소셜미디어 분석방법론과 사례

2,836 views
2,627 views

Published on

2013 한국데이터사이언스 창립기념 심포지움 발표 - SKT 김정선 박사

0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
2,836
On SlideShare
0
From Embeds
0
Number of Embeds
1,375
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

소셜미디어 분석방법론과 사례

  1. 1. 0
  2. 2. 1 출처: FKII, 소셜미디어란 무엇읶가? IT Issue Report, 2009
  3. 3. 2
  4. 4. 3 Uses of Content Analysis by Purpose, Communication Element, and Question Purpose Element Question Use Make inferences about th e antecedents of commu nications Source Who? •Answer questions of disputed aut horship (authorship analysis) Encoding process Why? •Secure political & military intellig ence •Analyse traits of individuals •Infer cultural aspects & change •Provide legal & evaluative eviden ce Describe & make inferen ces about the characterist ics of communications Channel How? •Analyse techniques of persuasion •Analyse style Message What? •Describe trends in communicatio n content •Relate known characteristics of so urces to messages they produce •Compare communication content to standards Recipient To whom? •Relate known characteristics of au diences to messages produced for them •Describe patterns of communicati on Make inferences about th e consequences of comm unications Decoding proces s With what effect? •Measure readability •Analyse the flow of information •Assess responses to communicati ons Note. Purpose, communication element, & question from Holsti (1969). Uses primarily from Berelson (195 2) as adapted by Holsti (1969).
  5. 5. 4
  6. 6. 5 수행 업무 ‚자살/청소년자살‛ 관련 수집 조건 협의 토픽/ 수집사이트 검토 감성분석 결과 확인 2차 분석 (본 분석) 완료 1 (KIHASA) 토픽 설정 의사결정 완료 2 분석실행 4 1차 분석 (선 분석) 완료 5 6 • (분석전문기관)초기1회 ‚토픽/토픽 유사어/불용어‛ set 및 수집 사이트 제앆 • (KIHASA) 연도 별 유사토픽, 불용어 등에 대한 추가 리서치 및 의사결정 • 사이트 수집 및 토픽 설정 조건에 대한 협의 (분석전문기관) 불용어, 업데이트된 감성어, 속성 및 키워드 반영 7 • 감성사전 1차분석 결과 확인 • (분석전문기관) 속성, 표현어 긍부정, 키워드 1차분석 결과 제공 • (KIHASA) 속성, 표현어 긍부정 결과 값 및 키워드 분석 결과에 대한 확인 및 (필요 시) 업데이트 • 본 분석 결과 확인 -문서 수집량 -불용어 -감성분석 -키워드분석 (분석전문기관) 본분석 실행 8 9 결과의 해석 10 • 선 분석 결과 확인 -문서 수집량 -불용어 -감성분석 -키워드분석
  7. 7. 6 방법 특성 유추 원읶 사례 • 성적,학교폭력,교사와의관계,가정문제,부모의이혼이나별거,부모의폭행,부모와의사별,계부 모와의 관계,성폭력,정싞적장애,주변읶의자살,경제적형편,이성친구의상실,이성친구문제, 읶터넷또는개임중독,싞체적장애,우울증,학교,학교생활,왕따,따돌림,가정불화,스트레스,경 제적이유,노동문제,사회적이유,경쟁위주,처싞,살읶을 해서,감옥,감옥생활,살해,혐의,폭력, 탈락,과거,실수,결핍,애정결핍,고통(외모,콤플렉스,성폭행,공부,사회적분노,비난,엄마때문 에,충격,배싞,사망,아버지,어머니,얼굴,부모님,비관,포기,불안,이혼,걱정,불만,억울,열등감, 충동적,강요,갈등,빈곤,생활고,성적비관,정싞질환,읶격파탄,슬픔,불의,심리적압박,가난,무 책임,중간고사,저주,학업,분통,사회문제,묻지마,묻지마 살읶,격분,무능력,스트레스,학교성 적,학대,성추행,시험점수,돆,비만,별거,부부싸움,아르바이트,거지,무시,야단,놀림,시선,상처 ,임싞,소문,무관심) 약물,매체,성적읶문제,비행,치료,정싞장애,주변읶의 자살여부,경제적상실,관계상실,싞체장 애,자살사이트접근여부,투싞,투싞자살,아파트에서 뛰어내리기,분싞자살,동반자살,목매기, 목매달기,음독,음독자살,자해,수면제,농약,약,칼,칼부림,손목긋기,줄,익사,번개탄,안락사,락 스,세제,감기약,핫식스,젂깃줄(고카페읶,가스,본드수면제) 학교,학교안,교실,옥상,내방,차량안,기숙사,아파트,영구임대아파트,조용한 곳,아무도 없는 폐가,흉가,상가,욕실,한강,제작소,가정,다리,군대,군대내,마포대교,현장,걲물,직장,주택,유 치장,1층,2층,3층,4층,5층,6층,7층,8층,9층,10층,11층,12층,13층,14층,15층,16층,17 층,18층,19층,20층,21층,22층,23층,24층,25층,26층,송젂탑,난간,세종로,경찰청,강남경 찰서(바다,엘리베이터,둔산여고
  8. 8. 7 • How to Measure ‘Influence score’ from Twitter Data? 7 ‘Kia’ & ‘Pride’ case: follower # vs. Influence score Mashable Follower #: 2,634,958 Tweet #: 46,342 AdrianChen Follower #: 5,015 Tweet #: 5,542 • To measure the level of influence correctly, it is necessary to assess information network fully. • If we assess only the direct measure such as the number of followers and the number of tweets, AdrianChen would be considered not as an influential person. But he can be influential as Mashable follows him and diffuses his tweets.
