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 연구에서는 설문지법을 보완할 수 있는 방법론 또는 설문문항 구성을 위한 예비조사 방법론으로써 여행평가 사이트에서 관광지에 대한 평가 댓글과 평점을 활용하여 관광지의 세부 만족도 요인을 추출하고 국내 관광지에 대한 감정 점수를 산출하여 유형별 관광지 만족도 요인 점수를 산출하는 방법론을 제시하였다. 연구를 위해 여행 리뷰 사이트인 Tripadvisor(https://www.
- 본 연구는 이를 해결하기 위해 관광객들의 세부 만족도 요인별로 다른 감정 점수를 산출하는 방법론을 제시하였다. 외래 관광객의 한국 방문 장소가 대부분 서울이라는 점(Ministry of Culture, Sports, and Tourism, 2016)을 고려하여 Tripadvisor에 등재된 서울 명소에 대한 평점과 리뷰데이터를 수집하였다.
- 이후 각 토픽별 상위 빈출 어휘들을 고려하여 적절한 이름을 부여한 후 이를 만족도 요인으로 정의하였다. 이 과정에서 단순히 토픽의 단어분포 뿐만아니라 해당 토픽의 비중이 높게 나타나는 리뷰들을 함께 고려하여 보다 적절한 만족도 요인이 도출될 수 있도록 하였다.
제안 방법
- 구축된 감정사전의 성능을 평가하기 위해서 단순 정확도(accuracy), 재현율(recall), 정밀도(precision), 균형 정확도(balanced correction rate)를 활용하였다. 5점 만점의 리뷰 스코어의 실제 평균은 스코어의 중간 값인 3보다 크게 나타나기 때문에 본 연구에서는 4점을 기준으로 긍정과 부정 리뷰를 구분하였다. 실제 Tripadvisor 리뷰 결과와 본 연구에서 구축한 감정 사전을 바탕으로 추정된 긍·부정 결과를 바탕으로 [Table 2]와 같은 혼동 행렬(confusion matrix)이 구성될 수 있다.
- LDA로 얻어낸 유형 별 관광지 만족도 요인에 [Figure 4]에서 제안한 방법론을 적용하여 관광지의 전체 만족도 점수를 계산하였다. 만족도 점수를 5점 척도로 변환하기 위해 식 (8)과 같은 변환 방법을 이용하였다.
- 본 연구는 [Figure 5]에 따라 연구를 진행하였다. Tripadvisor에서 댓글과 평점을 수집하였고 댓글에 대해 전처리를 실시하였다. 이후 댓글로 문서-단어 행렬(document term matrix; DTM)을 구축하고 이를 이용하여 감정 사전을 만들고 세부 만족도 요인을 추출하였다.
- 이를 바탕으로 리뷰의 긍·부정을 평가할 때는 리뷰에 등장하는 긍정과 부정 어휘에 해당 어휘의 회귀계수를 이용한 가중평균을 최종 감성 점수로 사용하였다. 구축된 감정사전의 성능을 평가하기 위해서 단순 정확도(accuracy), 재현율(recall), 정밀도(precision), 균형 정확도(balanced correction rate)를 활용하였다. 5점 만점의 리뷰 스코어의 실제 평균은 스코어의 중간 값인 3보다 크게 나타나기 때문에 본 연구에서는 4점을 기준으로 긍정과 부정 리뷰를 구분하였다.
- 유의미한 분석을 위해 출현빈도가 10 미만이면서 문자열의 길이가 2개 미만인 단어는 제외하였다. 대표형으로 변환된 단어가 모인 문서집합을 BOW 방식으로 단어빈도(term frequency)가 행렬의 값이 되는 문서-단어 행렬을 구성하였고 이 문서-단어 행렬을 사전에 정의한 3가지 서울의 관광지 유형에 따라 분류하였다. 관광지의 유형과 관광지 유형별 문서집 합의 문서의 개수는 [Table 1]에 요약되어 있다.
- 감정어휘는 같은 단어라도 서로 다른 분야를 평가할 때 다른 의미․강도로 전달될 때가 많다. 따라서 본 연구에서는 LDA를 통해 얻을 수 있는 주제의 단어 분포를 유형별 관광지의 만족도 요인의 점수를 계산할 때 활용하는 가중치로 활용하고, 회귀분석으로 계산한 단어의 감정점수와 문서 단어 행렬(document term matrix; DTM)을 조합하여 주제별 감정점수를 산출하였다. 이를 도표로 나타내면 [Figure 4(a)]와 같다.
