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
- 기존의 영상콘텐츠 시청 행위 대부분은 정적인 여가 활동이라는 성격이 강하지만, 영상콘텐츠와 시청자가 상호작용을 하게 되는 시청 방식에 요구되는 몰입의 경우 콘텐츠 시청 행위 자체로써가 아니라, 시청자가 콘텐츠와의 즐거운 상호작용을 통한 후천적인 목적 달성 과정에서 발생하는 적극적, 능동적, 그리고 역동적인 몰입이라는 점을 고려하여 본 연구에서는 Csikszentmihalyi의 몰입 개념인 ‘Flow’를 분석 및 활용하고자 한다.
- 상호작용의 연결고리를 수행하는 모달리티의 효과적인 활용을 위하여 영상콘텐츠의 시스템은 시청자의 시청 상태를 인식 및 파악하여야 시청자에게 더욱 쾌적하고 의미 있는 시청 경험을 제공할 수 있다. 따라서 영상콘텐츠 시청자의 상태 혹은 상황에 대한 측정요인으로써 지속적으로 활용되어온 몰입 개념에 대하여 살펴보고, 영상콘텐츠 시청자의 몰입 상황을 파악하는 데에 적용될 몰입 개념에 대한 활용 방안을 연구한다.
- 본 논문에서는 기존에 시청자의 특정 행위와 발생 감정에 관한 연관관계 및 시청자의 시청 행위에 입각하여 참여도 혹은 몰입도와 같은 깊이(depth/level)를 측정하던 선행연구들로부터 다른 관점과 방법으로 접근하였다. 점차 증가하는 사용자와의 상호작용에 있어 영상콘텐츠의 시스템 관점에서 시청자의 행태와 감정에 효과적으로 반응하기 위하여 시청자의 몰입상황을 파악 및 분석하는 데에 활용되리라 예상하는 시청자의 몰입감정상태에 대한 연구를 진행하였다.
- 본 논문에서는 영상콘텐츠의 시스템 측면에서 시청자의 상황을 분석하는 데에 효율적인 접근 방식을 제안하기 위하여, 시청자의 몰입감정상태를 제시하였다. 이를 활용하여 추가적으로 시청자의 실제 몰입감정상태를 조사하여 시청자의 몰입상황에 대한 특성을 발견 및 분석할 수 있었다.
- 본 논문에서는 기존에 시청자의 특정 행위와 발생 감정에 관한 연관관계 및 시청자의 시청 행위에 입각하여 참여도 혹은 몰입도와 같은 깊이(depth/level)를 측정하던 선행연구들로부터 다른 관점과 방법으로 접근하였다. 점차 증가하는 사용자와의 상호작용에 있어 영상콘텐츠의 시스템 관점에서 시청자의 행태와 감정에 효과적으로 반응하기 위하여 시청자의 몰입상황을 파악 및 분석하는 데에 활용되리라 예상하는 시청자의 몰입감정상태에 대한 연구를 진행하였다.
제안 방법
- 둘째, 해당 데이터의 실제 활용을 위하여 영상콘텐츠 시청자의 몰입 유발 요인으로 간주되는 인칭 기반 시점을 중심으로 제작된 영상콘텐츠들을 제공하여 시청자의 실제 몰입감정상태를 관찰하였으며, 데이터 시각화 과정을 거친 후 시청자의 특성을 발견 및 분석하였다. 해당 과정에서 실험 참가자들이 사전에 도출된 103 가지 행동 및 행위 유형 중에서 총 43 가지의 행동 및 행위를 취한 점, 자신감의 상태에 대한 시청자의 동적인 표출이 발견되지 않은 점, 그리고 시청자의 몰입감정상태의 두드러진 변화는 몸짓보다 안면표정에 의해서 쉽게 파악된다는 점이 발견되었다.
