[논문]잠재디리클레할당 분석을 이용한 '노인일자리' 관련 신문기사 토픽분석

이소정

doi:10.14400/jdc.2020.18.10.537

잠재디리클레할당 분석을 이용한 '노인일자리' 관련 신문기사 토픽분석
Topic Modeling of Newspaper Articles on Government 'Senior job program' via Latent Dirichlet Allocation. 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.10, 2020년, pp.537 - 546

이소정 (남서울대학교 노인복지학과)

초록
AI-Helper

본 연구는 노인일자리사업의 사회적 논의구조를 분석하기 위해 대표적인 대중매체인 신문기사에서 다루어지는 노인일자리 관련 주요 토픽들과 시계열적 특성을 분석하였다. 이를 위해 뉴스 통합 데이터베이스인 빅카인즈에 수록된 11개 중앙지와 8개 경제지의 노인일자리사업 관련 기사 1107개에 대해 잠재디리클레할당 방법을 이용한 토픽분석을 실시해 언론 기사에 내재된 노인일자리사업의 잠재토픽을 추출하였다. 분석결과 노인일자리사업에 대한 일반적 정보전달, 지자체 사업 홍보, 노후생활, 고용효과, 시장연계 등 5개의 잠재토픽이 추출되었는데 2015년까지 대부분의 언론기사가 일반적 정보전달과 지자체 사업홍보에 국한되어 있어 노인일자리사업의 정체성에 대한 사회적 논의가 형성되지 못하였음을 알 수 있었던 반면 2015년 이후부터 노인일자리사업의 소득, 안전 등 노후생활 효과 관련 주제가 다루어지는 비중이 증가했으며 특히 문재인 정부 출범이후 고용효과와 관련된 기사가 압도적인 비중을 차지하게 되었음을 발견할 수 있었다. 본 연구는 이러한 결과에 근거해 향후 노인일자리사업의 질적측면 및 고용효과 측면을 증진시킬 수 있는 방안에 대한 고민의 필요성과 고용프레임 이외의 대안적 프레임 제시의 필요성을 제안하였다.

Abstract ▼ AI-Helper

This study aims to find the structure of social disussion on government 'Senior job program' by analyzing 1107 newspaper articles on 'senior job program' from 11 major newspaper articles and 8 financial newspapers. Topic modeling via latent dirichlet allocation model was employed for analysis and as result, 5 latent topics were extracted as follows : general information, local government project propaganda, senior life related issues, employment creation effect and market relations. Until 2015, most of the articles focused on the first two topics, indicating not much discourse was formed concerning the characteristics of the program. However, after 2015, the third topic started to increase and after the launch of Moon Jae In government, there has been a drastic increase in the employment creation related topic indicating that current social discourse mirrored by the media is definitely focused on employment creation aspect of senior job program. Based on the result, this study suggests the necessity to increase the quality and also enhance employment aspects of Senior job program.

주제어

표/그림 (5)

그림 Fig. 1. Four Model Fitness Scores of k Topics(First and second estimation)
표 Table 1. Topic Solution
표 Table 2. Newspaper headlines of each topic
그림 Fig. 2. Time-series dynamics of latent topics
표 Table 3. Topic loading changes by year

