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
- 엄청난 속도로 생성되는 소셜미디어에서 사회 위험요소, 재난상황 정보 등을 신속히 파악하고 적절한 대비책을 마련하는 일은 매우 중요한 일이다. 본 논문에서는 소셜빅보드의 핵심 알고리즘인 재난이슈 탐지 모델을 목적과 특징에 따라 2개 이슈로 구분하여 정의하고 각각의 탐지 알고리즘을 소개하고자 한다. 사회 위험요소를 사전에 탐지하여 대비 · 대응하는 것은 매우 중요하지만 쉽지 않은 일이다.
- 사회 위험요소를 사전에 탐지하여 대비 · 대응하는 것은 매우 중요하지만 쉽지 않은 일이다. 논문에서는 소셜미디어에서 약한 신호(weak signal)로 전달되지만 위험성을 내포하고 있는 이슈를 전조이슈로 정의하고 이를 탐지하는 알고리즘을 제시한다. 특정 재난 및 사건 · 사고 발생사실을 신속히 파악하여 빠르게 대처하는 것도 재난관리의 핵심 업무다.
- 트위터 사용자들은 임의의 재난이 발생했을 경우, 재난 발생 후에도 재난에 대한 트윗을 작성하는 경향이 있다. LTT만 사용할 경우, 재난 발생 후에도 전조이슈로 탐지하는 문제점이 있으므로 STT를 통해 보완하고자 하였다.
- 본 논문에서는 사람이 재난발생 사실을 알릴 때 주로 사용하는 어휘패턴을 정의10)하고 이것을 활용해 발생이슈를 탐지하는 모델을 제안하고자 한다. “붕괴사고”, “지진”, “철도사고”, “추락사고”, “화재”, “지반침하”, “도로교통사고”, “항공기사고”, “화생방사고” 총 9개 재난유형의 어휘패턴을 구축하고 이를 활용해 발생이슈 탐지 성능을 평가하였다.
- 또 하나의 한계는 재난이 발생하면 다수의 트윗들이 동일 재난 발생에 대해 언급하므로 동일 재난발생에 대해 중복하여 알림하게 된다. 본 논문에서는 이 한계를 해결하기 위해 두 개 트윗 원문이 얼마나 유사한지를 평가하여 기준치 이상이면 트윗이 발생하더라도 이슈로 탐지하지 않도록 하였다. 즉, 트윗 원문간 유사도가 낮을수록 서로 다른 재난 발생사실을 알리는 트윗으로 간주하고 중복 알람을 하지 않는 것이다.
- 본 논문에서는 한국어 텍스트마이닝기반 소셜 빅데이터 모니터링시스템인 소셜빅보드의 기능을 간략히 소개하고 재난이슈 탐지 모델을 제안하였다. 재난이슈는 재난 전 이상 징후를 의미하는 전조이슈와 재난 발생사실을 알리는 발생이슈로 구분하여 각각의 탐지 모델을 정의하고 모델의 성능을 비교·평가하였다.
제안 방법
- 따라서 사건 · 사고 발생사실을 알리는 이슈를 발생이슈로 정의하고 이를 탐지하는 모델을 구축하였다.
- 논문에서는 2개 재난이슈 탐지모델 구축방법을 소개하고 각각의 성능을 비교 · 평가하였다.
- 소셜빅보드는 세 가지 주요기능을 제공한다. 첫째, 실시간 소셜 모니터링은 재난 유형별로 소셜 네트워크상의 실시간 이슈를 모니터링하는 것을 목적으로 71개 재난안전유형을 5개 대분류(사회재난, 인적재난, 자연재난, 생활안전, 범죄)로 나누어 서비스 한다. 최근 트윗 원문, 트윗 빈도 추이 그래프, 트윗에서 추출한 키워드 목록, 최근 1시간 동안 급상승한 재난이슈 유형을 제공한다.
- 키워드, 기간, 데이터 유형 등 검색 조건에 따라서, 빈도 추이와 원문을 표시한다. 세번째 기능인 소셜 트렌드 기능은 71개 재난안전 유형에 대하여 연관어 분석, 감성 분석기능을 제공한다. 소셜 트렌드 기능은 빅데이터 분석엔진을 기반으로 제공하며, 하루 전 데이터에 대한 분석결과를 제시한다.