- 본 연구에서는 우선적으로 선행연구(김철기, 손준혁, 이상걸, 차지현, 김승환, 2017)에서 도출된 108 가지의 영상콘텐츠 시청자 추정 행동 및 행위 유형을 연구자가 직접 시각화한 후, 이를 시청 중 발생하는3가지의 추정 몰입감정(긍정-Positive, 부정-Negative, 중립-Neutral)과 그에 따른 8 가지의 시청자 추정 상태(각성-Arousal, 걱정-Worry, 권태-Boredom, 몰입-Flow, 무관심-Apathy, 불안-Anxiety, 여유-Relaxation, 자신감-Control)로 구성된 몰입감정 상태로 범주화하는 작업을 시행하였다. 또한, 시청자 관찰 실험을 진행하여 시청자의 상호작용을 유발하기에 적절한 요소인 시점(point of view)을 활용한 POV 영상콘텐츠들1)을 그 성격 및 특정 인칭의 시점 유형별로 총 7편으로 선별 및 선정하여 시청자의 실제 몰입감정상태를 관찰 및 조사하는 데에 활용하였으며, 도출된 시청자의 개별 몰입감정상태를 취합하여 시청자의 몰입감정에 대한 역동성(Flow-emotion dynamics)을 살펴본 후, 이를 통하여 시청자의 반응성향 및 몰입상황에 대한 특성을 분석하였다.
- 본 과정에서는 꺾은선 그래프를 활용하였으며 x축은 영상클립의 재생시간으로, y축의 시청자의 추정상태는 관련연구에서 사전에 문헌 조사를 통하여 살펴본 몰입 관련 인간의 감정 상태와 그 연관관계를 분석 후, 시청자와 상호작용을 지속하기 위하여 영상콘텐츠의 시스템 입장에서 시청자의 몰입을 유지 및 향상시키는데 활용하기 위한 뚜렷한 변수를 측정한다는 방향을 고려하여 몰입(Flow)상태를 ‘0’으로 책정하고, 이를 기준으로 위계(긍정적 몰입감정(POS) - 각성(3), 자신감(2), 여유(1), 중립적 몰입감정(NEUT) - 몰입(0), 무관심(–1), 부정적 몰입감정(NEG) - 권태(-2), 걱정(-3), 불안(-4))를 설정하여 활용하였다.
- 본 단계에서는 앞서 도출된 모든 실험참가자의 몰입감정상태 데이터를 기반으로 각 영상콘텐츠에 대하여 시청자의 몰입감정의 역동성(Flow-emotion dynamics)이 공통적으로 나타나는 시간대를 도출하였다. 해당 과정에서 제시된 몰입감정 역동성이란 영상콘텐츠를 시청하는 데 있어서 기본적으로 발생하는 참여도를 바탕으로 한 몰입 혹은 일시적인 무관심의 상태를 제외하고서, 특정 제스처 혹은 안면의 움직임이 뚜렷하게 긍정 혹은 부정의 몰입감정상태를 표출하는 특성을 의미한다.
- 본 연구에서는 우선적으로 선행연구(김철기, 손준혁, 이상걸, 차지현, 김승환, 2017)에서 도출된 108 가지의 영상콘텐츠 시청자 추정 행동 및 행위 유형을 연구자가 직접 시각화한 후, 이를 시청 중 발생하는3가지의 추정 몰입감정(긍정-Positive, 부정-Negative, 중립-Neutral)과 그에 따른 8 가지의 시청자 추정 상태(각성-Arousal, 걱정-Worry, 권태-Boredom, 몰입-Flow, 무관심-Apathy, 불안-Anxiety, 여유-Relaxation, 자신감-Control)로 구성된 몰입감정 상태로 범주화하는 작업을 시행하였다. 또한, 시청자 관찰 실험을 진행하여 시청자의 상호작용을 유발하기에 적절한 요소인 시점(point of view)을 활용한 POV 영상콘텐츠들1)을 그 성격 및 특정 인칭의 시점 유형별로 총 7편으로 선별 및 선정하여 시청자의 실제 몰입감정상태를 관찰 및 조사하는 데에 활용하였으며, 도출된 시청자의 개별 몰입감정상태를 취합하여 시청자의 몰입감정에 대한 역동성(Flow-emotion dynamics)을 살펴본 후, 이를 통하여 시청자의 반응성향 및 몰입상황에 대한 특성을 분석하였다.
