연구성과물검색
유형별/분류별 연구성과물 검색
HOME ICON HOME > Research Project Search > Research View

Research Projects Detailed Information

온라인 여론형성에서 소셜 빅뱅의 영향 및 활용방안 연구: 사회·물리학적 관점을 중심으로
On the Impact and Application of Social Big Bang in Online Opinion Formation: A Socio-Physics Perspective
  • Researchers have entered the information directly to the NRF of Korea research support system
Program 학제간융합연구사업 [지원년도 신청 요강 보기 지원년도 신청요강 한글파일 지원년도 신청요강 PDF파일 ]
Project Number 2015S1A5B6036295
Year(selected) 2015 Year
Research period 1 Year (2015년 09월 01일 ~ 2016년 08월 31일)
chief of research 이동원
Executing Organization 고려대학교
the present condition of Project 종료
Cooperation researcher 권영옥(숙명여자대학교)
김병조(고려대학교)
양성봉(연세대학교)
고광일(고려대학교)
오원석(한국과학기술원)
Research Summary
  • Goal
  • 최근 인터넷과 정보기술이 급속히 보급·확산되면서 우리 사회의 여론형성 패러다임(paradigm)이 크게 변화하고 있다. 개인이나 집단이 제기한 사소한 의견이 온라인상에서 큰 사회적 파장을 일으키고 순식간에 여론을 장악하는 “소셜 빅뱅(social big bang)”현상은 긍정적 측면도 있으나 종종 심각한 사회문제를 초래하기도 한다. 소셜 빅뱅이라 함은 물리학의 “빅뱅(big bang)” 이론에서와 같이 어떠한 작은 이슈가 사회적으로 크게 증폭(inflated) 되는 것을 의미하는데, 인터넷을 통해 부정적인 내용이나 허위사실을 유포하여 갑자기 여론을 동요시키거나, 선거철에 정치적으로 민감한 사항을 온라인상에 유포함으로써 선거의 승패를 순식간에 뒤흔드는 행위, 또는 몇몇 소비자들의 새로운 상품에 대한 간단한 품평이 짧은 시간에 소비자 전체의 인식을 주도하는 등 다양한 분야에서 나타나고 있다. 특히 트위터나 페이스북 등의 거대한 소셜네트워크(social network)가 등장하고 데이터 기술 기반의 시대에 들어서면서 여론 형성 과정에서 소셜 빅뱅의 영향력은 더욱더 커질 것으로 예상된다. 따라서 트위터 등 온라인 소셜네트워크 상에서 소셜 빅뱅의 영향력과 여론 형성 메커니즘(mechanism)을 조사·분석하고, 이를 토대로 다양한 분야에서 소셜 빅뱅을 긍정적으로 활용할 수 있도록 하는 예측모델의 개발이 필요하다. 본 연구에서는 이를 기존의 사회과학적 이론의 틀에서 벗어나 물리학, 컴퓨터과학 등의 자연과학과의 융합적 관점에서 새로운 시각과 접근방식으로 조사·분석하고자 한다.
    지금까지 사화과학 분야에서의 온라인 여론 형성에 관한 연구는 소셜네트워크 이론에 기반을 둔 구전효과(word of mouth) 또는 확산(diffusion) 현상에 초점을 두고 있다. 예를 들어, 사회학이나 경영학 연구에서는 네트워크의 밀집성(density)이나 집중도(centrality) 등이 구전효과나 확산에 어떠한 영향을 미치는지를 소셜네트워크 이론과 방법론 관점에서 접근하고 있다. 그러나 이러한 소셜네트워크 이론들은 현재의 거대한 네트워크(big network)의 특성을 제대로 이해하는데 태생적인 커다란 한계가 있다. 기존 사회학에서 다루는 소셜네트워크 이론과 분석 방법은 각 네트워크를 구성하고 있는 사용자들의 행위에 초점을 맞추어 발전 되어온 미시적(microscopic) 체계이기 때문에 최대 수백 명 정도의 작고 단순하며 정적인 네트워크(static network)를 이해하기 위해 만들어졌고, 설문조사 등의 간접적 방법을 통해 네트워크를 구축한다. 이러한 접근방법은 트위터 등 대규모의 동적 소셜네트워크에서 일어나는 현상을 제대로 이해하는데 근본적인 한계가 있다. 새로 등장한 거대한 네트워크는 그 크기(size)와 구조(structure), 관계성격(tie characteristics) 및 동적변화(evolutionary dynamics) 그리고 복잡성(complexity) 등 기존의 작은 규모의 네트워크와는 근본적으로 판이하게 다른 특성을 지니고 있다. 그러므로 기존의 이론과 분석방법을 그대로 거대 네트워크에 적용할 경우 현상에 대한 정확한 해석이 쉽지 않을 뿐더러 자칫 올바르지 못한 결론으로 이어질 수 있다. 사회과학 분야의 선행 연구를 보면 여론형성 과정을 확산 프로세스(diffusion process) 혹은 아이징 이론(Ising theory)으로 설명하고 있는데, 이들은 거시적 관점에서 특정 현상이 개체들을 장악해 나아가는 현상을 보기보다 미시적 관점에서 개체 간 상호작용의 강도 혹은 상호작용의 특성에 초점이 맞추어져 있다.
