[논문]텍스트 마이닝을 이용한 SNS와 언론의 이슈에 대한 반응 비교 -"한일군사정보보호협정(GSOMIA) 종료"를 중심으로-

이수련; 최은정

doi:10.14400/jdc.2020.18.2.277

텍스트 마이닝을 이용한 SNS와 언론의 이슈에 대한 반응 비교 -"한일군사정보보호협정(GSOMIA) 종료"를 중심으로-
Comparison of responses to issues in SNS and Traditional Media using Text Mining -Focusing on the Termination of Korea-Japan General Security of Military Information Agreement(GSOMIA)- 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.2, 2020년, pp.277 - 284

이수련 (서울여자대학교 정보보호학과) , 최은정 (서울여자대학교 정보보호학과)

초록
AI-Helper

텍스트마이닝은 비정형, 대용량의 텍스트 자료로부터 유의미한 정보를 추출하는 빅데이터 분석의 대표적인 방법이다. 트위터와 같은 SNS는 1초에서 수십만건의 데이터를 생성해내며 대중들의 의견이나 생각 등을 즉각적이며 직접적으로 보여주는 1인 미디어로의 역할을 하고 있다. 기성 미디어인 언론은 정보전달, 사회비판, 여론형성의 기능을 수행하고 있다. 본 논문에서는 미디어로의 SNS와 언론을 비교해 보고자 한다. 이를 위해 2019년 하반기 국내의 이슈 중의 하나인 "한일군사정보보호협정(GSOMIA) 종료"에 대한 SNS의 반응과 언론의 반응을 비교 분석한다. 수집된 데이터는 총 201,728개의 트윗과 20,698개의 신문 기사를 대상으로 감성분석, 연관분석, 군집분석을 수행하였다. 그 결과로 SNS의 경우 이슈에 대해 긍정적 반응이 높았고 언론의 경우는 부정적 반응이 높았다. 연관검색의 경우는 SNS의 경우 "파기, 결정, 우리" 등 국내적 이슈에 대한 지지가 높았고 언론의 경우 "실망, 유감, 우려" 등으로 대외적 이슈에 대한 부정적 견해를 보여주는 차이를 보여주었다. SNS는 정보전달의 기능보다는 사회 비판 및 여론의 추이를 살피거나 형성하는데 언론보다 빠르고 강하게 나타내고 있어 언론이 대중의 인식을 반영해주는 역할을 보완할 수 있다.

Abstract ▼ AI-Helper

Text mining is a representative method of big data analysis that extracts meaningful information from unstructured and large amounts of text data. Social media such as Twitter generates hundreds of thousands of data per second and acts as a one-person media that instantly and directly expresses public opinions and ideas. The traditional media are delivering informations, criticizing society, and forming public opinions. For this, we compare the responses of SNS with the responses of media on the issue of the termination of the Korea-Japan GSOMIA (General Security of Military Information Agreement), one of the domestic issues in the second half of 2019. Data collected from 201,728 tweets and 20,698 newspaper articles were analyzed by sentiment analysis, association keyword analysis, and cluster analysis. As a result, SNS tends to respond positively to this issue, and the media tends to react negatively. In association keyword analysis, SNS shows positive views on domestic issues such as "destruction, decision, we," while the media shows negative views on external issues such as "disappointment, regret, concern". SNS is faster and more powerful than media when studying or creating social trends and opinions, rather than the function of information delivery. This can complement the role of the media that reflects public perception.

주제어

표/그림 (8)

그림 Fig. 1. Sentiment Analysis Graph
그림 Fig. 2. Data Analysis Flow Chart
그림 Fig. 3. Association Analysis Heatmap : SNS
그림 Fig. 4. Association Analysis Heatmap : Media
표 Table 1. Cluster Analysis Table : SNS
표 Table 2. Cluster Analysis Table : Media
그림 Fig. 5. Cluster Analysis Graph : SNS
그림 Fig. 6. Cluster Analysis Graph : Media