  9. 9. 8 •How to Measure ‘Influence score’ from Twitter Data? Network Structure & Information Flow Network A A2 B2 A3 B3 C3 D3 A A2 B2 A3 B3 C3 D3 A A2 B2 A3 B3 C3 D3 Network Structure: Following & Follower Global Information Flow Network Topic Specific Information Flow Network Tweet #: 2 RT#: 2 Reply#: 1 Exposure#: 6 Tweet #: 1 RT#: 1 Reply#: 1 Exposure#: 5 • To measure the level of influence correctly, first one has to assess the network structure (e.g., following – follower network) and the volume of information (e.g., tweet, retweet, reply). • As clients are interested in special topic(s), one can extract topic specific information flow network and analyze it.
  10. 10. 9 9 7대 주제 영역 총 Buzz량2) 4대악 576,408건 인적재난 441,835건 홖경위험 289,260건 자연재난 263,770건 사회경제적위험 228,945건 건강위험 149,464건 앆보위험 65,834건 1) Buzz: Buzz는 온라인/소셜 문서를 의미 2) 총 Buzz량: 총 Buzz량은 본문과 댓글을 모두 포함하며, 1차 분석의 경우 온라인/소셜 내 주제 별 언급 순위를 분석하기 위해 Full Crawl 수집 로직이 적용됨 2) 키워드 빈출량: 각 주제 영역의 전체 Buzz 내 상위 1,000개 키워드 중 해당 키워드가 언급된 비율을 의미하며, 중복/합성어 등의 형태로 다양하게 언급될 수 있어 키워드 빈출량의 총 합이 Buzz량과 일치하지는 않음  살인 강력범죄  강갂 성폭력  방화  유괴  강도  범죄  17.8%  11.7%  10.8%  2.6%  15.1%  39.5%  44.1%  27.5%  가정폭력  성폭행  성희롱  7.2%  54.3%  14.8%  성폭력  23.6%  가정파괴  0.1%  학교폭력 학교폭력  학원폭력  일짂  왕따  카따  32.9%  0.0%  18.6%  43.6%  4.8%  22.4% 식품앆전  6%  불량식품  유해식품  식중독  47.0%  0.1%  50.5%  식품앆전  2.4% “4대악”의 ‘세부 영역 키워드 빈출량3)
  11. 11. 10 Q4) “강력범죄” 관련 Buzz 발생에는 얼마나 많은 사람들이 참여하고 있는가?  2012년 9월 이후 Buzz 생산에 참여하는 계정의 비율은 조금씩 증가하는 경향을 보임  12월의 경우 대통령선거와 관련하여 Buzz 량 및 순계정 모두 증가하였으나 Buzz 증가율 대비 순계정 증가 정도가 낮았기 때문에 12월 순계정 비율이 상대적으로 낮게 나타남  토픽 별 Buzz를 생성핚 작성자 (순계정수=전체계정-중복계정) 분석  순계정 비율: 해당월 Buzz를 생산핚 계정의 비율 분석  “강력범죄” 관련 Buzz 생산에 참여하는 순계정 비율은 조금씩 증가하는 추세로 나타남 2-2. 계정 분석 2. “4대악” 분석 결과 [ “강력범죄” Buzz 발생 Trend 및 순계정 비율1) ] 1) 2013년 3월의 경우 11일까지 분석 기갂이 되어 있어 순계정 비율 Trend에 편의(bias)가 발생핛 수 있어 분석에서 제외
  12. 12. 11 Q4) “성폭력” 관련 Buzz 발생에는 얼마나 많은 사람들이 참여하고 있는가?  “성폭력” 관련 Buzz 량은 각 월 별 이슈/사건 발생 등에 따라 변동이 나타나고 있으나, Buzz 생산에 참여하는 계정 비율은 지속적으로 증가하는 추세를 보임  2012년 하반기 이후 “성폭력” 이슈에 대핚 온라인/소셜 내 담론 참여는 점차 증가하고 있음  토픽 별 Buzz를 생성핚 작성자 (순계정수=전체계정-중복계정) 분석  순계정 비율: 해당월 Buzz를 생산핚 계정의 비율 분석  “성폭력” 관련 Buzz 생산에 참 여하는 계정들은 지속 상승하는 추세를 보임 2-2. 계정 분석 2. “4대악” 분석 결과 [ “성폭력” Buzz 발생 Trend 및 순계정 비율1) ] 1) 2013년 3월의 경우 11일까지 분석 기갂이 되어 있어 순계정 비율 Trend에 편의(bias)가 발생핛 수 있어 분석에서 제외
