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
- 이러한 점에 착안하여 본 연구는 『School Library Guidelines』의 2002년판과 2015년판을 언어 네트워크 관점에서 비교·분석하여 각 텍스트의 의미적 속성과 차이점을 규명하고, 학교도서관 분야의 정책적 지향점이 어떻게 달라지고 있는가를 밝히고자 한다.
- 본 연구는 언어 네트워크 분석을 통해 『School Library Guidelines』의 2002년판과 2015년판이 갖는 의미적 기본속성을 밝히고, 각 네트워크의 속성을 비교, 분석하여 학교도서관 분야의 정책적 지향점을 규명하는데 목적이 있다. 언어 네트워크 분석을 위해 IFLA 홈페이지에서 2002년판과 2015년판의 『School Library Guidelines』을 다운로드하였으며, pdf 형태의 원문 파일을 편집도구를 활용하여 텍스트 파일로 변환하였다.
- 2002_IFLA와 2015_IFLA의 각 문장에서 두 단어가 동시에 출현하는 빈도를 계산하여 단어 쌍의 관련성을 측정해 보고자 한다. 2002_IFLA와 2015_IFLA 텍스트를 대상으로 단어 동시출현빈도를 분석한 결과는 <표 4>와 같다.
- 이에 본 연구에서는 『School Library Guidelines』의 2002년판과 2015년판을 언어 네트워크 관점에서 분석하고, 2개의 버전을 비교·분석하여 각 텍스트의 속성과 차이점을 규명하여, 학교도서관 분야의 정책적 지향점이 어떻게 달라지고 있는가를 고찰하였다.
제안 방법
- 이러한 점에 착안하여 본 연구는 『School Library Guidelines』의 2002년판과 2015년판을 언어 네트워크 관점에서 비교·분석하여 각 텍스트의 의미적 속성과 차이점을 규명하고, 학교도서관 분야의 정책적 지향점이 어떻게 달라지고 있는가를 밝히고자 한다. 『School Library Guidelines』의 2002년 판(이하 2002_IFLA)과 2015년 판(이하 2015_IFLA)을 IFLA 홈페이지에서 다운로드하여 텍스트 형태로 변환하였고, 넷마이너4.0을 활용하여 언어 네트워크 분석을 수행하였다. 추가적으로 텍스트의 주제 분야를 추출하는 토픽 모델링 분석을 통해 2002_IFLA와 2015_IFLA 텍스트 간의 주요 토픽을 비교·분석하였다.
- 대상 텍스트를 넷마이너4.0으로 불러들여, 내장된 자체 형태소 분석기를 통해 형용사, 동사, 부사 등을 제외한 단어(키워드)를 1차적으로 추출하여 ‘단어×문장, 단어×문단, 단어×문헌’으로 구성된 이원모드(2-mode) 네트워크를 구성하였다.
- 언어 네트워크 분석은 사실상 동시 단어 혹은 동시 키워드 분석이라 할 정도로 추출한 단어가 텍스트 문헌, 문단, 문장 등에서 동시에 출현하는 빈도수에 의거 ‘단어×단어’로 구성된 네트워크를 구성하여 네트워크의 기본속성과 연결 관계와 관계 구조를 분석하게 된다. 본 연구에서는 2002년 판과 2015년 판의 『School Library Guidelines』을 언어 네트워크 분석 대상으로 삼아 각각의 단어 네트워크를 구성하고 각각의 속성을 분석한 뒤에 두 개의 네트워크에 대한 속성을 비교, 분석하였다.
- 본 연구는 언어 네트워크 분석을 통해 『School Library Guidelines』의 2002년판과 2015년판이 갖는 의미적 기본속성을 밝히고, 각 네트워크의 속성을 비교, 분석하여 학교도서관 분야의 정책적 지향점을 규명하는데 목적이 있다. 언어 네트워크 분석을 위해 IFLA 홈페이지에서 2002년판과 2015년판의 『School Library Guidelines』을 다운로드하였으며, pdf 형태의 원문 파일을 편집도구를 활용하여 텍스트 파일로 변환하였다. 텍스트로 변환한 파일에서 목차, 참고문헌, 부록 등은 제외하고 본문만을 분석대상으로 삼았다.
- 0으로 불러들여, 내장된 자체 형태소 분석기를 통해 형용사, 동사, 부사 등을 제외한 단어(키워드)를 1차적으로 추출하여 ‘단어×문장, 단어×문단, 단어×문헌’으로 구성된 이원모드(2-mode) 네트워크를 구성하였다. 1차적으로 추출한 이원모드 네트워크를 바탕으로 대소문자, 유사어 및 관련어, 불용어 처리 등 단어의 정교화를 위한 전처리 작업을 수행하였다. 정교화 한 두 개의 분석 텍스트를 대상으로 다시 네트워크를 구성하였으며, 네트워크의 기본 속성 및 중심성 분석이 쉽도록 이원모드 네트워크를 ‘단어×단어’로 구성된 일원모드 네트워크로 변환한 후 데이터 분석 및 시각화, 토픽 모델링 등을 적용하였다.