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 노인일자리사업에 대한 사회의 논의구조 및 그 변화의 흐름을 분석함으로써 향후 노인일자리사업의 발전방향에 대한 제언을 하고자 한다. 특정 주제에 대한 사회적 논의구조를 분석하는 작업은 양적·질적 차원을 넘나드는 복잡하고 심오한 주제이지만 본 연구에서는 대표적인 대중매체인 신문기사에서 다루어지는 노인일자리 관련 주요 토픽들과 시계열적 특성을 분석하는 것에서 시작하고자 한다.
본 연구는 미디어를 통해 형성되고 있는 노인일자리에 대한 사회적 담론을 분석하기 위해 노인일자리를 검색어로 추출된 신문기사에 대한 토픽분석을 실시하였으며 이에 대한 시계열적 변화를 분석하였다.
이 연구는 “노인실태조사”라는 기존 노인 대상 설문조사로 확인할 수 없는 온라인이라는 공론장에서 일어나는 사회 전반적인 여론을 분석하고자 한 연구로써 수동적인 정책의 수혜자에서 능동적인 정책의 수요자로 바뀌고 있는 담론구조를 도출했다.
따라서 향후 노인일자리사업이 사회적 기대에 부응하는 정책효과를 거두기 위해서는 두 가지 전략 방향 가운데 선택하는 것이 불가피할 것으로 보인다. 첫째, 공익활동의 양적 확대 뿐만 아니라 질적 발전의 측면에서 적극적인 변화를 시도하고 지속적인 고용창출과 연계될 수 있는 방안을 고민하는 것이다. 둘째, 노인일자리에 대한 관점을 ‘고용’의 프레임에서 이탈시키고 새로운 관점으로 조망하게 만들기 위한 노력이다.
특정 주제에 대한 사회적 논의구조를 분석하는 작업은 양적·질적 차원을 넘나드는 복잡하고 심오한 주제이지만 본 연구에서는 대표적인 대중매체인 신문기사에서 다루어지는 노인일자리 관련 주요 토픽들과 시계열적 특성을 분석하는 것에서 시작하고자 한다.

가설 설정

토픽분석을 위해 다양한 분석기법이 활용될 수 있는데 잠재디리클레할당 모형(Latent Dirichlet Allocation model, 이하 LDA)은 가장 널리 알려진 모형이다. LDA모형의 기본 가정은 토픽분석에서 분석대상인 모든 문서는 말뭉치에 배속(embedded)되며 문서는 일련의 단어들의 집합이며 단어는 잠재된 특정 토픽을 나타내는 관측치라는 것이다. 이러한 가정에 기반해 LDA는 말뭉치를 구성하는 문서간 공기(co-occur)하는 단어 구조를 규명하는 확률모형이다[16-19].

제안 방법

2004년부터 2019년 사이에 기사 제목에 “노인일자리”를 포함하고 있는 11개 중앙지와 8개 경제지의 모든 기사들이 추출될 수 있도록 검색 알고리즘을 지정하였다.
2를 활용하였다. R 패키지 가운데 구체적으로 dplyr, ggplot2, KoNLP, lda, ldatuning, stringr, tidytext, tm, topicmodels(알파벳 순) 패키지를 활용하였으며 각 패키지의 활용 맥락은 다음과 같다.
이러한 단어들은 말뭉치에서 토픽을 추출하는 과정을 교란하게 된다. 따라서 말뭉치 내에서 높은 빈도로 공유되고 있는 단어를 파악해 제거해 주는 작업이 필요한데 본 연구에서는 단어빈도-역문서빈도(Tf-idf)를 계산하는 방법으로 이 문제를 해결하였다. Tf-idf는 ‘특정 단어의 빈도와 중요도는 부적인 관계가 있다’는 지프의 법칙(Zipf’s law)에 근거하는데 말뭉치 내의 문서간 다빈도로 공유되는 단어의 경우 0 또는 0에 가까운 tf-idf 값이 도출된다[14].
마지막으로 추출된 잠재토픽의 시계열적 변화 과정을 살펴보기 위해 노법래 외(2019)가 활용한 분석모델을 차용하여 각 문서를 특정 토픽에 할당한 후 토픽의 시계열적 변화가 분석되었다[21]. 구체적으로, 각 문서(기사)는 LDA 분석 결과 추정된 감마(gamma)값에 따라 0.
먼저, 본 연구의 분석 과정은 세 단계로 구분될 수 있는데 첫째, 수집된 텍스트에 대한 전처리 과정, 둘째, 토픽분석, 셋째, 추출된 토픽의 시계열적 변화 분석 등이다.
따라서 텍스트마이닝 기법을 활용한 연구에서 수집된 텍스트에 대한 전처리 작업을 비교적 상세하게 소개하는 과정은 연구의 타당성 검증을 위해 필수적이다. 본 연구는 R의 tm 패키지 및 stringr 패키지를 활용하여 각종 부호 및 숫자, 공란등을 제거하는 작업을 수행하였다. 텍스트마이닝은 기본적으로 문서를 구성하는 단어와 단어를 구성하는 최소단위인 형태소를 양적으로 분석함으로써 문서(혹은 문서의 집합체인 말뭉치)의 특성을 규명하기 위한 방법론이다.
이러한 가정에 기반해 LDA는 말뭉치를 구성하는 문서간 공기(co-occur)하는 단어 구조를 규명하는 확률모형이다[16-19]. 본 연구에서는 R의 topicmodels 패키지의 LDA() 함수를 이용해 분석을 수행하였다.

