[논문]온라인 토론의 댓글 응답 구조를 이용한 사용자 특성 분석

김성환; 탁해성; 조환규

doi:10.5392/jkca.2018.18.11.135

온라인 토론의 댓글 응답 구조를 이용한 사용자 특성 분석
User Characterization from Replying Comment Structures in Online Discussion 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.18 no.11, 2018년, pp.135 - 145

김성환 (부산대학교 전기전자컴퓨터공학과) , 탁해성 (부산대학교 전기전자컴퓨터공학과) , 조환규 (부산대학교 전기전자컴퓨터공학과)

초록
AI-Helper

온라인 커뮤니티에서는 사용자들이 댓글을 이용하여 다양한 주제에 대한 의견과 감정을 교환한다. 댓글을 통한 의사소통은 신속하고 편리하지만 때로는 이러한 무게감이 덜한 특성이 사용자로 하여금 무례하고 공격적인 언사를 쉽게 행하도록 만들어 분쟁을 쉽게 유발하기도 한다. 따라서 이러한 분쟁을 미리 예측하고 대응하기 위하여 사용자들의 특성을 미리 파악하고 분류하는 작업이 중요하다. 본 논문에서는 이러한 사용자의 특성이 해당 사용자들이 참여한 발제글을 나타내는 댓글트리의 구조적인 특징에 나타난다는 가정을 바탕으로 댓글트리 구조를 서술하기 위한 여러 가지 정량적인 지표를 제안한다. 제안하는 정량 지표들의 분포를 통하여 발제글 작성자 및 댓글 작성자에 따른 지표의 분포를 살펴보고, 추가적으로 관리자에 의하여 경고를 받은 사용자들을 분류하는 실험을 통하여 제안하는 구조적 지표의 효과성을 보인다.

Abstract ▼ AI-Helper

In online communities, users use comments to exchange their opinions and feelings on various subjects. Communication based on comments is quick and convenient, but sometimes this light-weight characteristic makes users use impolite and aggressive words, which leads to an online conflict. Therefore, it is important to analyze and classify users according to their characteristics in order to predict and take action for this kind of troubles. In this paper, we present several quantitative measures for describing the structures of comments trees based on the assumption that the user characteristics be observed as a form of some structural feature in comment trees of articles in which they posted comments. We examine the distribution of the proposed measures over article posters and commenters, and in addition, we show the effectiveness of the presented structural features by conducting experiments to classify users who have received warnings of the administrator from benign users.

주제어

표/그림 (12)

그림 그림 1. 발제글의 특성을 나타내는 댓글 트리의 예(a) 두 사용자가 토론을 벌이고 있는 경우 (b) 다수의 사용자가 공감을 표현하는 경우
그림 그림 2. 성차별과 관련된 발제글의 댓글 트리 예시 (댓글수=455, 사용자수=92, 최대깊이=14, 최대너비=Depth1댓글수=64, 빨간색 노드는 차단된 댓글)
그림 그림 3. 분석 데이터 특성. 발제글 별 댓글, 차단댓글, Depth-1 댓글, 최대 깊이를 내림차순으로 나타내었다.
표 표 1. 발제글 작성자 분류를 위한 특징
그림 그림 4. 댓글 트리 구조적 지표의 예
그림 그림 5. 발제글 작성자 별 구조적 특성 지표 값의 분포
표 표 2. 댓글 작성자 분류를 위한 특징
그림 그림 6. 댓글 작성자 별 구조적 특성 지표 값의 분포
그림 그림 7. 댓글 작성자 별 구조적 특성 지표 평균값의 분포
표 표3. θ에 따른 분류 대상 사용자 수
표 표 4. 발제글 게시자 분류를 위한 특징 집합
그림 그림 8. 사용자 분류 실험 결과

