트위터 감정 역학과 네트워크 구조

본 연구는 트위터에서 사용자 간 @멘션을 통해 형성되는 동적 네트워크와 그 안에서 나타나는 감정 표현 사이의 관계를 심층적으로 탐구한다. 데이터는 두 단계로 수집되었으며, 첫 단계에서는 스노우볼 샘플링을 이용해 669 191명의 사용자를 추출하고 1억 2천만 개 이상의 트윗을 확보하였다. 두 번째 단계에서는 선정된 10 000명의 사용자를 대상으로 최대 3 200개의 과거 트윗과 30일간의 실시간 트윗을 추가 수집해 총 2 천 4 백만 개의 트윗을 확보하였다. 수집된 트윗에 대해 세 가지 감정 스코어링 기법을 적용했다. (1) MC는 마케팅 회사가 제공한 독점 알고리즘으로 –25~+25 정수 점수를 부여한다. (2) SS는 오픈소스 SentiStrength로 –4~+4 실수 점수를 제공한다. (3) L은 LIWC2007으로 –100~+100 실수 점수를 제공한다. 세 스코어는 각각 긍정·부정 감정을 별도로 측정하고, 차이를 통해 단일 감정 점수를 산출하였다. 개별 트윗 수준에서는 세 스코어 간 피어슨 상관계수가 0.52~0.59로 중간 정도였지만, 사용자 혹은 커뮤니티 수준으로 집계하면 상관관계가 크게 강화된다. 네트워크 분석에서는 일일 스냅샷을 기반으로 동적 커뮤니케이션 가능성(communicability) 행렬 Q를 계산하였다. Q는 각 시간 단계의 인접 행렬 A_t에 대해 (I–αA_t)^{-1}을 누적한 형태이며, α는 0.15에서 0.9까지 변동시켰다. 행렬의 행합은 방송 점수, 열합은 수신 점수를 나타낸다. 7일간의 멘션 네트워크(285 천 명, 6 백만 엣지)에서 방송 점수를 산출하고, 상위 500, 1 000, 5 000명의 사용자를 추출해 감정 사용 패턴을 비교하였다. 결과는 상위 방송자가 긍정 트윗 비율이 평균보다 현저히 높고, 부정·중립 트윗 비율이 낮으며, 긍정 감정 강도 또한 평균보다 크게 나타난다는 점이다. 이러한 차이는 방송자 수가 늘어날수록 점차 평균에 수렴하지만, 상위 5 천 명에서도 여전히 유의미한 차이가 존재한다. 통계적 검증을 위해 무작위 재표본화 테스트를 수행했으며, 대부분의 지표에서 p<0.026을 기록했다. 커뮤니티 분석에서는 Louvain, Infomap, Walktrap 등 여러 알고리즘을 결합해 구조적으로 안정적인 서브네트워크를 식별했다. 선정된 커뮤니티는 평균 30~50명의 사용자로 구성되었으며, 각 커뮤니티 내에서 일일 평균 감정 점수를 계산했다. 대부분의 커뮤니티는 감정 평균이 장기간(수개월) 동안 거의 변하지 않았으며, 급격한 변동이 발생할 경우 해당 일자에 발생한 외부 사건(예: 정치 스캔들, 자연재해)과 강하게 연관되었다. 또한, 커뮤니티 내 사용자 탈퇴율과 초기 감정 수준, 네트워크 전도성 사이에 약한 양의 상관관계가 발견되어, 부정적 감정이 높은 커뮤니티가 더 빠르게 이탈자를 만들 가능성을 시사한다. 마지막으로, 실증 결과를 토대로 에이전트 기반 모델을 설계하였다. 모델은 각 에이전트가 (i) 새로운 대화를 시작할 확률, (ii) 받은 멘션에 응답할 확률, (iii) 기본 감정 수준, (iv) 감정 전염 계수를 갖는다. 매 시간 단계마다 현재 멘션 네트워크를 재구성하고, 인접 에이전트들의 감정 평균에 비례해 감정 값을 업데이트한다. 파라미터는 실제 트위터 커뮤니티의 방송 점수 분포, 감정 비율, 감정 강도 등을 이용해 캘리브레이션했으며, 시뮬레이션 결과는 실제 데이터와 유사한 감정 평균, 변동성, 급변 시점의 외부 충격 반응을 재현하였다. 모델은 복잡한 사회적 상호작용을 최소한의 규칙으로 요약하면서도 감정 전파의 핵심 동역학을 포착한다는 점에서 의미가 크다. 종합하면, 이 논문은 (1) 동적 중앙성 지표와 다중 감정 스코어링을 결합해 트위터 사용자들의 감정 사용 패턴을 정량화하고, (2) 구조적으로 안정적인 커뮤니티의 감정이 장기적으로 유지되며 외부 사건에 의해 급변한다는 실증적 증거를 제시하며, (3) 이러한 현상을 재현할 수 있는 간단하면서도 효과적인 에이전트 기반 모델을 제공한다. 연구 결과는 온라인 여론 형성, 위기 대응, 마케팅 전략 등 다양한 분야에 적용 가능하며, 특히 고중심성 사용자가 긍정적 감정을 통해 정보 확산을 촉진한다는 점은 향후 소셜 미디어 정책 및 설계에 중요한 시사점을 제공한다.