[논문]유튜브 은닉 질적 정보 분석 기반 유튜브 채널 랭킹 기법

이지현; 오하영

doi:10.6109/jkiice.2019.23.7.757

[국내논문] 유튜브 은닉 질적 정보 분석 기반 유튜브 채널 랭킹 기법
YouTube Channel Ranking Scheme based on Hidden Qualitative Information Analysis 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.23 no.7, 2019년, pp.757 - 763

이지현 (Department of English Language and Literature, Ajou University) , 오하영 (DASAN University Colleage, Ajou University)

초록
AI-Helper

현 시대를 유튜브 시대라고 불릴 정도로 유튜브가 큰 인기를 얻고 있다. 동영상 시청자뿐만 아니라 실제 영상 제작자, 즉 유튜버들도 늘어나고 있어 다양한 주제의 컨텐츠들을 이용할 수 있게 되었다. 사용자와 컨텐츠의 수가 증가하면서 정보 선택의 폭은 커지고 있다는 장점을 갖고 있지만 사용자의 필요에 맞는 정보를 골라내기는 더욱 어렵다. 따라서 본 연구에서는 사용자가 필요로 하는 주제의 채널을 다각도에서 분석하고, 해당 채널의 랭킹을 제공하고자 한다. 채널을 크롤링하고 통계정보인 양적 데이터와 댓글의 은닉 질적 데이터 분석을 통해 채널과 채널 영상의 평균 인지도를 측정한다. 최종적인 사례 연구로써 수치 데이터 통계와 감성분석 결과 기반 사용자에게 영어 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과의 극대 성을 보인다.

Abstract ▼ AI-Helper

Youtube has become so popular that it is called the age of YouTube. As the number of users and contents increase, the choice of information increases. However, it is difficult to select information that meets the needs of users. YouTube provides recommendations based on their watch list. Therefore, in this study, we want to analyze the channel of user's subject in various angles and provide the proposed scheme based on the crawled channels, measurement of the perception of channels and channel videos through quantitative data and hidden qualitative data analysis. Based on the above two data analysis, it is possible to know the recognition of the channel and the recognition of the channel video, thereby providing a ranking of the channels that deal with the topic. Finally, as a case study, we recommend English learning channels to users based on numerical data statistics and emotional analysis results to maximize flipped learning effect regardless of time and space.

주제어

표/그림 (12)

그림 Fig. 1 Recommendation System analysis flowchart
그림 Fig. 2 Pseudo code of scoring function
그림 Fig. 3 # of subscriber per channel
그림 Fig. 4 # of video per channel
그림 Fig. 5 # of video likes per channel
그림 Fig. 6 # of video comments per channel
그림 Fig. 7 Correlation between video and comments per channel (i.e., Table Analysis)
그림 Fig. 8 Correlation between video and comments per channel (i.e., Graph Analysis)
그림 Fig. 9 (Normalization) # of subscriber per channel
그림 Fig. 10 (Normalization) # of video comments per channel
그림 Fig. 11 (Normalization) # of video likes per channel
그림 Fig. 12 (Normalization) Correlation between video and comments per channel

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 유튜브 영어 학습 채널을 중심으로 유튜브에서 제공하는 각종 데이터를 명시적(explicit) 및 함축적(implicit) 분석을 통해 플립드 러닝 효과를 극대화하기 위한 채널 추천 기법을 제안한다. 유튜브 채널 랭킹 사이트인 social blade[5]의 자체 순위가 비슷한 채널 4개를 대상으로 구글[6] 및 R의 tuber 패키지[7]를 이용해 수집한 채널의 조회수, 좋아요수 등의 수치 데이터를 바탕으로 1차적 통계를 내고 댓글의 감성분석을 통해 긍정도와 부정도를 계산한다.
본 연구에서는 두 가지 요소를 동시에 활용하고 특히 유튜브 은닉 질적정보를 다각도에서 데이터분석을 하여 단순히 겉으로 보이는 인지도 높은 채널과 영상이 전부가 아니라는 것을 증명한다. 본 연구는 향후 개인 맞춤형 추천시스템 및 사용자에게 맞춤형 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과를 극대화 할 수 있는 응용분야로 이어질 수 있는 초석을 마련할 수 있기에 큰 의미가 있다.
비록 유튜브에서 기본적인 개인 맞춤형 랭킹 시스템은 제공해주고 있지만 단순한 통계정보에 기반하기 때문에 숨겨있는 은닉정보를 질적으로 동시에 활용하여 정교한 랭킹 및 추천 시스템은 지원하지 못하고 있는 실정이다. 본 연구에서는 두 가지 요소를 동시에 활용하고 특히 유튜브 은닉 질적정보를 다각도에서 데이터분석을 하여 단순히 겉으로 보이는 인지도 높은 채널과 영상이 전부가 아니라는 것을 증명한다. 본 연구는 향후 개인 맞춤형 추천시스템 및 사용자에게 맞춤형 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과를 극대화 할 수 있는 응용분야로 이어질 수 있는 초석을 마련할 수 있기에 큰 의미가 있다.