- 이후 각 유형의 댓글을 bag of words(BOW)방식의 문서집합(corpus)을 구축하고 이를 잠재 디리클레 할당(Latent dirichlet allocation; LDA)에 적용하여 관광지 유형별 세부 만족도 요인을 도출하였다. 또한 감정 분석을 실시하여 관광지 유형별로 추출한 세부 만족도 요인을 정량적으로 평가하였다. 특히 벌점화 회귀분석(penalized analysis) 방법 중 하나인 엘라스틱 넷(elastic net)을 사용하여 감정사전을 구축하고 관광지를 대표하는 단어와 해당 감정점수를 연결해주어 관광지 유형별 만족도 요인 점수를 계산하였다.
- 또한, 주제에 대한 하이퍼 하라미터(hyper parameter) η가 주어졌을 때 각 주제마다 주제를 구성하는 단어의 확률 분포를 파악한 후 모두 종합하여 문서의 생성 확률을 구한다.
- 본 연구는 국내 관광지를 유형별로 구분한 후 Tripadvisor의 리뷰, 평점을 토대로 엘라스틱넷 방법론을 통해 감정사전을 구축하였다. 또한, 토픽 모델링의 방법 중 하나인 LDA를 이용하여 유형별 관광지의 만족도 요인을 도출하였고 감정사전과 만족도 요인으로 각 유형 별 관광지 만족도 요인 점수를 산출하는 방법론을 제시하였다. 그 결과 3가지 관광지 유형별로 세부 만족도 요인 점수의 분포가 비슷한 양상을 보이지만 각 유형의 장소들을 세밀히 관찰했을 때, 그 장소만의 특징 또한 갖고 있음을 확인하였다.
- 본 연구는 국내 관광지를 유형별로 구분한 후 Tripadvisor의 리뷰, 평점을 토대로 엘라스틱넷 방법론을 통해 감정사전을 구축하였다. 또한, 토픽 모델링의 방법 중 하나인 LDA를 이용하여 유형별 관광지의 만족도 요인을 도출하였고 감정사전과 만족도 요인으로 각 유형 별 관광지 만족도 요인 점수를 산출하는 방법론을 제시하였다.
- 또한 ‘저렴하다’가 레스토랑보다는 분식집을 평가할 때 사용될 가능성이 높다고 한다면 가격이라는 요인이 분식집 평가에 상대적으로 중요한 요소라는 점을 알 수 있게 된다. 본 연구에서 제안하는 방법론은 이처럼 주제의 단어 분포, 문서의 주제 분포를 모두 고려한다.
- 본 연구에서는 LDA의 파라미터로 최대 5,000번의 반복 횟수(iteration), 5개의 토픽수, 그리고 문서의 토픽분포를 결정하는 파라미터인 α를 0.1로 정하고 진행하였다.
- 의 합이 1이라는 제약조건 하에서 각 λ값을 0과 1사이로 조절함으로써 중요한 변수를 선택할 수 있고 다중공선성 문제를 해결할 수 있다. 본 연구에서는 엘라스틱넷을 적용하여 산출한 각 회귀계수를 개별 어휘의 감정 점수로 사용하였다. 이렇게 얻은 감정점수는 연속적인 값을 지니는데, 연속형 값은 극성을 이분법적으로 나눌 수 없는 자연언어의 특성을 상대적으로 잘 반영한다는 장점이 있다.
- Kim(2007)은 서울에 장기체류하고 있는 외국인 200명을 대상으로 관광자원과 관광 서비스 만족도를 조사하였다. 사전에 연구자가 만족도 요인으로서 제시한 쇼핑, 여행지 접근성, 여행 안전도, 교통 등에 대해 5점 척도의 설문조사를 실시했다. 이후, t-test와 일원분산분석을 실시한 결과 쇼핑에 대한 만족도가 제일 높고 교통에 대한 만족도가 가장 낮았다.