    따라서 거대한 네트워크에서의 유기적이고, 복잡한 여론형성 과정을 올바르게 이해하려면 새로운 거시적, 미시적 접근방법이 필요하다. 거시적인 관점에서 네트워크 연결성의 구조와 동역학을 설명할 수 있는 통계물리학의 퍼콜레이션 이론과 미시적으로는 컴퓨터과학의 그래프 이론을 융합하여 소셜 빅뱅 현상이 여론형성에 미치는 메커니즘을 심도 있게 고찰하고자 한다. 구체적으로, 온라인상에서 특정 사건이나 정보들이 어떻게 생성되고 어떤 진화과정을 거쳐 소셜 빅뱅을 유발시켜 궁극적으로 여론을 형성하는지에 대한 진화 메커니즘을 퍼콜레이션 이론과 그래프 이론을 융합하여 고찰한다. 본 연구는 우선 온라인 소셜네트워크 상에서 사용자들의 메시지 교환 데이터를 사용하여 메시지 유형에 따른 리트윗 네트워크 성장형태를 비교하고, 또한 네트워크의 연결밀도 및 리트윗 동태를 분석하며, 사용자 유형 정의 및 메시지 특성에 따른 사용자 분포를 고찰하려 한다. 이러한 실증 분석을 통해 좀 더 광범위한 시뮬레이션 실험 모델을 만들고 퍼콜레이션 현상을 바탕으로 네트워크를 재구성 및 소셜 빅뱅 현상을 분석한다. 그리고 궁극적으로 이러한 실증적, 실험적 자료를 바탕으로 여론형성 및 소셜 빅뱅 현상을 예측하는 창의적인 모형을 개발 하고자 한다.
  • Expectation Effectiveness
  • (1) 학문적 측면. 본 연구는 경영학, 물리학, 그리고 컴퓨터과학을 융합하여 새로운 학문적 분야를 도모하려는 의도에서 출발한다. 다학제간 연구를 통한 융합이 사회국가적으로 요구되어 왔지만 학과 중심의 폐쇄적 문화를 극복하지 못하고 학문 분야 간 지적교류는 거의 정체되어 있는 상태이다. 무엇보다 다양한 학문 배경을 가진 연구자들 간의 소통이 전제되어야 한다는 믿음으로 연구팀을 경영학, 경영공학, 물리학, 컴퓨터과학 전공자 등으로 다양하게 구성하였다. 서로 분야별 보완적 관계를 최대한 활용하여 소셜네트워크 상에서의 여론형성 관련한 새로운 프레임워크를 개발하고 이러한 융합 프레임워크를 바탕으로 그 동안 이론적으로나 방법론적으로 정체되어 왔던 네트워크 연구를 한 단계 발전시킴으로써 사회과학과 자연과학 연구자들에게 새로운 시각을 제시할 것으로 기대된다. 특히, 물리학의 거시적 관점과, 컴퓨터과학의 미시적 방법론을 효율적으로 융합하고 이를 통하여 사회현상을 이해함으로써 네트워크 연구의 새로운 방향을 제시할 것으로 기대된다. (2) 사회적 측면. 본 연구는 온라인상에서 여론형성 과정의 모든 단계들을 면밀히 고찰함으로써 정책 수립자나 언론인 또는 사업가들에게 다양한 사회적 의미를 제공할 것이다. 