- 첫째, 넷마이너4.0을 이용하여 1차적으로 단어(명사)를 추출하고, 전 처리 과정을 통해 추출할 단어(명사)의 정제 작업을 시행하였다.
- 셋째, 이원모드의 ‘단어×문장’ 네트워크를 기본속성 및 중심성 분석이 가능하도록 ‘단어×단어’ 로 구성된 일원모드 네트워크로 변환하였다.
- 둘째, ‘단어×문장, 단어×문단, 단어×문헌’으로 구성된 이원모드 네트워크를 추출하였으며, 그 중 ‘단어×문장’ 노드 세트를 이용하여 토픽 모델링을 수행하였다.
- 제외어에는 ‘tonight, year, yesterday’와 같이 대상 텍스트 분석의 내용과 거리가 먼 단어를 제외시키는 기능이다. 시소러스, 제외어, 지정어 등의 설정 리스트를 액셀 파일로 작성한 후 넷마이너4.0에 탑재하여 본 연구의 분석을 수행하였다.
- 0에서도 토픽모델링을 위한 텍스트마이닝의 기법으로 LDA 기법을 제공하고 있다. 넷마이너4.0의 LDA 분석 메뉴에서는 추출하고자 하는 토픽의 개수 지정이 가능한데, 5부터 10개까지 반복적으로 수행한 후 최적으로 토픽에 적재되는 키워드를 보고 판단하여 5개의 토픽으로 최종 분석하였다.
- 넷마이너4.0을 이용하여 2모드 네트워크를 59×59 행렬로 표시된 1모드 네트워크로 구성하였다.
- 셋째, 이원모드의 ‘단어×문장’ 네트워크를 기본속성 및 중심성 분석이 가능하도록 ‘단어×단어’ 로 구성된 일원모드 네트워크로 변환하였다. 동일 문장 내에서 두 단어가 동시에 출현하는 빈도수에 의거 인접 행렬 매트릭스를 구성하였으며, 출현빈도가 2회 이상인 단어 쌍을 추출하였다. 문장 내에서 두 단어가 인접해 있는 정도는 5-10까지 반복적으로 지정한 후, 적절한 개수의 단어 쌍이 생성되는 값(5)을 지정하여 일원모드 네트워크를 생성하였다.
- 동일 문장 내에서 두 단어가 동시에 출현하는 빈도수에 의거 인접 행렬 매트릭스를 구성하였으며, 출현빈도가 2회 이상인 단어 쌍을 추출하였다. 문장 내에서 두 단어가 인접해 있는 정도는 5-10까지 반복적으로 지정한 후, 적절한 개수의 단어 쌍이 생성되는 값(5)을 지정하여 일원모드 네트워크를 생성하였다.
- 넷째, 일원모드 네트워크를 바탕으로 2002_IFLA와 2015_IFLA 텍스트의 기본속성, 단어 출현빈도 순위, 동시출현빈도 순위, 중심성 분석 등을 수행하였다. 각 네트워크의 기본속성은 밀도, 평균 연결정도, 군집화 계수 등의 관점에서 비교·분석하였다.
- 중심성을 나타내는 지표에는 여러 가지가 있으나 대표적으로 연결정도 중심성(degree centrality), 근접중심성closeness centrality), 매개 중심성(betweenness centrality)을 널리 사용하고 있다. 2002_IFLA와 2015_IFLA 텍스트의 중심성을 각각 분석하고, 2개 텍스트간의 중심성에 차이가 있는가를 상호 비교, 분석하고자 한다. 우선 2002_IFLA 텍스트의 중심성을 분석한 결과는 <표 5>와 같다.
- 2002_IFLA 텍스트와 2015_IFLA 텍스트의 ‘단어×문장’ 네트워크를 이용하여 토픽모델링 분석을 수행하였다.
- 토픽모델링은 특정 단어가 특정 주제에 존재할 확률과 문서에 특정 주제가 존재할 확률을 결합한 LDA 모형을 적용하였다. LDA 모형을 적용함에 있어서 추출하고자 하는 토픽의 개수는 5개에서 10개까지 반복적으로 수행 한 후, 최적으로 토픽에 적재되는 키워드를 보고 판단하여 5개의 토픽으로 지정하여 최종 분석하였다. 2002_IFLA 텍스트와 2015_IFLA 텍스트의 토픽모델링 분석 결과를 비교하면 <표 8>과 같다.