- 수집된 데이터는 리뷰를 작성한 외국인의 아이디, 위치, 날짜, 리뷰의 제목과 내용, 그리고 평점의 6개의 변수로 구성되어 있다. 수집된 댓글에 대해 형태소 분석 (part-of-speech tagging; POS tagging)을 실시하여 품사가 명사, 형용사, 동사인 단어들만을 추출하였다. 이후 선택된 단어에 대표형 변환기법 중 하나인 Lemmatization을 실시하여 모든 댓글을 소문자로 변경하고 불필요한 구두점, 숫자, 공백을 제거하였다.
- 본 연구에서는 Tripadvisor 사이트에서 서울에 있는 103개 여행지에 대한 리뷰로 1점에서 5점으로 기록된 평점을 21,620개를 수집하였다. 수집된 데이터는 리뷰를 작성한 외국인의 아이디, 위치, 날짜, 리뷰의 제목과 내용, 그리고 평점의 6개의 변수로 구성되어 있다. 수집된 댓글에 대해 형태소 분석 (part-of-speech tagging; POS tagging)을 실시하여 품사가 명사, 형용사, 동사인 단어들만을 추출하였다.
- 유형 별 관광지의 문서-단어 행렬에 LDA를 적용하여 관광지 만족도 요인을 도출하였다. 본 연구에서는 LDA의 파라미터로 최대 5,000번의 반복 횟수(iteration), 5개의 토픽수, 그리고 문서의 토픽분포를 결정하는 파라미터인 α를 0.
- 이를 바탕으로 리뷰의 긍·부정을 평가할 때는 리뷰에 등장하는 긍정과 부정 어휘에 해당 어휘의 회귀계수를 이용한 가중평균을 최종 감성 점수로 사용하였다.
- 외래 관광객의 한국 방문 장소가 대부분 서울이라는 점(Ministry of Culture, Sports, and Tourism, 2016)을 고려하여 Tripadvisor에 등재된 서울 명소에 대한 평점과 리뷰데이터를 수집하였다. 이를 토대로 엘라스틱넷을 이용하여 감정사전을 구축하였다. 동일 어휘일지라도 세부 평가요인에 따라 다른 감정 점수를 가질 수 있는 점을 고려하기 위해 LDA를 활용하였다.
- com)에서 영어로 작성된 서울의 103개 명소에 대한 21,620개의 댓글과 평점을 수집하고 103개의 장소를 연구자가 3개의 유형으로 구분하였다. 이후 각 유형의 댓글을 bag of words(BOW)방식의 문서집합(corpus)을 구축하고 이를 잠재 디리클레 할당(Latent dirichlet allocation; LDA)에 적용하여 관광지 유형별 세부 만족도 요인을 도출하였다. 또한 감정 분석을 실시하여 관광지 유형별로 추출한 세부 만족도 요인을 정량적으로 평가하였다.
- Tripadvisor에서 댓글과 평점을 수집하였고 댓글에 대해 전처리를 실시하였다. 이후 댓글로 문서-단어 행렬(document term matrix; DTM)을 구축하고 이를 이용하여 감정 사전을 만들고 세부 만족도 요인을 추출하였다. 최종적으로 감정 사전, 세부 만족도 요인 두 가지를 이용하여 각 명소의 평가 요인에 대한 점수를 산출하였다.
- 수집된 댓글에 대해 형태소 분석 (part-of-speech tagging; POS tagging)을 실시하여 품사가 명사, 형용사, 동사인 단어들만을 추출하였다. 이후 선택된 단어에 대표형 변환기법 중 하나인 Lemmatization을 실시하여 모든 댓글을 소문자로 변경하고 불필요한 구두점, 숫자, 공백을 제거하였다. 유의미한 분석을 위해 출현빈도가 10 미만이면서 문자열의 길이가 2개 미만인 단어는 제외하였다.
- 이후 댓글로 문서-단어 행렬(document term matrix; DTM)을 구축하고 이를 이용하여 감정 사전을 만들고 세부 만족도 요인을 추출하였다. 최종적으로 감정 사전, 세부 만족도 요인 두 가지를 이용하여 각 명소의 평가 요인에 대한 점수를 산출하였다.
- 또한 감정 분석을 실시하여 관광지 유형별로 추출한 세부 만족도 요인을 정량적으로 평가하였다. 특히 벌점화 회귀분석(penalized analysis) 방법 중 하나인 엘라스틱 넷(elastic net)을 사용하여 감정사전을 구축하고 관광지를 대표하는 단어와 해당 감정점수를 연결해주어 관광지 유형별 만족도 요인 점수를 계산하였다. 본 연구에서 제안하는 방법론을 통해 외국인들이 중요시하는 요인들을 파악하고, 해당 요인에 자원을 집중하여 더 많은 관광 수입을 창출할 것으로 기대한다.
