전체감도 간의 상관이 있음을 확인하였다.
안전체감도 조사결과는 해당 월에 재난 및 사고 발생 여부, 피해상황, 사회정황 등의 자료를 활용해 그 결과를 해석해야 한다. 제안한 감성지수는 재난안전관련 사회전반에 대한 국민 감성을 분석한 과학적 정보로써 사회정황 자료로 안전체감도 해석에 활용될 수 있을 것이며 재난안전에 대한 전반적인 국민감성의 변동을 정량적으로 제시하고 재난이슈 및 사고가 국민감성에 미치는 영향력도 8개 감성으로 세분화하여 제공하고 보다 상세히 감성의 원인을 분석할 수 있어서 재난안전 정책지원이라는 활용목적에 적합하다고 할 수 있다.

후속연구

이를 통해 전반적인 국민 감성을 모니터링하고 일별 축적된 감성지수를 이용해 감성추이 분석으로 국민감성의 변동을 정량적으로 확인할 수 있다. 또한 재난이슈 및 사고가 국민 감성에 미치는 영향력 즉, 사건별 감성지수 비교를 통해 국민감성에 영향을 미치는 사건의 유형을 파악하여 정책적 자료로 활용할 수 있을 것이다.
감성지수는 재난안전관련 사회전반에 대한 국민 감성을 분석한 과학적 정보로써 국민안전처에서 조사·공표하는 안전체감도를 해석하는데 사회 정황정보로 활용될 수 있다. 또한, 재난 발생이후 국민적 수요를 파악하는 정책적 지원 정보로도 활용 가능할 것이다.
위와 같은 방식으로 8개 감성지수는 일 단위로 산출되며 일별 축적된 감성지수는 향후 국민 감성의 변동추이 파악 및 사건별 국민 감성변화의 영향력 등을 파악하는데 활용할 수 있을 것이다. 또한, 초기 모델보다 세분화된 감성유형을 정의함으로써 긍정, 부정의 이원화된 감성파악이 아닌 긍정 중에서도 행복인지 안도인지를 세세하게 파악할 수 있는 면밀한 분석이 가능하게 되었다.
본 논문에서는 기존 소셜빅보드의 감성 중 긍정감성을 세분화하고 전체적인 국민 감성을 파악하기 위해 러셀의 정서 모델을 참고하여 8개의 대표감성 모델링 방법과 각 감성별 감성지수를 정량화하는 방법을 제시한다. 이를 통해 전반적인 국민 감성을 모니터링하고, 재난 발생 시 국민 정서 변동량을 정량적으로 확인할 수 있을 것이다.
향후 재난안전 정책수립 등 광범위 영역을 지원하기 위해서는 축적된 감성분석결과를 활용해 논문에서 제시한 8개 감성모델과 기존에 사용한 3개 ,5개 감성모델 각각의 결과를 재난안전 이벤트 및 통계자료와 비교하여 각 모델의 상대적 비교를 통해 감성모델의 지속적 개선이 필요하며 재난안전분야 활용 목적에 부합되도록 감성어 사전 고도화 및 분류의 선택과 집중이 필요할 것이다.

핵심어	질문	논문에서 추출한 답변
	일반적인 감성분석이란?	감성을 분석한다는 것은 텍스트 내에서 특정한 감정 표현의 의미를 추출하는 텍스트마이닝 기술의 한 영역으로 볼 수 있다3). 일반적으로 감성분석은 어떤 주제 혹은 문서의 전체 문맥에 관련된 극성(긍정, 부정)에 대해 말하는 사람 혹은 글쓴이의 입장(attitude)을 밝히는 과정이다4). 소셜미디어로부터 사용자의 감성을 분석하려는 연구는 분석 알고리즘 연구와 감성유형 정교화 연구가 주를 이룬다.
	소셜빅보드란?	이를 위해 2013년부터 실시간 소셜미디어 모니터링 시스템인 소셜빅보드(Social Big Board)를 개발하여 연구목적으로 운영하고 있다. 소셜빅보드는 전국 트윗을 실시간 수집하여 재난안전관련 트윗만 자동 필터링하고 71개 재난 안전유형으로 자동 분류한 후 급상승 재난이슈, 지역별 트윗발생 빈도, 트윗 원문 등 다양한 정보와 인사이트를 제공하는 실시간 트윗 모니터링 시스템이다2). 이 시스템은 Fig.
	스스로 위험하다고 느끼는 순간 아주 민감한 반응을 소셜미디어를 통해 쏟아내고 있는데, 대표적인 재난 유형은?	국민은 피해가 있건 없건 간에 스스로 위험하다고 느끼는 순간 아주 민감한 반응을 소셜미디어를 통해 쏟아내고 있다. 미세먼지, 지진, 낙뢰 등이 대표적인 재난유형이다. 트위터의 경우, 시간 당 리트윗수가 트윗수보다 많은 것이 일반적인데 지진의 흔들림을 느낀다거나 낙뢰의 공포와 두려움을 느끼는 순간에는 트윗수가 리트윗수보다 더 많은 역전현상이 일어난다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 소셜미디어 분석기반 재난안전 감성모델 연구
Research of Emotion Model on Disaster and Safety based on Analyzing Social Media 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 소셜미디어 분석기반 재난안전 감성모델 연구 Research of Emotion Model on Disaster and Safety based on Analyzing Social Media 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

최선화 (6)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 소셜미디어 분석기반 재난안전 감성모델 연구
Research of Emotion Model on Disaster and Safety based on Analyzing Social Media 원문보기

AI 본문요약
AI-Helper