- 정교화 한 두 개의 분석 텍스트를 대상으로 다시 네트워크를 구성하였으며, 네트워크의 기본 속성 및 중심성 분석이 쉽도록 이원모드 네트워크를 ‘단어×단어’로 구성된 일원모드 네트워크로 변환한 후 데이터 분석 및 시각화, 토픽 모델링 등을 적용하였다.
대상 데이터
- 언어 네트워크 분석을 위해 IFLA 홈페이지에서 2002년판과 2015년판의 『School Library Guidelines』을 다운로드하였으며, pdf 형태의 원문 파일을 편집도구를 활용하여 텍스트 파일로 변환하였다. 텍스트로 변환한 파일에서 목차, 참고문헌, 부록 등은 제외하고 본문만을 분석대상으로 삼았다.
- 0에는 자체 형태소 분석기가 내장되어 있어서, 단어의 품사를 식별할 수 있고, 분석 대상으로 삼고자 하는 노드(단어)를 명사, 대명사, 형용사, 동사 등으로 지정할 수 있도록 설정 메뉴가 마련되어 있다. 본 연구의 분석 대상인 『School Library Guidelines』은 감성적인 느낌 등의 문학작품과는 달리 객관적 정보를 분석하는데 주안점이 있기 때문에 명사로 한정 하였다. 분석 대상 텍스트로부터 명사를 1차적으로 추출한 결과, date, day 등 의미분석과 거리가 있는 단어가 많고, 대소문자에 의한 차이 등 한 단어로 처리해야 할 키워드가 2개의 단어로 분리되는 등 사전 정제 작업이 필요하였다.
- 2002_IFLA 텍스트를 넷마이너4.0으로 분석하여 2모드 네트워크를 추출하였으며, 추출한 네트워크는 대상 문헌 1개, 602 문단, 662개 문장, 180개 단어(명사)로 구성되어 있다. 문장내의 단어 동시출현빈도를 바탕으로 중심성을 분석하기 위해서는 2모드 네트워크를 행렬의 개수가 동일한 N×N의 1모드 행렬로 변환할 필요가 있다.
- 2015_IFLA 텍스트를 분석하여 2모드 네트워크를 추출하였으며, 추출한 네트워크는 대상 문헌 1개, 1,208 문단, 1,375개 문장, 285개 단어(명사)로 구성되어 있다. 2002_IFLA 네트워크와 마찬가지로 2모드 네트워크를 1모드 네트워크로 변환하였다.
데이터처리
- 추가적으로 텍스트의 주제 분야를 추출하는 토픽 모델링 분석을 통해 2002_IFLA와 2015_IFLA 텍스트 간의 주요 토픽을 비교·분석하였다.
- 각 네트워크의 기본속성은 밀도, 평균 연결정도, 군집화 계수 등의 관점에서 비교·분석하였다.
이론/모형
- 2002_IFLA 텍스트와 2015_IFLA 텍스트의 ‘단어×문장’ 네트워크를 이용하여 토픽모델링 분석을 수행하였다. 토픽모델링은 특정 단어가 특정 주제에 존재할 확률과 문서에 특정 주제가 존재할 확률을 결합한 LDA 모형을 적용하였다. LDA 모형을 적용함에 있어서 추출하고자 하는 토픽의 개수는 5개에서 10개까지 반복적으로 수행 한 후, 최적으로 토픽에 적재되는 키워드를 보고 판단하여 5개의 토픽으로 지정하여 최종 분석하였다.
성능/효과
- 이러한 필요성에 의거 IFLA 학교도서관 부회 내에 ‘학교도서관 가이드라인 실무단’을 조직하였다. 실무단에 참여한 노르웨이 대표와 영국 대표가 학교도서관 가이드라인 초안을 마련하였고, 실무단의 검토를 거쳐 최종안을 수립하였다. 그 후, IFLA이사회에서 승인하고, UNESCO에서 이를 채택하여 『The IFLA/UNESCO School Library Guidelines』를 발표하였다(Oberg 2018, 27).
- 본 연구의 분석 대상인 『School Library Guidelines』은 감성적인 느낌 등의 문학작품과는 달리 객관적 정보를 분석하는데 주안점이 있기 때문에 명사로 한정 하였다. 분석 대상 텍스트로부터 명사를 1차적으로 추출한 결과, date, day 등 의미분석과 거리가 있는 단어가 많고, 대소문자에 의한 차이 등 한 단어로 처리해야 할 키워드가 2개의 단어로 분리되는 등 사전 정제 작업이 필요하였다. 이러한 사전 정제작업을 쉽게 처리할 수 있도록 넷마이너4.