- 세번째 기능인 소셜 트렌드 기능은 71개 재난안전 유형에 대하여 연관어 분석, 감성 분석기능을 제공한다. 소셜 트렌드 기능은 빅데이터 분석엔진을 기반으로 제공하며, 하루 전 데이터에 대한 분석결과를 제시한다. 연관어란 재난안전유형으로 분류된 트윗들에서 일정하게 많이 언급되는 키워드를 의미하는 것으로 우선, 키워드를 재난관리, 관련재난, 원인, 피해, 관련기관 중 해당되는 의미영역으로 분류하고 각 영역별 연관어 분석을 통해 연관어 맵과 연관어를 포함한 트윗 원문을 제공한다.
- 전조이슈 탐지의 초기모델인 빈도기반 모델은 재난유형별 트윗의 절대빈도를 기반한 것으로 임의의 트윗에 특정 재난관련 키워드가 출현하면 해당 재난유형으로 분류하고 빈도 1을 더한다. 이렇게 계산된 한 시간 동안의 빈도를 기반으로 재난유형별 확률모델을 구축한다. 실제 전조이슈 판단은 최근 1시간 동안에 특정 재난유형의 빈도를 계산한 후 구축된 확률모델을 활용해 해당 빈도가 발생할 누적 확률 값을 추출해 그 값이 임계치 이상일 경우 전조이슈로 판단한다.
- 이렇게 계산된 한 시간 동안의 빈도를 기반으로 재난유형별 확률모델을 구축한다. 실제 전조이슈 판단은 최근 1시간 동안에 특정 재난유형의 빈도를 계산한 후 구축된 확률모델을 활용해 해당 빈도가 발생할 누적 확률 값을 추출해 그 값이 임계치 이상일 경우 전조이슈로 판단한다. 빈도모델에서는 임계치를 95%로 고정하고 그 이상일 때 이슈로 판단하였다(Fig.
- 빈도기반 모델을 개선하기 위해 텍스트마이닝을 통해 특정 재난관련 트윗에 자주 나타나는 키워드에 가중치를 부여하는 관련도 기반 모델을 개발하였다9). 재난유형별 관련성 높은 키워드에 가중치를 부여하고 각 트윗의 관련도를 정량화하여 연속확률모형 와이블 분포를 활용해 관련도 기반 전조이슈 탐지모델로 정의하였다.
- 재난유형별 관련성 높은 키워드에 가중치를 부여하고 각 트윗의 관련도를 정량화하여 연속확률모형 와이블 분포를 활용해 관련도 기반 전조이슈 탐지모델로 정의하였다. 키워드 가중치는 일반트윗 대비 재난트윗에서의 출현확률로 정의하고 이를 학습하여 구축하였다. 이렇게 구축된 각 키워드들의 가중치를 이용하여 트윗의 관련도를 계산하게 된다.
- 빈도모델에서는 임계치 95%로 고정치를 사용하였으나, 관련도 기반 모델은 재난유형별 확률모델에 따라 최적 임계치를 각기 다르게 설정하였다. 임계치는 Long Term Threshold(LTT), Short Term Threshold(STT) 2가지 방식으로 정하고 전조이슈를 탐지하였다. LTT는 소셜빅보드가 모니터링하여 축적한 전체 기간(2013년 ~ 운영일 하루 전)인 장기 기간의 데이터를 활용하는 방식이다.
- 임계치의 성능 평가를 위해 정확률(precision)과 재현율을 활용하였다. 재현율이 높도록 시스템을 최적화하는 것은 가능한 전조이슈를 많이 찾는 것에 중점을 두는 것이고 반면에, 정확률이 높도록 최적화하는 것은 확실한 전조이슈를 찾고 전조이슈가 아닌 것은 최대한 제외시키는 것에 초점을 두게 된다.
- 두 척도는 서로 상반관계(trade-off)를 가지고 있어서 한 쪽을 높이면 한쪽이 내려가는 특성이 있다. 따라서 본 연구에서는 전조이슈를 최대한 많이 찾는 것에 초첨을 맞추어 두 척도를 조합한 F2를 활용해 최적 임계치를 판단하였다.