- 추가적으로 모든 시각화 데이터를 소책자에 취합하고 총 30부의 사본을 제작하여 설문지와 함께 80명의 인원에게 제공하였다. 설문 참가자는 8 가지의 몰입 상태(각성, 걱정, 권태, 몰입, 무관심, 불안, 여유, 그리고 자신감) 중 각각의 이미지를 시청자의 특정 상태 범주와 일치시키는 작업을 실시하였다. 설문 과정에서 획득된 데이터를 SPSS (ver.
- 셋째, 본 연구에서 수행한 시청자의 몰입감정 역동성에 대한 조사는 특정 영상콘텐츠를 시청하는 시청자(들)의 몰입상황을 분석하여 영상콘텐츠의 어떠한 시점과 맥락에서 시청자의 특정 감정상태들이 표출되는지를 발견할 수 있게 하였다. 이러한 접근을 활용한다면 향후 영상콘텐츠 제작자의 관점에서 시청자들이 선호하고 기대하는 서사 구조 및 요소들을 파악하는 데에 용이할 것이며, 이에 더 나아가 영상콘텐츠가 한 개인으로써의 시청자와 맞춤형 상호작용 방식을 통하여 서로에 대한 의사를 파악하고 교류하며 더욱 친숙하고 편안한 미디어 콘텐츠로 변모하며 시청자의 만족도 향상에 기여할 수 있을 것이라 기대해본다.
- 시청자들이 영상클립을 시청하는 과정을 모두 녹화하였으며, 사전에 범주화를 거친 103 가지 시청자 추정행동 및 행위 데이터를 기준으로 각 시청자의 개별 행동 및 행위를 시점별(매 10초 구획 기준)로 전간기록(whole-interval recording)2)을 하여 실험 참가자들의 개별 몰입감정상태를 살펴볼 수 있었다. Table 5는 해당 과정에서 부분 발췌된 것으로, 1번 시청자가 2번 영상 클립을 시청하면서 발생한 행태와 그에 따른 몰입감정상태에 대하여 관찰 및 기록한 것이다.
- 시청자의 행동 및 행위 모델의 범주화 작업을 마친 후 영상콘텐츠 시청자의 실제 몰입감정상태에 대한 조사를 위하여 비참여 관찰 실험(non-participant observation)이 이루어졌다. 본 실험 과정에서는 크게 교양성, 상업성, 그리고 오락성의 세 가지 범주에서 최근 2년 내로 제작된 영상콘텐츠 7편이 선정되어 활용되었다.
- 본 논문에서는 영상콘텐츠의 시스템 측면에서 시청자의 상황을 분석하는 데에 효율적인 접근 방식을 제안하기 위하여, 시청자의 몰입감정상태를 제시하였다. 이를 활용하여 추가적으로 시청자의 실제 몰입감정상태를 조사하여 시청자의 몰입상황에 대한 특성을 발견 및 분석할 수 있었다. 본 연구의 결과는 다음과 같다.
- 본 실험 과정에서는 크게 교양성, 상업성, 그리고 오락성의 세 가지 범주에서 최근 2년 내로 제작된 영상콘텐츠 7편이 선정되어 활용되었다. 첫째, 교양성 부문에서 1편의 1인칭 유형의 교양함양용 영상(최태성의 군함도), 둘째, 상업성 부문에서 1인칭 유형 광고 및 1인칭과 3인칭 혼용 POV 유형 광고를 포함한 네 편의 영상(렉서스: 1min, 롯데제과: 1 min 57s, 아우디: 1 min 28 s, 그리고 좋은데이: 2 min 22 s), 그리고 셋째, 오락성 부문에서 1인칭 POV 유형으로 진행되는 영화 클립 및 제품 체험 영상을 포함한 2편의 영상(AutoTopNL: 2min 17s, Hardcore Henry: 2 min 52 s)으로 구성된 영상 클립이 실험에 제공되었으며, 해당 구성은 Fig. 5에 제시된 바와 같다.