대상 데이터
- 본 연구에서는 Tripadvisor 사이트에서 서울에 있는 103개 여행지에 대한 리뷰로 1점에서 5점으로 기록된 평점을 21,620개를 수집하였다. 수집된 데이터는 리뷰를 작성한 외국인의 아이디, 위치, 날짜, 리뷰의 제목과 내용, 그리고 평점의 6개의 변수로 구성되어 있다.
- 따라서 본 연구에서는 설문지법을 보완할 수 있는 방법론 또는 설문문항 구성을 위한 예비조사 방법론으로써 여행평가 사이트에서 관광지에 대한 평가 댓글과 평점을 활용하여 관광지의 세부 만족도 요인을 추출하고 국내 관광지에 대한 감정 점수를 산출하여 유형별 관광지 만족도 요인 점수를 산출하는 방법론을 제시하였다. 연구를 위해 여행 리뷰 사이트인 Tripadvisor(https://www.tripadvisor.com)에서 영어로 작성된 서울의 103개 명소에 대한 21,620개의 댓글과 평점을 수집하고 103개의 장소를 연구자가 3개의 유형으로 구분하였다. 이후 각 유형의 댓글을 bag of words(BOW)방식의 문서집합(corpus)을 구축하고 이를 잠재 디리클레 할당(Latent dirichlet allocation; LDA)에 적용하여 관광지 유형별 세부 만족도 요인을 도출하였다.
- 본 연구는 이를 해결하기 위해 관광객들의 세부 만족도 요인별로 다른 감정 점수를 산출하는 방법론을 제시하였다. 외래 관광객의 한국 방문 장소가 대부분 서울이라는 점(Ministry of Culture, Sports, and Tourism, 2016)을 고려하여 Tripadvisor에 등재된 서울 명소에 대한 평점과 리뷰데이터를 수집하였다. 이를 토대로 엘라스틱넷을 이용하여 감정사전을 구축하였다.
- 전체 분석대상 어휘는 명소·랜드마크, 쇼핑·시장, 박물관·전시관 유형별로 각각 2,826, 1,319, 1,329개다.
- 제 4.1절에서 구축한 문서-단어 행렬 가운데 70%를 학습 데이터(training data)로, 나머지 30%를 검증데이터(validation data) 로 구성하였다. 아래 식 (3)처럼 정의되는 평균절대오차(mean absolute error; MAE)를 지표로 활용하여 학습데이터에 10-fold cross validation 기법을 적용하여 엘라스틱넷을 학습하였다.
데이터처리
- 숙박, 음식, 가격, 기후 등에 대해 만족도를 조사한 후 호텔링의 T 제곱 분석(Hotelling’s T-squared statistics), 대응표본 T-검정(paired T-test), 단순 회귀(simple regression) 등을 사용하여 분석하였다.
이론/모형
- 이를 토대로 엘라스틱넷을 이용하여 감정사전을 구축하였다. 동일 어휘일지라도 세부 평가요인에 따라 다른 감정 점수를 가질 수 있는 점을 고려하기 위해 LDA를 활용하였다.
- 1절에서 구축한 문서-단어 행렬 가운데 70%를 학습 데이터(training data)로, 나머지 30%를 검증데이터(validation data) 로 구성하였다. 아래 식 (3)처럼 정의되는 평균절대오차(mean absolute error; MAE)를 지표로 활용하여 학습데이터에 10-fold cross validation 기법을 적용하여 엘라스틱넷을 학습하였다.
성능/효과
- 또한, 토픽 모델링의 방법 중 하나인 LDA를 이용하여 유형별 관광지의 만족도 요인을 도출하였고 감정사전과 만족도 요인으로 각 유형 별 관광지 만족도 요인 점수를 산출하는 방법론을 제시하였다. 그 결과 3가지 관광지 유형별로 세부 만족도 요인 점수의 분포가 비슷한 양상을 보이지만 각 유형의 장소들을 세밀히 관찰했을 때, 그 장소만의 특징 또한 갖고 있음을 확인하였다.