즉 여론의 배양, 성장, 확산 과정에 대한 통찰을 통해 여론의 급격한 생성과 소멸의 역학적 관계 등 소셜 빅뱅에 대한 구체적이고 전문적인 지식을 제공할 것이다. 이를 통해 사회여론이 어떻게 흡수, 통합되며 또는 분열되는지, 또 더 나아가서 어떠한 정책이나 전략이 사회구성원들을 좀 더 효과적으로 단결시키게 할 수 있는지에 대한 해법을 제공할 것이다. 그리고 본 연구의 성과를 학계와 기업, 정부에서만 활용하는 것을 넘어 대중화 시키고자 한다. 생활 속에 담겨있는 네트워크의 의미를 알기 쉬운 사례들로 간추려 적극적인 언론보도를 통해 일반 국민들에게 전달하여 삶의 질을 제고 시킬 수도 있을 것으로 기대된다. 이는 악의적 여론몰이 등 소셜네트워크 오용의 부정적 효과를 감소시킬 것이라 기대한다. (3) 교육적 측면. 본 연구팀은 무엇보다 최우선적으로 자연과학과 사회과학 학문 분야를 편향적이지 않고 융합적인 사고방식을 가진 “열린” 신진학자들을 배양하는데 목표를 두고 있다. 이번 연구를 진행하면서 전 과정에 석/박사과정 연구보조원들을 참여시켜 모든 내용을 공유하며 적극적인 참여를 유도할 것이다. 융합연구에 대한 이론과 방법론 습득, 아이디어 도출, 연구회의, 논문작성, 결과에 대한 대중화 작업 등 전 과정을 연구진들과 공동으로 진행하고자 한다. 이를 통해 석/박사과정 때부터 타 학문에 대한 이해와 존중을 견지하며 향후 융합연구를 지속 가능하게 하는 열린 학자를 배출할 계획이다. 빅데이터(big data)에 관한 연구가 나날이 그 중요성을 더 하고 있는 시점에서 본 연구는 대표적인 빅데이터의 하나인 소셜네트워크 데이터를 심도 있게 분석할 수 있는 연구자를 양성하리라 기대한다. 또한 나아가 본 연구팀은 융합 프레임워크를 개발하고 이를 적용하여 다양한 연구 성과를 내고 나아가 이를 교육으로 연계시키고자 하는 목표를 지향한다. 현재 대학교육은 사회과학과 자연과학을 천편일률적으로 구분하여 제공함으로써 학생들이 융합적인 사고와 지식을 습득하는 것을 구조적으로 차단하고 있다. 그동안 지속적으로 융합 연구의 필요성이 강조되어 왔지만 실제로 교육의 차원에서는 매우 미미한 실정이다. 인문사회 계열 학생들에게는 좀 더 과학적인 사고로 문제를 해결하는 능력을 배양하며 자연과학 학생들에게는 수치적인 정량적 접근 이외에 좀 더 포괄적인 지식으로 현상을 이해하고 지식을 습득할 수 있는 교과 과정을 개발할 것이다. 예를 들어 경영학이나 언론학 또는 정치학과 학생들에게 여론형성 메커니즘을 자연과학의 이론으로 설명할 수 있는 교과목을 개설함으로써 좀 더 과학적인 사고력을 습득할 수 있게 될 것이다. 융합과학 학과목 개설을 입문 단계부터 고급 단계까지 다양하게 개설하고 추후 대학원 과정뿐만 아니라 장기적으로 학부 과정까지 확대할 계획이다.
