마크오프 체인으로 보는 개발자 감정 흐름 분석

초록

본 논문은 500 000개 이상의 오픈소스 이슈 댓글을 대상으로 정중함, 감성, 기본 감정(기쁨·분노·슬픔·사랑)을 자동 분석하고, 각 댓글 사이의 전이 확률을 마코프 체인으로 모델링한다. 결과는 부정적인 댓글이 연속될 확률이 높으며, 특히 분노가 이어질 확률이 40%에 달한다는 점을 보여준다.

상세 분석

이 연구는 대규모 개발자 커뮤니케이션 데이터를 정량화하려는 시도로, 먼저 Jira 기반 이슈 트래킹 시스템에서 15개 프로젝트(총 1 000여 개 프로젝트)의 2 백만 개 댓글을 수집하였다. 댓글의 정중함은 Politeness‑API, 감성은 SentiStrength와 같은 사전 훈련된 사전 기반 도구, 감정은 NRC Emotion Lexicon을 활용해 자동 라벨링하였다. 라벨링 정확도는 논문에 명시되지 않았지만, 기존 연구에서 해당 도구들의 F1 점수가 0.70~0.80 수준임을 감안하면 라벨링 오류가 전이 행렬에 일정 부분 영향을 미칠 가능성이 있다.

마코프 체인 모델은 3가지 상태(정중함: 정중, 중립, 무례; 감성: 긍정, 중립, 부정; 감정: 기쁨, 분노, 슬픔, 사랑)로 구성되었으며, 각 프로젝트별로 3개의 전이 행렬을 구축해 총 45개의 전이 행렬을 얻었다. 전이 확률은 “현재 댓글이 X 상태일 때, 바로 다음 댓글이 Y 상태가 될 확률”을 의미한다. 결과는 무례 댓글이 연속될 확률이 14%, 부정적 감성이 연속될 확률이 25%, 분노가 연속될 확률이 40%에 달한다는 점을 강조한다. 이는 감정 전이가 짧은 시간(즉시 다음 댓글) 내에 강하게 나타난다는 가설을 뒷받침한다.

하지만 모델은 몇 가지 한계를 가진다. 첫째, 댓글 간 시간 간격이나 스레드 구조를 무시하고 단순히 순차적 전이만을 고려한다는 점이다. 실제 개발자 대화는 트리 구조를 이루며, 동일 스레드 내에서의 전이와 다른 스레드 간 전이는 구분될 필요가 있다. 둘째, 라벨링 도구가 기술 용어와 중립적인 개발자 언어를 감성/감정으로 오분류할 위험이 있다. 셋째, 마코프 가정(현재 상태만이 다음 상태에 영향을 미친다)으로 인해 장기적인 감정 누적 효과를 포착하지 못한다.

관리적 시사점으로는, 부정적 댓글이 연쇄적으로 발생하면 팀 분위기와 생산성이 급격히 악화될 가능성이 있음을 경고한다. 따라서 프로젝트 관리자는 자동 감성 모니터링 시스템을 도입해 위험 신호(예: 연속된 무례·분노 댓글)를 조기에 감지하고, 중재나 교육을 통해 분위기를 회복할 수 있다. 향후 연구에서는 다중 단계 마코프 모델, 감정 전이의 시간적 가중치, 그리고 다언어(특히 비영어권) 데이터에 대한 확장 검증이 필요하다.