제안 방법

Tuber패키지로 유튜브 채널 데이터를 크롤링 한 후, 데이터 유형에 맞추어 각각 다른 연구 방법을 설정한다. 좋아요 수, 구독자수와 같은 소셜 수치데이터는 상호 관계를 토대로 그래프를 추출하고 수치데이터로는 알 수 없는, 실제 사용자들이 채널에 대한 의견이 반영된 댓글 데이터는 감성분석을 통해 질적 접근 방식을 적용한다.
각 그래프를 비교하기 위해서는 분석 기준을 통일 시켜야한다. 결과, 양적 데이터와 질적 데이터 통합을 위해 모든 분석 결과를 정규화 수식을 통해 조정했다. 그림 9, 10, 11은 양적 데이터를 정규화 시켜 다시 표현한 경우들이다.
랭킹하려는 채널들을 선정한 다음, 다음과 같이 유튜브 url 주소에서 채널 아이디를 불러와 R의 tuber 패키지를 이용하여 통계 정보를 크롤링한다.
본 연구에서는 유튜브가 제공하는 통계 데이터와 동시에 댓글 데이터를 추가로 분석한다. 좋아요, 구독자 수 외에도 실제 영상을 시청한 사람들이 남긴 의견으로 해당 채널과 영상을 평가할 수 있다.
모든 코드는 데이터분석에 적합한 R 환경에서 작성하였고, 영어 학습을 주제로 한 채널을 실험 대상으로 하였다. 소셜 사이트의 랭킹을 제공하는 social blade의 등급을 참고하여 영어 학습 채널 4개(English Coach, Interactive English, JForrest English, Real English with Real Teachers)를 선정하였다. 비교가 가능한 채널들로 실험하기 위해, 개설일이 오래된 채널은 제외하고 전체 조회수, 구독자수 등 채널 정보 등을 고려해서 서로 비교 가능한 채널들로 선택하였다.
영상과 댓글의 상관관계를 알아보기 위해 영상 스크립트와 댓글 파일을 불러와 데이터 정제를 한다. 코퍼스로 분류된 영상과 댓글 데이터를 빈도별로 정렬한다.
본 논문에서는 유튜브 영어 학습 채널을 중심으로 유튜브에서 제공하는 각종 데이터를 명시적(explicit) 및 함축적(implicit) 분석을 통해 플립드 러닝 효과를 극대화하기 위한 채널 추천 기법을 제안한다. 유튜브 채널 랭킹 사이트인 social blade[5]의 자체 순위가 비슷한 채널 4개를 대상으로 구글[6] 및 R의 tuber 패키지[7]를 이용해 수집한 채널의 조회수, 좋아요수 등의 수치 데이터를 바탕으로 1차적 통계를 내고 댓글의 감성분석을 통해 긍정도와 부정도를 계산한다. 최종적으로 수치 데이터 통계와 감성분석 결과를 토대로 하여 사용자에게 영어 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과를 극대화 한다.
크롬 확장 도구 SelectorGadget을 사용했던 연구[1][2][4]가 있었지만, 사용자의 수동적인 선택으로 인한 크롤링 가능한 영역의 한계 및 실시간성 부족 등의 단점으로, 제안하는 기법에서는 빅데이터 분석을 위해 다양한 패키지가 존재하는 R의 특성[3]을 고려하여 유튜브 전용 tuber 패키지를 활용하였다. 유튜브에서 해당 데이터를 크롤링하고 1차적 수치 소셜 정보망 데이터에 대한 통계 그래프를 명시적으로 추출하였다. 이후, 유튜브 데이터 접근 전용 패키지 및 구글 오픈 API[6]를 통해 각 채널에서 각 동영상 별 댓글 빅 데이터를 크롤링하여 유튜브 데이터 질적 분석을 수행했다.
유튜브에서 해당 데이터를 크롤링하고 1차적 수치 소셜 정보망 데이터에 대한 통계 그래프를 명시적으로 추출하였다. 이후, 유튜브 데이터 접근 전용 패키지 및 구글 오픈 API[6]를 통해 각 채널에서 각 동영상 별 댓글 빅 데이터를 크롤링하여 유튜브 데이터 질적 분석을 수행했다.
따라서 댓글 분석을 통해 해당 영상을 인지도 높게 랭킹하기에 적합한지 아닌지 가려낼 수 있다. 제안하는 기법에서 스팸 영상은 댓글과 영상 내용의 상관관계가 특정 임계치보다 훨씬 낮은 경우, 즉 연관성이 전혀 없는 경우 스팸 영상으로 분류했다.
채널 차제의 인지도를 측정하기 위해 구독자수를 활용한다. 채널 영상의 인지도는 조회수, 좋아요수, 댓글수와 같은 양적 데이터는 물론 댓글 데이터를 이용하여 질적 데이터 분석을 토대로 한다. 따라서 한 채널의 인지도, 즉 구독자수가 높다고 해서 모든 영상이 인기 있고 높게 평가받는 것은 아니다.
따라서 한 채널의 인지도, 즉 구독자수가 높다고 해서 모든 영상이 인기 있고 높게 평가받는 것은 아니다. 채널과 채널 영상의 양적 데이터와 질적 데이터를 분석한 후, 이를 종합하여 채널을 랭킹 한다.
연구 방법은 통계 분석용 소프트웨어 R의 tuber 패키지를 사용하였다. 크롬 확장 도구 SelectorGadget을 사용했던 연구[1][2][4]가 있었지만, 사용자의 수동적인 선택으로 인한 크롤링 가능한 영역의 한계 및 실시간성 부족 등의 단점으로, 제안하는 기법에서는 빅데이터 분석을 위해 다양한 패키지가 존재하는 R의 특성[3]을 고려하여 유튜브 전용 tuber 패키지를 활용하였다. 유튜브에서 해당 데이터를 크롤링하고 1차적 수치 소셜 정보망 데이터에 대한 통계 그래프를 명시적으로 추출하였다.

