전 세계 트위터 흐름의 지역별 구조와 확산 메커니즘

초록

본 연구는 2012년 하반기 트위터 데이터를 이용해 국가·지역 단위로 집계한 팔로워와 멘션 네트워크를 구축하고, k‑shell 분해와 비대칭 지표, 정규화된 관심·활동 지표(NIM, NAM)를 통해 핵‑주변 구조와 정보 흐름 특성을 규명한다. 또한 수정된 지역‑SIR 모델을 적용해 각 지역의 전염성 및 회복 속도를 비교함으로써 전 세계적인 정보 확산 역학을 정량화한다.

상세 분석

이 논문은 트위터 사용자들의 지리적 위치와 관계 데이터를 활용해 두 종류의 집계 네트워크를 만든다. 팔로워 그래프(F)는 ‘누가 누구를 팔로우했는가’를, 멘션 그래프(M)는 ‘누가 누구에게 멘션했는가’를 각각 방향성 가중치로 표현한다. 데이터는 2012년 하반기 스트림에서 수집된 1.77 × 10⁸개의 팔로우와 1.32 × 10⁸개의 멘션을 포함하며, 473개(팔로워)·476개(멘션) 지역으로 집계한다.

핵심 분석 도구는 k‑shell 분해이다. 무가중치 대칭 행렬 ˆF와 ˆM을 만든 뒤, 각 노드의 차수를 기준으로 핵(core)과 주변(periphery)을 구분한다. ˆF에서는 240개 지역이 핵에 속하고 최소 199개의 이웃을 가지며, ˆM에서는 핵에 173개 지역이 포함된다. 주변 구조는 두 그래프에서 현저히 다르게 나타나는데, ˆF는 다수의 작은 쉘이 산재한 반면 ˆM은 하나의 대형 쉘과 몇 개의 소형 쉘로 구성된다. 이는 팔로워 관계가 보다 포괄적이고 상호 연결성이 높으며, 멘션은 특정 주제·관심에 국한된 집중형 연결성을 보여준다.

비대칭성 측정은 두 가지 파라미터(Type I, Type II)로 정의된다. Type I는 ‘수신량/송신량’ 비율, Type II는 그 역수를 나타내며, 각각 팔로워와 멘션 행렬에 적용한다. 대부분의 지역은 1에 가까운 값을 보였지만, 약 15 %~20 %는 1을 크게 초과하거나 미만으로 비대칭을 나타냈다. 이는 일부 국가가 정보의 순수 수신자(예: 영국) 혹은 발신자(예: 캘리포니아) 역할을 수행함을 시사한다.

또한 정규화된 관심(NIM)과 활동(NAM) 지표를 도입해 지역 내 자체 팔로워·멘션(자기 루프) 대비 외부와의 교류 비율을 정량화한다. 결과는 자기 루프가 증가할수록 NIM·NAM이 감소하는 역관계를 보여, 내부 활동이 과도하게 집중될수록 외부와의 상호작용이 억제되는 구조적 특성을 드러낸다. 이 감소는 핵과 주변 모두에서 근사적으로 멱법칙 형태를 띠지만, 정확한 함수 형태는 데이터 한계로 확정되지 않는다.

마지막으로 지역‑SIR 모델을 확장해 각 지역을 하나의 ‘집단’으로 보고, 가중치 Xₖⱼ를 접촉 빈도로 정규화한다. 감염 전파율 αₖ와 회복율 βₖ를 동일하게 설정(α=1, β=1)하여 전역 확산 시뮬레이션을 수행한다. 핵심 지역은 초기 감염 시 전 세계 평균 감염률(hᵢₜₐ) 상승을 빠르게 주도하며, 주변 지역은 전파 속도가 현저히 늦다. 특히 캘리포니아와 같은 정보 발신 중심 지역은 전파 시간(GITₖ)이 짧아 전 세계적 ‘트렌드 메이커’ 역할을 확인한다.

전반적으로 이 연구는 대규모 소셜 미디어 데이터를 지리적 집계와 네트워크 이론을 결합해, 글로벌 커뮤니케이션의 계층적 구조와 정보 확산 메커니즘을 정량적으로 파악한다는 점에서 의미가 크다.