- 선행 연구된 관련도 기반 모델은 특정 재난관련 트윗에 자주 나타나는 키워드에 가중치를 부여하여 특정 트윗과 재난유형에 관련정도를 정량화하고 이를 기반으로 이슈를 탐지하였기 때문에 재난관리에 더 의미가 있는 위험요소, 재난상황 등을 전달하는 트윗을 구분하고 이것을 이슈 탐지에 활용하지는 못한다. 따라서 본 연구에서는 위험요소, 피해 위험성, 재난상황 등을 나타내는 키워드를 재난유형별로 정의하고 각 키워드에 위험 가중치를 부여한 사전을 구축하였다. 키워드별 위험 가중치 사전을 이용해 각 트윗의 위험도를 정량화하고 이를 활용해 이슈를 탐지하는 모델을 제안하고 평가하였다.
- 따라서 본 연구에서는 위험요소, 피해 위험성, 재난상황 등을 나타내는 키워드를 재난유형별로 정의하고 각 키워드에 위험 가중치를 부여한 사전을 구축하였다. 키워드별 위험 가중치 사전을 이용해 각 트윗의 위험도를 정량화하고 이를 활용해 이슈를 탐지하는 모델을 제안하고 평가하였다.
- 트윗의 위험도는 3단계로 정의되는데, 우선 키워드가 얼마나 위험한지 기계학습 방법으로 위험도를 학습하고, 한 트윗 내 포함된 키워드들의 위험도를 기반으로 해당 트윗의 위험도를 정의한다. 마지막으로 재난유형별로 모든 트윗의 위험도를 합산하여 특정 재난유형의 위험도를 계산하였다.
- Table 1과 같이 지반침하 관련 키워드 중 “노후”, “고르지않다”, “위험” 등은 위험성을 표현하는 키워드로 위험을 알리는 트윗에 자주 나타나는 것을 알 수 있다. 본 연구에서는 위험을 나타내는 트윗 집합과 그렇지 않은 트윗 집합으로 구분하여 학습 셋을 구성하고 기계학습을 통해 키워드별 위험도 가중치를 부여하였다. 이렇게 부여된 키워드별 위험도 가중치는 한 트윗의 위험도를 정량화 하는데 활용되며, 학습과정은 다음과 같다.
- 기계학습은 학습 셋이 많을수록 좋은 성능을 보이지만 사람이 직접 많은 양의 학습 셋을 구축하기는 쉽지 않다. 따라서 사람이 구축한 초기 학습 셋을 대상으로, 모델을 학습하고 학습된 모델을 기반으로 트윗을 분류한 뒤 분류된 트윗들을 활용해 위험 가중치를 다시 학습하여 최종 위험도 가중치 사전을 구축한다.
- 초기 학습 셋은 2013년 1월 1일부터 2014년 12월 31일 까지 트윗 중에서 무작위로 8,913개의 트윗을 추출하여 재난관리와 언어처리 전문가들이 직접 분류하였다. 사람이 직접 분류한 초기 학습 셋을 대상으로 모델을 학습하고 이 모델을 기반으로 위험 트윗과 그렇지 않는 트윗을 분류한 뒤 재학습 셋을 구축하였다. 시스템이 자동 분류하여 만들어진 재학습 셋은 초기 학습셋의 약 400배 많은 트윗들을 포함하고 있다.
- 시스템이 자동 분류하여 만들어진 재학습 셋은 초기 학습셋의 약 400배 많은 트윗들을 포함하고 있다. 재학습셋의 부정확성을 보완하기 위해 위험성이 명확하게 분류된 트윗 만을 활용하였다. 즉, 위험도가 높은 상위 트윗과 위험도가 낮은 하위 트윗만을 학습 셋으로 이용하였다.
- 성능평가는 재현율과 정확률뿐만 아니라, 재현율과 정확률의 가중치를 균등하게 했을 때의 성능인 F1과 재현율에 2배의 가중치를 부여한 F2(2.1.2절에 수식 정의)를 활용하였다.
- 각 트윗의 위험도를 산출한 결과 트윗 위험도는 약 0.3~0.6 범위내에 있으며, 위험성을 나타낸 트윗의 위험도와 그렇지 않은 트윗의 위험도 차이가 크지 않아 위험도를 z-score로 변환하여 정규분포로 만들고 지수함수를 이용해 위험도를 아래 수식과 같이 모두 양수로 변환하였다.