- 첫째, 시청자에게 적용 가능한 상태 및 몰입 역할의 개념과 더불어 실증조사를 통하여 선행연구로부터 도출된 시청자의 추정 행동 및 행위 유형을 시청자의 몰입감정상태로 범주화하는 작업이 이루어졌다. 그 결과, 총 세 가지 몰입감정의 범주(긍정, 중립, 그리고 부정) 중 긍정적 몰입감정상태에 28 가지, 중립적 몰입감정상태에 23 가지, 그리고 부정적 몰입감정상태에 52 가지를 포함하여 총 103 가지의 시청자 추정 행동 및 행위들이 1차적으로 분류되었다.
대상 데이터
- 5. 7 video clips provided for the experiment.
- 또한, 실험참가자로는 20, 30, 그리고 40대 남녀 직장인 및 대학원생으로 구성된 총 5인이 선정되었으며, 해당 인원 구성은 모두 실험도구로 제공된 유형의 영상콘텐츠와 관련된 분야에 종사 및 연구를 진행하는 인원으로 이루어져 있었다. 본 실험은 모든 실험 참가자에게 동일한 장소, 시청 시간, 그리고 영상콘텐츠 시청을 바탕으로 진행되었으며 Fig.
- 시청자의 행동 및 행위 모델의 범주화 작업을 마친 후 영상콘텐츠 시청자의 실제 몰입감정상태에 대한 조사를 위하여 비참여 관찰 실험(non-participant observation)이 이루어졌다. 본 실험 과정에서는 크게 교양성, 상업성, 그리고 오락성의 세 가지 범주에서 최근 2년 내로 제작된 영상콘텐츠 7편이 선정되어 활용되었다. 첫째, 교양성 부문에서 1편의 1인칭 유형의 교양함양용 영상(최태성의 군함도), 둘째, 상업성 부문에서 1인칭 유형 광고 및 1인칭과 3인칭 혼용 POV 유형 광고를 포함한 네 편의 영상(렉서스: 1min, 롯데제과: 1 min 57s, 아우디: 1 min 28 s, 그리고 좋은데이: 2 min 22 s), 그리고 셋째, 오락성 부문에서 1인칭 POV 유형으로 진행되는 영화 클립 및 제품 체험 영상을 포함한 2편의 영상(AutoTopNL: 2min 17s, Hardcore Henry: 2 min 52 s)으로 구성된 영상 클립이 실험에 제공되었으며, 해당 구성은 Fig.
- 추가적으로 모든 시각화 데이터를 소책자에 취합하고 총 30부의 사본을 제작하여 설문지와 함께 80명의 인원에게 제공하였다. 설문 참가자는 8 가지의 몰입 상태(각성, 걱정, 권태, 몰입, 무관심, 불안, 여유, 그리고 자신감) 중 각각의 이미지를 시청자의 특정 상태 범주와 일치시키는 작업을 실시하였다.
데이터처리
- 설문 참가자는 8 가지의 몰입 상태(각성, 걱정, 권태, 몰입, 무관심, 불안, 여유, 그리고 자신감) 중 각각의 이미지를 시청자의 특정 상태 범주와 일치시키는 작업을 실시하였다. 설문 과정에서 획득된 데이터를 SPSS (ver.23)로 분석하여 시청자의 특정 행동 및 행위와 특정 상태의 상관관계를 파악할 수 있었다. 원자료의 변수 분포 상태를 파악하기 위해 빈도 분석이 수행되었고 각 항목의 분산간에 유의한 차이가 존재하는지 살펴보기 위하여 카이 제곱 검정 시험(유의 수준을 0.