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 댓글로 의사소통을 하며 의견을 주고 받는 온라인 커뮤니티에서 사용자의 특징이 그 사용자가 속한 발제글의 댓글 트리가 가지는 구조적인 특성으로 나타난다는 가정 하에 댓글 트리를 기반으로 발제글 게시자 및 댓글 작성자 분류를 위한 구조적 지표들을 제안하였으며, 실험을 통해 밝혀낸 사실은 다음과 같다.
[그림 1-(a)]는 두 사용자가 번갈아 댓글을 주고받으면서 열띤 토론을 벌이고 있는 발제글을 나타내며, [그림 1-(b)]는 많은 수의 사용자들이 공감을 표현하는 발제글을 나타낸다. 본 논문에서는 사용자들의 특성이 작성한 발제글, 또는 댓글 작성을 통해 참여한 발제글 내에서 형성되는 댓글 트리의 구조적인 특징에 의하여 발현된다는 가정에 바탕을 두고 있다. 만약 어떤 사용자가 토론을 유발하는 성향을 가지고 있다면 이 사용자가 참여한 발제글에 [그림 1-(a)]와 같은 형태의 댓글 트리가 나타나는 경향이 클 것이라는 점이다.
만약 어떤 사용자가 토론을 유발하는 성향을 가지고 있다면 이 사용자가 참여한 발제글에 [그림 1-(a)]와 같은 형태의 댓글 트리가 나타나는 경향이 클 것이라는 점이다. 본 논문에서는 이러한 댓글 트리의 구조를 잘 나타낼 수 있는 정량적인 지표를 제안하고자 한다. 이를 위하여 글을 작성하는 발제자의 특성을 표현하기 위한 발제글 댓글 트리 전체의 구조적 지표와, 댓글 사용자의 특성을 표현하기 위한 댓글 트리 내의 특정 사용자 댓글들이 가지는 구조적 및 계층적인 특징을 표현할 수 있는 지표들을 제안한다.
본 장에서는 발제글 작성자들의 특성을 분석하기 위하여 각각의 발제글과 그에 달린 댓글들이 구성하는 댓글 트리의 전체적인 구조적인 특징을 나타내기 위한 정량적인 지표를 제안하고, 제안한 지표가 어떠한 분포 특성을 나타내는지를 살펴보도록 한다. 각 구조적 특징은 [표 1]에 요약되어 있다.
본 절에서는 주어진 발제글에 대한 댓글 트리 T = ( V, E ) 내의 각각의 댓글 작성자 x∈{ λ(v) : v∈V - {r}}에 대하여 해당 사용자가 작성한 댓글들의 집합 Vx이 지니는 구조적인 특성을 나타내기 위한 지표들을 살펴보고자 한다.
이를 위하여 글을 작성하는 발제자의 특성을 표현하기 위한 발제글 댓글 트리 전체의 구조적 지표와, 댓글 사용자의 특성을 표현하기 위한 댓글 트리 내의 특정 사용자 댓글들이 가지는 구조적 및 계층적인 특징을 표현할 수 있는 지표들을 제안한다. 제안한 지표에 대하여 각 발제자 및 댓글 사용자 별 분포를 통하여 그 특성을 분석하고, 사용자 분류 실험을 통하여 구조적 지표가 사용자의 특성을 분석하기 위한 효과적인 도구하는 점을 입증하고자 한다.