- 재난 유형별 시간당 위험도는 특정 재난관련 트윗들의 위험도 총합으로 특정 재난의 이슈 여부를 판단하는 근거가 된다. 위험도 기반 전조이슈 탐지 모델은 앞장에서 설명한 관련도 기반 모델과 동일한 방식으로 구축하고 평가하였다.
- 어휘패턴 규칙을 구축하기 위해 국민안전처의 안전신문고 데이터에서 사람이 위험 사실을 알리거나 재난발생을 신고할 때 사용하는 어휘들의 패턴을 추출하였다. Table 3은 “추락사고” 재난에 대한 어휘 패턴 규칙이다.
- 미리 구축한 재난 발생을 알리는 어휘 패턴 규칙 및 어휘 사전을 이용하여 재난 이슈를 탐지하고 실험․평가를 수행하였다. 2015년 1월 1일 부터 5월 31일까지 “추락사고”, “화재”, “지반침하”, “도로교통사고”, “항공기사고”, “화생방사고” 재난에 대한 트윗 중에서, 어휘패턴에 의해 탐지된 트윗에 대해 정확률을 평가한 결과는 Table 4와 같다.
- 2015년 1월 1일 부터 5월 31일까지 “추락사고”, “화재”, “지반침하”, “도로교통사고”, “항공기사고”, “화생방사고” 재난에 대한 트윗 중에서, 어휘패턴에 의해 탐지된 트윗에 대해 정확률을 평가한 결과는 Table 4와 같다. 각 재난유형별로 어휘패턴 규칙을 적용해 탐지한 전체 트윗 개수 대비 정확하게 재난 발생을 알리는 트윗 개수의 비율로 정확률을 계산하였다.
- 재난이슈는 재난 전 이상 징후를 의미하는 전조이슈와 재난 발생사실을 알리는 발생이슈로 구분하여 각각의 탐지 모델을 정의하고 모델의 성능을 비교·평가하였다.
- 재난 발생사실을 알리는 어휘의 패턴을 기반으로 재난 및 사고발생 사실을 조기에 탐지하여 관계자들에게 알리기 위한 발생이슈 탐지 모델을 구축하였다. 9개 재난유형에 대해 어휘패턴을 구축하고 그 성능을 평가한 결과, 사고 후속처리에 대한 내용이 탐지되는 문제점으로 인해 정확률이 높지 않았지만 향후 어휘패턴 규칙을 지속적으로 정교화하고 어휘패턴 규칙에만 의존하여 탐지하고 있는 현 알고리즘에 빈도 임계치, 패턴등의 정량적 기준규칙을 반영하여 개선한다면 정확도를 높일 수 있을 것이다.
- “붕괴사고”, “지진”, “철도사고”, “추락사고”, “화재”, “지반침하”, “도로교통사고”, “항공기사고”, “화생방사고” 총 9개 재난유형의 어휘패턴을 구축하고 이를 활용해 발생이슈 탐지 성능을 평가하였다.
대상 데이터
- 초기 학습 셋은 2013년 1월 1일부터 2014년 12월 31일 까지 트윗 중에서 무작위로 8,913개의 트윗을 추출하여 재난관리와 언어처리 전문가들이 직접 분류하였다. 사람이 직접 분류한 초기 학습 셋을 대상으로 모델을 학습하고 이 모델을 기반으로 위험 트윗과 그렇지 않는 트윗을 분류한 뒤 재학습 셋을 구축하였다.
- 재학습셋의 부정확성을 보완하기 위해 위험성이 명확하게 분류된 트윗 만을 활용하였다. 즉, 위험도가 높은 상위 트윗과 위험도가 낮은 하위 트윗만을 학습 셋으로 이용하였다. 위험도에 따라 상위 트윗과 하위 트윗의 기준을 정의하기 위해 사람이 직접 분류한 정답 셋 10,000개의 트윗을 대상으로 위험 가중치 상 · 하위 비율을 달리하며 분류 정확성을 평가한 결과 재학습 셋 중 위험 가중치 상위 1%, 하위 8%의 트윗 만을 이용한 모델의 성능이 가장 우수했다.