대상 데이터

오현정 외(2019)는 노인에 대한 사회적 낙인 혹은 연령주의를 야기하는 사회적 기제로서 뉴스 미디어의 역할을 분석하고 있다. 2010년부터 2017년까지 8개 종합일간지 속 노인관련 뉴스 기사를 검색하여 1만6713건의 기사 중 무작위 표집을 통해 선정한 1567건의 기사를 내용분석하였으며 노인에 대한 보도경향 확인을 통해 노인에 대한 고정관념을 형성하는데 있어 언론이 특정한 영향력을 미치고 있다고 추론했다[7].
2004년부터 2019년 사이에 기사 제목에 “노인일자리”를 포함하고 있는 11개 중앙지와 8개 경제지의 모든 기사들이 추출될 수 있도록 검색 알고리즘을 지정하였다. 검색 결과 1109개의 기사가 추출되었는데 이 가운데 사진기사를 제외하고 최종 1107개의 데이터가 분석에 활용되었다.
문재인 정부가 수립된 2017년 5월 11일이후 180일간 ‘복지정책’ ‘복지예산’을 키워드로 하는 진보 및 보수로 구분되는 언론의 뉴스기사와 사설을 수집하였다.
본 연구의 분석에 활용된 신문기사는 통합뉴스검색사이트인 “빅카인즈”에서 수집되었다.

데이터처리

1의 상부는 k값의 범위를 좁혀나가기 위해 실시한 1단계 분석 결과이다. k값에 2부터 20 사이의 값을 투입한 결과 k값이 14이후부터 Griffiths2004 지수값의 증가량이 거의 없어 적절한 잠재토픽의 개수는 2와 14사이에 있을 것으로 전제하고 2단계 분석을 실시하였으며 그 결과는 Fig.1 하단의 그림과 같다. 4개의 지수값이 일관된 방향으로 전개되지 않아 연구자의 판단에 의해 가장 적절한 k값을 선택하게 되는데 4가지 지수를 가장 잘 수렴하는 적절한 잠재토픽 개수는 5와 7사이의 숫자임을 알 수 있다.

이론/모형

본 연구는 텍스트마이닝 기법을 통해 분석을 수행하였으며 데이터 클리닝, 전처리, 분석의 전 과정을 위해 R 버전 3.6.2를 활용하였다. R 패키지 가운데 구체적으로 dplyr, ggplot2, KoNLP, lda, ldatuning, stringr, tidytext, tm, topicmodels(알파벳 순) 패키지를 활용하였으며 각 패키지의 활용 맥락은 다음과 같다.