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 “지소미아”에 대해 언론과 SNS가 서로 어떤 반응을 보이는지를 알아보기 위한 기본적인 분석으로 감성 분석을 활용했다.
본 논문에서는 SNS와 언론의 특성을 확인하기 위해 텍스트 마이닝을 진행했다. SNS의 경우 트위터의 수집기간 내 “지소미아 종료” 관련 모든 트윗을 텍스트 데이터로 활용했다.
또한, 하나의 텍스트마이닝 분석 기법이 아닌 여러 분석 기법을 활용하여 두 매체를 개괄적으로 비교하는 것은 새로운 시도이다. 본 논문에서는 텍스트 마이닝의 여러 분석 기법을 이용하여 1인 미디어로서의 SNS가 언론과 어떤 차이점을 보이는지 비교 분석한다. 구체적으로, 하나의 이슈를 설정하여 SNS와 언론의 반응 차이를 살펴보는 것을 통해 두 매체를 비교했다.
본 연구에서는 SNS와 언론이 하나의 이슈를 두고 어떻게 반응하는지 살펴보았다. 연구를 위해 데이터 분석 기법을 이용하였고, 그 중에서도 감성 분석과 연관 분석, 빈도분석, 군집분석을 이용하였다.

제안 방법

8월 16일부터 9월 25일까지 “지소미아”가 언급된 모든 트윗과 신문 기사를 크롤링하였다.
각 매체의 상위 빈도 25개를 골라 단어 간의 연관 관계를 살펴보기 위해 heatmap으로 시각화했다. heatmap은 각 단어들이 얼마나 자주 함께 쓰이는지를 한눈에 살펴보기에 적합한 시각화 함수이다.
감성 분석의 경우 임의 추출방법을 통해 트윗과 기사를 각각 무작위로 500개씩 세 번을 뽑아 분석을 진행하였다. 결과는 “지소미아 종료”를 두고, 긍정과 부정, 중립으로 나누었다.
본 논문에서는 텍스트 마이닝의 여러 분석 기법을 이용하여 1인 미디어로서의 SNS가 언론과 어떤 차이점을 보이는지 비교 분석한다. 구체적으로, 하나의 이슈를 설정하여 SNS와 언론의 반응 차이를 살펴보는 것을 통해 두 매체를 비교했다. 이를 위해 2019년 하반기 이슈 중의 하나인 “한일GSOMIA(군사정보보호협정) 종료”를 선택했다.
2 연관 분석에서는 단순히 전체에서 두 단어가 함께 쓰일 때의 경우만 고려해서 연관성을 따졌다. 군집은 한 트윗 혹은 한 기사 속 단어들간 유사성(혹은 논리적 거리)에 따라 형성되기 때문에 confidence를 함께 조절하며 군집을 추출하였다. 전체 transaction에서 단어 X와 단어 Y가 함께 등장하는 transaction의 개수를 \(n(X\cap Y)\)라고 하고, 단어 X가 등장하는 transaction의 개수를 \(n(X)\)라고 할 때, confidence는 수식(2)와 같다.
본 논문에서는 SNS와 언론에서의 “지소미아 종료” 하위 이슈들을 뽑아내기 위해 군집 분석을 이용했다.
“지소미아 종료”에 대하여 SNS는 긍정적인 반응을 보인 반면, 언론에서는 기대보단 우려 섞인 기사를 집중적으로 내보냄으로써 부정을 표했다. 연관 분석과 빈도분석을 통해서는 각 매체에서 자주 쓰인 단어와 그 단어들의 상관관계를 살펴보았다. SNS는 “파기, 결정, 우리” 등 대체로 “지소미아 종료”에 대해 지지하는 단어들의 빈도가 높았고 언론의 경우 “실망, 유감, 우려” 등 부정적인 견해를 표현할 때 쓰는 단어들이 대체로 높은 빈도로 나타났다.
연관 분석에서 사용한 transaction 데이터를 바탕으로 유사성을 지닌 단어들끼리 묶어 군집(하위 이슈)을 추출하였다. 3.
연관 분석은 시각화 방식에 따라 다양한 결과를 알아낼 수 있는데, 본 논문에서는 Heatmap을 사용하여 결과를 시각화했다. Heatmap은 2차원 배열 데이터의 값을 색의 짙기로 표현하기 때문에, 연관성을 한눈에 파악하기에 편하다.
이를 위해 2019년 하반기 이슈 중의 하나인 “한일GSOMIA(군사정보보호협정) 종료”를 선택했다. 이를 기반으로 트위터와 네이버뉴스 데이터를 크롤링을 통해 수집하고 데이터 분석을 수행하였다.
이번 연구에서는 여러 데이터 분석 기법을 통해 언론과 대비되는 SNS 1인 미디어의 기본적인 특징을 살펴보았다. 향후에는 정치적 이슈 뿐 아니라 사회적 이슈에 대한 분석을 진행할 예정이다.