제안 방법

따라서 자신이 작성한 발제글 중 θ개 이상의 발제 글에 차단된 댓글이 하나 이상씩 존재하는 발제글 게시자들과 차단된 댓글이 하나도 존재하지 않는 발제글만 작성한 발제글 게시자(일반 사용자)를 분류하는 실험을 수행한다.
이와 관련하여, 1491개의 발제글에 걸쳐 있는 4,158개의 차단된 댓글 정보 역시 수집하였다. 또한, 사이트의 인터페이스에서는 댓글의 깊이가 제한되지만 최대 깊이에 있는 댓글들은 답글을 다는 상대방을 지칭하고 있어 이를 토대로 계층적 구조를 재구성하였다.
추가 실험으로서 일반 사용자를 경고를 한 번도 받지 않은 모든 사용자(발제글 게시자 1842명, 댓글 작성자 7712명)으로 두고 θ = 2에 따른 사용자 검출 실험을 수행하였다. 마찬가지로 가우시안 커널을 사용한 SVM을 이용해 학습하였으며, 이번에는 10-fold 교차검증을 수행한 뒤 Precision과 Recall을 이용하여 F1 score를 측정하였다. 발제글 게시자 분류실험에서는 모든 특징을 조합한 FS3가 73.
이렇게 구성된 데이터 상에서 SVM(Support Vector Machine)을 사용하여 학습을 시킨다. 본 실험에서는 R에서 제공하는 e1071 패키지에서 제공하는 SVM 구현을 사용하였으며, 커널은 가우시안 커널을 사용하였다. 또한, 교차검증을 위하여 Leave-one-out 방식을 이용한다.
실험을 위하여 관리자로부터 차단된 댓글 수를 기준으로 발제글 게시자 및 댓글 작성자를 각각 두 그룹으로 분할하였다. 우선 발제글 게시자를 살펴보면, 만약 어떤 발제글 게시자가 작성한 발제글 중 차단된 댓글이 발생한 발제글의 수가 많다면, 이 발제글 게시자가 주로 게시하는 내용에 분란의 소지가 많다는 것을 의미한다.
우선 발제글 게시자 분류를 위한 비교실험 및 그 결과를 분석한다. 이와 관련된 기존 연구는 없으므로 본 논문에서 제시한 특징들의 서로 다른 조합을 [표 4]와 같이 구성하여 학습 및 평가를 수행하였다.
본 논문과 가장 관련이 깊은 연구는 사용자가 댓글을 남기는 특성을 이용하여 사용자를 분류하는 연구이다[12]. 이 연구에서는 댓글의 개수, 활동 시간대, 평균 단어 및 문장 수, 대소문자 비율, URL 개수와 더불어 같은 글에 댓글을 작성한 다른 사용자와의 관계망상에서의 해당 사용자 노드의 차수와 최대 클리크(maximal cliques)에 포함되는 횟수 등을 특징으로 이용하여 기계학습을 통해 비정상사용자를 분류해내는 작업을 수행하였다. 그러나 이 연구에서는 계층적 댓글 시스템으로부터 얻을 수 있는 사용자간의 밀접한 상호 작용을 고려하지 않았다는 한계점이 있다.
본 논문에서는 이러한 댓글 트리의 구조를 잘 나타낼 수 있는 정량적인 지표를 제안하고자 한다. 이를 위하여 글을 작성하는 발제자의 특성을 표현하기 위한 발제글 댓글 트리 전체의 구조적 지표와, 댓글 사용자의 특성을 표현하기 위한 댓글 트리 내의 특정 사용자 댓글들이 가지는 구조적 및 계층적인 특징을 표현할 수 있는 지표들을 제안한다. 제안한 지표에 대하여 각 발제자 및 댓글 사용자 별 분포를 통하여 그 특성을 분석하고, 사용자 분류 실험을 통하여 구조적 지표가 사용자의 특성을 분석하기 위한 효과적인 도구하는 점을 입증하고자 한다.
분석을 위하여 인터넷 커뮤니티 중 하나인 PGR21의 자유게시판에서 2015년부터 2017년까지 3년간 작성된 발제글 17,516개와 그에 달린 댓글 975,500개를 수집하였다. 이를 위하여 파이썬 스크립트를 작성하여 게시판 목록상에 나타난 링크 중 해당 기간 내에 작성된 모든 발제글의 본문 페이지를 다운로드하여 파싱한 후 댓글 트리 정보를 추출하였다. 분석 대상으로서 이 사이트를 선택한 이유는 다음과 같다.
우선 발제글 게시자 분류를 위한 비교실험 및 그 결과를 분석한다. 이와 관련된 기존 연구는 없으므로 본 논문에서 제시한 특징들의 서로 다른 조합을 [표 4]와 같이 구성하여 학습 및 평가를 수행하였다. [그림 8-(a)] 및 (b)에 실험결과가 나타나 있다.
또한, 교차검증을 위하여 Leave-one-out 방식을 이용한다. 즉, 구성된 사용자 집합으로부터 1명을 제거한 후 나머지에 대하여 학습을 수행한 후 해당 사용자를 올바르게 분류하는지를 전체 사용자에 대하여 평가하여 평균 정확도를 계산한다.