  • Summary
  • 본 연구는 사회과학, 물리학, 컴퓨터과학의 융합적, 거시적인 접근으로 소셜 빅뱅과 여론형성의 메커니즘을 분석하고 예측모델을 개발하는 것을 목적으로 하며, 이를 위한 구체적인 연구내용은 다음과 같다. 소셜 빅뱅의 사례 및 관련 연구를 고찰하고, 여론 형성의 주도적인 미디엄 중의 하나인 트위터에서 수집한 데이터를 분석하여 리트윗의 동태를 이해하고 나아가 소셜 빅뱅의 현상 및 여론 형성의 메커니즘을 도출한다. 그리고 이를 바탕으로 소셜 빅뱅 예측모델을 개발하고 다양한 분야에서 활용할 수 있는 방안을 제시하고자 한다. 세부적으로는 다음 4단계를 통해 소셜 빅뱅 현상이 여론형성에 미치는 메커니즘을 분석하고, 여론형성 예측모형 개발에 이론적 근거로 활용하고자 한다. (1) 메시지 유형에 따른 리트윗 네트워크 성장 형태 비교. 네트워크 유형에 대한 분석은 소셜 빅뱅 현상을 이해하고 발생요인을 탐색하는데 있어 중요한 요소로, 본 연구에서는 먼저 메시지 유형에 따른 리트윗 네트워크 성장형태를 비교하고자 한다. 우선 메시지 유형을 소셜 이슈와 비즈니스 이슈 두 가지로 나누어, 각 이슈별로 나타난 사용자 클러스터의 차이를 각 이슈에 해당하는 메시지를 리트윗하는 사용자수와의 상관관계 분석을 통해 고찰한다. 즉, 트위터 메시지를 소셜과 비즈니스 이슈로 분류하여 리트윗 동태를 분석하고 퍼콜레이션의 발생요인과 이로 인한 소셜 빅뱅 현상을 이해하고자 한다. (2) 네트워크의 연결밀도 및 리트윗 동태분석. 메시지 유형에 따른 리트윗의 동태를 정량적으로 분석 및 이해하고자 한다. 기존의 정보확산이론에 관한 연구는 정보의 확산 자체에 중점을 두고 있는데 비해 본 연구는 복잡계 네트워크의 방법론에 따라 네트워크의 노드가 추가되는 링크의 유형을 분류하고 분석함으로써 네트워크의 구조 변화와 확장을 통한 여론 형성의 과정을 보려고 한다. 소셜 이슈와 비즈니스 이슈의 리트윗 네트워크에서 각 유형별 링크(Adding, InOut, Bridge, New channel)가 차지하는 비율을 계산한 후, 리트윗의 동태에 따른 링크의 추가가 클러스터 내에서 연결밀도를 높이는 것인지, 아니면 네트워크의 확장이 일어나는지를 살펴보고자 한다. 클러스터 내에서의 링크 추가는 네트워크를 견고하게 하기는 하지만, 퍼콜레이션에는 도움이 되지 않는 반면, 클러스터 밖으로부터의 유입은 퍼콜레이션을 일으키고, 이는 소셜 빅뱅이 발생할 가능성이 높아짐을 의미한다. 따라서 소셜 이슈와 비즈니스 이슈 중 구조적으로 어느 쪽에서 퍼콜레이션이 일어날 가능성이 많은지에 대한 결과를 도출하고 이를 통해 소셜 빅뱅 현상을 설명할 수 있으리라 기대한다. (3) 사용자 유형 정의 및 메시지 특성에 따른 사용자 분포 분석. Gonzalez-Bailon et al. (2013)의 연구에 따르면, 소셜네트워크의 사용자들을 ‘Influential’, ‘Hidden Influential’, ‘Broadcaster’, ‘Common User’ 등의 4개 그룹으로 나눌 수 있다. 팔로우어 수가 많으면서 보내는 메시지보다 전달받는 메시지 수가 많은 그룹이 유력자(Influential) 그룹이라면, 팔로우어 수는 적지만 전달받는 메시지가 많은 그룹을 잠재적인 유력자(Hidden Influential) 그룹이라 한다. 이러한 잠재적인 유력자는 네트워크 상에서는 가장자리에 위치하지만 정보의 흐름에 있어서는 중앙에 위치한다고 할 수 있다. 선행연구의 결과를 기반으로 리트윗 네트워크를 구성하는 사용자 유형의 분포를 알아보고 나아가 리트윗 동태에 미치는 영향에 대해 분석하고자 한다. (4) 시뮬레이션을 통한 네트워크 재구성 및 소셜 빅뱅 현상분석. 이전 단계의 연구를 바탕으로 시뮬레이션을 통해 네트워크를 재구성하고 소셜 빅뱅 현상을 심도 있게 고찰하고자 한다. 앞서 설명한 링크의 유형과 노드의 유형을 적절한 매개변수의 도입과 조절을 통해 네트워크의 성장모델에 적용하고 이에 따른 네트워크 클러스터의 성장과 퍼콜레이션을 일으키는 클러스터의 존재유무에 대한 메커니즘을 파악하고자 한다. 또한 이슈의 크기 등의 외부적인 요소를 도입하여 실제 네트워크 상에서의 동역학에 대한 실질적인 함의를 얻고자 한다. 마지막으로, 앞의 4단계 연구 결과를 바탕으로 여론형성 및 소셜 빅뱅 현상의 예측 모형을 개발하는데 컴퓨터과학의 커뮤니티 탐색(community detection) 알고리즘과 군집화(clustering) 알고리즘을 적용하고 소셜네트워크에서 발생하는 대용량의 정보를 가공하기 위해서 기존의 차원축소 알고리즘 적용 및 소셜네트워크에 맞게 차원축소 알고리즘을 수정하여 이용할 계획이다. 동적인 사회연결망에서 소셜 빅뱅의 영향력과 여론 형성 과정을 이해하고 예측 모델을 활용함으로써 궁극적으로는 다양한 분야에서 소셜 빅뱅의 긍정적인 효과를 창출할 수 있을 것으로 기대한다.