- 23)로 분석하여 시청자의 특정 행동 및 행위와 특정 상태의 상관관계를 파악할 수 있었다. 원자료의 변수 분포 상태를 파악하기 위해 빈도 분석이 수행되었고 각 항목의 분산간에 유의한 차이가 존재하는지 살펴보기 위하여 카이 제곱 검정 시험(유의 수준을 0.005로 설정)과 같은 1샘플 비모수 테스트를 시행하였다.
성능/효과
- 첫째, 시청자에게 적용 가능한 상태 및 몰입 역할의 개념과 더불어 실증조사를 통하여 선행연구로부터 도출된 시청자의 추정 행동 및 행위 유형을 시청자의 몰입감정상태로 범주화하는 작업이 이루어졌다. 그 결과, 총 세 가지 몰입감정의 범주(긍정, 중립, 그리고 부정) 중 긍정적 몰입감정상태에 28 가지, 중립적 몰입감정상태에 23 가지, 그리고 부정적 몰입감정상태에 52 가지를 포함하여 총 103 가지의 시청자 추정 행동 및 행위들이 1차적으로 분류되었다. 시청자가 표출한 특정 행태와 시청자의 상황의 연관관계를 파악하기 위하여 몰입 및 관련 감정상태들을 매개로 활용한 것은 기존에 시청자의 상태 및 상황을 정의하려던 연구들과 비교하여 보다 효율적이고 세분화된 접근을 시도하였다는 데에 중요한 의의가 있다.
- 긍정적인 몰입감정의 종속 상태로써 역동성의 발생 빈도가 가장 높은 시청자 추정 상태가 ‘여유’와의 근소한 차이로 ‘각성’이라는 점이 발견되었고, 부정적인 몰입감정의 종속 상태로써 역동성의 발생 빈도가 가장 높은 시청자 추정 상태는 ‘걱정’이라는 점이 발견되었으며, 두드러진 몰입감정 표출에 대한 빈도에 있어서는 부정적인 감정이 긍정적인 감정보다 높다는 점이 나타났다.
- 따라서 본 범주화 연구 결과는 Table 4에 정리된 바와 같이 3 가지 몰입 감정(긍정, 중립, 그리고 부정)에 종속된 8 가지의 시청자의 상태들로 구성되며, 긍정적(Positive) 몰입감정상태에 28 가지, 중립적(Neutral) 몰입감정상태에 23 가지, 그리고 부정적(Negative) 몰입감정상태에 52 가지의 시청자의 행동 및 행위들이 할당되었다.
- 또한, 본 조사 과정에서 도출된 시청자의 행동 및 행위 유형은 103 가지 중에서 43 가지가 발견 되었으며 몰입감정 ‘긍정’의 ‘자신감’상태 범주에 속하는 시청자의 행태는 전혀 발견되지 않았다.
- 또한, 시청자의 몰입감정 역동성을 조사 후, 실험에 활용된 영상클립들 중에서 시청자의 긍정 및 부정적인 몰입감정상태가 가장 많이 표출된 콘텐츠는 바로 풀타임 1인칭 POV 중심 액션 영화인 ‘Hardcore Henry’ 프로모션 클립이라는 점을 발견할 수 있었다.
- 해당 과정에서 실험 참가자들이 사전에 도출된 103 가지 행동 및 행위 유형 중에서 총 43 가지의 행동 및 행위를 취한 점, 자신감의 상태에 대한 시청자의 동적인 표출이 발견되지 않은 점, 그리고 시청자의 몰입감정상태의 두드러진 변화는 몸짓보다 안면표정에 의해서 쉽게 파악된다는 점이 발견되었다. 또한, 실험에 제공된 각 영상클립을 대상으로 시청자들의 몰입감정의 역동성이 뚜렷하게 발생하는 구간을 분석한 결과, 시청자들은 긍정보다는 부정적 몰입감정상태에 있어 반응 빈도가 더욱 높았다는 점을 발견하였다. 본 연구에서 시도한 접근 과정은 향후 영상콘텐츠의 시스템 관점에서 시청자의 반응 의도를 추론하는 데에 활용될 수 있으리라 예상한다.
