인공 사회망에서 감정 메시지 흐름 모델링

초록

본 논문은 인터넷을 매개로 한 인공 집단 내에서 긍정적 정서 메시지가 어떻게 전파되는지를 모델링하고, 수신자의 최근 상호작용에 기반한 기억 효과와 2차 사회 공유 현상을 시뮬레이션으로 분석한다.

상세 분석

이 연구는 감정적 메시지 전파를 네트워크 가중치의 동적 진화 과정으로 형식화한다. 기본 가정은 ‘감정 메시지는 긍정적 가치(valence)를 가지며, 특정 개인으로부터 받은 메시지 수가 많을수록 그 사람에게 다시 메시지를 보낼 확률이 증가한다’는 것이다. 이를 수학적으로는 각 노드 i와 j 사이의 가중치 w_{ij}(t)를 정의하고, 시간 t에서 i가 j에게 메시지를 보낼 확률 p_{ij}(t)∝w_{ij}(t)^{α} (α>0) 로 설정한다. 여기서 α는 선호도 강화 정도를 조절하는 파라미터이며, α=1이면 선형 선호, α>1이면 비선형적 강화가 발생한다.

기억 효과는 최근 기간 Δt 내의 통신 강도만을 고려함으로써 구현된다. 구체적으로, w_{ij}(t)는 t−Δt부터 t까지의 메시지 교환 횟수의 가중합으로 업데이트되며, 오래된 상호작용은 지수적 감쇠 혹은 단순히 무시된다. 이 설계는 실제 인간의 사회적 기억이 제한된 용량과 시간 창을 갖는다는 심리학적 근거와 일치한다.

또한, 2차 사회 공유(secondary social sharing) 메커니즘을 도입하였다. 특정 노드가 감정 이메일을 수신하면, 일정 확률 β로 그 메시지를 복제하여 k명의 새로운 수신자에게 전파한다. 이때 k는 포아송 분포를 따르며, β와 평균 k는 실험적으로 조정 가능한 파라미터이다. 이러한 복제 과정은 감정 전파의 폭발적 확산을 야기할 수 있으며, 네트워크 전체의 클러스터링 계수와 평균 경로 길이에 미치는 영향을 정량화한다.

시뮬레이션 결과는 다음과 같은 핵심 인사이트를 제공한다. 첫째, 기억 창 Δt가 짧을수록 네트워크는 ‘핵심-주변’ 구조를 형성한다. 즉, 최근에 활발히 교류한 소수의 노드가 높은 가중치를 축적하고, 주변 노드와의 연결은 약해진다. 둘째, α가 증가하면 가중치의 불균형이 급격히 심화되어, 소수의 ‘슈퍼 전파자(super-spreader)’가 등장한다. 이들은 감정 메시지의 전파를 주도하며, 전체 네트워크의 감정 분위기를 좌우한다. 셋째, 2차 공유 파라미터 β와 평균 복제 수 ⟨k⟩이 일정 임계값을 초과하면, 감정 메시지 전파가 임계 현상을 보이며 급격히 확산한다. 이는 전염병 모델의 임계 전염률과 유사한 동역학을 나타낸다.

또한, 가중치 진화와 기억 효과를 동시에 고려했을 때, 네트워크는 ‘동적 균형 상태’를 이루는데, 이는 가중치 분포가 파워-로우 형태를 띠면서도 시간에 따라 미세하게 변동한다는 의미이다. 이러한 상태는 실제 온라인 커뮤니티에서 관찰되는 ‘핫 토픽’와 ‘버즈’ 현상을 설명할 수 있다.

마지막으로, 연구는 모델 파라미터가 실제 데이터와 어떻게 매핑될 수 있는지에 대한 가이드라인을 제시한다. 예를 들어, SNS에서의 ‘좋아요’ 횟수나 댓글 빈도는 w_{ij}의 실증적 추정치로 활용될 수 있으며, Δt는 플랫폼별 사용자 활동 주기(일일, 주간 등)와 일치시킬 수 있다. 이러한 매핑을 통해 모델을 실제 소셜 미디어 분석에 적용하고, 감정 전파를 예측하거나 조절하는 전략을 설계할 수 있다.