대상 데이터

SNS의 경우 트위터의 수집기간 내 “지소미아 종료” 관련 모든 트윗을 텍스트 데이터로 활용했다.
언론의 반응을 분석하기 위해서 “네이버”를 이용했다. 거의 모든 언론사의 기사가 모인다는 점에서 네이버에 올라온 기사를 데이터로 사용하였다. 8월 16일부터 9월 25일까지 “지소미아”가 언급된 모든 트윗과 신문 기사를 크롤링하였다.
이를 위해 2019년 하반기 이슈 중의 하나인 “한일GSOMIA(군사정보보호협정) 종료”를 선택했다.
8월 16일부터 9월 25일까지 “지소미아”가 언급된 모든 트윗과 신문 기사를 크롤링하였다. 최종적으로 총 201,728개의 트윗과 20,698개의 신문 기사를 수집하였다.

데이터처리

각 매체에서 많이 쓰인 단어들과 그 단어들 사이의 상관관계를 확인하기 위해 빈도분석과 연관 분석을 진행했다. 크롤링한 데이터를 형태소 단위로 쪼개어 각 단어의 빈도수를 추출하였다.
Heatmap은 2차원 배열 데이터의 값을 색의 짙기로 표현하기 때문에, 연관성을 한눈에 파악하기에 편하다. 본 논문에서는 SNS와 언론에서 많이 등장하는 단어를 뽑아내고 그 단어 간 연관성을 살펴보기 위해 빈도분석과 연관 분석을 이용했으며, Heatmap을 통해 결과를 시각화했다.
본 연구에서는 SNS와 언론이 하나의 이슈를 두고 어떻게 반응하는지 살펴보았다. 연구를 위해 데이터 분석 기법을 이용하였고, 그 중에서도 감성 분석과 연관 분석, 빈도분석, 군집분석을 이용하였다. 결과적으로, 한 주제를 두고 SNS와 언론의 반응 차이가 있다는 것을 알 수 있었다.

성능/효과

SNS는 “파기, 결정, 우리” 등 대체로 “지소미아 종료”에 대해 지지하는 단어들의 빈도가 높았고 언론의 경우 “실망, 유감, 우려” 등 부정적인 견해를 표현할 때 쓰는 단어들이 대체로 높은 빈도로 나타났다.
감성 분석을 통해 이슈에 대한 각 매체의 기본적인 태도를 확인할 수 있었다. “지소미아 종료”에 대하여 SNS는 긍정적인 반응을 보인 반면, 언론에서는 기대보단 우려 섞인 기사를 집중적으로 내보냄으로써 부정을 표했다.
연구를 위해 데이터 분석 기법을 이용하였고, 그 중에서도 감성 분석과 연관 분석, 빈도분석, 군집분석을 이용하였다. 결과적으로, 한 주제를 두고 SNS와 언론의 반응 차이가 있다는 것을 알 수 있었다.
그 결과, “파기, 결정, 우리” 등 대체로 “지소미아 종료”에 대해 지지하는 단어들의 빈도가 높았고 언론의 경우 “실망, 유감, 우려” 등 부정적인 견해를 표현할 때 쓰는 단어들이 대체로 높은 빈도로 나타났다.
SNS에서는 검증되지 않은 사실을 기사화한 언론에 대해 날카롭게 비판하는 이슈가 있었다는 것이 눈에 띄는 두 매체의 차이점이었다. 또한, SNS에서는 언론보다 국내적 상황에 대한 이슈가 대부분이었다는 점도 확인할 수 있었다.
SNS는 “파기, 결정, 우리” 등 대체로 “지소미아 종료”에 대해 지지하는 단어들의 빈도가 높았고 언론의 경우 “실망, 유감, 우려” 등 부정적인 견해를 표현할 때 쓰는 단어들이 대체로 높은 빈도로 나타났다. 또한, 언론은 SNS보다 비교적 중립적이고 객관적인 단어를 쓴 것도 확인할 수 있었다. 단어들끼리의 사용에 있어서, 언론은 소수의 단어끼리 조합을 많이 사용했지만, SNS는 비교적 단어를 다양하게 사용했다.

