마르코프 체인으로 협업 온톨로지 편집 패턴 분석

초록

본 논문은 대규모 협업 온톨로지 프로젝트의 변경 로그에 마르코프 체인을 적용해 사용자의 연속 편집 행동을 모델링한다. ICD‑11 편집 데이터를 대상으로 최적 차수의 마르코프 모델을 추정하고, 구조적 규칙·전이 패턴을 도출함으로써 향후 편집을 예측하고 인터페이스·도구 설계에 활용할 수 있는 인사이트를 제공한다.

상세 분석

이 연구는 협업 온톨로지 엔지니어링에서 발생하는 시퀀스 데이터를 정량적으로 분석하기 위해 마르코프 체인이라는 확률 모델을 도입한 점이 가장 큰 특징이다. 먼저 저자들은 ICD‑11(국제질병분류 11판)의 변경 로그를 수집하고, 각 로그 항목을 “사용자‑행동‑대상” 삼중항으로 변환하였다. 이후 연속된 편집 행동을 시간 순서대로 정렬해 시퀀스를 구성하고, 이 시퀀스에 대해 1차부터 n차까지의 마르코프 체인을 학습한다. 차수 선택은 AIC·BIC와 같은 정보 기준을 활용해 과적합을 방지하면서도 예측력을 최대화하는 최적 차수를 결정한다.

실험 결과, 대부분의 편집 시퀀스는 2차3차 마르코프 모델에 의해 잘 설명되었으며, 이는 사용자가 현재 행동을 선택할 때 직전 23개의 행동을 기억한다는 의미이다. 구체적으로, 사용자는 동일한 개념에 대한 연속 편집(속성 추가·수정·삭제)이나 계층 구조를 따라 위·아래로 이동하는 패턴을 보였다. 또한, 인터페이스 섹션 전환 빈도가 높은 사용자는 특정 섹션(예: 정의·용어·인과관계) 사이를 반복적으로 오가는 경향이 발견되었다. 이러한 전이 확률 행렬은 “상위‑하위 편집”, “속성‑관계 편집 전환” 등 작업 흐름을 시각화하는 데 활용될 수 있다.

저자들은 모델을 기반으로 미래 행동을 예측하는 시나리오를 제시한다. 예측된 다음 행동에 따라 자동 완성 제안, 편집 가이드라인 표시, 혹은 편집자에게 잠재적 충돌을 사전에 알리는 UI 설계가 가능하다. 또한, 프로젝트 관리자는 전이 패턴을 모니터링해 특정 단계에서 편집이 정체되는지를 실시간으로 감지하고, 작업 분배나 교육을 조정할 수 있다.

이 논문의 한계로는 로그 데이터의 품질(누락·오류)과 사용자 의도(의도적 회피·실험적 편집)를 완전히 반영하지 못한다는 점을 들 수 있다. 향후 연구에서는 다중 모드 마르코프 모델이나 심층 학습 기반 시퀀스 모델을 도입해 복합적인 행동 요인을 통합하고, 다른 온톨로지 프로젝트와의 비교 분석을 통해 일반화 가능성을 검증할 필요가 있다.