- 2014년 1월 1일 부터 9월 30일까지의 “붕괴사고”, “지진”, “철도사고” 재난관련 트윗 데이터를 실험 데이터로 사용하였으며, 정답 집합은 사람이 직접 재난관련 뉴스 기사를 검토하여 재난사건을 추출하고 사건발생 직후 3시간까지 재난이슈가 발생한 시간으로 간주하였다.
이론/모형
- 트윗의 관련도는 트윗내 각 키워드의 관련도의 합을 키워드 개수를 나눈 값 즉, 키워드 당 평균 관련도로 계산한다. 관련도 기반 모델은 이산 확률분포모형을 활용한 빈도기반의 전조이슈 탐지모델을 개선하기 위해 연속 확률분포모형인 정규 분포(normal distribution), 감마 분포(gamma distribution), 와이블 분포(weibull distribution) 모형을 활용해 적정모델을 평가하였다. 그 결과, 다양한 확률모형이 가능한 와이블 분포 모형이 시간당 관련도를 활용한 전조이슈모델에 가장 적합한 것으로 나타났다.
- 즉, 트윗 원문간 유사도가 낮을수록 서로 다른 재난 발생사실을 알리는 트윗으로 간주하고 중복 알람을 하지 않는 것이다. 트윗 원문의 유사도는 코사인 유사도를 이용하였다. 유사도의 기준치를 결정하기 위해 2015년 1월부터 6월까지 ‘철도사고’, ‘지반침하’ 유형에 대해 평가한 결과, 최근 3일 이내 트윗 원문들과의 유사도가 0.
성능/효과
- 관련도 기반 모델은 이산 확률분포모형을 활용한 빈도기반의 전조이슈 탐지모델을 개선하기 위해 연속 확률분포모형인 정규 분포(normal distribution), 감마 분포(gamma distribution), 와이블 분포(weibull distribution) 모형을 활용해 적정모델을 평가하였다. 그 결과, 다양한 확률모형이 가능한 와이블 분포 모형이 시간당 관련도를 활용한 전조이슈모델에 가장 적합한 것으로 나타났다.
- 위험도에 따라 상위 트윗과 하위 트윗의 기준을 정의하기 위해 사람이 직접 분류한 정답 셋 10,000개의 트윗을 대상으로 위험 가중치 상 · 하위 비율을 달리하며 분류 정확성을 평가한 결과 재학습 셋 중 위험 가중치 상위 1%, 하위 8%의 트윗 만을 이용한 모델의 성능이 가장 우수했다.
- 실험결과 빈도기반 모델의 고정 임계치 방식에 비해 관련도 기반 모델의 재난유형별 임계치 방식이 우수한 성능을 보였다.
- 위험도에 따라 상위 트윗과 하위 트윗의 기준을 정의하기 위해 사람이 직접 분류한 정답 셋 10,000개의 트윗을 대상으로 위험 가중치 상 · 하위 비율을 달리하며 분류 정확성을 평가한 결과 재학습 셋 중 위험 가중치 상위 1%, 하위 8%의 트윗 만을 이용한 모델의 성능이 가장 우수했다. 결론적으로 3,689,806개의 재학습 셋 중에서 위험도에 의해 정렬된 상위 1% 트윗과 하위 8% 트윗만을 이용하여 모델을 재학습하고 키워드의 위험 가중치 사전을 재구축하였다.
- 2015년 9월 16일 14시 35분경 경인선 부평역 크레인 전복 사고발생 당시 15시 전조이슈로 ‘철도사고’가 탐지되었으며, 빈도, 관련도, 위험도 기반 탐지모델의 1시간 전 결과와 비교해보면 빈도와 관련도는 1시간 전보다 16배 증가한 반면에 위험도는 29배가 증가하면서 이슈를 탐지하는데 위험도를 활용하는 것이 매우 효과적임을 확인하였다.
- 또한 “지진” 재난유형의 F1 측정 결과, 관련도 기반 모델에 비해 위험도 기반모델이 약간 낮은 성능을 보이지만 F2는 관련도 기반모델보다 우수한 성능을 보인 것을 알 수 있다.