성능/효과

1 하단의 그림과 같다. 4개의 지수값이 일관된 방향으로 전개되지 않아 연구자의 판단에 의해 가장 적절한 k값을 선택하게 되는데 4가지 지수를 가장 잘 수렴하는 적절한 잠재토픽 개수는 5와 7사이의 숫자임을 알 수 있다. 본 연구에서는 이 가운데 잠재토픽 개수를 5로 선택하였는데 그 이유는 “노인일자리사업”이 추상적인 개념이 아니라 개념적으로 명확한 국가 정책이며 정책의 역사도 제한되어 있어 관련된 잠재토픽의 개수가 많지 않을 것으로 판단되었기 때문이다.
Tf-idf는 ‘특정 단어의 빈도와 중요도는 부적인 관계가 있다’는 지프의 법칙(Zipf’s law)에 근거하는데 말뭉치 내의 문서간 다빈도로 공유되는 단어의 경우 0 또는 0에 가까운 tf-idf 값이 도출된다[14]. 본 연구에서는 tidytext 패키지를 활용해 말뭉치 내 단어들의 tf-idf 값을 계산했으며 계산 결과 0.01보다 작은 tf-idf 값을 갖는 8개의 단어를 제거하였다(제거된 단어는 일자리, 어르신(들), 노인들, 참여자, 고령자, 보건복지부, 사업단, 서비스 등이다). 또한 노인일자리에 관한 기사 중 다수가 지자체의 사업홍보 또는 성과에 관한 것이었기 때문에 텍스트에 등장하는 기초·광역 지자체의 명칭을 제거하였다.
본 연구의 분석결과, 노인일자리사업에 대한 기사에 내재된 다섯 가지 토픽을 추출할 수 있었으며 이에 대한 시계열적 변화를 살펴봄으로써 노인일자리사업에 대한 사회적 담론의 이동을 분석할 수 있었다.
문재인 정부가 수립된 2017년 5월 11일이후 180일간 ‘복지정책’ ‘복지예산’을 키워드로 하는 진보 및 보수로 구분되는 언론의 뉴스기사와 사설을 수집하였다. 분석 결과는 언론의 이데올로기적 성향에 따라 복지정책 혹은 예산에 대한 특정 프레임이 구축되고 있음을 보여주고 있다. 유수동 외(2017)는 사회적 이슈를 정부가 정책에 반영한다는 점에 주목해 아동복지 이슈에 대한 언론의 관심도와 정책결정에 대해 분석하고 있다.
이상의 연구들은 다양한 관점과 주제를 채택하고 있지만 종합해 보면 특정한 정책의제 혹은 정책 대상에 대해 언론이 형성하는 프레임, 담론, 논의구조가 존재하고 있음을 보여준다.

후속연구

왜 특정시점부터 노인일자리사업이라는 정책에 대해 ‘소득’‘고용’과 같은 특정 프레임이 씌워지고 있는 것인지는 본 연구의 분석주제를 넘어서며 향후 연구로 미루어져야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	노인일자리사업은 어떤 정책으로 도입되었는가?	이러한 가운데 2004년 노인일자리사업이 처음 도입되었다. 노인일자리사업은 공적 소득보장제도가 미비한 가운데 빠른 속도로 증가하는 노인들을 대상으로 일을 통한 소득보전과 사회참여라는 두 마리 토끼를 잡기 위한 정책으로 도입되었다. 2004년 도입당시 3만5천 여개의 노인일자리가 창출되었는데 이후 사업이 급격히 확대되어 2019년말 기준 약 64만개로 15년간 20배 이상 확대되었다.
	노인 일자리사업이 도입된 목적은?	노인 일자리사업은 노인의 4苦를 해소하고 다가오는 고령사회를 맞이하여 우리사회의 지속가능성을 높이기 위한 수단으로서 2004년에 도입되었다. 특히 국민연금 제도를 비롯한 노후소득보장 기제가 충분히 구축되지 않음으로 인해 우리사회는 OECD 국가 중 가장 심각한 노인빈곤 문제에 직면했다.
	노인일자리사업이 지속적으로 확대될 수 있었던 배경을 설명하시오.	이처럼 노인일자리사업이 지속적으로 확대될 수 있었던 배경은 두 가지로 분석해 볼 수 있다. 첫 번째는 노인일자리사업에 대한 국민적 합의가 존재하기 때문이다. IMF 외환위기 이후 우리 사회는 경제적·사회적으로 신자유주의적인 체질 전환의 과정을 겪게 되는데 동일한 맥락에서 복지정책 역시 공짜급여보다 일에 대한 대가로 제공되는 급여가 대중적인 공감을 얻게 된다. 이러한 변화와 급속도의 고령화에 대한 사회적 인식의 확산은 ‘노인일자리’에 대한 당위성의 토대를 형성하게 되며 고령사회의 주요한 대응수단으로 여겨지게 된다. 두 번째는 노인일자리사업이 갖는 정치적 속성이다. 노인에 대한 부정적 발언으로 정치적 생명을 달리한 정치인의 사례는 익히 알려졌는데, 이러한 사례가 보여주듯 고령인구의 증가와 함께 노인들은 정치적 득표에 유의미한 영향을 미치고 실력을 행사할 수 있는 집단으로 인식되기 시작하였다. 따라서 고령화의 주요 대응책으로 여겨지고 있는 노인일자리에 대한 축소는 정치권 및 정책입안자들에 의해 정치사회적 생명을 걸어야 하는 민감한 이슈이다.