Research Summary
  • Korean
  • 본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 이르지 못하고 퍼콜레이션 효율이 낮은 상태에서 끝나게 되는지에 대해 고찰하고 있다. 구체적으로, 본 연구는 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 주고 받는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 퍼콜레이션 효율에 영향을 주는지에 대해 관찰하였다. 그에 더해 우리는 본 연구를 통해 이러한 관계들이 크게 사회적 이슈와 산업에 관련된 이슈로 구분되는 온라인 상에서의 이슈에 대해 어떻게 다르게 나타나는지에 대해 고찰하였다.
    이러한 현상의 온라인 소셜 네트워크 환경에서의 실증적 분석을 위하여, 우리는 먼저 산업 관련 이슈와 사회적 이슈에 대해 연구 기간 중 가장 대중적인 이슈를 각각 19개와 8개를 선정하였다. 이후 이렇게 선정된 27개의 이슈에 대한 실제 트위터(Twitter) 데이터를 다음소프트에서 운영하던 사회적 트렌드에 대해 분석하는 기업인 소셜메트릭스(SocialMetrics)로부터 제공받았다. 이러한 실제 트위터 데이터를 사용하여 사용자들의 트위터 상에서 리트윗(Rewteet) 행태를 바탕으로 각각의 이슈에 대해 일별 네트워크를 구성하였다. 이후 우리는 각각의 네트워크의 퍼콜레이션 효율을 각각의 네트워크의 사용자 특성과 사용자 관계 특성을 사용해 모형화 하였다. 이러한 과정 속에서 퍼콜레이션 효율을 측정하고 각각의 사용자 특성과 사용자 관계 특성이 퍼콜레이션 효율에 미치는 영향을 확인하기 위해 두 단계 자료 포락 분석법(two-stage data envelopment analysis) 기법을 사용하였다. 이에 더해 사회적 이슈와 산업 관련 이슈의 차이를 비교 분석하기 위해 이슈의 종류를 사용하여 서브샘플 분석 기법을 사용하였다. 결과적으로 본 연구를 통해 1,052,619개의 리트윗 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 (1) 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였으며, (2) 사용자 관계는 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 가교 관계(bridging)와 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 중복 관계(overlap) 및 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. (3) 사용자 특성 역시 마찬가지였으며 대표적 결과로는 주변인(peripherals)이 영향력 있는 인물(influential)보다 퍼콜레이션에 미치는 영향이 큰 것을 확인했다. (4) 또한 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다. 이러한 새로운 이론적 관점 위에서 본 연구는 정보 확산 및 구전 효과 연구를 확장하고, 효과적인 소셜미디어 마케팅 기법뿐만 아니라 여론 형성 과정에 대해 유용한 시사점을 제시하고 있다. 본 연구는 고려대와 카이스트 경영대학을 포함한 다양한 대학교에서 발표되고 논의 되었으며, 일본의 오사카에서 2016년 7월 22일부터 24일까지 개최된 국제 학회 International Conference on Internet Studies (NETs)에 발표되었다.
  • English
  • Drawing on percolation theory from physics, we assess why some diffusion trajectories produce social big bangs (i.e., high percolation efficiency), while others generate highly fragmented social networks (i.e. low percolation efficiency). Specifically, we examine how different characteristics of nodes (i.e., users in an online social network, e.g., influential, hidden influential, broadcasters, and peripherals) and links (e.g., interactions among the users, e.g., incoming/outgoing, bridging, overlap) moderate percolation efficiency. Moreover, we identify different effects of each node and link types on the percolation efficiency for social and business issues.