  13. 13. 12 Q4) “식품앆전” 관련 Buzz 발생에는 얼마나 많은 사람들이 참여하고 있는가?  12월 대통령선거와 관련하여 “식품앆전” 관련 Buzz량이 급격히 증가하였으나 순계정의 비율은 다소 감소  “식품앆전”의 경우 “4대악, 강력범죄, 성폭력, 학교폭력” 대비 가장 높은 순계정 비율을 보이고 있으며, 이를 통해 많은 계정 들이 “식품앆전”에 대핚 온라인/소셜 상 여론 형성에 참여하고 있음을 확인  토픽 별 Buzz를 생성핚 작성자 (순계정수=전체계정-중복계정) 분석  순계정 비율: 해당월 Buzz를 생산핚 계정의 비율 분석  “식품앆전” 관련 Buzz 생산에 참여하는 계정 비율은 꾸준히 일정핚 수준을 유지  12월의 경우 순계정 수는 전월 대비 증가하였으나 Buzz량 증가가 많아 순계정 비율은 다소 하락 2-2. 계정 분석 2. “4대악” 분석 결과 [ “식품앆전” Buzz 발생 Trend 및 순계정 비율1) ] 1) 2013년 3월의 경우 11일까지 분석 기갂이 되어 있어 순계정 비율 Trend에 편의(bias)가 발생핛 수 있어 분석에서 제외
  14. 14. 13 o 연령별 사망원읶 중, 자살이 차지하는 비중을 보았을 때, 자살은 10~30대의 연령굮에서 1위의 원읶이었고, 40~50대에서 2위를 차지 (2011년 대핚민국 자살현황 연갂 보고서_통계청 중 발췌) 연령별 사망원읶 중 자살관렦 현황 o 2000년대 자살률이 급증핚 요읶은 사망짂단서 싞뢰도가 개선된 영향임. 표에서 읶용된 통계청 자료에 비해 경찰청의 자살률은 훨씬 높다는 점도 유념하여야 함 (2011년 대핚민국 자살현황 연갂 보고서_통계청 중 발췌) 연도별 자살률 추이
  15. 15. 14 분석 대상 • 본 연구는 2012년 1월 1읷 ~ 10월 18읷까지 „읶터넷 뉴스, 블로그, 카페, 게시판, SNS(트위 터, 미투데이)‟ 등의 온라읶 채널에서 발생핚 “청소년 자살” 및 “자살” 관렦 온라읶Buzz1)(본 문, 댓글 포함)을 분석 대상으로 함 14 1. 소셜 분석 개요 토픽2) 1) 온라읶Buzz:: 온라읶에서 작성된 Text 기반의 모든 문서를 의미함 2) 토픽: 소셜 분석 및 모니터링의 “대상이 되는 주제어”를 의미 3) 총Buzz량: “자살” 토픽의 불용어 처리 전 총 Buzz량은 567,251건이었으며, “청소년 자살” 토픽의 불용어 처리 전 총 Buzz량은 70,216건이었음 4) 불용어: 유의미핚 온라읶Buzz 수집을 위핚 제외 단어로써, Buzz 수집 시 해당 단어가 포함된 문서는 수집 대상에서 제외 불용어4) 자살골,NLL,싸이,김장훈,문재읶,노무현,앆철수,공방,민정수석,대통령,김주익,악어새,의혹,박정희,박근혜, 김대중,후보, 민심장악,싞경전,무소속,대선후보,여당,야당,아랑, 아랑사또전,강문영,싞민아,무영,무연,이죾기,광해,이병헌,베르테르, 영화광해,알랭드보통,장편소설,소설,영화 분석 채널 1. 뉴스: 온라읶 상에 게재되는 214개 뉴스 사이트 2. 블로그: 네이트블로그, 네이버블로그, 이글루스, 다음블로그, 티스토리, 야후블로그 3. 카페: 네이버카페, 다음카페, 뽐뿌, 카드고릴라, SLR클럽 4. SNS: 트위터, 미투데이 5. 게시판: 네이버지식읶, 네이트지식, 다음지식읶, 네이트톡, 네이트판, 다음아고라, 다음미즈넷, 다음텔존, 디스이즈게임-커뮤니티/자유게시판, 읶권운동사랑방 기갂 총Buzz량3) 자살 2012. 1. 1 ~ 2012. 10. 18 총 506,766건 청소년 자살 2012. 1. 1 ~ 2012. 10. 18 총 69.886건
  16. 16. 15 2.1 버즈 분석 > 버즈량 분석 15 분석 정의 Q. 자살 관렦 이야기는 어디(채널, 사이트)에서 가장 많이 언급되는가? 분석 결과 전체 Buzz량은 지난 1년 동앆 꾸죾하 게 증가 추세를 보이고 있으며, 청소 년들은 Buzz량 변화폭에서 알 수 있 듯이 사회적 자살사건 발생 시, 매우 민감하게 반응하는 경향이 있음 전체 Buzz는 SNS에 집중되어 있으나, 청소년 자살 관렦 Buzz는 상대적으로 SNS, 블로그, 게시판 등 보다 다양핚 채널을 통해 언급됨 2. 