참고문헌 (22)

S. Kim. (2015). The Politics of Representing the Pain of Others : Regarding the Sewol Ferry Disaster, Media and Society, 23(4), 67-119.
Korea Labor Force Development Institute for the Aged, www.kordi.or.kr
Ministry of Government Legislation, www.moleg.go.kr
G. Han & S. Yoon. (2007). Critical Review of Discourse on Aging in Korean Newspapers, Journal of the Korean Gerontological Society, 27(2), 299-322.
E. J. Kim. (2017). How Media Makes the Elderly into Welcoming Citizens in the Aged Society, Korean Journal of Journalism and Communications, 61(3), 157-188. http://doi.org/10.20879/kjjcs.2017.61.3.005
B. H. Lee & G.Y. Kim. (2019). The Themes and Trends of Discourse on the Elderly in Korea Identified by Analyzing Social Media Big Data, Social Welfare Policy, 46(3), 17-201.
H.J. Oh & K.A. Shin. (2019). How does Korean News Media Cover News Stories of Older Adults? A Content Analysis of Korean News Articles Published After 2010, Journal of Public Relations, 23(4), 40-68. DOI: 10.15814/jpr.2019.23.4.40
J. M. Lee. & Y. S. Park. (2018). A frame analysis of the conservative and progressive media on the Moon Jae In Government's welfare policy and budget, Journal of Budget and Policy, 7(2), 51-80.

상세보기
S.D. Yoo & J.S. Lee. (2017). Media Interest and Policy Decision of Child Welfare Issue : An Empirical Study on the Downs' Issue-Attention Cycle, Journal of Government Administration, 13, 29-60.
I. K. Choi. (2012). Analysis on the types of the Reporting Behavior based on the Diffusion of Policy Issues : Focused on the Decision-making Process of the Basic Old Age Pension System, Journal of Regional Studies and Development, 21(1), 155-191.
Y. M. Kim. (2016). Discourse about Recipients of the National Basic Livelihood Security by the Press, Journal of Critical Social Policy, 53, 282-325.
Big Kinds, www.kinds.or.kr
Y. M. Baek. (2019). Text-Mining Using R : Hanul Academy.
Silge, J. & Robinson, D. (2017). Text Mining with R : A Tidy Approach : O'Reilly.
DiMaggio, P., M. Nag & D. Blei. (2013). Exploiting affinities between topic modeling and the sociological perspective on culture : Application to newspaper coverage of U.S. government arts funding, Poetics, 41, 570-606. http://dx.doi.org/10.1016/j.poetic.2013.08.004.

상세보기
Blei, D.M., A. Ng, & M. Jordan. (2003). Latent Dirichlet Allocation, Journal of Machine Learning Research, 3, 993-1022.
Blei, D.M. & J. D. Lafferty. (2006). Dynamic topic models. In : Pohoreckhy, A., Bottou, L., & Littman, M.L.(eds.), Proceedings of the International Conference on Machine Learning. 113-120.
Liu, L., L. Tang, W. Dong, S. Yao & W. Zhou. (2016). An overview of topic modeling and its current applications in bioinformatics, SpringerPlus, 5(1608), http://doi.org/10.1186/s40064-016-3252-8
McFarland, D.A., D. Ramage, J. Chuang, J. Heer, C.D. Manning & D. Jurafsky. (2013). Differentiating Language Usage Through Topic Models, Poetics, 41, 607-625.

상세보기
Hall, D., D. Jurafsky. & C. Manning. (2008). Studying the history of ideas using topic models. In: Laputa, M., Ng, H.T.(Program Co-Chairs), Proceedings of the 2008 Empirical Methods in Natural Language Processing, Association for Computational Linguistics, Stroudsburg, PA, 363-371.
B. R. Roh. & K. E. Yang. (2019). Text Mining Analysis of South Korea's Birth-rate Decline Issue in Newspaper Articles : Transition Patterns over 18 Years, Korean Journal of Social Welfare, 71(4), 154-176.
Sutherland, I., Y. Sim., S. K. Lee, J. Byun & K. Kiatkawsin. (2020). Topic Modeling of Online Accommodation Reviews via Latent Dirichlet Allocation, Susainability, 12(182). DOI: 10.3390/su12051821.

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