트위터와 블로그에서 드러난 공적 영역의 형태와 선거 효과

이 논문은 하버마스가 제시한 공적 영역(public sphere) 개념을 현대 디지털 미디어 환경에 적용하고, 특히 트위터와 블로그가 정치적 토론의 새로운 장을 제공하는지 검증한다. 서론에서는 공적 영역이 평등한 논쟁과 합리적 논증을 전제로 하지만, 매스미디어는 상업적 압력과 경쟁으로 인해 ‘에피소드형’(단편적 사건 중심) 보도를 선호하게 되었다는 기존 문헌을 정리한다. 반면 소셜 미디어는 사용자 간 평등성을 보장하고, 선택과 전파가 개인의 가치 판단에 의해 이루어지므로 ‘주제형’(정책·이념 중심) 콘텐츠가 더 많이 확산될 가능성을 제시한다. 연구 질문은 “정당 트위터 팔로워는 에피소드형 콘텐츠와 주제형 콘텐츠 중 어느 쪽을 더 많이 지지(리트윗)하는가?”이며, 이를 검증하기 위해 2013년 2월부터 2014년 4월까지의 민주당(@BarackObama)과 공화당(@GOP) 공식 트위터 계정에서 각각 3,200개의 최신 트윗을 수집한다. 트윗 자체와 링크된 외부 웹사이트(총 3,592개)를 텍스트 마이닝하여 LDA 토픽 모델링을 수행, 10개의 토픽을 도출하고 각 토픽을 ‘에피소드형’ 또는 ‘주제형’으로 분류한다. 토픽별 사후 확률을 이용해 트윗당 에피소드·주제 점수를 0~1 사이의 연속형 변수로 계산한다. 데이터 전처리 단계에서 리트윗 수가 534회 이상인 상위 1% 트윗(총 64개)을 제외해 극단값의 영향을 최소화하고, 리트윗 수를 종속 변수로 설정한다. 통계 모델링은 포아송 회귀의 과산포 현상을 확인한 뒤 부정이항 회귀(Negative Binomial) 모델을 채택한다. 독립 변수는 당 파티(공화당=1), 에피소드 점수, 주제 점수, 원본 트윗 여부(리트윗 여부), 시간대, 메시지 길이, 선거까지 남은 시간(제곱근 변환)이며, 당과의 상호작용도 포함한다. 변수 선택 과정에서 유의하지 않은 상호작용(당‑메시지 길이, 당‑주제)을 단계적으로 제거하였다. 모델 결과는 다음과 같다. 에피소드 점수(β = ‑1.132, p < 0.001)와 주제 점수(β = ‑0.73, p < 0.001)는 모두 리트윗 수에 부정적인 영향을 미친다. 이는 트윗이 더 ‘에피소드형’이거나 ‘주제형’일수록 확산이 어려워진다는 뜻이다. 반면 원본 트윗 여부는 강한 양의 효과(β = 1.526, p < 0.001)를 보여, 원본 트윗이 리트윗될 경우 추가적인 전파가 크게 일어난다. 시간대와 메시지 길이 역시 작은 양의 효과를 보이며, 선거까지 남은 시간의 제곱근은 양의 계수(β = 0.229, p < 0.001)를 갖는다. 즉, 선거가 멀리 있을수록 리트윗 가능성이 낮아지지만, 선거가 가까워질수록 전반적인 호응이 증가한다. 당별 상호작용을 살펴보면, 공화당 트윗에서 에피소드 점수와 선거 근접성의 상호작용이 유의미하게 양(β = 0.241, p = 0.007)이며, 이는 선거가 다가올수록 공화당 팔로워가 에피소드형 메시지에 더 민감하게 반응한다는 것을 의미한다. 반면 민주당에서는 이러한 상호작용이 유의하지 않다. 또한, 에피소드·주제와 선거 근접성의 상호작용은 모두 음의 계수를 보여, 선거가 가까워질수록 에피소드·주제 특성이 강할수록 리트윗 증가 효과가 억제된다는 점을 시사한다. 논의에서는 첫째, 소셜 미디어가 전통 매스미디어와 달리 ‘주제형’ 콘텐츠를 자동으로 선호한다는 가설이 실증적으로 입증되지 않았음을 강조한다. 양당 모두 에피소드·주제 점수가 높을수록 리트윗이 감소했으며, 이는 사용자들이 정보의 깊이보다는 감정적·시각적 요소에 더 반응할 가능성을 시사한다. 둘째, 선거 주기가 디지털 정치 커뮤니케이션에 중요한 조절 변수임을 확인한다. 선거가 가까워질수록 전반적인 참여와 확산이 증가하지만, 내용의 특성(에피소드·주제)에 따라 그 효과가 다르게 나타난다. 따라서 정치 캠페인은 시기적 요소와 콘텐츠 유형을 동시에 고려한 전략을 수립해야 한다. 마지막으로 연구의 제한점으로는 트위터 데이터만을 사용했으며, 블로그나 페이스북 등 다른 소셜 플랫폼을 포함하지 않았다는 점, 그리고 토픽 분류가 연구자 주관에 의존했다는 점을 들며, 향후 연구에서는 다중 플랫폼 데이터와 자동화된 텍스트 분류 기법을 활용해 보다 일반화된 결론을 도출할 필요가 있음을 제언한다.