온라인 소셜 네트워크에서 건강 행동 감정의 역동성

초록

본 연구는 트위터 상에서 새로운 백신에 대한 긍정·부정 감정이 어떻게 퍼지는지를 대규모 네트워크 통계와 시간적 효과 모델을 이용해 분석한다. 이웃 규모와 노출 강도가 감정 유형에 따라 상반된 영향을 미치며, 특히 부정 감정은 전염성이 높고, 긍정 감정은 오히려 부정 감정 표현을 촉진할 수 있음을 발견했다.

상세 요약

이 논문은 사회적 네트워크가 개인의 건강 행동에 미치는 영향을 정량적으로 규명하기 위해, 트위터 데이터베이스에서 특정 백신에 대한 언급을 수집하고, 각 사용자에 대한 네트워크 구조 변수(이웃 수, 이웃의 감정 비율, 노출 강도 등)를 시간에 따라 추적하였다. 연구자는 일반화된 선형 혼합 모델(GEE)을 활용해, 개별 사용자의 감정 표현(긍정·부정)과 이전 시점의 네트워크 변수 간 인과적 연관성을 추정하였다. 주요 결과는 두 가지 차원에서 의미가 있다. 첫째, ‘이웃 규모’가 클수록 감정 표현 빈도가 감소한다는 점이다. 이는 정보 과부하 혹은 사회적 비교에 의해 개인이 자신의 의견을 억제하는 메커니즘으로 해석될 수 있다. 둘째, ‘노출 강도(감정이 강하게 표현된 트윗 수)’는 감정 유형에 따라 상반된 효과를 보인다. 부정 감정에 대한 높은 노출은 이후 부정 감정 표현을 유의미하게 증가시켜, 전염성(contagion) 효과를 확인한다. 반면, 긍정 감정에 대한 높은 노출은 오히려 부정 감정 표현을 촉진하거나, 긍정 감정 자체의 전파를 억제한다는 역설적인 결과가 나타났다. 이는 긍정 메시지가 ‘반발 효과’를 일으키거나, 긍정 감정이 이미 높은 수준일 때 추가 노출이 새로운 정보로 인식되지 않아 무관심을 초래할 가능성을 시사한다.

통계적 검증 과정에서 연구자는 다중공선성을 최소화하기 위해 변수 선택 과정을 거쳤으며, 시간 지연(lag) 효과를 1~3일 간격으로 테스트하여 가장 강력한 예측력을 보이는 lag를 모델에 포함시켰다. 또한, 샘플링 편향을 방지하기 위해 무작위로 선택된 사용자와 그들의 팔로워 네트워크를 비교 분석하였다. 결과는 특정 감정이 네트워크 구조와 상호작용하면서 비대칭적인 전파 패턴을 만든다는 점을 강조한다.

이러한 발견은 기존의 ‘동질성(homophily)’과 ‘피어 인플루언스(peer influence)’ 이론이 감정 내용에 따라 다르게 작동할 수 있음을 보여준다. 특히, 부정 감정은 사회적 위험 신호로서 빠르게 확산되는 반면, 긍정 감정은 사회적 규범화 과정에서 억제되거나 역효과를 낼 수 있다. 정책 입안자와 공중보건 담당자는 이러한 비대칭성을 고려해, 부정 감정이 급증할 경우 빠른 대응 전략을 마련하고, 긍정 메시지를 전달할 때는 과도한 반복보다 타깃 맞춤형 접근이 필요함을 시사한다.