대상 데이터

분석을 위하여 인터넷 커뮤니티 중 하나인 PGR21의 자유게시판에서 2015년부터 2017년까지 3년간 작성된 발제글 17,516개와 그에 달린 댓글 975,500개를 수집하였다. 이를 위하여 파이썬 스크립트를 작성하여 게시판 목록상에 나타난 링크 중 해당 기간 내에 작성된 모든 발제글의 본문 페이지를 다운로드하여 파싱한 후 댓글 트리 정보를 추출하였다.
또한 이 커뮤니티는 다른 사이트에 비하여 다소 엄격한 토론 규칙이 있으며, 규칙을 어기는 경우 운영자가 댓글을 차단하고 필요에 따라 사용자에게 벌점을 부여한다. 이와 관련하여, 1491개의 발제글에 걸쳐 있는 4,158개의 차단된 댓글 정보 역시 수집하였다. 또한, 사이트의 인터페이스에서는 댓글의 깊이가 제한되지만 최대 깊이에 있는 댓글들은 답글을 다는 상대방을 지칭하고 있어 이를 토대로 계층적 구조를 재구성하였다.
[그림 2]은 성차별과 관련된 주제로 작성된 실제 데이터 상의 발제글의 댓글 트리를 나타낸다. 총 92명의 사용자가 455개의 댓글을 주고받으며 열띤 토론을 벌였고, 그 중 4개의 댓글은 비방 등을 이유로 차단당했다.
추가 실험으로서 일반 사용자를 경고를 한 번도 받지 않은 모든 사용자(발제글 게시자 1842명, 댓글 작성자 7712명)으로 두고 θ = 2에 따른 사용자 검출 실험을 수행하였다.

이론/모형

본 실험에서는 R에서 제공하는 e1071 패키지에서 제공하는 SVM 구현을 사용하였으며, 커널은 가우시안 커널을 사용하였다. 또한, 교차검증을 위하여 Leave-one-out 방식을 이용한다. 즉, 구성된 사용자 집합으로부터 1명을 제거한 후 나머지에 대하여 학습을 수행한 후 해당 사용자를 올바르게 분류하는지를 전체 사용자에 대하여 평가하여 평균 정확도를 계산한다.