- 성능 평가결과, “붕괴사고”, “철도사고” 재난유형은 관련도 기반 모델에 비해 위험도 기반 모델이 우수한 성능을 보인 것을 알 수 있다.
- 2015년 9월 16일 14시 35분경 경인선 부평역 크레인 전복 사고발생 당시 15시 전조이슈로 ‘철도사고’가 탐지되었으며, 빈도, 관련도, 위험도 기반 탐지모델의 1시간 전 결과와 비교해보면 빈도와 관련도는 1시간 전보다 16배 증가한 반면에 위험도는 29배가 증가하면서 이슈를 탐지하는데 위험도를 활용하는 것이 매우 효과적임을 확인하였다. 결론적으로 위험요소, 피해상황, 재난상황 등을 전달하는 트윗이 많아지면 이슈를 탐지해야 한다는 연구목표에 가장 부합된 모델은 위험도기반 모델임을 알 수 있다.
- 유사도의 기준치를 결정하기 위해 2015년 1월부터 6월까지 ‘철도사고’, ‘지반침하’ 유형에 대해 평가한 결과, 최근 3일 이내 트윗 원문들과의 유사도가 0.1 이하인 트윗을 재난 발생사실을 알리는 트윗으로 탐지하는 것이 가장 좋은 성능을 보였다.
- 전조이슈 탐지모델은 위험요소, 피해 위험성, 재난상황 등을 나타내는 키워드에 위험 가중치를 부여하고 이를 이용해 각 트윗의 위험도를 정량화한 위험도 기반 모델이 선행 연구된 관련도 기반 모델보다 우수한 성능을 보였다. 실제 경인선 부평역 크레인 전복 사고 발생 당시 빈도, 관련도 기반 모델에 비해 위험도 기반 탐지모델이 1시간 전보다 29배의 위험도가 증가하면서 위험요소, 피해상황, 재난상황 등을 전달하는 트윗이 많아지면 전조이슈를 탐지해야 하는 연구목표에 가장 부합된 모델임을 확인하였다.
- 전조이슈 탐지모델은 위험요소, 피해 위험성, 재난상황 등을 나타내는 키워드에 위험 가중치를 부여하고 이를 이용해 각 트윗의 위험도를 정량화한 위험도 기반 모델이 선행 연구된 관련도 기반 모델보다 우수한 성능을 보였다. 실제 경인선 부평역 크레인 전복 사고 발생 당시 빈도, 관련도 기반 모델에 비해 위험도 기반 탐지모델이 1시간 전보다 29배의 위험도가 증가하면서 위험요소, 피해상황, 재난상황 등을 전달하는 트윗이 많아지면 전조이슈를 탐지해야 하는 연구목표에 가장 부합된 모델임을 확인하였다. 하지만, 본 연구에서 제시한 전조이슈 탐지 모델은 트위터만을 활용한 1차원적 모델로서 완전한 모델이 아니다.
후속연구
- 위와 같이 소셜미디어는 빠르게 변하는 사회정황과 재난이슈를 즉각 파악할 수 있는 신속성과 거르지 않은 국민의 소리를 파악할 수 있다는 장점은 있으나, 루머나 오정보로 인해 오히려 혼란을 야기할 수 있다는 문제가 있다. 따라서, 소셜미디어의 장점을 극대화하는 활용분야에 대한 명확한 정의와 신뢰성을 검증하는 다양한 기술 개발이 병행되어야만 실효성있는 소셜미디어 활용이 가능할 것이다.
- 전조이슈는 재난이 발생된 것은 아니지만 전조를 알리는 트윗들을 분석하는 것으로 전조이슈 발견을 위해서는 트윗에서 평상시와 다른 패턴을 찾아야 하고 정확한 분석보다는 트랜드 파악이 중요하다. 또한, 트윗 발생빈도 뿐만 아니라 기상, 사회현상 등과 병행 분석이 수행되어야 할 것이다. 본 논문에서 설명하고자 하는 전조이슈 모델은 트위터만을 활용한 1차원적 모델임을 밝히며 향후, 이를 기반으로 기상, 사회현상 등과의 병행분석 모델로 발전시킬 계획이다.