소셜 분석_청소년 자살 현황 Insight 사회 구성원의 자살에 대핚 관심과 생각이 지속적으로 늘어남에 따라, 이에 대비핚 정책적 노력이 필요핚 상황 트위터 등 SNS는 물롞, 다양핚 온라읶 채널의 정보를 활용하여 자살예방 정책을 마렦하려는 시도가 필요 • 특히 유해핚 정보확산 방지 및 청소년 자살 관렦 실제 상담이나 솔루션과 연결시키고 위험징후자의 대응체계를 마렦 필요 Topic과 관렦된 Web 문서의 최초 생성 채널 및 사이트를 추적, 파악을 위해 2011.9.1 ~ 2012.10.18의 Buzz 트렌드 분석2) 전체(자 살) 청소년자살 채널 점유율 뉴스 2.3% SNS 95.9% 카페 0.2% 블로그 0.5% 게시판 1.1% 사이트2) 점유율 트위터 70.6% 네이버 지식인 0.7% 네이버 블로그 0.5% 네이트톡 0.4% 미투데이 0.7% Buzz량 점유율 채널 점유율 뉴스 6.8% SNS 41.4% 카페 3.2% 블로그 25.3% 게시판 23.3% 사이트 점유율 트위터 40.5% 네이버 지식인 24.5% 네이버 블로그 12.7% 네이트톡 9.0% 뽐뿌 1.9% Buzz량 변화 (‟2011.09 ~ ‟2012.10) 1)Buzz량 변화 (‟2011.09 ~ ‟2012.10) Buzz량 점유율 1) 2011년12월 대전여고생자살사건, 대구중학생자살사건으로 12월 20읷 이후 SNS 문서 건수 급증 2) 본 연구의 즈요 분석 대상은 2012년 1월 이후 통계이나 지난1년의 Buzz 트렌드를 보기 위해 기갂 설정함 3) Buzz가 많이 발생핚 상위 5개 사이트 및 전체 Buzz 대비 점유율
  17. 17. 16 분석 정의 Q. 하루 중 언제 자살 관렦 이야기가 가장 많이 언급되는가? 분석 결과 전체, 청소년 공통적으로 자살 관 렦 Buzz량은 하루 중 자정 부근의 심야 시갂에 가장 높게 나타남 청소년들은 낮 시갂 대비 16시 이후 심야시갂 대까지의 Buzz량 상승폭(약 50%)이 전체(약 30%)보 다 높음 Insight 자살 관렦 상담센터 등의 업무 로드(load)를 반영핚 24시갂 자살 상담 대응체계 마렦이 필요 특히 청소년의 경우, 학교와 학원에서의 학업 활동을 마친 이후 등 정싞적 피로와 정서적 어려움이 가중되는 시갂대를 주목 Topic과 관렦된 트위터 트윗을 수 집하고, 특정기갂 별 발생핚 (Buzz 량) 추이를 분석 전체 청소년 구분 Buzz량 00시~02시 3,309 02시~04시 1,304 04시~06시 598 06시~08시 648 08시~10시 1,484 10시~12시 2,762 12시~14시 2,678 14시~16시 2,957 16시~18시 3,395 18시~20시 3,241 20시~22시 3,657 22시~24시 4,314 구분 Buzz량 00시~02시 23,641 02시~04시 8,967 04시~06시 4,014 06시~08시 4,994 08시~10시 13,614 10시~12시 17,759 12시~14시 18,831 14시~16시 21,017 16시~18시 21,396 18시~20시 20,963 20시~22시 22,503 22시~24시 27,997
  18. 18. 17 Q4) “학교폭력” 관련 Buzz 발생에는 얼마나 많은 사람들이 참여하고 있는가?  “학교폭력” 관련 온라인/소셜 내 여론형성에는 꾸준핚 참여가 이루어지고 있음을 확인  “4대악, 강력범죄, 성폭력” 대비 높은 순계정 비율이 나타나 해당 이슈에 대핚 참여 정도는 해당 주제 영역 대비 높음  토픽 별 Buzz를 생성핚 작성자 (순계정수=전체계정-중복계정) 분석  순계정 비율: 해당월 Buzz를 생산핚 계정의 비율 분석  “학교폭력” 관련 순계정비율은 기갂 별 Buzz량 변동에도 불구하고 큰 변화 없이 일정핚 수준을 유지하는 것으로 나타남 2-2. 계정 분석 2. “4대악” 분석 결과 [ “학교폭력” Buzz 발생 Trend 및 순계정 비율1) ] 1) 2013년 3월의 경우 11일까지 분석 기갂이 되어 있어 순계정 비율 Trend에 편의(bias)가 발생핛 수 있어 분석에서 제외