성능/효과

1. 제안한 구조적 지표들이 로그-로그 그래프 상에서 선형성을 가지는 것을 관찰함을 통하여 해당 지표에 멱법칙의 특성이 나타나는 것을 확인하였다.
2. 제안한 구조적 지표들은 활동적인 사용자들 사이에서 관리자의 개입을 많이 받은 사용자를 분류해내는 데에 적합하다는 사실을 실험을 통해 확인하였다. 즉, 관리자의 개입을 많이 받은 사용자들이 댓글 트리의 구조적인 특성에 유의미한 영향을 미친다는 사실을 확인할 수 있었다.
3. 구조적인 특성을 이용한 사용자 분류 작업은 발제글 게시자에 비하여 개별적인 댓글 사용자에게 더욱 효과적임을 실험적으로 확인하였다. 특히 댓글 작성자 분류실험에서는 기존 기법에 비하여 최대 18.
마찬가지로 가우시안 커널을 사용한 SVM을 이용해 학습하였으며, 이번에는 10-fold 교차검증을 수행한 뒤 Precision과 Recall을 이용하여 F1 score를 측정하였다. 발제글 게시자 분류실험에서는 모든 특징을 조합한 FS3가 73.1%의 성능을 보이며 FS1, FS2 조합을 각각 1.7%p, 1.5%p차로 우세함을 보였고, 댓글작성자 분류실험에서는 제안 기법의 성능이 47.3%, 기존기법이 43.8%로 측정되었으며, 제안기법의 Precision과 Recall이 기존기법에 비하여 각각 3.1%p, 2.8%p 높음을 확인할 수 있었다.
발제글 게시자 분류에서는 활동적인 사용자 내에서 낮은 θ값의 경우 모든 특징 조합을 사용한 경우에 우수한 성능을 보였으며, 댓글 작성자 분류는 무작위 사용자 집합과의 실험에서 낮은 θ값에서 높은 정확도를 보였고, 활동적인 사용자와의 실험에서는 마찬가지로 모든 경우 기존 기법에 비하여 우수하였다.
이에 반하여 일반 사용자 집합을 활동적인 사용자들로 구성한 실험결과에서는 θ < 3으로 작거나, 반대로 큰 θ≥7의 경우에 전체 특성 지표를 모두 조합함으로써 성능 향상을 얻을 수 있 음을 확인하였다.
일반 사용자 집합을 무작위로 추출한 경우에는 일반 사용자에 해당하는 발제글 작성자들이 올린 발제글 수나 인기가 분쟁이 일어난 발제글을 올린 사용자에 비하여 턱없이 낮기 때문에 가장 간단한 특징 집합인 FS1이 가장 높은 성능을 보이는 것이 관찰되었다.
일반적으로 지프(Zipf) 법칙과 같은 특성을 지닌 데이터에서 최상위와 최하위 데이터가 선형성에서 다소 벗어나는 경향이 있는데 본 논문의 데이터도 이러한 성향이 관찰되어 이를 반영하여 선형성이 뚜렷한 부분에 대해서만 회귀를 수행한 것이다. 전반적으로 로그-로그 그래프 상에서 선형성을 보이는 구간이 존재하며, 최하위 값들은 급격하게 감소하는 성향을 보이는 것을 확인하였다.
제안한 구조적 지표들은 활동적인 사용자들 사이에서 관리자의 개입을 많이 받은 사용자를 분류해내는 데에 적합하다는 사실을 실험을 통해 확인하였다. 즉, 관리자의 개입을 많이 받은 사용자들이 댓글 트리의 구조적인 특성에 유의미한 영향을 미친다는 사실을 확인할 수 있었다.
구조적인 특성을 이용한 사용자 분류 작업은 발제글 게시자에 비하여 개별적인 댓글 사용자에게 더욱 효과적임을 실험적으로 확인하였다. 특히 댓글 작성자 분류실험에서는 기존 기법에 비하여 최대 18.8%p의 성능 향상을 보였다.

후속연구

이 연구에서는 댓글의 개수, 활동 시간대, 평균 단어 및 문장 수, 대소문자 비율, URL 개수와 더불어 같은 글에 댓글을 작성한 다른 사용자와의 관계망상에서의 해당 사용자 노드의 차수와 최대 클리크(maximal cliques)에 포함되는 횟수 등을 특징으로 이용하여 기계학습을 통해 비정상사용자를 분류해내는 작업을 수행하였다. 그러나 이 연구에서는 계층적 댓글 시스템으로부터 얻을 수 있는 사용자간의 밀접한 상호 작용을 고려하지 않았다는 한계점이 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	댓글을 통한 의사소통의 장점은 무엇인가?	댓글을 통한 의사소통은 매우 신속하고 편리하기 때문에 많은 수의 사용자들이 다양한 주제에 대하여 시공간적인 제약 없이 토론하는 것이 가능하게 해준다. 그러나 이러한 편의성은 때로는 익명성과 결합하여 의사 소통의 무게감을 가볍게 하고 사용자들로 하여금 무례하고 공격적인 표현을 거리낌 없이 사용하도록 만들기도 한다.
	온라인 커뮤니티 운영자가 분쟁에 신속하고 효과적으로 대처하는 것에 무엇이 도움이 되는가?	온라인 커뮤니티 운영자의 입장에서 이러한 분쟁에 신속하고 효과적으로 대처하는 것은 매우 중요한 일이다. 그러기 위해서는 우선 사용자들의 특성에 관하여 분석을 하고, 댓글을 통하여 분쟁을 자주 일으키는 사용자들에게 어떠한 특징이 있는지, 분쟁이 자주 일어나는 발제글을 자주 작성하는 사용자들이 공통적으로 가지는 특성이 무엇인지를 파악하는 것이 큰 도움이 된다[3].
	온라인 커뮤니티의 특징은 무엇인가?	온라인 커뮤니티에서는 다양한 사용자들이 시공간적인 제약을 받지 않고 여러 주제에 대하여 동시다발적으 로 의견과 감정을 교환한다[1]. 특히 많은 수의 온라인 사이트들이 게시판 형태의 의사소통 도구를 제공하는데, 이들 사이트에서는 어떤 사용자가 뉴스나 자신의 경험, 정보교환과 같은 내용을 담은 발제글을 작성함으로써 의사소통의 시작이 이루어진다.