- <표 2>에서 보는 바와 같이 2002_IFLA에 비해 2015_IFLA 텍스트는 기본적으로 텍스트의 길이가 길고, 동시출현빈도에 의한 네트워크의 노드 수 또한 119로 2015_IFLA 텍스트의 네트워크 규모가 크게 나타났다. 노드의 수가 많아지면 기본적으로 링크수가 커지는 경향이 있기 때문에 두 개의 네트워크를 비교하기 위해서는 노드수와 링크수를 제외한 다른 척도가 필요하다.
- 1개의 노드와 관계를 맺고 있는 것으로 나타났다. 네트워크 내에서 최대로 연결된 하위 네트워크를 나타내는 컴포넌트(components)와 삼자관계의 연결성을 나타내는 이행성(transitivity)에는 차이가 없는 것으로 나타났다.
- 연결정도 중심성, 근접중심성, 매개중심성 모두 ‘School Library’ 노드가 1순위를 차지하였고, 상위에 랭크된 노드는 대체로 유사한 것으로 나타났다.
- 다른 노드와의 연결거리의 짧은 정도를 나타내는 근접중심성의 경우 다른 중심성 척도에서는 보이지 않는 ‘Achievement’가 27위에 랭크되어 있으며, 원문 텍스트에서 출처를 확인한 결과 ‘Academic Achievement, Learning Achievement, Student Achievement’ 등의 단어와 함께 출현하고 있음을 알 수 있었다.
- 2002_IFLA 텍스트와 2015_IFLA 텍스트의 토픽모델링 분석 결과를 비교해 보면, 2002_IFLA 텍스트의 경우, 토픽 1(17%: 자료, 장서, 서비스), 토픽 2, 3(18%: 예산, 계획, 경영), 토픽 4(20%: 사서교사의 교육과정 참여), 토픽 5(27%: 장서, 정책, 직원) 등으로 대체로 학교도서관의 자료, 장서, 예산, 직원 등 기본 플랫폼 구축을 강조하고 있음을 알 수 있다. 반면에 2015_IFLA 텍스트의 경우, 토픽 2(16%: 학생, 독서, 자료 및 매체 접근)를 제외하면 모두 학교도서관에서 제공하는 프로그램과 서비스, 사서교사의 교수·학습 지원 활동, 미디어 및 정보활용능력 신장 등 초·중등학교의 교과 교육과정 참여와 교수·학습 과정 지원을 크게 강조하고 있음을 알 수 있다.
- 첫째, 네트워크 노드들 간의 연결된 정도를 나타내는 밀도는 2002_IFLA와 2015_IFLA 간의 차이를 보이지 않고 있으며, 평균 연결정도는 1.898, 3.134로 2002년판에 비해 2015년판의 노드간의 관계성이 높은 것으로 나타났다. 특정 노드와 이웃한 노드들이 서로 연결되어 있을 가능성을 나타내는 군집화 계수는 0.
- 둘째, 2002_IFLA와 2015_IFLA 모두 ‘Schools, Student, Information, Learning’ 등의 출현빈도가 상위에 랭크되어 있고, 2002_IFLA에서 비교적 상위에 랭크되어 있던 ‘Skill, Staff, Librarian’ 등은 출현빈도가 떨어지고, 2002_IFLA에서 상위 랭크에 보이지 않던 ‘Program, Teaching, Reading, Inquiry, Literacy, Media’ 등은 2015_IFLA 텍스트에서 새롭게 등장하고 있다.
- 넷째, 중심성 분석 결과 2002_IFLA의 경우 연결정도 중심성과 매개중심성은 ‘School Library’ 가 가장 높게 나타났으나 근접중심성은 ‘Students’가 가장 높게 나타났다.
- 셋째, 단어 동시출현빈도를 분석한 결과 2002_IFLA의 동시출현빈도는 ‘Schools Community, Information Skill, Information Student’ 순으로 나타난 반면에, 2015_IFLA는 ‘Program Services, Schools Community, Program School Library’ 순으로 나타났다.
- 134로 2002년판에 비해 2015년판의 노드간의 관계성이 높은 것으로 나타났다. 특정 노드와 이웃한 노드들이 서로 연결되어 있을 가능성을 나타내는 군집화 계수는 0.62로 2002_IFLA에 비해 2015_IFLA 네트워크가 높게 나타났다.
- 또한, ‘Group’ 노드의 경우 연결정도 중심성과 근접중심성은 다소 낮으나 매개중심성이 높게 나타났으며, 원문 텍스트에서 출처를 확인한 한 결과 ‘Small Groups, Large Groups’ 등 학생의 모둠활동과 관련된 내용과 관련되어 있음을 알 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.