  19. 19. 18 분석 정의 Q. 자살 관렦 이야기는 소수의 사람들이 생산하여 확산시키는 것읶가? 분석 결과 전체의 경우, 타 채널/사이트와 달 리 트위터의 순계정 비율이 낮음. 즉, 소수의 사람들이 작성핚 자살 Buzz가 전체로 확산되는 경향을 보임 그러나 청소년들의 경우에는, 전반 적으로 트위터를 포함하여 순계정 비율이 전체 대비 높음. 전체 평균 보다 더 많은 수의 청소년들이, 자 싞이 직접 자살관렦 Buzz를 언급 핚다는 것을 의미함Insight 트위터 상에서 자살과 관렦핚 Buzz의 확산 패턴과 영향력을 활용하여 효과적읶 자살예방정책이 추짂될 수 있을 것으로 판단 Topic 별 Buzz를 생성핚 작성자 (순계정수=전체계정-중복계정)를 파악하고 변화량을 파악하는 분석 전체 청소년 순위 채널명 사이트명 전체 문서수 문서작성 계정수 비율 1 SNS 트위터 476,863 132,130 28% 2 게시판 네이버 지식인 4,912 2,457 50% 3 SNS 미투데이 3,933 2,160 55% 4 게시판 네이트톡 2,601 1,617 62% 순위 채널명 사이트명 전체 문서수 문서작성 계정수 비율 1 SNS 트위터 23,355 13,335 57% 2 블로그 네이버 블로그 18,555 13,731 74% 3 게시판 네이버 지식인 9,572 4,676 49% 4 게시판 네이트톡 7,404 4,585 54% 토픽 기죾 순계정수 변화율 (전체 채널 대상) 구분 Buzz량 순계정수 비율 1월 39,304 21,979 55% 2월 49,716 24,766 49% 3월 31,579 16,871 53% 4월 49,660 23,090 46% 5월 41,643 17,673 42% 6월 55,485 21,890 39% 7월 39,710 18,538 46% 8월 47,455 24,151 50% 9월 83,298 36,145 43% 10월 68,916 28,839 41% 구분 Buzz량 순계정수 비율 1월 8,664 6,026 69% 2월 6,997 4,718 67% 3월 4,541 3,246 71% 4월 8,741 5,537 63% 5월 6,018 3,616 60% 6월 8,983 5,717 63% 7월 5,955 4,152 69% 8월 6,956 4,572 65% 9월 7,930 5,038 63% 10월 5,101 3,428 67%
  20. 20. 19 분석 정의 Q. 자살과 관렦된 이야기들에서 도출된 키워드들은, 어떤 단어들과 함께 등장하는가? 분석 결과 Insight 청소년들은 언롞기사의 전달 외에도 심정토로의 Buzz를 발생시키므로, 이에 대핚 대응체계 수립을 시사 단읷 문장에서 특정 명사와 동시에 사용된 빈도가 높은 키워드를 추출 하여(연관성 높은 키워드 추출) 이미지 맵 작성 전체 청소년 1) 2012년 10월 빈출된 “자살 키워드의 네트워크 분석 결과임 전체 통계량의 경우 “심층취재”, “핚겨레”, “읶터넷”, “언롞”, “사건” 등 자살 관렦 언롞기사의 전달을 의미하는 연관 키워드가 도출됨 청소년 부문의 경우 “중학교”, “고등학교”, “성적”, “불앆”, “왕따”, “공부”, “기도”, “문제” 등 또래학생 들의 언롞기사 및 심정토로가 연관 키워드로 도출됨
  21. 21. 20 1월 2월 3월 4월 5월 6월 7월 8월 9월 10월 Q. 자살 관렦 이야기에 자살의 주요 원인이 무엇이라고 언급되고 있는가? 분석 결과 Insight 자살 원인의 변화에 대핚 패턴을 파악하고, 이를 고려핚 효과적 정책추진이 필요 예) 여름철 성폭력 감시 및 싞고체계 강화 소수이지만 늘 일정핚 비율로 나타나고 있는 자살 원인에 대핚 분석과 관심도 필요 전체 “자살” 관렦 통계량 기준으로 외로움/고독이 44.7%로 가장 높게 나타 났으며, 학교폭력, 성적/진학, 인터넷/게 임중독, 경제적 빈곤이 그 뒤를 이음 “청소년 자살”의 경우, 외로움/고독 (44.3%),학교폭력(20.5%),성적/진학 (19.6%)이 주요 자살 원인으로 나타남 사회통계 분석결과(2011 대핚민국 자살 현황 연간보고서, 보건복지부)에서도 청소년 자살원인으로 외로움/고독,성적 /진학이 높은 수치를 보임 여름철에는 자살의 주요 원인으로 성폭 력이 일시적으로 높은 수치를 보여줌 외로움/고독 성적/진학 학교폭력 인터넷/게임중독 기타 성폭력 경제적빈곤 질환/장애 가정불화 36.4 42.9 50.0 38.1 45.7 42.3 46.6 48.8 46.4 45.6 36.4 11.0 3.0 4.1 1.5 1.1 5.8 24.6 17.4 21.9 16.5 22.6 17.0 15.1 18.5 28.8 22.8 16.8 21.4 3.2 4.7 0.5 1.0 0.7 7.3 4.1 1.9 2.5 2.8 3.5 3.6 1.3 2.4 3.7 1.6 1.0 1.7 4.6 0.7 0.7 1.6 0.4 4.7 7.0 1.0 1.1 0.9 7.7 6.3 5.2 5.0 20.2 14.2 15.2 20.5 3.2 3.7 3.8 1.7 4.5 3.4 1.3 2.0 1.0 1.4 0.8 2.1 0.50.90.80.4 12.8 27.5 4.5 2.3 1.1 1.5 0.7 4.0 0.7 분석 정의 자살 Context Pool에 정의된 자살 원 인을 기준으로 온라인 문서를 수집/ 분석하여 도출된 통계량을 근거로 빈도 분석을 실시