참고문헌 (12)

S. Gonzalez-Bailon, A. Kaltenbrunner, and R. E. Banchs, “The Structure of Political Discussion Networks: A Model for the Analysis of Online Deliberation,” Journal of Information Technology, Vol. 25, No. 2, pp. 230-243, 2010.

상세보기
J. Cheng, M. Bernstein, C. Danescu-Niculescu-Mizil, and J. Lekovec, "Anyone Can Become a Troll: Cause of Trolling Behavior in Online Discussions," in Proc. ACM CSCW, pp. 1217-1230, 2017.
E. E. Buckels, P. D. Trapnell, and D. L. Paulhus, "Trolls Just Want to Have Fun," Personality and Individual Differences, Vol. 67, pp. 97-102, 2014.

상세보기
A. J. Morales, J. Borondo, J. C. Losada, and R. M. Benito, "Measuring Political Polarization: Twitter Shows the Two Sides of Venezuela," Chaos, Vol. 25, No. 033114, 2015.
P. Singer, F. Flock, C. Meinhart, E. Zeitfogel, and M. Strohmaier, "Evolution of Reddit: From the Front Page of the Internet to a Self-Referential Community," In Proc. WWW, pp. 517-522, 2014.
V. Gomez, A. Kaltenbrunner, and V. Lopez, "Statistical Analysis of the Social Network and Discussion Threads in Slashdot," in Proc. WWW, pp. 645-654, 2008
K. Allen, G. Carenini, and R. T. Ng, "Detecting Disagreement in Conversations using Pseudo-Monologic Rhetorical Structure," in Proc. EMNLP, pp. 1160-1180, 2014.
M. Qui, Y. Sim, N. A. Smith, and J. Jiang, "Modeling User Arguments, Interactions, and Attributes for Stance Prediction in Online Debate Forum," In Proc. SDM, pp. 855-863, 2015.
P. Biyani, S. Bhatia, C. Caragea, and P. Mitra, "Using Non-Lexical Features for Identifying Factual and Opinionative Threads in Online Forums," Knowledge-Based Systems, Vol. 69, pp. 170-178, 2014.

상세보기
J. Cheng, C. Danescu-Niculescu-Mizil, and J. Leskovec, "How Community Feedback Shapes User Behavior," In Proc. ICWSM, pp. 41-50, 2014.
B. A. Coles and M. West, "Trolling the Trolls: Online Forum Users Constructions of the Nature and Properties of Trolling," Computers in Human Behavior, Vol. 60, pp. 233-244, 2016.

상세보기
T. C. Li, J. Gharibshah, E. E. Papalexakis, and M. Faloutsos, "TrollSpot: Detecting Misbehavior in Commenting Platforms," in Proc. IEEE/ACM ASONAM, pp. 171-175, 2017.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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