후속연구

추가적으로 시계열 분석을 통해 SNS가 정보 유통 매체로서 가진 특징을 집중적으로 분석할 예정이다. 또한, 여론 형성에 있어서, SNS와 미디어가 서로에게 어떻게 영향을 미치는지에 대한 연구도 진행하여 SNS와 언론이 어떤 관계성을 갖고 상호작용하는지에 대한 연구를 진행할 것이다.
향후에는 정치적 이슈 뿐 아니라 사회적 이슈에 대한 분석을 진행할 예정이다. 추가적으로 시계열 분석을 통해 SNS가 정보 유통 매체로서 가진 특징을 집중적으로 분석할 예정이다. 또한, 여론 형성에 있어서, SNS와 미디어가 서로에게 어떻게 영향을 미치는지에 대한 연구도 진행하여 SNS와 언론이 어떤 관계성을 갖고 상호작용하는지에 대한 연구를 진행할 것이다.
이번 연구에서는 여러 데이터 분석 기법을 통해 언론과 대비되는 SNS 1인 미디어의 기본적인 특징을 살펴보았다. 향후에는 정치적 이슈 뿐 아니라 사회적 이슈에 대한 분석을 진행할 예정이다. 추가적으로 시계열 분석을 통해 SNS가 정보 유통 매체로서 가진 특징을 집중적으로 분석할 예정이다.

참고문헌 (15)

G. Abend. (2008). The Meaning of 'Theory'. Sociological Theory, 26(2), 173-199. DOI : 10.1111/j.1467-9558.2008.00324.x

상세보기
Mayer-Schonberger, Viktor & Kenneth Cukier. (2013). Big data: A revolution that will transform how we live, work, and think" Houghton Mifflin Harcourt. Boston : Mariner Books.
Miller, Warren E., James A. Davis, Jerome Clubb, Bruce Russett, Martin David & James N. Morgan. (1990). Large-Scale Data Needs. Leading Edges in Social and Behavioral Science. NY: Russell Sage Foundation.
Y. C. Kim. (2017. May). Polls, The trap of Random digit dialing(RDD) and response rates.. 36, 32-35.
E. J. Choi, S. W. Choi, S. Y. Lee & M. J. Kim. (2017). Analysis of the effect of the mention in SNS on the result of election. Journal of Digital Convergence, 15(2), 191-197. DOI : 10.14400/JDC.2017.15.2.191

원문보기 상세보기
Y. N. Lee, E. J. Choi & M. J. Kim. (2018). Analysis of the Influence of Presidential Candidate's SNS Reputation on Election Result: focusing on 19th Presidential Election. Journal of Digital Convergence,. 6(2), 195-201. DOI : 10.14400/JDC.2018.16.2.195
Y. H. Kim. (2019). SNS (Social Network Service) utilization trend and usage behavior analysis. Seoul : KISDI.
K. S. Kim. (2013). An Understanding of SNS (Social Network Service) in Media Study. Christian Education & Information Technology, 38, 177-206.
S. H. Kim. (2016). Smartphone and News Consumption Experience. Seoul : Center For Media Research at Korea Press Foundation.
S. U. Ji. (2018). Liberal democracy and the role of the press. Seoul : Hansun Foundation.
I. H. Kim. (2019). Newspaper Big Data and Text Mining for Digital Humanities. The Journal of Language & Literature, 78, 41-62. DOI : 10.15565/jll.2019.06.78.41

상세보기
D. K. Lee, S. J. Lee & I. Y. Choi. (2018). Response Analysis of Stop Smoking Campaign Webtoon Using Text Mining Technology: Focused on the "Tale of Cigarette" Comments. J Health Info Stat, 43(1), 70-79. DOI : 10.21032/jhis.2018.43.1.70

상세보기
J. H. Ryu & Y. Y. Yoo. (2018). The Fourth Industrial Recolution Core Technology Association Analysis Using Text Mining. Journal of Digital Convergence, 16(9), 129-136. DOI : 10.14400/JDC.2018.16.8.129
S. H. Cha. (2007). Comprehensive survey on distance/similarity measures between probability density functions. International Journal of Mathematical Models and Methods in Applied Science, 1(4), 300-307.
Y. H. Kim. (2018). Analysis on the Usage Trend and Behavior of SNS. Seoul : KISDI.

저자의 다른 논문 :

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