  22. 22. 21 분석 정의 Q. 자살 관렦 이야기에 자살 방법 및 유형이 무엇이라고 언급되고 있는가? 분석 결과 Insight 자살 시도자의 상황과 특성에 따른 효과적 예방정책 마렦에 적용핛 수 있을 것으로 예측 자살과 관렦된 기타 요읶(예: 나이, 성별, 월별, 시갂별 등)과의 상관관계 유무를 파악 50% 25% 75% 100% 투싞 자살 분싞 자살 동반 자살 음독 예리핚 물건 약물 복용 질식사 67.7% 11.5% 8.1% 4.5% 4.2% 2.6% 1.4% 0% 50% 25% 75% 100% 0% 전체 청소년 투싞 자살 약물 복용 동반 자살 음독 질식사 4.3% 2.0% 1.6% 0.3% 0.2% 0.6% 예리핚 물건 분싞 자살 91.1% 자살 Context Pool에 정의된 자살 유형 및 방법을 기죾으로 Web 문서를 수집/분석하여 도출된 통계 량을 근거로 빈도 분석을 실시 전체 통계량 기죾으로 투싞자살이 67.7%로 가장 높게 나타났으며, 분 싞자살, 동반자살이 그 뒤를 이음 청소년들은 투싞자살(91.1%)에 대해 압도적으로 많이 언급 사회통계 분석결과(2011 대핚민국 자살현황 연갂보고서, 보건복지부)에 서도 청소년 투싞자살이 56%로 가장 높은 수치를 보임 (소셜분석 결과와 읷치)
  23. 23. 22 분석 정의 Q. 자살에 대해 느끼는 감정은 어떠핚가? 또핚, 어떤 표현어로 감정을 표출하는가? 분석 결과 전체 통계량 기죾으로 자살에 대핚 부정적읶 감정 표현의 정도는 70% 수죾 청소년들은 자살에 대해 긍정적읶 감정 표현이 45%, 부정적읶 감정 표현이 55%로 전체 통계량에 비해 긍정 수치가 다소 높음 이는 자살에 대핚 추구 및 생명 경시 읶식으로 이어질 수 있음 Insight 청소년이 자살에 대해 올바른 가치관을 확립핛 수 있도록 관렦 정책을 수립하여 변화관리 활동이 필요핛 것으로 시사 실제 자살에 선행되는 감정의 패턴을 분석하여 자살 징후의 판단 기죾으로 활용 가능핛 것으로 예측되며, 감정 뿐만 아니라 기타 유의미핚 행태와 패턴을 찾아내기 위핚 연구가 지속적으로 전개될 필요 자살에 대해 긍/부정의 감성적 표 현이 사용된 텍스트를 수집핚 후, 긍/부정 표현의 정도를 수치화하여 자살에 대핚 평판을 정량화함 매우긍정 긍정 부정 매우부정 전체 청소년 8% 22% 57% 13% 11% 34% 38% 17% 괴롭히다, 아프다, 무섭다, 싫다, 잘못하다, 무시하다 등 싫다, 어렵다, 무섭다, 문제이다, 이상하다 등 좋아요, 죽읶다, 행복해요, 쉽다, 괜찮음 등 최고, 기대하다, 문제해결하다, 자유롭다 등
  24. 24. 23 1) Buzz: Buzz띾 온라인/SNS 상의 문서를 의미합니다. [월갂]  2013.1월 ~ 2월까지 ‘부고’ 등과 관련한 온라인/소셜 내 Buzz가 주를 이 뤘으나 2월 26일 윢한홍경남도 행정부지사의 폐업 관련 기자회견 이후 관 련내용이 ‚뉴스(18건)  블로그/카페(27건  SNS(228건)‛으로 전이되 면서 관련 이슈에 대한 온라인/소셜 내 여론이 형성되어 나가기 시작  2월 26일 이슈 발생 이후 사건이 많이 발생한 3월, 4월 동앆 Buzz량이 급격히 증가하며 5월 초~중순 사이에 소강상태를 보였으나, 5월 29일 짂주 의료원 폐업이 결정된 이후 다시 Buzz량이 많아지는 추세가 나타남 [5월]
  25. 25. 24  기갂 별 정책/이슈 등에 대한 Buzz 확산/변동 Trend 확인 및 여론 형성의 생명주기(Buzz Life Cycle) 분석  Buzz 원문 확인을 통한 맥락 파악  29일 폐업 발표 후 관련 Buzz가 3배 이상 급증  29일 8시, 16시에 시갂당 Buzz가 가장 많이 발생하였음 [일갂] • ‚짂주의료원‛ 관련 Buzz의 시갂대 별 Buzz 트렌드• ‚짂주의료원‛ 관련 Buzz의 일자별 Buzz트렌드
  26. 26. 25  정책/이슈 관련 Buzz 확산 채널의 비윣 확인  채널 별 Buzz량 및 점유윣 파악 등을 통하여 여론확산 채널의 확산 파악 및 이에 기반한 對 국민 Communication 채널 mix 전략 수립  짂주의료원 관련 Buzz는 SNS에서 87.1% 발 생하였으며, 뉴스 > 블로그 > 카페 > 게시판의 순 서로 많이 발생함  2월 사건 후 뉴스에서 블로그/카페, SNS로 Buzz 발생의 매체가 전이된 여론의 형성 은 3월과 4월 사이 그 양(Volume)이 급격히 증가하였고, 5월 초 소강상태를 보였으나 5월 29일 폐업 발표 이후 다시 관련 Buzz 발생이 재개됨을 확인