- 숙박, 음식, 가격, 기후 등에 대해 만족도를 조사한 후 호텔링의 T 제곱 분석(Hotelling’s T-squared statistics), 대응표본 T-검정(paired T-test), 단순 회귀(simple regression) 등을 사용하여 분석하였다. 그 결과 북미 지역의 관광객은 숙박과 음식을, 아시아인과 유럽인들은 명소, 오세아니아의 관광객은 문화를 가장 중요한 요인으로 평가하였다.
- 나머지 두 유형인 쇼핑·시장, 박물관·전시관에서는 각 유형을 대표하는 장소를 세부 요인을 기준으로 비교했을 때 평균 과 분산이 큰 차이를 보이진 않지만 전체 만족도 측면에서는 평균과 분산이 확연하게 다름을 확인하였다.
- 63빌딩은 3점 후반대의 평균 점수를 가지며 그 분산은 남산 케이블카보다 작지만 남산 케이블카는 3점 초반대의 점수이면서 분산이 크다. 따라서 외국인 관광객이 복잡함 측면에서는 남산 케이블카를 63빌딩보다 다양하게 평가한다는 결론을 내릴 수 있다.
- 마지막으로 박물관 & 전시관 유형의 관광지에서는 문화, 유산과 같은 전시된 내용에 대해서는 긍정적으로 평가하지만 비싼 가격에 대해서는 실망하는 경향을 보였다.
- 마지막으로 박물관 & 전시관 유형의 대표적 장소인 서대문 형무소와 대한민국 역사박물관의 경우 관광객들이 유익한 정보, 역사·문화, 전시 관점에서는 높은 평가를 내렸으나 자녀 동반 과점에서는 유보적인 입장을 취하며 재미 관점에서는 매우 평가가 낮게 분포하는 것을 확인할 수 있다.
- 먼저, 관광지 유형별로 관광객이 중시하는 만족도 요인별로 점수의 분포가 상당한 차이가 있는 것을 확인할 수 있다. 명소·랜드마크의 경우 63빌딩과 남산 케이블카 모두 기념품 쇼핑, 복잡함, 분위기, 전통, 경치의 5가지 만족도 요인 중 기념품 쇼핑이 가장 낮은 만족도 점수를 받았다.
- 쇼핑·시장 유형의 관광지들에 대해서는 목적에 맞게 합리적 쇼핑과 먹거리에 대한 평가가 주를 이루는 것을 알 수 있었으며, 특이하게 쇼핑 항목 중에서도 화장품과 관련된 리뷰가 많이 존재한다는 것을 확인할 수 있다.
- 각 관광지 유형을 대표하는 장소가 세부 만족도 요인의 점수가 비슷한 양상을 보이기는 하지만 같은 유형에 속한다고 해서 모든 결과가 같은 것은 아니다. 예컨대 명소․랜드마크의 경우 63빌딩과 남산 케이블카가 같은 전체 만족도 점수를 갖더라도 남산 케이블카의 분산이 더 큰 것을 보아 남산 케이 블카에 대한 관광객의 평가가 63빌딩보다 극명하게 갈리는 것을 확인할 수 있다. 복잡함이라는 세부 만족도 측면에서도 두 장소가 평균과 분산의 측면에서 확연한 차이가 난다.
- Gargano and Grasso(2016)는 이탈리아 시칠리아 보르고(Sicilian Borghi)를 방문하는 관광객을 대상으로 만족도에 대한 설문조사를 실시하였다. 음식, 청결함, 시설, 친절함, 가격 등에 대해 5점 척도의 설문조사를 실시하여 정렬된 로짓 모델(ordered logit model)로 분석한 결과 현지 음식, 여행 비용, 역사적 장소가 관광객의 만족도에 크게 기여하였다. Hui et al.
- Jiang(2015)은 관광을 목적으로 한국을 방문한 중국 여성 관광객 125명을 대상으로 교통, 숙박, 쇼핑, 음식점 서비스, 여행지 환경 등의 만족도에 대해 5점 척도의 설문조사를 실시하였다. 이에 대해 기술 통계 분석, 상관관계 분석, 다중회귀분석을 실시한 결과 숙박, 음식 서비스, 입국 절차 등의 만족도가 높은 것으로 나타났다.