- 해당 분석과정을 거친 후, 총 108 가지의 항목 중 5 가지 항목(024-머리를 위 아래로 흔들다, 042-계속 코를 만지작거리다, 049-코에 손을 대고 앞으로 숙이다, 066-머리를 뒤로 젖히면서 코를 멀리 떨어뜨리다, 그리고 086-목을 어깨 쪽으로 당기다)은 높은 유의확률로 최종 행동 및 행위 유형군에서 제외되었다. 총 103개의 행동 및 행위 유형이 높은 빈도를 보였으며 각 행동 이미지는 8 가지의 몰입 상태들 중 빈도가 가장 높은 하나의 상태 항목으로 종속되었으며, 시청자의 몰입감정과 시청자의 추정 상태의 상관관계는 사전 문헌 조사를 통한 의미 분석을 바탕으로 도출하여 최종 범주화 작업에 적용되었다[11-12]. 따라서 본 범주화 연구 결과는 Table 4에 정리된 바와 같이 3 가지 몰입 감정(긍정, 중립, 그리고 부정)에 종속된 8 가지의 시청자의 상태들로 구성되며, 긍정적(Positive) 몰입감정상태에 28 가지, 중립적(Neutral) 몰입감정상태에 23 가지, 그리고 부정적(Negative) 몰입감정상태에 52 가지의 시청자의 행동 및 행위들이 할당되었다.
- 추가적으로 시청자의 개별 몰입감정상태의 시각화 데이터를 분석한 결과, 시청자의 제스처의 발생시간이 안면표정의 발생시간보다 상대적으로 더욱 안정되고 지속성이 있다는 것을 발견할 수 있었다. 한편 감정 변화의 역동성에 대한 빈도는 안면표정이 제스처보다 높다는 점이 발견되었다.
- 둘째, 해당 데이터의 실제 활용을 위하여 영상콘텐츠 시청자의 몰입 유발 요인으로 간주되는 인칭 기반 시점을 중심으로 제작된 영상콘텐츠들을 제공하여 시청자의 실제 몰입감정상태를 관찰하였으며, 데이터 시각화 과정을 거친 후 시청자의 특성을 발견 및 분석하였다. 해당 과정에서 실험 참가자들이 사전에 도출된 103 가지 행동 및 행위 유형 중에서 총 43 가지의 행동 및 행위를 취한 점, 자신감의 상태에 대한 시청자의 동적인 표출이 발견되지 않은 점, 그리고 시청자의 몰입감정상태의 두드러진 변화는 몸짓보다 안면표정에 의해서 쉽게 파악된다는 점이 발견되었다. 또한, 실험에 제공된 각 영상클립을 대상으로 시청자들의 몰입감정의 역동성이 뚜렷하게 발생하는 구간을 분석한 결과, 시청자들은 긍정보다는 부정적 몰입감정상태에 있어 반응 빈도가 더욱 높았다는 점을 발견하였다.
- 해당 분석과정을 거친 후, 총 108 가지의 항목 중 5 가지 항목(024-머리를 위 아래로 흔들다, 042-계속 코를 만지작거리다, 049-코에 손을 대고 앞으로 숙이다, 066-머리를 뒤로 젖히면서 코를 멀리 떨어뜨리다, 그리고 086-목을 어깨 쪽으로 당기다)은 높은 유의확률로 최종 행동 및 행위 유형군에서 제외되었다. 총 103개의 행동 및 행위 유형이 높은 빈도를 보였으며 각 행동 이미지는 8 가지의 몰입 상태들 중 빈도가 가장 높은 하나의 상태 항목으로 종속되었으며, 시청자의 몰입감정과 시청자의 추정 상태의 상관관계는 사전 문헌 조사를 통한 의미 분석을 바탕으로 도출하여 최종 범주화 작업에 적용되었다[11-12].