    For the empirical analysis in social network environments, we first select 19 and 8 most popular issues in business and social contexts respectively. Then, Twitter data for the 27 selected issues was provided by SocialMetrics which is a social trend exploration service operated by Daumsoft. Using the data, we construct networks for each issue on each day on the basis of each user’s retweet behavior. Then we model percolation efficiencies of networks as a function of their node and link characteristics. To operationalize the measurements of percolation efficiency and identify the effects of different node and link types, the two-stage data envelopment analysis (DEA) approach is adopted. In addition, we conduct subsample analyses to identify the differences between social and business issues. We analyze 1,052,619 retweet messages to measure the variation of percolation efficiencies across networks. The key findings suggest that (1) percolation varies significantly on message-based networks, for example, social and business threads; (2) bridge and incoming/outgoing links increase the efficiency of percolation, but overlap and adding links have no observable effect; (3) peripherals play a more significant role in percolation than influentials; (4) the moderating effects of links and nodes are more pronounced for business threads than social threads. On the basis of a new theoretical perspective, this study extends research on information diffusion and word-of-mouth and provide stylized insights into effective social media targeting, advertising and public opinion formation. The research was presented and discussed at various seminars at Korea University and KAIST Business school. It was also presented at International Conference on Internet Studies (NETs) which was held in Osaka, Japan from July 22 to 24, 2016.
Research result report
  • Abstract
  • 본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 이르지 못하고 퍼콜레이션 효율이 낮은 상태에서 끝나게 되는지에 대해 고찰하고 있다. 구체적으로, 본 연구는 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 주고 받는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 소셜 빅뱅 정도(즉, 퍼콜레이션 효율)에 영향을 주는지에 대해 관찰하였다. 그에 더해 우리는 본 연구를 통해 이러한 관계들이 크게 사회적 이슈와 산업에 관련된 이슈로 구분되는 온라인 상에서의 이슈에 대해 어떻게 다르게 나타나는지에 대해 고찰하였다.
    이러한 현상의 온라인 소셜 네트워크 환경에서의 실증적 분석을 위하여, 우리는 먼저 산업 관련 이슈와 사회적 이슈에 대해 연구 기간 중 가장 대중적인 이슈를 각각 19개와 8개를 선정하였다. 이후 이렇게 선정된 27개의 이슈에 대한 실제 트위터(Twitter) 데이터를 다음소프트에서 운영하던 사회적 트렌드에 대해 분석하는 기업인 소셜메트릭스(SocialMetrics)로부터 제공받았다. 이러한 실제 트위터 데이터를 사용하여 사용자들의 트위터 상에서 리트윗(Rewteet) 행태를 바탕으로 각각의 이슈에 대해 일별 네트워크를 구성하였다. 이후 우리는 각각의 네트워크의 소셜 빅뱅 정도를 나타내는 퍼콜레이션 효율을 각각의 네트워크의 사용자 특성과 사용자 관계 특성을 사용해 모형화 하였다. 이러한 과정 속에서 퍼콜레이션 효율을 측정하고 각각의 사용자 특성과 사용자 관계 특성이 퍼콜레이션 효율에 미치는 영향을 확인하기 위해 두 단계 자료 포락 분석법(two-stage data envelopment analysis) 기법을 사용하였다. 이러한 두 단계 자료 포락 분석법은 효율을 의미하는 종속변수를 첫 단계에서 우선적으로 계산한 뒤, 이러한 종속변수에 영향을 미치는 요소들을 독립변수로 사용하여 두 번째 단계에서 모형화하는 기법이다. 이에 더해 사회적 이슈와 산업 관련 이슈의 차이를 비교 분석하기 위해 이슈의 종류를 사용하여 서브샘플 분석 기법을 사용하였다. 다시 말해, 동일한 분석 방식을 사회적 이슈와 산업 관련 이슈에 적용하여 결과의 차이를 비교 분석하였다. 결과적으로 본 연구를 통해 트위터 상에 존재하는 1,052,619개의 리트윗 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 (1) 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였으며, (2) 사용자 관계는 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 서로 다른 사용자 무리(cluster)간의 리트윗을 의미하는 가교 관계(bridging)와, 사용자 무리에 속한 사람이 무리 밖 사람을 리트윗 하거나 그 반대의 경우를 의미하는 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 이미 리트윗이 일어난 관계에서 또 한번 리트윗이 일어나는 중복 관계(overlap) 및 이미 존재하는 사용자 무리 내에서의 리트윗을 의미하는 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. (3) 사용자 특성 역시 마찬가지였으며 대표적 결과로는 리트윗 한 횟수가 리트윗 당한 횟수보다 많은 전달자(broadcaster) 형태의 사용자가 리트윗을 당한 횟수가 더 많은 영향력 있는 인물(influential) 형태의 사용자보다 퍼콜레이션에 미치는 긍정적 영향이 큰 것을 확인했다. (4) 또한 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다. 이러한 새로운 이론적 관점 위에서 본 연구는 정보 확산 및 구전 효과 연구를 확장하고, 효과적인 소셜미디어 마케팅 기법뿐만 아니라 사회적 이슈에 대한 여론 형성 과정에 대해 유용한 시사점을 제시하고 있다.