- 사전에 연구자가 만족도 요인으로서 제시한 쇼핑, 여행지 접근성, 여행 안전도, 교통 등에 대해 5점 척도의 설문조사를 실시했다. 이후, t-test와 일원분산분석을 실시한 결과 쇼핑에 대한 만족도가 제일 높고 교통에 대한 만족도가 가장 낮았다. Jiang(2015)은 관광을 목적으로 한국을 방문한 중국 여성 관광객 125명을 대상으로 교통, 숙박, 쇼핑, 음식점 서비스, 여행지 환경 등의 만족도에 대해 5점 척도의 설문조사를 실시하였다.
- 각 관광지 유형별 감정사전의 성능은 [Table4]에 요약되어 있다. 평가를 위해 단순 정확도, 재현율, 정밀도, 균형 정확도의 네 가지 지표를 사용한 결과 모든 유형의 감정사전에서 균형 정확도를 제외한 다른 여러 가지 지표는 감정사전으로서 타당한 성능을 확보했으나 균형 정확도의 성능은 상대적으로 높은 수준은 아닌 것으로 나타났다. 그 이유는 Tripadvisor에서 수집한 평점들이 [Figuer7]에 나타난 바와 같이 4점 또는 5점의 점수대에 많이 분포해 있는 불균형 데이터(unbalanced data)이기 때문이다.
후속연구
- 하지만 본 연구는 연구의 대상으로 선정한 관광지가 서울로 제한되어 있고 연구자가 사전에 관광지를 세 가지 유형으로 나누었다는 한계를 갖는다. 따라서 추후에 연구 대상을 지방까지 확대하고 군집화 등의 방법론을 이용하여 정량적으로 관광지 유형의 수를 결정한다면 좀 더 의미 있는 결과가 도출될 것으로 기대한다.
- 본 연구의 방법론은 해외 관광객들의 한국 여행 만족도 요인을 조사하기 위한 효과적인 수단으로서 각 관광지의 장단점을 파악하여 해당 관광지의 경쟁력을 높이기 위한 구체적인 투자 방안을 설립하는 근거로 사용될 수 있다. 본 연구 방법론과 컨텐츠 기반의 협업 필터링, 또는 사용자 기반의 협업필터링을 함께 사용한다면 고객 개인에게 맞춤화된 추천시스템을 구축할 수 있을 것으로 기대한다.
- 특히 벌점화 회귀분석(penalized analysis) 방법 중 하나인 엘라스틱 넷(elastic net)을 사용하여 감정사전을 구축하고 관광지를 대표하는 단어와 해당 감정점수를 연결해주어 관광지 유형별 만족도 요인 점수를 계산하였다. 본 연구에서 제안하는 방법론을 통해 외국인들이 중요시하는 요인들을 파악하고, 해당 요인에 자원을 집중하여 더 많은 관광 수입을 창출할 것으로 기대한다.
- 본 연구의 방법론은 해외 관광객들의 한국 여행 만족도 요인을 조사하기 위한 효과적인 수단으로서 각 관광지의 장단점을 파악하여 해당 관광지의 경쟁력을 높이기 위한 구체적인 투자 방안을 설립하는 근거로 사용될 수 있다. 본 연구 방법론과 컨텐츠 기반의 협업 필터링, 또는 사용자 기반의 협업필터링을 함께 사용한다면 고객 개인에게 맞춤화된 추천시스템을 구축할 수 있을 것으로 기대한다.
- 마찬가지로 서대문 형무소와 대한민국 역사박물관 또한, 유익한 정보, 재미 등의 세부 만족도 점수의 평균과 분산은 거의 일치한 반면 전체 만족도 점수는 2점대와 3점대로 확연히 다르다. 이러한 결과로 볼 때, 관광지 유형이나 총 평점이 동일하더라도 세부 만족도 요인의 평균, 분산 등 그 분포가 다르게 나타나는 경우가 많으며 해당 관광지에 대한 단점을 보완하거나 새로운 관광 전략을 수립할 때 이러한 정보가 함께 고려가 되면 보다 효과적인 개선을 이루어 낼 수 있을 것으로 기대한다.
- 하지만 본 연구는 연구의 대상으로 선정한 관광지가 서울로 제한되어 있고 연구자가 사전에 관광지를 세 가지 유형으로 나누었다는 한계를 갖는다. 따라서 추후에 연구 대상을 지방까지 확대하고 군집화 등의 방법론을 이용하여 정량적으로 관광지 유형의 수를 결정한다면 좀 더 의미 있는 결과가 도출될 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.