후속연구
- 또한, 실험에 제공된 각 영상클립을 대상으로 시청자들의 몰입감정의 역동성이 뚜렷하게 발생하는 구간을 분석한 결과, 시청자들은 긍정보다는 부정적 몰입감정상태에 있어 반응 빈도가 더욱 높았다는 점을 발견하였다. 본 연구에서 시도한 접근 과정은 향후 영상콘텐츠의 시스템 관점에서 시청자의 반응 의도를 추론하는 데에 활용될 수 있으리라 예상한다.
- 2의 Ghani가 제시한 모델을 살펴보면 ‘Flow’ 개념이 인간-컴퓨터 상호작용 과정에서 즐거움과 집중을 통하여 몰두, 학습, 그리고 독창성과 같은 후천적인 행태와 감성을 자극하는 매개 역할을 수행한다고 볼 수 있다[10]. 본 연구에서는 Csikszentmihalyi의 몰입과 관련된 인간의 감정 상태들과 Ghani가 제시한 몰입의 역할 개념을 차용하여 영상콘텐츠 시청자의 각성, 걱정, 권태, 몰입, 무관심, 불안, 여유, 그리고 자신감 등의 상태를 시청 과정에 몰입 중에 발생하는 감정으로 범주화하여 활용함과 영상콘텐츠 시스템의 관점에서 시청자가 몰입 과정에서 취하게 되는 행위들과 관련된 감정과 상태에 대한 분석을 활용하여 궁극적으로 시청자의 몰입상황과 흐름에 대한 파악이 가능하리라 예상한다. 따라서 본 연구에서 제시하는 영상콘텐츠 시스템의 관점에서 시청자의 몰입 상황을 파악하는 방식은 Fig.
- 긍정적인 몰입감정의 종속 상태로써 역동성의 발생 빈도가 가장 높은 시청자 추정 상태가 ‘여유’와의 근소한 차이로 ‘각성’이라는 점이 발견되었고, 부정적인 몰입감정의 종속 상태로써 역동성의 발생 빈도가 가장 높은 시청자 추정 상태는 ‘걱정’이라는 점이 발견되었으며, 두드러진 몰입감정 표출에 대한 빈도에 있어서는 부정적인 감정이 긍정적인 감정보다 높다는 점이 나타났다. 이러한 결과를 바탕으로 시청자는 스스로의 욕구와 관련된 감정 표출에 있어 부정적인 감정에 대하여 더욱 솔직하게 반응할 것이라 예상된다. ‘각성’의 경우에는 상태의 특성상 몰입 안정 및 향상이라는 두 가지 측면에서 모두 활용 가능하나, ‘걱정’의 경우에는 ‘불안’ 혹은 시청 행위 포기로 전이될 수 있는 위험성이 있으므로 영상콘텐츠의 시스템이 시청자의 재몰입 유도를 위한 상호 작용 요소를 제공해야 할 필요가 있다고 볼 수 있다.
- 한편 본 연구에서 제시하는 ‘몰입감정상태(Flow-emotionstate)’라는 용어는, 영상콘텐츠 시청자가 이미 시청 행위에 몰입하고 있는 상황에서 대상인 영상콘텐츠와 관련하여 후속적으로 발생하는 감정을 바탕으로 추정하게 되는 시청자의 상태를 의미하는 복합어(複合語)이다. 이러한 시청자의 몰입감정상태는 영상콘텐츠에게 시청자의 입력 모달리티(input modality)로 작용할 몸짓(gesture)과 안면의 표정(facial expression)에 대하여 직접관찰 후, 시청자의 추정 행동 및 행위 데이터를 통하여 파악이 가능하고, 이를 통하여 향후 시청자에게 재몰입 유도 혹은 몰입 향상요소를 제공하는 데에 활용될 수 있으리라 예상한다.