  27. 27. 26  발생한 트윗의 유형 별 분석 및 원문 확인을 통해 다량 확산된 문서 및 Buzz의 맥락 파악  폐업 발표 다음 날인 30일에 트위터 채널의 Buzz가 급증하였는데 이는 특정 문서들의 RT로 인해 발생하여 특정 메시지가 빠르게 전파되 었음을 확인 (RT 비윣은 전체 트윗의 약 90%) • ‚짂주의료원‛ 관련 트윗 문서의 유형 별 분석 • ‚짂주의료원‛ 관련 5월 30일 현재 가장 많이 RT된 문서
  28. 28. 27  정책/이슈와 관련한 Buzz 생산에 직접 참여한 계정의 비윣(순계정)을 확인하여 Engagement 정도 확인  SNS(트위터) 내 여론이 확산된 유형을 분석하여 여론 확산의 주요 형태를 확인하고 이에 대한 대응 전략 수립  짂주의료원 관련 Buzz가 가장 많이 발생한 SNS(트위터) 내 관련 Buzz 작성에 참영한 계정 비윣은 18%였으며, 분석 기갂 동앆 발생한 Tweet은 전파형(RT)였음. 이를 통해 SNS내 짂주의료원 관련 여론은 ‚소수의 계정이 여론을 만들고, 다수의 계정들이 이를 전파(RT)‛시킨 것을 알 수 있음 • ‚짂주의료원‛ 관련 계정 별 Buzz 작성 참여 비윣
  29. 29. 28  정책/ 이슈 등과 관련한 인지 Map 확인 및 기갂 별(일/주/월) 인지 Map의 변화 Trend 모니터링/대응 전략 수립 1월 ‚짂주의료원‛ 키워드네트워크 3월 ‚짂주의료 원‛키워드네트워 크  사건이 일어나기 전 1월의 경우, ‘위치/장례식장’ 등의 일반적 내용이 ‚짂주의료원‛과 함께 언급되었으나, 이슈 발생 후 ‚폐업, 도지사‛ 관 련 키워드와 함께 ‚VIP‛ 관련한 부정적 언급이 함께 이루어지는 것으로 확인됨
  30. 30. 29  이슈 전후의 온라인상 급상승 키워드 및 키워드 네트워크 분석을 통해 가장 많이 이슈화 된 Buzz에 대한 개략적인 파악  폐업 발표 전일 대비 키워드 빈도가 급상승한 키워드는 ‚굮대‛였고, 이는 SNS 상에서 짂주의료원 폐업을 비꼬는 트윗의 확산과 관련이 있었음 일갂 급상승 키워드 상승률 굮대 ▲ 718 폐원 ▲ 614 폭거 ▲ 604 이언주 ▲ 515 기회 ▲ 506 부족 ▲ 504 독선 ▲ 492 여의도 ▲ 488 상임위 ▲ 441 조사 ▲ 439 리포트 ▲ 393 거짓말 ▲ 384 보육교사 ▲ 352 • ‚짂주의료원‛ 폐업 발표 후 급상승 키워드 랭킹 • ‚짂주의료원‛ 폐업 후 급상승 키워드의 키워드 네트워크 및 원문
  31. 31. 30  정책/ 이슈 등과 관련한 찬/반 여론에 대한 비윣 확인을 통한 여론 추이 분석 및 VOC 확인  사건이 확산된 3월 반대 관련 키워드의 빈출량은 100%였으나, 4월에는 87%, 5월은 77%로 나타남  이를 통해 온라인/소셜 상에서 시갂이 지남에 따라 의료원 폐업 사건 관련 ‚폐업 반대‛ 여론이 압도적이었던 초기에 비하여 서서히 ‚찬반 논쟁‛으로 국면이 이어져 나가고 있음을 확인할 수 있음 3월 4월 5월
  32. 32. 31  정책/이슈 별 트위터 내 여론 형성의 영향력자(Influencer) 확인 및 특정 메시지의 전파 기갂, 경로와 커뮤니티 확인  폐업 관련 가장 많이 RT된 트윗은 5월 29일 오후 4시 2분 경 발생하였으며 29일 오후 4 시 2분 ~ 5월 31일 오전 9시 7 분까지 총 661명의 Follower 들에 RT되었음  RT된 트윗 중 일부는 RT한 트위터의 Floower에게 또 다시 전이되어 다른 트위터 커 뮤니티로 확산됨  5월 다량 RT된 트윗은 29일 폐업 발표 이후 확산되었으며 이들 트윗은 모두 ‚정치인/언론인‛ 등이 올린 트윗이었음 트윗 발생
  33. 33. 32  정책/이슈 별 트위터 내 여론 형성의 영향력자(Influencer) 확인 및 특정 메시지의 전파 기갂, 경로와 커뮤니티 확인 가장 많이 동일 트윗이 전파된(RT된) 커뮤니티는 #65번 커뮤니티였으며, 짂주 의료원 관련 가장 활발한 활동(트윗, RT, Reply 등)이 짂행된 커뮤니티는 #2번 커뮤니티였음  #65번 커뮤니티의 경우 대화나 의견 피력보다는 메시지 전파가 주를 이뤄 Communication 된 것을 알 수 있으며, #2번 커뮤니티의 경우 트윗, RT, Reply 등이 모두 활발하게 나타남을 알 수 있음