대상 데이터

사용자들이 인터넷 강의보다 유튜브를 선호하는 이유 중 하나는 형식적이지 않고 자유로운 분위기의 컨텐츠를 통해 영어를 학습할 수 있기 때문이다. 그래서 강의형을 제외한 토커형의 채널을 중심으로 ETJ English, Interactive English, JForrest English 그리고 Real English With Real Teachers 총 네 개의 채널을 대상으로 연구를 진행하였다.
모든 코드는 데이터분석에 적합한 R 환경에서 작성하였고, 영어 학습을 주제로 한 채널을 실험 대상으로 하였다. 소셜 사이트의 랭킹을 제공하는 social blade의 등급을 참고하여 영어 학습 채널 4개(English Coach, Interactive English, JForrest English, Real English with Real Teachers)를 선정하였다.
소셜 사이트의 랭킹을 제공하는 social blade의 등급을 참고하여 영어 학습 채널 4개(English Coach, Interactive English, JForrest English, Real English with Real Teachers)를 선정하였다. 비교가 가능한 채널들로 실험하기 위해, 개설일이 오래된 채널은 제외하고 전체 조회수, 구독자수 등 채널 정보 등을 고려해서 서로 비교 가능한 채널들로 선택하였다. 각 채널별로 양적 데이터와 질적 데이터를 분석하였고 먼저, 양적 데이터 분석 결과는 그림 3, 4, 5, 6과 같다.
연구 대상 채널은 신생 채널임을 고려하여 Social blade[5]의 자체 등급인 B-에 해당하는 영어 학습 채널로 하였고 그 중 다음과 같은 소셜 정보망 데이터를 고려하여 세부 기준을 정하고 필터링하였다. 구독자수는 물론이고 조회 수, 좋아요 수가 월등히 높은 영어 학습채널들은 일반적으로 채널 개설 일이 오래되었기 때문에 동영상의 수는 물론이고 인지도 또한 높았다.
구독자수는 물론이고 조회 수, 좋아요 수가 월등히 높은 영어 학습채널들은 일반적으로 채널 개설 일이 오래되었기 때문에 동영상의 수는 물론이고 인지도 또한 높았다. 하지만 최신 영상을 고려하기 위해 2016년부터 2018년 사이에 개설된 채널을 선정했다. 유튜브 채널은 각각의 특성(concept)을 가지고 있는데, 영어 학습 채널은 크게 강의형과 토커(talker)형으로 나뉜다.