- 오늘날의 영상콘텐츠 시청자들에게 있어 영상 출력 시스템은 일종의 반응시스템(reaction system)으로 변모하는 양상을 보인다. 이러한 점으로 인하여 시청자의 만족도 향상에 기여하기 위한 다양한 입력 장치들 혹은 인식 장치들이 개발되고 있으며, 이에 기인하여 차후 시청자에게 맞춤형 영상콘텐츠들이 더욱 다양한 방식으로 제공되리라 예상된다. 빅데이터를 통하여 시청자들의 접속 로그를 활용하고 데이터 리디렉션(data redirection)을 통하여 맞춤형 영상콘텐츠의 역할을 제공하는 플랫폼으로는 유튜브(youtube)가 대표적이다.
- 본 연구에서 제시한 몰입감정상태를 활용하여 특정 영상클립에서 시청자의 몰입감정의 역동성이 드러나는 시점대의 콘텐츠 맥락을 분석하게 되면 시청자들이 특정 콘텐츠의 어떠한 맥락에서 특정 행동행위를 바탕으로 어떤 감정이 표출되었는지를 비롯하여, 시청자의 몰입상황 및 흐름을 살펴볼 수 있다. 이러한 접근은 향후 시청자의 행위 반응의 의도에 대한 해석을 시도하고, 이에 상응하는 모달리티를 적용하기에 적절한 시점을 파악하는 데에 적합할 수도 있다고 기대한다.
- 셋째, 본 연구에서 수행한 시청자의 몰입감정 역동성에 대한 조사는 특정 영상콘텐츠를 시청하는 시청자(들)의 몰입상황을 분석하여 영상콘텐츠의 어떠한 시점과 맥락에서 시청자의 특정 감정상태들이 표출되는지를 발견할 수 있게 하였다. 이러한 접근을 활용한다면 향후 영상콘텐츠 제작자의 관점에서 시청자들이 선호하고 기대하는 서사 구조 및 요소들을 파악하는 데에 용이할 것이며, 이에 더 나아가 영상콘텐츠가 한 개인으로써의 시청자와 맞춤형 상호작용 방식을 통하여 서로에 대한 의사를 파악하고 교류하며 더욱 친숙하고 편안한 미디어 콘텐츠로 변모하며 시청자의 만족도 향상에 기여할 수 있을 것이라 기대해본다.
- 해당 클립에서는 전체적인 긍정 및 부정 몰입감정 역동성 발생 빈도(108회) 중 무려 45.37%의 비율을 차지하는 49회의 몰입감정(긍정–15회, 부정-34회)이 발생함으로써, 향후 영상콘텐츠와 시청자와의 상호작용 측면에서 1인칭 POV로 구성된 영상콘텐츠가 시청자의 몰입감정을 효과적으로 유발 및 지속시킬 수 있으리라 예상하며, 콘텐츠의 성격과 내용에 따라서 인칭과 시점을 적절하게 배치하게 되면 시청자로부터 다양한 상호작용 욕구를 불러일으키는 매개요인으로 활용될 것이라 예상한다.
- 멀티모달(multi-modal)은 특정 시스템이 사람의 제스처, 시선, 손의 움직임, 행동 패턴, 음성, 그리고 물리적 위치 등과 같은 사용자의 자연스럽고 직관적인 입력 정보를 해석하여 그에 상응하는 적절한 형식의 정보를 출력 및 전달하는 속성으로 정의할 수 있다[2], [4]. 향후 영상콘텐츠가 시청자에게 친숙하고 편리한 상호작용 방식을 제공하기 위해서는 시청자가 시스템에 불규칙적이며 연속적으로 입력하는 입력 모달리티가 내포하는 시청자 상태 및 의도를 파악하여 그에 상응하는 반응 요소를 제공해야할 필요성이 있다. 선행 연구에서 도출된 입력 모달리티의 범위를 살펴보면 PC환경에서 영상 콘텐츠를 시청한다는 가정 하에서 사람의 상반신 요소들이 입력 모달리티 요소들을 구성한다는 점을 발견할 수 있다[5-6].
※ AI-Helper는 부적절한 답변을 할 수 있습니다.