  • Research result and Utilization method
  • 본 연구를 통해 1,052,619개의 리트윗에 대한 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였다. 또한 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 맺고 있는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 퍼콜레이션 효율에 영향을 주는지에 대해 확인하였으며, 그 결과 사용자와 사용자 관계 모두 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 사용자 관계 특성의 영향에 대해서는 가교 관계(bridging)와 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 중복 관계(overlap) 및 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. 반면 새로운 사용자를 연결해주는 새 관계(new channel)는 오히려 퍼콜레이션 현상에 부정적인 영향을 미치는 것을 확인할 수 있었다. 또한 사용자 특성의 영향에 대해서는 영향력 있는 인물(influential)과 전달자(broadcaster) 모두 소셜 빅뱅 현상을 촉진시키는 것으로 나타났으며, 전달자의 영향이 영향력 있는 인물의 영향보다 큰 것을 확인할 수 있었다. 반면 보통의 인물(common user)의 경우는 오히려 소셜 빅뱅의 발생을 저해하는 것을 확인할 수 있었으며, 숨은 실세(hidden influential)의 영향은 관찰 할 수 없었다. 마지막으로 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다.
    본 연구는 경영학, 물리학, 그리고 컴퓨터과학을 융합하여 새로운 학문적 분야를 도모하고 있다. 다학제간 연구를 통한 융합이 사회국가적으로 요구되어 왔지만 학과 중심의 폐쇄적 문화를 극복하지 못하고 학문 분야 간 지적교류는 거의 정체되어 있는 상태이다. 무엇보다 다양한 학문 배경을 가진 연구자들 간의 소통이 전제되어야 한다는 믿음으로 연구팀을 경영학, 경영공학, 물리학, 컴퓨터과학 전공자 등으로 다양하게 구성하였다. 서로 분야별 보완적 관계를 최대한 활용하여 소셜네트워크 상에서의 여론형성 관련한 새로운 프레임워크를 개발하고 이러한 융합 프레임워크를 바탕으로 그 동안 이론적으로나 방법론적으로 정체되어 왔던 네트워크 연구를 한 단계 발전시킴으로써 사회과학과 자연과학 연구자들에게 새로운 시각을 제시하고 있다. 특히, 물리학의 거시적 관점과, 사회 과학의 미시적 방법론을 효율적으로 융합하고 이를 통하여 사회현상을 이해하는 방식을 제공하여 네트워크 연구의 새로운 방향을 제시함으로써 다양한 연구분야에서 네트워크 연구에 활용될 수 있다. 본 연구는 또한 온라인상에서 여론형성 과정의 모든 단계들을 면밀히 고찰함으로써 정책 수립자나 언론인 또는 사업가들에게 다양한 사회적 의미를 제공하고 있다. 즉 여론의 배양, 성장, 확산 과정에 대한 통찰을 통해 여론의 급격한 생성과 소멸의 역학적 관계 등 소셜 빅뱅에 대한 구체적이고 전문적인 지식을 제공하고 있는 것이다. 이를 통해 사회여론이 어떻게 흡수, 통합되며 또는 분열되는지, 또 더 나아가서 어떠한 정책이나 전략이 사회구성원들을 좀 더 효과적으로 단결시키게 할 수 있는지에 대한 해법을 제공하고 있다. 이를 통해 악의적 여론몰이 등 소셜네트워크 오용의 부정적 효과를 감소시킬 수 있다.
  • Index terms
  • 확산, 퍼콜레이션, 트위터, 소셜 네트워크, 소셜 미디어, 소셜 빅뱅, 여론 형성
  • Research Achievements List
데이터를 로딩중 입니다.
데이터 이용 만족도
자료이용후 의견
입력