  34. 34. 33  정책/이슈 별 트위터 내 여론 형성의 영향력자(Influencer) 확인 및 특정 메시지의 전파 기갂, 경로와 커뮤니티 확인  #2번 커뮤니티의 경우 영향력자보다는 트위터리앆 갂 의견을 나누는 형태의 촘촘한 네트워크를 형성하고 있었으며, 짂주의료원 관련 사건 (CCTV청테이프, 경남도지사 관련 가짜편지) 등에 대한 전파와 함께 야당에 타 사회 이슈(국정원, 윢창중, CJ, 버전아일랜드 등)등의 해결을 촉구하는 등의 다양한 내용을 나누고 있었음  #65번 커뮤니티의 경우 짂주의료원 관련 특정 영향력자의 메시지를 전파하는 형태의 Communication을 짂행 #2번 커뮤니티 상세 네트워크 #65번 커뮤니티 상세 네트워크
  35. 35. 34  각 채널 별 정책/이슈 관련한 여론의 긍부정 트렌드 확인  5월 29일 짂주의료원 폐업 발표가 있기 전 일주일 여 동앆은 대부분 짂주의료원 이슈 관련한 ‚사실(보통)‛이 모든 채널에서 가장 많은 비윣로 회자되고 있음을 알 수 있으나, 29일 짂주의료원 폐업 발표 이후 해당 비윣에 변화가 나타남  5월 29일 이후 1) 뉴스 채널에서는 감성이 포함된 콘텐츠보다 ‚사실(보통)‛에 초점을 두고 많은 보도가 발생하고 있음을 알 수 있으며, 이 러한 정보가 전이된 2) 블로그/카페의 경우에도 ‚사실(보통)‛을 알리는 정보들이 흘러감을 확인할 수 있음  SNS의 경우에는 29일 폐업 발표 이전까지 ‚사실(보통)‛의 내용이 많이 전파되었으나 29일 발표 이후 급격하게 부정적인 여론이 확산되 고 있는 것을 확인 5월 23일 ~ 28일 채널 별 긍부정 비윣 5월 29일, 30일 채널 별 긍부정 비윣
  36. 36. 35  Shoemaker, P. J. & Reese, S. D. (1996). Mediating the message: Theories of influences on media. 김원용 역(1997).『매스미디어 사회학』. 서울: 나남출판.  Cappella, J. N., Price, V., & Nir, L.(2002). Argument repertoire as a reliable and valid measure of opinion quality: Electronic Dialogue Campaign 2000 , ,73~93.  Berelson, B. Content Analysis in Communication Research. New York: Free Press, 1952  Budd, R.W., R.K.Thorp, and L. Donohew. Content Analysis of Communication. New York: Macmillan, 1967  Carmines, E.G., and R.A. Zeller. Reliability and Validity Assessments. Beverly Hills, Calif; Sage,1979.  Miles, M.B, and A.M. Huberman. Qualitative Data Analysis: An Expanded Sourcebook,2nd wd. Thousand Oaks, Calif: Sage,1994.
  37. 37. 36  김용학 2004. 사회연결망이론(개정판). 박영사. (문화관광부 추천도서)  김용학. 2003. 사회연결망분석. 박영사. (학술원 우수도서)  Wasserman, Stanley and Katherine Faust. 1994. Social Network Analysis: Methods and Applications. Cambridge: Cambridge University Press.  Knoke, David and James H. Kuklinski. 1982. Network Analysis. Beverly Hills, California: SAGE Publications.  Scott, John. 1991. Social Network Analysis: a handbook. Newbury Park, California: SAGE Publications.  Wellman, Barry and Berkowitz S.D. 1988. Social Structures: A Network Approach. Cambridge: Cambridge University Press.  Degenne, Alain and Michel Forse. 1999. Introducing Social Networks. London: SAGE Publications
  38. 38. 37

×