- 또한, 트윗 발생빈도 뿐만 아니라 기상, 사회현상 등과 병행 분석이 수행되어야 할 것이다. 본 논문에서 설명하고자 하는 전조이슈 모델은 트위터만을 활용한 1차원적 모델임을 밝히며 향후, 이를 기반으로 기상, 사회현상 등과의 병행분석 모델로 발전시킬 계획이다. 발생이슈 탐지모델은 3장에서 설명하도록 하겠다.
- 다양한 상황을 반영하는 규칙을 추가하고 정교화하는 관리가 병행되어야 한다. 더불어 어휘패턴 규칙에만 의존하여 탐지하고 있는 현 알고리즘에 빈도 임계치, 패턴 등의 정량적 기준규칙을 반영하여 개선할 필요가있다. 무엇보다 최초 제보 트윗을 발견하였더라도 그 내용의 정확성과 진위파악이 우선되어야 하므로 신뢰성을 검증하는 기술개발 및 체계 구축도 수행되어야 할 것이다.
- 더불어 어휘패턴 규칙에만 의존하여 탐지하고 있는 현 알고리즘에 빈도 임계치, 패턴 등의 정량적 기준규칙을 반영하여 개선할 필요가있다. 무엇보다 최초 제보 트윗을 발견하였더라도 그 내용의 정확성과 진위파악이 우선되어야 하므로 신뢰성을 검증하는 기술개발 및 체계 구축도 수행되어야 할 것이다.
- 하지만, 본 연구에서 제시한 전조이슈 탐지 모델은 트위터만을 활용한 1차원적 모델로서 완전한 모델이 아니다. 향후 트윗 뿐만 아니라 기상, 사회현상 등 다양한 환경변수를 나타내는 데이터와의 융합분석을 해야 하며 신뢰성이 보장되지 않은 소셜미디어 데이터의 한계를 철저한 검증체계 구축으로 극복해야 할 것이다.
- 재난 발생사실을 알리는 어휘의 패턴을 기반으로 재난 및 사고발생 사실을 조기에 탐지하여 관계자들에게 알리기 위한 발생이슈 탐지 모델을 구축하였다. 9개 재난유형에 대해 어휘패턴을 구축하고 그 성능을 평가한 결과, 사고 후속처리에 대한 내용이 탐지되는 문제점으로 인해 정확률이 높지 않았지만 향후 어휘패턴 규칙을 지속적으로 정교화하고 어휘패턴 규칙에만 의존하여 탐지하고 있는 현 알고리즘에 빈도 임계치, 패턴등의 정량적 기준규칙을 반영하여 개선한다면 정확도를 높일 수 있을 것이다. 무엇보다 트윗 제보 내용의 정확성과 진위파악을 지원할 수 있는 기술적 판단 알고리즘 연구도 수행되어야 할 것이다.
- 9개 재난유형에 대해 어휘패턴을 구축하고 그 성능을 평가한 결과, 사고 후속처리에 대한 내용이 탐지되는 문제점으로 인해 정확률이 높지 않았지만 향후 어휘패턴 규칙을 지속적으로 정교화하고 어휘패턴 규칙에만 의존하여 탐지하고 있는 현 알고리즘에 빈도 임계치, 패턴등의 정량적 기준규칙을 반영하여 개선한다면 정확도를 높일 수 있을 것이다. 무엇보다 트윗 제보 내용의 정확성과 진위파악을 지원할 수 있는 기술적 판단 알고리즘 연구도 수행되어야 할 것이다.
- 향후 재난이슈 탐지 모델의 정확성 확보를 위한 선행조건인 소셜미디어의 신뢰성 검증 체계를 구축할 계획이다. 특히, 재난이슈 탐지모델을 실시간 재난상황 대응에 활용하는데 발생되는 한계를 밝히고 극복 가능한 한계와 실제 재난관리 업무에 적용 가능한 범위를 명확히하여 실용 가능성을 확보할 계획이다.
- 향후 재난이슈 탐지 모델의 정확성 확보를 위한 선행조건인 소셜미디어의 신뢰성 검증 체계를 구축할 계획이다. 특히, 재난이슈 탐지모델을 실시간 재난상황 대응에 활용하는데 발생되는 한계를 밝히고 극복 가능한 한계와 실제 재난관리 업무에 적용 가능한 범위를 명확히하여 실용 가능성을 확보할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.