이론/모형

연구 방법은 통계 분석용 소프트웨어 R의 tuber 패키지를 사용하였다. 크롬 확장 도구 SelectorGadget을 사용했던 연구[1][2][4]가 있었지만, 사용자의 수동적인 선택으로 인한 크롤링 가능한 영역의 한계 및 실시간성 부족 등의 단점으로, 제안하는 기법에서는 빅데이터 분석을 위해 다양한 패키지가 존재하는 R의 특성[3]을 고려하여 유튜브 전용 tuber 패키지를 활용하였다.

성능/효과

스팸을 제외한 영상에 달린 댓글들은 주로 영상을 보고난 후에 남기는 것으로, 주로 영상과 관련된 내용이다. 결과, 댓글과 영상 내용이 서로 일치하는 비율이 높을수록 댓글 작성자는 영상을 끝까지 본 것이다. 따라서 댓글 분석을 통해 해당 영상을 인지도 높게 랭킹하기에 적합한지 아닌지 가려낼 수 있다.
또한, 제안하는 기법으로 추천된 영상들을 같은 기준으로 일정 시간동안 추적해본 결과, 유튜브 기본 사이트에서 추천된 임의의 영상들에 비해서 영상의 좋아요, 댓글의 개수 및 좋아요의 수, 구독자의 수 등과 같은 양적 정보의 증가량 및 영상내용과 댓글간의 질적 상관관계도 훨씬 높았기 때문에 기존 기법보다 성능이 더 좋은 결과라고 볼 수 있다.
유튜브 채널 랭킹 사이트인 social blade[5]의 자체 순위가 비슷한 채널 4개를 대상으로 구글[6] 및 R의 tuber 패키지[7]를 이용해 수집한 채널의 조회수, 좋아요수 등의 수치 데이터를 바탕으로 1차적 통계를 내고 댓글의 감성분석을 통해 긍정도와 부정도를 계산한다. 최종적으로 수치 데이터 통계와 감성분석 결과를 토대로 하여 사용자에게 영어 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과를 극대화 한다. 제안하는 기법은 어학 분야는 물론 다양한 분야에서의 유튜브 채널 빅 데이터 분석에도 사용할 수 있기 때문에 다양한 컨텐츠들의 플립드 러닝에 활용될 수 있다.

후속연구

최종적으로 수치 데이터 통계와 감성분석 결과를 토대로 하여 사용자에게 영어 학습 채널을 추천하여 시공간에 구애 받지 않는 플립드 러닝 효과를 극대화 한다. 제안하는 기법은 어학 분야는 물론 다양한 분야에서의 유튜브 채널 빅 데이터 분석에도 사용할 수 있기 때문에 다양한 컨텐츠들의 플립드 러닝에 활용될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기술의 발전 및 빅 데이터 출현으로 유튜브 채널이 기하급수적으로 급증함에 따라 사용자들은 개인 맞춤형 채널을 찾기 위해 어떻게 행동하는가?	하지만 기술의 발전 및 빅 데이터 출현으로 유튜브 채널이 기하급수적으로 급증함에 따라 사용자들은 오히려 개인 맞춤형 영상 선택에 큰 어려움을 겪고 있다. 즉, 사용자들은 어떤 채널을 선택할지 어려움을 겪게 되고 좋은 채널을 찾기 위해 검색 혹은 직접 컨텐츠를 비교[4]하는 등의 추가적인 시간을 들이게 된다.
	플립드 러닝(flipped learning)이란 무엇인가?	이러한 온라인 학습자들의 특성을 반영하여 유튜브 기반 학습 채널의 인기가 높아지고 있다. 인터넷 강의는 ‘오프라인 수업’이라는 기존 개념이 아닌, 시공간을 초월하여 언제 어디서나 학습할 수 있는 교육학에서의 플립드 러닝(flipped learning)과 유사하다. 특히, 유튜브는 자유로운 분위기에서 유튜버가 내용을 재미있게 구성하고 소셜 정보망에서 다수의 선택을 받는 영상들을 통계적으로 분석[1]해볼 수 있는 빅 데이터를 제공하기 때문에 이를 활용하면 교육 효과를 극대화할 수 있다.
	영어 학습 채널은 어떻게 나뉘는가?	하지만 최신 영상을 고려하기 위해 2016년부터 2018년 사이에 개설된 채널을 선정했다. 유튜브 채널은 각각의 특성(concept)을 가지고 있는데, 영어 학습 채널은 크게 강의형과 토커(talker)형 으로 나뉜다. 사용자들이 인터넷 강의보다 유튜브를 선호하는 이유 중 하나는 형식적이지 않고 자유로운 분위기의 컨텐츠를 통해 영어를 학습할 수 있기 때문이다.

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